Luận văn: Nhận dạng tiếng Việt bằng mô hình Markov ẩn (HMM) - Đại học Bách Khoa Hà Nội

Luận văn chuyên sâu về nhận dạng tiếng nói tiếng Việt sử dụng mô hình Markov ẩn. Tìm hiểu phương pháp, ứng dụng và kết quả nghiên cứu chi tiết.

• Tác giả: Phạm Minh Tân
• Người hướng dẫn: PGS.TS. Đặng Văn Chuyết
• Trường học: Trường Đại học Bách Khoa Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Nhận dạng tiếng nói tiếng Việt bằng mô hình Markov ẩn
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2009
• Địa điểm: Hà Nội

Mục lục chi tiết

• MỞ ĐẦU
• CHƯƠNG 0: MỞ ĐẦU
• 0.1. Nội dung luận văn
• 0.2. Lịch sử nhận dạng tiếng nói
• 1. CHƯƠNG 1: GIỚI THIỆU VỀ ÂM THANH - TIẾNG NÓI
• 1.1. Bộ máy phát âm và thu âm tiếng nói
• 1.2. Cơ chế phát âm tiếng nói
• 1.3. Hệ thống phát âm tiếng nói
• 1.4. Quá trình phát âm tiếng nói của con người
• 1.5. Phân loại âm thanh
• 1.6. Đặc trưng của tiếng nói
• 1.7. Cơ quan thính giác con người
• 1.8. Cấu tạo của hệ thống tiếp âm
• 1.9. Đặc tính âm học của âm thanh tiếng nói
• 1.10. Đặc tính của tín hiệu tiếng nói. Các đặc tính khác
• 1.11. Đặc trưng của tín hiệu tiếng nói
• 1.11.1. Dạng sóng tín hiệu tiếng nói
• 1.11.2. Tính tuần hoàn của tín hiệu tiếng nói. Chu kỳ của âm cơ bản. Tính không hữu hiệu của tín hiệu tiếng nói
• 1.11.3. Phổ trung bình của tín hiệu tiếng nói. Phế thức thời của tín hiệu tiếng nói
• 2. CHƯƠNG 2: TRÍCH ĐẶC TRƯNG TIẾNG NÓI
• 2.1. Hàm năng lượng thời gian ngắn. Nhấn mạnh tín hiệu
• 2.2. Sơ đồ trích đặc trưng MECC. Tạo khung tín hiệu
• 2.3. Biến đổi Fourier rời rạc-DFT
• 2.4. Lọc theo thang tần số Mel
• 2.5. Tính log năng lượng phổ. Biến đổi Fourier ngược-IDIT
• 3. CHƯƠNG 3: LƯỢNG TỬ HÓA VECTOR
• 3.1. Các đặc tính của VQ
• 3.2. Các yếu tố khi tổ chức VQ
• 3.3. Phân nhóm các vector
• 3.3.1. Thuật toán Lloyd
• 3.3.2. Thuật toán tách nhị phân Binary Split
• 3.4. Phân lớp vector
• 4. CHƯƠNG 4: MÔ HÌNH MARKOV ẨN
• 4.1. Quá trình Markov
• 4.1.1. Giới thiệu quá trình Markov
• 4.1.2. Các thành phần trong quá trình (chuỗi) Markov
• 4.1.3. Ví dụ quá trình Markov
• 4.2. Mô hình Markov ẩn
• 4.2.1. Giới thiệu về mô hình Markov
• 4.2.2. Thành phần của một mô hình Markov ẩn
• 4.3. Ba bài toán cơ bản của mô hình Markov ẩn
• 4.3.1. Giới thiệu các bài toán
• 4.3.2. Giải pháp toán học cho ba bài toán trên
• 4.4. Một số mô hình Markov ẩn
• 4.4.1. Mô hình HMM rời rạc
• 4.4.2. Mô hình HMM liên tục
• 4.4.3. Mô hình HMM bán liên tục
• 4.5. Giới hạn của mô hình Markov ẩn
• 5. CHƯƠNG 5: NGÔN NGỮ VÀ NGỮ ÂM TIẾNG VIỆT
• 5.1. Ngôn ngữ tiếng Việt
• 5.2. Ngữ âm tiếng Việt
• 5.2.1. Âm tố (sound)
• 5.2.2. Âm vị
• 5.3. Các hệ thống âm vị tiếng Việt
• 6. CHƯƠNG 6: CÀI ĐẶT THỬ NGHIỆM NHẬN DẠNG TIẾNG VIỆT
• 6.1. Xây dựng hệ thống nhận dạng
• 6.1.1. Mô tả chung về hệ thống
• 6.1.2. Hệ thống nhận dạng
• 6.1.2.1. Sơ đồ khối của hệ thống
• 6.1.2.2. Tiền xử lý tiếng nói
• 6.1.2.3. Trích chọn đặc trưng BS
• 6.2. Lượng tử hóa VQ. Giải thuật nhận dạng
• 6.3. Mô tả chương trình thử nghiệm
• 6.4. Xây dựng thư viện, cơ sở dữ liệu mẫu
• 6.4.1. Thu âm điểm thanh
• 6.4.2. Huấn luyện MFCC và xây dựng vector đặc trưng VQ
• 6.4.3. Huấn luyện Markov ẩn
• 6.4.4. Tách từ
• 6.4.5. Nhận dạng
• 6.5. Kết quả nhận dạng
• 7. CHƯƠNG 7: THỬ NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ
• 7.1. Giao diện chương trình
• 7.2. Thực hiện thử nghiệm
• 7.2.1. Chuẩn bị thử nghiệm
• 7.2.2. Phương pháp thử nghiệm
• 7.2.3. Chương trình thử nghiệm
• 7.2.4. Thủ nghiệm chương trình theo các bước sau
• 7.3. Một số thử nghiệm
• KẾT LUẬN
• ĐỀ TÀI
• Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan luận văn nhận dạng tiếng nói tiếng Việt HMM

Nhận dạng tiếng nói tiếng Việt là một lĩnh vực xử lý tiếng nói đầy thách thức nhưng cũng đầy tiềm năng. Bài toán giao tiếp giữa người và máy tính bằng tiếng nói đã trở thành một mục tiêu quan trọng, và các hệ thống nhận dạng tiếng nói đóng vai trò then chốt trong việc hiện thực hóa mục tiêu này. Các hệ thống này ngày càng được ứng dụng rộng rãi trong nhiều lĩnh vực như điều khiển bằng giọng nói, chuyển đổi giọng nói thành văn bản (STT), và các ứng dụng tương tác người-máy. Tuy nhiên, nhận dạng tiếng nói vẫn còn nhiều khó khăn do tính biến thiên của tiếng nói theo thời gian, sự khác biệt giữa những người nói khác nhau, tốc độ nói, ngữ cảnh và môi trường âm thanh khác nhau. Việc xác định những thông tin biến thiên nào là hữu ích và thông tin nào là không cần thiết cho nhận dạng tiếng nói là một bài toán phức tạp. Các kỹ thuật xác suất thống kê được sử dụng để khái quát hóa các mẫu tiếng nói, nhưng ngay cả những kỹ thuật mạnh mẽ nhất cũng gặp khó khăn trong việc trích xuất những biến thiên quan trọng cần thiết. Mô hình Markov ẩn (HMM) đã chứng minh được tính hiệu quả trong việc mô hình hóa các tín hiệu biến đổi theo thời gian như tiếng nói, và do đó, được sử dụng rộng rãi trong các hệ thống nhận dạng tiếng nói. Các nghiên cứu và phát triển trong lĩnh vực này vẫn tiếp tục, với mục tiêu cải thiện độ chính xác, độ tin cậy và khả năng thích ứng của các hệ thống nhận dạng tiếng nói tiếng Việt. Luận văn này đi sâu vào việc ứng dụng mô hình Markov ẩn (HMM) để giải quyết bài toán nhận dạng tiếng nói tiếng Việt, khám phá các khía cạnh khác nhau của việc xây dựng và huấn luyện mô hình, cũng như đánh giá hiệu suất của hệ thống.

1.1. Lịch sử phát triển của nhận dạng tiếng nói

Nhận dạng tiếng nói là một lĩnh vực phát triển từ lâu, từ những năm 1950 với các hệ thống đơn giản nhận diện các chữ số riêng lẻ. Sự phát triển của công nghệ nhận dạng tiếng nói trải qua nhiều giai đoạn, từ các phương pháp dựa trên mẫu (template matching) đến các phương pháp thống kê như HMM. Ngày nay, với sự phát triển của Deep Learning cho nhận dạng tiếng nói, các mô hình mạng nơ-ron sâu đang đạt được những kết quả ấn tượng, vượt trội so với các phương pháp truyền thống trong một số bài toán. Tuy nhiên, HMM vẫn đóng vai trò quan trọng trong nhiều ứng dụng, đặc biệt là trong các hệ thống nhúng hoặc các bài toán đòi hỏi tính giải thích cao.

1.2. Ứng dụng thực tiễn của hệ thống nhận dạng tiếng nói

Ứng dụng của hệ thống nhận dạng tiếng nói rất đa dạng. Có thể kể đến các ứng dụng như: điều khiển thiết bị bằng giọng nói (ứng dụng nhận dạng tiếng nói), nhập liệu văn bản bằng giọng nói (ví dụ: phần mềm chính tả), trợ lý ảo (Siri, Google Assistant), hệ thống tự động trả lời trong các trung tâm liên lạc, và các ứng dụng trong lĩnh vực giáo dục và y tế. Trong lĩnh vực an ninh, nhận dạng tiếng nói có thể được sử dụng để xác thực danh tính và giám sát. Sự phát triển của công nghệ nhận dạng tiếng nói tiếp tục mở ra những khả năng mới và thay đổi cách chúng ta tương tác với máy tính và các thiết bị điện tử.

II. Vấn đề Thách thức trong nhận dạng tiếng nói tiếng Việt

Bài toán nhận dạng tiếng nói tiếng Việt đối mặt với nhiều thách thức đặc thù. Thứ nhất, tiếng Việt là một ngôn ngữ có thanh điệu, và việc nhận diện chính xác thanh điệu là yếu tố then chốt để hiểu đúng nghĩa của từ. Sự khác biệt nhỏ trong cao độ và đường nét thanh điệu có thể dẫn đến sự thay đổi hoàn toàn về ý nghĩa. Thứ hai, tiếng Việt có hệ thống nguyên âm và phụ âm phong phú, và sự kết hợp giữa chúng tạo ra một số lượng lớn các âm tiết khác nhau. Điều này đòi hỏi các hệ thống nhận dạng tiếng nói phải có khả năng phân biệt chính xác giữa các âm tiết tương tự. Thứ ba, tiếng Việt có nhiều phương ngữ khác nhau, và sự khác biệt về cách phát âm giữa các phương ngữ có thể gây khó khăn cho việc xây dựng các mô hình nhận dạng tiếng nói tổng quát. Cuối cùng, tiếng Việt thường được nói trong môi trường ồn ào, và tiếng ồn có thể làm giảm độ chính xác của các hệ thống nhận dạng tiếng nói. Theo tài liệu gốc, khó khăn cơ bản của nhận dạng tiếng nói là tiếng nói luôn biến thiên theo thời gian và có sự khác biệt lớn giữa tiếng nói của những người nói khác nhau, tốc độ nói, ngữ cảnh và môi trường âm bạc khác nhau. Do đó, các nghiên cứu về nhận dạng tiếng nói tiếng Việt cần tập trung vào việc giải quyết các thách thức này để cải thiện hiệu suất của các hệ thống.

2.1. Ảnh hưởng của thanh điệu đến độ chính xác

Thanh điệu là một đặc điểm quan trọng của tiếng Việt, và việc bỏ qua thanh điệu sẽ dẫn đến sự nhầm lẫn về ý nghĩa. Các hệ thống nhận dạng tiếng nói tiếng Việt cần phải được huấn luyện để nhận biết và phân biệt các thanh điệu khác nhau. Các phương pháp xử lý tín hiệu và trích xuất đặc trưng cần phải được điều chỉnh để có thể nắm bắt được các thông tin về cao độ và đường nét thanh điệu một cách hiệu quả. Một số nghiên cứu sử dụng các đặc trưng dựa trên cao độ (pitch) và các biến thể của nó để cải thiện độ chính xác nhận dạng trong môi trường có thanh điệu.

2.2. Biến thể phương ngữ và ảnh hưởng đến mô hình

Sự khác biệt về phát âm giữa các phương ngữ có thể gây khó khăn cho việc xây dựng một mô hình nhận dạng tiếng nói tổng quát có thể hoạt động tốt trên nhiều phương ngữ khác nhau. Một giải pháp là xây dựng các mô hình riêng biệt cho từng phương ngữ, hoặc sử dụng các kỹ thuật thích nghi mô hình để điều chỉnh một mô hình chung cho phù hợp với từng phương ngữ cụ thể. Việc thu thập cơ sở dữ liệu tiếng Việt bao gồm nhiều phương ngữ khác nhau là rất quan trọng để phát triển các hệ thống nhận dạng tiếng nói mạnh mẽ.

III. Giải pháp Mô hình Markov ẩn HMM cho tiếng Việt

Mô hình Markov ẩn (HMM) là một mô hình thống kê mạnh mẽ được sử dụng rộng rãi trong nhận dạng tiếng nói. HMM mô tả quá trình tạo ra tín hiệu tiếng nói như một chuỗi các trạng thái ẩn, và mỗi trạng thái phát ra một phân phối xác suất của các đặc trưng âm thanh. Trong nhận dạng tiếng nói, mỗi âm vị (phoneme) hoặc từ có thể được mô hình hóa bằng một HMM riêng biệt. Quá trình huấn luyện mô hình bao gồm việc ước lượng các tham số của HMM (xác suất chuyển trạng thái và xác suất phát) từ một tập dữ liệu huấn luyện lớn. Khi nhận dạng một đoạn tiếng nói chưa biết, hệ thống tính toán xác suất mà mỗi HMM tạo ra đoạn tiếng nói đó, và chọn HMM có xác suất cao nhất làm kết quả nhận dạng. Ưu điểm của HMM là khả năng mô hình hóa các tín hiệu biến đổi theo thời gian, khả năng xử lý các biến thể về tốc độ nói và ngữ cảnh, và tính hiệu quả về mặt tính toán. Tuy nhiên, HMM cũng có một số hạn chế, chẳng hạn như giả định độc lập giữa các khung tiếng nói liên tiếp.

3.1. Ưu điểm của HMM so với các phương pháp khác

So với các phương pháp nhận dạng tiếng nói truyền thống khác như so khớp mẫu (template matching), HMM có nhiều ưu điểm vượt trội. HMM có khả năng mô hình hóa các biến thể về tốc độ nói và ngữ cảnh một cách hiệu quả hơn, và có thể xử lý các tín hiệu tiếng nói có độ dài khác nhau. Ngoài ra, HMM có thể được huấn luyện từ một tập dữ liệu huấn luyện lớn, cho phép nó học được các đặc trưng quan trọng của tiếng nói một cách tự động. Dù Deep Learning cho nhận dạng tiếng nói đang phát triển mạnh, HMM vẫn giữ vai trò quan trọng trong các ứng dụng cụ thể nhờ tính đơn giản và hiệu quả.

3.2. Chi tiết về các thành phần của mô hình HMM

Một mô hình Markov ẩn (HMM) bao gồm các thành phần sau: tập hợp các trạng thái ẩn (states), xác suất chuyển trạng thái giữa các trạng thái (transition probabilities), và xác suất phát (emission probabilities) cho mỗi trạng thái. Các trạng thái ẩn đại diện cho các đơn vị ngôn ngữ nhỏ như âm vị hoặc từ, và các xác suất chuyển trạng thái mô tả cách các trạng thái thay đổi theo thời gian. Các xác suất phát mô tả mối quan hệ giữa các trạng thái ẩn và các đặc trưng âm thanh quan sát được. Việc lựa chọn số lượng trạng thái và cấu trúc của HMM là một yếu tố quan trọng ảnh hưởng đến hiệu suất của hệ thống nhận dạng tiếng nói. Tham khảo chương 4 của tài liệu gốc để hiểu rõ hơn.

3.3. Các thuật toán huấn luyện mô hình HMM hiệu quả

Việc huấn luyện mô hình HMM bao gồm việc ước lượng các tham số của mô hình từ một tập dữ liệu huấn luyện lớn. Các thuật toán huấn luyện phổ biến bao gồm thuật toán Baum-Welch (Expectation-Maximization) và thuật toán Viterbi. Thuật toán Baum-Welch là một thuật toán lặp, ước lượng các tham số của HMM bằng cách tối đa hóa khả năng của dữ liệu huấn luyện. Thuật toán Viterbi tìm đường đi trạng thái tối ưu cho một chuỗi các đặc trưng âm thanh quan sát được. Việc lựa chọn thuật toán huấn luyện phù hợp và điều chỉnh các tham số huấn luyện là rất quan trọng để đạt được hiệu suất tốt nhất.

IV. Trích xuất đặc trưng âm thanh cho nhận dạng tiếng nói HMM

Việc trích xuất các đặc trưng âm thanh phù hợp là một bước quan trọng trong việc xây dựng một hệ thống nhận dạng tiếng nói hiệu quả. Các đặc trưng âm thanh đại diện cho các thuộc tính quan trọng của tín hiệu tiếng nói, và được sử dụng làm đầu vào cho mô hình Markov ẩn (HMM). Các đặc trưng phổ biến bao gồm MFCC (Mel-Frequency Cepstral Coefficients), PLP (Perceptual Linear Prediction), và các đặc trưng dựa trên wavelet. MFCC là một tập hợp các hệ số biểu diễn phổ công suất của tín hiệu tiếng nói trên thang tần số Mel, mô phỏng cách tai người cảm nhận âm thanh. PLP là một phương pháp trích xuất đặc trưng dựa trên mô hình thính giác của con người. Việc lựa chọn các đặc trưng âm thanh phù hợp phụ thuộc vào đặc điểm của ngôn ngữ và môi trường âm thanh. Các đặc trưng thường được kết hợp với nhau để cải thiện hiệu suất của hệ thống nhận dạng tiếng nói.

4.1. MFCC Kỹ thuật trích đặc trưng phổ biến nhất

MFCC (Mel-Frequency Cepstral Coefficients) là một kỹ thuật trích xuất đặc trưng âm thanh phổ biến nhất trong nhận dạng tiếng nói. MFCC mô phỏng cách tai người cảm nhận âm thanh bằng cách sử dụng thang tần số Mel, và biểu diễn phổ công suất của tín hiệu tiếng nói bằng một tập hợp các hệ số. Quá trình trích xuất MFCC bao gồm các bước sau: phân khung tín hiệu, tính biến đổi Fourier rời rạc (DFT), tính log năng lượng phổ trên thang tần số Mel, và tính biến đổi cosine rời rạc (DCT). MFCC có khả năng nắm bắt được các đặc trưng quan trọng của tiếng nói, và ít nhạy cảm với tiếng ồn và các biến thể về tốc độ nói.

4.2. Lượng tử hóa vector VQ trong xử lý đặc trưng

Lượng tử hóa vector (VQ) là một kỹ thuật được sử dụng để giảm số lượng dữ liệu cần thiết để biểu diễn các đặc trưng âm thanh. Trong VQ, các vector đặc trưng được nhóm thành một số lượng nhỏ các cluster, và mỗi cluster được đại diện bởi một vector trung tâm (codebook vector). Thay vì lưu trữ toàn bộ vector đặc trưng, chỉ cần lưu trữ chỉ số của vector trung tâm gần nhất. VQ có thể giúp giảm kích thước mô hình và tăng tốc độ tính toán, nhưng cũng có thể làm giảm độ chính xác nếu số lượng cluster quá nhỏ. Các thuật toán VQ phổ biến bao gồm thuật toán Lloyd và thuật toán tách nhị phân (Binary Split).

V. Ứng dụng và kết quả thử nghiệm nhận dạng tiếng Việt HMM

Luận văn này trình bày kết quả thử nghiệm nhận dạng tiếng nói tiếng Việt sử dụng mô hình Markov ẩn (HMM). Hệ thống được xây dựng và huấn luyện trên một tập dữ liệu tiếng Việt, và hiệu suất của hệ thống được đánh giá bằng cách sử dụng tỷ lệ lỗi từ (Word Error Rate - WER). Kết quả thử nghiệm cho thấy rằng hệ thống đạt được một độ chính xác nhất định. Các yếu tố ảnh hưởng đến hiệu suất của hệ thống bao gồm kích thước của tập dữ liệu huấn luyện, chất lượng của các đặc trưng âm thanh, và cấu trúc của HMM. Các thử nghiệm cũng được thực hiện để đánh giá ảnh hưởng của tiếng ồn và các biến thể về tốc độ nói đến hiệu suất của hệ thống. Theo tài liệu gốc, hệ thống nhận dạng đã được cài đặt và thử nghiệm với các tham số khác nhau để đánh giá hiệu quả của mô hình. Chương 6 trong tài liệu gốc cung cấp thông tin chi tiết về các thử nghiệm và kết quả.

5.1. Xây dựng hệ thống nhận dạng Quy trình và công cụ

Việc xây dựng một hệ thống nhận dạng tiếng nói bao gồm nhiều bước, từ thu thập dữ liệu và tiền xử lý đến trích xuất đặc trưng, huấn luyện mô hình, và đánh giá hiệu suất. Các công cụ phần mềm phổ biến được sử dụng trong quá trình này bao gồm Kaldi, HTK (Hidden Markov Model Toolkit), và các thư viện Python như Librosa và SpeechPy. Việc lựa chọn công cụ phù hợp phụ thuộc vào yêu cầu của dự án và kinh nghiệm của người phát triển. Quy trình xây dựng hệ thống cần tuân thủ các nguyên tắc thiết kế tốt để đảm bảo tính ổn định, khả năng mở rộng và dễ bảo trì.

5.2. Đánh giá độ chính xác Tiêu chí và phương pháp đo lường

Độ chính xác là một tiêu chí quan trọng để đánh giá hiệu suất của một hệ thống nhận dạng tiếng nói. Các phương pháp đo lường độ chính xác phổ biến bao gồm tỷ lệ lỗi từ (Word Error Rate - WER) và tỷ lệ chính xác từ (Word Accuracy). WER đo lường số lượng từ bị nhận dạng sai trên tổng số từ trong đoạn tiếng nói, trong khi tỷ lệ chính xác từ đo lường số lượng từ được nhận dạng đúng trên tổng số từ. Việc lựa chọn phương pháp đo lường phù hợp phụ thuộc vào mục tiêu của việc đánh giá. Ngoài ra, cần phải đảm bảo rằng dữ liệu đánh giá là đại diện cho môi trường sử dụng thực tế.

VI. Kết luận và hướng phát triển của nhận dạng tiếng Việt HMM

Luận văn này đã trình bày một nghiên cứu về ứng dụng mô hình Markov ẩn (HMM) trong nhận dạng tiếng nói tiếng Việt. Kết quả thử nghiệm cho thấy rằng HMM là một phương pháp hiệu quả để giải quyết bài toán này, nhưng vẫn còn nhiều hướng để cải thiện hiệu suất. Trong tương lai, các nghiên cứu có thể tập trung vào việc kết hợp HMM với các kỹ thuật Deep Learning cho nhận dạng tiếng nói để tận dụng ưu điểm của cả hai phương pháp. Ngoài ra, việc xây dựng các cơ sở dữ liệu tiếng Việt lớn hơn và đa dạng hơn là rất quan trọng để huấn luyện các mô hình nhận dạng tiếng nói mạnh mẽ hơn. Nghiên cứu cũng cần tập trung vào việc giải quyết các thách thức đặc thù của tiếng Việt như thanh điệu và phương ngữ. Cuối cùng, việc phát triển các ứng dụng thực tế của nhận dạng tiếng nói tiếng Việt sẽ giúp thúc đẩy sự phát triển của lĩnh vực này.

6.1. Tích hợp Deep Learning để nâng cao hiệu suất

Việc kết hợp HMM với các kỹ thuật Deep Learning cho nhận dạng tiếng nói đang trở thành một xu hướng phổ biến. Các mô hình mạng nơ-ron sâu có thể được sử dụng để trích xuất các đặc trưng âm thanh phức tạp, và sau đó các đặc trưng này được sử dụng làm đầu vào cho HMM. Cách tiếp cận này có thể giúp cải thiện đáng kể hiệu suất của hệ thống nhận dạng tiếng nói, đặc biệt là trong môi trường ồn ào và với các biến thể về tốc độ nói. Các mô hình phổ biến bao gồm HMM kết hợp với mạng nơ-ron tích chập (Convolutional Neural Networks - CNN) và mạng nơ-ron hồi quy (Recurrent Neural Networks - RNN).

6.2. Xây dựng cơ sở dữ liệu tiếng Việt chất lượng cao

Việc xây dựng các cơ sở dữ liệu tiếng Việt lớn hơn và đa dạng hơn là rất quan trọng để huấn luyện các mô hình nhận dạng tiếng nói mạnh mẽ hơn. Các cơ sở dữ liệu cần bao gồm nhiều người nói khác nhau, các phương ngữ khác nhau, và các môi trường âm thanh khác nhau. Ngoài ra, cần phải đảm bảo rằng dữ liệu được ghi âm có chất lượng cao và được gán nhãn chính xác. Các cơ sở dữ liệu công khai như VIVOS và VLSP đang đóng góp quan trọng vào sự phát triển của nhận dạng tiếng nói tiếng Việt.

Trích đoạn nội dung tài liệu

CHƯƠNG I1: GIỚI THIỆU VỀ ÂM THANH - TIỄNG NÓI. Bộ máy phát âm và thu âm tiếng nói. Cơ chế phát âm tiếng nỏi. 8ø để hệ thống phát 4m tiếng nỏi.

Qué trinh phat 4m tiéng nởi của con người. Phân loại âm thanh. Đặc trưng của tiếng nói 13 113. Cơ quan thính giác con người.

14 64 Gino diện chương trình : 65 'Thực hign thir ngbiém .1 Chuẩn bị thử nghiệm.2 Phương pháp thử nghiệm.3 Chương trình thử nghiệm.4 Thủ nghiệm chương trình theo oác bước sau 6.6 #ột số thử nghiệm: : KÉT LUẬN DE TAL 2. Tướng pháttriển 108 TÀI LIEU THAM KHẢO 11 2. Lọc theo thang tan sé Mel 36 2.5, Tinh log ning lượng phổ. Bién đãi Fourier nguge-IDIT.1, Các đặc tính của VQ: 3.icco0icecvirerrrrrrrrreee 32 Các yếu tô khi tổ chức VQ.

34 Phân nhóm các vector 3.1 Thuat toan Lloyd 342 Thuệt toản tách nhị phân Binary Split 38 Phin lop vector CHƯƠNG 4:MÔ TIÌNT MARKOV ẢN 41 Quá trinh Markov 4.1 Giới thiệu quả trinh Markov iw 4.2 Các thành phan trong qua trinh (chudi) Markov: 4.13 Vi du quá trình Markov 42 Mã hình Markov dn 35 42.1 Giới thiệu về mô hình Markov 358 42.2 Thánh phần của một mỏ hình Markov ẩn 58 Trang 2 Trước đây, vẫn đề giao tiép tiéng noi gilta may tinh voi con người có lế là một điều tướng chừng không tưởng. Nhưng ngày nay, điều đỏ đang dẫn trở thành hiện thực. Tuy rằng các hệ thắng được xây dung vẫn còn một khoảng cách khả xa so với thực tế, không thể boàn hảo như bộ óc cũa con người, nhưng cũng đã đại được mội số thành tựu đáng kế có thể được ứng dụng vào dời sẵng, Có thể kê dẫn hệ thông nhận dang tiéng Anh, vi du: phan mém Via Toice của TBÀ4, hệ thống nhận dạng tiẳng nói tích hop cia Office XP. Bén cạnh đó, nhận dạng nắng nói cũng được án đụng thành công trong nhiêu lĩnh vực khác nhục lình vực điều khiển, lĩnh vực chuyên di tin biệu, lĩnh vực nhận đang.

Khó khăn cơ bản của nhận dạng tiếng nói dé là tiếng nói luôn biên thiên theo thời gian và cô sự khác biệt lớn giữa tằng nói của những người nói khác nhau, tắc độ nói, ngữ cảnh và môi trường âm bạc khác nhau, Xác định những thông tin biển thiên nào của tiếng nói là có Ích và những thông tin nào là không có ích đối với nhận dạng tếng nói là rất quan trọng. Đây là một nhiệm vụ rất khó khăn mà ngay cả với các kỹ thuậi xác suất thông kê mạnh cũng khó khăn trong việc tổng quát hoá từ các mẫu tiếng nói những biến thiên quan trọng cân thiết trang nhận dạng tiếng nài. THiện nay, kỹ thuật nhận đạng đang được rất nhiều người quan tâm, bởi vì đây là một ngành khoa học có rất nhiều ứng dụng trong khoa học kỹ thuật, tì học, sinh học và cả trong lĩnh vực an nình quốc gia. Nghiên cứu xử lý tiếng nói đã trân qua nhiều năm và đã đạt được những kết quả nhất định vã dã có những ứng dụng trong các lĩnh vực trong đời sng con người, 43 Ta bài toán cơ bản của mô hình Markoy ân 4.

Giới thiệu các bài toán. Giải pháp toán học cho ba bài toán trên .23 Baitoan3 44 Mật số mô hình Markov An 444.1 M6 inh LMM rOi rae.42 Méhinh LMM liéntuc.43 Mê hinh IMM bán liên tục. bP 48 Giới hạn của mê hình Markov ấn 69 CHƯƠNG 8: NGÔN NGỮ VÀ NGỮ ÂM TIẾNG VIỆT 31 Ngôn ngữ tiếng Việt 52 Ngữ âm tiếng Việt 5.13 Am té (sound) $214 Amvi 5.2 Ngữ âm tiếng Việt $2.22 Đặc điểm của âm tiết tiếng Viet Trang 2 Trước đây, vẫn đề giao tiép tiéng noi gilta may tinh voi con người có lế là một điều tướng chừng không tưởng. Nhưng ngày nay, điều đỏ đang dẫn trở thành hiện thực.

Tuy rằng các hệ thắng được xây dung vẫn còn một khoảng cách khả xa so với thực tế, không thể boàn hảo như bộ óc cũa con người, nhưng cũng đã đại được mội số thành tựu đáng kế có thể được ứng dụng vào dời sẵng, Có thể kê dẫn hệ thông nhận dang tiéng Anh, vi du: phan mém Via Toice của TBÀ4, hệ thống nhận dạng tiẳng nói tích hop cia Office XP. Bén cạnh đó, nhận dạng nắng nói cũng được án đụng thành công trong nhiêu lĩnh vực khác nhục lình vực điều khiển, lĩnh vực chuyên di tin biệu, lĩnh vực nhận đang. Khó khăn cơ bản của nhận dạng tiếng nói dé là tiếng nói luôn biên thiên theo thời gian và cô sự khác biệt lớn giữa tằng nói của những người nói khác nhau, tắc độ nói, ngữ cảnh và môi trường âm bạc khác nhau, Xác định những thông tin biển thiên nào của tiếng nói là có Ích và những thông tin nào là không có ích đối với nhận dạng tếng nói là rất quan trọng. Đây là một nhiệm vụ rất khó khăn mà ngay cả với các kỹ thuậi xác suất thông kê mạnh cũng khó khăn trong việc tổng quát hoá từ các mẫu tiếng nói những biến thiên quan trọng cân thiết trang nhận dạng tiếng nài.

THiện nay, kỹ thuật nhận đạng đang được rất nhiều người quan tâm, bởi vì đây là một ngành khoa học có rất nhiều ứng dụng trong khoa học kỹ thuật, tì học, sinh học và cả trong lĩnh vực an nình quốc gia. Nghiên cứu xử lý tiếng nói đã trân qua nhiều năm và đã đạt được những kết quả nhất định vã dã có những ứng dụng trong các lĩnh vực trong đời sng con người, Trang | CHUONG 0 MO DAU 43 Ta bài toán cơ bản của mô hình Markoy ân 4. Giới thiệu các bài toán. Giải pháp toán học cho ba bài toán trên .23 Baitoan3 44 Mật số mô hình Markov An 444.1 M6 inh LMM rOi rae.42 Méhinh LMM liéntuc.43 Mê hinh IMM bán liên tục.

bP 48 Giới hạn của mê hình Markov ấn 69 CHƯƠNG 8: NGÔN NGỮ VÀ NGỮ ÂM TIẾNG VIỆT 31 Ngôn ngữ tiếng Việt 52 Ngữ âm tiếng Việt 5.13 Am té (sound) $214 Amvi 5.2 Ngữ âm tiếng Việt $2.22 Đặc điểm của âm tiết tiếng Viet 2/3 Các hệ thống äm vị tiếng Việt. CHƯƠNG 6: CÀI ĐẶT THỨ NGHIỆM NHAN DANG TIENG VIET 61 Xây dựng hệ thông nhận dạng.1 Mô tả chung về hệ thông 6.2 TIệ thông nhận dạng 6121 Sơ để khối của hệ thống: 6.122 Tiền xử lý tổng nói:.123 Trích chọn đặc trưng BS 6.4 Lượng tửhóa VQ.6 Giải thuật nhận dạng 62 Mô tả chương trình thử nghiệm 34 6.1 Xây dựng thư viện, cơ sở dữ liệu mẫu: 94 6211 Thuầm ñleâm thanh 94 6.13 Huấn luyén MFCC va xay dung veclor dic trun VQ 95 6214 Huan luyén Markov an: 96 6.2 Tachnr 96 622% Nhận đang 96 63 Két quả nhận dụng 98 Trang | CHUONG 0 MO DAU Trang 2 Trước đây, vẫn đề giao tiép tiéng noi gilta may tinh voi con người có lế là một điều tướng chừng không tưởng. Nhưng ngày nay, điều đỏ đang dẫn trở thành hiện thực. Tuy rằng các hệ thắng được xây dung vẫn còn một khoảng cách khả xa so với thực tế, không thể boàn hảo như bộ óc cũa con người, nhưng cũng đã đại được mội số thành tựu đáng kế có thể được ứng dụng vào dời sẵng, Có thể kê dẫn hệ thông nhận dang tiéng Anh, vi du: phan mém Via Toice của TBÀ4, hệ thống nhận dạng tiẳng nói tích hop cia Office XP.

Bén cạnh đó, nhận dạng nắng nói cũng được án đụng thành công trong nhiêu lĩnh vực khác nhục lình vực điều khiển, lĩnh vực chuyên di tin biệu, lĩnh vực nhận đang. Khó khăn cơ bản của nhận dạng tiếng nói dé là tiếng nói luôn biên thiên theo thời gian và cô sự khác biệt lớn giữa tằng nói của những người nói khác nhau, tắc độ nói, ngữ cảnh và môi trường âm bạc khác nhau, Xác định những thông tin biển thiên nào của tiếng nói là có Ích và những thông tin nào là không có ích đối với nhận dạng tếng nói là rất quan trọng. Đây là một nhiệm vụ rất khó khăn mà ngay cả với các kỹ thuậi xác suất thông kê mạnh cũng khó khăn trong việc tổng quát hoá từ các mẫu tiếng nói những biến thiên quan trọng cân thiết trang nhận dạng tiếng nài. THiện nay, kỹ thuật nhận đạng đang được rất nhiều người quan tâm, bởi vì đây là một ngành khoa học có rất nhiều ứng dụng trong khoa học kỹ thuật, tì học, sinh học và cả trong lĩnh vực an nình quốc gia.

Nghiên cứu xử lý tiếng nói đã trân qua nhiều năm và đã đạt được những kết quả nhất định vã dã có những ứng dụng trong các lĩnh vực trong đời sng con người, 64 Gino diện chương trình : 65 'Thực hign thir ngbiém .1 Chuẩn bị thử nghiệm.2 Phương pháp thử nghiệm.3 Chương trình thử nghiệm.4 Thủ nghiệm chương trình theo oác bước sau 6.6 #ột số thử nghiệm: : KÉT LUẬN DE TAL 2. Tướng pháttriển 108 TÀI LIEU THAM KHẢO 11 64 Gino diện chương trình : 65 'Thực hign thir ngbiém .1 Chuẩn bị thử nghiệm.2 Phương pháp thử nghiệm.3 Chương trình thử nghiệm.4 Thủ nghiệm chương trình theo oác bước sau 6.6 #ột số thử nghiệm: : KÉT LUẬN DE TAL 2. Tướng pháttriển 108 TÀI LIEU THAM KHẢO 11 2. Lọc theo thang tan sé Mel 36 2.5, Tinh log ning lượng phổ.

Bién đãi Fourier nguge-IDIT.1, Các đặc tính của VQ: 3.icco0icecvirerrrrrrrrreee 32 Các yếu tô khi tổ chức VQ. 34 Phân nhóm các vector 3.1 Thuat toan Lloyd 342 Thuệt toản tách nhị phân Binary Split 38 Phin lop vector CHƯƠNG 4:MÔ TIÌNT MARKOV ẢN 41 Quá trinh Markov 4.1 Giới thiệu quả trinh Markov iw 4.2 Các thành phan trong qua trinh (chudi) Markov: 4.13 Vi du quá trình Markov 42 Mã hình Markov dn 35 42.1 Giới thiệu về mô hình Markov 358 42.2 Thánh phần của một mỏ hình Markov ẩn 58 1.1, Cấu tạo của hệ thông tiếp ảm 1. Dic tính ầm học của âm thanh tiếng nói 1. Dặc tính của tín hiệu tiếng nói.

Các đặc tỉnh khác 1. Dặc trưng của tín hiệu tiếng nỏi.21, Dạng sóng tín hiệu tiếng nói 1. - Tỉnh tuần hoàn của tín hiệu tiếng nói. Chu kỳ của âm cơ bản.

Tính không hữu hiệu của tin hiệu tiếng nói 12. Phố trung bính của tín hiệu tiếng nói. Phế thức thời của tín hiệu tiếng nói CIƯƠNG 2: TRÍCH DẠC TRƯNG TTÉ^ 21. THầm năng lượng thời gian ngắn.

Nhắn mạnh tín hiệu 2. Sơ đồ trích đặc trưng MECC. Tạo khimg tín hiệu 2. BiênLakđối Fourier rời rạc-DFT Trang | CHUONG 0 MO DAU 64 Gino diện chương trình : 65 'Thực hign thir ngbiém .1 Chuẩn bị thử nghiệm.2 Phương pháp thử nghiệm.3 Chương trình thử nghiệm.4 Thủ nghiệm chương trình theo oác bước sau 6.6 #ột số thử nghiệm: : KÉT LUẬN DE TAL 2.

Tướng pháttriển 108 TÀI LIEU THAM KHẢO 11 1.1, Cấu tạo của hệ thông tiếp ảm 1. Dic tính ầm học của âm thanh tiếng nói 1.