CHƯƠNG 1: TỔNG QUAN VỀ TỔNG HỢP TIẾNG NÓI 1.1 Giới thiệu về tổng hợp tiếng nói 1.1 Tổng quan về tổng hợp tiếng nói Tổng hp ting ni là qu trnh to ra ting ni ca con ngưi t văn bn, h thng tổng hp ting ni là h thng nhn đu vào là một văn bn và to ra tín hiu ting ni tương ng ở đu ra. Nghiên cu v tổng hp ting ni đ bt đu t rt lâu, năm 1779 nhà khoa hc ngưi đan mch Christian Kratzenstein đ xây dng mô phỏng đơn gin h thng cu âm ca con ngưi, mô hnh này đ c th pht ra đưc âm thanh ca một s nguyên âm dài[5]. Đn tn th k 19 cc nghiên cu tổng hp ting ni vn cn ở mc đơn gin, phi sang th k 20 khi mà c s ln mnh ca h thng đin, đin t th mi thc s xut hin nhng h thng tổng hp ting ni cht lưng, c th k đn như h thng VODER ln đu đưc gii thiu năm 1939[6]. Cho đn hin nay, c rt nhiu cc sn phm như sch ni, đ chơi,.
s dụng công ngh tổng hp ting ni. Đc bit cc mô đun tổng hp ting ni cn đưc tích hp trong cc tr l o trên đin thoi và my tính như Siri 1 hay Cortana2. Qua qu trnh pht trin, hin nay v cơ bn một h thng tổng hp ting ni bao gm hai thành phn chính: phn x l ngôn ng t nhiên và phn x l tổng hp ting ni[7]. Phn x l ngôn ng t nhiên: chun ha, x l cc văn bn đu vào thành cc thành phn c th pht âm đưc.
Phn x l tổng hp ting ni: To ra tín hiu ting ni t cc thành phn pht âm đưc nêu trên[8]. Trên hình 1 mô t một h thng tổng hp ting ni gm hai thành phn nêu trên. Hình 1: Sơ đ tổng qut một h thng tổng hp ting ni [9] 1.2 X l ngôn ng t nhiên trong tổng hợp tiếng nói Trong một h thng tổng hp ting ni, khi x l ngôn ng t nhiên c nhim vụ trích chn cc thông tin v ng âm, ng điu ca văn bn đu vào. Thông tin ng 1 https://www.com/ios/siri/ 2 https://www.com/en-us/cortana 12 âm cho bit nhng âm nào đưc pht ra trong hoàn cnh cụ th nào, thông tin ng điu mô t điu tính ca cc âm đưc pht[7].
Qu trnh x l ngôn ng t nhiên thưng bao gm ba bưc (xem trên hình 1): - X l và chun ha văn bn (Text Processing). - Phân tích cch pht âm (Chuyn đổi hnh v sang âm v Grapheme to phoneme). - Phát sinh các thông tin ngôn điu, ng âm cho văn bn (Prosody modeling). Chun ha văn bn là qu trnh chuyn ha văn bn thô ban đu thành một văn bn dng chun, có th đc đưc một cch d dàng, ví dụ như chuyn đổi cc s, t vit tt, k t đc bit,… thành dng vit đy đ và chính xc.
Chun ha văn bn là một vn đ kh vi nhiu nhp nhng trong cch đc, ví như ch s c nhiu cch đc khc nhau tùy theo văn cnh khc nhau, như 3579 c th đưc đc là “ba nghìn năm trăm by chín” nu coi n là một s nhưng cng c th đc là “ba năm by chín” nu như n là một m xc thc, cc t vit tt cng vy, cng c nhiu cch đc phụ thuộc vào quy ưc ca ngưi vit. Phân tích cch pht âm là qu trnh xc đnh cch pht âm chính xc cho văn bn, cc h thng tổng hp ting ni dng hai cch cơ bn đ xc đnh cch pht âm cho văn bn, qu trnh này cn đưc gi là chuyn đổi văn bn sang chui âm v. Cch th nht và đơn gin nht là da vào t đin, s dụng một t đin ln c cha tt c cc t ca một ngôn ng và cha cch pht âm đng tương ng cho tng t. Vic xc đnh cch pht âm đng cho tng t ch đơn gin là tra t đin và thay đon văn bn bng chui âm v đ ghi trong t đin.
Cch th hai là da trên cc quy tc và s dụng cc quy tc đ tm ra cch pht âm tương ng. Mi cch đu c ưu nhưc đim khc nhau, cch da trên t đin nhanh và chính xc, nhưng s không hot động nu t pht âm không c trong t đin. Và lưng t vng cn lưu là ln. Cch dng quy tc ph hp vi mi văn bn nhưng độ phc tp c th tăng cao nu ngôn ng c nhiu trưng hp bt quy tc.
Pht sinh cc thông tin ngôn điu cho văn bn là vic xc đnh v trí trng âm ca t đưc pht âm, s lên xung ging ở cc v trí khc nhau trong câu và xc đnh cc bin th khc nhau ca âm phụ thuộc vào ng cnh khi đưc pht âm trong một ngôn ng lưu liên tục, ngoài ra qu trnh này cn phi xc đnh cc đim dng ngh ly hơi khi pht âm hoc đc một đon văn bn[10]. Thông tin v thi gian (duration) đưc đo bng đơn v xen ti giây (centi second) hoc mi li giây (mili second), và đưc ưc lưng da trên cc quy tc hoc cc thut ton hc my. Tn s cơ bn F0 là một đc trưng quan trng trong vic to ngôn điu ca tín hiu ting ni, do đ vic to cc đc trưng cao độ là một vn đ phc tp và quan trng trong tổng hp ting ni.3 Tổng hợp tín hiệu tiếng nói Khi x l tổng hp ting ni đm nhn vic to ra ting ni t cc thông tin v ng âm, ng điu do khi x l ngôn ng t nhiên cung cp. Trong thc t c hai cch tip cn cơ bn liên quan đn công ngh tổng hp ting ni: tổng hp ting ni s dụng mô hnh ngun âm và tổng hp da trên vic ghép ni cc đơn v âm.
13 Cht lưng ting ni ca một h thng tổng hp đưc đnh gi thông qua hai khía cnh: độ d hiu và độ t nhiên. Độ d hiu đ cp đn nội dung ca ting ni đưc tổng hp c th hiu một cch d dàng hay không. Mc độ t nhiên ca ting ni tổng hp là s so snh độ ging nhau gia ging ni tổng hp và ging ni t nhiên ca con ngưi. Một h thng tổng hp ting ni l tưởng cn va t nhiên, va d hiu và mục tiêu xây dng một h thng tổng hp là làm gia tăng ti đa hai tính cht này.
Hin nay có ba phương php chính, phổ bin nht là: tổng hp mô hnh ha h thng pht âm, tổng hp cộng hưởng tn s và tổng hp ghép ni, ngoài ra cng c cc phương php khc pht trin t ba phương php trên [11].2 Các phương pháp tổng hợp tiếng nói 1.1 Tổng hợp mô phỏng hệ thống phát âm Tổng hp mô phỏng h thng pht âm là cc k thut tổng hp ging ni da trên mô hnh my tính mô phỏng cơ quan pht âm ca con ngưi và qu trnh to ra ting ni trên đ. V mục tiêu ca phương php này là mô phỏng qu trnh to ting ni sao cho càng ging cơ ch ca con ngưi càng tt, nên v mt l thuyt đây đưc xem là phương php cơ bn nht đ tổng hp ting ni, nhưng cng v vy mà phương php này kh thc hin nht và kh c th tổng hp đưc ting ni cht lưng cao[12]. Tổng hp mô phỏng pht âm đ tng ch là h thng dành cho nghiên cu khoa hc cho mãi đn nhng năm gn đây. L do là rt ít mô hnh to ra âm thanh cht lưng đ cao hoc c th chy hiu qu trên cc ng dụng thương mi.
Một ngoi l là h thng NeXT, vn đưc pht trin thương mi ha bởi Trillium Sound Research Inc, Canada. Đ thc hin đưc phương php tổng hp da trên vic mô phỏng h thng pht âm đi hỏi thi gian, chi phí và công ngh. Phương php này kh c th ng dụng ti Vit Nam thi đim hin nay.2 Tổng hợp tần số formant Tổng hp ting ni formant là phương php tổng hp ting ni không s dụng mu ging tht nào khi chy, thay vào đ tín hiu ting ni đưc to ra bởi một mô hình tuyn âm. Mô hnh này mô phỏng hin tưng cộng hưởng ca cc cơ quan pht âm bng một tp hp cc bộ lc.
Cc bộ lc này đưc gi là cc bộ lc cộng hưởng formant, chng c th đưc kt hp song song hoc ni tip vi nhau hoc kt hp c hai. Tổng hp ni tip là bộ tổng hp formant c cc tng ni tip, đu ra ca bộ cộng hưởng này là đu vào ca bộ cộng hưởng kia, cu trc cơ bn bộ tổng hp ni tip đưc biu din trên hnh 2. Hình 2: Cu trc cơ bn bộ tổng hp formant ni tip[13]. 14 Hình 3: Cu trc cơ bn bộ tổng hp formant song song[13].
Tổng hp song song (trên hnh 3) bao gm cc bộ cộng hưởng mc song song. Đu ra là kt hp ca tín hiu ngun và tt c cc formant. Cu trc song song cn nhiu thông tin đ điu khin hơn cu trc ni tip. H thng tổng hp ting ni da trên phương php tổng hp tn s formant c nhng ưu đim, nhưc đim c th k đn như: Nhưc đim ca h thng này là to ra ging ni không t nhiên, nghe cm gic rt phân bit vi ging ngưi tht và phụ thuộc nhiu vào cht lưng ca qu trnh phân tích ting ni ca tng ngôn ng, Tuy nhiên độ t nhiên cao không phi lc nào cng là mục đích ca h thng và h thng này cng c cc ưu đim riêng ca n, h thng này kh d nghe, không c ting c st do ghép âm to ra, cc h thng này cng nhỏ gn v không cha cơ sở d liu mu âm thanh ln.3 Tổng hợp ghép nối Tổng hơp ghép ni là phương php tổng hp ting ni bng cch ghép vào nhau các đon tín hiu ting ni ca một ging ni đ đưc ghi âm.
Cc âm tit sau khi đưc to thành s đưc tip tục ghép li vi nhau to thành đon ting ni. Đơn v âm phổ bin là âm v, âm tit, bn âm tit, âm đôi, âm ba, t, cụm t. Do đc tính t nhiên ca ting ni đưc lưu gi trong cc đơn v âm, nên tổng hp ghép ni là phương php c kh năng tổng hp ting ni vi mc độ d hiu và t nhiên, cht lưng cao.