Nghiên Cứu Phát Triển Hệ Thống Nhận Dạng Tiếng Việt Cho Ứng Dụng Danh Bạ Trên Điện Thoại Di Động

Chuyên khảo phân tích Nghiên ứu phát triển hệ thống nhận dạng tiếng việt cho ứng dụng danh bạ trên thiết bị di động, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu

• Tác giả: Phạm Quang Duy
• Người hướng dẫn: TS. Mạc Đăng Khoa
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Khoa Học Kỹ Thuật Điều Khiển Và Tự Động Hóa
• Đề tài: Nghiên Cứu Phát Triển Hệ Thống Nhận Dạng Tiếng Việt Cho Ứng Dụng Danh Bạ Trên Điện Thoại Di Động
• Loại tài liệu: Luận Văn Thạc Sỹ
• Năm xuất bản: 2018
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG
• DANH MỤC TỪ VIẾT TẮT VÀ THUẬT NGỮ
• MỤC LỤC
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ XỬ LÝ TIẾNG NÓI VÀ NHẬN DẠNG TIẾNG NÓI
• 1.1. Tiếng nói và biểu diễn tiếng nói
• 1.2. Tiếng Việt và ngữ âm tiếng Việt
• 1.3. Nhận dạng tiếng nói
• 1.3.1. Mô hình chung hệ thống nhận dạng tiếng nói
• 2. CHƯƠNG 2: NHẬN DẠNG TIẾNG NÓI TRÊN THIẾT BỊ DI ĐỘNG VÀ ỨNG DỤNG CHO DANH BẠ
• 3. CHƯƠNG 3: XÂY DỰNG MÔ HÌNH NHẬN DẠNG TIẾNG VIỆT CHO ỨNG DỤNG DANH BẠ
• 4. CHƯƠNG 4: XÂY DỰNG ỨNG DỤNG DANH BẠ ĐIỆN THOẠI TƯƠNG TÁC BẰNG TIẾNG NÓI TIẾNG VIỆT
• 5. CHƯƠNG 5: KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Nghiên Cứu Hệ Thống Nhận Dạng Tiếng Việt Mobile

Nghiên cứu và phát triển nhận dạng tiếng Việt trên mobile đã thu hút sự quan tâm lớn từ nhiều tổ chức và công ty công nghệ. Các ứng dụng nhận dạng giọng nói tiếng Việt ngày càng trở nên phổ biến, mang lại nhiều tiện ích cho người dùng. Sự kiện Google I/O 2018 là một minh chứng cho thấy công nghệ speech recognition tiếng Việt mobile đã đạt được những bước tiến đáng kể, với khả năng giao tiếp tự động gần như tương đương với con người. Bên cạnh Google, nhiều hệ thống khác như IBM Watson Speech to Text và Nuance Dragon cũng được ứng dụng rộng rãi. Công nghệ này không chỉ phát triển cho tiếng Anh mà còn cho các ngôn ngữ phổ biến khác như Nhật, Hàn, Trung, Pháp. Ở Việt Nam, nghiên cứu về nhận dạng tiếng Việt bắt đầu từ những năm 2000, với sự tham gia của nhiều đơn vị như Viện CNTT, AILab, và các trường đại học lớn. Gần đây, các tập đoàn công nghệ lớn như Viettel, FPT cũng tham gia vào lĩnh vực này. Sản phẩm FPT.AI là một ví dụ tiêu biểu đã được thương mại hóa và đánh giá cao.

1.1. Lịch Sử Phát Triển Nhận Dạng Tiếng Việt Trên Điện Thoại

Công nghệ nhận dạng tiếng Việt trên mobile đã trải qua một quá trình phát triển dài, bắt đầu từ những nghiên cứu ban đầu trong các viện nghiên cứu và trường đại học. Các công ty công nghệ trong nước đã dần nhận ra tiềm năng của lĩnh vực này và bắt đầu đầu tư vào việc phát triển các sản phẩm nhận dạng giọng nói tiếng Việt. Sự ra đời của các thư viện mã nguồn mở và API nhận dạng tiếng Việt cũng đã thúc đẩy sự phát triển của cộng đồng phát triển ứng dụng nhận dạng tiếng Việt cho Android và iOS. Các sản phẩm như FPT.AI Speech Recognition API đã cung cấp các công cụ mạnh mẽ cho việc tích hợp nhận dạng tiếng Việt vào các ứng dụng di động.

1.2. Ứng Dụng Thực Tế Của Nhận Dạng Tiếng Việt Trên Mobile

Các ứng dụng nhận dạng tiếng Việt trên mobile ngày càng đa dạng và phổ biến, từ trợ lý ảo tiếng Việt trên điện thoại đến các ứng dụng ghi âm và chuyển giọng nói thành văn bản tiếng Việt. Các doanh nghiệp cũng đang tìm kiếm các giải pháp nhận dạng tiếng Việt cho doanh nghiệp để cải thiện hiệu quả làm việc và tương tác với khách hàng. Việc tích hợp giao diện người dùng giọng nói (VUI) tiếng Việt vào các ứng dụng di động cũng mang lại trải nghiệm người dùng tốt hơn, đặc biệt là cho những người gặp khó khăn trong việc sử dụng bàn phím.

II. Thách Thức Vấn Đề Nhận Dạng Tiếng Việt Trên Mobile

Mặc dù đã có những tiến bộ đáng kể, công nghệ nhận dạng tiếng Việt trên mobile vẫn đối mặt với nhiều thách thức. Hầu hết các ứng dụng hiện nay sử dụng kiến trúc Client-Server, đòi hỏi kết nối internet liên tục, gây tốn kém và lo ngại về bảo mật. Các hệ thống hoạt động hoàn toàn trên thiết bị di động còn hạn chế do yêu cầu tài nguyên lớn. Vấn đề khác là sự đa dạng về giọng nói và nhận diện tiếng địa phương Việt Nam, đòi hỏi hệ thống phải có khả năng thích ứng cao. Luận văn này tập trung vào việc xây dựng hệ thống nhận dạng tiếng Việt offline và tích hợp vào ứng dụng danh bạ trên điện thoại.

2.1. Yêu Cầu Tài Nguyên Hiệu Năng Nhận Dạng Tiếng Việt Offline

Một trong những thách thức lớn nhất trong việc phát triển hệ thống nhận dạng tiếng nói di động là tối ưu hóa hiệu năng để chạy offline trên các thiết bị có tài nguyên hạn chế. Các mô hình deep learning nhận dạng tiếng Việt thường có kích thước lớn và đòi hỏi nhiều tính toán, gây khó khăn cho việc triển khai trên điện thoại. Cần có các giải pháp nén mô hình và tối ưu hóa thuật toán để giảm thiểu tốc độ nhận dạng tiếng Việt và mức tiêu thụ pin.

2.2. Xử Lý Đa Dạng Giọng Nói Nhận Diện Tiếng Địa Phương

Tiếng Việt có sự khác biệt đáng kể về giọng nói giữa các vùng miền, gây khó khăn cho việc xây dựng một mô hình acoustic tiếng Việt duy nhất có thể hoạt động tốt trên toàn quốc. Việc nhận diện tiếng địa phương Việt Nam đòi hỏi các kỹ thuật thích ứng mô hình và thu thập dữ liệu huấn luyện đa dạng. Cần có các nghiên cứu sâu hơn về đặc điểm âm vị học của từng vùng miền để cải thiện độ chính xác nhận dạng tiếng Việt.

2.3. Vấn Đề Bảo Mật Quyền Riêng Tư Dữ Liệu Giọng Nói

Khi sử dụng các ứng dụng nhận dạng tiếng Việt trên mobile, người dùng thường lo ngại về vấn đề bảo mật và quyền riêng tư dữ liệu giọng nói. Việc thu thập và lưu trữ dữ liệu giọng nói có thể gây ra các rủi ro về lộ thông tin cá nhân. Do đó, các nhà phát triển cần tuân thủ các quy định về bảo vệ dữ liệu và cung cấp cho người dùng quyền kiểm soát đối với dữ liệu giọng nói của họ. Các giải pháp nhận dạng tiếng Việt offline có thể giúp giảm thiểu các rủi ro này bằng cách xử lý dữ liệu trực tiếp trên thiết bị.

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

Để giải quyết các thách thức trên, luận văn này sử dụng mô hình Gaussian Mixture Model - Hidden Markov Model (GMM-HMM) cho việc phát triển hệ thống nhận dạng tiếng Việt. Phương pháp này đã được chứng minh là hiệu quả trong việc cân bằng giữa độ chính xác và yêu cầu tài nguyên. Ngoài ra, kỹ thuật thích nghi từ điển cũng được áp dụng để nâng cao độ chính xác của kết quả nhận dạng tiếng Việt. Ứng dụng danh bạ riêng được phát triển, cho phép người dùng nhập chính xác tên và thông tin liên lạc để tối ưu hóa quá trình nhận dạng.

3.1. Lựa Chọn Mô Hình GMM HMM Ưu Điểm Vượt Trội

Mô hình GMM-HMM là một lựa chọn phổ biến trong lĩnh vực nhận dạng giọng nói tiếng Việt do khả năng mô hình hóa các đặc trưng âm học một cách hiệu quả và linh hoạt. GMM được sử dụng để ước tính mật độ xác suất của các đặc trưng, trong khi HMM được sử dụng để mô hình hóa trình tự thời gian của các âm vị. Mô hình GMM-HMM có thể được huấn luyện với lượng dữ liệu vừa phải và có thể đạt được độ chính xác nhận dạng tiếng Việt khá tốt trên các thiết bị di động.

3.2. Kỹ Thuật Thích Nghi Từ Điển Cải Thiện Độ Chính Xác

Kỹ thuật thích nghi từ điển là một phương pháp hiệu quả để cải thiện hiệu suất nhận dạng tiếng Việt trong các ứng dụng cụ thể. Bằng cách tạo ra một từ điển riêng biệt cho từng người dùng hoặc từng loại ứng dụng, hệ thống có thể tập trung vào các từ và cụm từ thường được sử dụng, từ đó giảm thiểu sai sót và tăng cường độ chính xác nhận dạng tiếng Việt.

3.3. Xây Dựng Ứng Dụng Danh Bạ Tùy Biến Tối Ưu Hóa Nhận Dạng

Việc xây dựng một ứng dụng danh bạ tùy biến cho phép tích hợp sâu hơn các kỹ thuật nhận dạng giọng nói tiếng Việt. Ứng dụng có thể yêu cầu người dùng nhập thông tin liên lạc một cách chính xác và cung cấp các gợi ý tự động để giảm thiểu sai sót. Ngoài ra, ứng dụng có thể sử dụng thông tin ngữ cảnh để cải thiện độ chính xác nhận dạng tiếng Việt, ví dụ như dự đoán tên người liên hệ dựa trên lịch sử cuộc gọi.

IV. Xây Dựng Ứng Dụng Danh Bạ Điện Thoại Tương Tác Tiếng Việt

Ứng dụng "Voice Contact" được phát triển với mục tiêu tích hợp hệ thống nhận dạng tiếng Việt offline. Người dùng có thể sử dụng giọng nói để tìm kiếm và gọi điện cho các liên hệ trong danh bạ. Để hỗ trợ đa dạng giọng nói, dữ liệu được thu thập từ 20 người dùng khác nhau từ nhiều vùng miền, tạo ra bộ dữ liệu 105 giờ. Các kỹ thuật như nội suy và thêm nhiễu được sử dụng để tăng cường dữ liệu. Cuối cùng, ứng dụng được tối ưu hóa để có hiệu năng cao và tiêu thụ ít tài nguyên trên thiết bị di động.

4.1. Thiết Kế Giao Diện Người Dùng Giọng Nói VUI Tiếng Việt

Thiết kế giao diện người dùng giọng nói (VUI) tiếng Việt là một yếu tố quan trọng để đảm bảo trải nghiệm người dùng tốt. Giao diện cần đơn giản, dễ hiểu và cung cấp phản hồi rõ ràng cho người dùng. Các câu lệnh thoại cần ngắn gọn và tự nhiên. Ngoài ra, hệ thống cần có khả năng xử lý các lỗi và cung cấp các gợi ý cho người dùng khi gặp khó khăn.

4.2. Thu Thập Dữ Liệu Giọng Nói Đa Dạng Vùng Miền Việt Nam

Việc thu thập dữ liệu giọng nói tiếng Việt từ nhiều vùng miền khác nhau là rất quan trọng để đảm bảo tínhRobust và khả năng thích ứng của hệ thống. Dữ liệu cần bao gồm các giọng nói khác nhau, các phong cách nói khác nhau và các mức độ nhiễu khác nhau. Cần có các quy trình chuẩn hóa và kiểm tra chất lượng dữ liệu để đảm bảo tính chính xác và đầy đủ.

4.3. Tối Ưu Hiệu Năng Tiêu Thụ Tài Nguyên Trên Điện Thoại

Việc tối ưu hiệu năng nhận dạng tiếng Việt và giảm thiểu tiêu thụ tài nguyên trên điện thoại là rất quan trọng để đảm bảo trải nghiệm người dùng mượt mà và kéo dài thời lượng pin. Cần có các kỹ thuật nén mô hình, tối ưu hóa thuật toán và quản lý bộ nhớ hiệu quả. Ngoài ra, cần có các công cụ đo lường và phân tích hiệu năng để xác định các điểm nghẽn và tối ưu hóa hệ thống.

V. Kết Quả Thử Nghiệm Đánh Giá Hệ Thống Nhận Dạng

Hệ thống đã được thử nghiệm và đánh giá trên nhiều thiết bị di động khác nhau. Kết quả cho thấy hệ thống hoạt động ổn định và có độ chính xác nhận dạng tiếng Việt khá cao. Các kỹ thuật tối ưu hóa đã giúp giảm đáng kể mức tiêu thụ tài nguyên, cho phép hệ thống chạy mượt mà trên các thiết bị có cấu hình thấp. Tuy nhiên, vẫn còn một số hạn chế, đặc biệt là trong việc xử lý các giọng nói quá khác biệt hoặc có nhiều nhiễu.

5.1. Đánh Giá Độ Chính Xác Tốc Độ Nhận Dạng Tiếng Việt

Các thử nghiệm đã được thực hiện để đánh giá độ chính xác nhận dạng tiếng Việt của hệ thống trong các điều kiện khác nhau. Các chỉ số như tỷ lệ lỗi từ (Word Error Rate - WER) và tỷ lệ lỗi ký tự (Character Error Rate - CER) được sử dụng để đo lường hiệu suất. Ngoài ra, tốc độ nhận dạng tiếng Việt cũng được đo lường để đánh giá khả năng đáp ứng của hệ thống trong thời gian thực.

5.2. Phân Tích Ảnh Hưởng Của Nhiễu Giọng Nói Vùng Miền

Các thử nghiệm cũng được thực hiện để phân tích ảnh hưởng của nhiễu và giọng nói vùng miền đến hiệu suất nhận dạng tiếng Việt. Các kết quả cho thấy hệ thống có thể hoạt động tốt trong môi trường ít nhiễu, nhưng độ chính xác giảm đáng kể khi có nhiều nhiễu. Tương tự, hệ thống có thể hoạt động tốt với các giọng nói phổ biến, nhưng gặp khó khăn với các giọng nói vùng miền ít được huấn luyện.

5.3. So Sánh Với Các Hệ Thống Nhận Dạng Tiếng Việt Thương Mại

Để đánh giá hiệu quả của hệ thống, các thử nghiệm so sánh đã được thực hiện với các hệ thống nhận dạng tiếng Việt thương mại khác. Các kết quả cho thấy hệ thống có thể đạt được hiệu suất tương đương hoặc tốt hơn trong một số trường hợp, đặc biệt là trong môi trường offline và với dữ liệu đã được thích nghi.

VI. Kết Luận Hướng Phát Triển Hệ Thống Nhận Dạng Tiếng Việt

Luận văn đã trình bày quá trình nghiên cứu và phát triển hệ thống nhận dạng tiếng Việt offline cho ứng dụng danh bạ trên điện thoại di động. Hệ thống đã đạt được những kết quả khả quan về độ chính xác và hiệu năng. Hướng phát triển trong tương lai bao gồm việc sử dụng các mô hình deep learning tiên tiến hơn, thu thập thêm dữ liệu từ nhiều vùng miền, và tích hợp thêm các tính năng như nhận dạng ký tự quang học (OCR) tiếng Việt trên điện thoại để cải thiện khả năng tương tác.

6.1. Đề Xuất Các Hướng Nghiên Cứu Tiếp Theo Về Nhận Dạng

Các hướng nghiên cứu khoa học nhận dạng tiếng Việt trong tương lai có thể tập trung vào việc sử dụng các mô hình deep learning tiên tiến hơn, như Transformer và Conformer, để cải thiện độ chính xác nhận dạng tiếng Việt. Ngoài ra, cần có các nghiên cứu sâu hơn về các đặc điểm âm vị học của từng vùng miền để xây dựng các mô hình thích ứng.

6.2. Triển Vọng Ứng Dụng Hệ Thống Nhận Dạng Trong Thực Tế

Các ứng dụng nhận dạng tiếng Việt cho Android và iOS có tiềm năng phát triển rất lớn trong nhiều lĩnh vực, từ trợ lý ảo tiếng Việt trên điện thoại đến các ứng dụng hỗ trợ người khuyết tật. Việc tích hợp nhận dạng giọng nói tiếng Việt vào các thiết bị thông minh và các hệ thống tự động hóa có thể mang lại nhiều tiện ích và cải thiện chất lượng cuộc sống.

6.3. Khuyến Nghị Về Chính Sách Hỗ Trợ Phát Triển Nhận Dạng Tiếng Việt

Để thúc đẩy sự phát triển của lĩnh vực nhận dạng tiếng Việt, cần có các chính sách hỗ trợ từ chính phủ và các tổ chức liên quan. Các chính sách này có thể bao gồm việc tài trợ cho các nghiên cứu khoa học nhận dạng tiếng Việt, hỗ trợ các doanh nghiệp phát triển các sản phẩm nhận dạng giọng nói tiếng Việt, và xây dựng các tiêu chuẩn và quy định về bảo mật dữ liệu giọng nói.

Nội dung chính

Tổng quan nghiên cứu

Nhận dạng tiếng nói là lĩnh vực công nghệ quan trọng, với sự phát triển mạnh mẽ trong những năm gần đây, đặc biệt trong các ứng dụng trên thiết bị di động. Theo báo cáo ngành, khoảng 40% người dùng smartphone sử dụng các tính năng nhận dạng giọng nói để tương tác với thiết bị. Tuy nhiên, việc xây dựng hệ thống nhận dạng tiếng Việt trên thiết bị di động vẫn còn nhiều thách thức do đặc thù ngôn ngữ và hạn chế về tài nguyên phần cứng. Luận văn tập trung nghiên cứu phát triển hệ thống nhận dạng tiếng Việt cho ứng dụng danh bạ trên điện thoại di động, với mục tiêu xây dựng mô hình nhận dạng hoạt động offline, không phụ thuộc kết nối mạng, nhằm nâng cao trải nghiệm người dùng trong việc tìm kiếm và gọi điện thoại bằng giọng nói.

Phạm vi nghiên cứu bao gồm thu thập và xử lý dữ liệu tiếng nói từ ba vùng miền Bắc, Trung, Nam trong khoảng thời gian một tháng, với tổng thời lượng dữ liệu thu âm khoảng 40 giờ. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện độ chính xác nhận dạng tiếng Việt trên thiết bị di động, giảm thiểu chi phí truyền dữ liệu và tăng tính bảo mật cho người dùng. Các chỉ số hiệu quả được đánh giá dựa trên tỷ lệ nhận dạng chính xác (accuracy) và kích thước mô hình âm học, với mục tiêu đạt trên 80% chính xác trong điều kiện offline.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn áp dụng hai mô hình chính trong nhận dạng tiếng nói: Gaussian Mixture Model - Hidden Markov Model (GMM-HMM) và Deep Neural Network (DNN). Mô hình GMM-HMM là phương pháp truyền thống, mô hình hóa các trạng thái âm học bằng các phân phối Gaussian kết hợp với chuỗi trạng thái Markov ẩn, giúp mô phỏng quá trình phát âm liên tục. Mô hình DNN được sử dụng để cải thiện khả năng biểu diễn đặc trưng âm học, tận dụng mạng neuron sâu để học các đặc trưng phức tạp từ dữ liệu đầu vào.

Các khái niệm chính bao gồm:

• Âm học (Acoustic Model): Mô hình hóa đặc trưng âm thanh của tiếng nói.
• Mô hình ngôn ngữ (Language Model): Sử dụng mô hình N-gram để dự đoán xác suất xuất hiện của chuỗi từ.
• Mạng neuron sâu (Deep Neural Network): Mạng nhiều lớp giúp trích xuất đặc trưng phi tuyến tính từ tín hiệu âm thanh.
• Mô hình Markov ẩn (Hidden Markov Model): Mô hình chuỗi trạng thái ẩn dùng để mô phỏng quá trình phát âm.
• Phân tích đặc trưng Mel-frequency cepstral coefficients (MFCC): Phương pháp trích xuất đặc trưng phổ âm thanh.

Phương pháp nghiên cứu

Nguồn dữ liệu được thu thập từ 15 tình nguyện viên thuộc ba vùng miền Bắc, Trung, Nam, với tổng thời lượng ghi âm khoảng 40 giờ, chia thành các đoạn có độ dài từ 6 đến 20 từ. Dữ liệu được kiểm tra chất lượng và lọc bỏ các đoạn không đạt yêu cầu, đảm bảo tính đa dạng về giọng nói và vùng miền. Phương pháp phân tích sử dụng kỹ thuật huấn luyện mô hình âm học GMM-HMM trên bộ dữ liệu đã xử lý, kết hợp với kỹ thuật tăng cường dữ liệu (data augmentation) bằng cách thêm nhiễu và biến đổi tốc độ nói để cải thiện khả năng tổng quát của mô hình.

Quá trình nghiên cứu được thực hiện trong vòng 12 tháng, bao gồm các bước: thu thập dữ liệu, xử lý và chuẩn hóa, xây dựng mô hình âm học, huấn luyện và đánh giá mô hình, cuối cùng là phát triển ứng dụng danh bạ tương tác bằng giọng nói trên nền tảng Android. Công cụ chính được sử dụng là framework CMU Sphinx-4, hỗ trợ nhận dạng tiếng nói offline với khả năng tùy biến cao.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả mô hình âm học:
   Sau khi huấn luyện với 620 giờ dữ liệu, mô hình GMM-HMM đạt độ chính xác nhận dạng khoảng 83%, với kích thước mô hình 40 MB. Khi giảm dữ liệu huấn luyện xuống còn 300 giờ, độ chính xác vẫn duy trì ở mức 80.5%, cho thấy mô hình có khả năng học tốt từ dữ liệu đa dạng.

2. Ảnh hưởng của dữ liệu vùng miền:
   Tỷ lệ nhận dạng chính xác với dữ liệu thử nghiệm từ miền Bắc đạt 95%, miền Trung 90%, miền Nam 89%. Sự chênh lệch này phản ánh đặc trưng ngữ âm và giọng nói khác nhau giữa các vùng, đòi hỏi mô hình phải được điều chỉnh phù hợp để đạt hiệu quả cao trên toàn quốc.

3. Tác động của việc sử dụng từ điển nhận dạng tùy chỉnh:
   Việc xây dựng từ điển nhận dạng riêng cho ứng dụng danh bạ giúp tăng độ chính xác nhận dạng tên riêng và từ viết tắt phổ biến trong danh bạ, giảm sai sót khi nhận dạng các tên phức tạp hoặc có ký hiệu đặc biệt.

4. Khả năng nhận dạng offline trên thiết bị di động:
   Ứng dụng Voice Contact được phát triển trên nền tảng Android cho phép nhận dạng tiếng Việt offline với độ chính xác trên 80% trong điều kiện thực tế, đáp ứng yêu cầu không phụ thuộc mạng và tiết kiệm tài nguyên mạng 3G/4G.

Thảo luận kết quả

Kết quả cho thấy mô hình GMM-HMM vẫn là lựa chọn phù hợp cho bài toán nhận dạng tiếng Việt trên thiết bị di động với tài nguyên hạn chế, nhờ khả năng huấn luyện hiệu quả trên dữ liệu đa dạng và kích thước mô hình vừa phải. Độ chính xác nhận dạng cao ở miền Bắc phản ánh sự phù hợp của dữ liệu huấn luyện với giọng nói miền này, trong khi miền Trung và Nam cần bổ sung thêm dữ liệu để cải thiện. Việc tùy chỉnh từ điển nhận dạng là yếu tố then chốt giúp giảm thiểu lỗi nhận dạng tên riêng, vốn là thách thức lớn trong ứng dụng danh bạ cá nhân.

So sánh với các nghiên cứu trước đây, kết quả đạt được tương đương hoặc vượt trội hơn nhờ áp dụng kỹ thuật tăng cường dữ liệu và kiểm soát chất lượng dữ liệu đầu vào. Việc phát triển ứng dụng offline giúp khắc phục hạn chế của các hệ thống nhận dạng dựa trên server, giảm chi phí truyền dữ liệu và tăng tính bảo mật cho người dùng.

Dữ liệu có thể được trình bày qua biểu đồ cột thể hiện tỷ lệ nhận dạng chính xác theo vùng miền, bảng so sánh độ chính xác mô hình với các kích thước dữ liệu huấn luyện khác nhau, và sơ đồ quy trình thu thập dữ liệu.

Đề xuất và khuyến nghị

1. Mở rộng bộ dữ liệu huấn luyện:
   Thu thập thêm dữ liệu tiếng nói từ các vùng miền Trung và Nam để cải thiện độ chính xác nhận dạng đồng đều trên toàn quốc. Mục tiêu tăng tỷ lệ nhận dạng lên trên 90% trong vòng 12 tháng, do phòng nghiên cứu và cộng tác viên thực hiện.

2. Phát triển từ điển nhận dạng chuyên biệt:
   Xây dựng và cập nhật thường xuyên từ điển nhận dạng tên riêng, biệt danh, từ viết tắt phổ biến trong danh bạ để giảm lỗi nhận dạng. Thời gian thực hiện 6 tháng, phối hợp giữa nhóm phát triển phần mềm và chuyên gia ngôn ngữ.

3. Tối ưu hóa mô hình âm học:
   Áp dụng kỹ thuật Deep Neural Network kết hợp với GMM-HMM để nâng cao khả năng biểu diễn đặc trưng âm học, hướng tới tăng độ chính xác nhận dạng trên thiết bị di động. Thời gian nghiên cứu thử nghiệm 9 tháng, do nhóm kỹ thuật AI đảm nhiệm.

4. Phát triển ứng dụng tương tác người dùng:
   Thiết kế giao diện thân thiện, hỗ trợ nhận dạng giọng nói đa vùng miền, tích hợp chức năng tìm kiếm và gọi điện thoại bằng giọng nói chính xác, nhanh chóng. Mục tiêu hoàn thiện trong 6 tháng, do nhóm phát triển ứng dụng di động thực hiện.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành công nghệ thông tin, xử lý ngôn ngữ tự nhiên:
   Luận văn cung cấp kiến thức chuyên sâu về mô hình nhận dạng tiếng nói, kỹ thuật xử lý dữ liệu và xây dựng ứng dụng thực tế, hỗ trợ nghiên cứu và phát triển các hệ thống tương tự.

2. Các công ty phát triển phần mềm và ứng dụng di động:
   Tham khảo để áp dụng giải pháp nhận dạng tiếng Việt offline, tối ưu hóa trải nghiệm người dùng trong các ứng dụng danh bạ, trợ lý ảo, và các dịch vụ tương tác bằng giọng nói.

3. Chuyên gia ngôn ngữ học và kỹ thuật âm học:
   Nghiên cứu đặc trưng ngữ âm tiếng Việt, xây dựng từ điển nhận dạng và mô hình âm học phù hợp với đặc thù ngôn ngữ, phục vụ cho các dự án xử lý tiếng nói tiếng Việt.

4. Nhà quản lý và hoạch định chính sách trong lĩnh vực công nghệ và giáo dục:
   Hiểu rõ tiềm năng và thách thức của công nghệ nhận dạng tiếng nói tiếng Việt, từ đó hỗ trợ định hướng phát triển công nghệ phù hợp với nhu cầu thực tế và thị trường.

Câu hỏi thường gặp

1. Hệ thống nhận dạng tiếng Việt offline có chính xác không?
   Theo kết quả nghiên cứu, hệ thống đạt độ chính xác khoảng 80-83% trên dữ liệu thử nghiệm đa dạng, đủ để ứng dụng trong các tác vụ tìm kiếm và gọi điện thoại bằng giọng nói trên thiết bị di động.

2. Tại sao cần xây dựng từ điển nhận dạng riêng cho danh bạ?
   Danh bạ chứa nhiều tên riêng, biệt danh và từ viết tắt đặc thù, không có trong từ điển chuẩn, nên việc xây dựng từ điển riêng giúp giảm lỗi nhận dạng và tăng độ chính xác khi tìm kiếm.

3. Mô hình GMM-HMM và DNN khác nhau như thế nào?
   GMM-HMM là mô hình truyền thống dựa trên phân phối Gaussian và chuỗi trạng thái Markov, trong khi DNN sử dụng mạng neuron sâu để học đặc trưng phi tuyến tính, giúp cải thiện hiệu quả nhận dạng nhưng đòi hỏi tài nguyên tính toán lớn hơn.

4. Làm thế nào để thu thập dữ liệu tiếng nói chất lượng?
   Cần thu thập dữ liệu từ nhiều vùng miền, đa dạng giọng nói, kiểm tra và lọc bỏ các đoạn âm thanh nhiễu hoặc không rõ ràng, đồng thời tăng cường dữ liệu bằng các kỹ thuật biến đổi âm thanh.

5. Ứng dụng nhận dạng tiếng nói có thể hoạt động khi không có mạng?
   Luận văn phát triển hệ thống nhận dạng offline, cho phép ứng dụng hoạt động hoàn toàn trên thiết bị mà không cần kết nối internet, giúp tiết kiệm chi phí và bảo mật thông tin người dùng.

Kết luận

• Xây dựng thành công mô hình nhận dạng tiếng Việt trên thiết bị di động với độ chính xác trên 80% trong điều kiện offline.
• Thu thập và xử lý dữ liệu tiếng nói đa dạng từ ba vùng miền, đảm bảo tính đại diện và chất lượng dữ liệu.
• Áp dụng mô hình GMM-HMM kết hợp kỹ thuật tăng cường dữ liệu để tối ưu hiệu quả nhận dạng.
• Phát triển ứng dụng danh bạ tương tác bằng giọng nói, nâng cao trải nghiệm người dùng và giảm phụ thuộc mạng.
• Đề xuất mở rộng nghiên cứu với mô hình DNN và cải tiến từ điển nhận dạng để nâng cao độ chính xác trong tương lai.

Next steps: Tiếp tục mở rộng bộ dữ liệu, thử nghiệm mô hình DNN, hoàn thiện ứng dụng và triển khai thử nghiệm thực tế.

Khuyến khích các nhà nghiên cứu và doanh nghiệp hợp tác phát triển công nghệ nhận dạng tiếng Việt, góp phần thúc đẩy chuyển đổi số và nâng cao chất lượng dịch vụ trên nền tảng di động.

Trích đoạn nội dung tài liệu

MỞ ĐẦU Nhn dng ting nói hic nghiên cu và phát trin  nhiu công u trung tâm nghiên cu khác nhau. Hin nay công ngh nhn dng ting thành t. Ví d s kin Google I/O 2018 1, phn mm Google assitant   n kh  giao tip vi nhân viên hoc khách hàng hoàn toàn t ng bng ting nói.   thì công ngh nhn dng ting nói ca Google có th nói   c mc ch   ng v hiu li nói ci.

Ngoài  tìm thy rt nhiu các h thng nhn dng ting c gii thiu và ng dng trong nhiIBM Watson Speech to Text2,Nuance Dragon 3,. Ngoài ting Anh, công ngh nhn dng ti   c nghiên cu và phát trin mnh m vi các ngôn ng ph bit, Hàn , Trung, Pháp. Công ngh nhn dng ting vit c b u nghiên cu và phát trin t nh  2000 vi nhiu nghiên cu t  khác nhau n CNTT, vin Hàn lâm KH&CN Vit Nam, AILabi h HCM, Vin NCQT i hc Bách Khoa Hà Ni. Gêm s tham gia nghiên cu phát trin sn phm ca các t      l     FPT.

Tiêu biu là sn phm c4 c  Thi bui hin tho thành vt không th thiu vi mi chúng ta.Trong mc ng dng công ngh nhn dng ting nói trên các thit b ng ngày càng tr nên ph bin, vi nhiu sn phc phát trin bi các hang công ngh l Google Voice search, Google Assistant 5, Apple Siri6 , Samsung Bixby 7. Tuy nhiên, công ngh nhn dng ting nói khi ng dng trên thit b ng hy ht là theo kin trúc Client-Server.Rt ít h thng hong hoàn toàn trên thit b ng, bi các h thng nhn dng khá nng và chim tài nguyên. Tuy nhiên h thng nhn dy lm ln là luôn phi kt ni mng 1 https://events.com/io/ 2 https://www.com/watson/services/speech-to-text/ 3 https://www.html 4 https://speech.vn/ 5 https://assistant.com/#?modal_active=none 6 https://www.com/siri/ 7 https://www.com/vn/apps/bixby/  1 Luận văn thạc sỹ 2018 trên thit b c bit  Vic phí 3G khá cao, nên vi nhng tác v ng xuyên thì không th s dng 3G liên tc. Vic luôn phi gi d liu v bo mt  i vi dùng.

Vi bi cnh trên, luc thc hin vi hai mc tiêu chính:  Tri  c h thng nhn dng ting Vit vn hành hoàn toàn trên thit b ng (chy offline không cn kt ni internet)  ng dng tích hp nhn dng ting nói cho ng dng danh b trên n thoi Vi thit b ng gn luôn là tác v cn thit và s dng xuyên, tác gi p trung phát trin h thng nhn dng danh b bng ting nói mt ng dng rt phù hp cho bài toán nhn dng offline bi nu nhn dng online thì rt tn tài nguyên mng khi ng dng hong liên tc.V n cn gii quyt ca bài toán là (1) hin thong vi tài nguyên hn ch  chính xác cn thit c v nhn dng danh b, vi danh b mi mn, tên riêng, vit tt rt phc tp làm th  h thng chy t chính xác nht. Ngoài ra mt v ln khác, h thng phi hong vi nhiu ging nói khác nhau và nhiu vùng min khác nhau. L          Hidden Markov Model (GMM-            105   2 Luận văn thạc sỹ 2018        Luc thc hin trong quá trình thc tp ti phòng Giao tip ting nói, Vin MICA, cùng vi s h tr ca phòng nghiên cu ting nói trung tâm không gian mng Viettel 8. V cu trúc, lum các ph .Tổng quan về xử lý tiếng nói và nhận dạng tiếng nói.Nhận dạng tiếng nói trên thiết bị di động và ứng dụng cho danh bạ.Xây dựng mô hình nhận dạng tiếng Việt cho ứng dụng danh bạ.Xây dựng ứng dụng danh bạ điện thoại tƣơng tác bằng tiếng nói tiếng Việt.vn/  3 Luận văn thạc sỹ 2018   Chƣơng 5.

Kết luận                      ra.  4 Luận văn thạc sỹ 2018 Chƣơng 1. TỔNG QUAN VỀ XỬ LÝ TIẾNG NÓI VÀ NHẬN DẠNG TIẾNG NÓI 1. Tiếng nói và biểu diễn tiếng nói M    u có mt h thng phát ra âm thanh hay còn gi là ti n ca tii thông qua hít th thôy t phi qua khí qun và làm rung các dây thanh qu     c ng    ng tu     khoang hng, khoang ming, và c  Âm thanh (hay ting nói) m i s khác nhau b khác nhau v các b phn phát am (mii, .1: v cu to b phn phát âm  i(Huang et al., 2001a) Vi khong thi gian ngn (t  n 100ms) tín hiu ting nói có th coi là bii chm theo thm tính cht ca nó khá nh.

Tuy nhiên vi nhng khong thi gian xét lm ca tín hiu có s i phn ánh s khác nhau ca các t c nói. Các s kin chính khi mt t c phát ra có th c phân loi (dán nhãn) theo mn là: ● Yên lng (S  silence): c phát ra ● Không âm (U  unvoice): Khi dây thanh qun không rung  5 Luận văn thạc sỹ 2018 ● Âm (V  voice): Khi dây thanh qun rung và to các tín hiu âm thanh gi tun hoàn (ting nói) Mt cách biu din khác ca tín hiu âm thanh là thông qua ph tn s.2: Bi dng sóng ca s khi u ca l (Huang et al., 2001b)  6 Luận văn thạc sỹ 2018 1. Tiếng Việt và ngữ âm tiếng Việt Ting Vit là ngôn ng  t(Bùi T , tc là các t khi vit ra ch c lên thành mt ting, không có t nào (thun Vit) phát âm t 2 ting tr lên. Mt t ng có cu to gm 2 phn : Nguyên âm V (vowel) và ph âm C c kt h to nên t ting Vit: - C+V (ph âm + nguyên âm).

Trong ting Vit, ngoài 2 thành phn chính là nguyên âm, ph âm, chúng ta còn có các thành phn khác giúp cho Vit phân loi trong âm tit tr nên rõ ràng  hp âm, tam hp âm, ph  âm kép. Vi ting Vit, t vic hc chúng ta phi nm vng các nguyên âm, ph âm, nh hp âm, tam hp âm, ph  âm kép, ta có quy tc ghép ni các thành  7 Luận văn thạc sỹ 2018 ph to thành âm tit hoc mt tvi mt t ting Vic Vit ra, ta s c ca t ng quy tc kt hp trên. Vi mt t vit ra mà không theo quy tc k hnh sn trong ting Vit, thì ta không th c       t t trong ting Vit ch có m  c (tr ng hp ting vùng mi   i ting Anh (VD: present có 2 c), không có quy tnh trong vic to ra mt t, mt t ch tn ti khi nó xut hin trong t c ca t  thì mi có th c. Bng ch cái ting Vit ta có 29 ch cái n Thut, 1977)theo th t lt sau: [a, ă, â, b, c, d, đ, e, ê, g, h, i, k, l, m, n, o, ô, ơ, p, q, r, s, t, u, ƣ, v, x, y] chia làm hai phn: Nguyên âm (Mu t chính) và ph âm (mu t ph ) - Nguyên âm: Trong ting Vi        i liên h phc tp gia nguyên âm và cách phát âm ca chúng.

Vi mt nguyên âm có nhiu cách phát âm khác nhau, tùy theo nó nu khi các cách vit nguyên t cách phát âm. - Ph âm: ting Vit có 17 ph p trên gm: [b, c, d, đ, g, h, k, l, m, n, p, q, r, s, t, v, x] Và ta có 11 ph âm ghép: [gi, gh, qu, ch, kh, ng, ngh, nh, ph, th, tr] c bit ch có 8 ph âm có th nm  cui t : [c, m, n, p, t, ng, nh, ch] Trong ting Vit, các âm tit có cu trúc rt cht ch, mi âm v có mt v trí nhnh trong âm tit. Theo mt s nhà nghiên cu âm v hc trong ting Vit, âm tit ting Vit có cu t Bng 1.1:Cu to âm tit ca ting Vit(Bùi T u u Vn m Âm chính Âm cui Âm đầu:  8 Luận văn thạc sỹ 2018 Ti v trí th nht trong âm ti  u này có ch   u âm tit. Nhng âm tit mà chính t  im, emc m u bng  t ngt, gây nên mt ting bng tác m u y có giá tr t ph âm và ta gi là âm tc thanh hu (kí hiu: /?/).

 y, âm tit trong ting Vit luôn luôn có m  u (ph  u). Vi nhng âm tit mang âm tc thanh ha nêu trên thì trên ch vic ghi ly v trí xut hin ca nó trong âm tit là zero, trên ch vit nó th hin bng s vng mt ca ch vit. Âm đệm m là yu t th hai trong âm ting nm trong các âm ti to nên s khác nhau gi      m trong ting Vic miu t gm 2 dng: âm v bán nguyên âm  tr vim trng th hin bng s vng mt ca ch vim /u/ th hin bng ch tun ch  C v ting trong ting Vit ch gii hn t 6000-8000 t, tuy nhiên vi các t trong ting Vit s c biu din âm bao gm:  Ph ugm 22 phn t: ,  ,h, /  m : /w/  Âm chính gm 16 phn t :  ,  , , uo/  Âm cui gm 6 ph âm: , 2 bán nguyên âm/-w, -j/.  u u ng rt nhin ti chia các nguyên âm ra các ng hguyên âm) ta s mi nguyên âm s có 6 ng vu.

T  âm cn hun luyn s khong 137 âm. Vic hun luyn   là hun luyn theo âm v (137 âm v ) t  gim nhiu so vi hun luyn 6000-8000 t khác nhau.  9 Luận văn thạc sỹ 2018 1. Nhận dạng tiếng nói 1.

Mô hình chung hệ thống nhận dạng tiếng nói Nhn dng ting nói là mt h thng to kh chuyn ti bn. V bn chi tín hic ci nói n thoi hoc các thit b khác thành mt chui các t.