Luận văn thạc sĩ: Nghiên cứu phương pháp mã hóa tiếng nói dùng kỹ thuật phân rã ma trận không âm

Khám phá luận văn thạc sĩ về phương pháp mã hóa tiếng nói sử dụng kỹ thuật phân rã ma trận không âm, ứng dụng trong công nghệ âm thanh.

• Tác giả: Phạm Mạnh Cường
• Người hướng dẫn: Pgs. Ts Phùng Trung Nghĩa
• Trường học: Trường Đại Học Công Nghệ Thông Tin Và Truyền Thông
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Nghiên cứu phương pháp mã hóa tiếng nói dùng kỹ thuật phân rã ma trận không âm
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2020
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MỞ ĐẦU
• 0.1. Lý do chọn đề tài
• 0.2. Đối tượng và phạm vi nghiên cứu
• 0.3. Hướng nghiên cứu của luận văn
• 0.4. Phương pháp nghiên cứu
• 0.5. Ý nghĩa khoa học và thực tiễn
• 1. CHƯƠNG 1: TỔNG QUAN VỀ MÃ HÓA TIẾNG NÓI
• 1.1. Tổng quan về tiếng nói
• 1.2. Thông tin tiếng nói
• 1.3. Hệ thống và xử lý tín hiệu
• 1.4. Tổng quan về mã hóa tiếng nói
• 1.5. Mã hóa tiếng nói tốc độ bit thấp
• 1.6. Mục tiêu của luận văn
• 2. CHƯƠNG 2: PHƯƠNG PHÁP MÃ HÓA TIẾNG NÓI DÙNG KỸ THUẬT PHÂN RÃ MA TRẬN KHÔNG ÂM NMF
• 2.1. Tổng quan về kỹ thuật phân rã ma trận không âm NMF
• 2.2. Khái niệm
• 2.3. Lịch sử
• 3. CHƯƠNG 3: ĐÁNH GIÁ THỰC NGHIỆM PHƯƠNG PHÁP MÃ HÓA TIẾNG NÓI DÙNG KỸ THUẬT PHÂN RÃ MA TRẬN KHÔNG ÂM NMF
• 3.1. Thu thập dữ liệu tiếng nói
• 3.2. Ngữ âm tiếng Việt. Cấu trúc âm tiết tiếng Việt
• 3.3. Thanh điệu tiếng Việt
• 3.4. Cơ sở dữ liệu tiếng nói tiếng Việt
• 3.4.1. Cơ sở dữ liệu tiếng nói phát thanh VOV
• 3.4.2. Cơ sở dữ liệu DEMEN567
• 3.4.3. Cơ sở dữ liệu MICA VNSpeech
• 3.5. Tổng hợp tiếng nói tiếng Việt
• 3.6. Cài đặt phương pháp mã hóa trên Matlab
• 3.7. Đánh giá khách quan, chủ quan và so sánh các phương pháp
• 3.7.1. Đánh giá khách quan và chủ quan
• 3.7.2. So sánh với các phương pháp khác. Phân tích, đánh giá ưu nhược điểm
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nghiên cứu mã hóa tiếng nói bằng NMF

Nghiên cứu mã hóa tiếng nói bằng kỹ thuật phân rã ma trận không âm (NMF) đang trở thành một lĩnh vực quan trọng trong công nghệ thông tin. Tiếng nói là phương tiện giao tiếp chính của con người, và việc mã hóa tiếng nói hiệu quả là cần thiết trong các hệ thống viễn thông hiện đại. NMF cung cấp một phương pháp mới để nén và mã hóa tiếng nói với tốc độ bit thấp mà vẫn đảm bảo chất lượng.

1.1. Khái niệm mã hóa tiếng nói và NMF

Mã hóa tiếng nói là quá trình chuyển đổi tín hiệu âm thanh thành dạng số để truyền tải. Kỹ thuật NMF cho phép phân tích và nén tín hiệu tiếng nói mà không làm mất đi các đặc trưng quan trọng của nó.

1.2. Lịch sử phát triển của NMF trong mã hóa tiếng nói

Kỹ thuật NMF đã được phát triển từ những năm 1990 và đã được áp dụng rộng rãi trong nhiều lĩnh vực, bao gồm cả mã hóa tiếng nói. NMF giúp cải thiện hiệu suất nén và giảm thiểu độ trễ trong truyền tải.

II. Vấn đề và thách thức trong mã hóa tiếng nói

Mặc dù có nhiều phương pháp mã hóa tiếng nói hiện có, nhưng vẫn tồn tại nhiều thách thức trong việc đảm bảo chất lượng và hiệu suất. Các phương pháp truyền thống như PCM thường tiêu tốn băng thông lớn và không hiệu quả trong môi trường hạn chế tài nguyên.

2.1. Hạn chế của các phương pháp mã hóa truyền thống

Các phương pháp như LPC và ADPCM mặc dù phổ biến nhưng vẫn gặp khó khăn trong việc nén tiếng nói hiệu quả mà không làm giảm chất lượng âm thanh.

2.2. Nhu cầu về mã hóa tiếng nói tốc độ bit thấp

Với sự gia tăng nhu cầu truyền tải thông tin qua mạng viễn thông, việc phát triển các phương pháp mã hóa tiếng nói tốc độ bit thấp là rất cần thiết để tối ưu hóa băng thông.

III. Phương pháp mã hóa tiếng nói bằng NMF hiệu quả

Phương pháp mã hóa tiếng nói bằng NMF đã được chứng minh là hiệu quả trong việc nén tín hiệu âm thanh mà không làm mất đi các đặc trưng quan trọng. NMF cho phép phân tích tín hiệu tiếng nói thành các thành phần không âm, giúp cải thiện chất lượng mã hóa.

3.1. Nguyên lý hoạt động của NMF trong mã hóa tiếng nói

NMF phân rã tín hiệu tiếng nói thành các ma trận không âm, giúp tách biệt các thành phần âm thanh và giảm thiểu độ phức tạp trong quá trình mã hóa.

3.2. So sánh NMF với các phương pháp mã hóa khác

NMF cho thấy ưu điểm vượt trội so với các phương pháp mã hóa truyền thống, đặc biệt trong việc duy trì chất lượng âm thanh trong khi giảm kích thước dữ liệu.

IV. Ứng dụng thực tiễn của mã hóa tiếng nói bằng NMF

Mã hóa tiếng nói bằng NMF đã được áp dụng trong nhiều lĩnh vực, từ truyền thông đến nhận dạng giọng nói. Các ứng dụng này không chỉ giúp cải thiện hiệu suất mà còn mở ra nhiều cơ hội mới trong công nghệ thông tin.

4.1. Ứng dụng trong hệ thống viễn thông

NMF giúp tối ưu hóa băng thông trong các hệ thống viễn thông, cho phép truyền tải nhiều kênh âm thanh hơn mà không làm giảm chất lượng.

4.2. Ứng dụng trong nhận dạng giọng nói

Kỹ thuật NMF đã được sử dụng để cải thiện độ chính xác trong các hệ thống nhận dạng giọng nói, giúp máy tính hiểu và xử lý tiếng nói tự nhiên tốt hơn.

V. Kết luận và tương lai của mã hóa tiếng nói bằng NMF

Nghiên cứu mã hóa tiếng nói bằng NMF mở ra nhiều triển vọng cho tương lai. Với sự phát triển không ngừng của công nghệ, NMF có thể trở thành một tiêu chuẩn mới trong mã hóa tiếng nói, giúp cải thiện hiệu suất và chất lượng truyền tải.

5.1. Tương lai của NMF trong mã hóa tiếng nói

NMF có tiềm năng lớn trong việc phát triển các phương pháp mã hóa tiếng nói mới, đáp ứng nhu cầu ngày càng cao trong lĩnh vực viễn thông.

5.2. Khuyến nghị cho nghiên cứu tiếp theo

Cần tiếp tục nghiên cứu và phát triển các ứng dụng của NMF trong mã hóa tiếng nói, nhằm tối ưu hóa hiệu suất và chất lượng trong các hệ thống truyền thông hiện đại.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên số hóa và bùng nổ hạ tầng thông tin, nhu cầu truyền tải dữ liệu thoại qua các mạng viễn thông hiện đại đòi hỏi sự tối ưu hóa triệt để về tài nguyên băng thông. Kỹ thuật điều chế mã xung chuẩn (Pulse Code Modulation - PCM) truyền thống duy trì tốc độ truyền dẫn cố định 64 Kbps cho một kênh thoại cơ sở. Tuy nhiên, mức tiêu tốn tài nguyên này tạo ra rào cản lớn đối với các môi trường truyền thông băng hẹp, hệ thống vô tuyến di động và mạng liên lạc vệ tinh khẩn cấp. Nhằm nâng cao hiệu suất truyền dẫn mà vẫn đảm bảo độ tự nhiên và độ rõ của âm thanh, các hệ thống nén thoại tốc độ bit cực thấp (từ 1 Kbps đến 2 Kbps) đang trở thành trọng tâm nghiên cứu trên toàn cầu.

Luận văn thạc sĩ khoa học máy tính của tác giả Phạm Mạnh Cường, dưới sự hướng dẫn của Phó Giáo sư, Tiến sĩ Phùng Trung Nghĩa tại Trường Đại học Công nghệ Thông tin và Truyền thông - Đại học Thái Nguyên, tập trung giải quyết bài toán mã hóa nén tiếng nói thời gian thực thông qua kỹ thuật phân rã ma trận không âm (Non-negative Matrix Factorization - NMF). Mục tiêu then chốt của nghiên cứu là xây dựng mô hình phân tích, lượng tử hóa tham số phổ và dạng sóng thoại thích ứng riêng biệt với đặc thù ngôn ngữ đơn âm và đa thanh điệu của tiếng Việt. Nghiên cứu thực nghiệm trên hệ thống cơ sở dữ liệu ngữ âm tiếng Việt chuẩn giúp thiết lập tỷ lệ nén phổ từ 20 đến 30 lần, đồng thời duy trì điểm số đánh giá chất lượng cảm nhận thính giác PESQ ở ngưỡng ổn định. Công trình mở ra tiềm năng ứng dụng thực tiễn cao cho các giải pháp viễn thông chuyên dụng và thiết bị truyền tin bảo mật băng thông thấp tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng kết hợp giữa lý thuyết xử lý tín hiệu tiếng nói kinh điển và kỹ thuật đại số tuyến tính hiện đại:

• Lý thuyết phân rã ma trận không âm (NMF): Một ma trận dữ liệu không âm $V$ kích thước $m \times n$ (đại diện cho phổ biên độ của tín hiệu thoại) được phân tách xấp xỉ thành tích của hai ma trận thành phần không âm gồm ma trận cơ sở $W$ kích thước $m \times r$ và ma trận trọng số mã hóa $H$ kích thước $r \times n$ (với hạng rút gọn $r = 16$). Phép xấp xỉ được tối ưu hóa thông qua việc cực tiểu hóa hàm khoảng cách Frobenius hoặc độ phân kỳ Kullback-Leibler. Ràng buộc không âm giúp các vector đặc trưng phản ánh chính xác tính chất cộng hưởng vật lý của phổ biên độ thực tế.
• Mô hình mã hóa nội suy dạng sóng (Waveform Interpolation - WI) và dự đoán tuyến tính (LPC): Tín hiệu thoại được phân rã thành các dạng sóng đặc trưng (Characteristic Waveform - CW) trích xuất với tần số 400 Hz (10 CW trên mỗi khung thời gian), loại bỏ pha không nhạy cảm với thính giác và tập trung mã hóa phổ biên độ.
• Hệ thống tham số phổ đường (Line Spectral Frequency - LSF): Tham số LSF được sử dụng thay thế cho hệ số lọc LPC nhằm đảm bảo tính ổn định của bộ lọc tổng hợp và giảm thiểu độ nhạy lượng tử hóa trong quá trình truyền dữ liệu thoại tốc độ thấp.
• Kỹ thuật phân rã theo thời gian cải tiến: Áp dụng phương pháp phân rã tham số phổ thành các vector sự kiện và hàm sự kiện có tính chất hình học chuẩn đơn đỉnh (single-peak), giúp biểu diễn mượt mà sự biến thiên trường độ và cao độ của âm tiết tiếng Việt.

+-------------------------------------------------------------+
|               TÍN HIỆU TIẾNG NÓI ĐẦU VÀO (PCM)              |
+-------------------------------------------------------------+
                               |
                               v
+-------------------------------------------------------------+
|    TRÍCH XUẤT THAM SỐ: LSF, DẠNG SÓNG ĐẶC TRƯNG (CW), PITCH |
+-------------------------------------------------------------+
                               |
                               v
+-------------------------------------------------------------+
|     PHÂN RÃ MA TRẬN KHÔNG ÂM (NMF): V (m x n) ≈ W x H       |
+-------------------------------------------------------------+
                               |
                               v
+-------------------------------------------------------------+
|     LƯỢNG TỬ HÓA: LSF (3 GIAI ĐOẠN), DCT NĂNG LƯỢNG & H     |
+-------------------------------------------------------------+
                               |
                               v
+-------------------------------------------------------------+
|         LUỒNG DỮ LIỆU NÉN TỐC ĐỘ CỰC THẤP (1 - 2 Kbps)      |
+-------------------------------------------------------------+

Phương pháp nghiên cứu

Luận văn kết hợp chặt chẽ giữa phân tích mô hình toán học và cài đặt thử nghiệm thực chứng trên máy tính:

• Nguồn dữ liệu và phân bố mẫu: Nghiên cứu sử dụng tập dữ liệu tiếng Việt DEMEN567 gồm 567 câu thoại chuẩn (độ dài trung bình 15 âm tiết/câu, tổng thời lượng gần 60 phút, tần số lấy mẫu 11.025 Hz, lượng tử hóa 16-bit PCM WAV) được gán nhãn thủ công chi tiết ở mức âm vị và thanh điệu. Ngoài ra, tập kiểm thử mở rộng gồm 39.044 khung thoại được đối sánh cùng bộ cơ sở dữ liệu VOV với 29.062 câu nhằm kiểm tra tính tổng quát hóa.
• Phương pháp chọn mẫu: Mẫu ngữ âm được lựa chọn theo nguyên tắc bao phủ toàn diện 6 thanh điệu (Ngang, Huyền, Ngã, Hỏi, Sắc, Nặng), 22 phụ âm đầu, 155 phần vần và các cấu trúc âm tiết đóng - mở đặc trưng của phương ngữ tiếng Việt chuẩn.
• Công cụ và phương pháp phân tích: Toàn bộ thuật toán phân tích phổ NMF, chuẩn hóa vector sự kiện LSF và lượng tử hóa vector đa giai đoạn được lập trình trên môi trường MATLAB R2012. Hiệu năng được đo lường khách quan bằng độ méo phổ trung bình (Average Spectral Distortion - ASD tính bằng dB), sai số mẫu cao độ ($\Delta sample$), và thang điểm đo lường cảm quan PESQ chuẩn hóa theo khuyến nghị quốc tế ITU-T.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình đánh giá thực nghiệm trên hệ thống dữ liệu ngữ âm tiếng Việt đã ghi nhận 4 kết quả định lượng nổi bật:

• Tối ưu hóa độ méo phổ LSF: Sơ đồ lượng tử hóa vector ba giai đoạn dự đoán liên khung (phân bổ 9 bit, 8 bit và 7 bit) đạt độ méo phổ trung bình ASD là 1,47 dB. Tỷ lệ khung tín hiệu có độ méo trong ngưỡng lý tưởng từ 0 đến 2 dB chiếm tới 81,80%, trong khi độ méo từ 2 đến 4 dB chiếm 17,90% và tỷ lệ méo lớn vượt mức 4 dB chỉ chiếm 0,30%. Kết quả này vượt trội hoàn toàn so với sơ đồ phân chia hai giai đoạn truyền thống (ASD đạt 1,55 dB, tỷ lệ vùng 0-2 dB đạt 77,70% và tỷ lệ méo > 4 dB lên tới 0,70%).
• Độ chính xác cao trong ước lượng cao độ (Pitch): Thuật toán tương quan chéo chuẩn hóa (NCCF) kết hợp lượng tử hóa logarit 6-bit trên siêu khung đạt độ phân giải vượt trội trên tập dữ liệu 39.044 khung. Cụ thể, sai số chênh lệch cao độ lượng tử $\Delta sample \le 3$ mẫu đạt tỷ lệ áp đảo 95,7305% (trong đó $\Delta sample = 3$ chiếm 49,5082%, $\Delta sample = 1$ chiếm 22,5079%, $\Delta sample = 0$ chiếm 13,7460%). Sai số lớn hơn 5 mẫu chỉ chiếm tỷ lệ không đáng kể là 2,4280%.
• Nén ma trận trọng số phổ H bằng biến đổi Cosine rời rạc (DCT): Việc phân tách ma trận mã hóa $H_{16 \times 20}$ trong siêu khung thành ba ma trận con gồm ma trận thấp ($5 \times 5$), ma trận giữa ($5 \times 5$) và ma trận cao ($6 \times 5$), sau đó nén 20 cột xuống 5 chiều bằng DCT đã giúp cắt giảm hơn 70% số lượng bit truyền dẫn cho phổ biên độ mà không làm suy hao năng lượng vùng tần số thấp.
• Bảo toàn hình học đơn đỉnh và thứ tự LSF: Thuật toán chuẩn hóa vector sự kiện giúp loại bỏ triệt để hiện tượng giao thoa phổ, giữ nguyên thuộc tính $0 < a_{1,k} < a_{2,k} < ... < a_{P,k} < \pi$, đảm bảo tính ổn định tuyệt đối cho bộ lọc tổng hợp tại phía thu.

Chỉ số đánh giá	Sơ đồ lượng tử hóa 2 giai đoạn	Sơ đồ lượng tử hóa 3 giai đoạn NMF	Mức độ cải thiện
Độ méo phổ trung bình (ASD)	1,55 dB	1,47 dB	Giảm 0,08 dB (Tối ưu 5,16%)
Tỷ lệ méo chuẩn (0 - 2 dB)	77,70%	81,80%	Tăng 4,10% độ tin cậy
Tỷ lệ méo chấp nhận (2 - 4 dB)	21,60%	17,90%	Giảm 3,70% sai số trung gian
Tỷ lệ méo dị biệt (> 4 dB)	0,70%	0,30%	Giảm hơn 57% khung lỗi nghiêm trọng
Độ chính xác Pitch ($\le 3$ mẫu)	Ước tính khoảng 89,00%	95,73%	Nâng cao độ trung thực giọng nói

Thảo luận kết quả

Hiệu quả nén vượt bậc của phương pháp NMF bắt nguồn từ sự tương thích tự nhiên giữa bản chất không âm của ma trận và phổ công suất tiếng nói. Trong các kỹ thuật truyền thống như PCA hay biến đổi K-L, việc xuất hiện các hệ số âm đòi hỏi thêm bit dấu và tạo ra các thành phần triệt tiêu giả tạo. Ngược lại, NMF chỉ cho phép các phép cộng tổ hợp tuyến tính từ các vector cơ sở, phản ánh đúng cơ chế cộng hưởng âm thanh trong thanh quản con người.

Khi đối sánh dữ liệu thông qua các đồ thị đường bao F0 và phổ tín hiệu thời gian - tần số (Spectrogram), phương pháp NMF-WI duy trì độ mượt mà của đường viền thanh điệu tiếng Việt tốt hơn hẳn các bộ mã hóa CELP tiêu chuẩn ở cùng dải thông lượng dưới 2 Kbps. Các bài kiểm tra thính lực chủ quan theo phương pháp Scheffé ở tỷ lệ nén 20 và 30 xác nhận rằng mẫu âm sau giải mã không xuất hiện tiếng rít kim loại hay hiện tượng giật đứt quãng ở các âm tiết mang thanh trắc (thanh Ngã và thanh Nặng). Điều này chứng minh thuật toán kiểm soát lỗi bình phương tối thiểu có ràng buộc thứ tự đã giải quyết triệt để bài toán biến dạng ngữ âm đặc thù của tiếng Việt.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và đưa kỹ thuật mã hóa tiếng nói NMF vào ứng dụng thực tiễn trong mạng viễn thông thế hệ mới, luận văn đưa ra 4 khuyến nghị then chốt:

• Tối ưu hóa thời gian thực cho thuật toán NMF: Các nhóm nghiên cứu kỹ thuật phần mềm cần chuyển đổi mã nguồn MATLAB sang ngôn ngữ C/C++ hoặc nhúng trực tiếp trên chip xử lý tín hiệu số (DSP). Cần áp dụng thuật toán gradient liên hợp hoặc bình phương tối thiểu không âm xen kẽ để giảm độ phức tạp tính toán từ bậc đa thức xuống mức trễ dưới 20 ms trên mỗi siêu khung thoại, đáp ứng tiêu chuẩn đàm thoại song công.
• Mở rộng cơ sở dữ liệu ngữ âm đa vùng miền: Các viện nghiên cứu ngôn ngữ và công nghệ thông tin cần xây dựng bộ dữ liệu giọng nói tiếng Việt chuẩn hóa với quy mô trên 100 giờ phát âm, bao phủ cân bằng ba miền Bắc, Trung, Nam với độ tuổi từ 15 đến 60. Việc huấn luyện ma trận cơ sở $W$ trên tập dữ liệu lớn sẽ gia tăng độ thích nghi phổ cho mọi đối tượng người dùng.
• Tích hợp mô hình nén NMF vào thiết bị liên lạc băng hẹp chuyên dụng: Doanh nghiệp sản xuất thiết bị viễn thông và an ninh thông tin nên ứng dụng giải pháp NMF-WI vào hệ thống bộ đàm kỹ thuật số, điện thoại vệ tinh và thiết bị truyền tin quân sự hoạt động ở dải thông lượng 1,2 Kbps đến 2,4 Kbps, giúp tiết kiệm 75% băng thông so với chuẩn mã hóa hiện hành.
• Nghiên cứu kết hợp NMF với mạng nơ-ron sâu (Deep Learning): Khuyến nghị các nghiên cứu tiếp theo kết hợp NMF với các kiến trúc học sâu như Autoencoder không âm hoặc Transformer để tự động lọc nhiễu nền môi trường (Noise Reduction) trước khi lượng tử hóa, đảm bảo tỷ lệ nhận dạng âm thanh chính xác ngay cả trong điều kiện tỷ số tín hiệu trên nhiễu (SNR) dưới 10 dB.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị học thuật và thực tiễn phong phú, phù hợp cho nhiều nhóm đối tượng chuyên môn:

• Kỹ sư viễn thông và chuyên gia xử lý tín hiệu số (DSP): Nắm vững kiến trúc triển khai thuật toán nén thoại tốc độ thấp, phương pháp lượng tử hóa vector LSF và kỹ thuật phân rã phổ để thiết kế bộ giải mã thoại (Vocoder) tối ưu tài nguyên phần cứng.
• Học viên cao học, nghiên cứu sinh ngành Khoa học máy tính và Trí tuệ nhân tạo: Sử dụng luận văn như tài liệu tham khảo chuẩn mực về ứng dụng đại số tuyến tính nâng cao, kỹ thuật tối ưu hóa phi tuyến và mô hình hóa âm học tiếng Việt.
• Doanh nghiệp phát triển giải pháp phần mềm OTT, VoIP và thiết bị IoT: Ứng dụng thuật toán nén dữ liệu giọng nói nhằm giảm thiểu chi phí truyền dẫn đám mây, tối ưu dung lượng pin và bộ nhớ cho các thiết bị thông minh thu phát âm thanh.
• Đơn vị nghiên cứu an ninh thông tin và truyền thông quân sự: Tham khảo giải pháp nén thoại tốc độ bit cực thấp để phát triển các kênh truyền dữ liệu thoại mã hóa bảo mật qua đường truyền vô tuyến sóng ngắn hoặc thông tin vệ tinh dải hẹp.

Câu hỏi thường gặp

1. Kỹ thuật NMF mang lại ưu thế gì vượt trội so với chuẩn mã hóa PCM 64 Kbps truyền thống?
Chuẩn PCM 64 Kbps số hóa trực tiếp toàn bộ dạng sóng biên độ mà không loại bỏ các thông tin dư thừa, gây lãng phí băng thông lớn. Kỹ thuật NMF phân tích tham số nguồn và phổ biên độ, chỉ truyền tải ma trận cơ sở và hệ số trọng số rút gọn, giúp giảm tốc độ truyền xuống mức 1 Kbps đến 2 Kbps (tiết kiệm hơn 95% băng thông) mà vẫn giữ được độ rõ của lời nói.

2. Tại sao việc đảm bảo tính đơn đỉnh và thứ tự của tham số LSF lại đặc biệt quan trọng?
Tham số LSF đại diện cho các tần số cộng hưởng của đường dẫn thanh âm. Nếu các vector sự kiện vi phạm tính chất thứ tự tăng dần ($a_{i,k} \ge a_{i+1,k}$), bộ lọc tổng hợp tại máy thu sẽ mất ổn định, gây biến dạng âm thanh nghiêm trọng. Thuật toán chuẩn hóa trong luận văn giúp duy trì cấu trúc đơn đỉnh và thứ tự chuẩn xác, đảm bảo độ méo phổ ASD luôn dưới mức 1,47 dB.

3. Phương pháp NMF xử lý đặc thù ngôn ngữ có thanh điệu như tiếng Việt như thế nào?
Tiếng Việt có 6 thanh điệu đặc trưng bởi đường biến thiên tần số cơ bản F0. Luận văn sử dụng thuật toán NCCF kết hợp lượng tử hóa logarit 6-bit để bám sát đường bao cao độ, đạt độ chính xác sai số dưới 3 mẫu lên tới 95,73%, giúp tái tạo trọn vẹn âm điệu tự nhiên của tiếng Việt mà không làm biến dạng thanh trắc hay thanh bằng.

4. Vì sao sơ đồ lượng tử hóa vector 3 giai đoạn lại vượt trội hơn sơ đồ chia 2 giai đoạn?
Sơ đồ 3 giai đoạn (phân bổ 9-8-7 bit) áp dụng nguyên lý lượng tử hóa dư thừa liên khung, giúp phân bổ số lượng bit linh hoạt theo từng bậc sai số. Kết quả thực nghiệm cho thấy phương pháp này giúp tăng tỷ lệ khung có độ trung thực cao (0-2 dB) lên 81,80% (so với 77,70% của sơ đồ 2 giai đoạn) và giảm tỷ lệ méo lớn trên 4 dB xuống chỉ còn 0,30%.

5. Thuật toán nén tiếng nói bằng NMF có thể chạy trực tiếp trên phần cứng nhúng không?
Hoàn toàn khả thi. Mặc dù quá trình huấn luyện ma trận cơ sở $W$ đòi hỏi tài nguyên tính toán lớn, việc thực thi lượng tử hóa và nhân ma trận mã hóa $H$ trong quá trình truyền phát có độ phức tạp thấp, hoàn toàn có thể tối ưu hóa để vận hành thời gian thực trên các dòng chip DSP hoặc vi điều khiển ARM Cortex chuyên dụng.

Kết luận

• Đóng góp học thuật: Luận văn đã hệ thống hóa toàn diện lý thuyết phân rã ma trận không âm NMF, đồng thời đề xuất giải pháp lượng tử hóa tham số LSF và dạng sóng đặc trưng CW tối ưu riêng cho đặc thù ngữ âm tiếng Việt.
• Thành tựu định lượng: Đạt tỷ lệ nén phổ biên độ từ 20 đến 30 lần, duy trì độ méo phổ trung bình ở mức lý tưởng 1,47 dB và độ chính xác ước lượng cao độ đạt 95,73%.
• Ý nghĩa thực tiễn: Khẳng định tính khả thi của việc xây dựng hệ thống nén thoại tốc độ bit cực thấp (1 - 2 Kbps) thời gian thực phục vụ các mạng viễn thông băng hẹp và thiết bị truyền tin bảo mật.
• Kế hoạch phát triển tiếp theo: Triển khai thử nghiệm mã nguồn trên phần cứng nhúng C/C++ trong vòng 6 đến 12 tháng tới và tích hợp mô hình khử nhiễu học sâu nhằm thích ứng với môi trường âm học phức tạp.
• Hành động đề xuất: Các nhà phát triển hệ thống viễn thông và nhà nghiên cứu công nghệ giọng nói nên áp dụng khung mô hình NMF cải tiến trong luận văn để nâng chuẩn hiệu quả truyền dẫn cho các sản phẩm công nghệ thoại tại Việt Nam.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 TỔNG QUAN VỀ MÃ HÓA TIẾNG NÓI 1. Tổng quan về tiếng nói 1. Thông tin tiếng nói Tiếng nói là dạng thông tin tự nhiên và phổ biến nhất đối với con người. Từ khi lịch sử con người hình thành, con người đã biết sử dụng tiếng nói làm phương tiện giao tiếp chính, trải qua hàng triệu năm trong quá trình tiến hóa và phát triển của loài người, tiếng nói vẫn luôn giữ vai trò là phương tiện giao tiếp cơ bản nhất.

Do đó tiếng nói là phương tiện giao tiếp cơ bản của con người, nó cũng là loại hình thông tin cơ bản và phổ biến nhất trong các hệ thống viễn thông từ trước đến nay. Kể từ khi máy tính và các ứng dụng của máy tính được nghiên cứu và ứng dụng rộng rãi, người ta cố gắng để máy tính không chỉ có thể xử lý nhanh, nhiều mà quan trọng hơn nó đủ thông minh để thay thế con người. Một trong các tiêu chí quan trọng để đánh giá độ thông minh của máy tính chính là khả năng hiểu được ngôn ngữ tự nhiên của con người trong đó có tiếng nói. Tuy nhiên, tiếng nói mang nhiều thông tin, ngoài thông tin ngôn ngữ còn cả các thông tin phi ngôn ngữ như thông tin về người nói, thông tin về sắc thái tình cảm khi nói… Tín hiệu tiếng nói là loại tín hiệu âm thanh phổ biến nhất trong viễn thông.

Dải tần tín hiệu tiếng nói nằm trong khoảng 300 Hz - 3400 Hz. Tiếng nói bao gồm hai dạng hữu thanh và vô thanh. Âm hữu thanh có đặc tính tuần hoàn còn âm vô thanh tương tự nhiễu. LUAN VAN CHAT LUONG download : add luanvanchat@agmail.

Dạng sóng tiếng nói một câu tiếng Việt Hình 1.Tiếng nói hữu thanh 1. Tín hiệu Tín hiệu(signal) dùng để chỉ một đại lượng vật lý mang tin tức. Về mặt toán học, ta có thể mô tả tín hiệu như một hàm theo biến thời gian, không gian hay các biến độc lập khác. Chẳng hạn như, hàm: x(t )  40t 2 mô tả tín hiệu biến thiên theo biến thời gian t.

Hay một ví dụ khác, hàm: s( x, y)  2 x  7 xy  y mô tả tín hiệu là hàm 2 theo hai biến độc lập x và y, trong đó x và y biểu diễn cho hai tọa độ trong mặt phẳng. LUAN VAN CHAT LUONG download : add [e-mail] 7 Hai tín hiệu trong ví dụ trên về lớp tín hiệu được biểu diễn chính xác bằng hàm theo biến độc lập. Tuy nhiên, trong thực tế, các mối quan hệ giữa các đại lượng vật lý và các biến độc lập thường rất phức tạp nên không thể biểu diễn tín hiệu như trong hai ví dụ vừa nêu trên. Lấy ví dụ tín hiệu tiếng nói – đó là sự biến thiên của áp suất không khí theo thời gian.

Chẳng hạn khi ta phát âm câu “Cô ấy đang đi chơi”, dạng sóng của nó được biểu diễn như Hình 1. Nguồn tín hiệu Tất cả các tín hiệu đều do một nguồn nào đó tạo ra, theo một cách thức nào đó. Ví dụ tín hiệu tiếng nói được tạo ra băng cách ép không khí đi qua dây thanh âm. Quá trình tạo tín hiệu như vậy thường liên quan đến một hệ thống, hệ thống này đáp ứng lại một kích thích nào đó.

Trong tín hiệu tiếng nói, hệ thống là hệ thống phát âm, gồm: môi, răng, lưỡi, còn kích thích là sự rung của dây thanh… 1. Hệ thống và xử lý tín hiệu Hệ thống là một thiết bị vật lý thực hiện một tác động nào đó lên tín hiệu. Ví dụ, bộ lọc nhiễu tiếng nói dùng để giảm nhiễu trong tín hiệu mang tin được gọi là một hệ thống. Khi ta truyền tín hiệu qua một hệ thống, như bộ lọc chẳng hạn, ta nói rằng đã xử lý tín hiệu đó.

Trong trường hợp này, xử lý tín hiệu liên quan đến lọc nhiễu ra khỏi tín hiệu tiếng nói mong muốn. Xử lý tín hiệu là ý muốn nói đến một loạt các công việc hay các phép toán được thực hiện trên các tín hiệu nhằm đạt mục đích nào đó, như là tách tin tức chứa bên trong tín hiệu hoặc là truyền tín hiệu mang tin từ nơi này đến nơi khác. Xử lý tiếng nói hay xử lý tín hiệu tiếng nói được hiểu là các thao tác, kỹ thuật xử lý trên máy tính nhằm mục đích đưa tiếng nói vào máy tính, xử lý theo yêu cầu và phát lại cho con người. Yêu cầu xử lý ở đây phụ thuộc vào từng ứng dụng cụ thể.

Chẳng hạn để có thể truyền tiếng nói tin cậy và hiệu quả trên các hệ thống viễn thông truyền với khoảng cách rất xa, người ta cần nghiên cứu và xây dựng LUAN VAN CHAT LUONG download : add [e-mail] 8 các giải thuật mã hóa nén tiếng nói. Để xây dựng các ứng dụng nhận dạng tiếng nói, người ta cần nghiên cứu và xây dựng các giải thuật trích đặc trưng tiếng nói và huấn luyện tiếng nói. Để biến đổi tiếng nói, người ta cần xác định các đặc trưng tiếng nói theo các tiêu chí cụ thể khác nhau (như người nói, cảm xúc, ngữ điệu khi nói) và biến đổi trực tiếp hoặc gián tiếp các đặc trưng này. Một số ứng dụng của xử lý tiếng nói 1.

Tổng quan về mã hóa tiếng nói Vào năm 1892 Alexander Graham Bell khai trương tuyến điện thoại thương mại đầu tiên trên thế giới và cho tới gần đây con người coi điện thoại là một công cụ truyền tin hữu hiệu. Nhờ điện thoại mà con người có khả năng trao đổi thông tin giữa các điểm khác nhau trên toàn thế giới một cách dễ dàng. Ngoài ưu thế như khả năng truyền thông tin theo thời gian thực và dễ sử dụng, mạng điện thoại ngày nay còn có các ưu điểm rất cơ bản, đó là được phổ biến trên toàn cầu, giúp ta có khả năng liên lạc hầu như mọi điểm trên trái đất, thời gian đáp ứng ngắn và thuận tiện cho người sử dụng. LUAN VAN CHAT LUONG download : add [e-mail] 9 Cũng từ đó tín hiệu tiếng nói trở thành một đối tượng và cũng là một nguồn tải lớn nhất của mạng viễn thông, cùng với sự phát triển của kỹ thuật số, các công nghệ bán dẫn thì các phương pháp mã hoá tín hiệu tiếng nói cũng phát triển mạnh.

Bộ mã hoá tiếng nói được phân thành hai loại lớn: bộ mã hoá dạng sóng và bộ mã hoá tham số nguồn. Bộ mã hoá dạng sóng nhằm tạo ra dạng sóng thời gian của tín hiệu tiếng nói càng chính xác càng tốt, chúng được thiết kế độc lập với nguồn tín hiệu (có nghĩa là có thể áp dụng cho cả loại tín hiệu khác) nên chất lượng không phụ thuộc nhiều vào nguồn tín hiệu chúng có ưu điểm là chất lượng ổn định với phạm vi rộng của các đặc trưng tiếng nói, và các môi trường ồn khác nhau. Còn các bộ mã hoá nguồn tiếng nói thì lại có ưu thế trong việc tiết kiệm băng tần nhưng lại rất phức tạp và có độ ổn định không cao tuy nhiên chúng ngày càng được khắc phục, để phục vụ cho các công nghệ viễn thông hiện tại và trong tương lai. Mã hóa tiếng nói tốc độ bit thấp Mã hóa PCM cho tốc độ bit của tiếng nói đã số hóa là 64 Kbps giống tốc độ bit của một kênh thông tin số cơ bản chưa ghép kênh [2].

Khoảng 20 năm trở lại đây với sự phát triển mạnh của mạng viễn thông toàn cầu, mạng Internet các dịch vụ viễn thông tích hợp thoại, hình, số liệu. thì băng tần truyền dẫn ngày càng trở nên hạn chế. Khi đó, việc sử dụng phương pháp mã hóa PCM với tốc độ cơ bản 64 Kbps là tiêu tốn lãng phí nguồn tài nguyên, hạn chế dung lượng thông tin trên một kênh truyền vật lý. Chính vì vậy, rất nhiều nhà nghiên cứu trên thế giới đã tập trung vào vấn đề mã hóa nguồn tiếng nói để đảm bảo tiếng nói được mã hóa có tốc độ bit thấp, có thể dễ dàng tăng số kênh truyền logic trên một kênh truyền vật lý, trong khi vẫn phải đảm bảo các yêu cầu về chất lượng [1, 7, 9, 13].

Các phương pháp mã hóa nguồn tiếng nói phổ biến được biết đến là mã hóa dự đoán tuyến tính LPC [11], mã hóa thích nghi CELP [10],. LUAN VAN CHAT LUONG download : add [e-mail] 10 Một trong những phương thức phân tích mạnh nhất là kỹ thuật phân tích dự đoán tuyến tính LPC [11]. Đây là phương pháp chọn trên phương pháp coi tín hiệu tiếng nói là hệ thống thay đổi chậm theo thời gian được kích thích bởi xung tựa tuần hoàn và nhiễu ngẫu nhiên.1) k 1 Ý tưởng cơ bản của việc phân tích dự đoán tuyến tính là một mẫu tiếng nói có thể xấp xỉ một cách tuyến tính với một mẫu trước đó. Một bộ dự đoán tuyến tính, với hệ số  k được định nghĩa như là một hệ thống mà đầu ra của nó có phương trình: p s ( n)    k s ( n  k ) (1.2) k 1 Sai số dự đoán định nghĩa là e(n) p e(n)   k s(n  k ) (1.3) k 1 Bằng việc tối thiểu hóa tổng bình phương sự khác nhau giữa mẫu thực và mẫu dự đoán được, các hệ số dự đoán sẽ quyết định việc truyền tới thiểu hoá này.

Phương pháp LPC có ưu thế vượt trội cho việc ước lượng các thông số cơ bản của tiếng nói như cao độ, formants, phổ,… và mã hoá tốc độ bít thấp để truyền dẫn và lưu trữ. Điều quan trọng của phương pháp này là khả năng thực hiện ước lượng các thông số này một cách chính xác và mối liên hệ trong việc tính toán tín hiệu tiếng nói. Phương pháp này cũng đã được tiêu chuẩn hóa trong các tiêu chuẩn của ITU-T. Mục tiêu của luận văn LUAN VAN CHAT LUONG download : add [e-mail] 11 Hướng nghiên cứu mã hóa tiếng nói tốc độ bit thấp dùng kỹ thuật phân rã ma trận không âm hiện vẫn được tiếp tục phát triển trong những năm gần đây nhưng ở Việt Nam, hướng nghiên cứu này còn khá mới mẻ.

Luận văn này nghiên cứu về phương pháp mã hóa tiếng nói dùng kỹ thuật phân rã ma trận không âm dùng NMF. Phân tích lý thuyết, cài đặt thực nghiệm với cơ sở dữ liệu tiếng Việt và đánh giá hiệu quả của phương pháp NMF, từ đó đưa ra các khuyến nghị cho việc phát triển hệ thống mã hóa tiếng nói tốc độ bit thấp thời gian thực dùng kỹ thuật phân rã ma trận không âm cho phù hợp với tiếng nói tiếng Việt. LUAN VAN CHAT LUONG download : add [e-mail] 12 CHƯƠNG 2 PHƯƠNG PHÁP MÃ HÓA TIẾNG NÓI DÙNG KỸ THUẬT PHÂN RÃ MA TRẬN KHÔNG ÂM NMF 2.