Chương 1: TỔNG QUAN 1.1 Tổng quan về lĩnh vực nghiên cứu – Các kết quả nghiên cứu trong và ngoài nước đã công bố Ngay khi phát minh ra máy tính, con ngƣời đã mơ ƣớc máy tính có thể nói chuyện với mình. Yêu cầu đơn giản nhất là máy có thể xác định đƣợc từ ngữ mà chúng ta nói với máy. Đó là mục tiêu của ngành nhận dạng tiếng nói. Đối với con ngƣời, việc nghe, nhất là nghe tiếng mẹ đẻ là một vấn đề khá đơn giản.
Còn đối với máy tính, xác định một chuỗi tín hiệu âm thanh là sự phát âm của một từ nào hoàn toàn không đơn giản. Hệ thống nhận dạng tiếng nói (Speech Recognition ) sẽ có những ứng dụng tuyệt vời trong tất cả các lĩnh vực của đời sống, nếu đƣợc áp dụng thành công sẽ là một cuộc cách mạng trong giao tiếp ngƣời máy (Human Machine Interface ), các ứng dụng của nó bao trùm trên nhiều lĩnh vực nhƣ công nghiệp, an ninh và giải trí. Lĩnh vực nhận dạng tiếng nói đã đƣợc nghiên cứu hơn 4 thập kỉ và hiện nay mới chỉ có một số thành công. Có thể kể đến hệ thống nhận dạng tiếng Anh (ví dụ: phần mềm Via Voice của IBM, hệ thống nhận dạng tiếng nói tích hợp của OfficeXP…).
Các hệ thống này hoạt động khá tốt (cho độ chính xác khoảng 90 - 95%) nhƣng còn xa mới đạt đến mức mơ ƣớc của chúng ta: có một hệ thống có thể nghe chính xác và hiểu hoàn toàn những điều ta nói. Riêng với tiếng Việt, lĩnh vực nhận dạng tiếng nói còn khá mới mẻ. Chƣa hề thấy xuất hiện một phần mềm nhận dạng tiếng Việt hoàn chỉnh trên thị trƣờng. Số công trình nghiên cứu về nhận dạng tiếng nói tiếng Việt đƣợc công bố rất hiếm hoi, và kết quả còn hạn chế về bộ từ vựng, độ chính xác….
Tiếng Việt có nhiều đặc tính khác với các ngôn ngữ đã đƣợc nghiên cứu nhận dạng nhiều nhƣ tiếng Anh, tiếng Pháp. Do đó việc nghiên cứu nhận dạng tiếng Việt là rất cần thiết. Trang 1 Vì những lí do trên, tôi chọn đề tài “Nhận dạng tiếng nói dùng mạng Neural”, nhằm nghiên cứu các phƣơng pháp nhận dạng tiếng nói đối với tiếng Việt và thử nghiệm xây dựng một hệ thống nhận dạng cỡ nhỏ.1 Các kết quả nghiên cứu ngoài nước. Nhận dạng tiếng nói nhằm chuyển thông tin từ tiếng nói con ngƣời vào máy tính và tổng hợp tiếng nói nhằm tự động tạo ra tiếng ngƣời nói bằng máy tính.
Cùng với sự phát triển nhanh chóng của công nghệ thông tin nói chung và mạng Internet nói riêng, nhận dạng và tổng hợp tiếng nói càng ngày càng trở nên là một xu hƣớng tất yếu cho những máy tính thế kỉ 21. Trong vòng 50 năm qua, rất nhiều thuật toán đƣợc đề xuất và triển khai trên các hệ tự động nhận dạng và tổng hợp tiếng nói. Trên thế giới đã có nhiều bộ phần mềm thƣơng mại dành cho tiếng Anh nhƣ IBM ViaVoice, Dragon Naturally Speaking, L&H Voice Xpress. Những phần mềm này cung cấp các chức năng chủ yếu nhƣ: nhập văn bản vào máy, đọc văn bản thành lời, duyệt Web bằng giọng nói.
Gần đây nhất hãng Microsoft đã công bố việc tích hợp VUI (Voice User Interface) thay cho GUI (Graphic User Interface) truyền thống vào phiên bản hệ điều hành Windows thế hệ mới với mật danh Whistler. Kết quả này có ý nghĩa rất lớn trong giao tiếp ngƣời-máy: thay vì giao tiếp với máy tính qua những biểu tƣợng và cửa sổ, các máy tính trong tƣơng lai chỉ giao tiếp với con ngƣời bằng những mệnh lệnh đơn giản.2 Các kết quả nghiên cứu trong nước. Trƣớc hết đây là vấn đề khó, vì một số khó khăn do bản thân đối tƣợng mà nó nhắm đến, tiếng nói hay âm thanh, là một đối tƣợng không ổn định. Các khó khăn có thể kể đến như: Sự biến động của ngƣời nói trong việc phát âm: - Tiếng nói thay đổi theo thời gian, theo độ tuổi.
- Tình trạng sức khỏe. Một ngƣời khi khỏe mạnh sẽ phát âm khác hẳn so với khi đau ốm, ví dụ nhƣ cảm cúm chẳng hạn. Trang 2 - Với một ngƣời trong một khoảng thời gian ngắn, việc phát âm một từ trong nhiều lần khác nhau có thể khác nhau. Ảnh hƣởng của ngoại cảnh: - Nhiễu, tiếng ồn của môi trƣờng xung quanh.
Ví dụ một ngƣời nói trong không gian yên tĩnh sẽ dễ nghe hơn là ở ngoài đƣờng phố. - Handset để thu âm có thể khác nhau trong những tình huống khác nhau. Điều kiện lý tƣởng cho việc thực hiện nhận dạng tiếng nói nói chung và âm thanh nói riêng là tiếng nói sẽ ổn định kể cả trong lúc huấn luyện và lúc nhận dạng. Tiếng nói của mỗi ngƣời là duy nhất, không trùng lẫn với những ngƣời khác.
Do đó, cho đến thời điểm hiện tại, việc nhận dạng âm thanh, tiếng nói là một công việc rất khó khăn. Trong thời gian qua, các nghiên cứu còn tản mạn, các kết quả tập trung chủ yếu vào thử nghiệm bƣớc đầu tổng hợp tiếng Việt dựa trên một số kỹ thuật cơ bản, và giải quyết các ứng dụng điều khiển bằng giọng nói với lƣợng từ vựng nhỏ để có thể triển khai nhanh, để minh họa và thực tế là chƣa khai thác đặc điểm riêng của ngữ âm tiếng Việt. Trong đề tài KC-01-10, các nội dung về tổng hợp và nhận dạng tiếng Việt mới đƣợc tiến hành nghiên cứu ở hai năm cuối (1999-2000). Vì thế chƣa có sản phẩm có khả năng ứng dụng rộng rãi chẳng hạn cho các ứng dụng văn phòng hay các ứng dụng trong viễn thông.
Một số phần mềm nhận dạng tiếng Việt: Chƣơng trình nhận dạng lệnh VnCommand: Nhận dạng lệnh, trình diễn khả năng điều khiển chƣơng trình ứng dụng trên Windows. - Mục tiêu: Phần mềm nhận dạng lệnh ứng dụng trong điều khiển thay thế cho ngƣời dùng nhấn chuột hoặc gõ lệnh từ bản phím. CSDL gồm tập các lệnh nhỏ (dƣới 100 lệnh). - Kết quả của sản phẩm: chỉ ra khả năng tạo ra một hệ thống nhận dạng lệnh tiếng Việt, độc lập ngƣời nói với độ chính xác rât cao trên một tập lệnh với độ đồng âm giữa các lệnh thấp.
Trang 3 Chƣơng trình nhận dạng lệnh 10 chữ số tiếng Việt liên tục qua điện thoại: Xây dựng hệ thống nhận dạng mƣời chữ số tiếng Việt liên tục qua mạng điện thoại, dùng hệ thống nhận dạng lai ghép giữa mạng nơ ron nhân tạo và mô hình Markov ẩn (ANN/HMM). Chƣơng trình đọc chính tả VnDictator: Nghiên cứu, đề xuất các cách tiếp cận nhận dạng tiếng nói rời rạc hoặc liên tục, phụ thuộc hoặc không phụ thuộc ngƣời nói với lƣợng từ vựng lớn (là toàn bộ từ điển âm tiết, từ tiếng Việt).2 Mục đích của đề tài Đề tài này nghiên cứu một hƣớng nhận dạng tiếng nói dựa trên việc trích đặc trƣng của tiếng nói bằng phƣơng pháp MFCC (Mel - Frequency Ceptrums Coefficients), và nhận dạng bằng mạng neural trên môi trƣờng Matlab.3 Nhiệm vụ và giới hạn của đề tài.1 Nhiệm vụ của đề tài Thiết kế và mô phỏng hệ thống nhận dạng tiếng nói (nhận dạng 11 chữ số tiếng Việt) dùng mạng neural trên môi trƣờng Matlab. Một hệ thống nhận dạng tiếng nói nói chung thƣờng bao gồm hai phần: - Phần huấn luyện (training phase): là quá trình hệ thống “học” những mẫu chuẩn, để từ đó hình thành bộ từ vựng của hệ thống. - Phần nhận dạng (recognition phase): là quá trình quyết định xem từ nào đƣợc đọc căn cứ vào bộ từ vựng đã đƣợc huấn luyện.2 Giới hạn của đề tài Do thời gian thực hiện có hạn, ngƣời thực hiện chỉ giới hạn nghiên cứu, thiết kế cho một hệ thống nhận dạng tiếng nói (nhận dạng 11 chữ số tiếng Việt) dùng mạng neural mô phỏng trên môi trƣờng Matlab.4 Phương pháp nghiên cứu Phƣơng pháp phân tích: nghiên cứu, tìm hiểu về các phƣơng pháp trích đặc trƣng tiếng nói, tìm hiểu về mạng neural, lựa chọn mạng và thuật toán cho hệ thống nhận dạng, phân tích các kết quả nhận đƣợc từ mô hình nhận dạng… Trang 4 Phƣơng pháp mô phỏng: nghiên cứu về phần mềm Matlab, mạng neural trên môi trƣờng Matlab từ đó xây dựng chƣơng trình huấn luyện và nhận dạng cho hệ thống.
Trang 5 Chương 2: CƠ SỞ LÝ THUYẾT 2.1 Lý thuyết âm thanh và tiếng nói 2.1 Nguồn gốc âm thanh. Âm thanh là do vật thể dao động cơ học mà phát ra. Âm thanh phát ra dƣới dạng sóng âm. Sóng âm là sự biến đổi các tính chất của môi trƣờng đàn hồi khi năng lƣợng âm truyền qua.
Âm thanh truyền đƣợc đến tai ngƣời là do môi trƣờng dẫn âm. Sóng âm có thể truyền đƣợc trong chất rắn, chất lỏng, không khí. Có chất dẫn âm rất kém gọi là chất hút âm nhƣ: len,da, chất xốp… Sóng âm không thể truyền trong môi trƣờng chân không. Khi kích thích dao động âm trong mối trƣờng không khí thì những lớp khí sẽ bị nén và dãn.
Trạng thái nén dãn lần lƣợt đƣợc lan truyền từ nguồn âm dƣới dạng sóng dọc tới nơi thu âm. Nếu cƣờng độ nguồn âm càng lớn thì âm thanh truyền đi càng xa.2 Các đại lượng đặc trưng cho âm thanh. Tần số của âm thanh: là số lần dao động của phần tử khí trong một giây. Đơn vị là Hz , kí hiệu: f.
Chu kì của âm thanh: là thời gian mà âm thanh đó thực hiện một dao động hoàn toàn. Đơn vị là thời gian, kí hiệu là T. Tốc độ truyền âm: là tốc độ truyền năng lƣợng âm từ nguồn tới nơi thu. Tốc độ truyền âm trong không khí ở nhiệt độ từ 0- 200C thƣờng là 331 – 340 m/s.
Cường độ âm thanh: là năng lƣợng đƣợc sóng âm truyền trong một đơn vị thời gian qua một đơn vị diện tích đặt vuông góc với phƣơng truyền âm. Thanh áp: là lực tác dụng vào tai ngƣời nghe hoặc tại một điểm nào đó của trƣờng âm thanh. Đơn vị : 1pa=1 N/m2 hoặc 1bar = 1dyn/cm2. Âm sắc: Trong thành phần của âm thanh, ngoài tần số cơ bản còn có các sóng hài, số lƣợng sóng hài biểu diễn sắc thái của âm.
Âm sắc là một đặc tính của Trang 6 âm, nhờ đó mà ta phân biệt đƣợc tiếng trầm, bổng khác nhau, phân biệt đƣợc tiếng nhạc cụ, tiếng nam nữ ,tiếng ngƣời này với ngƣời khác. Âm lượng: là mức độ to nhỏ của nguồn.3 Các tần số của âm thanh. F0 gọi là tần số cơ bản của âm thanh. Nam giới f0 = 150 Hz.
Nữ giới : f0 = 250 Hz. Giọng nam trầm 80 – 320 Hz. Giọng nam trung 100 – 400 Hz. Giọng nam cao 130 – 480 Hz.
Giọng nữ thấp 160 – 600 Hz. Giọng nữ cao 260 – 1200 Hz.