| 1 |
1
복수의 훈련용 음성 데이터 각각과 복수의 훈련용 비음성 데이터 각각에 대한, 한 종류 이상의 특징 파라미터의 값을 산출하는 제 1 단계;상기 훈련용 음성 데이터 각각에 대한 상기 특징 파라미터의 값의 분포로부터 획득되는 제 1 분포 함수와, 상기 훈련용 비음성 데이터 각각에 대한 상기 특징 파라미터의 값의 분포로부터 획득되는 제 2 분포 함수를 포함하는 테스트 모델을 생성하는 제 2 단계;대상 소리 데이터에 대한 상기 특징 파라미터의 값을 산출하는 제 3 단계; 및상기 테스트 모델 및 상기 대상 소리 데이터에 대해 산출된 상기 특징 파라미터의 값에 기초하여, 상기 대상 소리 데이터가 음성 데이터와 비음성 데이터 중 어느 쪽에 속하는지 판단하는 제 4 단계를 포함하고,상기 제 1 단계는, 상기 훈련용 음성 데이터 각각과 상기 훈련용 비음성 데이터 각각에 대한 단위 파라미터와 관련된 통계 정보를 이용하여, 두 종류 이상의 후보 파라미터의 값을 산출하고, 상기 후보 파라미터 값 중에서 적어도 한 종류의 후보 파라미터를 상기 특징 파라미터로서 선택하는 단계를 포함하는소리 데이터 분류 방법
|
| 2 |
2
제 1 항에 있어서,상기 단위 파라미터와 관련된 통계 정보는, 복수의 프레임 각각의 특징을 나타내는 단위 파라미터의 값에 대한 통계 정보 혹은 상기 단위 파라미터의 시간에 따른 변화량에 대한 통계 정보를 포함하는소리 데이터 분류 방법
|
| 3 |
3
제 2 항에 있어서,상기 단위 파라미터는, 스펙트럼 평탄도(spectral flatness), 스펙트럼 다이내믹스(spectral dynamics), 스펙트럼 도심(spectral centroid), 여기 신호 에너지(excitation signal energy), 음성 신호 에너지(speech signal energy) 및 피치 주기(pitch period) 중 적어도 하나를 포함하며,상기 통계 정보는, 평균, 표준편차, 왜도 및 첨도 중 적어도 하나를 포함하는소리 데이터 분류 방법
|
| 4 |
4
제 1 항에 있어서,상기 제 1 단계는, 상기 후보 파라미터 중 한 종류의 후보 파라미터의 값을 이용하여 상기 훈련용 음성 데이터와 상기 훈련용 비음성 데이터를 분류하는 과정을, 상기 후보 파라미터 각각에 대해 수행하는 단계를 포함하고,상기 특징 파라미터는 상기 분류의 결과에 기초하여 선택되는소리 데이터 분류 방법
|
| 5 |
5
제 4 항에 있어서,상기 수행하는 단계는, 상기 후보 파라미터 각각의 분류도를 구하는 단계를 포함하되,상기 후보 파라미터 중 상기 분류도를 구하고자 하는 특정한 후보 파라미터의 값을 모두 포함하는 수치 범위를 M(M은 2 이상의 자연수)개의 구간으로 분할하고, 상기 구간 중 j(j는 1 이상 M 이하의 자연수)번째 구간에 속하는 후보 파라미터의 값 중 상기 훈련용 음성 데이터에 대해 산출된 값의 개수를 h(sp)(j)라 하고, 상기 훈련용 비음성 데이터에 대해 산출된 값의 개수를 h(nsp)(j)라 할 때, 상기 특정한 후보 파라미터의 분류도는의 값과 같으며,상기 선택하는 단계는, 상기 후보 파라미터 각각의 분류도에 기초하여, 상기 후보 파라미터 중 상기 특징 파라미터를 선택하는 단계를 포함하는소리 데이터 분류 방법
|
| 6 |
6
제 1 항에 있어서,상기 특징 파라미터의 종류의 수를 N(N은 자연수)이라 할 때, 상기 분포 함수는 가우시안 혼합 모델(Gaussian mixture model)을 이용하여 N차원 좌표공간 상에 정의된 연속적인 확률 밀도 함수(probability density function)이며,상기 제 4 단계는, 상기 대상 소리 데이터에 대해 산출된 상기 특징 파라미터 각각의 값에 기초하여 정해지는 상기 N차원 좌표공간 상에서의 위치에서의 상기 제 1 분포 함수의 값과 상기 제 2 분포 함수의 값을 산출하는 단계; 및상기 제 1 분포 함수의 값과 상기 제 2 분포 함수의 값의 비교 결과에 기초하여, 상기 대상 소리 데이터가 상기 음성 데이터와 상기 비음성 데이터 중 어느 쪽에 속하는지 판단하는 단계를 포함하는소리 데이터 분류 방법
|
| 7 |
7
제 1 항에 있어서,훈련용 소리 데이터 각각의 PESQ(Perceptual Evaluation of Speech Quality) 값을 획득하는 단계; 및상기 훈련용 소리 데이터 중, 상기 PESQ 값이 소정의 임계 PESQ 값 이상인 데이터는 상기 훈련용 음성 데이터로, 상기 PESQ 값이 상기 임계 PESQ 값 미만인 데이터는 상기 훈련용 비음성 데이터로 분류하는 단계를 더 포함하는소리 데이터 분류 방법
|
| 8 |
8
복수의 훈련용 음성 데이터 각각과 복수의 훈련용 비음성 데이터 각각에 대한, 한 종류 이상의 특징 파라미터의 값을 산출하며, 대상 소리 데이터에 대한 상기 특징 파라미터의 값을 산출하는 파라미터 연산부;상기 훈련용 음성 데이터 각각에 대한 상기 특징 파라미터의 값의 분포로부터 획득되는 제 1 분포 함수와, 상기 훈련용 비음성 데이터 각각에 대한 상기 특징 파라미터의 값의 분포로부터 획득되는 제 2 분포 함수를 포함하는 테스트 모델을 생성하는 모델 생성부; 및상기 테스트 모델 및 상기 대상 소리 데이터에 대해 산출된 상기 특징 파라미터의 값에 기초하여, 상기 대상 소리 데이터가 음성 데이터와 비음성 데이터 중 어느 쪽에 속하는지 판단하는 분류부를 포함하고, 상기 파라미터 연산부는, 상기 훈련용 음성 데이터 각각과 상기 훈련용 비음성 데이터 각각에 대한 단위 파라미터와 관련된 통계 정보를 이용하여, 두 종류 이상의 후보 파라미터의 값을 산출하고, 상기 후보 파라미터 값 중에서 적어도 한 종류의 후보 파라미터를 상기 특징 파라미터로서 선택하는소리 데이터 분류 장치
|
| 9 |
9
제 8 항에 있어서,상기 단위 파라미터와 관련된 통계 정보는, 복수의 프레임 각각의 특징을 나타내는 단위 파라미터의 값에 대한 통계 정보 혹은 상기 단위 파라미터의 시간에 따른 변화량에 대한 통계 정보를 포함하는 소리 데이터 분류 장치
|
| 10 |
10
제 9 항에 있어서,상기 단위 파라미터는, 스펙트럼 평탄도(spectral flatness), 스펙트럼 다이내믹스(spectral dynamics), 스펙트럼 도심(spectral centroid), 여기 신호 에너지(excitation signal energy), 음성 신호 에너지(speech signal energy) 및 피치 주기(pitch period) 중 적어도 하나를 포함하며,상기 통계 정보는, 평균, 표준편차, 왜도 및 첨도 중 적어도 하나를 포함하는소리 데이터 분류 장치
|
| 11 |
11
제 8 항에 있어서,상기 파라미터 연산부는, 상기 후보 파라미터 중 한 종류의 후보 파라미터의 값을 이용하여 상기 훈련용 음성 데이터와 상기 훈련용 비음성 데이터를 분류하는 과정을, 상기 후보 파라미터 각각에 대해 수행하고, 상기 특징 파라미터는 상기 분류의 결과에 기초하여 선택되는소리 데이터 분류 장치
|
| 12 |
12
제 11 항에 있어서,상기 파라미터 연산부는, 상기 후보 파라미터 각각의 분류도를 구하고, 상기 후보 파라미터 각각의 분류도에 기초하여, 상기 후보 파라미터 중 상기 특징 파라미터를 선택하되,상기 후보 파라미터 중 상기 분류도를 구하고자 하는 특정한 후보 파라미터의 값을 모두 포함하는 수치 범위를 M(M은 2 이상의 자연수)개의 구간으로 분할하고, 상기 구간 중 j(j는 1 이상 M 이하의 자연수)번째 구간에 속하는 후보 파라미터의 값 중 상기 훈련용 음성 데이터에 대해 산출된 값의 개수를 h(sp)(j)라 하고, 상기 훈련용 비음성 데이터에 대해 산출된 값의 개수를 h(nsp)(j)라 할 때, 상기 특정한 후보 파라미터의 분류도는의 값과 같은소리 데이터 분류 장치
|
| 13 |
13
제 8 항에 있어서,상기 특징 파라미터의 종류의 수를 N(N은 자연수)이라 할 때, 상기 분포 함수는 가우시안 혼합 모델(Gaussian mixture model)을 이용하여 N차원 좌표공간 상에 정의된 연속적인 확률 밀도 함수(probability density function)이며,상기 분류부는, 상기 대상 소리 데이터에 대해 산출된 상기 특징 파라미터 각각의 값에 기초하여 정해지는 상기 N차원 좌표공간 상에서의 위치에서의 상기 제 1 분포 함수의 값과 상기 제 2 분포 함수의 값을 산출하고, 상기 제 1 분포 함수의 값과 상기 제 2 분포 함수의 값의 비교 결과에 기초하여, 상기 대상 소리 데이터가 상기 음성 데이터와 상기 비음성 데이터 중 어느 쪽에 속하는지 판단하는소리 데이터 분류 장치
|
| 14 |
14
제 8 항에 있어서,훈련용 소리 데이터 각각의 PESQ(Perceptual Evaluation of Speech Quality) 값을 획득하고, 상기 훈련용 소리 데이터 중, 상기 PESQ 값이 소정의 임계 PESQ 값 이상인 데이터는 상기 훈련용 음성 데이터로, 상기 PESQ 값이 상기 임계 PESQ 값 미만인 데이터는 상기 훈련용 비음성 데이터로 분류하는 PESQ 연산부를 더 포함하는소리 데이터 분류 장치
|
| 15 |
15
대상 소리 데이터에 대한, 한 종류 이상의 특징 파라미터의 값을 산출하는 단계; 및상기 대상 소리 데이터의 분류를 위한 테스트 모델 및 상기 대상 소리 데이터에 대한 상기 특징 파라미터의 값에 기초하여, 상기 대상 소리 데이터가 음성 데이터와 비음성 데이터 중 어느 쪽에 속하는지 판단하는 단계를 포함하며,상기 테스트 모델은, 복수의 훈련용 음성 데이터 각각에 대한 특징 파라미터의 값의 분포로부터 획득되는 제 1 분포 함수와, 복수의 훈련용 비음성 데이터 각각에 대한 특징 파라미터의 값의 분포로부터 획득되는 제 2 분포 함수를 포함하고, 상기 제 1 분포 함수와 상기 제 2 분포 함수는, 상기 훈련용 음성 데이터 각각과 상기 훈련용 비음성 데이터 각각에 대한 단위 파라미터와 관련된 통계 정보를 이용하여 산출된 두 종류 이상의 후보 파라미터의 값 중에서 적어도 한 종류의 후보 파라미터를 포함하는 특징 파라미터 값의 분포로부터 획득되는소리 데이터 분류 방법
|
| 16 |
16
제 1 항 내지 제 7 항 및 제 15 항 중 어느 한 항에 기재된 방법에 따른 각각의 단계를 수행하는, 컴퓨터 판독 가능 기록매체에 저장된 프로그램
|
| 17 |
17
제 1 항 내지 제 7 항 및 제 15 항 중 어느 한 항에 기재된 방법에 따른 각각의 단계를 수행하는 명령어를 포함하는 프로그램이 기록된 컴퓨터 판독 가능 기록매체
|
