Nghiên Cứu Tổng Hợp Giọng Nói Cho Ngôn Ngữ Thiếu Tài Nguyên: Ứng Dụng Đặc Biệt Cho Ngôn Ngữ Mường

Nghiên cứu tổng hợp tiếng nói cho ngôn ngữ ít nguồn tài nguyên, ứng dụng thích nghi cho tiếng Mường, mở ra hướng phát triển mới trong công nghệ.

• Tác giả: Pham Van Dong
• Người hướng dẫn: Dr. Mạc Đăng Khoa
• Trường học: Hanoi University of Science and Technology
• Chuyên ngành: Speech Synthesis
• Đề tài: Công Nghệ Tổng Hợp Giọng Nói Cho Ngôn Ngữ Thiếu Tài Nguyên: Ứng Dụng Cho Ngôn Ngữ Mường
• Loại tài liệu: thesis
• Năm xuất bản: 2023
• Địa điểm: Hanoi

Mục lục chi tiết

• DECLARATION OF AUTHORSHIP
• ACKNOWLEDGMENT
• ABSTRACT
• CONTENT
• 1. PART 1: BACKGROUND AND RELATED WORKS
• 1.1. OVERVIEW OF SPEECH SYNTHESIS AND SPEECH SYNTHESIS FOR LOW-RESOURCED LANGUAGE
• 1.2. VIETNAMESE AND MUONG LANGUAGE
• 2. PART 2: SPEECH SYNTHESIS FOR MUONG AS A WRITTEN LANGUAGE
• 2.1. EMULATING OF THE MUONG TTS BASED ON INPUT TRANSFORMATION OF THE VIETNAMESE TTS
• 2.2. CROSS-LINGUAL TRANSFER LEARNING FOR MUONG SPEECH SYNTHESIS
• 3. PART 3: SPEECH SYNTHESIS FOR MUONG AS AN UNWRITTEN LANGUAGE
• 3.1. GENERATE UNWRITTEN LOW-RESOURCED LANGUAGE’S SPEECH DIRECTLY FROM RICH-RESOURCE LANGUAGE’S TEXT
• 3.2. SPEECH SYNTHESIS FOR UNWRITTEN LOW-RESOURCED LANGUAGE USING INTERMEDIATE REPRESENTATION
• 3.3. Conclusion and comparison
• CONCLUSION AND FUTURE WORKS
• ABBREVIATIONS
• LIST OF TABLES
• LIST OF FIGURES

Tóm tắt

I. Tổng Quan Công Nghệ Tổng Hợp Giọng Nói TTS Cho Ngôn Ngữ Mường

Công nghệ tổng hợp giọng nói (TTS), hay còn gọi là Text-to-Speech, là quá trình tự động chuyển đổi văn bản thành lời nói. Thông thường, để xây dựng hệ thống TTS chất lượng cao, cần thu thập hàng chục giờ thu âm từ giọng nói của người đọc chuyên nghiệp, sử dụng micro chất lượng cao. Hiện nay có khoảng 7.000 ngôn ngữ trên toàn thế giới, nhưng chỉ một số ít, như tiếng Anh, tiếng Tây Ban Nha, tiếng Quan Thoại và tiếng Nhật, được sử dụng hiệu quả trong các hệ thống TTS. Những ngôn ngữ "ít tài nguyên" hoặc thậm chí chưa có chữ viết, thường thiếu các hệ thống TTS. Vì vậy, việc nghiên cứu các phương pháp TTS khác là cần thiết để áp dụng công nghệ này cho các ngôn ngữ ít tài nguyên. Nghiên cứu của Pham Van Dong tập trung vào việc phát triển công nghệ TTS cho tiếng Mường, một ngôn ngữ ít tài nguyên ở Việt Nam. Mục tiêu là tạo ra một hệ thống TTS có khả năng chuyển đổi văn bản (hoặc biểu diễn trung gian) thành lời nói tự nhiên bằng tiếng Mường.

1.1. Giới Thiệu Khái Niệm Tổng Hợp Giọng Nói Text to Speech

Tổng hợp giọng nói (TTS) là công nghệ chuyển đổi văn bản thành lời nói, đóng vai trò quan trọng trong tương tác người-máy. Các hệ thống tương tác bằng giọng nói hiện đại như Siri, Google Assistant và Alexa đều dựa vào TTS để giao tiếp với người dùng. Để xây dựng một hệ thống TTS hiệu quả, cần nghiên cứu không chỉ các kỹ thuật xử lý giọng nói mà còn cả ngôn ngữ học, bao gồm ngữ âm, âm vị học, cú pháp và ngữ pháp. Sự phát triển của TTS cho phép người dùng tương tác với thiết bị bằng giọng nói một cách tự nhiên, mở ra nhiều ứng dụng trong các lĩnh vực khác nhau.

1.2. Vấn Đề Với Ngôn Ngữ Thiếu Tài Nguyên Trong Tổng Hợp Giọng Nói

Trong số hàng ngàn ngôn ngữ trên thế giới, chỉ một số ít có đủ nguồn lực để phát triển hệ thống TTS chất lượng cao. Các ngôn ngữ "ít tài nguyên" thường thiếu dữ liệu văn bản và giọng nói, cũng như các nghiên cứu ngôn ngữ học liên quan. Điều này gây ra những thách thức lớn trong việc xây dựng các hệ thống TTS cho các ngôn ngữ này. Các phương pháp machine learning dựa trên dữ liệu lớn không thể áp dụng trực tiếp cho các ngôn ngữ ít tài nguyên, đặc biệt là những ngôn ngữ chưa có chữ viết. Vì vậy, cần có các phương pháp tiếp cận khác để giải quyết vấn đề này. Nghiên cứu của Pham Van Dong nhắm đến việc giải quyết vấn đề này bằng cách phát triển các phương pháp TTS phù hợp cho tiếng Mường.

II. Thách Thức Xây Dựng TTS Cho Tiếng Mường Giải Pháp Đột Phá

Tiếng Mường là một ngôn ngữ thuộc ngữ hệ Nam Á, có quan hệ gần gũi với tiếng Việt và là một trong năm nhóm dân tộc có dân số lớn nhất ở Việt Nam. Tuy nhiên, tiếng Mường vẫn chưa có chữ viết chính thức, là một đại diện điển hình của ngôn ngữ ít tài nguyên ở Việt Nam. Vì vậy, việc nghiên cứu các công nghệ TTS để tạo ra TTS cho tiếng Mường là một thách thức lớn. Thách thức này đến từ sự khan hiếm dữ liệu, thiếu nguồn tài liệu ngôn ngữ và các đặc điểm ngữ âm phức tạp của tiếng Mường. Nghiên cứu của Pham Van Dong khám phá các phương pháp khác nhau để vượt qua những thách thức này, bao gồm sử dụng TTS tiếng Việt hiện có để mô phỏng tiếng Mường và áp dụng các kỹ thuật transfer learning.

2.1. Đặc Điểm Ngôn Ngữ Tiếng Mường Và Sự Thiếu Hụt Tài Nguyên

Tiếng Mường, một ngôn ngữ thuộc ngữ hệ Nam Á, chia sẻ nhiều điểm tương đồng với tiếng Việt, nhưng vẫn còn thiếu các nguồn tài nguyên cần thiết để phát triển các ứng dụng công nghệ ngôn ngữ, đặc biệt là TTS. Sự thiếu hụt này bao gồm dữ liệu văn bản, dữ liệu âm thanh và các nghiên cứu ngôn ngữ học chi tiết. Do đó, việc xây dựng một hệ thống TTS cho tiếng Mường đòi hỏi các phương pháp tiếp cận sáng tạo và hiệu quả để tận dụng tối đa các nguồn lực hạn chế hiện có. Nghiên cứu này của Pham Van Dong tập trung vào việc giải quyết vấn đề này.

2.2. Các Phương Pháp Tiếp Cận Ban Đầu Mô Phỏng và Chuyển Giao Học Tập

Để vượt qua những thách thức về tài nguyên, nghiên cứu của Pham Van Dong đã khám phá hai phương pháp chính: mô phỏng và chuyển giao học tập. Phương pháp mô phỏng sử dụng hệ thống TTS tiếng Việt hiện có để tạo ra giọng nói tiếng Mường bằng cách chuyển đổi văn bản tiếng Mường thành văn bản tiếng Việt tương ứng. Phương pháp chuyển giao học tập tận dụng kiến thức đã học được từ dữ liệu tiếng Việt để huấn luyện một mô hình TTS cho tiếng Mường. Cả hai phương pháp đều có những ưu điểm và hạn chế riêng, và nghiên cứu này đánh giá hiệu quả của từng phương pháp trong việc tạo ra giọng nói tiếng Mường chất lượng cao.

III. Giải Pháp TTS Cho Tiếng Mường Chuyển Đổi Văn Bản Giọng Nói

Nghiên cứu này tập trung vào hai nhóm ngôn ngữ ít tài nguyên chính: (1) Ngôn ngữ có chữ viết: Sử dụng phương pháp mô phỏng để giả lập cách đọc tiếng Mường bằng cách sử dụng TTS tiếng Việt và transfer learning đa ngôn ngữ. (2) Ngôn ngữ không có chữ viết: Thử nghiệm với adaptation theo hai hướng. Thứ nhất là tạo ra tổng hợp giọng nói tiếng Mường trực tiếp từ văn bản tiếng Việt và giọng nói tiếng Mường. Thứ hai là tạo ra tổng hợp giọng nói tiếng Mường từ bản dịch thông qua biểu diễn trung gian. Các giải pháp này đều hướng đến mục tiêu tạo ra một hệ thống TTS hiệu quả cho tiếng Mường, bất kể có chữ viết hay không.

3.1. TTS Dựa Trên Mô Phỏng và Chuyển Giao Học Tập Đa Ngôn Ngữ

Với tiếng Mường có chữ viết (ví dụ, phương ngữ Hòa Bình), nghiên cứu sử dụng phương pháp mô phỏng, tận dụng hệ thống TTS tiếng Việt hiện có. Văn bản tiếng Mường được chuyển đổi thành văn bản tiếng Việt tương ứng, sau đó được đưa vào hệ thống TTS tiếng Việt để tạo ra giọng nói. Ngoài ra, transfer learning đa ngôn ngữ cũng được áp dụng để cải thiện chất lượng giọng nói bằng cách tận dụng dữ liệu từ các ngôn ngữ khác. Phương pháp này giúp giảm bớt nhu cầu về dữ liệu tiếng Mường, đồng thời tận dụng các nguồn tài nguyên hiện có.

3.2. TTS Dựa Trên Adaptation Cho Ngôn Ngữ Không Chữ Viết

Đối với tiếng Mường không có chữ viết (ví dụ, phương ngữ Phú Thọ), nghiên cứu tập trung vào phương pháp adaptation. Hai hướng tiếp cận chính được sử dụng: (1) Tạo ra giọng nói tiếng Mường trực tiếp từ văn bản tiếng Việt và dữ liệu giọng nói tiếng Mường. (2) Tạo ra giọng nói tiếng Mường từ bản dịch thông qua biểu diễn trung gian. Hướng tiếp cận thứ hai cho phép mô hình học được mối quan hệ giữa văn bản tiếng Việt và âm thanh tiếng Mường, từ đó tạo ra giọng nói tiếng Mường tự nhiên hơn.

IV. Ứng Dụng TTS Tiếng Mường Kết Quả Thực Nghiệm Và Đánh Giá MOS

Nghiên cứu thực hiện các thử nghiệm khác nhau trong việc tạo ra TTS cho ngôn ngữ ít tài nguyên; cụ thể, thử nghiệm với tiếng Mường. Các thử nghiệm được đánh giá bằng phương pháp MOS (Mean Opinion Score) và ANOVA (Analysis of Variance) để so sánh hiệu quả của các phương pháp khác nhau. Kết quả cho thấy rằng các phương pháp được đề xuất có thể tạo ra giọng nói tiếng Mường có chất lượng chấp nhận được, mở ra tiềm năng ứng dụng trong nhiều lĩnh vực khác nhau.

4.1. Đánh Giá Chất Lượng Giọng Nói Bằng Phương Pháp MOS và ANOVA

Để đánh giá chất lượng của các hệ thống TTS tiếng Mường, nghiên cứu sử dụng phương pháp Mean Opinion Score (MOS), trong đó người tham gia đánh giá mức độ tự nhiên và dễ nghe của giọng nói được tạo ra. Phương pháp Analysis of Variance (ANOVA) được sử dụng để phân tích thống kê kết quả MOS và xác định xem có sự khác biệt đáng kể giữa các phương pháp TTS khác nhau hay không. Kết quả đánh giá MOS và ANOVA cung cấp thông tin quan trọng về hiệu quả của từng phương pháp và giúp xác định các hướng cải thiện trong tương lai.

4.2. Phân Tích Kết Quả MOS So Sánh Các Phương Pháp TTS Tiếng Mường

Kết quả đánh giá MOS cho thấy sự khác biệt về chất lượng giữa các phương pháp TTS tiếng Mường khác nhau. Các phương pháp dựa trên transfer learning thường cho kết quả tốt hơn so với phương pháp mô phỏng đơn giản. Ngoài ra, việc sử dụng biểu diễn trung gian trong phương pháp adaptation cũng giúp cải thiện chất lượng giọng nói. Phân tích kết quả MOS cho phép xác định các phương pháp TTS tiềm năng nhất cho tiếng Mường và cung cấp hướng dẫn cho các nghiên cứu trong tương lai.

V. Kết Luận và Hướng Phát Triển TTS Cho Ngôn Ngữ Thiếu Tài Nguyên

Nghiên cứu này đóng góp vào việc phát triển tổng hợp giọng nói cho các ngôn ngữ ít tài nguyên trên toàn thế giới và đóng góp vào cơ sở phát triển tổng hợp giọng nói cho 53 ngôn ngữ dân tộc thiểu số ở Việt Nam. Kết quả cho thấy tiềm năng của các phương pháp transfer learning và adaptation trong việc tạo ra giọng nói chất lượng cao cho các ngôn ngữ thiếu dữ liệu. Nghiên cứu cũng nhấn mạnh tầm quan trọng của việc bảo tồn và phát huy các ngôn ngữ bản địa thông qua công nghệ.

5.1. Tóm Tắt Các Đóng Góp Chính Của Nghiên Cứu Về TTS Tiếng Mường

Nghiên cứu này đã đóng góp vào việc phát triển TTS cho tiếng Mường bằng cách khám phá các phương pháp transfer learning và adaptation hiệu quả. Các phương pháp này đã được chứng minh là có khả năng tạo ra giọng nói tiếng Mường có chất lượng chấp nhận được, mặc dù có những hạn chế về dữ liệu và tài nguyên. Nghiên cứu cũng cung cấp các đánh giá khách quan về hiệu quả của từng phương pháp, giúp các nhà nghiên cứu và phát triển trong tương lai có thể lựa chọn phương pháp phù hợp nhất cho tiếng Mường.

5.2. Hướng Nghiên Cứu Tương Lai Và Ứng Dụng Tiềm Năng Của TTS Tiếng Mường

Trong tương lai, nghiên cứu có thể tập trung vào việc cải thiện chất lượng giọng nói của hệ thống TTS tiếng Mường bằng cách sử dụng các mô hình học sâu phức tạp hơn và thu thập thêm dữ liệu giọng nói. Ngoài ra, có thể nghiên cứu các ứng dụng tiềm năng của TTS tiếng Mường trong các lĩnh vực như giáo dục, truyền thông và du lịch. Việc phát triển TTS tiếng Mường có thể giúp bảo tồn và phát huy ngôn ngữ này, đồng thời tạo ra các cơ hội mới cho cộng đồng người Mường.

VI. Phương Pháp Tạo Biểu Diễn Trung Gian Cho Ngôn Ngữ Không Chữ Viết

Nghiên cứu đề xuất một phương pháp sử dụng biểu diễn trung gian ở cấp độ âm vị để tạo ra TTS cho các ngôn ngữ không chữ viết. Phương pháp này bao gồm việc chuyển đổi văn bản từ một ngôn ngữ giàu tài nguyên (ví dụ: tiếng Việt) thành một chuỗi các âm vị tiếng Mường, sau đó sử dụng mô hình TTS để tạo ra giọng nói từ chuỗi âm vị này. Phương pháp này giúp vượt qua những khó khăn trong việc thu thập và xử lý dữ liệu văn bản cho các ngôn ngữ không chữ viết.

6.1. Mô Hình Chuyển Văn Bản Tiếng Việt Sang Chuỗi Âm Vị Tiếng Mường

Việc chuyển đổi văn bản tiếng Việt sang chuỗi âm vị tiếng Mường là một bước quan trọng trong phương pháp sử dụng biểu diễn trung gian. Mô hình chuyển đổi này cần phải học được mối quan hệ giữa các từ và cụm từ tiếng Việt với các âm vị tương ứng trong tiếng Mường. Nghiên cứu sử dụng các kỹ thuật machine translation và sequence-to-sequence learning để xây dựng mô hình chuyển đổi này.

6.2. Tạo Giọng Nói Tiếng Mường Từ Chuỗi Âm Vị Bằng Mô Hình TTS

Sau khi có được chuỗi âm vị tiếng Mường, mô hình TTS sẽ sử dụng thông tin này để tạo ra giọng nói. Mô hình TTS cần phải được huấn luyện trên dữ liệu giọng nói tiếng Mường và dữ liệu âm vị tương ứng. Nghiên cứu sử dụng các mô hình TTS dựa trên deep learning để tạo ra giọng nói tự nhiên và dễ nghe.

Trích đoạn nội dung tài liệu

DECLARATION OF AUTHORSHIP I, Pham Van Dong, declare that the dissertation titled “Speech Synthesis for Low- Resourced Languages based on Adaptation Approach: Application to Muong Language” has been entirely composed by myself. I assure you of some points as follows:  This work was done wholly or mainly while in candidature for a Ph. research degree at Hanoi University of Science and Technology.  The work has not been submitted for any other degree or qualifications at Hanoi University of Science and Technology or any other institution.

 Appropriate acknowledgment has been given within this dissertation, where reference has been made to the published work of others.  The dissertation submitted is my own, except where work in the collaboration has been included. The collaborative contributions have been indicated. Hanoi, December 8, 2023 Ph.

Student Pham Van Dong ADVISORS 1. Mac Dang Khoa 2. Tran Do Dat i ACKNOWLEDGMENT Foremost, I would like to express my most sincere and deepest gratitude to my thesis advisors Dr. Mạc Đăng Khoa (Speech Communication Department, MultiLab at MICA), Prof.

TRẦN Đỗ Đạt (The Ministry of Science and Technology, Vietnam) for their continuous support and guidance during my Ph. program, and for providing me with such a severe and inspiring research environment. I am grateful to Dr. Mạc Đăng Khoa for his excellent mentorship, caring, patience, and immense Text-To-Speech (TTS) knowledge.

His advice helped me in all the research and writing of this thesis. I am very thankful to Prof. Đạt for shaping my thesis at the beginning and for their enthusiasm and encouragement. Trần Đỗ Đạt substantially facilitated my Ph.

research, especially when I was a freshman on speech processing and TTS, with his valuable comments on Vietnamese and Muong TTS. I thank all MICA members for their help during my Ph. My sincere thanks to Dr. Nguyen Viet Son, Assoc.

Dao Trung Kien and Dr. Do Thi Ngoc Diep for giving me much support and valuable advice. Thanks to Nguyen Van Thinh, Nguyen Tien Thanh, Dang Thanh Mai, and Vu Thi Hai Ha for their help. I want to thank my Hanoi University of Mining and Geology colleagues for all their support during my Ph.

Special thanks to my family for understanding my hours glued to the computer screen. Hanoi, December 8, 2023 Ph. Student ii ABSTRACT Text-to-speech (TTS) synthesis is the automatic conversion of text into speech. Typically, building high-quality voiceovers requires collecting tens of hours of the voice of a professional speaker with a high-quality microphone.

There are about 7,000 languages spoken worldwide, but only a few languages, such as English, Spanish, Mandarin, and Japanese, are used in good TTS. With so-called "low-resourced languages" or even languages that are not yet written, these languages do not have TTS. Thus, to apply TTS technology to low-resourced language, it is necessary to study other TTS methods. In Vietnam, Vietnamese is the mother tongue and is used the most.

The Muong is a group of the language spoken by the Muong people of Vietnam. They are in the Austroasiatic language family and are closely related to Vietnamese, and Muong is also one of the five ethnic groups with the largest population. However, Muong still needs an official script, a typical representative of the low-resourced language in Vietnam. Therefore, researching TTS technologies to create TTS for the Muong language is challenging.

In the first part of this thesis, we do an overview of TTS. Researching the phonetics of Vietnamese and Muong languages, the thesis has also researched and published some tools to support TTS technology for Vietnamese and Muong languages. In the rest of the thesis, we conduct various experiments in creating TTS for low-resourced language; specifically, we experiment with the Muong language. We focus on two main low-resourced language groups:  Written: We use emulating to simulate the reading of the Muong language using Vietnamese TTS and cross-lingual adaptation transfer-learning.

 Unwritten: We experiment with adaptation in two directions. The first is to create Muong speech synthesis directly from Vietnamese Text and Muong voice. The second is to create Muong speech synthesis from translation through intermediate representation We hope our findings can serve as an impetus to develop speech synthesis for low-resourced languages worldwide and contribute to the basis for speech synthesis development for 53 ethnic minority languages in Viet Nam. Hanoi, December 8, 2023 Ph.

Student iii CONTENT DECLARATION OF AUTHORSHIP. VIII LIST OF TABLES. X LIST OF FIGURES. 1 PART 1 : BACKGROUND AND RELATED WORKS.

OVERVIEW OF SPEECH SYNTHESIS AND SPEECH SYNTHESIS FOR LOW-RESOURCED LANGUAGE. Overview of speech synthesis. Evolution of TTS methods over time. TTS using unit-selection method.

Statistical parameter speech synthesis. Speech synthesis using deep neural networks. Neural speech synthesis. Speech synthesis for low-resourced languages.

TTS using emulating input approach. TTS using the polyglot approach. Speech synthesis for low-resourced language using the adaptation approach. Neural translation model.

Attention in neural machine translation. Statistical machine translation based on phrase. Statistical machine translation problem based on phrase. Translation model and language model.

Decode the input sentence in the translation system. Model for building a statistical translation system. Machine translation through intermediate representation. Speech translation for unwritten low-resourced languages.

Speech synthesis evaluation metrics. Mean Opinion Score (MOS). Mel Cepstral Distortion (MCD). MCD with Dynamic Time Warping (MCD – DTW).

Analysis of variance (Anova). VIETNAMESE AND MUONG LANGUAGE. History of Vietnamese. Vietnamese phonetic system.

Vietnamese syllabus structure. Vietnamese phonetic system. Vietnamese tone system. Overview of Muong people and Muong language.

Viet Muong group. Muong written script. Muong phonetics system. Muong syllable structure.

Muong phoneme system. Muong tone system. Comparison between Vietnamese and Muong. Dicussion and proposal approach.

60 PART 2 : SPEECH SYNTHESIS FOR MUONG AS A WRITTEN LANGUAGE. EMULATING OF THE MUONG TTS BASED ON INPUT TRANSFORMATION OF THE VIETNAMESE TTS. Muong emulating IPA module. Analysis by ANOVA method.

MOS analysis by ANOVA. Intelligibility analysis by ANOVA. CROSS-LINGUAL TRANSFER LEARNING FOR MUONG SPEECH SYNTHESIS. Muong Project‘s data.

Muong fine-tuning data. Graphemes to phonemes. Training the pretrained model using Vietnamese dataset. Finetuned TTS model on Muong datasets.

MOS analysis by ANOVA. 94 PART 3 : SPEECH SYNTHESIS FOR MUONG AS AN UNWRITTEN LANGUAGE. GENERATE UNWRITTEN LOW-RESOURCED LANGUAGE’S SPEECH DIRECTLY FROM RICH-RESOURCE LANGUAGE’S TEXT. Training the speech synthesis system.

MOS analysis by ANOVA. ANOVA analysis in Muong Bi speech synthesis. ANOVA analysis in Muong Tan Son speech synthesis. SPEECH SYNTHESIS FOR UNWRITTEN LOW-RESOURCED LANGUAGE USING INTERMEDIATE REPRESENTATION.

Text to phone translation. Phone to Sound Conversion. Evaluation in Muong Bi and Muong Tan Son. MOS analysis by ANOVA.

ANOVA analysis in Muong Bi speech synthesis. ANOVA analysis in Muong Tan Son speech synthesis. Conclusion and comparison. 128 CONCLUSION AND FUTURE WORKS.

Vietnamese and Muong phonetic. Muong Vietnamese phone mapping. Information of Muong volunteers who participated in the assessment. Speech signal samples of the Muong TTS in chapter 5.

12 vii ABBREVIATIONS Expansion Explanation Abbreviation CART Classification And Regression Tree F0 Fundamental Frequency HMM Hidden Markov Model HTK Hidden markov model A portable toolkit for building and ToolKit manipulating hidden Markov models HTS HMM-based speech synthesis IPA International Phonetic Alphabet MARY Modular Architecture for (TTS) Research on speech sYnthesis MFCC Mel Frequency Cepstral Coefficents ML Maximum Likelihood MLSA Mel Log Spectrum Approximation MOS Mean Opinion Score MSD- Multi-Space probability HMM Distribution HMM NLP Natural Language Processing OCR Optical Character Recognition POS Part-Of-Speech Word class or a lexical category PP Prepositional Phrase PSOLA Pitch Synchronous OverLap and Add SAMPA Speech Assessment Methods Phonetic Alphabet SPTK Speech signal Processing ToolKit SSML Speech Synthesis Markup Language TD- Time-Domain Pitch PSOLA Synchronous OverLap and Add TTS Text-To-Speech VNSP VNSpeechCorpus for synthesis WEKA Waikato Environment for A collection of machine learning Knowledge algorithms for data mining tasks: Analysis X-SAMPA Extended Speech Assessment Methods Phonetic Alphabet XML eXtensible Markup Language PLP Perceptual Linear Prediction viii G2P Grapheme to Phoneme ANOVA Analysis of Variance DNN Deep Neural Network ANN Artificial Neural Network LPC Linear Predictive Coding EM Expectation Maximization Algorithm MLE Maximum Likelihood Network PTN Phonetic Transformation Network CNN Convolutional Neural Network NMT Neural Machine Translation SMT Statistical Machine Translation RNN Recurrent Neural Network GRU Gated Recurrent Unit DTW Dynamic Time Warping MCD Mel Ceptral Distortion Argmax Arguments of the maxima Argmax is an operation that finds the argument that gives the maximum value from a target function Log Logarith ̅ Sample mean p(e | f) Conditional Probability  Pi Product of a sequence of numbers  Sigma Factor H0 Null Hypothesis ix LIST OF TABLES Table 2.1 Vietnamese syllabus structure [94] .2 Vietnamese syllabus structure [96] .3 Vietnamese syllables based on structure .4 Hanoi Vietnamese inital consonants .5 The letter of initial consonant .6 Hanoi Vietnamese final consonant .7 Tone of Hanoi Vietnamese [108] .8 Muong syllabic structure .9 Muong final sound system .10 Muong Hoa Binh tone system [115] .11 Muong Bi and Muong Tan Son Tone .12 Muong and Vietnamese phonetic comparison (orthography in normal, IPA in italic; Vi: Vietnamese; Mb: Muong Bi ; Mts : Muong Tan Son) .13 Comparing the tone of Vietnamese with Muong Tan Son and Muong Bi .1 Muong G2P Result Sample .2 Examples of applying transformation rules to convert the Muong text into input text for Vietnamese TTS. Testing material for emulating tone. Testing material for emulating phone (the concerning phonemes in bold). Testing material for remaining phonemes .6 ANOVA Results for MOS Test.7 ANOVA Results for Intelligibility Test .1 Parameters of acoustic model .2 Vietnamese dataset information .3 Muong recorded data .4 The Muong split data set .5 Parameter for optimizer .6 Value of parameters when training Hifigan model .7 The specifications of the in-domain and out-domain test sets .8 Test set samples .10 ANOVA Results for in-domain MOS Test .11 ANOVA Results for out-domain MOS Test .12 ANOVA Results for in/out domain MOS Test .2 TTS evaluation with in-domain test set .3 TTS evaluation with out-domain test set .4 ANOVA Results for in-domain MOS Test for Muong Bi .5 ANOVA Results for out-domain MOS Test for Muong Bi .6 ANOVA Results for Muong Bi in/out domain MOS Test .7 ANOVA Results for in-domain MOS Test for Muong Tan Son .8 ANOVA Results for out-domain MOS Test for Muong Tan Son .9 ANOVA Results for Muong Tan Son in/out domain MOS Test.1 Examples of labeling Vietnamese text into an intermediate representation of Muong Bi and Muong Tan Son phonemes.2 Text information of Muong language datasets .3 TTS evaluation with in-domain test set .4 TTS evaluation with out-domain test set .5 ANOVA Results for in-domain MOS Test for Muong Bi .6 ANOVA Results for out-domain MOS Test for Muong Bi .7 ANOVA Results for Muong Bi in/out domain MOS Test .8 ANOVA Results for in-domain MOS Test for Muong Tan Son .9 ANOVA Results for out-domain MOS Test for Muong Tan Son .10 ANOVA Results for Muong Tan Son in/out domain MOS Test.2 The Muong initial consonant .3 Muong vowels system .4 The correspondences between Vietnamese and Muong in 12 words refer to the human body parts [137] .8 Muong Vietnamese phone mapping.9 Muong Hoa Binh volunteers .10 Muong Phu Tho volunteers .10 xi LIST OF FIGURES Figure 1.

Basic system architecture of a TTS system [22] .2 Neural TTS architecture [3]. General and clustering-based unit-selection scheme: Solid lines represent target costs and dashed lines represent concatenation costs [13]. Core architecture of HMM-based speech synthesis system [25]. General HMM-based synthesis scheme [13, p.

A speech synthesis framework based on a DNN [29] .7 Encoder and Decoder diagram in Seq2Seq model .8 Char2Wav model [23].9 Model of the Tacotron synthesis system [24] .10 Block diagram of the Tacotron 2 system architecture [25] .11 Scheme of a HMM-based polyglot synthesizer [48] .