1. 데이터셋 수집

1-1 데이터셋 형태

• 1~2문장 단위의 음성

• 배경음/효과음이 없는 목표하는 화자의 음성 만이 나오는 데이터가 필요합니다.

  0001.wav

• 음성과 매치되는 텍스트 데이터

  안녕하세요! 라온데이터의 버추얼 프렌드 차토 입니다.
  

1-2 데이터셋 양: 위와 같은 데이터를 총 10시간 이상 수집 (음성 기준)

• 녹음실 환경에서 녹음을 진행하여 고품질의 음원을 수집합니다.
• 3~5회에 나눠서 녹음을 수행할 계획입니다.
• 실제 녹음을 하는 시간과 수집되는 시간은 차이가 있습니다. 실제로 10시간을 녹음하게 되면, 수집되는 데이터는 대략 5~6시간 정도의 분량이 수집됩니다.
• 위와 같은 문장을 총 10,000문장 가량 수집하게 됩니다.

1-3 필수 사안

• 목표하는 화자를 설정하고, 해당 화자의 발화 데이터셋을 위의 기준에 따라 수집합니다.
  • TTS 및 사업에 활용가능하도록 사전에 계약이 필요합니다.
• 주로 사용되는 문구(ex. 반갑습니다 고객님 세일코리아넷입니다.)가 포함된 데이터셋 대본 필요
• 만약 녹음하지 않고, 기존에 세일코리아넷에 있는 데이터셋을 활용하는 경우
  1. 타겟 상담원 설정
  2. 해당 상담원의 10시간 이상 TTS 데이터셋 구축
     1. 음성 데이터 잘라내기 (상담원 음성)
     2. 잘라낸 데이터 중, 훈련에 쓸 수 있는 데이터 걸러내기 (음질, 발음, 말 겹침 정도를 기준으로 필터링)
  3. 저음질 데이터이기에 생성된 목소리의 품질이 낮을 수 있습니다.

2. TTS 모델 구축

2-1 TTS 모델 학습

• 학습 기간 : (1회 모델 학습 기준) 2~3주 이상
  • 데이터셋을 전달해주시면, 바로 학습 가능합니다
• 필수 인지 사안
  • TTS 모델은 세부적인 수정(ex. 특정 부분에서의 음정 변화, 리듬 변화)이 불가능합니다.
  • 그러므로, 저희와 함께 대본이나 텍스트에 따라 생성될 음성에 대한 설계에 적극적으로 참여해주셔야 합니다.
  • 생성형 인공지능임으로 간혹 음성 결과물에서 발음, 음정변화 등의 오류가 발생할 수 있습니다.
  • 저희는 이를 최소화하기 위해 다양한 방법을 적용할 계획입니다.

2-2 제공할 인공지능 모델형태

• API 형태로 제공할 계획입니다.