Tổng quan nghiên cứu

Trong hạ tầng viễn thông hiện đại, bài toán truyền dẫn tín hiệu thoại luôn đòi hỏi sự cân bằng khắt khe giữa chất lượng âm thanh tái tạo và giới hạn tài nguyên băng thông đường truyền. Tín hiệu tiếng nói tự nhiên khi số hóa trực tiếp với tần số lấy mẫu 8000 Hz và độ phân giải 16 bit đòi hỏi tốc độ dòng dữ liệu lên tới 128 kbps. Điều này đặt ra thách thức lớn đối với hạ tầng mạng truyền dẫn, đặc biệt là trong giai đoạn chuyển tiếp giữa mạng điện thoại cố định chuyển mạch kênh truyền thống và mạng thông tin di động băng hẹp. Luận văn thạc sĩ kỹ thuật chuyên ngành Mạng máy tính và truyền thông dữ liệu của tác giả Phan Quốc Thắng, do PGS. Trịnh Văn Loan hướng dẫn tại Trường Đại học Bách khoa Hà Nội năm 2018, đã giải quyết căn bản bài toán này thông qua đề tài nghiên cứu chuyên sâu về cơ chế mã hóa và giải mã tín hiệu tiếng nói.

Mục tiêu cốt lõi của nghiên cứu là làm rõ bản chất âm học, cấu tạo bộ máy phát âm của con người và mô hình toán học tương ứng, từ đó phân tích toàn diện hai kỹ thuật mã hóa nền tảng: phương pháp Điều chế mã xung PCM (Pulse Code Modulation) ứng dụng trong mạng điện thoại cố định PSTN và phương pháp Kích thích xung đều - Dự đoán tuyến tính RPE-LTP (Regular Pulse Excitation - Long Term Prediction) ứng dụng trong mạng di động toàn cầu GSM. Phạm vi nghiên cứu tập trung vào việc chuẩn hóa thuật toán xử lý khung thoại 20 ms, đánh giá quá trình giảm tốc độ bit từ 64 kbps trong mạng cố định xuống còn 13 kbps trong mạng di động, tương đương mức tiết kiệm gần 79,7% lưu lượng truyền dẫn. Kết quả nghiên cứu không chỉ giải mã tường minh hoạt động của các hệ thống viễn thông kinh điển mà còn tạo lập tiền đề vững chắc cho việc nghiên cứu, làm chủ các bộ mã hóa thế hệ mới trong truyền thoại qua giao thức mạng như VoIP và VoLTE.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết âm học mô hình nguồn - lọc (Source-Filter Model) của cơ chế phát âm con người, kết hợp với lý thuyết xử lý tín hiệu số hiện đại. Hệ thống lý thuyết tiếp cận gồm hai mô hình trụ cột:

Mô hình mã hóa dạng sóng PCM: Dựa trên định lý lấy mẫu Nyquist-Shannon với tần số chuẩn 8000 Hz cho dải băng thông thoại 300 - 3400 Hz. Quá trình lượng tử hóa phi tuyến sử dụng hai quy luật nén logarit tiêu chuẩn quốc tế theo khuyến nghị ITU-T G.711: luật A với hệ số nén A bằng 87,56 (xấp xỉ tuyến tính qua 13 đoạn) áp dụng phổ biến tại Việt Nam và châu Âu, và luật Mu với hệ số nén bằng 255 (xấp xỉ qua 15 đoạn) áp dụng tại Bắc Mỹ và Nhật Bản.

Mô hình mã hóa lai RPE-LTP: Kết hợp giữa mã hóa dự đoán tuyến tính LPC (Linear Predictive Coding) để mô hình hóa đường dẫn âm thanh ngắn hạn và bộ dự đoán dài hạn LTP nhằm bóc tách tính chu kỳ của dây thanh quản. Ba khái niệm trung tâm bao gồm: tỉ số log tiết diện LAR (Log-Area Ratio) để lượng tử hóa ổn định 8 hệ số phản xạ; độ trễ pitch và hệ số tăng ích LTP để loại bỏ dư thừa dài hạn; và cơ chế kích thích xung đều RPE để tối ưu hóa năng lượng kích thích trên từng khung con 5 ms.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp thực nghiệm mô phỏng kết hợp phân tích toán học giải tích trên tập dữ liệu chuẩn. Nguồn dữ liệu kiểm thử bao gồm 50 mẫu tín hiệu âm thanh giọng nói tiếng Việt và tiếng Anh chuẩn, có thời lượng từ 3 đến 5 giây, bao gồm cả giọng nam và giọng nữ ở các cao độ khác nhau. Toàn bộ tín hiệu đầu vào được số hóa đồng nhất ở tần số 8000 Hz với độ dài biểu diễn 16 bit tuyến tính.

Phương pháp chọn mẫu là kỹ thuật chọn mẫu phân tầng có chủ đích nhằm bao quát đầy đủ các dạng âm thanh hữu thanh, vô thanh và các khoảng lặng thực tế trong giao tiếp đàm thoại. Tín hiệu được phân đoạn thành các khung xử lý có độ dài cố định 20 ms, tương ứng với 160 mẫu tín hiệu trên mỗi khung phân tích.

Phương pháp phân tích thuật toán được xây dựng chi tiết theo các bước xử lý số liệu:

  • Sử dụng thuật toán đệ quy Schur để tính toán 8 hệ số phản xạ từ các hệ số tự tương quan và chuyển đổi sang tham số LAR bậc 8.
  • Sử dụng hàm tương quan chéo để ước lượng độ trễ pitch trong khoảng từ 40 đến 120 mẫu cùng hệ số tăng ích LTP tương ứng.
  • Áp dụng bộ lọc trọng số và kỹ thuật giảm mẫu phân nhánh 3 pha nhằm xác định vị trí lưới xung tối ưu cho 13 xung RPE trên mỗi khung con 40 mẫu.

Lý do lựa chọn phương pháp phân tích này là nhằm tuân thủ chặt chẽ đặc tả kỹ thuật tiêu chuẩn của ETSI GSM 06.10 và ITU-T G.711, đảm bảo tính chuẩn hóa, độ chính xác toán học tuyệt đối và khả năng kiểm chứng trực quan trên phần mềm tính toán kỹ thuật.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và phân tích định lượng trên hệ thống mang lại bốn phát hiện khoa học và kỹ thuật nổi bật:

Thứ nhất, tối ưu hóa băng thông truyền dẫn vượt trội: Phương pháp mã hóa lai RPE-LTP đã nén thành công tín hiệu thoại gốc từ tốc độ 128 kbps (hoặc 64 kbps của PCM) xuống mức chuẩn 13 kbps, tương ứng với việc đóng gói chính xác 260 bit dữ liệu trong mỗi khung thời gian 20 ms. So với chuẩn thoại cố định 64 kbps, giải pháp này giúp cắt giảm tới 79,69% dung lượng kênh truyền mà vẫn đảm bảo độ tự nhiên và khả năng nhận dạng người nói.

Thứ hai, đảm bảo tính ổn định tuyệt đối của bộ lọc tổng hợp: Việc chuyển đổi 8 hệ số phản xạ sang các tham số tỉ số log tiết diện LAR được lượng tử hóa phi tuyến với tổng cộng 36 bit đã loại bỏ hoàn toàn hiện tượng mất ổn định của bộ lọc cực điểm. Kết quả phân tích cho thấy độ nhạy quang phổ giảm hơn 42% so với phương pháp lượng tử hóa trực tiếp các hệ số dự đoán tuyến tính.

Thứ ba, hiệu quả khử dư thừa thông tin hai cấp: Bộ dự đoán dài hạn LTP với độ phân giải lượng tử hóa 2 bit cho hệ số tăng ích và 7 bit cho độ trễ pitch đã làm giảm từ 60% đến 68% phương sai của tín hiệu dư ngắn hạn. Sau đó, thuật toán RPE với việc chọn lọc 13 xung năng lượng lớn nhất trong 40 mẫu của khung con giúp tái hiện chính xác hình bao quang phổ kích thích với 47 bit cho mỗi khung con 5 ms.

Thứ tư, duy trì chất lượng tín hiệu thoại chuẩn mực: Phương pháp PCM luật A đạt tỷ số tín hiệu trên nhiễu lượng tử SNqR trên 36 dB trên toàn bộ dải động đầu vào 40 dB. Trong khi đó, bộ mô phỏng RPE-LTP đạt mức điểm đánh giá chất lượng trung bình MOS ước tính trong khoảng 3,8 đến 4,0 điểm, hoàn toàn đáp ứng các tiêu chuẩn thương mại viễn thông di động quốc tế.

Thảo luận kết quả

Các kết quả đạt được khẳng định tính ưu việt của mô hình mã hóa kết hợp giữa dự đoán tuyến tính và kích thích xung đều. Sở dĩ phương pháp RPE-LTP đạt được hiệu quả nén cao gấp gần 5 lần so với PCM là nhờ việc khai thác triệt để đặc tính sinh học của bộ máy phát âm: dây thanh quản tạo ra tính chu kỳ dài hạn (được xử lý bởi LTP), trong khi khoang miệng và vòm họng tạo ra đặc tính cộng hưởng ngắn hạn (được xử lý bởi LPC).

Dữ liệu mô phỏng có thể được minh họa trực quan qua biểu đồ phân tích dạng sóng theo thời gian và bảng cấu trúc phân bổ bit. Trên đồ thị miền thời gian, biên độ của tín hiệu sai số dư sau khi đi qua bộ lọc phân tích ngắn hạn và bộ lọc dự đoán dài hạn giảm hơn 70% so với tín hiệu tiếng nói ban đầu, chứng minh phần lớn năng lượng dư thừa đã được bóc tách. Khi đối chiếu với các nghiên cứu về bộ mã hóa dự đoán kích thích mã CELP hay chuẩn AMR-NB ở tốc độ 12,2 kbps, phương pháp RPE-LTP thể hiện sự cân bằng lý tưởng giữa chất lượng âm thanh và độ phức tạp tính toán, phù hợp với năng lực xử lý của các chip DSP thế hệ đầu trong mạng GSM mà không gây trễ thuật toán quá mức cho phép.

Đề xuất và khuyến nghị

Dựa trên các kết quả nghiên cứu và thực tế vận hành mạng viễn thông, luận văn đưa ra bốn khuyến nghị hành động cụ thể:

Thứ nhất, tối ưu hóa cấu trúc tính toán thuật toán đệ quy Schur và bộ lọc trọng số RPE: Đội ngũ kỹ sư phát triển phần mềm xử lý tín hiệu số cần tái cấu trúc các khối tính toán ma trận tương quan chéo nhằm giảm độ trễ xử lý thuật toán xuống dưới mức 12 ms cho mỗi khung hình thoại 20 ms. Mục tiêu này giúp giảm thiểu độ trễ đàm thoại hai chiều trên toàn mạng viễn thông.

Thứ hai, tích hợp cơ chế phát hiện hoạt tính tiếng nói VAD và tạo nhiễu nhân tạo CNG: Các nhà khai thác mạng di động nên triển khai bổ sung module VAD (Voice Activity Detection) và CNG (Comfort Noise Generation) vào bộ mã hóa. Giải pháp này cho phép ngừng phát tín hiệu trong các khoảng lặng đàm thoại, từ đó cắt giảm thêm 35% đến 45% tổng lưu lượng băng thông truyền dẫn thực tế trên các trạm thu phát sóng vô tuyến.

Thứ ba, xây dựng hệ thống chuyển mã linh hoạt thích ứng liên mạng: Các doanh nghiệp cung cấp dịch vụ viễn thông cần thiết kế các cổng chuyển mã (Transcoding Media Gateway) có khả năng chuyển đổi trực tiếp giữa PCM 64 kbps, GSM RPE-LTP 13 kbps và các chuẩn thoại băng rộng AMR-WB, EVS trên nền tảng mạng di động thế hệ mới 4G/5G và thoại qua giao thức không dây VoWifi, giúp duy trì chất lượng thoại đồng nhất với thời gian chuyển mạch dưới 20 ms.

Thứ tư, chuẩn hóa và đưa phần mềm mô phỏng vào chương trình đào tạo chuyên sâu: Các viện nghiên cứu và trường đại học khối kỹ thuật công nghệ nên tích hợp bộ công cụ mô phỏng mã hóa tiếng nói của luận văn vào hệ thống bài thí nghiệm thực hành chuyên ngành Mạng máy tính và Kỹ thuật truyền thông, tạo môi trường trực quan giúp sinh viên làm chủ công nghệ xử lý âm thanh số trong thời gian nghiên cứu từ 1 đến 2 học kỳ.

Đối tượng nên tham khảo luận văn

Nội dung nghiên cứu mang tính hệ thống cao, là tài liệu chuyên khảo giá trị cho bốn nhóm độc giả mục tiêu:

Nhóm 1: Kỹ sư thiết kế hệ thống viễn thông và kỹ sư xử lý tín hiệu số DSP. Tài liệu cung cấp tài liệu chi tiết về thuật toán lượng tử hóa phi tuyến, cấu trúc bảng nén luật A/Mu và quy trình phân bổ chính xác 260 bit trong khung thoại di động để phục vụ lập trình nhúng phần cứng.

Nhóm 2: Giảng viên, học viên cao học và sinh viên chuyên ngành Mạng máy tính, Điện tử viễn thông và Công nghệ thông tin. Luận văn là tài liệu học tập toàn diện về cơ chế phát âm, lý thuyết dự đoán tuyến tính LPC và các tiêu chuẩn quốc tế của ITU-T và ETSI.

Nhóm 3: Lập trình viên phát triển ứng dụng truyền giọng nói qua IP, WebRTC và giải pháp OTT. Nghiên cứu mang lại cái nhìn sâu sắc về phương pháp nén dữ liệu âm thanh, bù trừ trễ gói tin và tái tạo tín hiệu trong điều kiện băng thông mạng biến đổi.

Nhóm 4: Chuyên viên kỹ thuật quy hoạch, vận hành và tối ưu hóa mạng vô tuyến tại các nhà mạng viễn thông. Luận văn giúp phân tích sâu các chỉ số hiệu năng đường truyền, cơ chế suy hao tín hiệu và chất lượng cuộc gọi thoại chuyển mạch kênh cũng như chuyển mạch gói.

Câu hỏi thường gặp

Mã hóa PCM trong mạng cố định và RPE-LTP trong mạng di động khác nhau căn bản ở điểm nào? PCM là kỹ thuật mã hóa dạng sóng thuần túy, lấy mẫu ở tần số 8000 Hz và lượng tử hóa từng mẫu độc lập để tạo ra dòng dữ liệu 64 kbps. Ngược lại, RPE-LTP là kỹ thuật mã hóa lai, bóc tách tín hiệu thành các tham số mô hình phát âm gồm hệ số dự đoán ngắn hạn LPC, dự đoán dài hạn LTP và chuỗi xung kích thích RPE, giúp nén dòng dữ liệu xuống chỉ còn 13 kbps.

Tại sao chuẩn GSM 06.10 lại chuyển đổi hệ số phản xạ sang tỉ số log tiết diện LAR? Trong quá trình lượng tử hóa các hệ số phản xạ của bộ lọc LPC, sai số lượng tử có thể khiến các cực của bộ lọc dịch chuyển ra ngoài vòng tròn đơn vị, gây mất ổn định nghiêm trọng cho hệ thống tổng hợp tiếng nói. Việc biến đổi sang tỉ số log tiết diện LAR giúp tạo ra miền tham số ít nhạy cảm với sai số lượng tử hơn, duy trì tính ổn định tuyệt đối với 36 bit cấp phát cho 8 tham số.

Cấu trúc 260 bit trong một khung thoại 20 ms của chuẩn RPE-LTP được phân chia như thế nào? Mỗi khung thoại 20 ms chứa 260 bit, bao gồm 36 bit biểu diễn 8 thông số tỉ số log tiết diện LAR cho bộ lọc phân tích ngắn hạn. Phần còn lại gồm 224 bit được chia đều cho 4 khung con (mỗi khung con 5 ms chứa 56 bit), bao gồm 7 bit cho độ trễ pitch, 2 bit cho hệ số tăng ích LTP, 2 bit cho vị trí lưới xung, 6 bit cho biên độ cực đại và 39 bit cho 13 mẫu xung RPE.

Quy luật nén phi tuyến luật A và luật Mu mang lại lợi ích gì so với lượng tử hóa đều? Lượng tử hóa đều tạo ra sai số lượng tử cố định cho mọi biên độ tín hiệu, khiến cho các tín hiệu biên độ nhỏ có tỷ số tín hiệu trên nhiễu SNqR rất thấp. Quy luật nén phi tuyến luật A (13 đoạn) và luật Mu (15 đoạn) phân bổ nhiều mức lượng tử hơn cho vùng biên độ nhỏ và ít mức hơn cho vùng biên độ lớn, giúp duy trì tỷ số SNqR ổn định trên 36 dB trong toàn bộ dải động 40 dB của giọng nói.

Các nguyên lý trong luận văn có thể áp dụng cho các mạng hiện đại như VoLTE và 5G không? Hoàn toàn có thể áp dụng. Các bộ mã hóa thoại tiên tiến hiện nay trong mạng 4G/5G như AMR-WB (Adaptive Multi-Rate Wideband) và EVS (Enhanced Voice Services) đều được kế thừa và phát triển từ nền tảng mô hình nguồn - lọc, kỹ thuật dự đoán đại số ACELP và các cơ chế lượng tử hóa tham số phổ tương tự như nguyên lý RPE-LTP được trình bày chi tiết trong luận văn.

Kết luận

Nghiên cứu của tác giả Phan Quốc Thắng đã hoàn thành xuất sắc mục tiêu giải mã toàn diện cơ chế mã hóa và giải mã tín hiệu tiếng nói trong mạng viễn thông cố định và di động với năm đóng góp trọng tâm:

  • Hệ thống hóa đầy đủ cơ sở toán học và âm học của mô hình xử lý tiếng nói, từ cơ chế phát âm tự nhiên đến các thuật toán số hóa tín hiệu chuyên sâu.
  • Phân tích chi tiết quy chuẩn mã hóa dạng sóng PCM theo luật A và luật Mu đạt tốc độ 64 kbps, đáp ứng tiêu chuẩn thoại cố định PSTN.
  • Làm sáng tỏ cấu trúc thuật toán mã hóa lai RPE-LTP tốc độ 13 kbps với khung truyền dẫn 260 bit trong 20 ms của mạng thông tin di động GSM.
  • Xây dựng thành công chương trình mô phỏng hoàn chỉnh cho cả hai phương pháp PCM và RPE-LTP, chứng minh trực quan quá trình phân tích và tái tạo dạng sóng tín hiệu.
  • Đánh giá định lượng hiệu quả tiết kiệm 79,69% băng thông của mã hóa lai so với mã hóa dạng sóng, đảm bảo chất lượng thoại đạt mức MOS từ 3,8 đến 4,0 điểm.

Trong giai đoạn tiếp theo, các hướng nghiên cứu mở rộng cần tập trung vào việc tích hợp thuật toán thích ứng tốc độ bit đa mức (Multi-rate Adaptive) và tối ưu hóa xử lý tín hiệu âm thanh đa kênh thời gian thực. Độc giả quan tâm đến lĩnh vực xử lý tín hiệu âm thanh và công nghệ viễn thông có thể khai thác các mô hình thuật toán trong luận văn để ứng dụng trực tiếp vào việc phát triển các giải pháp truyền thông đa phương tiện chất lượng cao.