# 마이크로소프트 AI 음성합성 특허: 글자·단어·문장 정보를 모아 읽는 원리

마이크로소프트 US12094447B2의 음소·글자, 단어 임베딩, 문장 구조 정보 정렬과 결합에서 음성 파형 생성까지의 과정을 분석합니다.

Source: https://www.iplexlaw.co.kr/ko/blog/microsoft-multilevel-tts

HOME / NEWS & INSIGHTS NEWS & INSIGHTS 마이크로소프트 AI 음성합성 특허: 글자·단어·문장 정보를 모아 읽는 원리 마이크로소프트 US12094447B2의 음소·글자, 단어 임베딩, 문장 구조 정보 정렬과 결합에서 음성 파형 생성까지의 과정을 분석합니다. 인공지능 2026.10.28 게시 IPLEX 8분 읽기 고객 안내를 음성으로 만들 때에는 글자를 정확히 읽는 일과 문맥에 맞는 흐름을 만드는 일을 함께 고려해야 합니다. 마이크로소프트의 이 AI 음성합성 특허는 음소나 글자 정보에 단어와 문장 구조 정보를 더해 소리를 만드는 방식을 설명합니다. 가상 쇼핑몰의 출고 안내문을 따라가며 서로 길이가 다른 정보를 맞추고 실제 음성 파형으로 바꾸는 과정을 살펴보겠습니다. 같은 글에서 얻은 여러 수준의 정보를 모아 음성을 만드는 직접 제작 개념 그림입니다. 실제 제품 화면이나 녹음 결과를 나타내지 않습니다. 1. 글이 같아도 들리는 안내는 달라집니다 쇼핑몰에서 “주문하신 상품은 내일 출고됩니다.”라는 안내를 보낸다고 생각해 보겠습니다. 화면에서는 한눈에 읽히는 문장이지만, 음성에서는 단어가 또렷하게 들리는지, 어디에서 자연스럽게 이어지는지에 따라 느낌이 달라집니다. 같은 글을 읽어도 말의 흐름은 하나로 정해지지 않습니다. 그렇다면 AI는 글자의 소리와 문장의 흐름을 어떻게 함께 만들까요? 텍스트를 소리로 바꾸는 기술을 TTS라고 부릅니다. 사람이 작성한 문장을 받아 그 내용에 해당하는 음성을 합성하는 기술입니다. 이때 필요한 것은 글자별 소리만이 아닙니다. 말의 높낮이와 길이, 강세, 쉼처럼 문장이 흘러가는 방식도 함께 만들어야 합니다. 이런 말의 리듬을 묶어 운율이라고 합니다. 이 특허는 음소나 글자 수준의 정보에 단어와 문장 수준의 정보를 더하는 접근을 설명합니다. 발음의 작은 재료에 문맥과 구조를 담은 재료를 함께 넣는 것입니다. 각각을 어디에서 얻고 어떤 위치에서 결합하는지가 기술의 중요한 부분입니다. 기술을 이해할 때에는 안내문 자체를 새로 작성하는 기능과 구별해 보시면 좋습니다. 여기에서 따라갈 흐름은 답변 내용을 고르는 과정이 아니라, 주어진 문장을 어떻게 소리로 표현할지 계산하는 과정입니다. 2. 음소·단어·문장이 담는 정보 음소는 말소리를 구별하는 기본 단위입니다. 글자 수준 정보는 입력 문장을 이루는 문자들의 순서를 바탕으로 합니다. 이 특허에서는 음소 또는 글자 순서에서 출발하는 방식을 다루며, 두 종류를 언제나 동시에 넣어야 한다고 설명하는 것은 아닙니다. 단어 수준에서는 각 단어와 단어 사이의 관계를 표현하는 정보를 얻습니다. 예를 들어 ‘출고’라는 단어가 등장하는 안내문과 다른 종류의 글은 읽기 재료가 달라질 수 있습니다. 단어를 단순한 번호로만 취급하기보다 언어 자료에서 학습한 표현을 활용하는 것입니다. 문장 수준 정보는 문법 구조에서 나옵니다. 문장 안에서 어떤 단어들이 하나의 구를 이루는지, 단어가 그 구의 경계에 있는지, 어느 위치에 놓였는지 등을 담습니다. 긴 문장을 구성하는 작은 묶음들의 관계를 읽기 과정에 전달하는 재료라고 생각하시면 됩니다. 이 정보들이 곧바로 완성된 소리는 아닙니다. 발음의 바탕, 단어의 언어적 정보, 문장의 구조를 각각 계산에 사용할 표현으로 준비하는 단계입니다. 세 관점을 구별해 두면 다음 단계에서 왜 길이를 맞추고 결합하는지가 이해하기 쉬워집니다. 3. 단어와 문장 구조를 읽기 재료로 만듭니다 단어를 신경망이 다루기 쉬운 숫자 묶음으로 표현하는 것을 단어 임베딩이라고 합니다. 이 특허는 미리 학습된 단어 임베딩 모델을 이용해 입력 문장의 단어 정보를 얻는 방식을 설명합니다. 여러 언어 자료에서 얻은 정보를 음성합성의 입력 재료로 가져오는 접근입니다. 문장 쪽에서는 문법 분석을 수행합니다. 문장을 나무 모양의 구조로 나타내면, 큰 문장 아래에 여러 구가 있고 각 구 아래에 단어들이 놓이는 관계를 표현할 수 있습니다. 이 구조에서 단어가 속한 구의 종류, 구의 시작이나 끝인지 여부, 구 안의 상대적인 위치 같은 정보를 뽑습니다. 예를 들어 ‘주문하신 상품은’과 ‘내일 출고됩니다’를 읽기 흐름을 생각하는 묶음으로 표시해 볼 수 있습니다. 이는 가상 안내문을 이해하기 위한 단순한 표시입니다. 실제 문법 분석기의 출력은 사용하는 언어와 분석 방식에 따라 만들어집니다. 여기에서 중요한 점은 문법 구조를 설명문으로 길게 덧붙이는 것이 아니라, 각 단어에 대응하는 계산용 정보로 바꾼다는 것입니다. 문장을 이해하는 데 도움이 되는 구조가 음성 모델이 사용할 수 있는 입력으로 연결됩니다. 4. 길이가 다른 정보를 같은 위치에 맞춥니다 글자 순서와 단어 순서는 길이가 다릅니다. 단어 하나가 여러 글자나 여러 음소로 이루어질 수 있기 때문입니다. 이 상태에서 정보를 그대로 나란히 붙이면 어느 단어 정보가 어느 발음 재료에 대응하는지 명확하게 연결하기 어렵습니다. 특허에서 설명하는 한 방식은 단어 정보를 대응하는 음소 또는 글자의 수에 맞춰 반복해 놓는 것입니다. 문법 분석으로 얻은 단어별 정보도 같은 기준으로 맞춥니다. 이런 식으로 더 촘촘한 순서에 정보를 대응시키는 처리를 업샘플링이라고 합니다. 글자 단위로 단순화하면 ‘상품’이라는 단어의 정보를 ‘상’과 ‘품’에 해당하는 위치에 함께 연결하는 모습을 떠올릴 수 있습니다. 단어가 두 번 발음된다는 뜻은 아닙니다. 같은 단어에 속한 각 위치에서 그 단어의 정보를 함께 참조할 수 있도록 입력을 준비하는 것입니다. 따라서 이 단계의 정렬은 녹음 파일의 시간을 늘리거나 음성 재생 속도를 조절하는 일이 아닙니다. 여러 수준의 텍스트 정보에서 서로 대응하는 위치를 맞추는 작업입니다. 실제 음성의 시간 흐름을 만드는 과정은 이 재료들이 결합된 뒤에 이어집니다. 5. 정보를 모아 음향 특징과 파형을 만듭니다 준비한 정보는 다중 입력 인코더로 들어갑니다. 인코더는 입력을 다음 신경망이 사용하기 좋은 표현으로 바꾸는 부분입니다. 이 기술에서는 음소나 글자 정보와 문맥 정보를 함께 활용해 텍스트 특징을 만듭니다. 정보를 합치는 위치에는 여러 설계가 나옵니다. 각 정보를 신경망으로 처리한 뒤 결과를 이어 붙일 수도 있고, 입력 정보를 먼저 함께 묶어 신경망에 넣을 수도 있습니다. 무엇을 입력으로 썼는지뿐 아니라, 어디에서 합쳤는지를 나누어 보면 처리 구조의 차이가 보입니다. 텍스트 특징은 어텐션과 디코더를 거쳐 음향 특징으로 바뀝니다. 여기에서 어텐션은 글의 어느 부분에 해당하는 정보를 음향 생성에 연결할지 돕습니다. 앞 절에서 단어 정보를 글자 위치에 맞춘 작업과는 대상이 다릅니다. 앞에서는 입력끼리 대응시켰고, 여기에서는 텍스트 표현과 만들어질 소리의 특징을 연결합니다. 음향 특징은 소리의 주파수별 모양 같은 정보를 담는 중간 표현입니다. 아직 스피커로 바로 들려줄 최종 파형은 아닙니다. 마지막으로 보코더가 이 정보를 바탕으로 음성 파형을 만듭니다. 여러 텍스트 정보가 결합된 결과가 실제로 들을 수 있는 소리까지 이어지는 흐름입니다. 6. 가상 쇼핑몰의 출고 안내 예시 가상 쇼핑몰이 고객에게 “주문하신 상품은 내일 출고됩니다.”를 읽어 주는 상황을 순서대로 따라가 보겠습니다. 입력은 고객에게 전달하기로 정한 이 문장입니다. 상품의 실제 출고일을 조회하거나 안내 내용의 사실 여부를 결정하는 과정은 이 예시의 음성합성 단계와 별개입니다. 먼저 문장에서 음소나 글자 순서를 준비합니다. 같은 문장에서 단어 정보를 얻고, 문법 분석으로 단어들이 묶이는 구조도 준비합니다. 이렇게 얻은 정보들은 모두 같은 안내문을 서로 다른 수준에서 표현한 것입니다. 세 가지 안내문을 새로 만드는 것은 아닙니다. 다음으로 단어별 정보와 문장 구조 정보를 대응하는 음소·글자 위치에 연결합니다. 여러 입력이 공통의 위치를 바탕으로 처리되면, 인코더는 발음의 작은 재료를 보면서 그 재료가 속한 단어와 문장 구조도 함께 활용할 수 있습니다. 결합된 텍스트 특징으로 음향 특징을 만들고, 보코더가 이를 파형으로 바꾸면 안내 음성을 얻습니다. 운영자는 완성된 안내를 들으며 이름이나 상품명 같은 표현이 어떻게 읽히는지, 문장 묶음이 전달에 적절한지 살펴볼 수 있습니다. 이때 살펴보는 것은 고객이 듣는 결과와 그 결과를 만든 입력 처리입니다. 가상 쇼핑몰의 같은 출고 안내에서 세 수준의 정보를 얻고 정렬·결합한 뒤 보코더로 안내 음성을 생성하는 예시. 실제 Azure 화면이나 특정 음성의 녹음·측정 결과가 아닙니다. 가상 쇼핑몰의 안내문 하나에서 발음·글자, 단어, 문장 구조 정보를 얻어 음성으로 연결하는 직접 제작 예시입니다. 실제 Azure 화면이나 특정 음성의 녹음·측정 결과가 아닙니다. 7. Azure Speech와 음성 서비스 설계 마이크로소프트의 Azure Speech는 텍스트를 합성음성으로 바꾸는 기능을 제공합니다. 공식 문서는 신경망 음성, SDK와 REST API를 이용한 합성, 음성 콘텐츠 제작 도구 등을 소개합니다. 고객 안내, 문서 낭독처럼 글을 소리로 전달하는 업무에서 활용할 수 있는 기능입니다. 서비스를 사용하는 쪽에서 읽는 방식을 지정하는 도구로는 SSML이 있습니다. 음성합성용 표시 언어로, 문장과 쉼을 표시하거나 발음·말하기 속도·높낮이 등을 조절하는 데 사용합니다. 단어와 문장 정보를 신경망 안에서 처리하는 원리와, 사용자가 출력 방식을 지정하는 기능은 구별해 이해하시면 좋습니다. 이 특허에서 개발팀이 살펴볼 기술적 차이는 입력의 층위와 정보의 결합 지점입니다. 글자나 음소만 입력하는지, 단어에서 학습한 정보를 더하는지, 문법 구조를 어떤 단위로 바꾸는지, 서로 다른 길이를 어떻게 대응시키는지를 순서대로 정리해 보세요. 제품 설계 문서에도 ‘AI가 자연스럽게 읽어 준다’는 결과만 적기보다 입력→중간 표현→정렬→결합→음향 특징→파형의 흐름을 담으면 좋습니다. 어느 부분의 처리가 달라졌는지를 설명하기 쉽고, 발음 재료를 바꾼 개선과 문맥 정보를 활용한 개선을 구별할 수 있습니다. 고객 안내의 내용은 그대로 두면서 소리를 만드는 과정을 개선하려는 팀이라면, 단어와 문장의 정보를 어떤 형태로 음성 모델에 전달하는지부터 살펴보시면 좋겠습니다. 눈에 보이는 글과 귀로 듣는 결과 사이의 중간 단계를 구체적으로 설명하는 것이 이 기술을 읽는 핵심입니다. 관련 업무 · 인공지능 특허 티스토리 원문 · 특허 원문 · US12094447B2 함께 읽는 AI 분석: 네이버 파파고 AI 특허 쉽게 읽기: 움직이는 화면에 번역문을 맞추는 원리 · 바이두 AI 특허 쉽게 읽기: 모델 답변과 검색 지식이 충돌할 때 RAG가 처리하는 방법 이 글은 표시된 게시일을 기준으로 작성된 자료입니다. 개별 사안에 대한 검토는 상담을 통해 안내합니다. 관련 업무 상담 ↗ 전체 글 보기 ON THIS PAGE 1. 글이 같아도 들리는 안내는 달라집니다 2. 음소·단어·문장이 담는 정보 3. 단어와 문장 구조를 읽기 재료로 만듭니다 4. 길이가 다른 정보를 같은 위치에 맞춥니다 5. 정보를 모아 음향 특징과 파형을 만듭니다 6. 가상 쇼핑몰의 출고 안내 예시 7. Azure Speech와 음성 서비스 설계 TALK TO IPLEX 우리 기업에 맞는 IP 전략이 필요하다면 기술과 사업의 상황에 맞춰 필요한 업무를 함께 살펴봅니다. ↗ 상담 문의 최근 글 인도 HK Acharya & Company의 IPLEX 방문 ↗ 이전 글 디자인권 무효와 소의 이익 ↗ 함께 읽을 인사이트 인공지능 2026.10.29 문맥에 따라 기억을 나누는 SwiLA 고정 크기 기억을 여러 회귀 성분으로 나누는 Switching Linear Attention의 구조, 회상 성능과 처리량 실험, 적용상 한계를 살펴봅니다. ↗ 본문 읽기 인공지능 2026.10.27 긴 추천 이력을 빠르게 읽는 GBLA GBLA의 국소 혼합·키 게이트·출력 게이트와 하이브리드 인코더, 추천 품질 및 단일 층·전체 학습 속도 결과를 분석합니다. ↗ 본문 읽기 인공지능 2026.10.22 초안의 정보 통로를 넓힌 DFlare DFlare의 층별 특징 융합·KV 투영 분리·위치별 손실 학습을 실험 조건과 한계에 맞춰 분석합니다. ↗ 본문 읽기

- https://www.iplexlaw.co.kr/
- https://www.iplexlaw.co.kr/%EC%9D%B8%EC%82%AC%EC%9D%B4%ED%8A%B8-%EB%B0%8F-%EB%89%B4%EC%8A%A4/category/ai
- https://www.iplexlaw.co.kr/ko/ai-patents
- https://iplexlaw.tistory.com/13
- https://image-ppubs.uspto.gov/dirsearch-public/print/downloadPdf/12094447
- https://www.iplexlaw.co.kr/ko/blog/naver-papago-ar-image-translation
- https://www.iplexlaw.co.kr/ko/blog/baidu-rag-knowledge-conflict-resolution
- https://www.iplexlaw.co.kr/%EC%97%B0%EB%9D%BD%ED%95%98%EA%B8%B0
- https://www.iplexlaw.co.kr/%EC%9D%B8%EC%82%AC%EC%9D%B4%ED%8A%B8-%EB%B0%8F-%EB%89%B4%EC%8A%A4
- https://www.iplexlaw.co.kr/ko/blog/microsoft-multilevel-tts#article-13-ko-0
- https://www.iplexlaw.co.kr/ko/blog/microsoft-multilevel-tts#article-13-ko-1
- https://www.iplexlaw.co.kr/ko/blog/microsoft-multilevel-tts#article-13-ko-2
- https://www.iplexlaw.co.kr/ko/blog/microsoft-multilevel-tts#article-13-ko-3
- https://www.iplexlaw.co.kr/ko/blog/microsoft-multilevel-tts#article-13-ko-4
- https://www.iplexlaw.co.kr/ko/blog/microsoft-multilevel-tts#article-13-ko-5
- https://www.iplexlaw.co.kr/ko/blog/microsoft-multilevel-tts#article-13-ko-6
- https://www.iplexlaw.co.kr/%EC%97%B0%EB%9D%BD%ED%95%98%EA%B8%B0
- https://www.iplexlaw.co.kr/ko/blog/visit-hk-acharya-2026
- https://www.iplexlaw.co.kr/ko/blog/brunch-case-1888
- https://www.iplexlaw.co.kr/ko/blog/swila-switching-linear-attention
- https://www.iplexlaw.co.kr/ko/blog/swila-switching-linear-attention
- https://www.iplexlaw.co.kr/ko/blog/gbla-generative-retrieval
- https://www.iplexlaw.co.kr/ko/blog/gbla-generative-retrieval
- https://www.iplexlaw.co.kr/ko/blog/dflare-block-diffusion-drafting
- https://www.iplexlaw.co.kr/ko/blog/dflare-block-diffusion-drafting