CHƯƠNG I TỔNG QUAN VỀ MÃ HÓA TIẾNG NÓI 1.1 Tín hiệu tiếng nói Tiếng nói bản chất là một tín hiệu âm thanh được tạo ra từ một bộ máy phát âm. Bộ máy phát âm gồm dây thanh (vocal folds), phần khoảng không ở giữa hai dây thanh là thanh môn, vị trí nguồn tuần hoàn nằm ở thanh môn, khoang mũi (nasal cavity), khoang miệng (mouth cavity), vòm miệng mềm (soft plate), nắp thanh quản (epiglottis), khí quản (trachea), họng (pharynx). Sơ đồ khối bộ máy phát âm: Hình 1.1 Sơ đồ bộ máy phát âm [6] Tiếng nói được phân biệt với các âm thanh khác bởi đặc tính âm học có nguồn gốc từ cơ chế tạo tiếng nói. Có 2 loại nguồn âm: nguồn tuần hoàn (dây thanh rung), kích thích đầu vào gần như là một dãy xung có chu kỳ, tạo ra các nguyên âm và phụ âm hữu thanh; và nguồn tạp âm (dây thanh không rung), tạo ra các phụ âm vô thanh.
Chu kỳ dao động của dây thanh gọi là chu kỳ cơ bản T 0, tần số cơ bản F 0 = 1/T0. Vùng không có tín hiệu tiếng nói là khoảng lặng. Trong khoảng lặng, không có cung cấp kích thích nào tới tuyến âm và do đó không có tín hiệu ra. Tuy nhiên, 9 khoảng lặng là một phần không thể tách rời của tiếng nói.
Nếu không có sự xuất hiện của khoảng lặng, bài phát biểu sẽ không dễ để hiểu. Tín hiệu tiếng nói là sóng cơ học nên có các tính chất cơ bản của sóng cơ học. Chu kỳ cao độ (pitch) cũng được tham chiếu như là tần số cơ bản F0. Âm thanh nào phát ra cũng ở một cao độ nhất định, nếu có bất kỳ sự thay đổi nào của cao độ thì ta dễ dàng nhận ra điều đó.
Tín hiệu nguồn kích thích tuyến âm và tuyến âm có tính cộng hưởng. Khi qua tuyến âm có một số tần số được tăng cường lên, tần số được tăng cường gọi là “formant”. Các đặc tính quan trọng của tiếng nói: - Biên độ âm hữu thanh lớn hơn nhiều so với âm vô thanh. - Năng lượng phổ của âm vô thanh chia thành hai miền tần số, năng lượng phổ chủ yếu tập trung ở miền tần số cao và trong mỗi miền thì phổ phân bố khá đều.
Năng lượng phổ của âm hữu thanh chủ yếu tập trung ở vùng tần số thấp, độ dốc phổ hữu thanh đi xuống khoảng -12 dB/octave. - Tỉ lệ biến thiên qua giá trị 0 của tín hiệu tiếng nói là số lần biến thiên của tín hiệu tiếng nói qua trục 0 trong một đơn vị thời gian, gọi là tỉ lệ biến thiên qua giá trị không. Thông thường giá trị này với âm vô thanh lớn hơn nhiều so với âm hữu thanh. Do đó, tỉ lệ biến thiên qua điểm 0 là tham số quan trọng để phân biệt âm hữu thanh và vô thanh.
- Tính tự tương quan chính là tương quan chéo của tín hiệu với chính nó. Nó được tính bằng sự tương quan của chuỗi thời gian được so sánh và những điểm giống nhau giữa giá trị của chính nó trong quá khứ và tương lai, một cách hiểu đơn giản là so sánh tín hiệu với phiên bản trễ của nó. Tính tự tương quan được tiếp cận với mục đích phát hiện cao độ của tiếng nói.2 Quá trình xử lý tiếng nói trong hệ thống truyền thông Mô hình hệ thống truyền thông số Việc phân tích và thiết kế một hệ thống truyền thông số liên quan đến việc truyền tải thông tin ở dạng số từ nguồn tạo thông tin tới một hoặc nhiều điểm đến. Trong một hệ thống truyền thông số, các thông điệp được tạo ra bởi phía nguồn được biến đổi thành một dãy số nhị phân, loại bỏ các bit dư thừa không cần thiết, giúp giảm băng thông truyền dẫn.
Quá trình biến đổi tín hiệu nguồn thành dãy số nhị phân đó được gọi là mã hóa nguồn hoặc nén dữ liệu.2 Quá trình xử lý tiếng nói trong hệ thống truyền thông Chuỗi dãy số nhị phân từ bộ mã hóa nguồn là dãy thông tin được chuyển đến bộ mã hóa kênh. Mã hóa kênh là quá trình chèn thêm các bit dư vào chuỗi ký tự theo một quy luật nào đó, với mục đích bảo vệ dòng tín hiệu tránh bị nhiễu từ những kênh thông tin khác, các bit thêm vào được bên thu dùng để phát hiện và sửa lỗi xảy ra trên kênh truyền. Điều này làm tăng độ tin cậy của tín hiệu nhận được. Chuỗi nhị phân từ bộ mã hóa kênh được chuyển tới bộ điều chế số, nó đóng vai trò như là giao diện của kênh truyền thông.
Bởi vì gần như tất cả các kênh truyền thông gặp trong thực thế có khả năng truyền tín hiệu điện (dạng sóng), mục đích chính của điều chế số là gán thông tin nhị phân vào một tải tin để truyền đi. 11 Kênh truyền thông là môi trường vật lý được sử dụng để gửi tín hiệu từ máy phát đến máy thu. Trong truyền dẫn không dây, kênh có thể là không khí. Mặt khác, các kênh điện thoại thường sử dụng nhiều phương tiện vật lý, bao gồm dây đồng, cáp quang và không dây.
Dù phương tiện vật lý được sử dụng cho truyền dẫn thông tin, tín hiệu đươc truyền có thể bị hỏng một cách ngẫu nhiên bởi một loạt các yếu tố có thể, chẳng hạn như tạp âm nhiệt được tạo ra từ thiết bị điện tử, tiếng ồn do con người tạo ra, … Ở đầu cuối của hệ thống truyền thông số, bộ giải điều chế thực hiện quá trình tách sóng, là quá trình tách lấy tín hiệu thông tin ra khỏi sóng mang cao tần. Dãy số này được chuyển đến bộ giải mã kênh, cố gắng tái tạo dãy thông tin ban đầu từ những mã bit thêm vào ở phía mã hóa kênh. Bộ giải mã nguồn tiếp nhận dãy đầu ra từ mã hóa kênh và từ phương thức mã hóa nguồn được sử dụng để tái tạo lại tín hiệu ban đầu. Bởi vì có lỗi mã hóa kênh và biến dạng có thể từ mã hóa nguồn, tín hiệu đầu ra ở bộ giải mã nguồn là xấp xỉ với tín hiệu ban đầu.
Một số điểm chú ý: - Thuật toán mã hóa nguồn đóng vai trò quan trọng trong tỉ lệ mã hóa cao hay thấp. - Bộ mã hóa kênh thêm vào sự dư thừa trong dữ liệu. - Điều chế đóng vai trò quan trọng trong quyết định tỉ lệ dữ liệu và khả năng hạn chế lỗi gây ra bởi kênh truyền.3 Giới thiệu về các dạng mã hóa tiếng nói Mã hóa và giải mã tiếng nói nhằm loại bỏ sự dư thừa trong biểu điểu tiếng nói với mục đích giảm băng thông truyền tải và không gian lưu trữ, từ đó giảm chi phí. Có ba kỹ thuật nén tiếng nói cơ bản là mã hóa dạng sóng (waveform-based), mã hóa tham số (parametric-based) và mã hóa lai (hybrid coding) [10].
12 Các bộ mã hóa tiếng nói có sự khác nhau ở tốc độ bit, độ phức tạp, độ trễ và chất lượng cảm nhận của tiếng nói sau khi tái tạo. Mã hóa dạng sóng được thực hiện ở tốc độ bit cao và cho chất lượng tiếng nói tốt. Mã hóa tham số thực hiện ở tốc độ bit thấp, tạo ra tiếng nói với chất lượng nhân tạo. Mã hóa lai là tổng hợp của phương pháp mã hóa dạng sóng và mã hóa tham số, nó cho chất lượng tiếng nói khá tốt và thực hiện ở tốc độ bit trung bình.
Chất lượng tiếng nói được định lượng bằng thông số MOS (Mean Opinion Score) - 5: excellent – xuất sắc - 4: good – tốt - 3: fair – trung bình - 2: poor - kém - 1: bad – rất kém Hình 1.3 Quan hệ chất lượng và tốc độ các phương pháp mã hóa tiếng nói [6] Mã hóa dạng sóng, như tên gọi là kỹ thuật mã hóa chủ yếu loại bỏ sự dư thừa trong dạng sóng tiếng nói và tái tạo dạng sóng tiếng nói ở phía giải mã sao cho giống với dạng sóng ban đầu. Các kỹ thuật mã hóa dạng sóng thường đơn giản, độ phức tạp thấp và cũng cho tỷ lệ nén ở mức thấp. Dải tốc độ bit (bit/s) điển hình của mã hóa dạng sóng từ 64 kb/s đến 16 kb/s. Ở tốc độ bit thấp hơn 16 kb/s, lỗi lượng tử hóa cho mã hóa dạng sóng rất lớn, điều này sẽ dẫn đến chất lượng thấp hơn.
Các codec 13 điển hình của mã hóa dạng sóng là Điều chế mã xung PCM (Pulse code modulation) và Điều chế mã xung vi sai thích nghi ADPCM (Adaptive differential PCM). Mã hóa dạng sóng được áp dụng trong mã hóa tiếng nói cho mạng điện thoại cố định PSTN. Mã hóa tham số là kỹ thuật dựa trên nguyên lý tiếng nói được tạo ra như thế nào, nên kỹ thuật này còn có tên gọi là mã hóa nguồn. Nó dựa trên các đặc tính rằng tiếng nói là tĩnh hay hình dạng của tuyến âm là ổn định trong khoảng thời gian ngắn (cỡ 20ms).
Trong khoảng thời gian này, một đoạn tiếng nói có thể được chia thành đoạn âm vô thanh hay âm hữu thanh. Các đặc tính của tuyến âm có thể được đại diện bởi một bộ lọc số biến đổi theo thời gian (time-varying digital filter). Với mỗi đoạn tiếng nói, các tham số bộ lọc tuyến âm, quyết định âm vô thanh hay hữu thanh, các tham số chu kỳ cao độ (pith period) và độ tăng ích (gain) sẽ được thu thập thông qua phân tích tiếng nói ở phía mã hóa. Các tham số này sau đó được mã hóa thành luồng bit nhị phân và gửi tới kênh truyền.
Bộ giải mã ở phía nhận sẽ tái tạo tiếng nói (thực hiện tổng hợp tiếng nói) dựa trên các tham số đã nhận được. So với mã hóa dạng sóng, mã hóa tham số có độ phức tạp cao hơn trong thực hiện và đạt được tỉ lệ nén tốt hơn. Một trong những codec mã hóa dạng tham số điển hình là Mã dự đoán tuyến tính - LPC (Linear Prediction Coding), có tốc độ bit từ 1.8 kb/s và thường được sử dụng trong hệ thống truyền thông di động không dây với sự giới hạn về băng thông. Vì mã hóa tham số không thể đạt được chất lượng tiếng nói cao khi nó phân loại đơn giản các đoạn tiếng nói thành âm hữu thanh hoặc âm vô thanh, biểu diễn đơn giản tiếng nói hữu thanh với dãy xung tuần hoàn (impulse period train).
Mã hóa lai ra đời là kỹ thuật kết hợp các tính năng của mã hóa dạng sóng và mã hóa tham số. Nó giữ bản chất của của mã hóa tham số bao gồm bộ lọc tuyến âm, phân tích chu kỳ cao độ và quyết định hữu thanh hay vô thanh.