I. Khái niệm về nhận dạng tiếng nói tiếng Việt mức dưới từ
Nhận dạng tiếng nói tiếng Việt sử dụng mức dưới từ là một công nghệ tiên tiến trong lĩnh vực xử lý tín hiệu và truyền thông. Phương pháp này tập trung vào việc phân tích các đơn vị âm thanh nhỏ hơn từ như âm vị, nửa âm tiết để xây dựng các mô hình nhận dạng hiệu quả. Thay vì chỉ sử dụng toàn bộ từ, hệ thống phân tích các thành phần cơ bản tạo nên tiếng nói, cho phép xử lý số lượng từ vựng lớn hơn. Đây là nền tảng quan trọng để phát triển các ứng dụng nhận dạng tiếng nói liên tục trong tương lai. Kỹ thuật này đã được áp dụng rộng rãi trong các hệ thống hiện đại.
1.1. Định nghĩa mức dưới từ trong nhận dạng tiếng nói
Mức dưới từ (subword units) bao gồm các đơn vị nhỏ như âm vị, nửa âm tiết và triphone. Đây là những thành phần cơ bản tạo nên cấu trúc của tiếng nói. Sử dụng các đơn vị này giúp hệ thống nhận dạng tiếng nói có khả năng xử lý linh hoạt hơn và giảm yêu cầu dữ liệu huấn luyện so với mô hình toàn từ.
1.2. Ưu điểm của phương pháp mức dưới từ
Phương pháp nhận dạng tiếng nói mức dưới từ giúp xử lý số lượng từ vựng lớn hơn, cải thiện độ chính xác khi phát âm liên tục, và giảm chi phí tính toán. Hệ thống có thể nhận dạng các từ chưa được huấn luyện trước đó bằng cách kết hợp các đơn vị âm thanh cơ bản.
II. Đặc trưng của tiếng nói tiếng Việt
Tiếng nói tiếng Việt có những đặc trưng riêng biệt cần được hiểu rõ để xây dựng hệ thống nhận dạng tiếng nói hiệu quả. Tiếng Việt là ngôn ngữ đơn âm tiết với hệ thống thanh điệu phong phú, bao gồm sáu thanh cơ bản. Các đặc tính ngữ âm của tiếng Việt bao gồm âm vị, phụ âm, và nguyên âm với những tính chất âm học khác nhau. Tín hiệu tiếng nói được phát sinh từ sự dao động của dây thanh, tạo ra các đặc trưng tần số và năng lượng riêng. Hiểu rõ cơ chế tạo tiếng nói là tiền đề để thiết kế các mô hình Markov ẩn phù hợp.
2.1. Hệ thống âm vị và thanh điệu tiếng Việt
Tiếng Việt có khoảng 21-22 phụ âm, 11 nguyên âm và 6 thanh điệu chính. Mỗi âm vị có những đặc trưng âm học riêng trong miền tần số. Hệ thống thanh điệu ảnh hưởng lớn đến tín hiệu tiếng nói và cần được xử lý đặc biệt trong quá trình trích chọn đặc trưng.
2.2. Đặc tính âm học của tiếng nói tiếng Việt
Âm thanh tiếng Việt bao gồm âm hữu thanh và âm vô thanh với năng lượng thời gian ngắn khác nhau. Tần số cơ bản (F0) thay đổi theo thanh điệu, tạo ra các mẫu sóng độc lập. Việc phân tích tín hiệu trên miền thời gian và miền tần số giúp xác định chính xác các đơn vị âm thanh.
III. Kỹ thuật trích chọn đặc trưng MFCC
Trích chọn đặc trưng MFCC (Mel-Frequency Cepstral Coefficients) là phương pháp chuẩn được sử dụng rộng rãi trong hệ thống nhận dạng tiếng nói. Kỹ thuật này mô phỏng cách tai người nhận thức âm thanh, chuyển đổi tín hiệu từ miền tần số sang thang Mel. Quá trình trích chọn đặc trưng bao gồm: tiền xử lý tín hiệu, biến đổi Fourier rời rạc, áp dụng bộ lọc hiệu chỉnh trên thang Mel, biến đổi Cosins rời rạc, và tính toán Cepstral có trọng số. Các hệ số MFCC thu được cung cấp thông tin đầy đủ về đặc trưng tín hiệu tiếng nói cần thiết cho huấn luyện mô hình. Phương pháp này đã chứng minh hiệu quả cao trong các ứng dụng thực tế.
3.1. Quy trình tiền xử lý và phân tích tín hiệu
Bước đầu tiên là tiền xử lý tín hiệu, bao gồm phát hiện điểm đầu và điểm cuối của tiếng nói, phân khung với hàm cửa số phù hợp. Tính toán hàm năng lượng ngắn hạn để phát hiện hoạt động tiếng nói, áp dụng bộ lọc hiệu chỉnh để loại bỏ nhiễu tần số thấp.
3.2. Tính toán hệ số MFCC
Sau biến đổi Fourier rời rạc, áp dụng bộ lọc Mel để chuyển đổi sang thang Mel phù hợp với cách nghe của con người. Tính toán logarit năng lượng và thực hiện biến đổi Cosins rời rạc để thu được hệ số Cepstral. Các tham số tức thời và đạo hàm của chúng được tính toán làm đặc trưng đầu vào cho mô hình.
IV. Mô hình Markov ẩn và ứng dụng trong nhận dạng
Mô hình Markov ẩn (Hidden Markov Model - HMM) là nền tảng toán học cho hầu hết các hệ thống nhận dạng tiếng nói hiện đại. Mô hình HMM mô tả quá trình phát sinh tín hiệu tiếng nói thông qua một chuỗi trạng thái ẩn và xác suất quan sát. Trong nhận dạng tiếng nói tiếng Việt mức dưới từ, mỗi đơn vị âm thanh (âm vị, nửa âm tiết) được mô hình hóa bằng một HMM với 3-5 trạng thái. Thủ tục huấn luyện nhúng (embedded training) là kỹ thuật quan trọng cho phép huấn luyện mô hình trực tiếp từ tín hiệu tiếng nói liên tục mà không cần phân khúc thủ công. Quá trình huấn luyện mô hình sử dụng thuật toán Baum-Welch để tối ưu hóa các tham số mô hình. Nhận dạng trong thời gian thực được thực hiện bằng thuật toán Viterbi theo chùm.
4.1. Cấu trúc và huấn luyện mô hình HMM
Mô hình HMM cho âm vị bao gồm 3-5 trạng thái với ma trận chuyển đổi trạng thái và phân phối xác suất quan sát. Mô hình âm vị kép và triphone cải thiện độ chính xác bằng cách xem xét ngữ cảnh. Thủ tục huấn luyện nhúng cho phép tối ưu hóa mô hình Markov ẩn từ dữ liệu có ghi chú ở mức câu hoặc từ.
4.2. Nhận dạng thời gian thực và tìm kiếm Viterbi
Thuật toán Viterbi tìm chuỗi trạng thái tối ưu nhất cho tín hiệu quan sát. Tìm kiếm Viterbi theo chùm giảm độ phức tạp tính toán bằng cách chỉ giữ lại N giả thuyết tốt nhất. Mô hình ngôn ngữ được tích hợp để ưu tiên các chuỗi từ hợp lý, cải thiện độ chính xác của hệ thống nhận dạng tiếng nói trong thời gian thực.
