Tổng quan nghiên cứu

Trong kỷ nguyên số hóa truyền thông, truyền tải dữ liệu thoại qua các kênh vô tuyến băng thông hẹp đòi hỏi các giải pháp nén dữ liệu hiệu suất cao. Ở chế độ thoại số tiêu chuẩn với tần số lấy mẫu 8 kHz và độ sâu 16 bit trên mỗi mẫu, tốc độ bit thô ban đầu đạt 128 kbps. Tốc độ này tạo ra áp lực rất lớn lên tài nguyên băng thông và khả năng lưu trữ, đặc biệt trong các hệ thống truyền tin bảo mật và thông tin quân sự. Vấn đề nghiên cứu trọng tâm là làm thế nào để giảm mạnh tốc độ dòng bit xuống mức cực thấp mà vẫn duy trì chất lượng thoại tự nhiên, khắc phục được tình trạng giọng nói bị biến dạng cơ học vốn là nhược điểm cố hữu của các mô hình mã hóa dự đoán tuyến tính trước đây.

Mục tiêu cụ thể của công trình là phân tích cấu trúc, thiết kế và triển khai tối ưu hóa thuật toán nén thoại dự đoán tuyến tính kích thích hỗn hợp (Mixed-Excitation Linear Prediction - MELP) đạt chuẩn liên bang FS MELP với tốc độ 2400 bps trên chip xử lý tín hiệu số kiến trúc dấu phẩy tĩnh TMS320C5509 của Texas Instruments. Phạm vi nghiên cứu tập trung vào xử lý tín hiệu âm thanh thời gian thực cho các khung thoại 22.5 ms (tương ứng 180 mẫu ở tần số 8 kHz) trong môi trường phát triển Code Composer Studio tại Đại học Quốc gia Hà Nội vào năm 2014. Ý nghĩa khoa học và thực tiễn của nghiên cứu được thể hiện rõ qua việc cắt giảm hơn 98.12% dung lượng băng thông truyền dẫn, duy trì độ trễ xử lý thuật toán dưới 10 ms trên phần cứng nhúng, mở ra khả năng nội địa hóa các thiết bị đàm thoại bảo mật tốc độ thấp phục vụ an ninh, quốc phòng và cứu hộ cứu nạn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng lý thuyết nén thoại hiện đại với trọng tâm là mô hình dự đoán tuyến tính LPC (Linear Predictive Coding) kết hợp thuật toán Levinson-Durbin để trích xuất các hệ số lọc sai số dự đoán bậc 10. Tiếp nối mô hình lý thuyết của McCree (năm 1995), công trình khai thác mô hình kích thích hỗn hợp MELP tiên tiến nhằm giải quyết triệt để sự hạn chế trong việc phân loại nhị phân cứng nhắc giữa âm hữu thanh và âm vô thanh.

Các khái niệm then chốt cấu thành khung lý thuyết bao gồm:

  • Kích thích hỗn hợp (Mixed Excitation): Sự phối hợp linh hoạt giữa nguồn xung tuần hoàn và nhiễu trắng ngẫu nhiên thông qua 5 dải lọc tần số độc lập (0–500 Hz, 500–1000 Hz, 1000–2000 Hz, 2000–3000 Hz, 3000–4000 Hz) với trọng số voice strength được xác định riêng biệt cho từng băng tần.
  • Biên độ Fourier (Fourier Magnitudes): Trích xuất độ lớn của 10 sóng hài đầu tiên từ tín hiệu sai số dự đoán qua biến đổi FFT 512 điểm trên cửa sổ Hamming 200 mẫu, giúp khôi phục chính xác hình dạng xung kích thích thực tế.
  • Trạng thái âm rung (Aperiodic Flag & Jitter): Khái niệm phân loại trạng thái âm thanh thứ ba cho các vùng chuyển tiếp, cho phép dao động chu kỳ pitch lên tới khoảng ±25% nhằm loại bỏ hiện tượng âm thanh kim loại nhân tạo.
  • Lượng tử hóa véc-tơ nhiều lớp (MSVQ): Phương pháp nén hiệu quả các cặp tần số phổ đường dây LSF 10 bậc xuống chính xác 25 bit cho mỗi khung tín hiệu.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu kiểm thử thực nghiệm gồm 10 tệp âm thanh tiếng nói chuẩn hóa ở tần số lấy mẫu 8 kHz, độ sâu lượng tử hóa 16 bit, bao gồm đầy đủ giọng nam trầm (như mẫu Vn_M) và giọng nữ cao (như mẫu Vn_F). Phương pháp chọn mẫu phân tầng có chủ đích (purposive stratified sampling) được áp dụng nhằm bao phủ đa dạng các đặc tính ngữ âm, ngữ điệu và dải tần giọng nói tiếng Việt.

Lý do lựa chọn phương pháp phân tích đánh giá chất lượng thoại khách quan theo chuẩn ITU-T P.862 PESQ (Perceptual Evaluation of Speech Quality) kết hợp thang điểm MOS (Mean Opinion Score) 5 mức là nhằm lượng tử hóa một cách khoa học, khách quan mức độ méo dạng tín hiệu và độ tự nhiên của âm thanh tổng hợp tương thích với cảm nhận thính giác con người. Quy trình triển khai được tiến hành qua phương pháp lập trình hỗn hợp C và Assembly trên môi trường Code Composer Studio (CCS), tối ưu hóa việc phân bổ bộ nhớ 16 MB của chip TMS320C5509 với 2 đơn vị MAC 17-bit và ALU 40-bit. Toàn bộ quá trình nghiên cứu, mô phỏng trên máy tính chủ và thử nghiệm trực tiếp trên phần cứng nhúng được thực hiện liên tục trong khoảng thời gian 12 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm và kiểm thử hệ thống nén thoại MELP trên bộ xử lý tín hiệu số TMS320C5509 đã mang lại các phát hiện kỹ thuật mang tính đột phá:

Thứ nhất, thuật toán đạt hiệu suất nén vượt trội khi hạ thấp tốc độ dòng bit từ 128 kbps xuống mức chuẩn 2.4 kbps, đạt tỷ số nén 53.3:1 (tiết kiệm 98.12% dung lượng). Dữ liệu được đóng gói chuẩn xác trong 54 bit trên mỗi khung 22.5 ms, trong đó 25 bit dành cho hệ số LPC LSF, 7 bit cho Pitch và Voice strength tần số thấp, 4 bit cho 4 dải tần số cao, 8 bit cho hệ số khuếch đại gain (g1 chiếm 3 bit, g2 chiếm 5 bit), 1 bit cờ không tuần hoàn, 8 bit biên độ Fourier và 1 bit đồng bộ.

Thứ hai, việc tối ưu hóa lập trình hợp ngữ khai thác cấu trúc đường ống và cơ chế thực thi song song của họ C55x đã giải phóng đáng kể tài nguyên vi xử lý. Thời gian tính toán cho cả chu trình mã hóa và giải mã chỉ tiêu tốn khoảng 35% đến 45% năng lực xử lý định mức của CPU ở xung nhịp 200 MHz, đảm bảo hoàn thành việc xử lý 180 mẫu trong khung 22.5 ms mà không xảy ra hiện tượng mất gói hay tràn bộ đệm.

Thứ ba, chất lượng âm thanh được nâng cao rõ rệt so với các giải thuật nén truyền thống cùng băng thông. Điểm đánh giá PESQ trên các mẫu tiếng Việt đạt điểm tương đương thang đo MOS từ 3.2 đến 3.6 điểm (mức chất lượng Khá đến Tốt), tăng hơn 28% so với mô hình FS1015 LPC-10 truyền thống (chỉ đạt từ 2.3 đến 2.6 điểm).

Thảo luận kết quả

Chất lượng vượt trội của mô hình bắt nguồn từ việc thay thế nguồn kích thích đơn lẻ bằng mô hình kích thích hỗn hợp đa dải tần và kỹ thuật định hình xung qua 10 biên độ Fourier. Khi xem xét các đoạn chuyển tiếp âm thanh, cờ không tuần hoàn kết hợp với độ rung jitter ±25% đã ngăn chặn việc lặp lại nhân tạo các đỉnh xung, giúp âm thanh duy trì độ mượt mà.

Về mặt trực quan, dữ liệu kiểm thử có thể được trình bày chi tiết qua biểu đồ phổ tần số (Spectrogram) và đồ thị dạng sóng biên độ theo thời gian giữa tệp gốc và tệp giải mã. Biểu đồ so sánh dạng sóng của các mẫu Vn_M và Vn_F cho thấy sự trùng khớp chặt chẽ về đường bao năng lượng và vị trí các đỉnh xung sai số dự đoán. Bảng thống kê điểm PESQ khẳng định tính ổn định cao của thuật toán trên cả hai nhóm đối tượng giọng nam và giọng nữ. Nhờ sự hỗ trợ của bộ lọc tăng cường phổ 10 bậc và bộ lọc phân tán xung FIR 65 lớp ở giai đoạn giải mã, tỷ lệ đỉnh trên trũng của tín hiệu được thu hẹp, loại bỏ hoàn toàn cảm giác âm rè thường thấy ở các bộ mã hóa tốc độ 2400 bps trước đây.

So sánh với các giải thuật mã hóa lai như CELP đòi hỏi tài nguyên tính toán lớn cho việc tra cứu sổ mã, giải pháp MELP tối ưu trên TMS320C5509 giảm hơn 60% khối lượng phép tính nhân cộng, trở thành lựa chọn tối ưu cho phần cứng nhúng tiêu thụ điện năng thấp.

Đề xuất và khuyến nghị

Dựa trên kết quả triển khai thực tế, các giải pháp và khuyến nghị chiến lược được đề xuất như sau:

Thứ nhất, nâng cấp và mở rộng thuật toán lên chuẩn MELPe (Enhanced MELP) với đa tốc độ linh hoạt gồm 1200 bps và 600 bps. Nhóm nghiên cứu thuật toán cần tích hợp thêm khối tiền xử lý triệt nhiễu tự thích nghi và cấu trúc lượng tử hóa MSVQ mở rộng, hướng tới mục tiêu duy trì điểm chất lượng thoại MOS trên 3.0 ở tốc độ 1200 bps trong lộ trình phát triển từ 6 đến 12 tháng.

Thứ tư, tái cấu trúc toàn diện các hàm tính toán cốt lõi bằng hợp ngữ tối ưu. Đội ngũ kỹ sư phần mềm nhúng cần chuyển đổi 100% các vòng lặp tính toán bộ lọc phân tích FIR 31 cổng và biến đổi FFT 512 điểm sang tập lệnh đại số song song tận dụng triệt để 2 bộ nhân MAC 17-bit của chip C55x, nhằm cắt giảm thêm 20% đến 30% số chu kỳ lệnh máy (MIPS) trong vòng 3 tháng tới.

Thứ ba, hoàn thiện thiết kế phần cứng chuyên dụng tích hợp module TMS320C5509 vào các thiết bị vô tuyến điện thực địa. Các viện nghiên cứu kỹ thuật quân sự và doanh nghiệp viễn thông cần phối hợp chế tạo bo mạch nhúng kích thước nhỏ gọn cho các máy bộ đàm sóng ngắn HF/VHF số, đặt mục tiêu khống chế tổng độ trễ truyền thông hai chiều dưới 50 ms trong giai đoạn từ năm 2026 đến năm 2027.

Thứ tư, xây dựng quy chuẩn đo kiểm chất lượng tự động cho tiếng nói tiếng Việt. Phòng thí nghiệm viễn thông âm học cần thiết lập bộ công cụ đánh giá tự động dựa trên tiêu chuẩn ITU-T P.862 với cỡ mẫu mở rộng trên 100 mẫu âm thanh đa dạng phương ngữ Bắc, Trung, Nam, hoàn thành trong thời hạn 6 tháng.

Đối tượng nên tham khảo luận văn

Công trình luận văn cung cấp hệ thống tri thức chuyên sâu và giải pháp kỹ thuật có giá trị tham khảo cao cho 4 nhóm đối tượng chính:

Thứ nhất, kỹ sư thiết kế hệ thống nhúng và xử lý tín hiệu số (DSP): Tiếp cận phương pháp chi tiết về cấu hình ánh xạ bộ nhớ 16 MB, kỹ thuật lập trình kết hợp C và Assembly, cũng như cách thức khai thác tối đa cấu trúc 12 bus và 2 đơn vị tính toán MAC trên dòng vi điều khiển TMS320C55xx trong các bài toán thời gian thực.

Thứ hai, chuyên gia và kỹ sư viễn thông an ninh - quốc phòng: Khai thác tài liệu kỹ thuật chuẩn FS MELP 2400 bps để ứng dụng trực tiếp vào việc nâng cấp, hiện đại hóa các mạng vô tuyến liên lạc bảo mật qua kênh truyền sóng ngắn HF/VHF có dải thông cực hẹp dưới 3 kHz.

Thứ ba, giảng viên, nghiên cứu sinh và học viên cao học chuyên ngành Kỹ thuật Điện tử - Viễn thông: Sử dụng công trình như một tài liệu tham khảo học thuật chuẩn mực về lý thuyết tạo tiếng nói, kỹ thuật biến đổi Fourier nhanh FFT 512 điểm, bộ lọc phân tích Butterworth IIR bậc 6 và mô hình lượng tử hóa véc-tơ MSVQ 25 bit.

Thứ tư, các doanh nghiệp công nghệ phát triển giải pháp IoT và truyền thông vệ tinh: Ứng dụng mô hình nén dữ liệu 54 bit trên khung 22.5 ms để phát triển các thiết bị đàm thoại khẩn cấp, thiết bị liên lạc hàng hải tiêu thụ năng lượng thấp và tiết kiệm tối đa cước phí truyền dẫn vệ tinh.

Câu hỏi thường gặp

Thuật toán MELP khắc phục nhược điểm cốt lõi nào của mô hình LPC-10 truyền thống? Mô hình LPC-10 chỉ phân loại cứng tín hiệu thành có âm hoặc không âm, gây ra hiện tượng giọng nói bị khô cứng như người máy. MELP khắc phục triệt để nhờ cơ chế kích thích hỗn hợp trên 5 dải tần, bổ sung trạng thái âm rung với độ lệch jitter ±25% và 10 biên độ Fourier giúp tái tạo âm thanh mượt mà, tự nhiên.

Vì sao vi xử lý DSP TMS320C5509 được lựa chọn cho việc thực thi thời gian thực? Chip TMS320C5509 của Texas Instruments sở hữu 2 khối nhân MAC 17-bit xử lý song song trong một chu kỳ đồng hồ, ALU 40-bit chính xác cao và kiến trúc 12 bus nội bộ. Cấu hình này cho phép hoàn thành quá trình xử lý khung 180 mẫu (22.5 ms) với mức tiêu thụ điện năng cực thấp trên hệ thống nhúng.

Cấu trúc phân bổ 54 bit trong mỗi khung dữ liệu 22.5 ms của MELP gồm những thành phần nào? Mỗi khung truyền chứa 25 bit cho hệ số LSF qua MSVQ, 7 bit cho Pitch và Voice strength tần thấp, 4 bit cho Voice strength 4 dải tần cao, 8 bit cho hai mức Gain (g1 và g2), 1 bit cờ không tuần hoàn, 8 bit biên độ Fourier và 1 bit đồng bộ hóa, tạo nên tốc độ truyền dữ liệu chính xác 2400 bps.

Làm thế nào để hệ thống kiểm soát và tối ưu độ trễ trong truyền thoại thời gian thực? Hệ thống cố định trễ bộ đệm mã hóa ở mức 22.5 ms (tương ứng 180 mẫu) và tối ưu hóa trễ xử lý thuật toán xuống dưới 10 ms nhờ phối hợp C và Assembly. Trong mọi chế độ truyền dẫn liên tục hoặc theo gói, tổng độ trễ một chiều luôn được duy trì an toàn dưới ngưỡng 60 ms.

Chất lượng thoại của giải thuật trên phần cứng được kiểm chứng như thế nào? Chất lượng thoại được đo đạc khách quan theo chuẩn ITU-T P.862 PESQ trên các tệp mẫu tiếng Việt thực tế (Vn_M và Vn_F). Điểm số thu được quy đổi sang thang MOS đạt mức 3.2 đến 3.6 điểm, chứng minh tín hiệu thoại sau giải mã giữ vững độ rõ nét và tính tự nhiên vượt trội ở tốc độ 2.4 kbps.

Kết luận

  • Thực thi thành công thuật toán nén thoại chuẩn liên bang FS MELP 2400 bps trên bộ xử lý tín hiệu số TMS320C5509 theo thời gian thực.
  • Giảm thiểu hơn 98.12% băng thông truyền thông, chuyển đổi hoàn hảo tín hiệu từ tốc độ 128 kbps sang dòng bit 2.4 kbps với khung chuẩn 54 bit/22.5 ms.
  • Tối ưu hóa triệt để hiệu năng hệ thống nhúng bằng kỹ thuật lập trình hỗn hợp C và Assembly, khai thác hiệu quả 2 khối MAC 17-bit và cấu trúc 12 bus.
  • Nâng tầm chất lượng âm thanh tiếng Việt đạt điểm PESQ/MOS từ 3.2 đến 3.6 điểm, vượt trội hơn 28% so với chuẩn LPC-10 truyền thống.
  • Cung cấp giải pháp kỹ thuật toàn diện, có tính ứng dụng cao cho các hệ thống liên lạc vô tuyến quân sự và đàm thoại bảo mật chuyên dụng.

Đóng góp lớn nhất của luận văn là đã hoàn thiện trọn vẹn cầu nối từ mô hình lý thuyết kích thích hỗn hợp phức tạp đến sản phẩm phần sụn thực thi ổn định trên phần cứng chuyên dụng giá thành thấp. Định hướng nghiên cứu tiếp theo trong giai đoạn 12 tháng tới sẽ tập trung tích hợp bộ lọc thích nghi giảm ồn chủ động và triển khai mô hình nén đa tốc độ 1200 bps. Quý bạn đọc và các kỹ sư hệ thống hãy tham khảo chi tiết toàn bộ thiết kế kiến trúc và giải pháp tối ưu trong công trình luận văn để ứng dụng hiệu quả vào các dự án công nghệ xử lý tín hiệu số của mình.