| 1 |
1
잡음이 포함된 음성 신호로부터 특징 벡터를 추출하는 단계;상기 특징 벡터 및 상기 잡음이 포함된 음성 신호를 LSTM(Long Short Term Memory) 모델의 입력 파라미터로 이용하여 잡음이 감소 또는 제거된 음성 신호를 출력하는 단계; 및출력된 상기 음성 신호와 상기 잡음이 포함된 음성 신호를 심화신경망(DNN) 모델의 입력 파라미터로 이용하여 음성 합성된 최종 음성 신호를 출력하는 단계를 포함하고,상기 최종 음성 신호는 상기 LSTM 모델과 상기 심화신경망(DNN) 모델을 적층으로 쌓은 구조를 통해 학습되어 출력되는 신호를 나타내고,상기 특징 벡터를 추출하는 단계는,상기 잡음이 포함된 음성 신호를 대상으로 STFT(Short Time Frequency Transform)을 수행하여 시간영역에서 주파수 영역의 신호로 변환하는 단계;연속 데이터인 음성 신호의 특성이 반영되도록, 상기 변환된 주파수 영역의 신호의 크기에 로그 연산자(log)를 적용함으로써, 주파수 영역의 신호의 로그 파워 스펙트럼(log power spectrum)을 계산하는 단계; 및계산된 로그파워 스펙트럼을 상기 특징 벡터로 추출하는 단계를 포함하는 음성 신호 처리 방법
|
| 2 |
2
삭제
|
| 3 |
3
삭제
|
| 4 |
4
제1항에 있어서,상기 잡음이 감소 또는 제거된 음성 신호를 출력하는 단계는,상기 특징 벡터 및 상기 잡음이 포함된 음성 신호의 크기에 해당하는 로그 파워 스펙트럼을 학습이 완료된 상기 LSTM 모델의 입력 파라미터로 이용하여 상기 잡음이 감소 또는 제거된 음성 신호를 생성하는 것을 특징으로 하는 음성 신호 처리 방법
|
| 5 |
5
제1항에 있어서,상기 최종 음성 신호의 로그파워 스펙트럼과 상기 잡음이 포함된 음성 신호의 위상을 대상으로 ISTFT(Inverse Short Time Frequency Transform)를 수행하여 최종 음성 신호를 재구성하는 단계를 더 포함하는 음성 신호 처리 방법
|
| 6 |
6
제1항에 있어서,상기 LSTM 모델은 메모리 셀과 은닉 스테이트(hidden state)에 저장된 이전 프레임에 해당하는 음성 신호와 상기 LSTM 모델의 입력 파라미터에 기초하여 현재 프레임에 해당하는 음성 신호를 생성하는 것을 특징으로 하는 음성 신호 처리 방법
|
| 7 |
7
제1항에 있어서,상기 LSTM 모델은 특징 벡터인 잡음이 포함된 음성 신호의 로그 파워 스펙트럼과 타겟 벡터인 잡음이 포함되지 않은 음성 신호의 로그 파워 스펙트럼의 차이가 기정의된 차이값 이하로 감소하도록 학습이 진행되어 생성되는 것을 특징으로 하는 음성 신호 처리 방법
|
| 8 |
8
제1항에 있어서,상기 심화신경망(DNN) 모델은 MSE(Mean Square Error)를 심화신경망(DNN) 모델의 목적 함수로 설정하고, 심화신경망(DNN) 모델의 입력 파라미터와 출력 파라미터 사이의 관계를 모델링하는 BP(Backpropagation)에 기초하여 학습이 완료됨에 따라 생성되는 것을 특징으로 하는 음성 신호 처리 방법
|
| 9 |
9
잡음이 포함된 음성 신호로부터 특징 벡터를 추출하는 특징 벡터 추출부;상기 특징 벡터 및 상기 잡음이 포함된 음성 신호를 LSTM(Long Short Term Memory) 모델의 입력 파라미터로 이용하여 잡음이 감소 또는 제거된 음성 신호를 출력하는 LSTM 처리부; 및출력된 상기 음성 신호와 상기 잡음이 포함된 음성 신호를 심화신경망(DNN) 모델의 입력 파라미터로 이용하여 음성 합성된 최종 음성 신호를 출력하는 DNN 처리부를 포함하고,상기 최종 음성 신호는 상기 LSTM 모델과 상기 심화신경망(DNN) 모델을 적층으로 쌓은 구조를 통해 학습되어 출력되는 신호를 나타내고,상기 특징 벡터 추출부는,상기 잡음이 포함된 음성 신호를 대상으로 STFT(Short Time Frequency Transform)을 수행하여 시간영역에서 주파수 영역의 신호로 변환하고,연속 데이터인 음성 신호의 특성이 반영되도록, 상기 변환된 주파수 영역의 신호의 크기에 로그 연산자(log)를 적용함으로써, 주파수 영역의 신호의 로그 파워 스펙트럼(log power spectrum)을 계산하고,계산된 로그파워 스펙트럼을 상기 특징 벡터로 추출하는 것을 특징으로 하는 음성 신호 처리 장치
|
| 10 |
10
삭제
|
| 11 |
11
삭제
|
| 12 |
12
제9항에 있어서,상기 LSTM 처리부는,상기 특징 벡터 및 상기 잡음이 포함된 음성 신호의 크기에 해당하는 로그 파워 스펙트럼을 학습이 완료된 상기 LSTM 모델의 입력 파라미터로 이용하여 상기 잡음이 감소 또는 제거된 음성 신호를 생성하는 것을 특징으로 하는 음성 신호 처리 장치
|
| 13 |
13
제9항에 있어서,상기 최종 음성 신호의 로그파워 스펙트럼과 상기 잡음이 포함된 음성 신호의 위상을 대상으로 ISTFT(Inverse Short Time Frequency Transform)를 수행하여 최종 음성 신호를 재구성하는 음성 신호 재구성부를 더 포함하는 음성 신호 처리 장치
|
| 14 |
14
제9항에 있어서,상기 LSTM 모델은 메모리 셀과 은닉 스테이트(hidden state)에 저장된 이전 프레임에 해당하는 음성 신호와 상기 LSTM 모델의 입력 파라미터에 기초하여 현재 프레임에 해당하는 음성 신호를 생성하는 것을 특징으로 하는 음성 신호 처리 장치
|
| 15 |
15
제9항에 있어서,상기 LSTM 모델은 특징 벡터인 잡음이 포함된 음성 신호의 로그 파워 스펙트럼과 타겟 벡터인 잡음이 포함되지 않은 음성 신호의 로그 파워 스펙트럼의 차이가 기정의된 차이값 이하로 감소하도록 학습이 진행되어 생성되는 것을 특징으로 하는 음성 신호 처리 장치
|
| 16 |
16
제9항에 있어서,상기 심화신경망(DNN) 모델은 MSE(Mean Square Error)를 심화신경망(DNN) 모델의 목적 함수로 설정하고, 심화신경망(DNN) 모델의 입력 파라미터와 출력 파라미터 사이의 관계를 모델링하는 BP(Backpropagation)에 기초하여 학습이 완료됨에 따라 생성되는 것을 특징으로 하는 음성 신호 처리 장치
|
