Tổng quan nghiên cứu

Trong môi trường có mức độ ô nhiễm tiếng ồn vượt ngưỡng 85 dB đến 110 dB như nhà máy luyện kim, công trường khai khoáng, hiện trường cứu hộ hoặc các nhiệm vụ tác chiến quân sự đặc biệt, tín hiệu tiếng nói truyền qua không khí (Air-Conducted Speech - AC) bị suy giảm chất lượng nghiêm trọng. Tạp âm môi trường xâm lấn làm cho tỷ lệ nhận dạng của các hệ thống nhận dạng tiếng nói tự động (ASR) giảm mạnh từ trên 95% xuống dưới mức 40%, gây cản trở lớn đến hiệu quả truyền tin. Giải pháp ghi nhận tiếng nói truyền trong xương (Bone-Conducted Speech - BC) thông qua các microphone tiếp xúc đặt tại cấu trúc xương sọ mang lại khả năng kháng nhiễu ngoại cảnh vượt trội. Tuy nhiên, do cấu trúc xương và các lớp mô mềm của con người hoạt động tương tự như một bộ lọc thông thấp (low-pass filter) tự nhiên, tín hiệu tiếng nói BC bị suy hao nghiêm trọng ở các dải tần số trên 1000 Hz, làm mất đi các thành phần tần số cao và khiến độ rõ của từ ngữ sụt giảm xuống dưới 50%.

Luận văn thạc sĩ chuyên ngành Khoa học máy tính với đề tài "Nghiên cứu phương pháp khôi phục tiếng nói truyền trong xương" do học viên Nguyễn Thị Kim Dung thực hiện dưới sự hướng dẫn khoa học của TS. Phùng Trung Nghĩa tại Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên đã tập trung giải quyết bài toán khôi phục mù (blind restoration) tín hiệu tiếng nói BC về dạng tín hiệu AC tiêu chuẩn. Mục tiêu cụ thể của công trình là nghiên cứu, thiết kế và tối ưu hóa giải pháp khôi phục tín hiệu thoại truyền qua xương mà không cần sử dụng tín hiệu AC tham chiếu tại đầu thu, áp dụng trực tiếp trên hệ cơ sở dữ liệu tiếng Việt. Phạm vi nghiên cứu bao gồm việc phân tích đặc trưng âm học của hơn 6700 âm tiết tiếng Việt cùng hệ thống 6 thanh điệu, kết hợp đánh giá thực nghiệm bằng các chỉ số định lượng như khoảng cách hệ số dự đoán tuyến tính (Linear Prediction Coefficient Distance - LCD) và thang điểm đánh giá chất lượng thoại trung bình (Mean Opinion Score - MOS). Kết quả nghiên cứu đóng góp nền tảng kỹ thuật quan trọng nhằm nâng cao chất lượng đàm thoại và độ chính xác của các thiết bị liên lạc thông minh trong điều kiện môi trường có độ nhiễu cao.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Cơ sở lý thuyết của luận văn được xây dựng trên nền tảng mô hình nguồn - lọc (Source-Filter Model) trong xử lý tín hiệu âm thanh và ngữ âm học cấu tạo. Hệ thống tạo âm của con người bao gồm nguồn kích thích từ luồng khí phổi đẩy qua dây thanh mô kết hợp với bộ lọc sinh học gồm khoang hầu, khoang miệng có chiều dài trung bình khoảng 17 cm và khoang mũi có chiều dài khoảng 12 cm. Tần số cơ bản F0 phản ánh tốc độ dao động của dây thanh âm, biến thiên rõ rệt theo giới tính và độ tuổi: nam giới đạt từ 80 Hz đến 200 Hz, nữ giới từ 150 Hz đến 450 Hz và trẻ em từ 200 Hz đến 600 Hz, trong khi tai người có khả năng cảm thụ dải tần số dao động từ 20 Hz đến 20000 Hz.

Trong hệ thống ngữ âm tiếng Việt, sự biến thiên của 6 thanh điệu (ngang, huyền, sắc, hỏi, ngã, nặng) tạo nên các đường nét tần số F0 rất đặc thù; đơn cử như thanh ngã có giá trị F0 cực tiểu rơi vào khoảng giữa đến 2/3 trường độ âm tiết trước khi tăng vọt ở phần cuối. Phổ tín hiệu tiếng nói được đặc trưng bởi ít nhất 3 tần số cộng hưởng formant đầu tiên (F1, F2, F3) để khu biệt các nguyên âm và phụ âm. Mô hình dự đoán tuyến tính (Linear Prediction - LP) kết hợp biểu diễn tham số tần số đường phổ (Line Spectral Frequency - LSF) được sử dụng để phân tách bao phổ và nguồn kích thích. Đồng thời, mô hình hỗn hợp Gauss (Gaussian Mixture Models - GMM) đa chiều được ứng dụng để mô hình hóa phân phối xác suất đồng thời giữa các vector đặc trưng LSF của tín hiệu BC và AC, làm tiền đề cho việc ánh xạ phổ phi tuyến tối ưu.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thực nghiệm thu âm song song AC và BC trên bộ ngữ liệu tiếng Việt chuẩn gồm 100 mẫu tín hiệu âm thanh định dạng WAV với tần số lấy mẫu 16 kHz. Phương pháp chọn mẫu phân tầng có chủ đích được áp dụng trên nhóm người nói nam và nữ trưởng thành, ghi nhận các cấu trúc câu đại diện cho đầy đủ các cụm âm vị và thanh điệu tiếng Việt. Thiết bị thu âm chuyên dụng microphone Tempco được gắn tiếp xúc tại 5 vị trí xương sọ khác nhau gồm đỉnh đầu, trán, gò má, cằm và xương chũm sau tai nhằm ghi nhận trọn vẹn sự dẫn truyền cơ học của sóng âm.

Phương pháp phân tích tín hiệu được triển khai thông qua việc phân khung thời gian ngắn với độ dài khung từ 20 ms đến 30 ms và độ chồng lấp 10 ms, kết hợp sử dụng các hàm cửa sổ làm mịn như Hamming và Hanning. Lý do lựa chọn mô hình hồi quy LP-GMM là khả năng thực hiện bài toán khôi phục mù, cho phép chuyển đổi chính xác các vector tham số LSF từ miền tín hiệu BC sang AC mà hoàn toàn không cần tín hiệu tham chiếu sạch tại đầu thu. Đây là ưu điểm vượt trội so với các phương pháp phổ chéo (Cross-Spectrum) hay biến đổi Fourier truyền thống vốn phụ thuộc hoàn toàn vào kênh tín hiệu AC đồng thời, từ đó bảo đảm tính khả thi cao khi triển khai vào các thiết bị truyền thông thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, phân tích phổ thực nghiệm chỉ ra rằng tín hiệu truyền trong xương BC bị suy giảm năng lượng từ 25 dB đến 40 dB tại các dải tần số trên 1500 Hz so với tín hiệu truyền qua không khí AC. Sự suy giảm mạnh này làm triệt tiêu gần như hoàn toàn các formant F2, F3 ở các phụ âm xát vô thanh và phụ âm tắc, khiến âm thanh BC nguyên bản có hiện tượng bị nghẹt và thiếu âm sắc tự nhiên.

Thứ hai, việc áp dụng mô hình khôi phục mù LP-GMM mang lại hiệu quả cải thiện phổ vượt trội trên toàn bộ tập dữ liệu thử nghiệm. Chỉ số khoảng cách hệ số dự đoán tuyến tính LCD giữa tín hiệu sau khôi phục và tín hiệu AC chuẩn giảm từ 32% đến 45% so với tín hiệu BC gốc, chứng minh sự tiệm cận rất lớn về cấu trúc bao phổ sau khi qua bộ lọc hồi quy.

Thứ ba, điểm đánh giá chất lượng thoại chủ quan theo thang đo chuẩn MOS (thang điểm từ 1 đến 5) ghi nhận mức tăng trưởng rõ rệt. Tín hiệu thoại sau khi khôi phục bằng thuật toán LP-GMM đạt điểm số trung bình từ 3.65 đến 4.10 điểm trên 100 mẫu thử nghiệm, tăng hơn 1.4 điểm (tương đương mức cải thiện 52%) so với mức điểm chỉ đạt 2.30 đến 2.65 điểm của tín hiệu BC thô ban đầu.

Thứ tư, vị trí đặt cảm biến ghi nhận sự chênh lệch đáng kể về chất lượng thu nhận. Vị trí xương chũm sau tai và xương gò má đem lại độ tương quan phổ cao nhất, giúp giảm thiểu sai số ước lượng tham số LSF xuống dưới 12%, trong khi các vị trí đỉnh đầu và trán có mức độ tiêu hao năng lượng dao động âm thanh cơ học cao hơn khoảng 20%.

Thảo luận kết quả

Hiện tượng suy giảm dải tần cao của tín hiệu BC xuất phát từ tính chất cản trở cơ học và mật độ không đồng nhất của mô liên kết, xương sọ và da mặt. Tuy nhiên, do dải tần số thấp từ 80 Hz đến 500 Hz được truyền dẫn gần như nguyên vẹn qua đường xương, tần số cơ bản F0 và đặc trưng thanh điệu của tiếng Việt vẫn được bảo toàn chắc chắn. Mô hình hỗn hợp Gauss GMM với 3 đến 8 thành phần phân phối đã tái cấu trúc thành công các tham số LSF bị khiếm khuyết dựa trên tương quan xác suất thống kê đã học.

Để trực quan hóa các phát hiện nghiên cứu, dữ liệu thực nghiệm được hệ thống hóa qua bảng so sánh chỉ số sai số LCD đa kênh và biểu đồ cột biểu diễn mức độ cải thiện điểm MOS giữa ba trạng thái: tín hiệu BC gốc, tín hiệu khôi phục bằng phương pháp Fourier không mù và tín hiệu khôi phục mù LP-GMM. Đồng thời, biểu đồ phổ mặt phẳng năng lượng Spectrogram theo trục thời gian - tần số minh họa rõ nét sự xuất hiện trở lại của các dải năng lượng từ 2000 Hz đến 4000 Hz sau khi khôi phục. So với các công bố khoa học quốc tế thực hiện trên cơ sở dữ liệu tiếng Nhật, giải pháp áp dụng trong luận văn cho thấy tính tương thích xuất sắc với tiếng Việt, xử lý mượt mà sự biến đổi cao độ của hệ thống thanh điệu mà không gây ra hiện tượng méo tiếng.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và đưa kết quả nghiên cứu vào ứng dụng thực tiễn trong đời sống sản xuất và an ninh quốc phòng, luận văn đưa ra bốn nhóm khuyến nghị cụ thể:

Thứ nhất, tiến hành mở rộng và chuẩn hóa cơ sở dữ liệu tiếng nói đa kênh AC/BC tiếng Việt quy mô lớn. Cần thu thập tối thiểu 500 mẫu âm thanh chuẩn với sự tham gia của trên 50 người nói đại diện cho đầy đủ các phương ngữ ba miền Bắc, Trung, Nam. Hoạt động này cần được thực hiện trong khung thời gian từ 6 đến 12 tháng bởi các phòng thí nghiệm xử lý ngôn ngữ và tiếng nói tại các trường đại học kỹ thuật trọng điểm.

Thứ hai, nâng cấp cấu trúc thuật toán khôi phục bằng cách tích hợp các mạng nơ-ron hồi quy đơn giản (SRN) và mạng nơ-ron sâu hiện đại. Mục tiêu là giảm độ trễ xử lý khung tín hiệu xuống dưới 15 ms để đáp ứng yêu cầu truyền thông thời gian thực, đồng thời giảm thêm từ 15% đến 20% chỉ số sai cách LCD trong giai đoạn 2026-2027 do các nhóm kỹ sư thuật toán trí tuệ nhân tạo triển khai.

Thứ ba, tối ưu hóa phần cứng cảm biến và mạch tiền khuếch đại cho microphone thu âm qua xương. Các kỹ sư thiết kế phần cứng viễn thông cần phối hợp với các đơn vị chế tạo thiết bị đo lường để chuẩn hóa microphone chuyên dụng (như dòng Tempco), đảm bảo tỷ số tín hiệu trên tạp âm (SNR) đầu vào được cải thiện thêm ít nhất 18 dB, thực hiện trong vòng 18 tháng.

Thứ tư, triển khai ứng dụng thử nghiệm giải pháp khôi phục giọng nói truyền qua xương vào hệ thống mũ bảo hộ liên lạc chuyên dụng cho lực lượng lính cứu hỏa, thợ lặn và công nhân hầm lò. Mục tiêu đặt ra là nâng tỷ lệ nghe hiểu khẩu lệnh thoại trong môi trường tiếng ồn trên 100 dB từ mức dưới 45% hiện nay lên trên 90% trong lộ trình 2 năm tới.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu của luận văn mang lại giá trị tham khảo chuyên sâu cho bốn nhóm đối tượng:

Nhóm học viên, nghiên cứu sinh và giảng viên ngành Khoa học máy tính, Xử lý tín hiệu và Kỹ thuật viễn thông: Luận văn cung cấp tài liệu tham khảo bài bản về mô hình toán học nguồn - lọc, kỹ thuật biểu diễn tham số phổ LSF và phương pháp hồi quy xác suất GMM ứng dụng trên ngữ âm tiếng Việt.

Nhóm kỹ sư phát triển phần mềm nhận dạng giọng nói (ASR) và trí tuệ nhân tạo: Có thể ứng dụng trực tiếp module khôi phục mù tín hiệu BC như một khối tiền xử lý nhằm lọc sạch tạp âm môi trường và nâng cao độ chính xác cho các trợ lý ảo hoạt động ngoài trời.

Nhóm doanh nghiệp công nghệ phát triển thiết bị phần cứng âm thanh và thiết bị đeo thông minh (Hearables/Wearables): Nắm bắt nguyên lý thu phát âm qua xương sọ để tích hợp vào tai nghe truyền dẫn xương, kính thông minh hoặc thiết bị trợ thính thế hệ mới.

Nhóm đơn vị nghiên cứu và ứng dụng công nghệ thuộc lĩnh vực quốc phòng, an ninh và cứu nạn: Khai thác giải pháp kỹ thuật để thiết kế các bộ đàm vô tuyến đặc chủng có khả năng chống ồn tuyệt đối, đảm bảo thông tin liên lạc bảo mật và thông suốt trong điều kiện tác chiến khắc nghiệt.

Câu hỏi thường gặp

Tín hiệu tiếng nói truyền trong xương khác biệt như thế nào so với tiếng nói truyền qua không khí? Tiếng nói truyền qua không khí lan truyền dao động sóng âm từ thanh quản qua miệng và không khí tới màng nhĩ, mang đầy đủ dải tần số từ 20 Hz đến 20000 Hz nhưng rất dễ bị tạp âm môi trường xâm lấn. Ngược lại, tiếng nói truyền qua xương truyền dao động cơ học trực tiếp qua xương sọ, có tính kháng nhiễu môi trường tuyệt đối nhưng bị mô mềm hấp thụ mạnh các tần số trên 1000 Hz, khiến âm thanh bị nghẹt.

Tại sao phương pháp khôi phục mù lại có ý nghĩa thực tiễn cao hơn phương pháp khôi phục truyền thống? Các phương pháp truyền thống như biến đổi Fourier hay phổ chéo bắt buộc phải có đồng thời tín hiệu AC sạch tại đầu thu để tính toán hàm chuyển đổi, điều này hoàn toàn bất khả thi trong môi trường có tiếng ồn lớn. Phương pháp khôi phục mù sử dụng mô hình học trước như LP-GMM để khôi phục trực tiếp tín hiệu AC chỉ từ tín hiệu BC đầu vào mà không cần bất kỳ tín hiệu tham chiếu nào.

Mô hình LP-GMM xử lý bài toán khôi phục các thành phần tần số cao bị mất như thế nào? Phương pháp dự đoán tuyến tính LP thực hiện phân tách tín hiệu BC thành nguồn kích thích và vector tham số đường phổ LSF. Tiếp đó, mô hình hỗn hợp Gauss GMM áp dụng thuật toán hồi quy phi tuyến đa chiều để ước lượng và tái tạo lại các tham số LSF ở dải tần số trung và cao, phục hồi chính xác các đỉnh cộng hưởng formant F1, F2 và F3 bị suy hao.

Đặc tính thanh điệu của tiếng Việt đóng vai trò gì trong quá trình khôi phục tiếng nói truyền trong xương? Tiếng Việt có 6 thanh điệu đặc trưng bởi sự thay đổi liên tục của tần số cơ bản F0. Do môi trường mô xương dẫn truyền rất tốt các dao động âm trầm ở dải tần số thấp từ 80 Hz đến 450 Hz, đường nét biến thiên F0 của thanh điệu tiếng Việt được bảo toàn trọn vẹn trong tín hiệu BC, giúp thuật toán khôi phục duy trì chính xác ngữ nghĩa của câu nói.

Vị trí tiếp xúc của microphone xương ảnh hưởng như thế nào đến chất lượng tín hiệu thu được? Các kết quả đo đạc thực nghiệm cho thấy vị trí xương chũm sau tai và xương gò má đem lại chất lượng tín hiệu tốt nhất do lớp mỡ dưới da mỏng và khoảng cách truyền dẫn cơ học ngắn. Các vị trí như trán hoặc đỉnh đầu có mức suy hao năng lượng cao hơn từ 15% đến 25% do cấu trúc xương dày và mô mềm cản trở rung động.

Kết luận

  • Luận văn đã hệ thống hóa toàn diện cơ sở lý thuyết về âm học tiếng nói, đặc trưng 6 thanh điệu tiếng Việt và cơ chế dẫn truyền âm thanh qua môi trường không khí cũng như cấu trúc xương sọ.
  • Xây dựng thành công mô hình khôi phục mù tín hiệu tiếng nói truyền trong xương dựa trên sự kết hợp chặt chẽ giữa thuật toán dự đoán tuyến tính và mô hình hỗn hợp Gauss (LP-GMM).
  • Kết quả thực nghiệm trên 100 mẫu tín hiệu tiếng Việt khẳng định mô hình giúp giảm khoảng cách hệ số dự đoán tuyến tính LCD từ 32% đến 45% và nâng điểm đánh giá chất lượng MOS thêm 52%, đạt mức 3.65 đến 4.10 điểm.
  • Thiết lập luận cứ khoa học vững chắc và bộ thông số thực nghiệm giá trị phục vụ thiết kế các thiết bị liên lạc kháng nhiễu chuyên dụng trong công nghiệp và cứu hộ giai đoạn 2026-2030.
  • Các nhà nghiên cứu và đơn vị công nghệ có thể tiếp tục kế thừa kết quả này để tối ưu hóa thuật toán trên nền tảng mạng học sâu thời gian thực, mở rộng tiềm năng thương mại hóa cho các thiết bị âm thanh thông minh trong tương lai.