Ứng dụng mô hình Markov ẩn (HMM) vào tổng hợp tiếng nói

Luận văn mô hình Markov ẩn: Nghiên cứu ứng dụng mô hình Markov ẩn (HMM) trong tổng hợp tiếng nói, phân tích ưu điểm và đề xuất cải tiến.

• Tác giả: Nguyễn Quang Sức
• Người hướng dẫn: PGS.TS. Trịnh Văn Loan
• Trường học: Trường Đại học Bách khoa Hà Nội
• Chuyên ngành: Công nghệ Thông tin & Truyền thông
• Đề tài: Mô hình Markov ẩn trong tổng hợp tiếng nói
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2013
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC CÁC HÌNH VẼ
• LỜI NÓI ĐẦU
• 1. CHƯƠNG 1: TIẾNG NÓI VÀ XỬ LÝ TIẾNG NÓI
• 1.1. Bộ máy phát âm
• 1.1.1. Bộ máy phÁk ÂN
• 1.1.2. Cơ chế phải âm
• 1.2. Đặc tính âm học của tiếng nói
• 1.2.1. Âm hữu thanh và âm vô thanh
• 1.2.2. Các đặc tính khác
• 1.3. Mô hình tạo tiếng nói
• 1.4. Phân tích tiếng nói
• 1.4.1. Mô hình phân tích tiằng nỗÏ
• 1.4.2. Phân tích trắng nói ngắn han
• 1.5. Phản tích Mel-Cepstral
• 1.6. Tạo tiằng nói từ mô hình thời gian rời rạc
• 1.7. Phân tích Mel-Cepsirdl.3, BG lac MLSA (Mel Log Spectral Approximation)
• 2. CHƯƠNG 2: TỔNG HỢP TIẾNG NÓI
• 2.1. Giới thiệu chung
• 2.2. Các phương pháp tổng hợp tiếng nói
• 2.2.1. Tổng hợp theo cấu trúc âm
• 2.2.2. Tổng hợp formant theo quy luật
• 2.2.3. Tổng hợp ghép nối
• 3. Chương 3: Mô hình Markoy án và ứng dụng tổng hợp tiếng nói

Tóm tắt

I. Tổng Quan Mô Hình Markov Ẩn HMM Tổng Hợp Tiếng Nói

Tổng hợp tiếng nói là lĩnh vực nghiên cứu đầy tiềm năng, đặc biệt trong bối cảnh ứng dụng ngày càng rộng rãi của trí tuệ nhân tạo. Mô hình Markov ẩn (HMM) nổi lên như một phương pháp hiệu quả để giải quyết bài toán này, cho phép máy tính tạo ra âm thanh giống tiếng người hơn. HMM cung cấp một khung thống kê mạnh mẽ để mô hình hóa các quá trình tuần tự, trong đó trạng thái ẩn đại diện cho các đặc tính âm vị của tiếng nói, và các quan sát tương ứng là các tham số âm học trích xuất từ tín hiệu. Ưu điểm của HMM nằm ở khả năng xử lý sự biến đổi tự nhiên của tiếng nói, cũng như khả năng huấn luyện từ dữ liệu lớn. Tuy nhiên, tổng hợp tiếng nói HMM cũng đối mặt với nhiều thách thức, bao gồm việc cải thiện chất lượng âm thanh, tăng cường tính tự nhiên và biểu cảm, và giảm thiểu hiện tượng “over-smoothing”. Các nghiên cứu hiện tại tập trung vào việc phát triển các biến thể HMM tiên tiến hơn, cũng như kết hợp HMM với các kỹ thuật học sâu để tạo ra hệ thống tổng hợp tiếng nói chất lượng cao.

1.1. Giới Thiệu Mô Hình Markov Ẩn trong Xử Lý Ngôn Ngữ Tự Nhiên

Mô hình Markov ẩn (HMM) là một mô hình thống kê được sử dụng rộng rãi trong xử lý ngôn ngữ tự nhiên (NLP) để mô hình hóa các chuỗi sự kiện, trong đó trạng thái của hệ thống không được quan sát trực tiếp mà được suy luận từ các quan sát. HMM bao gồm một tập hợp các trạng thái, xác suất chuyển đổi giữa các trạng thái và xác suất phát xạ quan sát từ mỗi trạng thái. Trong ứng dụng tổng hợp tiếng nói, trạng thái ẩn có thể tương ứng với các đơn vị âm vị (ví dụ: phoneme, diphone, triphone), và các quan sát là các tham số âm học (ví dụ: Mel Frequency Cepstral Coefficients - MFCCs, tần số cơ bản F0). HMM cho phép mô hình hóa sự thay đổi theo thời gian của các đặc tính âm học của tiếng nói, từ đó tạo ra các chuỗi tham số phù hợp để tái tạo lại âm thanh.

1.2. Ứng Dụng HMM trong Tổng Hợp Văn Bản Thành Tiếng Nói

Ứng dụng HMM trong tổng hợp văn bản thành tiếng nói (TTS) là một trong những thành công lớn của HMM. Hệ thống TTS dựa trên HMM bao gồm hai giai đoạn chính: huấn luyện và tổng hợp. Trong giai đoạn huấn luyện, một tập dữ liệu lớn tiếng nói được sử dụng để ước lượng các tham số của HMM, bao gồm xác suất chuyển đổi và xác suất phát xạ. Dữ liệu huấn luyện thường được gán nhãn âm vị để tạo ra sự tương ứng giữa các đơn vị âm vị và các tham số âm học. Trong giai đoạn tổng hợp, văn bản đầu vào được chuyển đổi thành chuỗi âm vị, sau đó được sử dụng để tìm kiếm chuỗi trạng thái HMM phù hợp. Các tham số âm học tương ứng với chuỗi trạng thái này được sử dụng để tạo ra tín hiệu tiếng nói tổng hợp.

II. Vấn Đề Thách Thức Tổng Hợp Tiếng Nói HMM Hiện Nay

Mặc dù tổng hợp tiếng nói HMM đã đạt được nhiều tiến bộ, nhưng vẫn còn nhiều thách thức cần giải quyết. Một trong những vấn đề lớn nhất là chất lượng âm thanh. Tiếng nói tổng hợp từ HMM thường bị đánh giá là kém tự nhiên, thiếu biểu cảm và có hiện tượng “over-smoothing”, làm mất đi sự chi tiết và sắc thái của tiếng nói tự nhiên. Điều này xuất phát từ việc HMM chỉ mô hình hóa các đặc tính âm học ở mức độ thống kê, bỏ qua nhiều yếu tố ngữ cảnh và cảm xúc quan trọng. Một thách thức khác là việc thu thập và gán nhãn dữ liệu huấn luyện. Để huấn luyện một hệ thống HMM tổng hợp tiếng nói chất lượng cao, cần có một lượng lớn dữ liệu tiếng nói được gán nhãn chính xác về mặt âm vị, điều này đòi hỏi nhiều thời gian và công sức. Ngoài ra, việc xử lý các ngôn ngữ có nguồn lực hạn chế cũng là một thách thức đáng kể.

2.1. Hạn Chế về Tính Tự Nhiên của Tiếng Nói Tổng Hợp HMM

Một trong những hạn chế lớn nhất của tiếng nói tổng hợp HMM là tính tự nhiên chưa cao so với tiếng nói tự nhiên. Điều này có thể nhận thấy qua các yếu tố như ngữ điệu đơn điệu, thiếu biểu cảm, và đôi khi có cảm giác máy móc, không có hồn. Tổng hợp tiếng nói thống kê tốt nhưng vẫn còn những hạn chế trong việc nắm bắt các biến thể tinh tế của tiếng nói, đặc biệt là các yếu tố liên quan đến cảm xúc và ngữ cảnh. Để vượt qua hạn chế này, các nhà nghiên cứu đang tìm cách tích hợp các thông tin ngữ cảnh phong phú hơn vào mô hình ngô ngữ HMM, sử dụng các mô hình phức tạp hơn như mạng nơ-ron sâu, và phát triển các kỹ thuật tham số hóa tiếng nói HMM tiên tiến hơn.

2.2. Ảnh Hưởng Của Dữ Liệu Huấn Luyện Đến Chất Lượng Tổng Hợp

Chất lượng của dữ liệu huấn luyện cho tổng hợp tiếng nói HMM có ảnh hưởng trực tiếp đến chất lượng của tiếng nói tổng hợp. Dữ liệu huấn luyện cần phải đủ lớn, đa dạng và được gán nhãn chính xác. Nếu dữ liệu huấn luyện quá ít hoặc không đại diện cho các biến thể âm vị của ngôn ngữ, hệ thống tổng hợp tiếng nói HMM sẽ không thể học được các đặc trưng cần thiết để tạo ra tiếng nói tự nhiên. Sai sót trong quá trình gán nhãn âm vị cũng có thể dẫn đến việc thuật toán huấn luyện HMM học sai các mối quan hệ giữa âm vị và tham số âm học, làm giảm chất lượng âm thanh.

2.3. Vượt qua hiện tượng Over Smoothing trong Tổng Hợp Tiếng Nói HMM

Hiện tượng Over-smoothing trong tổng hợp tiếng nói HMM xảy ra khi các tham số âm học được tạo ra từ HMM quá “mượt mà”, làm mất đi sự chi tiết và sắc thái của tiếng nói tự nhiên. Các biến thể âm học bị “làm phẳng”, dẫn đến âm thanh tổng hợp nghe nhàm chán và thiếu sức sống. Để giảm thiểu hiện tượng này, các kỹ thuật như mô hình hóa độ dài âm vị một cách chính xác hơn, sử dụng các hàm kích hoạt mạnh mẽ hơn trong HMM, và áp dụng các phương pháp hậu xử lý để khôi phục lại sự biến đổi đã bị mất trong quá trình tổng hợp.

III. Phương Pháp Huấn Luyện Tham Số Hóa Tiếng Nói HMM

Việc huấn luyện hiệu quả và tham số hóa tiếng nói HMM đóng vai trò then chốt trong việc tạo ra hệ thống tổng hợp tiếng nói chất lượng cao. Quá trình huấn luyện bao gồm việc ước lượng các tham số của HMM từ dữ liệu tiếng nói đã được gán nhãn. Giải thuật Baum-Welch là một phương pháp phổ biến để ước lượng các tham số này, cho phép tìm ra các giá trị tham số tối ưu dựa trên nguyên tắc tối đa hóa khả năng xảy ra của dữ liệu quan sát. Tham số hóa tiếng nói liên quan đến việc chuyển đổi tín hiệu tiếng nói thành một tập hợp các tham số đặc trưng, ví dụ như MFCCs. Việc lựa chọn các tham số phù hợp và áp dụng các kỹ thuật xử lý tín hiệu tiên tiến có thể giúp cải thiện đáng kể hiệu suất của hệ thống.

3.1. Thuật Toán Huấn Luyện HMM Cho Tổng Hợp Tiếng Nói Baum Welch

Thuật toán Baum-Welch là một thuật toán lặp được sử dụng để huấn luyện HMM khi dữ liệu quan sát không được gán nhãn đầy đủ (tức là trạng thái ẩn không được biết). Thuật toán này dựa trên nguyên tắc Expectation-Maximization (EM). Thuật toán lặp đi lặp lại hai bước: Bước E (Expectation) tính toán xác suất của mỗi trạng thái ẩn tại mỗi thời điểm, dựa trên dữ liệu quan sát và các tham số hiện tại của HMM. Bước M (Maximization) cập nhật các tham số của HMM để tối đa hóa khả năng xảy ra của dữ liệu quan sát, dựa trên các xác suất được tính ở bước E. Quá trình này lặp lại cho đến khi các tham số của HMM hội tụ.

3.2. Đặc Trưng Mel Frequency Cepstral Coefficients MFCCs trong HMM

Mel Frequency Cepstral Coefficients (MFCCs) là một tập hợp các tham số âm học được sử dụng rộng rãi trong nhận dạng tiếng nói và tổng hợp tiếng nói. MFCCs mô tả phổ tần số của tín hiệu tiếng nói dựa trên thang đo Mel, một thang đo phi tuyến tính gần giống với cách tai người cảm nhận âm thanh. Quá trình tính toán MFCCs bao gồm các bước: phân tích Fourier, áp dụng bộ lọc Mel, lấy logarit và biến đổi Cosin rời rạc. MFCCs thường được sử dụng kết hợp với các tham số khác như tần số cơ bản (F0) và năng lượng để tạo thành vector đặc trưng đầy đủ cho HMM.

IV. Ứng Dụng Đánh Giá Chất Lượng Tổng Hợp Tiếng Nói HMM

Ứng dụng của tổng hợp tiếng nói HMM rất đa dạng, từ các hệ thống trợ lý ảo, đọc sách tự động đến các ứng dụng hỗ trợ người khuyết tật. Để đánh giá chất lượng của tiếng nói tổng hợp HMM, người ta thường sử dụng các phương pháp đánh giá chủ quan và khách quan. Đánh giá chủ quan bao gồm việc cho người nghe đánh giá mức độ tự nhiên, dễ hiểu và dễ chịu của tiếng nói tổng hợp. Đánh giá khách quan sử dụng các chỉ số đo lường như độ chính xác của âm vị, độ mượt của tần số cơ bản và độ tương đồng với tiếng nói tự nhiên.

4.1. Ứng Dụng HMM trong Tổng Hợp Tiếng Nói Dựa Trên Đơn Vị

Tổng hợp tiếng nói dựa trên đơn vị là một phương pháp trong đó tiếng nói được tạo ra bằng cách ghép nối các đơn vị tiếng nói nhỏ (ví dụ: phoneme, diphone, triphone) đã được ghi âm trước đó. HMM có thể được sử dụng để chọn ra các đơn vị phù hợp nhất để ghép nối, dựa trên ngữ cảnh âm vị và ngữ điệu của văn bản đầu vào. HMM giúp giải quyết bài toán lựa chọn đơn vị một cách tối ưu, đảm bảo rằng các đơn vị được ghép nối với nhau một cách mượt mà và tự nhiên.

4.2. So Sánh HMM với Các Phương Pháp Tổng Hợp Tiếng Nói Khác

So với các phương pháp tổng hợp tiếng nói khác như tổng hợp theo quy luật (rule-based synthesis) và tổng hợp ghép nối (concatenative synthesis), HMM có những ưu điểm và nhược điểm riêng. Tổng hợp theo quy luật đòi hỏi phải xây dựng một bộ quy tắc phức tạp để mô tả mối quan hệ giữa văn bản và tiếng nói, trong khi HMM có thể học được các mối quan hệ này một cách tự động từ dữ liệu. Tổng hợp ghép nối có thể tạo ra tiếng nói tự nhiên hơn so với HMM nếu có một lượng lớn dữ liệu được ghi âm, nhưng nó cũng dễ bị ảnh hưởng bởi các lỗi ghép nối và khó điều chỉnh ngữ điệu.

4.3. Đánh giá chất lượng tiếng nói tổng hợp từ HMM

Việc đánh giá chất lượng tiếng nói tổng hợp từ HMM là một bước quan trọng để cải thiện hiệu suất của hệ thống. Phương pháp đánh giá chủ quan sử dụng người nghe để đánh giá các thuộc tính như độ tự nhiên (naturalness), khả năng hiểu (intelligibility), và tính dễ chịu (pleasantness). Phương pháp đánh giá khách quan sử dụng các số liệu để đo lường độ chính xác của âm vị, độ mượt của tần số cơ bản và sự giống nhau giữa phổ của tiếng nói tổng hợp và tiếng nói tự nhiên. Kết hợp cả hai phương pháp đánh giá sẽ cho phép đánh giá toàn diện về chất lượng của hệ thống tổng hợp tiếng nói

V. Hướng Phát Triển Tương Lai Của Tổng Hợp Tiếng Nói HMM

Hướng phát triển của tổng hợp tiếng nói HMM tập trung vào việc cải thiện chất lượng âm thanh, tăng cường tính tự nhiên và biểu cảm, và giảm thiểu sự phụ thuộc vào dữ liệu huấn luyện. Các nghiên cứu hiện tại đang khám phá việc kết hợp HMM với các kỹ thuật học sâu như mạng nơ-ron sâu (DNNs) và mạng nơ-ron hồi quy (RNNs) để tạo ra các mô hình phức tạp hơn có khả năng nắm bắt các đặc trưng âm học một cách chính xác hơn. Ngoài ra, việc phát triển các phương pháp huấn luyện không giám sát hoặc bán giám sát cũng là một hướng đi đầy hứa hẹn, giúp giảm bớt gánh nặng thu thập và gán nhãn dữ liệu.

5.1. Tích Hợp HMM Với Các Mô Hình Học Sâu Để Cải Thiện Hiệu Suất

Việc tích hợp HMM với các mô hình học sâu đang trở thành một xu hướng chủ đạo trong tổng hợp tiếng nói. Các mô hình học sâu như DNNs và RNNs có khả năng học các biểu diễn phức tạp của dữ liệu một cách tự động, vượt trội so với các phương pháp truyền thống. Ví dụ, DNN có thể được sử dụng để ước lượng xác suất phát xạ của HMM, hoặc RNN có thể được sử dụng để mô hình hóa chuỗi trạng thái của HMM. Sự kết hợp này cho phép khai thác sức mạnh của cả hai phương pháp, tạo ra các hệ thống tổng hợp tiếng nói chất lượng cao

5.2. Nghiên Cứu Sử Dụng Bộ Dữ Liệu Huấn Luyện Cho HMM Tổng Hợp

Nghiên cứu sử dụng bộ dữ liệu huấn luyện là rất quan trọng để đạt được hiệu suất cao trong HMM tổng hợp. Bộ dữ liệu huấn luyện nên có kích thước đủ lớn và đa dạng, bao gồm nhiều giọng nói, phong cách phát âm và ngữ cảnh khác nhau. Việc lựa chọn các phương pháp xử lý dữ liệu phù hợp (ví dụ: chuẩn hóa dữ liệu, làm sạch dữ liệu) cũng có thể cải thiện đáng kể hiệu suất của HMM. Ngoài ra, việc sử dụng các kỹ thuật tăng cường dữ liệu (data augmentation) cũng là một cách hiệu quả để tăng tính đa dạng của dữ liệu huấn luyện.

VI. Festival và HMM Ứng Dụng Thực Tiễn và Mã Nguồn Mở TTS

Công cụ Festival là một framework mạnh mẽ cho tổng hợp văn bản thành tiếng nói (TTS). Festival cung cấp một nền tảng linh hoạt cho phép các nhà nghiên cứu phát triển và triển khai các hệ thống TTS khác nhau, bao gồm cả các hệ thống dựa trên mô hình Markov ẩn (HMM). Sự kết hợp giữa Festival và HMM mang lại nhiều lợi ích, chẳng hạn như khả năng tùy chỉnh cao, tính mở và khả năng mở rộng. Festival cung cấp các công cụ và thư viện cần thiết để huấn luyện HMM, tạo ra các tham số âm học và tổng hợp tiếng nói. Sử dụng Festival và HMM cho phép cộng đồng nghiên cứu và phát triển tổng hợp tiếng nói thống kê một cách hiệu quả.

6.1. Cách Festival Hỗ Trợ Phát Triển Hệ Thống Tổng Hợp HMM

Công cụ Festival hỗ trợ phát triển hệ thống tổng hợp HMM thông qua một loạt các tính năng và công cụ. Festival cung cấp các thư viện cho việc xử lý văn bản, phân tích cú pháp, lựa chọn đơn vị, tạo tham số âm học và tổng hợp tiếng nói. Nó cũng hỗ trợ nhiều ngôn ngữ và các định dạng dữ liệu khác nhau. Hơn nữa, Festival có thể được mở rộng bằng cách sử dụng các plugin và các thư viện bên ngoài. Điều này cho phép người dùng tùy chỉnh hệ thống TTS của họ để đáp ứng các nhu cầu cụ thể.

6.2. Tiềm Năng Phát Triển Với HTK Và HMM

Các nhà nghiên cứu có thể tích hợp Hidden Markov Model Toolkit (HTK) với framework Festival để xây dựng một hệ thống tổng hợp tiếng nói HMM mạnh mẽ. HTK là một công cụ chuyên dụng để huấn luyện và đánh giá HMM. Kết hợp những công cụ này, tạo ra một hệ thống TTS, cho phép huấn luyện các mô hình HMM với dữ liệu lớn và tạo ra tiếng nói tự nhiên.

Trích đoạn nội dung tài liệu

Ende van thac 33! kp thet may thats va truyện thông: LOI CAM DOAN T6i xin cam đoan để tai nghién clea cia 161 hoan Loan do 141 tu Tam duo su hưởng, dẫn ciia thay giảo PGS. Những kết quá nghiên cửu, thứ nghiệm, các số liệu, kết quả trình bay trong hiện văn là hoàn toàn trung thực và chưa từng dược công bó trơng bái cứ công trinh nào. Cáo tải liệu tham khảo sử dụng trong luận văn đều được dẫn nguồn (có bang thông kê các tài liệu tham khảo) hoặc được sự đồng ý trực tiếp của tác giả. Nếu xảy ra bắt cử điều không đúng như những lời cam doan trên, tôi xin chịu.

hoán toàn tràch nhiệm trước Viện và Nhà trường. 1à Nội, ngày 26 tháng GỀ năm 2013 Tlic gid Neguyén Quang Stre Ende van thac 33! kp thet may thats va truyện thông: LOI CAM ON Dé hoàn thành khóa luận này, tôi xin t6 lòng biết ơn sôu sắc đến thay PGS.TS Trịnh Van Loan dé tan tình hướng dẫn tôi trong suốt quá trình viết khóa luận tắt nghiệp. Tôi cũng xii chân thành cảm ơn quý Thấy, Cô Viên Công nghệ Thông tin & Truyền thông, Trường Đại học Bách khoa Hà Nội đã lận tình truyền đại kiến thức trong thời gian học tập và nghiên cứu tại dây. Với vốn kiên thức được tiếp tụ trong quá trình học tập và nghiên cứu không chỉ là nền tảng cho quả trình nghiên cứu khóa luận mà còn là hành trang quá bắu đỗ tôi buức vào đời mội cách vững chắc và tự tin.

Tôi cũng thâm biết ơn sự ủng hộ của đồng nghiện, gia đình và bạn hè — những người thân yêu luôn là chỗ dựa vững chắc cho tôi. Cuối cùng, tôi xin linh chúc Qui Thấy cổ, Đông nghiệp, Gia đình đổi dào sức khỏe và thành công trong sự nghiệp cao gi. Xin trân trọng cảm ơn! Hạc viên Nguyễn Quang Sức Ende van thac 33! kp thet may thats va truyện thông: DANH MỤC CÁC TỪ VIET TAT. DANH MỤC CÁC HÌNH VẼ LỜI NÓI ĐÀU CHUONG | TIENG NOI VA XU LY TIENG NOL.

Bê máy phát âm. Bộ máy phÁk ÂN. Cơ chế phải âm 1. Dặc tính âm học của tiếng nói.

Âm hữu thanh và âm vô thanh 1. Các đặc tính khác - - 11 1. Mô hinh tạo tiếng ni. ee esses ssssssesseessenssnsssssnsssseeesseeeesisensitvansssesevasaneeeed 2 1.

Phan lich tiéng ndi. Mô hình phân tích tiằng nỗÏ. Phân tích trắng nói ngắn han - 18 1. Phản tích Mel-Cepstral.

si sererrrire seeesreeoTÐ) 1. Tạo tiằng nói từ mô hình thời gian rời rạc - 19 1. Phân tích Mel-Cepsirdl.3, BG lac MLSA (Mel Log Spectral Approximation). - 22 CHUONG 2 TONG HOP TIẾNG NÓI.

Giới thiệu chung 37 2. Các phương pháp tổng hợp tiếng nói. Tổng hợp theo cầu trúc âm. Tổng hợp fennamt theo quy luật.3, Téng hợp ghép nồi.

33 Ende van thac 33! kp thet may thats va truyện thông: 1. Vom miệng trêu 4. Oring | 4, Vỏm miệng mềm 5. Lưỡi gà 8 Comiéng 9.

Nắp đóng của thanh quản 11. Dây thanh giá 12. Thực quản Tình 1.2: Bộ máy phái âm của người 122 Cơ chế phái âm Trong, quá trình tạo âm thanh không phải là äm mũi, vòm miệng mỏ, khoang andi dang lai, dòng khí sẽ chỉ đi qua khoang ruấi Khi phát âm mất, vòin miệng lạ thấp và dòng khí sẽ chỉ di qua khoang mũi. Tuyến âm sẽ được kích thích bởi nguên năng lượng chỉnh tại thanh môn.

Tiếng nói dược tạo ra do tín hiệu nguồn tử lanh môn phải ra. dây không khí có trong phối lên tạo thành dòng khí, va chạm vảo hai đây thanh trong tuyển âm. Hai đây thanh đáo động sẽ tạo ra công hưởng, đao động âm sẽ được lan truyền theo tuyển âm và sau khi di qua khoang mũi và môi sẽ tạo ra tiếng nói. Dặc tính âm học của tiếng nói 1.

Âm hãm thanh và Âm vô thanh a Âm hữu thanh Âm hữu thanh được tao ra từ các đây thanh bị căng đẳng thời và chúng rưng, động ở chế độ đăn khi không khí tăng lên làm thanh môn mớ ra và sau đó thanh xuôn xẹp xuống do không khi chạy qua. Ende van thac 33! kp thet may thats va truyện thông: Do sự công hưởng của dây thanh, sóng âm tạo ra có dạng tuân hoàn hoặc gân. như tuần hoàn. Phổ của ầm hữu thanh cỏ nhiều thành phần hải tại giá trị bội số của tân số cũng hưởng, còn gọi là tân số cơ bản.

b, Âm vô thanh Khi tao ra m vô thanh dây thanh không cộng hướng. Âm vô thanh có 2 loại cơ bản là âm xát và âm tắc. Âm xát (ví dụ như âm s): được tạo ra khi có sự co thất tại vài điểm trong, tuyển âm. Không khí khi đi qua điểm co thấi sẽ chuyển thành chuyến động hỗn loạn tạo riên kích thích giống rửuz nhiều ngẫu nhiên.

Thông thường điểm co thắt xây ra ö gan miệng nên sự công hưởng của tuyển âm ảnh hưởng rất ít dến dặc tính của âm xát được tạo ra. Âm lắc (ví dụ như âm p): được tạo ra khi Luyễn 4m dong tại một số điểm lam cho áp xuất khỏng khí tầng lên vá sau đỏ dược giải phỏng đột ngột, sự giải phóng, đột ngột này tạo ra kích thích nhất thời của tuyến âm. Sự kích thích này có thể xây ya vdi siz cong hưởng hoặc không công hướng của đây thanh tương ứng với âm tắc kiữu thanh hoặc võ thanh.2 Amvi Tin higu tiéng noi Ja tin higu tuong tu biéu dién cho thong tin vé mat ngéu ngữ vả được mô tả bởi các âm vị khác nhau. Như vậy, âm vị lả đơn vị nhỏ nhất của ngôn ngù, tủy theo từng loại ngôn ngữ cụ thế mả số lượng âm vị nhiễn hay it (thường vào khoảng từ 20 đến 30 fim vị).

Các âm vị được chía lãm hai loại, nguyễn: âm và phụ âm. Nguvén dm Nguyên âm là âm hữu thanh được lạo ra bằng sự công hưởng của đây thanh +khi dòng khí được thanh mân đấy lên, khoang miệng được tạo lập thành nhiều hình dang nhất đình tạo thành các nguyên âm khác nhau Số lượng các nguyên âm phụ thuộc vào từng loại ngôn ngữ nhất định. 10 Ende van thac 33! kp thet may thats va truyện thông: CHUONG 1 TIENG NOI VA XU LY THENG NÓI 1. Mở dầu Tiểng nói là một phương tiện trao đổi thông tin của con người.

Tiếng nói được tạo ra Lừ lư duy của con người: lung tầm thân kink điểu khiến hệ thông phat âm làm việc tạo ra âm thanh. Tiếng nói được phân biệt với hệ thông âm thanh khác bởi các đặc tính âm học có nguồn gốc từ cơ chế tạo tiếng nói. Về bản chất, tiếng nói là sự đo đồng của không khi có mang theo théng tin. Cac dao động nay tạo thành ap lực dén tai va được tai phát hiện, phân tích và chuyến kết quả đến trung khu thân kinh.

Tại đây thong lin được tải tạo lại dưới đạng thông tin logie mua cơn người có thể liễu được. 'Tm hiệu tiếng nói được tạo thành bởi các chuối âm vị liên tiếp,sự sắp xếp của các âm vị được chỉ phổi bởi quy tắc của ngôn ngữ. Việc nghiên cúu một cách chỉ tiết về quy tác này thuộc về chuyên ngành ngôn ngữ. Việc phân loại các âm vị của tiếng nói thuộc vé chuyén ngành ngữ ấm học.

Khi nghiên cửu các mô hình toàn. học của cơ chế †ạo tiếng nói, việc nghiên cứu vẻ các âm vị là rât cần thiết. Bộ máy phát âm 1. Bộ máy phải âm Đô máy phát âm bao gồm các thành phân riêng rẽ như phối, khí quân, thanh.

quân và các dường dẫn mũi, miệng. Trong đó: -_ Thanh quản chứa 2 đây thanh có thể đao động tạo ra âm thanh. - Tuyển mm là tg không đều bắt đầu từ thanh nôn và kết. thúc tại xnôi.

- Khoang mii la dng khéng déu bắt đầu từ mỏi, kết thúc bởi vỏm miệng, có độ dải cổ định khoảng 12em đôi với người lớn. ~_ Vêm miệng là các nếp cơ chuyển động. Ende van thac 33! kp thet may thats va truyện thông: Do sự công hưởng của dây thanh, sóng âm tạo ra có dạng tuân hoàn hoặc gân. như tuần hoàn.

Phổ của ầm hữu thanh cỏ nhiều thành phần hải tại giá trị bội số của tân số cũng hưởng, còn gọi là tân số cơ bản. b, Âm vô thanh Khi tao ra m vô thanh dây thanh không cộng hướng. Âm vô thanh có 2 loại cơ bản là âm xát và âm tắc. Âm xát (ví dụ như âm s): được tạo ra khi có sự co thất tại vài điểm trong, tuyển âm.

Không khí khi đi qua điểm co thấi sẽ chuyển thành chuyến động hỗn loạn tạo riên kích thích giống rửuz nhiều ngẫu nhiên. Thông thường điểm co thắt xây ra ö gan miệng nên sự công hưởng của tuyển âm ảnh hưởng rất ít dến dặc tính của âm xát được tạo ra. Âm lắc (ví dụ như âm p): được tạo ra khi Luyễn 4m dong tại một số điểm lam cho áp xuất khỏng khí tầng lên vá sau đỏ dược giải phỏng đột ngột, sự giải phóng, đột ngột này tạo ra kích thích nhất thời của tuyến âm. Sự kích thích này có thể xây ya vdi siz cong hưởng hoặc không công hướng của đây thanh tương ứng với âm tắc kiữu thanh hoặc võ thanh.2 Amvi Tin higu tiéng noi Ja tin higu tuong tu biéu dién cho thong tin vé mat ngéu ngữ vả được mô tả bởi các âm vị khác nhau.

Như vậy, âm vị lả đơn vị nhỏ nhất của ngôn ngù, tủy theo từng loại ngôn ngữ cụ thế mả số lượng âm vị nhiễn hay it (thường vào khoảng từ 20 đến 30 fim vị). Các âm vị được chía lãm hai loại, nguyễn: âm và phụ âm. Nguvén dm Nguyên âm là âm hữu thanh được lạo ra bằng sự công hưởng của đây thanh +khi dòng khí được thanh mân đấy lên, khoang miệng được tạo lập thành nhiều hình dang nhất đình tạo thành các nguyên âm khác nhau Số lượng các nguyên âm phụ thuộc vào từng loại ngôn ngữ nhất định. 10 Ende van thac 33! kp thet may thats va truyện thông: LỜI NÓI ĐẦU Tổng hợp tiếng nói là lĩnh vực được rất nhiều người nghiên cứu quan tầm, vì nó có rất nhiều ứng dụng trong thực lễ, như các hệ thống tr lời tự động, đọc nội dung văn bản, máy phiên dịch, các hệ thống trợ giúp người tán tật, các ứng dung trong viễn thông.

Tuy nhiên việc ứng dụng và nghiên cím ở Việt Nam còn tương đối mới và rất hạn chế. 'Tổng hợp tiếng nói có thể thực hiện theo nhiều phương pháp như: Tổng hợp theo sấu âm, tông hop formant theo quy luật tổng hợp bằng cách phép âm.