1 |
1
화자 상호 정보를 활용한 강인한 I-벡터 추출기 학습 방법으로서,(1) 복수 개의 음성 파일들로 구성된 학습 데이터를 사용하여 서로 다른 2 이상의 화자 각각에 대하여 종속적인 가우시안 혼합 모델(Gaussian mixture model, GMM)을 학습하고, 상기 학습 데이터를 사용하여 I-벡터 추출기를 학습하는 단계;(2) 상기 단계 (1)에서 학습된 화자 종속적 가우시안 혼합 모델들을 이용하여 각 가우시안 성분이 갖는 평균 화자 상호 정보량을 계산하는 단계; 및(3) 상기 단계 (2)에서 계산된 각 가우시안 성분이 갖는 평균 화자 상호 정보량을 상기 단계 (1)에서 학습된 I-벡터 추출기에 가중치로 적용하여 화자 정보가 부각된 강인한 I-벡터를 추출하는 단계를 포함하되,상기 단계 (1)에서는,상기 I-벡터 추출기를 학습하여 상기 I-벡터 추출기의 블락(block) 행렬을 도출하는 것을 특징으로 하는, 화자 상호 정보를 활용한 강인한 I-벡터 추출기 학습 방법
|
2 |
2
제1항에 있어서, 상기 단계 (1)은,상기 학습 데이터를 사용하여 화자 독립적 모델인 일반 배경 모델(Universal background model, UBM)을 학습하고, 상기 학습된 화자 독립적 일반 배경 모델을 기준으로 특정 화자 데이터로의 적응화를 통해 상기 특정 화자 각각에 대하여 종속적인 가우시안 혼합 모델을 도출하는 것을 특징으로 하는, 화자 상호 정보를 활용한 강인한 I-벡터 추출기 학습 방법
|
3 |
3
삭제
|
4 |
4
제1항에 있어서, 상기 단계 (3)에서는,상기 단계 (2)에서 계산된 각 가우시안 성분이 갖는 평균 화자 상호 정보량을 상기 단계 (1)에서 상기 I-벡터 추출기를 학습하여 도출된 상기 I-벡터 추출기의 블락(block) 행렬에 곱해주는 것을 특징으로 하는, 화자 상호 정보를 활용한 강인한 I-벡터 추출기 학습 방법
|
5 |
5
제1항에 있어서, 상기 단계 (2)는,(2-1) 상기 단계 (1)에서 학습된 화자 종속적 가우시안 혼합 모델들을 이용하여 상기 서로 다른 2 이상의 화자 각각 및 상기 학습 데이터의 프레임별 평균 화자 상호 정보량(Normalized pointwise mutual information, NPMI)을 계산하는 단계; 및(2-2) 상기 단계 (2-1)에서 계산된 상기 평균 화자 상호 정보량(NPMI)을 상기 학습 데이터의 전체 프레임 및 전체 화자에 대하여 평균을 취해 상기 각 가우시안 성분이 갖는 평균 화자 상호 정보량을 계산하는 단계를 포함하는 것을 특징으로 하는, 화자 상호 정보를 활용한 강인한 I-벡터 추출기 학습 방법
|
6 |
6
제5항에 있어서, 상기 단계 (2-1)은,하기의 수학식을 통해 상기 서로 다른 2 이상의 화자 각각 및 상기 학습 데이터의 프레임별 평균 화자 상호 정보량(NPMI)을 계산하는 것을 특징으로 하는, 화자 상호 정보를 활용한 강인한 I-벡터 추출기 학습 방법
|
7 |
7
제6항에 있어서, 상기 단계 (2-2)는,하기의 수학식을 통해 상기 각 가우시안 성분이 갖는 평균 화자 상호 정보량을 계산하는 것을 특징으로 하는, 화자 상호 정보를 활용한 강인한 I-벡터 추출기 학습 방법
|
8 |
8
화자 상호 정보를 활용한 강인한 I-벡터 추출기 학습 시스템으로서,복수 개의 음성 파일들로 구성된 학습 데이터를 사용하여 서로 다른 2 이상의 화자 각각에 대하여 종속적인 가우시안 혼합 모델(Gaussian mixture model, GMM)을 학습하고, 상기 학습 데이터를 사용하여 I-벡터 추출기를 학습하는 학습부(100);상기 학습부(100)에서 학습된 화자 종속적 가우시안 혼합 모델들을 이용하여 각 가우시안 성분이 갖는 평균 화자 상호 정보량을 계산하는 계산부(200); 및상기 계산부(200)에서 계산된 각 가우시안 성분이 갖는 평균 화자 상호 정보량을 상기 학습부(100)에서 학습된 I-벡터 추출기에 가중치로 적용하여 화자 정보가 부각된 강인한 I-벡터를 추출하는 화자 정보 부각 I-벡터 추출부(300)를 포함하되,상기 학습부(100)는,상기 I-벡터 추출기를 학습하여 상기 I-벡터 추출기의 블락(block) 행렬을 도출하는 것을 특징으로 하는, 화자 상호 정보를 활용한 강인한 I-벡터 추출기 학습 시스템
|
9 |
9
제8항에 있어서, 상기 학습부(100)는,상기 학습 데이터를 사용하여 화자 독립적 모델인 일반 배경 모델(Universal background model, UBM)을 학습하고, 상기 학습된 화자 독립적 일반 배경 모델을 기준으로 특정 화자 데이터로의 적응화를 통해 상기 특정 화자 각각에 대하여 종속적인 가우시안 혼합 모델을 도출하는 것을 특징으로 하는, 화자 상호 정보를 활용한 강인한 I-벡터 추출기 학습 시스템
|
10 |
10
삭제
|
11 |
11
제8항에 있어서, 상기 화자 정보 부각 I-벡터 추출부(300)는,상기 계산부(200)에서 계산된 각 가우시안 성분이 갖는 평균 화자 상호 정보량을 상기 학습부(100)에서 상기 I-벡터 추출기를 학습하여 도출된 상기 I-벡터 추출기의 블락(block) 행렬에 곱해주는 것을 특징으로 하는, 화자 상호 정보를 활용한 강인한 I-벡터 추출기 학습 시스템
|
12 |
12
제8항에 있어서, 상기 계산부(200)는,상기 학습부(100)에서 학습된 화자 종속적 가우시안 혼합 모델들을 이용하여 상기 서로 다른 2 이상의 화자 각각 및 상기 학습 데이터의 프레임별 평균 화자 상호 정보량(Normalized pointwise mutual information, NPMI)을 계산하는 NPMI 계산부(210); 및상기 NPMI 계산부(210)에서 계산된 상기 평균 화자 상호 정보량(NPMI)을 상기 학습 데이터의 전체 프레임 및 전체 화자에 대하여 평균을 취해 상기 각 가우시안 성분이 갖는 평균 화자 상호 정보량을 계산하는 가중치 계산부(230)를 포함하는 것을 특징으로 하는, 화자 상호 정보를 활용한 강인한 I-벡터 추출기 학습 시스템
|
13 |
13
제12항에 있어서, 상기 NPMI 계산부(210)는,하기의 수학식을 통해 상기 서로 다른 2 이상의 화자 각각 및 상기 학습 데이터의 프레임별 평균 화자 상호 정보량(NPMI)을 계산하는 것을 특징으로 하는, 화자 상호 정보를 활용한 강인한 I-벡터 추출기 학습 시스템
|
14 |
14
제13항에 있어서, 상기 가중치 계산부(230)는,하기의 수학식을 통해 상기 각 가우시안 성분이 갖는 평균 화자 상호 정보량을 계산하는 것을 특징으로 하는, 화자 상호 정보를 활용한 강인한 I-벡터 추출기 학습 시스템
|