Luận văn: Nhận dạng tự động lứa tuổi của tiếng Việt nói - Đại học Bách Khoa Hà Nội

Luận văn nghiên cứu nhận dạng tự động lứa tuổi tiếng Việt nói. Khám phá các phương pháp, kỹ thuật tiên tiến để xác định độ tuổi người nói qua giọng nói.

• Tác giả: Phạm Thu Thuận
• Người hướng dẫn: TS. Nguyễn Hồng Quang
• Trường học: Trường Đại học Bách Khoa Hà Nội
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Nhận Dạng Tự Động Lứa Tuổi Qua Giọng Nói Tiếng Việt
• Loại tài liệu: Luận Văn Thạc Sĩ Kỹ Thuật
• Năm xuất bản: 2014
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. Tổng quan về nhận dạng lứa tuổi cửa tiếng Việt nói.
• 1. Cơ sở khoa học về nhận dạng lửa tuổi của tiếng Việt nói
• 1.1. Nguyễn lý lam việc hệ thống nhận đạng lứa tuổi của ngôn ngữ nói.
• 1.2. Mô hình hệ thống nhận đạng tủa tuổi của tiếng Việt nói.
• 1.3. Các công cụ sử đụng trong để tài
• 1.3.1. Máy ảo Viiware Workstation v9,0. Hệ điều hành Linux-CentOS
• 1.3.2. BG céng cu ALIZE
• 1.3.3. Kgôn ngữ lập trình Pythen
• 2. CHƯƠNG 2. TRIỂN KHAI HỆ THỐNG THỨ NGHIỆM NHẬN DẠNG NGƯỜI NÓI TIÊNG VIỆT
• 2.1. Phương pháp thu âm dữ liệu.
• 2.2. Phân chứa cơ sở dữ liệu để thủ nghiệm
• 2.3. Mô hình phân cấp nhận dạng lửa tuổi của tiếng, Việt nói.
• 2.4. Quy trinh nhận dạng lửa tuổi người nói sử dụng ALIZH.
• 2.5. Tỉnh tham số MECC.
• 2.6. Chuẩn hóa năng lượng,. Phát hiện năng lượng trên các tín hiệu
• 2.7. Chuẩn hóa các thông số của tín hiệu
• 2.8. Tuần luyện mô hình tổng quét (TrainWorldInit).
• 2.9. Huân luyện mô hình đích (TrairWorldF inal)
• 2.10. Huan luyén mé hinh GMM cho tửng lửa tuổi người nói.
• 2.11. Phân tích dánh giả kết quả.
• 2.11.1. Kết quả của thử nghiệm với cơ sở dữ liệu không đẳng déu:
• 2.11.2. Kết quả thử nghiệm với co sd dit ligu đồng déu
• 3. CHƯƠNG 3: KET LUAN VA HUONG PHAT TRIEN.
• 3.1. Những vấn đề đã giải quyết trong luận văn.
• 3.2. Hướng phát triển:
• TÀI LIỆU THAM KHẢO.
• DANH MUC BIEU DO
• DANH MỤC HÌNH
• DANH MUC BANG
• DANH MUC KY HIEU, CHI VIET TAT

Tóm tắt

I. Tổng Quan Về Nhận Dạng Lứa Tuổi Tiếng Việt Nói Khám Phá

Tiếng Việt, phương tiện giao tiếp phổ biến, mang sắc thái riêng theo vùng miền và lứa tuổi. Các nhà ngôn ngữ học chia người nói tiếng Việt thành bốn nhóm tuổi: thiếu niên, thanh niên, trung niên và người già. Giọng nói truyền tải thông tin về giới tính, tuổi tác và cảm xúc. Điều này thúc đẩy sự ra đời của các ứng dụng nhận dạng tự động lứa tuổi qua giọng nói, phục vụ giải trí và điều tra. Trên thế giới, hệ thống nhận dạng lứa tuổi cho tiếng Anh và tiếng Pháp đã phát triển, nhưng nhận dạng lứa tuổi tiếng Việt còn nhiều hạn chế. Việt Nam cần nghiên cứu sâu hơn về đặc trưng lứa tuổi trong tiếng Việt để xây dựng ứng dụng phù hợp. Mục tiêu của nghiên cứu này là tìm hiểu và phát triển chương trình nhận dạng người nói tiếng Việt. Đề tài tập trung nghiên cứu cơ sở lý thuyết về giọng nói của từng lứa tuổi và mô hình GMM, bộ công cụ ALIZE để nhận dạng lứa tuổi. Luận văn này sẽ đi sâu vào các yếu tố ảnh hưởng đến độ chính xác nhận dạng lứa tuổi và đề xuất các phương pháp nâng cao hiệu quả. Nghiên cứu sử dụng cơ sở dữ liệu giọng nói tiếng Việt để huấn luyện và kiểm thử mô hình. Theo Phạm Thu Thuận, tác giả luận văn, nghiên cứu này là công trình nghiên cứu cá nhân dưới sự hướng dẫn của TS. Nguyễn Hồng Quang và cam kết tính trung thực của các kết quả.

1.1. Tại Sao Nhận Dạng Lứa Tuổi Tiếng Việt Lại Quan Trọng

Nhận dạng lứa tuổi qua giọng nói tiếng Việt mở ra nhiều ứng dụng tiềm năng. Ứng dụng trong lĩnh vực giải trí, chẳng hạn, có thể tạo ra trải nghiệm cá nhân hóa hơn cho người dùng. Trong lĩnh vực điều tra, nhận diện độ tuổi qua giọng nói tiếng Việt có thể hỗ trợ xác định đối tượng nghi vấn. Việc phát triển hệ thống xử lý tiếng nói tiếng Việt cho phép phân tích giọng nói, trích xuất thông tin hữu ích về người nói. Trí tuệ nhân tạo đóng vai trò quan trọng trong việc xây dựng các mô hình nhận dạng giọng nói chính xác. Nghiên cứu này góp phần vào việc xây dựng cơ sở dữ liệu giọng nói tiếng Việt phong phú và đa dạng.

1.2. Các Ứng Dụng Tiềm Năng Của Nhận Dạng Lứa Tuổi

Các ứng dụng tiềm năng của nhận dạng lứa tuổi tiếng Việt rất đa dạng. Trong lĩnh vực giáo dục, có thể sử dụng để phân tích giọng đọc của học sinh, từ đó đánh giá khả năng phát âm và ngữ điệu theo từng lứa tuổi. Trong lĩnh vực y tế, hệ thống có thể hỗ trợ chẩn đoán các bệnh liên quan đến giọng nói ở các độ tuổi khác nhau. Ngoài ra, ứng dụng nhận dạng lứa tuổi tiếng Việt có thể được tích hợp vào các hệ thống bảo mật để xác thực người dùng dựa trên đặc điểm giọng nói. Việc phân loại độ tuổi giọng nói tiếng Việt cũng giúp các nhà nghiên cứu ngôn ngữ hiểu rõ hơn về sự thay đổi của giọng nói theo thời gian.

II. Cơ Sở Khoa Học Nhận Dạng Lứa Tuổi Tiếng Việt Nói

Cơ sở khoa học của nhận dạng lứa tuổi tiếng Việt dựa trên việc phân tích các đặc trưng âm học của giọng nói. Giọng nói của mỗi lứa tuổi có những đặc điểm riêng biệt, ví dụ, tần số giọng nói trung bình của trẻ em cao hơn so với người lớn. Các đặc trưng như cường độ âm thanh, độ rung và tốc độ nói cũng thay đổi theo độ tuổi. Các nghiên cứu về đặc trưng giọng nói cho nhận dạng lứa tuổi đã chỉ ra rằng việc sử dụng kết hợp nhiều đặc trưng khác nhau có thể cải thiện độ chính xác của hệ thống. Các thuật toán học máy được sử dụng để xây dựng mô hình phân loại, dự đoán độ tuổi dựa trên các đặc trưng âm học. Mô hình học sâu cũng được áp dụng để trích xuất các đặc trưng phức tạp từ dữ liệu giọng nói, nâng cao khả năng nhận dạng lứa tuổi. Luận văn Phạm Thu Thuận tiếp cận vấn đề này bằng cách sử dụng mô hình GMM (Gaussian Mixture Model) và bộ công cụ ALIZE.

2.1. Phân Tích Đặc Trưng Giọng Nói Của Các Lứa Tuổi

Phân tích đặc trưng giọng nói là bước quan trọng trong nhận dạng lứa tuổi. Các đặc trưng như tần số cơ bản (F0), các hệ số Mel-Frequency Cepstral Coefficients (MFCCs) và các thông số liên quan đến độ rung của thanh quản được sử dụng rộng rãi. Nghiên cứu cho thấy F0 thường giảm dần theo độ tuổi. MFCCs, biểu diễn phổ của âm thanh, cũng có sự khác biệt đáng kể giữa các lứa tuổi. Để trích xuất các đặc trưng này, cần sử dụng các kỹ thuật xử lý tín hiệu số và phân tích âm học tiên tiến. Việc lựa chọn các đặc trưng phù hợp và kết hợp chúng một cách hiệu quả có thể tăng cường khả năng phân biệt giữa các nhóm tuổi.

2.2. Ứng Dụng Mô Hình GMM Trong Nhận Dạng Lứa Tuổi

Mô hình GMM (Gaussian Mixture Model) là một phương pháp thống kê được sử dụng để mô hình hóa phân phối xác suất của dữ liệu. Trong nhận dạng lứa tuổi, GMM được sử dụng để mô hình hóa phân phối của các đặc trưng giọng nói cho từng lứa tuổi. Mỗi lứa tuổi được biểu diễn bằng một GMM riêng biệt. Quá trình nhận dạng bao gồm việc tính toán xác suất của mẫu giọng nói đầu vào thuộc về từng GMM, sau đó gán nhãn lứa tuổi tương ứng với GMM có xác suất cao nhất. Thuật toán Expectation Maximization (EM) thường được sử dụng để huấn luyện các tham số của GMM. Theo luận văn, tác giả Phạm Thu Thuận đã sử dụng mô hình GMM để xây dựng hệ thống nhận dạng lứa tuổi tiếng Việt.

2.3. Vai trò của học máy và học sâu

Học máy và học sâu đóng vai trò then chốt. Các thuật toán này cho phép hệ thống tự động học các đặc trưng quan trọng từ dữ liệu giọng nói, thay vì dựa vào các đặc trưng được thiết kế thủ công. Mô hình học sâu cho nhận dạng lứa tuổi như mạng nơ-ron tích chập (CNN) và mạng nơ-ron hồi quy (RNN) có khả năng trích xuất các đặc trưng phức tạp và phi tuyến tính từ dữ liệu âm thanh, giúp cải thiện độ chính xác nhận dạng. Việc sử dụng các mô hình trí tuệ nhân tạo trong nhận dạng giọng nói này đòi hỏi lượng dữ liệu lớn để huấn luyện và tinh chỉnh mô hình.

III. Phương Pháp Xây Dựng Hệ Thống Nhận Dạng Tuổi Tiếng Việt

Việc xây dựng hệ thống nhận dạng lứa tuổi tiếng Việt đòi hỏi một quy trình bài bản. Đầu tiên, cần thu thập cơ sở dữ liệu giọng nói tiếng Việt đủ lớn và đa dạng, bao gồm giọng nói của người thuộc nhiều lứa tuổi khác nhau. Tiếp theo, cần tiền xử lý dữ liệu, bao gồm loại bỏ nhiễu và chuẩn hóa âm lượng. Sau đó, trích xuất các đặc trưng âm học quan trọng từ dữ liệu giọng nói. Cuối cùng, huấn luyện mô hình phân loại, ví dụ như GMM, để dự đoán lứa tuổi. Việc đánh giá hiệu năng của hệ thống bằng cách sử dụng các chỉ số như độ chính xác nhận dạng lứa tuổi là cần thiết. Luận văn của Phạm Thu Thuận trình bày chi tiết các bước trong quy trình này và đưa ra các kết quả thực nghiệm.

3.1. Thu Thập Và Xử Lý Dữ Liệu Giọng Nói Tiếng Việt

Việc thu thập cơ sở dữ liệu giọng nói tiếng Việt là một thách thức. Cần đảm bảo tính đa dạng về vùng miền, giới tính và độ tuổi của người tham gia. Quá trình thu âm cần được thực hiện trong môi trường kiểm soát để giảm thiểu nhiễu. Sau khi thu âm, cần thực hiện các bước tiền xử lý như lọc nhiễu, chuẩn hóa âm lượng và phân đoạn âm thanh. Việc gán nhãn lứa tuổi chính xác cho từng mẫu giọng nói là rất quan trọng. Theo luận văn, tác giả đã thu âm dữ liệu giọng nói và phân chia thành các tập huấn luyện và kiểm thử.

3.2. Lựa Chọn Và Trích Xuất Đặc Trưng Âm Học Phù Hợp

Việc lựa chọn đặc trưng âm học phù hợp là yếu tố quyết định đến hiệu năng của hệ thống. Các đặc trưng như MFCCs, tần số cơ bản và các thông số liên quan đến độ rung của thanh quản thường được sử dụng. Việc trích xuất các đặc trưng này đòi hỏi sử dụng các công cụ xử lý tiếng nói tiếng Việt và phân tích âm học chuyên dụng. Các kỹ thuật giảm chiều dữ liệu như Principal Component Analysis (PCA) có thể được sử dụng để giảm số lượng đặc trưng và loại bỏ các đặc trưng không liên quan.

3.3. Huấn Luyện và Đánh Giá Mô Hình Nhận Dạng Lứa Tuổi

Quá trình huấn luyện mô hình bao gồm việc sử dụng dữ liệu giọng nói đã được gán nhãn để điều chỉnh các tham số của mô hình. Các thuật toán học máy như GMM, Support Vector Machines (SVM) và Deep Neural Networks (DNN) có thể được sử dụng. Sau khi huấn luyện, cần đánh giá hiệu năng của mô hình bằng cách sử dụng tập kiểm thử. Các chỉ số đánh giá như độ chính xác nhận dạng, độ thu hồi và F1-score được sử dụng để đánh giá hiệu quả của hệ thống.

IV. Kết Quả Nghiên Cứu và Thử Nghiệm Nhận Dạng Lứa Tuổi

Luận văn của Phạm Thu Thuận trình bày các kết quả thử nghiệm nhận dạng lứa tuổi tiếng Việt sử dụng mô hình GMM và bộ công cụ ALIZE. Các thử nghiệm được thực hiện trên cơ sở dữ liệu giọng nói tiếng Việt đã thu thập. Kết quả cho thấy độ chính xác của hệ thống phụ thuộc vào nhiều yếu tố, bao gồm chất lượng dữ liệu, số lượng đặc trưng và tham số của mô hình. Các thử nghiệm cũng cho thấy rằng việc sử dụng kết hợp thông tin về giới tính có thể cải thiện độ chính xác. So sánh kết quả trên các tập dữ liệu khác nhau cho thấy sự ảnh hưởng của tính đa dạng của dữ liệu đến hiệu năng của hệ thống.

4.1. Đánh Giá Độ Chính Xác Nhận Dạng Trên Các Tập Dữ Liệu

Việc đánh giá độ chính xác trên các tập dữ liệu khác nhau giúp đánh giá tính tổng quát của hệ thống. Các tập dữ liệu có đặc điểm khác nhau về vùng miền, giới tính và độ tuổi có thể ảnh hưởng đến hiệu năng của hệ thống. So sánh kết quả trên các tập dữ liệu khác nhau giúp xác định các điểm yếu và điểm mạnh của hệ thống. Theo luận văn, tác giả đã đánh giá độ chính xác trên các tập dữ liệu khác nhau và so sánh kết quả.

4.2. Ảnh Hưởng Của Giới Tính Đến Độ Chính Xác Nhận Dạng

Thông tin về giới tính có thể cải thiện độ chính xác của hệ thống. Giọng nói của nam và nữ có những đặc điểm khác biệt về tần số và độ rung. Việc sử dụng thông tin giới tính giúp hệ thống phân biệt rõ hơn giữa các lứa tuổi. Theo luận văn, tác giả đã thử nghiệm hệ thống với và không có thông tin về giới tính và so sánh kết quả.

4.3. Thảo Luận Về Các Yếu Tố Ảnh Hưởng Đến Kết Quả

Nhiều yếu tố có thể ảnh hưởng đến kết quả nhận dạng lứa tuổi. Chất lượng dữ liệu, số lượng đặc trưng, tham số của mô hình và tính đa dạng của dữ liệu đều đóng vai trò quan trọng. Việc lựa chọn các đặc trưng phù hợp, điều chỉnh tham số của mô hình và sử dụng dữ liệu huấn luyện đủ lớn có thể cải thiện độ chính xác. Các yếu tố khác như nhiễu và giọng nói bị bệnh cũng có thể ảnh hưởng đến hiệu năng của hệ thống.

V. Kết Luận Hướng Phát Triển Nhận Dạng Tuổi Tiếng Việt

Luận văn của Phạm Thu Thuận đã trình bày một nghiên cứu về nhận dạng tự động lứa tuổi tiếng Việt. Nghiên cứu đã xây dựng và thử nghiệm một hệ thống sử dụng mô hình GMM và bộ công cụ ALIZE. Kết quả cho thấy hệ thống có khả năng nhận dạng lứa tuổi với một độ chính xác nhất định. Tuy nhiên, vẫn còn nhiều vấn đề cần được giải quyết. Trong tương lai, cần thu thập cơ sở dữ liệu giọng nói tiếng Việt lớn hơn và đa dạng hơn, sử dụng các mô hình học máy tiên tiến hơn và nghiên cứu các phương pháp kết hợp thông tin về giới tính và vùng miền.

5.1. Tổng Kết Những Vấn Đề Đã Được Giải Quyết

Luận văn đã giải quyết một số vấn đề quan trọng trong nhận dạng lứa tuổi tiếng Việt. Nghiên cứu đã xây dựng một hệ thống có khả năng nhận dạng lứa tuổi với độ chính xác chấp nhận được. Nghiên cứu cũng đã xác định các yếu tố ảnh hưởng đến hiệu năng của hệ thống. Kết quả của nghiên cứu này có thể được sử dụng để phát triển các ứng dụng thực tế trong lĩnh vực giải trí, giáo dục và y tế.

5.2. Đề Xuất Các Hướng Nghiên Cứu Phát Triển Tiềm Năng

Trong tương lai, cần tập trung vào việc cải thiện độ chính xác của hệ thống. Việc sử dụng các mô hình học sâu tiên tiến hơn có thể cải thiện khả năng trích xuất các đặc trưng phức tạp từ dữ liệu giọng nói. Việc kết hợp thông tin về giới tính và vùng miền cũng có thể cải thiện độ chính xác. Ngoài ra, cần nghiên cứu các phương pháp giảm thiểu ảnh hưởng của nhiễu và giọng nói bị bệnh.

Trích đoạn nội dung tài liệu

BO GIAO DUC VA BAO TAO TRƯỜI DAI HOC BACH KHOA HA NOI PHẠM THU THUẬN NHAN DANG TU BONG LIA TUOI CUA TIENG VIET NOT Chuyén nganh: CONG NGHE THONG TIN LUẬN VĂN THẠC SĨ KỸ THUẬT CÔNG NGHỆ THÔNG TIN NGƯỜI HƯỚNG DẪN KIIOA HỌC TS. NGUYEN HONG QUANG Ha NGi - 2014 LOL CAM DOAN Tôi - Phạm Thu Thuận, học viên lớp Cao học CNTT 2012 — 2014 Trường, Bai hoe Bach khoa Ha Nội _ cam kết Luận văn tét nghiệp là công trinh nghiên cứu của bản thân tồi đưới sự hướng đẫn của T3. Nguyễn lồng Quang - Viện Công nghệ Thông tin và Truyền thông — Đại học Bách Khoa Hà Nội. Các kết quả trong Tuận văn tốt nghiệp là trung thực, không sao chép toàn văn của bất kỳ công trình nào khác.

Hà Nội, ngày 23 tháng 9 năm 2014 Học viên: Phạm Thu Thuận Lớp: CKTTITY2012 LOT CAM ON 'Tôi xin bảy tổ lỏng biết ơn sâu sắc tới Thây giáo, L5. Nguyễn Hồng Quang Tộ mễn Kỹ thuật máy tính — Viện Công nghệ Thông tin và Truyền thông — Dai hoe Bách khoa Hà Nội, người Thấy kính mến đã hết lòng giúp đỡ, dạy bảo, động viên vả tạo mọi điểu kiện thuận lợi cho tôi trong suốt quá trinh học tập và hoàn thành luận văn tết nghiệp. Tôi xin chân thành câm ơn tập thể ác thấy, cô giáo trường Phái học Bách Khoa Hà Nội nói chung và Viện Công nghệ Thông tin và truyền Thông nói riêng đã lận tình giảng dạy truyền đạt cho tối những kiến thức, kiuh nghiệm quý bau trong suết những năm học vừa qua. Cuéi cùng tôi xía chân thành cắm ơn gia đình, bạn bẻ đã luôn ứng hộ vả dộng viên tôi trang những lúc khỏ khăn nhất MUC LUC LOT CAM DOAN.

DANH MỤC KÝ HIỆU, CHỮ VIẾ ĐANIT MỤC HÏNH. Tổng quan về nhận dạng lứa tuổi cửa tiếng Việt nói. Cơ số khoa học về nhận dạng lửa tuổi của tiếng Việt nói 3 1. Nguyễn lý lam việc hệ thống nhận đạng lứa tuổi của ngôn ngữ nói.

Mô hình hệ thống nhận đạng tủa tuổi của tiếng Việt nói. Các công cụ sử đụng trong để tài 9 1.1, Máy ảo Viiware Workstation v9,0. Hệ điều hành Linux-CentOS 10 1. BG céng cu ALIZE 11 1.4, Kgôn ngữ lập trình Pythen.ccecceiseiecree ¬—-- sa] CHƯƠNG 2.

TRIỂN KHAI HỆ THỐNG THỨ NGHIỆM NHẬN DẠNG NGƯỜI NÓI TIÊNG VIỆT. Phương pháp thu âm dữ liệu. Phân chứa cơ sở dữ liệu để thủ nghiệm 15 2. Mô hình phân cấp nhận dạng lửa tuổi của tiếng, Việt nói.4, Quy trinh nhận dạng lửa tuổi người nói sử dụng ALIZH.

Tỉnh tham số MECC.2, Chuẩn hóa năng lượng,. Phát hiện năng lượng trên các tín hiệu 21 3. Chuẩn hóa các thông số của tín hiệu 23 2. Tuần luyện mô hình tổng quét (TrainWorldInit).

sexy cece DA 3. Huân luyện mô hình đích (TrairWorldF inal) 26 TH DANH MUC KY HTEU, CHI VIET TAT Chữ viết tất Chữ viết đấy đô Automatic Speech Recognition ASR Nhận đợng tiếng nói tự động Contral Processing Unit CPU ve lộ xứ lý trung tâm. lixpectation Maximization EM + 'Thuật toản tổng quát Gaussion Mixture Model GMM Mô hình hợp Gauss Hidden Markov Model HMM M6 hinh Markov an Mel - Frequency Cepstral Coefficients MFCC Hé 84 Cepstral thea thang do tin sé Mel NORMFEST Giai đoạn chuân hóa đặc trưng ‘TARGET MODEL Mô hính người nôi Word Lrror Rate WER Tỷ lệ lỗi nhận dang DANH MUC KY HTEU, CHI VIET TAT Chữ viết tất Chữ viết đấy đô Automatic Speech Recognition ASR Nhận đợng tiếng nói tự động Contral Processing Unit CPU ve lộ xứ lý trung tâm. lixpectation Maximization EM + 'Thuật toản tổng quát Gaussion Mixture Model GMM Mô hình hợp Gauss Hidden Markov Model HMM M6 hinh Markov an Mel - Frequency Cepstral Coefficients MFCC Hé 84 Cepstral thea thang do tin sé Mel NORMFEST Giai đoạn chuân hóa đặc trưng ‘TARGET MODEL Mô hính người nôi Word Lrror Rate WER Tỷ lệ lỗi nhận dang DANH MUC BANG Bảng 2.1: Tổ chức đỡ liễu đẻ dưa vào thử nghiệm nhận dạng lửa tuổi.2: Tổng hợp số ñle âm thanh của từng lửa tuổ.

sexy Bảng 2 3: Téng hop sé file 4m thanh cita tap A Bang 2.4: Tổng hop 86 file am thanh cửa lập B Bang 2.5: Két qua nhan dang lứa trải với giới tính là Nam tập A.6: Kết quá nhận đạng lửa tuổi với giới tính là Nam lập Ð Bảng 2.7: Tỷ lệ % nhận đúng giọng nói của giới tính Nam theo lửa tuổi. Bang 28: So sánh tỷ lệ nhận dạng đúng lửa mỗi giọng Nam ở hai tập Avà B.9: Kết quả nhận đạng lửa tuổi với giới tính là Nữ tập A.10: Kết quả nhận đạng lửa tuổi với giới tình là nữ tập H.11: Tỷ lệ % nhận đúng giọng nói của giới tính Nữ theo lứa tuổi Bảng 2.12: Sơ sánh tỷ lệ nhận dạng đúng lứa tuổi giọng nữ ở hai tập Á và B.13: kết quả nhận đạng lửa tuổi kết hợp cá nam và nữ tập A.14: Kết quả nhận đạng lứa tuổi kết hợp cả nam và nữ tập B.15: Tỷ lệ % nhận dúng giọng nói kết hop ea nam va nit ca 2 tap Ava B. Tiäng 216: Tỷ lệ nhận đạng đúng lứa tuổi kết hợp nam và nữ với các thành phần Gause khác nhau.17: Tổng hợp số file âm thanh của các lửa tuổi đưa vào nhận đang thử nghiệm lắn 2 46 Bằng 2.18: Kết quả nhận đạng lứa tuổi giới tính Nam tập A-thữ lần 2 4 lăng 2.19: Kết quả nhận đạng lửa tuổi giới tính Nam tập B thứ lân 2.20: Kết quả nhận đạng lứa tuổi giới tỉnh nữ tập A — thử lân 2. 4 36 th Ơn uh Úc của Bảng 2.21: Kết quả nhận đạng lứa tuổi giới tính nữ tập Ð — lần thử 2.22: Két qua nhan dang lửa tuổi kết hợp cá nam và nữ tập A.23: Kết quả nhận đạng lứa tuổi kết hợp cả nam và nữ tập B.24: Tổng hợp tỷ lệ % nhận dạng lửa tuổi theo giới tính.

DANH MUC BIEU DO Biểu để 2.1: Kết quả nhận dạng lửa tuổi với giới tính là Nam tập A Biéu 46 2.2: Kết quả nhận dạng lửa tuổi với giới tỉnh là Nam tap B 34 Biểu để 2.3: So sánh tỷ lệ %4 nhận đạng đứng lửa tuổi của tệp A giới tt 35 Biển đỗ 3.4: So sánh lỹ lệ % nhận đạng đứng lứa tuổi của tếp B giới tỉnh Nant 35 Tiểu 46 So sánh tỷ lệ nhận dang đứng lửa tuổi của giọng & hai tap A va B 36 Biển đỗ 2.6:Kết quả nhận dạng lửa tuôi với giới tỉnh là nữ tập A.7: Kết quả nhận dạng lửa tuổi với giới tính là nữ tập Ð.8: So sánh tỷ lệ 4 nhận đạng đứng lứa tuổi của tệp A giới tính Nữ.9: So sánh lý lệ % nhận dạng đúng lửa tuổi của tếp B giới tỉnh Nữ Biểu đỗ 2.10: So sảnh tỷ lệ nhận dạng dúng lửa tuổi của giọng nữ ở tập A và B Tiiễu đỏ 2.11: Kết quả nhận đạng lứa tuổi kết hợp cả nam và nữ tập A Biểu đề 2.12: Kết quả nhận đạng lửa tuổi kết hợp cả nam và nữ tập Ð.13: So sảnh tý lệ nhận dạng đứng nam nữ tệp A Biểu đỗ 2.141: So sánh tỷ lệ %2 nhận đạng đứng nam nit cita tép B liễu đỗ 2.15: So sảnh tỷ lệ nhận dạng dúng lửa tuổi của giọng Nam và Mữ.16: Kết quả nhận đạng với giới tỉnh nam tập A-thử lần 2 Biéu dé 2. qua nhan dang giong nam tập Bethe far > Bigu dé 2.18: Két qua nhận đạng giọng nữ tập A-thử lần 2.19: Kết quả nhận đạng gieng nữ tập B-thử lần 2 Biểu đỗ 3.20: Kết quả nhận dang kết hợp nam và nữ tậpÁ-thữ lần 2 Biéu 46 2.21: Két qua nhận đạng kết hợp nam vả nữ tập B-thử lần 2 Biển đỗ 3.32: So sánh kết quả nhận dạng từng lửa tuổi theo giới tính vit 2.7, Huan luyén mé hinh GMM cho tửng lửa tuổi người nói. Phân tích dánh giả kết quả. Kết quả của thử nghiệm với cơ sở dữ liệu không đẳng déu: .2 Kết quả thử nghiệm với co sd dit ligu đồng déu 46 CHƯƠNG 3: KET LUAN VA HUONG PHAT TRIEN.

Những vấn đề đã giải quyết trong luận văn. Hướng phát triển: 36 TÀI LIỆU THAM KHẢO. DANH MUC BIEU DO Biểu để 2.1: Kết quả nhận dạng lửa tuổi với giới tính là Nam tập A Biéu 46 2.2: Kết quả nhận dạng lửa tuổi với giới tỉnh là Nam tap B 34 Biểu để 2.3: So sánh tỷ lệ %4 nhận đạng đứng lửa tuổi của tệp A giới tt 35 Biển đỗ 3.4: So sánh lỹ lệ % nhận đạng đứng lứa tuổi của tếp B giới tỉnh Nant 35 Tiểu 46 So sánh tỷ lệ nhận dang đứng lửa tuổi của giọng & hai tap A va B 36 Biển đỗ 2.6:Kết quả nhận dạng lửa tuôi với giới tỉnh là nữ tập A.7: Kết quả nhận dạng lửa tuổi với giới tính là nữ tập Ð.8: So sánh tỷ lệ 4 nhận đạng đứng lứa tuổi của tệp A giới tính Nữ.9: So sánh lý lệ % nhận dạng đúng lửa tuổi của tếp B giới tỉnh Nữ Biểu đỗ 2.10: So sảnh tỷ lệ nhận dạng dúng lửa tuổi của giọng nữ ở tập A và B Tiiễu đỏ 2.11: Kết quả nhận đạng lứa tuổi kết hợp cả nam và nữ tập A Biểu đề 2.12: Kết quả nhận đạng lửa tuổi kết hợp cả nam và nữ tập Ð.13: So sảnh tý lệ nhận dạng đứng nam nữ tệp A Biểu đỗ 2.141: So sánh tỷ lệ %2 nhận đạng đứng nam nit cita tép B liễu đỗ 2.15: So sảnh tỷ lệ nhận dạng dúng lửa tuổi của giọng Nam và Mữ.16: Kết quả nhận đạng với giới tỉnh nam tập A-thử lần 2 Biéu dé 2. qua nhan dang giong nam tập Bethe far > Bigu dé 2.18: Két qua nhận đạng giọng nữ tập A-thử lần 2.19: Kết quả nhận đạng gieng nữ tập B-thử lần 2 Biểu đỗ 3.20: Kết quả nhận dang kết hợp nam và nữ tậpÁ-thữ lần 2 Biéu 46 2.21: Két qua nhận đạng kết hợp nam vả nữ tập B-thử lần 2 Biển đỗ 3.32: So sánh kết quả nhận dạng từng lửa tuổi theo giới tính vit DANH MUC BIEU DO Biểu để 2.1: Kết quả nhận dạng lửa tuổi với giới tính là Nam tập A Biéu 46 2.2: Kết quả nhận dạng lửa tuổi với giới tỉnh là Nam tap B 34 Biểu để 2.3: So sánh tỷ lệ %4 nhận đạng đứng lửa tuổi của tệp A giới tt 35 Biển đỗ 3.4: So sánh lỹ lệ % nhận đạng đứng lứa tuổi của tếp B giới tỉnh Nant 35 Tiểu 46 So sánh tỷ lệ nhận dang đứng lửa tuổi của giọng & hai tap A va B 36 Biển đỗ 2.6:Kết quả nhận dạng lửa tuôi với giới tỉnh là nữ tập A.7: Kết quả nhận dạng lửa tuổi với giới tính là nữ tập Ð.8: So sánh tỷ lệ 4 nhận đạng đứng lứa tuổi của tệp A giới tính Nữ.