회사 자료를 불러오는 중…
회사 자료를 불러오는 중…
검증 단계 — 어디까지 확인했나
L0 · 국민연금 인력 · 공시 재무 · 특허 — 공공자료
서울특별시에 있는 2016년 설립 회사입니다. 응용 소프트웨어 개발 및 공급업을 합니다. 2025년 매출은 31.2억입니다. 2026년 8월 기준 국민연금 가입자는 27명입니다. 외부감사를 받는 회사이고, 가장 최근 감사의견은 「적정」입니다. 보도로 확인된 투자유치가 1건 있습니다.
읽어오는 중입니다…
최근 출원 2025-05-14 · 최근 등록 2026-02-19 · 최신 출원순
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 컨텍스트(context)에서 질의(Question)와 관련된 세그먼트(segment)를 추출하는 방법이 개시된다. 상기 방법은, 컨텍스트를 복수의 세그먼트들로 분할하는 단계; 코드북(Codebook)을 활용하여, 상기 복수의 세그먼트들에 대한 복수의 임베딩(Embedding)들을 할당하는 단계; 및 상기 복수의 세그먼트들에 대하여 할당된 상기 복수의 임베딩들을 활용하여, 상기 복수의 세그먼트들 중 질의와 관련된 세그먼트를 추출하는 단계를 포함하고, 상기 코드북은, 텍스트 클러스터링(Text clustering) 기반의 임베딩을 활용하여 생성된 코드북일 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 언어 모델을 이용하여 질문을 생성하는 방법이 개시된다. 상기 방법은, 복수의 컨텍스트(Context)들 및 답변(Answer)을 포함하는 입력 데이터를 언어 모델에 입력하는 단계 및 상기 언어 모델을 활용하여, 상기 복수의 컨텍스트들 및 상기 답변을 기초로 질문을 생성하는 단계를 포함하고,상기 언어 모델은, 상기 복수의 컨텍스트들의 입력 순서에 관계없는 순서-애그노스틱(Order-agnostic) 임베딩(Embedding)을 생성하는, 순서-애그노스틱 인코더(Encoder)를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 언어 모델(LM: Language Model)의 학습 데이터를 생성하는 방법이 개시된다. 상기 방법은, 제 1 데이터 셋(Set)을 획득하는 단계; 제 1 언어 모델을 활용하여, 상기 제 1 데이터 셋보다 더 낮은 품질의 저품질 데이터 셋을 획득하는 단계; 상기 제 1 언어 모델을 활용하여 상기 제 1 데이터 셋을 증강하고, 제 1 증강 데이터 셋을 획득하는 단계; 상기 제 1 데이터 셋 및 상기 저품질 데이터 셋을 활용하여 제 1 품질 판단 데이터 셋을 구축하는 단계; 상기 제 1 품질 판단 데이터 셋을 활용하여 제 1 품질 판단 모델을 획득하는 단계; 상기 제 1 품질 판단 모델을 활용하여 상기 제 1 증강 데이터 셋의 품질을 판단하는 단계; 상기 품질 판단 결과를 고려하여 상기 제 1 증강 데이터 셋을 필터링하고, 제 2 데이터 셋을 획득하는 단계; 상기 제 2 데이터 셋을 활용하여 상기 제 1 언어 모델 또는 상기 제 1 품질 판단 모델 중 적어도 하나를 추가로 학습시키고, 제 2 언어 모델을 획득하는 단계; 및 상기 단계들 중 적어도 일부의 단계들을 반복하여, 제 n(n은 2 이상의 정수) 데이터 셋, 제 n 품질 판단 모델, 및 제 n 언어 모델을 획득하는 단계를 포함하고, 상기 제 1 데이터 셋은 환각(hallucination)...(이하생략)
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 사전 학습된(Pre-trained) 모델을 활용하여 모델을 평가하는 방법이 개시된다. 상기 방법은, 사전 학습된 모델을 조정(tuning)하여 조정된 모델을 획득하는 단계; 상기 조정된 모델을 활용하여 입력 데이터에 대한 예측을 수행하는 단계; 및 상기 입력 데이터 및 상기 조정된 모델의 예측 데이터를 포함하는 데이터 쌍(pair)을 상기 사전 학습된 모델에 입력하거나 또는 상기 사전 학습된 모델과 상이한 사전 학습된 모델에 입력하여, 상기 데이터 쌍에 대한 품질을 평가하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 음성 피드백을 분류하는 방법이 개시된다. 상기 방법은, 음성 데이터를 획득하는 단계; 상기 음성 데이터와 연관된 사용자 정보, 제품 정보, 또는 서비스 정보 중 적어도 하나에 기초하여, 상기 음성 데이터와 연관된 적어도 하나의 컨텍스트 키워드(Contextual Keyword)를 획득하는 단계; 상기 적어도 하나의 컨텍스트 키워드를 고려하여 상기 음성 데이터에 대한 음성 인식을 수행하는 단계; 및 상기 음성 인식에 의해 생성된 음성 인식 결과 텍스트에 기초하여, 상기 음성 피드백을 분류하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 음성 인식(ASR) 모델의 학습 데이터를 생성하는 방법이 개시된다. 상기 방법은, 입력 음성 청크 및 상기 입력 음성 청크에 대응하는 입력 텍스트 청크를 획득하는 단계; 상기 입력 텍스트 청크를 미리 결정된 복수의 오류 타입 중 어느 하나의 오류 타입으로 결정하는 단계; 상기 결정된 오류 타입에 대응하여 상기 입력 음성 청크를 교정하는 단계; 및 상기 교정된 음성 청크 및 상기 입력 텍스트 청크를 포함하는 학습 데이터를 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 모델을 활용하여 자연어 입력에 대한 답변을 획득하기 위한 방법이 개시된다. 상기 방법은, 자연어 입력을 수신하는 단계; 상기 자연어 입력의 답변에 대한 제약 조건을 수신하는 단계; 자연어 기반의 신경망 모델을 활용하여, 상기 자연어 입력 및 상기 제약 조건에 기초하여 예비 자연어 출력을 획득하는 단계; 및 상기 예비 자연어 출력 및 상기 제약 조건에 기초하여 상기 자연어 입력에 대한 최종 자연어 출력을 획득하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 원본 이미지로부터 스케치 이미지를 생성하는 방법이 개시된다. 상기 방법은, 컴퓨팅 장치에 의해 수행되는, 원본 이미지로부터 스케치 이미지를 생성하는 방법으로서, 상기 원본 이미지를 획득하는 단계, 상기 원본 이미지에 포함된 객체들 중 이미지 처리의 대상 객체를 결정하는 단계, 상기 대상 객체에 대한 이미지 처리를 수행하여 수정 이미지를 생성하는 단계, 상기 수정 이미지에 대하여 색상 단순화(Color simplification)를 수행하여, 색상 단순화된 이미지를 생성하는 단계 및 상기 색상 단순화된 이미지에 기초하여 상기 스케치 이미지를 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 언어 모델을 학습시키는 방법이 개시된다. 상기 방법은, 원본 학습 데이터를 획득하는 단계, 상기 원본 학습 데이터에 대한 언어 모델의 예측에 기초하여 증강된 학습 데이터를 생성하는 단계, 상기 원본 학습 데이터 및 상기 증강된 학습 데이터에 대하여, 서로 상이한 방식으로 보상(reward)을 설정하는 단계 및 상기 원본 학습 데이터에 대해 설정된 보상 및 상기 증강된 학습 데이터에 대하여 설정된 보상에 기초하여, 상기 언어 모델에 대하여 강화 학습을 수행하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 텍스트를 분할(Segmentation)하는 방법이 개시된다. 상기 방법은, 텍스트 정보를 획득하는 단계; 상기 획득된 텍스트 정보에 대하여 단어 단위로 제 1 임베딩(embedding)을 수행하는 단계; 상기 획득된 텍스트 정보에 대하여 상기 단어 단위보다 더 큰 문자 단위로 제 2 임베딩을 수행하는 단계; 상기 제 2 임베딩에 의해 생성된 벡터들 사이에서 유사도를 연산하는 단계; 및 상기 연산된 유사도를 고려하여 상기 획득된 텍스트 정보에서 분할 지점(segment point)을 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 대본 텍스트로부터 스토리보드를 생성하는 방법이 개시된다. 상기 방법은, 상기 대본 텍스트를 획득하는 단계; 장소 정보에 기초하여, 상기 대본 텍스트에 포함된 텍스트 부분들에 대해 클러스터링(Clustering)을 수행하는 단계; 상기 장소 정보에 기초하는 클러스터링에 의해 생성된 각각의 클러스터(Cluster)에 대하여, 프롬프트(Prompt) 정보를 결정하는 단계; 및 상기 결정된 프롬프트 정보에 기초하여, 상기 각각의 클러스터에 대한 스토리보드를 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 텍스트 오류를 검출하는 방법이 개시된다. 상기 방법은, 음성 데이터 및 상기 음성 데이터와 관련된 타겟(target) 텍스트를 획득하는 단계; STT(Speech-To-Text) 모델을 활용하여, 상기 음성 데이터에 대한 음성 인식을 수행하는 단계; 및 상기 STT 모델에 의해 생성된 출력 텍스트와 상기 타겟 텍스트 사이의 비교를 수행하여, 상기 타겟 텍스트의 오류를 검출하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 비디오를 활용한 데이터베이스 구축 방법이 개시된다. 상기 방법은, 상기 비디오를 획득하는 단계; 상기 획득된 비디오의 각각의 프레임에 대하여 이미지의 표현(Representation)을 추출하는 단계; 상기 획득된 비디오의 각각의 프레임에 대하여 텍스트의 표현(Representation)을 추출하는 단계; 상기 획득된 비디오의 프레임들의 이미지의 표현들 및 텍스트의 표현들에 기초하여, 상기 획득된 비디오의 프레임들 중 주요 프레임을 결정하는 단계; 및 상기 결정된 주요 프레임과 연관된 표현(Representation)들에 대한 데이터베이스를 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 시각적 질의응답(VQA; Visual Question-Answering) 모델의 학습 데이터를 증강하는 방법이 개시된다. 상기 방법은, 상기 시각적 질의응답 모델의 기본 학습 데이터 셋을 획득하는 단계; 상기 기본 학습 데이터 셋에 포함된 질의(question)와 정답(answer)을 기반으로 이미지 생성 모델로 입력될 텍스트 데이터를 생성하는 단계; 및 상기 이미지 생성 모델에 상기 생성된 텍스트 데이터를 입력하여 증강 이미지 데이터를 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 텍스트 정보를 수정하는 방법이 개시된다. 상기 방법은, 상기 텍스트 정보를 획득하는 단계, 상기 텍스트 정보 내에서 문제 텍스트를 결정하는 단계, 상기 문제 텍스트와 연관된 확장 텍스트 또는 상기 문제 텍스트와 연관된 비-텍스트 타입의 정보를 활용하여, 상기 문제 텍스트를 교정하기 위한 대체 텍스트를 생성하는 단계 및 상기 문제 텍스트를 교정하기 위한 상기 대체 텍스트에 대한 정보를 제공하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 음성 변환 모델을 학습시키는 방법이 개시된다. 상기 방법은, 학습용 음성 데이터를 획득하는 단계; 음성 변환 모델을 활용하여, 상기 학습용 음성 데이터를 감정이 제거된 감정 중립 음성 데이터로 변환하는 단계; 및 상기 변환된 감정 중립 음성 데이터와 연관된 손실함수를 활용하여, 상기 음성 변환 모델을 학습시키는 단계를 포함하고, 상기 음성 변환 모델은, 감정 중립적인 음성을 생성하도록 학습될 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 질의 응답(Question-Answering) 모델의 학습 방법이 개시된다. 상기 방법은, 학습 데이터를 획득하는 단계; 상기 학습 데이터의 응답 가능성과 관련된 제 1 예측을 수행하는 단계; 상기 제 1 예측의 결과를 가이드(guide) 정보로서 활용하면서, 상기 학습 데이터에 대한 응답을 예측하는 제 2 예측을 수행하는 단계; 및 상기 제 1 예측의 결과 또는 상기 제 2 예측의 결과 중 적어도 하나와 연관된 손실 함수를 활용하여, 상기 질의 응답 모델을 학습시키는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 음성 인식 결과(STT; Speech-To-Text) 및 참조 데이터로부터 중요 부분을 결정하는 방법이 개시된다. 상기 방법은, 음성 신호에 대하여 음성 인식을 수행하여 생성된 음성 인식 데이터를 획득하는 단계; 참조 데이터를 획득하는 단계; 상기 음성 인식 데이터 및 상기 참조 데이터 중 하나의 데이터에서 제 1 중요 정보를 결정하는 단계; 및 상기 음성 인식 데이터 및 상기 참조 데이터 중 상기 제 1 중요 정보가 결정된 데이터와 다른 데이터에서, 상기 제 1 중요 정보와 연관된 제 2 중요 정보를 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 발음 전사(pronunciation transcription) 방법이 개시된다. 상기 방법은, 오디오 신호를 분리하여 생성된 제 1 소리 단위의 부분 오디오 신호를 획득하는 단계; 상기 제 1 소리 단위의 부분 오디오 신호를 발음 전사 모델에 입력하는 단계; 및 상기 발음 전사 모델을 활용하여, 상기 제 1 소리 단위의 부분 오디오 신호에 대한 발음 전사 결과를 출력하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 오디오 데이터에서 음성 활성을 탐지하는 방법이 개시된다. 상기 방법은, 오디오 데이터를 음성 활성 탐지(VAD; Voice activity detection) 모델에 입력하는 단계; 상기 VAD 모델을 활용하여, 상기 오디오 데이터가 정상(normal) 데이터로 분류되는지 아니면 비정상(abnormal) 데이터로 분류되는지 여부를 예측하는 단계; 및 상기 VAD 모델을 활용하여, 상기 오디오 데이터가 정상 데이터로 분류되는 경우, 상기 오디오 데이터가 음성 데이터에 해당한다고 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는 텍스트 분류를 위한 학습 데이터를 생성하는 방법이 개시된다. 상기 방법은 텍스트(text) 정보 및 복수의 후보 카테고리(category)들을 획득하는 단계; 상기 텍스트 정보와 상기 복수의 후보 카테고리들 사이의 연관 관계를 분석하기 위한 추가 텍스트 정보를 생성하는 단계; 및 상기 텍스트 정보 및 상기 추가 텍스트 정보에 기초하여, 상기 텍스트 정보에 대한 학습용 카테고리 정보를 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 대화(dialogue) 요약을 위한 학습 데이터를 생성하기 위한 방법이 개시된다. 상기 방법은 비-대화형(non-dialogue) 텍스트 정보 및 상기 비-대화형 텍스트 정보에 대한 요약 정보를 수신하는 단계; 변환 함수에 기초하여 상기 비-대화형 텍스트 정보에 대한 변환을 수행하는 단계; 및 상기 변환된 텍스트 정보 및 상기 비-대화형 텍스트 정보에 대한 요약 정보에 기초하여, 상기 대화 요약을 위한 학습 데이터를 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라, 신경망 모델을 활용하여 음성 데이터에 대응되는 텍스트 데이터를 생성하는 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 음성 데이터를 획득하고, 상기 음성 데이터를 신경망 모델에 입력하는 것을 기초로, 텍스트 데이터를 생성한다. 이 때 상기 신경망 모델은, 개인의 음성 데이터 및 상기 개인과 관련된 정보를 연동하는 것에 기초하여 개인화된 학습 데이터를 생성하는 단계 및 상기 개인화된 학습 데이터를 기초로 상기 신경망 모델을 학습시키는 단계에 기초하여 학습된 신경망 모델에 해당한다.
본 개시는 컴퓨팅 장치에 의해 수행되는 음성을 생성하는 방법으로서, 음성 인식에 의해 생성된 텍스트 정보를 획득하는 단계; 상기 텍스트 정보 중 변화가 발생한 텍스트 부분을 식별하는 단계; 상기 음성 인식에 활용된 음성 정보 중 상기 식별된 텍스트 부분에 대응되는 음성 부분을 식별하는 단계; 상기 식별된 음성 부분과 연관된 음성 부분을 변화시키는 단계; 및 상기 변화된 음성 부분 및 상기 음성 정보의 나머지 음성 부분들에 기초하여 새로운 음성 정보를 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 음성 신호와 연관된 컨텐츠를 결정하는 방법이 개시된다. 상기 방법은, 음성 신호를 변환하여 텍스트 정보를 생성하는 단계; 복수의 타겟 단어 후보들을 결정하는 단계; 상기 복수의 타겟 단어 후보들과 상기 생성된 텍스트 정보 사이의 비교에 기초하여, 상기 복수의 타겟 단어 후보들 중에서 타겟 단어를 결정하는 단계; 및 상기 타겟 단어와 연관된 컨텐츠를 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 음성 인식 모델을 학습시키기 위한 방법이 개시된다. 상기 방법은, 정답(Ground truth) 텍스트 정보를 획득하는 단계; 상기 정답 텍스트 정보 내에 포함된 복수의 토큰들 각각에 대한 중요도를 결정하는 단계; 및 상기 정답 텍스트 정보 내에 포함된 상기 복수의 토큰들 각각에 대한 중요도를 고려하여, 상기 음성 인식 모델을 학습시키는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 화상 회의를 제공하기 위한 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 화상 회의 영상을 제공하고, 사용자의 입력을 기초로 상기 화상 회의 영상과 관련된 주석(annotation)을 생성하고, 상기 화상 회의 영상에 포함된 음성이 변환된 텍스트 정보와 상기 생성된 주석을 연동하고, 상기 주석이 연동된 상기 텍스트 정보를 공유한다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 음성 신호를 포함하는 컨텐츠를 기반으로 타겟 단어와 관련된 정보를 획득방법이 개시된다. 상기 방법은, 상기 음성 신호에 대응되는 텍스트 정보를 생성하는 단계; 상기 생성된 텍스트 정보에서 타겟 단어와 관련된 타겟 문장을 추출하는 단계; 상기 추출된 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 분석하는 단계; 상기 분석된 감정의 타입(type)에 기초하여, 상기 타겟 단어와 관련된 추가적인 타겟 문장을 추출하는 단계; 및 상기 타겟 문장 및 상기 추가적인 타겟 문장에 기초하여, 상기 타겟 단어에 대한 감정을 추가적으로 분석하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 음성 인식 결과를 편집하는 방법이 개시된다. 상기 방법은, 음성 인식에 의해 생성된 텍스트 정보에 기초하여, 미리 설정된 조건을 만족하는 단어 리스트를 표시하는 단계; 상기 단어 리스트 내에서 타겟(target) 단어를 결정하는 단계; 및 상기 텍스트 정보 내에서 상기 타겟 단어에 대응하는 영역을 표시하는 단계를 포함하고, 상기 미리 설정된 조건은, 사용자 계정 별로 미리 설정된 단어 정보, 또는 단어의 출현 빈도와 관련하여 미리 설정된 임계치 정보 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 음성 구간을 검출하는 방법이 개시된다. 상기 방법은, 오디오 신호에서 음성(voice) 구간의 시작 지점을 검출하는 단계; 및 동적으로 변화하는 구간-종료 임계치에 기초하여, 상기 음성 구간의 종료 지점을 검출하는 단계를 포함하고, 상기 동적으로 변화하는 구간-종료 임계치는 상기 음성 구간의 길이에 기초할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 계층적 언어 정보를 이용한 음성 인식 방법이 개시된다. 상기 방법은 음성 정보를 제 1 인코더(encoder)에 입력하여 제 1 특징 벡터를 추출하고, 제 1 손실 함수를 계산하는 단계; 상기 제 1 인코더로부터 추출된 제 1 특징 벡터를 제 1 디코더(decoder)에 입력하여 상기 음성 정보에 대한 제 1 언어 단위의 예측을 수행하고, 제 2 손실 함수를 계산하며 제 2 특징 벡터를 추출하는 단계; 상기 제 1 인코더로부터 추출된 제 1 특징 벡터를 제 2 인코더에 입력하여 제 3 손실 함수를 계산하며제 3 특징 벡터를 추출하는 단계; 상기 제 1 디코더로부터 추출된 상기 제 2 특징 벡터 및 상기 제 2 인코더로부터 추출된 상기 제 3 특징벡터를 상기 제 2 디코더에 입력하여 상기 음성 정보에 대한 제 2 언어 단위의 예측을 수행하고, 제 4 손실 함수를 계산하는 단계; 및 상기 제 1 손실 함수, 상기 제 2 손실 함수, 상기 제 3 손실 함수 및 상기 제 4 손실 함수에 기초하여 상기 제 1 인코더, 제 2 인코더, 제 1 디코더, 또는 제 2 디코더 중 적어도 하나를 학습시키는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 음성 인식을 위한 방법이 개시된다. 상기 방법은 음성 정보에 대하여 제 1 음성 인식을 수행하여, 상기 음성 정보에 대한 제 1 텍스트 정보를 획득하는 단계; 상기 제 1 텍스트 정보에 관한 피드백(feedback)을 수신하는 단계; 및 상기 수신된 피드백에 기초하여, 상기 음성 정보에 대한 최종 텍스트 정보를 생성하는 단계를 포함하고, 상기 제 1 음성 인식은, 실시간(realtime) 음성 인식을 포함하고, 제 1 구조의 신경망 모델을 통해 수행될 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 텍스트(text) 정보에서 타겟(target) 단어에 대응되는 단어를 식별하는 방법이 개시된다. 상기 방법은 타겟 단어를 결정하는 단계; 상기 타겟 단어와 연관된 편집 거리에 대한 임계치(threshold)를 결정하는 단계; 텍스트 정보에 포함된 단어들 중 상기 타겟 단어와의 편집 거리가 상기 임계치 이하인 단어를 결정하는 단계; 및 상기 결정된 단어에 기초하여 상기 타겟 단어에 대응되는 단어를 식별하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라, 컴퓨팅 장치에 의해 수행되는, 화자 인증(Speaker Verification)을 개선하는 방법이 개시된다. 상기 방법은, 화자의 음성 데이터를 획득하는 단계; 상기 획득된 음성 데이터를 기반으로, 상기 음성 데이터의 감정 상태에 대한 확률 값을 연산하는 단계; 및 상기 음성 데이터의 감정 상태에 대한 확률 값에 기초하여, 상기 화자 인증을 위한 등록 절차 또는 인증 절차를 수행하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 신경망 기반의 음성 인식 방법이 개시된다. 상기 방법은 음성 정보에 기초하여 제 1 언어 기반의 제 1 텍스트(text) 데이터를 생성하는 단계; 상기 생성된 제 1 텍스트 데이터 중 문제 텍스트를 검출하는 단계; 상기 검출된 문제 텍스트에 대응하는 제 2 언어를 감지하는 단계; 및 상기 감지된 제 2 언어에 기초하여 제 2 텍스트 데이터를 생성하는 단계를 포함할 수 있고, 상기 제 2 언어는 상기 제 1 언어와 상이할 수 있다.
본 개시의 일 실시예에 따라, 멀티모달(multi-modal) 정보를 이용하여 질의응답을 수행하는 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 질의 데이터를 기초로, 비디오로부터 핵심 문자 정보를 결정하고, 상기 핵심 문자 정보를 기초로, 상기 비디오로부터 핵심 객체 정보 또는 핵심 프레임 정보를 결정하고,질의응답 모델을 활용하여, 상기 결정된 핵심 문자 정보, 및 상기 결정된 핵심 객체 정보 또는 핵심 프레임 정보에 기초하여 상기 비디오에 대한 질의응답을 수행한다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 자소 정보를 이용한 음성 인식 방법이 개시된다. 상기 방법은 음성 정보를 인코더(encoder)에 입력하여 제 1 특징 벡터를 추출하고, 제 1 손실 함수를 계산하는 단계; 상기 인코더로부터 추출된 제 1 특징 벡터를 제 1 디코더(decoder)에 입력하여 상기 음성 정보에 대한 예측을 수행하고, 제 2 손실 함수를 계산하며 제 2 특징 벡터를 추출하는 단계; 상기 제 1 디코더로부터 추출된 제 2 특징 벡터를 제 2 디코더에 입력하여 자소(grapheme) 단위의 예측을 수행하고, 제 3 손실 함수를 계산하는 단계; 및 상기 제 1 손실 함수, 상기 제 2 손실 함수, 및 상기 제 3 손실 함수에 기초하여 상기 인코더, 제 1 디코더, 또는 제 2 디코더 중 적어도 하나를 학습시키는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 오류 검출을 위한 방법이 개시된다. 상기 방법은 평가 대상 문장에 대하여 제 1 언어 단위로 오류율을 평가하는 단계; 및 상기 제 1 언어 단위의 오류에 기초하여, 상기 제 1 언어 단위보다 더 작은 제 2 언어 단위로 오류율을 평가하는 단계를 포함할 수 있다.
본 개시는 일 실시예에 따라, 적어도 하나의 화자의 대화내용을 포함하는 음원 혹은 대화록을 사용하되, 상기 음원 혹은 대화록에 포함된 화자들 중에서 주 화자를 선정하고, 상기 주 화자를 기초하여 요약문을 생성하기 위한 방법, 장치 및 프로그램을 포함한다. 이때, 적어도 하나의 컴퓨팅 장치에 의해 수행되는, 음원(sound source)에 대한 요약문을 생성하는 방법에 관한 상기 일 실시예로, 상기 음원을 기초로 적어도 하나의 화자(speaker)에 대한 발화 점수를 생성하는 단계; 상기 적어도 하나의 화자에 대한 발화 점수를 기초로 상기 음원에 대한 주 화자(main speaker)를 결정하는 단계; 및 상기 결정된 주 화자를 고려하여 상기 음원에 대한 요약문을 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 오디오 데이터에서 음성을 검출하는 방법이 개시된다. 상기 방법은, 오디오 데이터를 획득하는 단계; 상기 획득된 오디오 데이터의 스펙트럼(spectrum)에 기초하여, 이미지 데이터를 생성하는 단계; 사전 학습된 신경망 모델을 활용하여, 상기 생성된 이미지 데이터를 분석하는 단계; 및 상기 이미지 데이터에 대한 분석에 기초하여, 상기 오디오 데이터에 ARS(Automated Response System) 음성이 포함되어 있는지 여부를 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 사전 학습된 인코더-디코더 구조를 가진 인공 신경망 모델을 활용하여, 입력 데이터를 기초로 데이터를 생성하는 방법이 개시된다. 구체적으로, 본 개시에 따르면, 컴퓨팅 장치가, 사전 학습된 인코더-디코더 구조를 가진 인공 신경망 모델을 활용하여, 입력 데이터의 확률 분포에 기초하여 새로운 데이터를 생성하되, 상기 사전 학습된 인코더-디코더 구조를 가진 인공 신경망 모델은, 상기 인공 신경망 모델의 인코더 계층과 디코더 계층 사이에 잠재 벡터(latent vector) 계층을 포함하여 사전 학습된 모델에 대응된다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 데이터 생성 방법이 개시된다. 상기 방법은 음성 정보에 기초하여 생성된 텍스트 데이터를 토큰 단위로 분절하는 단계; 상기 토큰 단위로 분절된 텍스트 데이터에 기초하여 제 1 특징 벡터를 생성하고, 상기 생성된 제 1 특징 벡터와 대응되는 제 1 레이블 벡터를 생성하는 단계; 및 상기 생성된 제 1 특징 벡터 및 상기 생성된 제 1 레이블 벡터 각각에 대하여 믹스업(mix-up)을 수행하여, 제 2 특징 벡터 및 제 2 레이블 벡터를 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는, 단어 그래프를 이용한 대화의 요약 생성 방법이 개시된다. 상기 방법은 요약 대상인 대화에 대한 정보를 기초로 단어 그래프를 생성하는 단계; 상기 생성된 단어 그래프에 기초하여 적어도 하나의 키워드를 추출하는 단계; 상기 생성된 단어 그래프에 기초하여 복수의 후보 요약 문장들을 생성하는 단계; 및 상기 복수의 후보 요약 문장들 각각에 대하여 상기 적어도 하나의 키워드와 연관된 점수를 연산하고, 연산된 점수에 기초하여 상기 복수의 후보 요약 문장들 중 적어도 하나를 선택하는 단계를 포함할 수 있다.
전술한 과제를 해결하기 위한 본 개시의 일 실시예에서, 하나 이상의 프로세서들에 의해 실행 가능한 컴퓨턴 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 상기 하나 이상의 프로세서로 하여금 이하의 동작들을 수행하도록 하며, 상기 동작들은: 제 1 사용자 단말로부터 제 1 음성 데이터를 수신하고, 제 2 사용자 단말로부터 제 2 음성 데이터를 수신하는 동작, 상기 제 1 음성 데이터와 상기 제 2 음성 데이터에 기초하여 통합 음성 데이터를 생성하는 동작 및 상기 통합 음성 데이터를 음성 인식 모델을 이용하여 대화록을 생성하는 동작 을 포함할 수 있다.
전술한 과제를 해결하기 위한 본 개시의 일 실시예에서, 하나 이상의 프로세서들에 의해 실행 가능한 컴퓨턴 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 상기 하나 이상의 프로세서로 하여금 이하의 동작들을 수행하도록 하며, 상기 동작들은: 하나 이상의 사용자 단말 각각으로부터 하나 이상의 음성 데이터—상기 음성 데이터는 각각의 사용자에 대한 하나 이상의 발화를 포함함—를 수신하는 동작, 상기 하나 이상의 음성 데이터 각각을 음성 인식 모델을 통해 하나 이상의 음성 인식 결과로 변환하여 대화록을 생성하는 동작 및 상기 대화록을 포함하는 사용자 인터페이스를 생성하여 상기 하나 이상의 사용자 단말로 제공하는 동작을 포함할 수 있다.
전술한 과제를 해결하기 위한 본 개시의 일 실시예에서, 하나 이상의 프로세서들에 의해 실행 가능한 컴퓨턴 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 상기 하나 이상의 프로세서로 하여금 이하의 동작들을 수행하도록 하며, 상기 동작들은: 제 1 사용자 단말로부터 제 1 음성 데이터를 수신하고, 제 2 사용자 단말로부터 제 2 음성 데이터를 수신하는 동작, 상기 제 1 음성 데이터와 상기 제 2 음성 데이터에 기초하여 통합 음성 데이터를 생성하는 동작 및 상기 통합 음성 데이터를 음성 인식 모델을 이용하여 대화록을 생성하는 동작 을 포함할 수 있다.
전술한 과제를 해결하기 위한 본 개시의 일 실시예에서, 하나 이상의 프로세서들에 의해 실행 가능한 컴퓨턴 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 상기 하나 이상의 프로세서로 하여금 이하의 동작들을 수행하도록 하며, 상기 동작들은: 하나 이상의 사용자 단말 각각으로부터 하나 이상의 음성 데이터—상기 음성 데이터는 각각의 사용자에 대한 하나 이상의 발화를 포함함—를 수신하는 동작, 상기 하나 이상의 음성 데이터 각각을 음성 인식 모델을 통해 하나 이상의 음성 인식 결과로 변환하여 대화록을 생성하는 동작 및 상기 대화록을 포함하는 사용자 인터페이스를 생성하여 상기 하나 이상의 사용자 단말로 제공하는 동작을 포함할 수 있다.
특허청 KIPRIS · 2026-10-15 조회 · 최신 출원순 · 오른쪽은 등록일(등록 전은 출원일) · 전체 47건 중 47건 · 줄을 누르면 자세한 내용이 펼쳐집니다 ▾
지금은 공공자료(국민연금 · 전자공시 · 특허 · 명부 · 보도)만 있습니다. 회사가 IR Room에 자료를 내면 L1로 올라갑니다. 저희는 회사에 점수나 등급을 매기지 않습니다 — 어디까지 확인했는지만 적습니다.
| 단위 억원 | 2024 | 2025 |
|---|---|---|
| 영업수익(매출액) | 14.4 | 31.2 |
| 매출총이익(손실) | 14.4 | 31.2 |
| 판매비와관리비 | 69.5 | 46.6 |
| 영업이익(손실) | (55.2) | (15.4) |
| 영업외수익 | 1.1 | 1.7 |
| 기타이익 | 0.0 | 0.0 |
| 금융수익 | 1.0 | 0.0 |
| 기타 | 0.1 | 1.7 |
| 영업외비용 | 0.9 | 0.7 |
| 기타손실 | 0.0 | 0.0 |
| 금융원가 | 0.8 | 0.7 |
| 법인세비용차감전순이익(손실) | (54.9) | (14.4) |
| 당기순이익(손실) | (54.9) | (14.4) |
매출은 31.2억으로 전년 대비 117.4% 증가한 것으로 나타났다.
영업이익률은 -49.4%로 전년 -384.4%에서 상승했다.
당기순이익은 -14.4억으로 나타났다.
여기 실린 것보다 깊은 자료가 필요하십니까. 추가 정보 요청 — 종합 검토보고서 · 가치평가 · Executive Teaser · IM · 경쟁사 분석 · 실사 의뢰. 고르시면 산출비용과 걸리는 기간을 메일로 안내드립니다.
공개 기사의 제목 · 링크만 싣습니다 · 저희가 확인한 내용이 아닙니다(원문 ↗) · 「증권사 전망」은 확정 실적 아님 · 2026-11-07 확인