WO2021010613A1 - 다중 디코더를 이용한 심화 신경망 기반의 비-자동회귀 음성 합성 방법 및 시스템 - Google Patents
다중 디코더를 이용한 심화 신경망 기반의 비-자동회귀 음성 합성 방법 및 시스템 Download PDFInfo
- Publication number
- WO2021010613A1 WO2021010613A1 PCT/KR2020/008330 KR2020008330W WO2021010613A1 WO 2021010613 A1 WO2021010613 A1 WO 2021010613A1 KR 2020008330 W KR2020008330 W KR 2020008330W WO 2021010613 A1 WO2021010613 A1 WO 2021010613A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- speech
- data
- feature vector
- vector sequence
- template
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000002194 synthesizing effect Effects 0.000 title claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 171
- 230000007246 mechanism Effects 0.000 claims abstract description 42
- 230000002123 temporal effect Effects 0.000 claims abstract description 11
- 230000015572 biosynthetic process Effects 0.000 claims description 56
- 238000003786 synthesis reaction Methods 0.000 claims description 56
- 238000007405 data analysis Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 23
- 238000001308 synthesis method Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
- G10L13/04—Details of speech synthesis systems, e.g. synthesiser structure or memory management
- G10L13/047—Architecture of speech synthesisers
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/0018—Speech coding using phonetic or linguistical decoding of the source; Reconstruction using text-to-speech synthesis
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Definitions
- Embodiments of the present invention relate to a method and system for synthesizing non-autoregressive speech based on a deep neural network using multiple decoders, and more particularly, to a non-recursive deep neural network based on multiple decoders, A method and system for generating a speech synthesis model for generating a speech feature vector.
- This invention is a research conducted with the support of the Information and Communication Technology Promotion Center with the funding of the government (Ministry of Science and Technology Information and Communication) in 2017 (No.2017-0-00474, development of intelligent voice signal processing technology for AI speaker voice assistants) .
- Deep Neural Network (DNN)-based speech synthesis technology is a technology that generates speech data from sentence data using a deep neural network.
- a sentence data analysis unit that analyzes sentence data and a speech feature vector is generated.
- the speech feature vector sequence synthesis unit is composed of one network.
- the first step the sentence data analysis unit, separates the sentence data into letters and converts the separated letters into a valid vector sequence as a neural network input, and a convolutional neural network and a recurrent neural network in the embedded vector sequence.
- the network composed of is divided into parts that refine the information necessary for generating the voice feature vector.
- the second step is also composed of two steps.
- information suitable for the speech data is selectively collected from the sentence data vector sequence refined by an attention mechanism, and then the collected Based on the information, a recurrent neural network creates a Mel-Filterbank speech feature vector.
- the input of the recurrent neural network is composed of the output mel filter bank voice data generated in the previous step as input according to an autoregressive method.
- the mel filter bank voice data is mapped to a log-power spectrogram.
- M.O.S Mel Opinion Score
- DNN deep neural network
- the end-to-end speech synthesis technology based on a deep neural network refers to a technology in which a single deep neural network (DNN) model analyzes sentence data to generate spectrogram-based speech features or speech signals. Since the sampling rates of sentence data and speech data are different, a seq2seq (sequence-to-sequence) network and an attention mechanism are used to solve this problem.
- the seq2seq network consists of an encoder and a decoder. The encoder serves to refine the sentence data, and the decoder generates spectrogram-based speech features based on the information refined by the encoder.
- the decoder sequentially generates outputs based on an autoregressive flow in which the generated output becomes the input of the next time.
- the autoregressive flow enables efficient information transfer, but has a disadvantage in that the speed is slow because outputs must be sequentially generated according to time order.
- the existing neural network-based speech synthesis technology synthesizes the speech feature vector by using the mel filter bank speech feature vector generated in the previous step as an input of the current step again using an autoregressive method.
- the learning stage since the input is composed by shifting and using the already given target speech feature vector sequence, there is no need to wait for the output of the previous stage, but the generation speed is slow because the output must be generated step by step in the test stage. .
- Embodiments of the present invention describe a method and system for non-autoregressive speech synthesis based on a deep neural network, and more specifically, speech synthesis in which a speech vector is non-recursively generated by estimating the length of a speech feature vector and generating an empty input. Provides model generation technology.
- Embodiments of the present invention remove the autoregressive flow of the existing autoregressive speech synthesis technology in order to solve the problem of the existing autoregressive speech synthesis technology, and a template It is possible to provide a non-autoregressive speech synthesis method and system based on a deep neural network that constructs a new input called as and generates speech in the same manner as in the learning stage in the test stage.
- An object of the present invention is to provide a method capable of solving a problem in that a speech synthesis model generates a speech feature vector step by step using a new input called a template.
- the template is an input that includes only temporal information of the voice in the blank input, and estimating the voice characteristics of the mel filter bank from the template is performed in the previous step in the existing autoregressive method.
- estimating the voice characteristics of the mel filter bank from the template is performed in the previous step in the existing autoregressive method.
- the difference in the domains of input and output is large, so there is a limitation with only the existing voice synthesis method.
- the present invention provides a method for solving the problem of greatly deteriorating sound quality in a non-autoregressive method by implementing a speech synthesis model from a template to generate speech feature vectors in stages through multiple decoders. It aims to do that.
- a non-autoregressive speech synthesis system based on a deep neural network configures a non-recursive deep neural network based on multiple decoders, and provides a stepwise speech through the multiple decoders from a template including temporal information of speech.
- a speech feature vector sequence synthesis unit that generates a feature vector sequence;
- a speech reconstruction unit for converting the speech feature vector sequence into speech data, wherein the speech feature vector sequence synthesis unit generates the template input, and an attention mechanism is applied to the generated template input. ) By adding the refined sentence data to generate a speech feature vector sequence.
- the refined sentence data may be formed by forming column-shaped embedded sentence data and purifying the embedded sentence data using a convolution artificial neural network.
- the sentence data analysis unit generates a character unit input by decomposing the sentence data into a Korean character unit, indexes the character unit input and maps the character unit input to numeric data, and converts the numeric data into one-hot encoding. ), and multiplying the one-hot encoded vector sequence with the sentence embedding matrix to generate the embedded sentence data consisting of a vector sequence having continuous characteristics.
- the speech feature vector sequence synthesizing unit generates the template input, and generates an encoded template by adding the refined sentence data to the template input using an attention mechanism. Thereafter, a mel filter bank voice feature vector sequence may be synthesized by decoding the encoded template, and a log power spectrum voice feature vector sequence may be synthesized from the mel filter bank voice feature vector sequence.
- the speech feature vector sequence synthesizer receives the refined sentence data and the template as inputs, the attention mechanism selects a part necessary for log power spectrum synthesis to form a vector of a fixed length, and through a multiple decoder
- the log power spectrum is estimated stepwise from the template, and the template data containing accurate information can be encoded by repeating the convolution network and the attention mechanism in at least one or more single decoders among the multiple decoders. have.
- the speech reconstruction unit may generate phase information from the speech feature vector sequence having magnitude information using a Griffin-lim algorithm and convert it into the speech data.
- a non-autoregressive speech synthesis method based on a deep neural network constructs a non-recursive deep neural network based on multiple decoders, and a stepwise speech is made through the multiple decoders from a template including temporal information of speech.
- a sentence data analysis step of analyzing the sentence data and outputting refined sentence data wherein the sentence data analysis step, generates a letter unit input by decomposing the sentence data into a letter unit of Korean, and embedding the sentence Forming embedded sentence data in the form of a feature vector sequence; And forming the refined sentence data by purifying the embedded sentence data using a convolution artificial neural network.
- the forming of the embedded sentence data in the form of a sentence feature vector sequence may include: decomposing the sentence data into Korean alphabet units to generate a character unit input; Indexing the input of the letter unit and mapping it to numeric data; One-hot encoding the numeric data; And multiplying the one-hot encoded vector sequence by the sentence embedding matrix to generate the embedded sentence data consisting of a vector sequence having continuous characteristics.
- the template which is an input of the speech feature vector sequence synthesizer, may be composed of absolute positional encoding data and relative positional encoding data.
- the synthesizing of the speech feature vector sequence may include generating the template input; A speech data encoding step of generating an encoded template by adding the refined sentence data to the template input using an attention mechanism; A speech data decoding step of synthesizing a mel filter bank speech feature vector sequence through decoding the encoded template; And synthesizing a log power spectrum voice feature vector sequence from the mel filter bank voice feature vector sequence.
- the generating of the template input may include generating encoded data of an absolute position; Generating encoded data of a relative position; And generating the template by concatenating the generated encoding data of the absolute position and the encoding data of the relative position.
- the encoding of the speech data may include: receiving the refined sentence data and the template as inputs, and forming a vector having a fixed length by the attention mechanism selecting a part required for log power spectrum synthesis; Estimating a log power spectrum step by step from the template through multiple decoders; And encoding the template data containing accurate information by repeating the convolution network and the attention mechanism in at least one or more of the multiple decoders.
- the decoding of speech data may include synthesizing a mel filter bank speech feature vector sequence from the encoded template through a speech data decoding artificial neural network.
- phase information may be generated from the speech feature vector sequence having magnitude information using a Griffin-lim algorithm and converted into the speech data.
- the speech feature vector sequence is synthesized at a time in a non-autoregressive method, it is based on a deep neural network capable of synthesizing speech at a faster rate compared to the autoregressive speech synthesis method. It is possible to provide a method and system for non-autoregressive speech synthesis.
- an autoregressive-based model regression model there is no phenomenon that the size of the output gradually decreases, so that the size of the speech is kept constant throughout the sentence.
- FIG. 1 is a diagram showing the overall configuration of a non-autoregressive speech synthesis system according to an embodiment.
- 2 to 4 are flowcharts illustrating a method of synthesizing non-autoregressive speech according to an embodiment.
- FIG. 5 is a diagram illustrating a process of generating a mel filter bank voice feature vector sequence according to an embodiment.
- the following embodiments of the present invention relate to a non-autoregressive speech synthesis method and system based on a deep neural network for non-recursively generating a speech vector by estimating the length of a speech feature vector and generating an empty input.
- Embodiments remove the autoregressive flow of the existing autoregressive speech synthesis system, and construct a new input called a template to generate speech in the same manner as the learning phase in the test phase. To be.
- a speech feature vector sequence may be synthesized at a time in a non-autoregressive method, thereby synthesizing a speech at a faster rate compared to an autoregressive speech synthesis method.
- FIG. 1 is a diagram showing the overall configuration of a non-autoregressive speech synthesis system according to an embodiment.
- a non-autoregressive speech synthesis system 100 based on a deep neural network according to an embodiment includes a sentence data analysis unit 110 for analyzing sentence data 101, and a speech feature vector.
- a voice feature vector sequence synthesizer 120 that synthesizes the sequence 104, and a voice reconstruction section 130 that converts the voice feature vector sequence 104 into speech.
- the sentence data analysis unit 110 may analyze the sentence data 101 and output refined sentence data 102.
- the sentence data analysis unit 110 may be divided into a sentence data embedding part that converts sentence input data in Korean alphabet units into input of the deep neural network, and an artificial neural network part that refines the embedded data. More specifically, in the sentence data embedding part, the sentence data 101 is decomposed into Korean alphabet units to generate a character unit input, and then embedded to form the embedded sentence data in the form of a sentence feature vector sequence, and the artificial neural network part
- the embedded sentence data may be refined using a convolution artificial neural network to form refined sentence data 102.
- the sentence data analysis unit 110 decomposes the sentence data 101 into Korean alphabet units to generate a character unit input, indexes the character unit input and maps it to numeric data, and converts the numeric data into one-hot encoding ( One-hot encoding) and one-hot encoded vector sequence may be multiplied with a sentence embedding matrix to generate embedded sentence data consisting of a vector sequence having continuous characteristics.
- the speech feature vector sequence synthesizing unit 120 constructs a multi-decoder-based non-recursive deep neural network, and step-by-step through the multiple decoders from the template 103 including the temporal information of the speech. Can be generated. More specifically, the speech feature vector sequence synthesizing unit 120 generates an input of a template 103, and refines sentence data 102 using an attention mechanism in the generated template 103.
- the speech feature vector sequence 104 may be generated by adding.
- the template 103 that is an input of the speech feature vector sequence synthesizer 120 may be composed of absolute positional encoding data and relative positional encoding data.
- the speech feature vector sequence synthesizing unit 120 may include a speech data encoding unit and a speech data decoding unit.
- the speech feature vector sequence synthesis unit 120 generates an input of a template 103, and refines sentence data 102 using an attention mechanism to input the template 103 through the speech data encoding unit. You can create an encoded template by adding. Thereafter, the speech data decoding unit may synthesize the mel filter bank speech feature vector sequence through decoding the encoded template. In addition, a log power spectrum voice feature vector sequence may be synthesized from the mel filter bank voice feature vector sequence.
- the speech feature vector sequence synthesis unit 120 receives the refined sentence data 102 and the template 103 as inputs, and the attention mechanism selects a part required for log power spectrum synthesis to form a vector of a fixed length. have. After that, the speech feature vector sequence synthesizer 120 estimates the log power spectrum in stages from the template 103 through the multiple decoders, and establishes a convolution network and an attention mechanism in at least one or more of the multiple decoders. It is possible to repeatedly encode the template (Template, 103) data containing accurate information.
- the speech reconstruction unit 130 may convert the speech feature vector sequence 104 into speech data 105. More specifically, the speech reconstruction unit 130 generates phase information from the speech feature vector sequence 104 having magnitude information using a Griffin-lim algorithm to generate speech data ( 105).
- 2 to 4 are flowcharts illustrating a method of synthesizing non-autoregressive speech according to an embodiment.
- a non-autoregressive speech synthesis method based on a deep neural network includes a sentence data analysis step (S110) of analyzing sentence data and outputting refined sentence data.
- the sentence data is decomposed into Korean alphabet units to generate a character unit input, followed by embedding to form embedded sentence data in the form of a sentence feature vector sequence (S111). ) And forming refined sentence data by purifying the embedded sentence data using a convolution artificial neural network (S112).
- a step of synthesizing a speech feature vector sequence (S120), a step of generating a template input (S121), and refined sentence data using an attention mechanism to input a template
- a voice data encoding step (S122) of generating an additionally encoded template a voice data decoding step (S123) of synthesizing a mel filter bank voice feature vector sequence by decoding the encoded template (S123), and a mel filter Synthesizing a log power spectrum voice feature vector sequence from the bank voice feature vector sequence (S124) may be included.
- the deep neural network-based non-autoregressive speech synthesis method may be described in more detail with an example of the deep neural network-based non-autoregressive speech synthesis system according to the embodiment described with reference to FIG. 1.
- the deep neural network-based non-autoregressive speech synthesis system may include a sentence data analysis unit, a speech feature vector sequence synthesis unit, and a speech reconstruction unit.
- the sentence data analysis unit may analyze the sentence data and output refined sentence data.
- refined sentence data may be generated by being refined with one artificial neural network.
- the artificial neural network can be referred to as a sentence data refinement artificial neural network, which can be trained.
- the sentence data analysis step (S110) is a step (S111) of decomposing the sentence data into Korean alphabet units to generate a character unit input, and then embedding to form embedded sentence data in the form of a sentence feature vector sequence (S111), and
- the sentence data may be refined using a convolution artificial neural network to form refined sentence data (S112).
- embedding is a process for converting discontinuous symbol data such as sentences into feature vectors having continuous and various characteristics.
- the sentence data is decomposed into Korean alphabet units to generate a character unit input (sentence decomposition step), and the character unit input is indexed and mapped to numeric data (index Step), one-hot encoding of numeric data, and an embedded sentence consisting of a vector sequence having continuous characteristics by multiplying the one-hot encoded vector sequence with the sentence embedding matrix It may include a step of generating data (a step of transforming a feature vector).
- the sentence decomposition step is the step of dividing the Hangul sentences into alphabets
- the indexing step is the step of assigning numbers to the divided alphabets, and the index table corresponding to the number of each letter is formed and numbered according to the index table.
- the generated one-hot vector (x i ) is converted to the embedding matrix (e) as shown in Equation 2
- e embedding matrix
- the speech feature vector sequence synthesis unit constructs a multi-decoder-based non-recursive deep neural network, and step-by-step through the multiple decoders from a template including temporal information of the speech. Can generate heat. More specifically, the speech feature vector sequence synthesizing unit may generate a template input and generate a speech feature vector sequence by adding refined sentence data using an attention mechanism to the generated template. have.
- the speech feature vector sequence synthesis step (S120) includes the step of generating a template input (S121), and the encoded template by adding sentence data refined using an attention mechanism to the template input (In the speech data encoding step (S122) of generating the template), the speech data decoding step (S123) of synthesizing the mel filter bank voice feature vector sequence by decoding the encoded template (S123), and the mel filter bank voice feature vector sequence It may include synthesizing a log power spectrum speech feature vector sequence (S124).
- the step of generating a template input includes generating encoding data of an absolute position, generating encoding data of a relative position, and encoding data of the generated absolute position and encoding data of the relative position. It may include the step of generating a template by concatenating.
- the speech data encoding step (S122) receives the refined sentence data and the template as inputs, and the attention mechanism selects a part required for log power spectrum synthesis to form a vector of a fixed length, and the refined sentence Receives data and a template as inputs, and the attention mechanism selects a part necessary for log power spectrum synthesis to form a vector of fixed length, and the log power spectrum is estimated step by step from the template through multiple decoders. And encoding template data containing accurate information by repeating the convolutional network and the attention mechanism in at least one or more of the multiple decoders.
- an artificial neural network encoding speech data may be trained, and the artificial neural network encoding speech data may be a convolution artificial neural network.
- the decoding of speech data may include synthesizing a mel filter bank speech feature vector sequence from a template encoded through the speech data decoding artificial neural network.
- an artificial neural network for decoding voice data can be trained.
- the speech feature vector sequence synthesis unit corresponds to the encoder of the entire model
- the template (or template data) that is the input of the speech feature vector sequence synthesis unit is a relative positional encoding.
- absolute positional encoding The positional encoding of each position may be configured in the same dimension as the mel filter bank voice feature vector sequence. In other words, it is a matrix having the size of [time, frequency bin].
- the configuration of the absolute position encoding can be expressed as the following equation.
- the absolute position encoding can be composed of a sin, cos waveform with three parameters: pos, i, d model .
- pos is a natural number that increases from 1 according to the time order in the data
- i is a natural number that increases from 1 according to the order of frequency bins in the data.
- d model is 80 equal to the number of frequency bins in the mel filter bank.
- a convolutional neural network which has limited learning of order information, helps to reflect order and time information in the result.
- the encoding of the relative position is similar to the encoding of the absolute position, but instead of the d model parameter, the speech_len parameter, which is the length of the entire speech data, may be included. Since the speech_len parameter is included in the configuration of the position encoding, it is possible to express the relative temporal information for the entire length different from the absolute position encoding.
- the encoding of each location is concatenated to form a template. Therefore, the entire template is a matrix having the size of [time, frequency bin*2].
- FIG. 5 is a diagram illustrating a process of generating a mel filter bank voice feature vector sequence according to an embodiment.
- a process of generating a mel filter bank voice feature vector sequence 204 of a voice feature vector sequence synthesizer of a voice synthesis system based on a deep neural network can be confirmed.
- the speech feature vector sequence synthesizing unit 200 corresponds to a decoder of the entire model, and may include a speech data encoding unit 212 and a speech data decoding unit 211.
- the voice data encoding unit 212 may be configured with a plurality of convolution networks and attention mechanisms. After passing through each attention mechanism, the template 202 may be encoded with new information appropriately containing sentence information for generating the mel filter bank voice feature vector sequence 204.
- the sampling rate of the speech feature vector sequence is generally much larger.
- the attention mechanism has shown a great effect in solving this problem in general autoregressive speech synthesis systems.
- the present invention also appropriately adds the refined sentence data 201 to the template 202 using the attention mechanism 210.
- the present invention can propose learning that gradually increases accuracy through the multiple decoder 210 as shown in the structure of FIG. 5.
- the multiple decoder 210 has a structure in which multiple single decoders 210 of the same structure exist, and the output of the decoder 210 in the previous step is input to the decoder 210 in the next step.
- each of the decoders 210 can estimate the mel filter bank feature vectors 203 and 204 of the speech.
- the following equation represents the objective function of the single decoder 210.
- each decoder 210 an input to which more and more information is added from a template 202 containing only temporal information is input to the input of each decoder 210.
- This increases the learning efficiency of each decoder 210 by distributing the load weighted to one decoder 210 to the multiple decoders 210 and helps to generate a mel filter bank speech feature vector with high accuracy overall.
- the speech feature vector sequence synthesizer composed of the multiple decoders 210 may be learned through one objective function.
- the following equation represents the objective function of the multiple decoder 210 using M single decoders 210.
- each decoder 210 may appropriately add refined sentence data information to the template data 202 using a total of three attention mechanisms and a convolution network.
- FIG. 6 is a diagram for explaining a process of adding refined sentence data information to template data in a single decoder according to an embodiment.
- the attention mechanisms 312, 314, 316 and the convolution networks 311, 313, 315 are repeated to appropriately add refined sentence data information to the template data. It is a process that represents a process.
- the speech feature vector sequence synthesizing unit 300 corresponds to a decoder of the entire model, and may include a speech data encoding unit 310 and a speech data decoding unit 320.
- the voice data encoding unit 310 may include a plurality of convolution networks 311, 313, and 315 and attention mechanisms 312, 314, and 316.
- the template 302 may be encoded with new information appropriately containing sentence information for generating the mel filter bank voice feature vector sequence 304.
- each attention mechanism 312, 314, 316 is as follows.
- the refined sentence data 301 is separated into a V matrix and a K matrix.
- the dimensions of the V and K matrix are the same as [sentence time, channel].
- a template that has passed through the convolutional networks 311, 313, and 315 is called a Q matrix, and its size is composed of [speech time, channel].
- the channel values of the sentence data and the voice data are the same.
- Equation 7 is an equation for a method of obtaining the matching degree of two inputs in the attention mechanisms 312, 314, 316.
- the matrix E which represents the degree of matching of two matrices, is obtained as a scalar product of Q and K.
- the size of the matrix E is [speech time, sentence time].
- the elements of matrix E can be represented by e ij .
- Equation 8 uses the soft-max function of the E matrix data to have a meaning of probability. Can be converted to A matrix consisting of is represented by A and is called an alignment matrix. The process of obtaining the C matrix, which is the final result of the attention mechanism 210, can be expressed as follows.
- the C matrix contains information on sentence data and is called context data. Since this C matrix has the same dimension [speech time, channel] as the Q matrix, Q and C can be concatenated and used as the next input of the network.
- the attention mechanisms 312, 314, 316 are applied three times in total, and can sequentially form a more accurate alignment matrix.
- the encoded template 303 generated in the same process as described above may be mapped to the mel filter bank voice feature vector sequence 304 through the voice data decoding unit 320.
- the mel filter bank voice feature vector sequence 304 synthesized through the above process may be mapped to a log power spectrum voice feature vector sequence through a post-processing artificial neural network.
- the artificial neural network used in the sentence data analysis unit and the speech feature vector sequence synthesis unit can be learned through an error between the synthesized two feature vector sequences and the actual speech feature vector data. That is, an artificial neural network for synthesizing a vector sequence of speech features can be trained.
- the speech reconstruction unit may convert the speech feature vector sequence into speech data.
- the speech reconstruction unit may recover speech data using the log power spectrum speech feature vector sequence finally synthesized in the previous step. Since the log power spectrum speech feature vector sequence synthesized by the deep neural network has only magnitude information without phase information, new phase information must be generated and reconstructed using the Griffin-lim algorithm. do.
- the speech feature vector sequence is synthesized at one time in a non-autoregressive method
- speech can be synthesized at a faster rate compared to an autoregressive speech synthesis method.
- the size of the output does not gradually decrease, so that the size of the speech can be kept constant throughout the sentence.
- a speech synthesis model from a template can be implemented to generate speech feature vectors in stages through multiple decoders, thereby solving the problem that sound quality is greatly degraded in a non-autoregressive method. have.
- the apparatus described above may be implemented as a hardware component, a software component, and/or a combination of a hardware component and a software component.
- the devices and components described in the embodiments include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable array (FPA), It can be implemented using one or more general purpose computers or special purpose computers, such as a programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions.
- the processing device may execute an operating system (OS) and one or more software applications executed on the operating system.
- the processing device may access, store, manipulate, process, and generate data in response to the execution of software.
- OS operating system
- the processing device may access, store, manipulate, process, and generate data in response to the execution of software.
- the processing device is a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it may include.
- the processing device may include a plurality of processors or one processor and one controller.
- other processing configurations are possible, such as a parallel processor.
- the software may include a computer program, code, instructions, or a combination of one or more of these, configuring the processing unit to behave as desired or processed independently or collectively. You can command the device.
- Software and/or data may be interpreted by a processing device or to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. Can be embodyed in The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.
- the method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium.
- the computer-readable medium may include program instructions, data files, data structures, and the like alone or in combination.
- the program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and usable to those skilled in computer software.
- Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks.
- -A hardware device specially configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like.
- Examples of program instructions include not only machine language codes such as those produced by a compiler but also high-level language codes that can be executed by a computer using an interpreter or the like.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Machine Translation (AREA)
Abstract
심화 신경망 기반의 비-자동회귀 음성 합성 방법 및 시스템이 제시된다. 일 실시예에 따른 심화 신경망 기반의 비-자동회귀 음성 합성 시스템은, 다중 디코더 기반의 비재귀적 심화 신경망을 구성하고, 음성의 시간적 정보가 포함된 템플릿(Template)으로부터 상기 다중 디코더를 통하여 단계적으로 음성 특징 벡터열을 생성하는 음성 특징 벡터열 합성부; 및 상기 음성 특징 벡터열을 음성 데이터로 변환하는 음성 재구성부를 포함하고, 상기 음성 특징 벡터열 합성부는, 상기 템플릿(Template) 입력을 생성하고, 생성된 상기 템플릿(Template) 입력에 어텐션 메커니즘(attention mechanism)을 통해 정제된 문장 데이터를 추가하여 음성 특징 벡터열을 생성할 수 있다.
Description
본 발명의 실시예들은 다중 디코더를 이용한 심화 신경망 기반의 비-자동회귀 음성 합성 방법 및 시스템에 관한 것으로, 더욱 상세하게는 다중 디코더 기반의 비재귀적 심화 신경망을 구성하여 음성의 시간적 정보가 담긴 입력으로부터 음성 특징 벡터를 생성하는 음성 합성 모델 생성 방법 및 시스템에 관한 것이다. 이 발명은 2017년도 정부(과학기술정보통신부)의 재원으로 정보통신기술진흥센터의 지원을 받아 수행된 연구임(No.2017-0-00474, AI스피커 음성비서를 위한 지능형 음성신호처리 기술개발).
심화 신경망(Deep Neural Network, DNN) 기반의 음성 합성 기술은 심화 신경망을 이용하여 문장 데이터에서 음성 데이터를 생성해내는 기술로, 일반적으로 문장 데이터를 분석하는 문장 데이터 분석부와 음성 특징 벡터를 생성하는 음성 특징 벡터열 합성부가 하나의 네트워크로 구성된다.
첫 번째 단계인 문장 데이터 분석부는 문장 데이터를 자모로 분리하고 분리된 자모를 신경망 입력으로 유효한 벡터열로 바꾸는 문장 데이터 임베딩(character embedding) 부분, 임베딩된 벡터열에서 콘볼루션(convolution) 신경망과 순환 신경망으로 구성된 네트워크가 음성 특징 벡터 생성에 필요한 정보를 정제하는 부분으로 나뉜다.
두 번째 단계인 음성 특징 벡터열 합성부 또한 두 개의 단계로 이루어지며, 첫 번째 단계에서는 어텐션 메커니즘(attention mechanism)으로 정제된 문장 데이터 벡터열에서 음성 데이터에 맞는 정보를 선택적으로 취합한 후, 취합된 정보를 바탕으로 순환 신경망이 멜 필터 뱅크(Mel-Filterbank) 음성 특징 벡터를 생성한다. 이때 순환 신경망의 입력은 이전 단계에서 생성된 출력 멜 필터 뱅크 음성 데이터를 자동회귀(autoregressive) 방식에 따라 입력으로 구성하게 된다. 두 번째 단계에서는 멜 필터 뱅크 음성 데이터를 로그 파워 스펙트로그램(log-power spectrogram)으로 매핑한다.
일반적으로 음성 합성의 품질은 주관적 평가 방법인 M.O.S(Mean Opinion Score)를 이용하여 측정한다. 일부 보코더(vocoder) 모델의 경우에는 음성의 왜곡 정도를 측정하지만, 심화 신경망(DNN) 기반의 엔드투엔드(end to end) 모델의 경우에는 M.O.S만을 사용한다.
심화 신경망(DNN) 기반의 엔드투엔드(end to end) 음성 합성 기술은 하나의 심화 신경망(DNN) 모델이 문장 데이터를 분석하여 스펙트로그램 기반의 음성 특징 또는 음성 신호를 생성해내는 기술을 말한다. 문장 데이터와 음성 데이터의 샘플링 비율(sampling rate)이 서로 다르기 때문에 이를 해결하기 위해 seq2seq(sequence-to-sequence) 네트워크와 어텐션 메커니즘(attention mechanism)이 사용된다. seq2seq 네트워크는 인코더(encoder)와 디코더(decoder)로 구성되어 있다. 인코더는 문장 데이터를 정제하는 역할을 하며, 디코더는 인코더에 의해 정제된 정보를 바탕으로 스펙트로그램 기반의 음성 특징을 생성해낸다. 디코더는 생성된 출력물이 다음 시간의 입력이 되는 자동회귀 플로우(autoregressive flow)를 바탕으로 순차적으로 출력을 생성해낸다. 그러나, 자동회귀 플로우(autoregressive flow)는 효율적인 정보의 전달을 가능하게 하지만 시간 순서에 따라 순차적으로 출력을 생성해야 하기 때문에 속도가 느리다는 단점이 있다.
이와 같이, 기존의 신경망 기반 음성 합성 기술은 자동회귀(autoregressive) 방식으로 이전 단계에서 생성된 멜 필터 뱅크 음성 특징 벡터를 다시 현재 단계의 입력으로 사용하는 방식으로 음성 특징 벡터를 합성한다. 학습 단계에서는 이미 주어진 타겟 음성 특징 벡터열을 시프팅하여 사용하는 방식으로 입력을 구성하기 때문에 이전 단계 출력을 기다릴 필요가 없지만, 테스트 단계에서는 단계적으로 출력을 생성해야 되기 때문에 생성 속도가 느린 단점이 있다.
자동회귀(autoregressive) 음성 합성 모델의 경우 출력이 입력으로 다시 들어가기 때문에 순환 신경망 특성상 뒤쪽으로 갈수록 음성의 소리 크기가 작아지는 현상이 빈번하다. 또한 음성 생성시에 음성의 끝을 따로 찾는 구조가 필요하며, 끝부분을 제대로 찾지 못하면 중간에 음성의 생성을 멈춰버리는 현상이 나타난다.
본 발명의 실시예들은 심화 신경망 기반의 비-자동회귀 음성 합성 방법 및 시스템에 관하여 기술하며, 보다 구체적으로 음성 특징 벡터의 길이를 추정하고 빈 입력을 생성하여 비재귀적으로 음성 벡터를 생성하는 음성 합성 모델 생성 기술을 제공한다.
본 발명의 실시예들은 기존의 자동회귀(autoregressive) 음성 합성 기술이 가지는 문제를 해결하기 위하여, 기존의 자동회귀(autoregressive) 음성 합성 기술의 자동회귀 플로우(autoregressive flow)를 제거하고, 템플릿(Template)으로 불리는 새로운 입력을 구성하여 테스트 단계에서도 학습 단계와 같은 방식으로 음성을 생성할 수 있도록 하는 심화 신경망 기반의 비-자동회귀 음성 합성 방법 및 시스템을 제공할 수 있다.
본 발명은 템플릿(Template)이라는 새로운 입력을 이용하여 음성 합성 모델이 단계적으로 음성 특징 벡터를 생성해야 하는 문제를 해결할 수 있는 방법을 제공하는 것을 그 목적으로 한다.
하지만, 템플릿(Template)은 빈 입력에 음성의 오직 시간적 정보만 포함된 입력으로, 템플릿(Template)으로부터 멜 필터 뱅크 음성특징을 추정하는 것은 기존의 자동회귀(autoregressive) 방식에서 이전 단계에서 생성된 멜 필터 뱅크 음성특징으로부터 현재 단계의 멜 필터 뱅크 음성특징을 추정하는 것과 달리, 입출력의 도메인의 차이가 커서 기존의 음성합성 방법만으로는 한계가 있다. 본 발명은 템플릿(Template)으로부터 음성 합성 모델이 다중 디코더를 통하여 단계적으로 음성 특징 벡터를 생성하도록 구현하여 비-자동회귀(non-autoregressive) 방식에서 음질이 크게 저하되는 문제를 해결할 수 있는 방법을 제공하는 것을 그 목적으로 한다.
일 실시예에 따른 심화 신경망 기반의 비-자동회귀 음성 합성 시스템은, 다중 디코더 기반의 비재귀적 심화 신경망을 구성하고, 음성의 시간적 정보가 포함된 템플릿(Template)으로부터 상기 다중 디코더를 통하여 단계적으로 음성 특징 벡터열을 생성하는 음성 특징 벡터열 합성부; 및 상기 음성 특징 벡터열을 음성 데이터로 변환하는 음성 재구성부를 포함하고, 상기 음성 특징 벡터열 합성부는, 상기 템플릿(Template) 입력을 생성하고, 생성된 상기 템플릿(Template) 입력에 어텐션 메커니즘(attention mechanism)을 통해 정제된 문장 데이터를 추가하여 음성 특징 벡터열을 생성할 수 있다.
문장 데이터를 분석하여 정제된 문장 데이터를 출력하는 문장 데이터 분석부를 더 포함하고, 상기 문장 데이터 분석부는, 상기 문장 데이터를 한글의 자모 단위로 분해하여 자모 단위 입력을 생성한 후, 임베딩하여 문장 특징 벡터열 형태의 임베딩된 문장 데이터를 형성하고, 상기 임베딩된 문장 데이터를 콘볼루션(convolution) 인공 신경망을 이용하여 정제하여 상기 정제된 문장 데이터를 형성할 수 있다.
상기 문장 데이터 분석부는, 상기 문장 데이터를 한글의 자모 단위로 분해하여 자모 단위 입력을 생성하고, 상기 자모 단위 입력을 색인하여 숫자 데이터로 매핑하여, 상기 숫자 데이터를 원-핫 인코딩(One-hot encoding)하고, 원-핫 인코딩(One-hot encoding)된 벡터열을 문장 임베딩 매트릭스와 곱하여 연속된 특성을 가지는 벡터열로 이루어진 상기 임베딩된 문장 데이터를 생성할 수 있다.
상기 음성 특징 벡터열 합성부는, 상기 템플릿(Template) 입력을 생성하고, 상기 템플릿(Template) 입력에 어텐션 메커니즘(attention mechanism)을 이용하여 상기 정제된 문장 데이터를 추가하여 인코딩된 템플릿(Template)을 생성한 후, 상기 인코딩된 템플릿(Template)을 디코딩을 통해 멜 필터 뱅크 음성 특징 벡터열을 합성하고, 상기 멜 필터 뱅크 음성 특징 벡터열에서 로그 파워 스펙트럼 음성 특징 벡터열을 합성할 수 있다.
상기 음성 특징 벡터열 합성부는, 상기 정제된 문장 데이터와 상기 템플릿(Template)을 입력으로 받아 상기 어텐션 메커니즘이 로그 파워 스펙트럼 합성에 필요한 부분을 선택하여 고정된 길이의 벡터를 형성하고, 다중 디코더를 통해 상기 템플릿(Template)으로부터 단계적으로 로그 파워 스펙트럼을 추정하며, 상기 다중 디코더 중 적어도 어느 하나 이상의 단일 디코더에서 콘볼루션 네트워크와 상기 어텐션 메커니즘을 반복하여 정확한 정보를 담은 상기 템플릿(Template) 데이터를 인코딩할 수 있다.
상기 음성 재구성부는, 그리핀-림 알고리즘(Griffin-lim algorithm)을 이용하여 크기(magnitude) 정보를 갖는 상기 음성 특징 벡터열로부터 위상(phase) 정보를 생성하여 상기 음성 데이터로 변환할 수 있다.
다른 실시예에 따른 심화 신경망 기반의 비-자동회귀 음성 합성 방법은, 다중 디코더 기반의 비재귀적 심화 신경망을 구성하고, 음성의 시간적 정보가 포함된 템플릿(Template)으로부터 상기 다중 디코더를 통하여 단계적으로 음성 특징 벡터열을 생성하는 음성 특징 벡터열 합성 단계; 및 상기 음성 특징 벡터열을 음성 데이터로 변환하는 음성 재구성 단계를 포함하고, 상기 음성 특징 벡터열 합성 단계는, 상기 템플릿(Template) 입력을 생성하고, 생성된 상기 템플릿(Template) 입력에 어텐션 메커니즘(attention mechanism)을 통해 정제된 문장 데이터를 추가하여 음성 특징 벡터열을 생성할 수 있다.
문장 데이터를 분석하여 정제된 문장 데이터를 출력하는 문장 데이터 분석 단계를 더 포함하고, 상기 문장 데이터 분석 단계는, 상기 문장 데이터를 한글의 자모 단위로 분해하여 자모 단위 입력을 생성한 후, 임베딩하여 문장 특징 벡터열 형태의 임베딩된 문장 데이터를 형성하는 단계; 및 상기 임베딩된 문장 데이터를 콘볼루션(convolution) 인공 신경망을 이용하여 정제하여 상기 정제된 문장 데이터를 형성하는 단계를 포함할 수 있다.
상기 문장 특징 벡터열 형태의 임베딩된 문장 데이터를 형성하는 단계는, 상기 문장 데이터를 한글의 자모 단위로 분해하여 자모 단위 입력을 생성하는 단계; 상기 자모 단위 입력을 색인하여 숫자 데이터로 매핑하는 단계; 상기 숫자 데이터를 원-핫 인코딩(One-hot encoding)하는 단계; 및 원-핫 인코딩(One-hot encoding)된 벡터열을 문장 임베딩 매트릭스와 곱하여 연속된 특성을 가지는 벡터열로 이루어진 상기 임베딩된 문장 데이터를 생성하는 단계를 포함할 수 있다.
여기서, 상기 음성 특징 벡터열 합성부의 입력인 상기 템플릿(Template)은 절대적인 위치의 인코딩(absolute positional encoding) 데이터와 상대적인 위치의 인코딩(relative positional encoding) 데이터로 이루어질 수 있다.
상기 음성 특징 벡터열 합성 단계는, 상기 템플릿(Template) 입력을 생성하는 단계; 상기 템플릿(Template) 입력에 어텐션 메커니즘(attention mechanism)을 이용하여 상기 정제된 문장 데이터를 추가하여 인코딩된 템플릿(Template)을 생성하는 음성 데이터 인코딩 단계; 상기 인코딩된 템플릿(Template)을 디코딩을 통해 멜 필터 뱅크 음성 특징 벡터열을 합성하는 음성 데이터 디코딩 단계; 및 상기 멜 필터 뱅크 음성 특징 벡터열에서 로그 파워 스펙트럼 음성 특징 벡터열을 합성하는 단계를 포함할 수 있다.
또한, 상기 템플릿(Template) 입력을 생성하는 단계는, 절대적인 위치의 인코딩 데이터를 생성하는 단계; 상대적인 위치의 인코딩 데이터를 생성하는 단계; 및 생성된 상기 절대적인 위치의 인코딩 데이터와 상기 상대적인 위치의 인코딩 데이터를 병합(concatenate)하여 상기 템플릿(Template)을 생성하는 단계를 포함할 수 있다.
상기 음성 데이터 인코딩 단계는, 상기 정제된 문장 데이터와 상기 템플릿(Template)을 입력으로 받아 상기 어텐션 메커니즘이 로그 파워 스펙트럼 합성에 필요한 부분을 선택하여 고정된 길이의 벡터를 형성하는 단계; 다중 디코더를 통해 상기 템플릿(Template)으로부터 단계적으로 로그 파워 스펙트럼을 추정하는 단계; 및 상기 다중 디코더 중 적어도 어느 하나 이상의 단일 디코더에서 콘볼루션 네트워크와 상기 어텐션 메커니즘을 반복하여 정확한 정보를 담은 상기 템플릿(Template) 데이터를 인코딩하는 단계를 포함할 수 있다.
상기 음성 데이터 디코딩 단계는, 음성 데이터 디코딩 인공 신경망을 통해 상기 인코딩된 템플릿(Template)으로부터 멜 필터 뱅크 음성 특징 벡터열을 합성하는 단계를 포함할 수 있다.
상기 음성 재구성 단계는, 그리핀-림 알고리즘(Griffin-lim algorithm)을 이용하여 크기(magnitude) 정보를 갖는 상기 음성 특징 벡터열로부터 위상(phase) 정보를 생성하여 상기 음성 데이터로 변환할 수 있다.
본 발명의 실시예들에 따르면 비-자동회귀(non-autoregressive) 방식으로 음성 특징 벡터열을 한번에 합성하기 때문에 자동회귀(autoregressive) 음성 합성 방식에 비해 빠른 속도로 음성을 합성할 수 있는 심화 신경망 기반의 비-자동회귀 음성 합성 방법 및 시스템을 제공할 수 있다.
또한, 본 발명의 실시예들에 따르면 자동회귀(autoregressive) 기반 모델 회귀(regression) 모델에서 출력의 크기가 점점 감소하는 현상이 나타나지 않아 음성의 크기가 문장 전체에서 일정하게 유지되는 이점이 있다.
또한, 본 발명의 실시예들에 따르면 음성 특징벡터를 프레임별로 순차적으로 생성하지 않고, 비-자동회귀(non-autoregressive) 방식으로 전체 프레임의 음성 특징벡터를 한번에 합성하기 때문에 기존의 자동회귀(autoregressive) 방식보다 빠른 속도로 음성을 합성할 수 있다.
도 1은 일 실시예에 따른 비-자동회귀 음성 합성 시스템의 전체적인 구성을 나타내는 도면이다.
도 2 내지 도 4는 일 실시예에 따른 비-자동회귀 음성 합성 방법을 나타내는 흐름도이다.
도 5는 일 실시예에 따른 멜 필터 뱅크 음성 특징 벡터열 생성 과정을 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 실시예들을 설명한다. 그러나, 기술되는 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명되는 실시예들에 의하여 한정되는 것은 아니다. 또한, 여러 실시예들은 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. 도면에서 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
아래의 본 발명의 실시예들은 음성 특징 벡터의 길이를 추정하고 빈 입력을 생성하여 비재귀적으로 음성 벡터를 생성하는 심화 신경망 기반의 비-자동회귀 음성 합성 방법 및 시스템에 관한 것이다. 실시예들은 기존의 자동회귀(autoregressive) 음성 합성 시스템의 자동회귀 플로우(autoregressive flow)를 제거하고, 템플릿(Template)으로 불리는 새로운 입력을 구성하여 테스트 단계에서도 학습 단계와 같은 방식으로 음성을 생성할 수 있도록 한다.
실시예들에 따르면 비-자동회귀(non-autoregressive) 방식으로 음성 특징 벡터열을 한번에 합성함으로써 자동회귀(autoregressive) 음성 합성 방식에 비해 빠른 속도로 음성을 합성할 수 있다.
도 1은 일 실시예에 따른 비-자동회귀 음성 합성 시스템의 전체적인 구성을 나타내는 도면이다.
도 1을 참조하면, 일 실시예에 따른 심화 신경망 기반의 비-자동회귀(non-autoregressive) 음성 합성 시스템(100)은 문장 데이터(101)를 분석하는 문장 데이터 분석부(110), 음성 특징 벡터열(104)을 합성해내는 음성 특징 벡터열 합성부(120), 그리고 음성 특징 벡터열(104)을 음성으로 변환하는 음성 재구성부(130)를 포함하여 이루어질 수 있다.
문장 데이터 분석부(110)는 문장 데이터(101)를 분석하여 정제된 문장 데이터(102)를 출력할 수 있다. 이러한 문장 데이터 분석부(110)는 한글 자모 단위로 들어오는 문장 입력 데이터를 심화 신경망의 입력으로 변경하는 문장 데이터 임베딩(character embedding) 부분과, 임베딩된 데이터를 정제하는 인공 신경망 부분으로 나뉘어질 수 있다. 보다 구체적으로, 문장 데이터 임베딩 부분은 문장 데이터(101)를 한글의 자모 단위로 분해하여 자모 단위 입력을 생성한 후, 임베딩하여 문장 특징 벡터열 형태의 임베딩된 문장 데이터를 형성하고, 인공 신경망 부분은 임베딩된 문장 데이터를 콘볼루션(convolution) 인공 신경망을 이용하여 정제하여 정제된 문장 데이터(102)를 형성할 수 있다.
특히, 문장 데이터 분석부(110)는 문장 데이터(101)를 한글의 자모 단위로 분해하여 자모 단위 입력을 생성하고, 자모 단위 입력을 색인하여 숫자 데이터로 매핑하여, 숫자 데이터를 원-핫 인코딩(One-hot encoding)하고, 원-핫 인코딩(One-hot encoding)된 벡터열을 문장 임베딩 매트릭스와 곱하여 연속된 특성을 가지는 벡터열로 이루어진 임베딩된 문장 데이터를 생성할 수 있다.
음성 특징 벡터열 합성부(120)는 다중 디코더 기반의 비재귀적 심화 신경망을 구성하고, 음성의 시간적 정보가 포함된 템플릿(Template, 103)으로부터 다중 디코더를 통하여 단계적으로 음성 특징 벡터열(104)을 생성할 수 있다. 보다 구체적으로, 음성 특징 벡터열 합성부(120)는 템플릿(Template, 103) 입력을 생성하고, 생성된 템플릿(Template, 103)에 어텐션 메커니즘(attention mechanism)을 이용하여 정제된 문장 데이터(102)를 추가하여 음성 특징 벡터열(104)을 생성할 수 있다. 여기서, 음성 특징 벡터열 합성부(120)의 입력인 템플릿(Template, 103)은 절대적인 위치의 인코딩(absolute positional encoding) 데이터와 상대적인 위치의 인코딩(relative positional encoding) 데이터로 이루어질 수 있다.
또한, 음성 특징 벡터열 합성부(120)는 음성 데이터 인코딩부와 음성 데이터 디코딩부 구성될 수 있다.
음성 특징 벡터열 합성부(120)는 템플릿(Template, 103) 입력을 생성하고, 음성 데이터 인코딩부를 통해 템플릿(Template, 103) 입력에 어텐션 메커니즘(attention mechanism)을 이용하여 정제된 문장 데이터(102)를 추가하여 인코딩된 템플릿(Template)을 생성할 수 있다. 이 후, 음성 데이터 디코딩부는 인코딩된 템플릿(Template)을 디코딩을 통해 멜 필터 뱅크 음성 특징 벡터열을 합성할 수 있다. 그리고, 멜 필터 뱅크 음성 특징 벡터열에서 로그 파워 스펙트럼 음성 특징 벡터열을 합성할 수 있다.
음성 특징 벡터열 합성부(120)는 정제된 문장 데이터(102)와 템플릿(Template, 103)을 입력으로 받아 어텐션 메커니즘이 로그 파워 스펙트럼 합성에 필요한 부분을 선택하여 고정된 길이의 벡터를 형성할 수 있다. 이 후, 음성 특징 벡터열 합성부(120)는 다중 디코더를 통해 템플릿(Template, 103)으로부터 단계적으로 로그 파워 스펙트럼을 추정하며, 다중 디코더 중 적어도 어느 하나 이상의 단일 디코더에서 콘볼루션 네트워크와 어텐션 메커니즘을 반복하여 정확한 정보를 담은 템플릿(Template, 103) 데이터를 인코딩할 수 있다.
음성 재구성부(130)는 음성 특징 벡터열(104)을 음성 데이터(105)로 변환할 수 있다. 보다 구체적으로, 음성 재구성부(130)는 그리핀-림 알고리즘(Griffin-lim algorithm)을 이용하여 크기(magnitude) 정보를 갖는 음성 특징 벡터열(104)로부터 위상(phase) 정보를 생성하여 음성 데이터(105)로 변환할 수 있다.
도 2 내지 도 4는 일 실시예에 따른 비-자동회귀 음성 합성 방법을 나타내는 흐름도이다.
도 2를 참조하면, 일 실시예에 따른 심화 신경망 기반의 비-자동회귀(non-autoregressive) 음성 합성 방법은, 문장 데이터를 분석하여 정제된 문장 데이터를 출력하는 문장 데이터 분석 단계(S110), 다중 디코더 기반의 비재귀적 심화 신경망을 구성하고, 음성의 시간적 정보가 포함된 템플릿(Template)으로부터 다중 디코더를 통하여 단계적으로 음성 특징 벡터열을 생성하는 음성 특징 벡터열 합성 단계(S120), 및 음성 특징 벡터열을 음성 데이터로 변환하는 음성 재구성 단계(S130)를 포함하여 이루어질 수 있다.
도 3을 참조하면, 문장 데이터 분석 단계(S110)는 문장 데이터를 한글의 자모 단위로 분해하여 자모 단위 입력을 생성한 후, 임베딩하여 문장 특징 벡터열 형태의 임베딩된 문장 데이터를 형성하는 단계(S111)와, 임베딩된 문장 데이터를 콘볼루션(convolution) 인공 신경망을 이용하여 정제하여 정제된 문장 데이터를 형성하는 단계(S112)를 포함할 수 있다.
도 4를 참조하면, 음성 특징 벡터열 합성 단계(S120)는, 템플릿(Template) 입력을 생성하는 단계(S121), 템플릿(Template) 입력에 어텐션 메커니즘(attention mechanism)을 이용하여 정제된 문장 데이터를 추가하여 인코딩된 템플릿(Template)을 생성하는 음성 데이터 인코딩 단계(S122), 인코딩된 템플릿(Template)을 디코딩을 통해 멜 필터 뱅크 음성 특징 벡터열을 합성하는 음성 데이터 디코딩 단계(S123), 및 멜 필터 뱅크 음성 특징 벡터열에서 로그 파워 스펙트럼 음성 특징 벡터열을 합성하는 단계(S124)를 포함할 수 있다.
아래에서 일 실시예에 따른 비-자동회귀 음성 합성 방법의 각 단계를 보다 상세히 설명하기로 한다.
일 실시예에 따른 심화 신경망 기반의 비-자동회귀 음성 합성 방법은 도 1에서 설명한 일 실시예에 따른 심화 신경망 기반의 비-자동회귀 음성 합성 시스템을 예를 들어 보다 상세히 설명할 수 있다. 여기서, 일 실시예에 따른 심화 신경망 기반의 비-자동회귀 음성 합성 시스템은 문장 데이터 분석부, 음성 특징 벡터열 합성부 및 음성 재구성부를 포함하여 이루어질 수 있다.
문장 데이터 분석 단계(S110)에서, 문장 데이터 분석부는 문장 데이터를 분석하여 정제된 문장 데이터를 출력할 수 있다. 여기서, 문장 데이터 분석 단계(S110)는 하나의 인공 신경망으로 정제하여 정제된 문장 데이터를 생성할 수 있다. 이때 인공 신경망을 문장 데이터 정제 인공 신경망이라 할 수 있으며, 이를 학습시킬 수 있다.
이러한 문장 데이터 분석 단계(S110)는 문장 데이터를 한글의 자모 단위로 분해하여 자모 단위 입력을 생성한 후, 임베딩하여 문장 특징 벡터열 형태의 임베딩된 문장 데이터를 형성하는 단계(S111)와, 임베딩된 문장 데이터를 콘볼루션(convolution) 인공 신경망을 이용하여 정제하여 정제된 문장 데이터를 형성하는 단계(S112)를 포함할 수 있다. 여기서, 임베딩은 문장 등의 불연속적인 기호 데이터를 연속적이고 다양한 특성을 가지는 특징 벡터로 변환하기 위한 과정이다.
임베딩된 문장 데이터를 형성하는 단계(S111)는, 문장 데이터를 한글의 자모 단위로 분해하여 자모 단위 입력을 생성하는 단계(문장 분해 단계), 자모 단위 입력을 색인하여 숫자 데이터로 매핑하는 단계(색인 단계), 숫자 데이터를 원-핫 인코딩(One-hot encoding)하는 단계 및 원-핫 인코딩(One-hot encoding)된 벡터열을 문장 임베딩 매트릭스와 곱하여 연속된 특성을 가지는 벡터열로 이루어진 임베딩된 문장 데이터를 생성하는 단계(특징 벡터 변환 단계)를 포함할 수 있다.
문장 분해 단계는 한글 문장을 자모로 쪼개는 단계이고, 색인 단계는 쪼개진 자모에 각각 번호를 매기는 단계로 각 자모별 번호가 일대일 대응되는 색인표를 구성하고 색인표에 따라 번호를 매기게 된다. 이러한 두 단계를 거치면 문장 데이터가 숫자 데이터로 변하게 된다. 생성된 문장 특징 벡터열(즉, 임베딩된 문장 데이터)은 다음 식과 같이 나타낼 수 있다.
[수학식 1]
특징 벡터 변환 단계에서는 생성된 숫자 데이터를 원-핫 인코딩(One-hot encoding)한 후, 생성된 원-핫(One-hot) 벡터(x
i)를 수학식 2와 같이 임베딩 매트릭스(e)와 각각 곱하여 특징 벡터로 변환할 수 있다. 이에 따라 벡터열로 이루어진 임베딩된 문장 데이터를 생성할 수 있다.
[수학식 2]
음성 특징 벡터열 합성 단계(S120)에서, 음성 특징 벡터열 합성부는 다중 디코더 기반의 비재귀적 심화 신경망을 구성하고, 음성의 시간적 정보가 포함된 템플릿(Template)으로부터 다중 디코더를 통하여 단계적으로 음성 특징 벡터열을 생성할 수 있다. 보다 구체적으로, 음성 특징 벡터열 합성부는 템플릿(Template) 입력을 생성하고, 생성된 템플릿(Template)에 어텐션 메커니즘(attention mechanism)을 이용하여 정제된 문장 데이터를 추가하여 음성 특징 벡터열을 생성할 수 있다.
음성 특징 벡터열 합성 단계(S120)는, 템플릿(Template) 입력을 생성하는 단계(S121), 템플릿(Template) 입력에 어텐션 메커니즘(attention mechanism)을 이용하여 정제된 문장 데이터를 추가하여 인코딩된 템플릿(Template)을 생성하는 음성 데이터 인코딩 단계(S122), 인코딩된 템플릿(Template)을 디코딩을 통해 멜 필터 뱅크 음성 특징 벡터열을 합성하는 음성 데이터 디코딩 단계(S123), 및 멜 필터 뱅크 음성 특징 벡터열에서 로그 파워 스펙트럼 음성 특징 벡터열을 합성하는 단계(S124)를 포함할 수 있다.
또한, 템플릿(Template) 입력을 생성하는 단계(S121)는 절대적인 위치의 인코딩 데이터를 생성하는 단계, 상대적인 위치의 인코딩 데이터를 생성하는 단계, 및 생성된 절대적인 위치의 인코딩 데이터와 상대적인 위치의 인코딩 데이터를 병합(concatenate)하여 템플릿(Template)을 생성하는 단계를 포함할 수 있다.
그리고, 음성 데이터 인코딩 단계(S122)는 정제된 문장 데이터와 템플릿(Template)을 입력으로 받아 어텐션 메커니즘이 로그 파워 스펙트럼 합성에 필요한 부분을 선택하여 고정된 길이의 벡터를 형성하는 단계와, 정제된 문장 데이터와 템플릿(Template)을 입력으로 받아 어텐션 메커니즘이 로그 파워 스펙트럼 합성에 필요한 부분을 선택하여 고정된 길이의 벡터를 형성하는 단계와, 다중 디코더를 통해 템플릿(Template)으로부터 단계적으로 로그 파워 스펙트럼을 추정하는 단계, 그리고 다중 디코더 중 적어도 어느 하나 이상의 단일 디코더에서 콘볼루션 네트워크와 어텐션 메커니즘을 반복하여 정확한 정보를 담은 템플릿(Template) 데이터를 인코딩하는 단계를 포함할 수 있다. 이때 음성 데이터 인코딩 인공 신경망을 학습시킬 수 있으며, 음성 데이터 인코딩 인공 신경망은 콘볼루션(convolution) 인공 신경망이 될 수 있다.
또한, 음성 데이터 디코딩 단계(S123)는 음성 데이터 디코딩 인공 신경망을 통해 인코딩된 템플릿(Template)으로부터 멜 필터 뱅크 음성 특징 벡터열을 합성하는 단계를 포함할 수 있다. 이때 음성 데이터 디코딩 인공 신경망을 학습시킬 수 있다.
앞에서 언급한 바와 같이, 음성 특징 벡터열 합성부는 전체 모델의 인코더에 해당하며, 음성 특징 벡터열 합성부의 입력인 템플릿(Template)(또는 템플릿(Template) 데이터)은 상대적인 위치의 인코딩(relative positional encoding)과 절대적인 위치의 인코딩(absolute positional encoding)으로 구성될 수 있다. 각 위치의 인코딩(positional encoding)은 멜 필터 뱅크 음성 특징 벡터열과 같은 차원으로 구성될 수 있다. 즉, [시간, 주파수 빈]의 크기를 가지는 행렬이다. 절대적인 위치의 인코딩의 구성을 다음 식과 같이 나타낼 수 있다.
[수학식 3]
절대적인 위치의 인코딩은 pos, i, d
model 세 개의 파라미터를 가지는 sin, cos 파형으로 구성될 수 있다. 이때, pos는 데이터 내의 시간 순서에 따라 1부터 커지는 자연수이며, i는 데이터 내의 주파수 빈의 순서에 따라 1부터 커지는 자연수이다. d
model은 멜 필터 뱅크의 주파수 빈 개수와 같은 80이다.
시간에 따라 변하면서도 중복되지 않는 sin 파와 cos 파는 데이터에 시간 정보를 더해주며, 순환 신경망과 달리 순서 정보의 학습이 제한적인 콘볼루션 신경망이 순서, 시간 정보를 결과물에 반영할 수 있게 도와준다.
상대적인 위치의 인코딩의 구성은 다음 식과 같이 나타낼 수 있다.
[수학식 4]
상대적인 위치의 인코딩은 절대적인 위치의 인코딩과 유사하지만, d
model 파라미터 대신에 전체 음성 데이터의 길이인 speech_len 파라미터가 포함될 수 있다. speech_len 파라미터가 위치의 인코딩의 구성에 포함되기 때문에 절대적인 위치의 인코딩과 다르게 전체 길이에 대한 상대적인 시간 정보를 표현할 수 있게 된다.
각 위치의 인코딩은 병합(concatenate)되어 템플릿(Template)을 구성하게 된다. 따라서 전체 템플릿(Template)은 [시간, 주파수 빈*2]의 크기를 가지는 행렬이다.
도 5는 일 실시예에 따른 멜 필터 뱅크 음성 특징 벡터열 생성 과정을 설명하기 위한 도면이다.
도 5를 참조하면, 심화 신경망 기반의 음성 합성 시스템의 음성 특징 벡터열 합성부의 멜 필터 뱅크 음성 특징 벡터열(204) 생성 과정을 확인할 수 있다.
음성 특징 벡터열 합성부(200)는 전체 모델의 디코더에 해당하며, 이는 음성 데이터 인코딩부(212)와 음성 데이터 디코딩부(211)로 구성될 수 있다. 음성 데이터 인코딩부(212)는 다수의 콘볼루션 네트워크와 어텐션 메커니즘으로 구성될 수 있다. 각 어텐션 메커니즘을 거치며 템플릿(Template, 202)은 멜 필터 뱅크 음성 특징 벡터열(204)을 생성하기 위한 문장 정보를 적절하게 담고 있는 새로운 정보로 인코딩될 수 있다.
일반적으로 음성 특징 벡터열과 문장 데이터 사이에는 샘플링 비율의 차이가 존재한다. 문장 데이터에 비해 음성 특징 벡터열의 샘플링 비율이 일반적으로 훨씬 크다. 템플릿(Template, 202)에 문장 데이터에 대한 정보를 추가해줄 때 이러한 샘플링 비율의 차이로 인해 템플릿(Template, 202)의 각 시간당 어떤 문장 데이터를 추가해줄 것인가에 관한 문제가 생기게 된다. 어텐션 메커니즘은 일반적인 자동회귀(autoregressive) 음성 합성 시스템에서 이러한 문제를 해결하는데 있어 큰 효과를 보여왔다. 본 발명 또한 어텐션 메커니즘(210)을 이용하여 정제된 문장 데이터(201)를 템플릿(Template, 202)에 적절하게 추가해준다.
하지만 자동회귀(autoregressive) 모델의 입력인 멜 필터 뱅크 음성 특징 벡터열(204)에 이전 시간의 문장 정보 및 음성 정보가 담겨있는 반면, 템플릿(Template, 202)에는 오로지 시간 정보만이 담겨있다. 따라서 템플릿(Template, 202) 정보 부족을 해결하기 위해 본 발명은 도 5의 구조와 같이 다중 디코더(210)를 통해 점진적으로 정확도를 높여가는 학습을 제안할 수 있다. 다중 디코더(210)는 동일한 구조의 단일 디코더(210)들이 여러 개 존재하는 구조로, 이전 단계의 디코더(210) 출력이 다음 단계의 디코더(210)의 입력으로 들어가는 구조이다. 이 때, 각 디코더(210)들은 모두 음성의 멜 필터 뱅크 특징 벡터(203, 204)를 추정할 수 있다. 다음 식은 단일 디코더(210)의 목적함수를 나타낸다.
[수학식 5]
이러한 구조를 통해 각 디코더(210)의 입력에는 시간적 정보만이 포함되어 있던 템플릿(Template, 202)으로부터 점점 많은 정보가 추가된 입력이 들어가게 된다. 이것은 하나의 디코더(210)에 가중되는 짐을 다중 디코더(210)로 분산시킴으로써 각 디코더(210)의 학습 효율을 높이고 전체적으로 정확도가 높은 멜 필터 뱅크 음성 특징 벡터를 생성할 수 있게 도와준다. 또한, 다중 디코더(210)로 구성된 음성 특징 벡터열 합성부는 하나의 목적 함수(objective function)을 통해 학습될 수 있다.
다음 식은 M 개의 단일 디코더(210)를 사용하는 다중 디코더(210)의 목적함수를 나타낸다.
[수학식 6]
또한, 각 디코더(210)에서는 총 3 번의 어텐션 메커니즘과 콘볼루션 네트워크를 이용해 템플릿(Template, 202) 데이터에 정제된 문장 데이터 정보를 적절하게 추가할 수 있다.
도 6은 일 실시예에 따른 단일 디코더에서 템플릿 데이터에 정제된 문장 데이터 정보를 추가하는 과정을 설명하기 위한 도면이다.
도 6을 참조하면, 단일 디코더에서 어텐션 메커니즘(312, 314, 316)과 콘볼루션 네크워크(311, 313, 315)를 반복하여 템플릿(Template, 302) 데이터에 정제된 문장 데이터 정보를 적절하게 추가하는 과정을 나타내는 과정이다. 앞에서 설명한 바와 같이, 음성 특징 벡터열 합성부(300)는 전체 모델의 디코더에 해당하며, 이는 음성 데이터 인코딩부(310)와 음성 데이터 디코딩부(320)로 구성될 수 있다. 음성 데이터 인코딩부(310)는 다수의 콘볼루션 네트워크(311, 313, 315)와 어텐션 메커니즘(312, 314, 316)으로 구성될 수 있다. 각 어텐션 메커니즘(312, 314, 316)을 거치며 템플릿(Template, 302)은 멜 필터 뱅크 음성 특징 벡터열(304)을 생성하기 위한 문장 정보를 적절하게 담고 있는 새로운 정보로 인코딩될 수 있다.
음성 데이터 인코딩부(220)를 거치고 나면 템플릿(Template, 302)은 멜 필터 뱅크 음성 특징 벡터열(304)을 합성하기 위한 문장 정보를 포함하는 인코딩된 템플릿(Template, 303)으로 매핑된다. 각 어텐션 메커니즘(312, 314, 316)의 과정은 다음과 같다.
먼저, 정제된 문장 데이터(301)를 V 행렬과 K 행렬로 분리한다. 이때 V, K 행렬의 차원은 [문장 시간, 채널]로 동일하다. 콘볼루션 네트워크(311, 313, 315)를 거친 템플릿(Template)을 Q 행렬이라 하고 크기는 [음성 시간, 채널]로 구성된다. 이때 문장 데이터와 음성 데이터의 채널 값은 동일하다.
[수학식 7]
[수학식 7]은 어텐션 메커니즘(312, 314, 316)에서 두 입력의 매칭되는 정도를 구하는 방법에 관한 식이다. 두 행렬의 매칭되는 정도를 나타내는 행렬인 E는 Q와 K의 스칼라 곱으로 구해진다. 이때, 행렬 E의 크기는 [음성 시간, 문장 시간]이다. 행렬 E의 원소를 e
ij로 나타낼 수 있다.
[수학식 8]
[수학식 8]은 E 행렬의 데이터를 소프트맥스(soft-max) 함수를 이용해 확률의 의미를 가지는
로 변환할 수 있다.
로 이루어진 행렬을 A로 나타내고 얼라인먼트(alignment) 행렬이라 부른다. 어텐션 메커니즘(210)의 최종 결과물인 C 행렬을 구하는 과정을 다음 식과 같이 나타낼 수 있다.
[수학식 9]
C 행렬은 문장 데이터에 대한 정보를 담고 있으며 콘텍스트(context) 데이터라 한다. 이 C 행렬은 Q 행렬과 동일한 차원 [음성 시간, 채널]을 가지기 때문에 Q와 C를 병합(concatenate)하여 네트워크의 다음 입력으로 사용할 수 있다.
어텐션 메커니즘(312, 314, 316)은 총 세 차례에 걸쳐 적용되며, 순차적으로 더 정확한 얼라인먼트 행렬을 형성할 수 있다. 상기된 내용과 같은 과정으로 생성된 인코딩된 템플릿(Template, 303)은 음성 데이터 디코딩부(320)를 거쳐 멜 필터 뱅크 음성 특징 벡터열(304)로 매핑될 수 있다.
위 과정을 거쳐 합성된 멜 필터 뱅크 음성 특징 벡터열(304)은 포스트 프로세싱 인공 신경망을 거쳐 로그 파워 스펙트럼 음성 특징 벡터열로 매핑될 수 있다. 문장 데이터 분석부와 음성 특징 벡터열 합성부에서 사용되는 인공 신경망은 합성된 두 특징 벡터열과 실제 음성 특징 벡터 데이터 사이의 오차를 통해 학습될 수 있다. 즉, 음성 특징 벡터열 합성 인공 신경망을 학습시킬 수 있다.
음성 재구성 단계(S130)에서, 음성 재구성부는 음성 특징 벡터열을 음성 데이터로 변환할 수 있다.
음성 재구성부에서는 이전 단계에서 최종 합성된 로그 파워 스펙트럼 음성 특징 벡터열을 이용하여 음성 데이터를 복구할 수 있다. 심화 신경망이 합성한 로그 파워 스펙트럼 음성 특징 벡터열은 위상(phase) 정보가 없이 크기(magnitude) 정보만을 가지고 있기 때문에 그리핀-림 알고리즘(Griffin-lim algorithm)을 이용하여 새로운 위상 정보를 생성하여 재구성해야 한다.
실시예들에 따르면 비-자동회귀(non-autoregressive) 방식으로 음성 특징 벡터열을 한번에 합성하기 때문에 자동회귀(autoregressive) 음성 합성 방식에 비해 빠른 속도로 음성을 합성할 수 있다. 또한, 자동회귀(autoregressive) 기반 모델 회귀(regression) 모델에서 출력의 크기가 점점 감소하는 현상이 나타나지 않아 음성의 크기가 문장 전체에서 일정하게 유지될 수 있다.
또한, 실시예들에 따르면 템플릿(Template)으로부터 음성 합성 모델이 다중 디코더를 통하여 단계적으로 음성 특징 벡터를 생성하도록 구현하여 비-자동회귀(non-autoregressive) 방식에서 음질이 크게 저하되는 문제를 해결할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (15)
- 다중 디코더 기반의 비재귀적 심화 신경망을 구성하고, 음성의 시간적 정보가 포함된 템플릿(Template)으로부터 상기 다중 디코더를 통하여 단계적으로 음성 특징 벡터열을 생성하는 음성 특징 벡터열 합성부; 및상기 음성 특징 벡터열을 음성 데이터로 변환하는 음성 재구성부를 포함하고,상기 음성 특징 벡터열 합성부는,상기 템플릿(Template) 입력을 생성하고, 생성된 상기 템플릿(Template) 입력에 어텐션 메커니즘(attention mechanism)을 통해 정제된 문장 데이터를 추가하여 음성 특징 벡터열을 생성하는 것을 특징으로 하는, 심화 신경망 기반의 비-자동회귀 음성 합성 시스템.
- 제1항에 있어서,문장 데이터를 분석하여 정제된 문장 데이터를 출력하는 문장 데이터 분석부를 더 포함하고,상기 문장 데이터 분석부는,상기 문장 데이터를 한글의 자모 단위로 분해하여 자모 단위 입력을 생성한 후, 임베딩하여 문장 특징 벡터열 형태의 임베딩된 문장 데이터를 형성하고, 상기 임베딩된 문장 데이터를 콘볼루션(convolution) 인공 신경망을 이용하여 정제하여 상기 정제된 문장 데이터를 형성하는 것를 포함하는, 심화 신경망 기반의 비-자동회귀 음성 합성 시스템.
- 제2항에 있어서,상기 문장 데이터 분석부는,상기 문장 데이터를 한글의 자모 단위로 분해하여 자모 단위 입력을 생성하고, 상기 자모 단위 입력을 색인하여 숫자 데이터로 매핑하여, 상기 숫자 데이터를 원-핫 인코딩(One-hot encoding)하고, 원-핫 인코딩(One-hot encoding)된 벡터열을 문장 임베딩 매트릭스와 곱하여 연속된 특성을 가지는 벡터열로 이루어진 상기 임베딩된 문장 데이터를 생성하는 것을 특징으로 하는, 심화 신경망 기반의 비-자동회귀 음성 합성 시스템.
- 제1항에 있어서,상기 음성 특징 벡터열 합성부는,상기 템플릿(Template) 입력을 생성하고, 상기 템플릿(Template) 입력에 어텐션 메커니즘(attention mechanism)을 이용하여 상기 정제된 문장 데이터를 추가하여 인코딩된 템플릿(Template)을 생성한 후, 상기 인코딩된 템플릿(Template)을 디코딩을 통해 멜 필터 뱅크 음성 특징 벡터열을 합성하고, 상기 멜 필터 뱅크 음성 특징 벡터열에서 로그 파워 스펙트럼 음성 특징 벡터열을 합성하는 것을 특징으로 하는, 심화 신경망 기반의 비-자동회귀 음성 합성 시스템.
- 제4항에 있어서,상기 음성 특징 벡터열 합성부는,상기 정제된 문장 데이터와 상기 템플릿(Template)을 입력으로 받아 상기 어텐션 메커니즘이 로그 파워 스펙트럼 합성에 필요한 부분을 선택하여 고정된 길이의 벡터를 형성하고, 다중 디코더를 통해 상기 템플릿(Template)으로부터 단계적으로 로그 파워 스펙트럼을 추정하며, 상기 다중 디코더 중 적어도 어느 하나 이상의 단일 디코더에서 콘볼루션 네트워크와 상기 어텐션 메커니즘을 반복하여 정확한 정보를 담은 상기 템플릿(Template) 데이터를 인코딩하는 것을 특징으로 하는, 심화 신경망 기반의 비-자동회귀 음성 합성 시스템.
- 제1항에 있어서,상기 음성 재구성부는,그리핀-림 알고리즘(Griffin-lim algorithm)을 이용하여 크기(magnitude) 정보를 갖는 상기 음성 특징 벡터열로부터 위상(phase) 정보를 생성하여 상기 음성 데이터로 변환하는 것을 특징으로 하는, 심화 신경망 기반의 비-자동회귀 음성 합성 시스템.
- 다중 디코더 기반의 비재귀적 심화 신경망을 구성하고, 음성의 시간적 정보가 포함된 템플릿(Template)으로부터 상기 다중 디코더를 통하여 단계적으로 음성 특징 벡터열을 생성하는 음성 특징 벡터열 합성 단계; 및상기 음성 특징 벡터열을 음성 데이터로 변환하는 음성 재구성 단계를 포함하고,상기 음성 특징 벡터열 합성 단계는,상기 템플릿(Template) 입력을 생성하고, 생성된 상기 템플릿(Template) 입력에 어텐션 메커니즘(attention mechanism)을 통해 정제된 문장 데이터를 추가하여 음성 특징 벡터열을 생성하는 것을 특징으로 하는, 심화 신경망 기반의 비-자동회귀 음성 합성 방법.
- 제7항에 있어서,문장 데이터를 분석하여 정제된 문장 데이터를 출력하는 문장 데이터 분석 단계를 더 포함하고,상기 문장 데이터 분석 단계는,상기 문장 데이터를 한글의 자모 단위로 분해하여 자모 단위 입력을 생성한 후, 임베딩하여 문장 특징 벡터열 형태의 임베딩된 문장 데이터를 형성하는 단계; 및상기 임베딩된 문장 데이터를 콘볼루션(convolution) 인공 신경망을 이용하여 정제하여 상기 정제된 문장 데이터를 형성하는 단계를 포함하는, 심화 신경망 기반의 비-자동회귀 음성 합성 방법.
- 제8항에 있어서,상기 문장 특징 벡터열 형태의 임베딩된 문장 데이터를 형성하는 단계는,상기 문장 데이터를 한글의 자모 단위로 분해하여 자모 단위 입력을 생성하는 단계;상기 자모 단위 입력을 색인하여 숫자 데이터로 매핑하는 단계;상기 숫자 데이터를 원-핫 인코딩(One-hot encoding)하는 단계; 및원-핫 인코딩(One-hot encoding)된 벡터열을 문장 임베딩 매트릭스와 곱하여 연속된 특성을 가지는 벡터열로 이루어진 상기 임베딩된 문장 데이터를 생성하는 단계를 포함하는, 심화 신경망 기반의 비-자동회귀 음성 합성 방법.
- 제7항에 있어서,상기 음성 특징 벡터열 합성부의 입력인 상기 템플릿(Template)은,절대적인 위치의 인코딩(absolute positional encoding) 데이터와 상대적인 위치의 인코딩(relative positional encoding) 데이터로 이루어지는 것을 특징으로 하는, 심화 신경망 기반의 비-자동회귀 음성 합성 방법.
- 제7항에 있어서,상기 음성 특징 벡터열 합성 단계는,상기 템플릿(Template) 입력을 생성하는 단계;상기 템플릿(Template) 입력에 어텐션 메커니즘(attention mechanism)을 이용하여 상기 정제된 문장 데이터를 추가하여 인코딩된 템플릿(Template)을 생성하는 음성 데이터 인코딩 단계;상기 인코딩된 템플릿(Template)을 디코딩을 통해 멜 필터 뱅크 음성 특징 벡터열을 합성하는 음성 데이터 디코딩 단계; 및상기 멜 필터 뱅크 음성 특징 벡터열에서 로그 파워 스펙트럼 음성 특징 벡터열을 합성하는 단계를 포함하는, 심화 신경망 기반의 비-자동회귀 음성 합성 방법.
- 제11항에 있어서,상기 상기 템플릿(Template) 입력을 생성하는 단계는,절대적인 위치의 인코딩 데이터를 생성하는 단계;상대적인 위치의 인코딩 데이터를 생성하는 단계; 및생성된 상기 절대적인 위치의 인코딩 데이터와 상기 상대적인 위치의 인코딩 데이터를 병합(concatenate)하여 상기 템플릿(Template)을 생성하는 단계를 포함하는, 심화 신경망 기반의 비-자동회귀 음성 합성 방법.
- 제11항에 있어서,상기 음성 데이터 인코딩 단계는,상기 정제된 문장 데이터와 상기 템플릿(Template)을 입력으로 받아 상기 어텐션 메커니즘이 로그 파워 스펙트럼 합성에 필요한 부분을 선택하여 고정된 길이의 벡터를 형성하는 단계;다중 디코더를 통해 상기 템플릿(Template)으로부터 단계적으로 로그 파워 스펙트럼을 추정하는 단계; 및상기 다중 디코더 중 적어도 어느 하나 이상의 단일 디코더에서 콘볼루션 네트워크와 상기 어텐션 메커니즘을 반복하여 정확한 정보를 담은 상기 템플릿(Template) 데이터를 인코딩하는 단계를 포함하는, 심화 신경망 기반의 비-자동회귀 음성 합성 방법.
- 제11항에 있어서,상기 음성 데이터 디코딩 단계는,음성 데이터 디코딩 인공 신경망을 통해 상기 인코딩된 템플릿(Template)으로부터 멜 필터 뱅크 음성 특징 벡터열을 합성하는 단계를 포함하는, 심화 신경망 기반의 비-자동회귀 음성 합성 방법.
- 제7항에 있어서,상기 음성 재구성 단계는,그리핀-림 알고리즘(Griffin-lim algorithm)을 이용하여 크기(magnitude) 정보를 갖는 상기 음성 특징 벡터열로부터 위상(phase) 정보를 생성하여 상기 음성 데이터로 변환하는 것을 특징으로 하는, 심화 신경망 기반의 비-자동회귀 음성 합성 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/599,793 US12033613B2 (en) | 2019-07-16 | 2020-06-26 | Deep neural network based non-autoregressive speech synthesizer method and system using multiple decoder |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190085920A KR102294639B1 (ko) | 2019-07-16 | 2019-07-16 | 다중 디코더를 이용한 심화 신경망 기반의 비-자동회귀 음성 합성 방법 및 시스템 |
KR10-2019-0085920 | 2019-07-16 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2021010613A1 true WO2021010613A1 (ko) | 2021-01-21 |
Family
ID=74209927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2020/008330 WO2021010613A1 (ko) | 2019-07-16 | 2020-06-26 | 다중 디코더를 이용한 심화 신경망 기반의 비-자동회귀 음성 합성 방법 및 시스템 |
Country Status (3)
Country | Link |
---|---|
US (1) | US12033613B2 (ko) |
KR (1) | KR102294639B1 (ko) |
WO (1) | WO2021010613A1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362801A (zh) * | 2021-06-10 | 2021-09-07 | 携程旅游信息技术(上海)有限公司 | 基于梅尔谱对齐的音频合成方法、***、设备及存储介质 |
CN114155883A (zh) * | 2022-02-07 | 2022-03-08 | 北京清微智能信息技术有限公司 | 基于进阶式的语音深度神经网络训练读方法、装置 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102628947B1 (ko) * | 2021-02-02 | 2024-01-23 | 숙명여자대학교산학협력단 | 반응 데이터를 예측하는 시스템 및 그 제어방법 |
CN113409827B (zh) * | 2021-06-17 | 2022-06-17 | 山东省计算中心(国家超级计算济南中心) | 基于局部卷积块注意力网络的语音端点检测方法及*** |
US11875699B2 (en) * | 2022-04-21 | 2024-01-16 | Columbia College | Methods for online language learning using artificial intelligence and avatar technologies |
CN117809621B (zh) * | 2024-02-29 | 2024-06-11 | 暗物智能科技(广州)有限公司 | 一种语音合成方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8560312B2 (en) * | 2009-12-17 | 2013-10-15 | Alcatel Lucent | Method and apparatus for the detection of impulsive noise in transmitted speech signals for use in speech quality assessment |
EP2517201B1 (en) * | 2009-12-23 | 2015-11-04 | Nokia Technologies Oy | Sparse audio processing |
US20170345433A1 (en) * | 2015-02-26 | 2017-11-30 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Apparatus and method for processing an audio signal to obtain a processed audio signal using a target time-domain envelope |
KR20180113325A (ko) * | 2017-04-06 | 2018-10-16 | 한국과학기술원 | 음성변조를 위한 음성모델 부호화를 이용한 음성합성 기술 및 장치 |
US20190180732A1 (en) * | 2017-10-19 | 2019-06-13 | Baidu Usa Llc | Systems and methods for parallel wave generation in end-to-end text-to-speech |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050144003A1 (en) * | 2003-12-08 | 2005-06-30 | Nokia Corporation | Multi-lingual speech synthesis |
US10896669B2 (en) * | 2017-05-19 | 2021-01-19 | Baidu Usa Llc | Systems and methods for multi-speaker neural text-to-speech |
US11238843B2 (en) * | 2018-02-09 | 2022-02-01 | Baidu Usa Llc | Systems and methods for neural voice cloning with a few samples |
US10726826B2 (en) * | 2018-03-04 | 2020-07-28 | International Business Machines Corporation | Voice-transformation based data augmentation for prosodic classification |
US10741169B1 (en) * | 2018-09-25 | 2020-08-11 | Amazon Technologies, Inc. | Text-to-speech (TTS) processing |
KR20220008400A (ko) * | 2019-06-07 | 2022-01-21 | 엘지전자 주식회사 | 복수의 화자 설정이 가능한 음성 합성 방법 및 음성 합성 장치 |
US20200394994A1 (en) * | 2019-06-12 | 2020-12-17 | Nvidia Corporation | Invertible neural network to synthesize audio signals |
-
2019
- 2019-07-16 KR KR1020190085920A patent/KR102294639B1/ko active IP Right Grant
-
2020
- 2020-06-26 US US17/599,793 patent/US12033613B2/en active Active
- 2020-06-26 WO PCT/KR2020/008330 patent/WO2021010613A1/ko active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8560312B2 (en) * | 2009-12-17 | 2013-10-15 | Alcatel Lucent | Method and apparatus for the detection of impulsive noise in transmitted speech signals for use in speech quality assessment |
EP2517201B1 (en) * | 2009-12-23 | 2015-11-04 | Nokia Technologies Oy | Sparse audio processing |
US20170345433A1 (en) * | 2015-02-26 | 2017-11-30 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Apparatus and method for processing an audio signal to obtain a processed audio signal using a target time-domain envelope |
KR20180113325A (ko) * | 2017-04-06 | 2018-10-16 | 한국과학기술원 | 음성변조를 위한 음성모델 부호화를 이용한 음성합성 기술 및 장치 |
US20190180732A1 (en) * | 2017-10-19 | 2019-06-13 | Baidu Usa Llc | Systems and methods for parallel wave generation in end-to-end text-to-speech |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362801A (zh) * | 2021-06-10 | 2021-09-07 | 携程旅游信息技术(上海)有限公司 | 基于梅尔谱对齐的音频合成方法、***、设备及存储介质 |
CN114155883A (zh) * | 2022-02-07 | 2022-03-08 | 北京清微智能信息技术有限公司 | 基于进阶式的语音深度神经网络训练读方法、装置 |
Also Published As
Publication number | Publication date |
---|---|
US20220108681A1 (en) | 2022-04-07 |
KR20210009194A (ko) | 2021-01-26 |
US12033613B2 (en) | 2024-07-09 |
KR102294639B1 (ko) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021010613A1 (ko) | 다중 디코더를 이용한 심화 신경망 기반의 비-자동회귀 음성 합성 방법 및 시스템 | |
CN107464554B (zh) | 语音合成模型生成方法和装置 | |
KR102311239B1 (ko) | 심화 신경망 기반의 비-자동회귀 음성 합성 방법 및 시스템 | |
WO2011049416A2 (en) | Apparatus and method encoding/decoding with phase information and residual information | |
WO2010008175A2 (ko) | 음성/오디오 통합 신호의 부호화/복호화 장치 | |
JP2005258440A (ja) | 別個の信号の成分を分離する方法およびシステム | |
US10546068B2 (en) | Contextual validation of synonyms in otology driven natural language processing | |
Lam et al. | Effective low-cost time-domain audio separation using globally attentive locally recurrent networks | |
WO2020105797A1 (ko) | 다항식 연산 최적화 처리 장치, 다항식 연산 최적화 처리 방법 및 기록매체 | |
KR102056400B1 (ko) | 심화 신경망을 이용한 다화자 음성 합성 방법 및 시스템 | |
WO2023167466A1 (ko) | 음성 개인정보 보호 기술을 이용한 기계학습 데이터베이스 구축 시스템 | |
von Neumann et al. | Speeding up permutation invariant training for source separation | |
WO2019098589A1 (ko) | 자동 음성인식 장치 및 방법 | |
CN113542271A (zh) | 基于生成对抗网络gan的网络背景流量生成方法 | |
CN113986958A (zh) | 文本信息的转换方法、装置、可读介质和电子设备 | |
WO2023234606A1 (ko) | 글로벌 스타일 토큰과 예측 모델로 생성한 화자 임베딩 기반의 화자 적응 방법 및 시스템 | |
CN117376634B (zh) | 一种短视频配乐方法、装置、电子设备和存储介质 | |
JP3019368B2 (ja) | アナログデジタル混在回路のシミュレーション方法 | |
Roza | Recursive bitstream conversion: The reverse mode | |
EP4404187A1 (en) | Apparatus and method for streaming automatic speech recognition | |
WO2019107623A1 (ko) | 기계 번역 방법 및 이를 위한 장치 | |
CN113971948A (zh) | 表示方法、语音识别方法、装置、电子设备 | |
JPH11205154A (ja) | 可変長コードの整列化装置 | |
US6959317B1 (en) | Method and apparatus for increasing processing performance of pipelined averaging filters | |
JPH11298447A (ja) | コーデックのフレームフォーマット、及びフレーム処理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 20840012 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 20840012 Country of ref document: EP Kind code of ref document: A1 |