음성을 자유롭게 수정하고 제어하는 모듈 English/영어
학습 내용의 출처는 FutureSkill의 Contents입니다.
[목소리를 변형하는 모듈]을 통해 목소리를 자유 자재로 변형하거나 제어해보자. 본 파일은 학습 내용, 과정 및 결과를 꼼꼼히 정리해둔 하나의 리뷰 노트로 보면 된다.
- [최종] 입력 음성에 원하는 변형을 가한 출력 음성 생성 모듈
- (목표 1) 음성의 요소 이해 및 추출 (크기, 빠르기)
- (목표 2) pyworld vocoder를 이용한 음정 변환
- (목표 3) pysox 모듈을 이용한 빠르기, 감정 변환
- (목표 4) noise, reverb 적용 연습
음성의 여러가지 특징적인 feature들을 이해하고, 그것을 제어할 수 있도록 하는 방법을 이해함으로서 향후 음성 데이터 전처리, augmentation 등 과정을 보다 편하게 진행할 수 있도록 돕는 과정이다. 전체적인 개발은 Google Colab에서 진행했다.
- 음성 데이터 살펴보기
- 음성 데이터 분석하기 (rms, pitch)
- 음성 데이터 분석하기 (timing)
- 음성 데이터 재합성하기 1
- 음성 데이터 재합성하기 2
- Pitch 제어하기 (높낮이)
- Pitch 제어하기 (감정)
- 빠르기 제어하기
- Noise 제어하기
- Reverb 제어하기
- 목소리 변환기 만들기
Last Update: 2021.08.15.
"그는 괜찮은 척 하려고 애쓰는 것 같았다." speech.wav 파일을 재생하면 나오는 음성이다.
음성은 사람이 발성기관을 통해 내는 소리를 의미한다. 넓은 의미의 음성에는 말소리, 노래와 같은 언어적 음성 뿐만 아니라 웃음소리, 기침 소리 같은 비언어적 음성이 포함된다. 언어적 음성, 그 중에서도 일반적인 대화에서 사용되는 음성을 중점적으로 살펴보자. 이번 콘텐츠에서 지속적으로 사용할 라이브러리를 정리하면 다음과 같다.
import numpy as np
import librosa
import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import librosa.display나의 경우, Colab에서 음원을 들어보기 위해 아래와 같은 방법을 사용한다. 이후에도 간편하게 활용할 일이 매우 많았다.
import IPython.display as ipd
ipd.Audio('speech.wav')괄호 내부에 듣고자 하는 음원의 경로를 입력하면 output이 예쁘게 출력된다.
먼저 Spectrogram() 함수를 선언한다.
def Spectrogram(wav):
stft = librosa.stft(wav)
stft = np.abs(stft)
return stft이후 librosa library를 활용해 speech.wav 음원을 다운로드해 불러오고,
matplotlib library를 이용해 waveform과 spectrogram을 그려본다.
audio, sr = librosa.load('speech.wav', sr=None)
spectrogram = np.log(Spectrogram(audio)+1e-5)
plt.figure(figsize=(16,9))
plt.subplot(2,1,1)
plt.plot(audio)
plt.xlim([0,len(audio)])
plt.title('waveform')
plt.subplot(2,1,2)
librosa.display.specshow(spectrogram)
plt.title('spectrogram')
plt.tight_layout()
plt.savefig('example1_output.png')
# plt.close()
waveform은 시간에 따른 압력 정보를 표현한 그래프이므로, 어떤 시점에서 마이크로 얼만큼의 압력이 인가되었는지를 알려주고 있는 정보이다.
spectrogram은 이러한 waveform에 Short-time Fourier transform(STFT)을 적용한 결과로, 작은 window로 제한된 시간에 따라 해당 순간에 각 주파수 성분이 얼만큼의 강도로 표현되어있는지를 시각화해서 확인할 수 있는 정보이다. 두 정보 모두 아주 자세한 정보를 포함하고 있는 셈이지만, 우리는 보다 직관적인 정보를 필요로 하는 경우가 있다.
이번엔 우리에게 조금 더 친숙한 개념인, **세기(rms)**와 음정(pitch) 정보를 음원으로부터 출력하는 과정을 진행한다.
**세기(rms)**는 waveform 내부에서 특정 window 안에 있는 모든 압력 값들의 제곱 평균에 root 를 취한 값이다. 일반적으로 우리가 '큰 소리'를 녹음한다면 이 값은 커지는 경향이 있고, 반대로 작은 소리는 작은 경향이 있다. librosa.feature.rms 함수를 통해 계산이 가능하다.
**음정(pitch)**은 발화에 포함되어있는 시간에 따른 음의 높낮이를 의미한다. 높은 음일수록 높은 주파수라고 생각하면 된다. pyworld 라이브러리를 통해 pitch sequence를 출력할 수 있다.
먼저 pyworld library가 필요하다.
!pip install pyworldpyworld를 설치한 후 코드는 다음과 같다.
import pyworld as pw
audio, sr = librosa.load('speech.wav', sr=None)
spectrogram = np.log(np.abs(librosa.core.stft(audio))+1e-5)
audio = np.asarray(audio, dtype='float64')
_f0, t = pw.dio(audio, sr) # raw pitch extractor
f0 = pw.stonemask(audio, _f0, t, sr) # pitch refinement
rms = librosa.feature.rms(audio)
plt.figure(figsize=(16,9))
plt.subplot(4,1,1)
plt.plot(audio)
plt.xlim([0,len(audio)])
plt.title('waveform')
plt.subplot(4,1,2)
librosa.display.specshow(spectrogram)
plt.title('spectrogram')
plt.subplot(4,1,3)
plt.plot(rms[0])
plt.xlim([0,len(rms[0])])
plt.title('rms')
plt.subplot(4,1,4)
plt.plot(f0)
plt.xlim([0,len(f0)])
plt.title('pitch')
plt.tight_layout()
plt.savefig('example2_output.png')
plt.close()
앞선 예제를 통해서 우리는 주어진 음성에서 각 시간에 따른 파형, spectrogram, rms, pitch 정보를 출력하는 방법을 익혔다. 따라서 음원과 특정 시점이 주어지면, 해당 시점에서 여러가지 정보들을 파악할 수 있게 되었다.
그렇다면 '시점' 자체에 대한 정보는 어떻게 파악할 수 있을까? 예컨데 주어진 음원은 "그는 괜찮은척 하려고 애쓰는것 같았다." 라는 문자열을 발화하고 있는데, 이 중 그 나 괜 이 몇 초부터 시작되는지는 어떻게 파악할 수 있을까?
사실 음성으로부터 그에 포함된 언어적 표현에 대한 정보를 추측해내는 것은 Speech-to-text, Automatic Speech Recognition, Speech-Text Alignment 등 다양한 이름과 분야로 연구되고있는 쉽지 않은 주제이다. 그러나 우리는 가장 간단한 접근법 중 하나로, 주어진 시퀀스에서 어떤 새로운 event가 등장한 onset 시점을 판단해보는 실험을 해볼 수 있다.
onset은 'the beginning of a musical note or other sound' 으로 정의될 수 있으며, librosa 라이브러리에서는 waveform 으로부터 onset이 등장했을법한 시점을 계산해주는 onset_detect 함수를 제공하고 있다.
일단 onset을 찾은 후 matplotlib을 활용해 plot에 선을 그어 구분했다.
import soundfile as sf # 오디오파일 생성을 위한 library
audio, sr = librosa.load('speech.wav', sr=None)
onsets = librosa.onset.onset_detect(audio, sr=44100, hop_length=512)
onsets = librosa.frames_to_time(onsets, sr=44100, hop_length=512)
# print(onset_times) # 확인용
plt.figure(figsize=(16,9))
plt.subplot(2,1,1)
plt.plot(audio)
plt.xlim([0,len(audio)])
for item in onsets:
plt.axvline(x=(int)(item*sr), c='r')
# print(item) # 확인용
# 세로 선을 x 위치에 그려주는 함수.
plt.title('waveform')
plt.subplot(2,1,2)
librosa.display.specshow(spectrogram)
for item in onsets:
plt.axvline(x=(int)(item*sr)/512, c='r')
plt.title('spectrogram')
plt.tight_layout()
plt.savefig('example3_output.png')
plt.close()
for i in range(len(onsets[:-1])):
sf.write('example3_output_'+str(i).zfill(2)+'.wav', audio[(int)(onsets[i]*sr):(int)(onsets[i+1]*sr)], sr)
위 코드로 생성된 16개의 음원을 들어보면 그, 는, 괜, 찮, 은, ... 정확하지는 않지만 어느 정도 음절마다 끊겨서 저장된 것을 확인할 수 있다.
앞선 일련의 예제를 통해서 우리는 주어진 음성으로 부터 여러 feature를 '추출' 하는 방법을 익혔다. 하지만 우리의 최종 목표는 변형된 음성을 '생성'해내는 모듈을 디자인하는 것이다.
일반적으로 목소리를 변형시키는 과정은 아래와 같이 생각해볼 수 있다.
음성 → (1)feature 추출 → (2)feature 변형 → (3)feature 재합성 → 변형된 음성
현재까지 우리는 (1)에 해당하는 과정을 진행했으며, 성공적인 모듈 디자인을 위해서는 (2)와 (3)에 대해서 파악해야 한다.
(1)feature 추출과 (3)feature 재합성이 가능하기 위해서는 추출 연산의 역과정이 정의될 수 있어야 한다. 대표적으로 Short time fourier transform은 Inverse short time fourier transform을 정의할 수 있는 변형이기 때문에 reconstruction이 가능하다.
audio, sr = librosa.load('speech.wav', sr=None)
spectrogram = librosa.core.stft(audio)
audio_recon = librosa.istft(spectrogram, hop_length=512)
sf.write('speech_recon.wav', audio_recon, sr)위와 같이 주어진 음원에서 Spectrogram을 추출하고, 해당 Spectrogram을 통해 다시 복원된 wave를 생성하여 저장할 수 있다.
Short time fourier transform으로 변형된 feature에는 우리가 원하는 feature 변형의 과정을 진행하기가 쉽지 않다. 예컨데 음정을 올리고 싶은 경우, 우리는 STFT feature에 어떠한 변환과정을 진행해야 하는지 판단하기 어렵다. 이런 한계점을 극복하기 위해서 우리는 pyworld vocoder를 활용할 수 있다.
pyworld vocoder는 world vocoder의 python 버전 구현체이며, 논문에 따르면 주어진 waveform을 세개의 feature (Fundamental frequency, Spectral Envelope, Aperiodic parameter)로 분리하는 세개의 알고리즘과, 이 세개의 feature를 다시 waveform으로 합성하는 synthesis 알고리즘으로 구성되어있다.
따라서 우리는 이 추출-재합성 알고리즘을 사용하면, pitch 정보를 원하는대로 변형한 재합성이 가능하다.
pyworld 라이브러리를 활용하여 주어진 음원에서 f0, spectral envelope, aperiodic parameter를 추출하여 그림을 그리고, 이를 재합성해서 reconstructed wave를 생성해보자.
import pyworld as pw
audio, sr = librosa.load('speech.wav', sr=None, dtype='float64')
# raw pitch extractor
_f0, t = pw.dio(audio, sr)
# pitch refinement
f0 = pw.stonemask(audio, _f0, t, sr)
# extract smoothed spectrogram
sp = pw.cheaptrick(audio, _f0, t, sr)
# extract aperiodicity
ap = pw.d4c(audio, f0, t, sr)
y = pw.synthesize(f0, sp, ap, sr)
sf.write('speech_recon_pyworld.wav', y, sr)
plt.figure(figsize=(16,9))
plt.subplot(4,1,1)
plt.plot(audio)
plt.xlim([0,len(audio)])
plt.title('waveform')
plt.subplot(4,1,2)
librosa.display.specshow(np.log(sp.T+1e-5))
plt.title('sp')
plt.subplot(4,1,3)
librosa.display.specshow(np.log(ap.T+1e-5))
plt.title('ap')
plt.subplot(4,1,4)
plt.plot(f0)
plt.xlim([0,len(f0)])
plt.title('pitch')
plt.tight_layout()
plt.savefig('example4_output.png')
plt.close()
추출-재합성 과정에서 힘든 부분이 있을 경우 pyworld document를 참고하면 큰 도움이 된다.
Pitch는 1초에 몇 번 진동하는지에 대한 Hz 단위로 표시가 가능하고, 우리가 음악에서 말하는 한 키, 한 옥타브 등의 단위로도 표현이 가능하다. 1 옥타브 높은 음은 원래 주파수의 2배의 주파수 값을 가지며, 한 옥타브는 12개의 음계로 이루어져 있다. 이를 활용하면 다음과 같은 코드를 작성할 수 있다.
def key_change(audio, key):
_f0, t = pw.dio(audio, sr)
f0 = pw.stonemask(audio, _f0, t, sr)
f0 = f0 + (f0 * key / 12)
# 한 옥타브 차이는 주파수 두 배 차이이며, 옥타브는 12개의 음계로 이루어져있다.
# 따라서 기존 주파수 f0에, f0을 열두개로 나눈 음계를 'key'만큼 더해주면 된다.
sp = pw.cheaptrick(audio, f0, t, sr)
ap = pw.d4c(audio, f0, t, sr)
y = pw.synthesize(f0, sp, ap, sr)
return y
sf.write('speech_up1.wav', key_change(audio, 1), sr)
sf.write('speech_up2.wav', key_change(audio, 2), sr)
sf.write('speech_up3.wav', key_change(audio, 3), sr)
sf.write('speech_down1.wav', key_change(audio, -1), sr)
sf.write('speech_down2.wav', key_change(audio, -2), sr)
sf.write('speech_down3.wav', key_change(audio, -3), sr)생성된 파일을 들어보면 음성이 마치 노래방에서 키를 올리고 내린 것처럼 조절된 것을 확인할 수 있다.
이와 같이 우리는 pyworld vocoder를 통해 주어진 음원으로부터 pitch 정보를 제어할 수 있다. 즉 음원 y에서 f0 를 추출하고, 이를 원하는 대로 변형한 f0' 을 생성한 후, f0', sp, ap 를 통해 y' 을 재합성해내는 과정을 진행할 수 있다.
우리는 주어진 음원에서 전체적으로 음고를 높이거나 낮추는 방법에 대해 알아보았다. 더 나아가서 이를 활용하면 특정 영역에서만 높이고 낮추는 것도 가능할 것이다. 이러한 확장을 넘어서, 이번에는 pitch 전체의 분포를 변형시켜 보는 과정을 진행하고자 한다. 우리가 pyworld를 통해서 얻어낸 pitch들은 시간에 따라 값이 변화하는 sequential 한 데이터이며, 여러개의 데이터의 집합으로 이루어져 있다.
그렇다면 이 데이터에는 평균적인 pitch가 존재할 것이고, 이 평균으로부터 전체 데이터가 얼마나 멀리 떨어져있는지에 대한 분산 또한 존재할 것이다. 앞선 문제에서는 분산은 고정시킨 채, 평균 값을 변화시킴으로서 목소리의 높낮이를 조정했던 것이라고 이해할 수 있다. 그렇다면, 분산을 변화시켰을 때는 어떤 변화가 일어날까?
def std_change(audio, alpha):
_f0, t = pw.dio(audio, sr)
f0 = pw.stonemask(audio, _f0, t, sr)
mean = np.mean(f0[np.nonzero(f0)])
std = np.std(f0[np.nonzero(f0)])
f0[np.nonzero(f0)] -= mean
f0[np.nonzero(f0)] /= 1
f0[np.nonzero(f0)] *= alpha
f0[np.nonzero(f0)] += mean
sp = pw.cheaptrick(audio, f0, t, sr)
ap = pw.d4c(audio, f0, t, sr)
y = pw.synthesize(f0, sp, ap, sr)
return y
sf.write('speech_up_std.wav', std_change(audio, 2.0), sr)
sf.write('speech_down_std.wav', std_change(audio, 0.5), sr)간단하게 생각해본다면, 분산이 더 커지는 경우 데이터 간 변화가 더욱 커지게 되므로 조금 더 활기찬, 혹은 흥분된 목소리로, 분산이 더 작아질 경우에는 밋밋하고 변화가 없는 단조로운 목소리로 만들 수 있을 것이다.
앞선 예제들을 통해서 주어진 오디오로부터 추출된 음고 정보를 변형한 새로운 목소리를 생성하는 것에 대해 알아보았다. 이번엔 새로운 library인 sox를 활용하여 음고 뿐만 아니라 빠르기, 세기 등 다양한 변환을 sequential 하게 처리하는 모듈을 디자인해보고자 한다.
옛날에 카세트 테이프를 '빨리 감기' 해서 들어본 적이 있을 것이다. 일반적으로 동영상을 배속 재생해도 그렇다. 남자 목소리가 빨라진 속도만큼 얇아져서 마치 여자 목소리처럼 들리는 경우가 있다. 이는 속도가 변하면서 음정이 함께 변한 것이다. 이승철 노래를 0.8배속 정도로 들으면 박명수 목소리가 나더라
주어진 음원의 속도를 변화시키는 방법은 크게 두 가지로 나눌 수 있다. 하나는 음정을 고정한 채 빠르기만 변화시키고, 다른 하나는 음정과 빠르기가 함께 변화하는 것이다.
pysox module의 transformer documentation 을 참고하여 함수를 만들어 보자. 먼저 sox를 설치해준다.
! apt-get install libsox-fmt-all
! apt-get install sox
! pip install sox이후 두 가지 변환에 대한 함수를 각각 만들어준다. 중간에 주석으로 둔 부분(out을 정의하고 반환하는 부분)은 나중에 전체 목소리 변환기를 만들 때 다시 주석 해제해주면 된다.
import sox
def speed_sox(audio, rate):
tfm = sox.Transformer() # 변환 모듈 선언
tfm.speed(rate)
# out = tfm.build_array(input_array=audio, sample_rate_in=sr)
# return out
tfm.build_file(output_filepath= 'speech_speed_' + (str)(rate) + '.wav', input_array=audio, sample_rate_in=sr)
def tempo_sox(audio, rate):
tfm = sox.Transformer()
tfm.tempo(rate)
# out = tfm.build_array(input_array=audio, sample_rate_in=sr)
# return out
tfm.build_file(output_filepath= 'speech_tempo_' + (str)(rate) + '.wav', input_array=audio, sample_rate_in=sr)
speed_sox(audio, 0.8)
speed_sox(audio, 1.2)
tempo_sox(audio, 0.8)
tempo_sox(audio, 1.2)위와 같이 주어진 음원의 속도를 변화시키는 두개의 변환을 찾아 각각을 적용하는 함수를 작성할 수 있다.
지금까지 우리는 주어진 음원의 음정, 빠르기를 변환하는 방법을 알아보았다. 이번에는 신호 자체를 넘어서 신호에 gaussian 노이즈를 더해보고자 한다. 이는 향후 응용하고자 하는 task별로 상이할 수 있지만, 모델을 보다 강인하게 만드는 augmentation 방법으로도 활용할 수 있다. noise는 np.random.normal을 활용하여 생성한다.
def add_noise(audio, rate):
noise = np.random.normal(0, 1, 155520) # size를 기존 음원과 동일하게 줘야함
return audio + rate*noise
sf.write('speech_noise_0.01.wav', add_noise(audio, 0.01), sr)
sf.write('speech_noise_0.1.wav', add_noise(audio, 0.1), sr)noise의 mean 과 std는 각각 0, 1로 설정하고, 정도를 조절할 수 있는 파라미터를 함께 입력받도록 하여 다양한 수준의 SNR 레벨을 가진 음원을 생성해볼 수 있다.
8번까지 우리는 신호 자체를 변환하는 방법을 알아보았다. 9번에서는 신호에 노이즈를 더해주었다. 노이즈를 더해주었던 것과 유사하게, impulse reponse 를 적용해서 리버브를 걸어보는 연습을 해보고자 한다. 또한, reverb 도 augmentation 방법으로 활용할 수 있다.
자연에서 reverb가 생기는 과정은 원본 신호 이외에 공간 등에 반사된 신호가 시간차를 두고 마이크로 수음되어 더해지는 과정이라고 생각하면 된다. 그리고 이를 실험적으로 모델링하기 위해서는, 특정 공간에 대한 impulse response를 생성(혹은 취득)한 뒤, 해당 response를 원본 신호에 convolve 하는 방법을 사용할 수 있다. 이 때 impulse response는 해당 공간에서 impulse 를 발생시켰을 때 마이크로 수음되는 소리를 의미한다.
주어진 impulse는 reverb.wav를 사용한다.
import scipy
audio, sr = librosa.load('/content/speech.wav')
reverb, sr = librosa.load('/content/reverb.wav')
def apply_reverb(audio, reverb):
out = scipy.signal.convolve(audio, reverb)
return out
sf.write('speech_reverb.wav', apply_reverb(audio, reverb), sr)핵심은 speech 신호에 convolution 연산을 적용하는 것이다. scipy.signal.convolve를 참고해 보자. output을 들어보면 확실히 소리에 reverb가 반영된 것을 알 수 있다.
지금까지 배웠던 내용을 하나의 함수로 작성해보는 과정이다. 입력 조건을 정리하면 다음과 같다.
pitch: pitch를 몇 키 높일지/낮출지 결정하는 입력pitch_var: pitch variance를 몇배로 늘릴지/줄일지 결정하는 입력tempo: 몇배 빠르게/느리게 재생할지 결정하는 입력change: 목소리를 변화시킬지 아닐지 결정하는 입력noise: noise 를 얼마나 더할지 결정하는 입력reverb: reverb 를 걸지 말지 결정하는 입력
def voice_changer(audio_path, pitch, pitch_var, tempo, change, noise, reverb):
audio, sr = librosa.load(audio_path, sr=22050, dtype='float64')
ir, sr = librosa.load('/content/00x00y.wav', sr = sr)
audio = std_change(audio, pitch_var) # 분산 조절
audio = key_change(audio, pitch) # 높낮이 조절
if change :
audio = speed_sox(audio, tempo) # 빠르기(pitch 포함) 조절
else :
audio = tempo_sox(audio, tempo) # 빠르기(pitch 제외) 조절
audio = add_noise(audio, noise) # noise 조절
if reverb:
audio = apply_reverb(audio, ir) # reverb 조절
return audio
out = voice_changer('/content/speech.wav', 1.2, 0.5, 0.7, False, 0.01, False)
sf.write('output.wav', out, sr)기본 sample rate를 44100으로 두고 했더니 변형이 제대로 되지 않아서 22050으로 바꾸었더니 동일한 사운드를 확인할 수 있었다. (but why?)
그리고 speed_sox와 tempo_sox 같은 경우 기존에 만들었던 함수는 파일을 생성하기만 하기 때문에 조금 수정하여 아래와 같이 return 값을 만들어주었다. 앞서 말했듯 out에 대한 주석만 해제하면 된다.
import sox
def speed_sox(audio, rate):
tfm = sox.Transformer()
tfm.speed(rate)
out = tfm.build_array(input_array=audio, sample_rate_in=sr) # build_file 대신 build_array를 사용하여 반환값 생성
return out
# tfm.build_file(output_filepath= 'speech_speed_' + (str)(rate) + '.wav', input_array=audio, sample_rate_in=sr)
def tempo_sox(audio, rate):
tfm = sox.Transformer()
tfm.tempo(rate)
out = tfm.build_array(input_array=audio, sample_rate_in=sr)
return out
# tfm.build_file(output_filepath= 'speech_tempo_' + (str)(rate) + '.wav', input_array=audio, sample_rate_in=sr)마지막으로 음원에 효과를 더할 때마다 음원 자체의 size가 달라져서 noise 연산이 막히는 문제를 확인했다. 따라서 np.random.normal 내부 size 변수를 유동적으로 바꾸어 주었다.
def add_noise(audio, rate):
noise = np.random.normal(0,1, np.size(audio))
return audio + rate*noise
sf.write('speech_noise_0.01.wav', add_noise(audio, 0.01), sr)
sf.write('speech_noise_0.1.wav', add_noise(audio, 0.1), sr)주어진 음원을 이루고 있는 다양한 인지적인 요소들에 대해 파악하고, 그것들 중 제어할 수 있는것에 대해 변형을 수행하는 모듈을 만들어보았다. 학습 과정에서 다룬 요소들을 제외하고도 언어적 특징, 음색, 더욱 복합적인 감정 및 비언어적 표현 등을 구현하는 다양한 정보들이 존재하며, 이는 조금 더 복잡하고 정교한 모델링을 통해 이해하고 제어할 수 있다고 한다.
학습을 진행하며 몇몇 문제의 경우 document를 참고하고도 풀리지 않거나, 왜 이렇게 되는 건지 알 수 없어서 한 문제에 며칠씩 매달린 경우도 있었지만, 결국 그렇게 어려운 것이 아니라 한 두 단계의 응용만 거치면 해결할 수 있는 것이었다.
결국 FutureSkill 플랫폼 사용자 전체 중 본 컨텐츠를 최초로 완주할 수 있었다. 이전부터 오디오 프로세싱에 관심이 많았지만 어떻게 접근해야할지 몰랐는데 문제를 하나씩 풀어가며 다양한 documents를 참고하는 과정에서 많은 것을 배웠다. 정말 좋은 경험이었다. 소중한 컨텐츠 제공해주신 이주헌 크리에이터님께 감사의 말씀 꼭 전해드리고 싶다.
- Future Skill, 이주헌 크리에이터