Chương 1 - TỔNG QUAN MÃ HÓA TIẾNG NÓI 1.1 Giới thiệu chung Ngày nay do sự bùng nổ của thông tin số, tiếng nói ngày càng đóng vai trò quan trọng trong truyền tải thông tin. Bộ mã hóa tiếng nói đƣợc ứng dụng rộng rãi trong thông tin di động, truyền tiếng nói qua nền tảng IP, truyền tiếng nói trên sóng vô tuyến. Thêm vào đó là sự phát triển của ngành công nghệ điện tử giúp cho việc thực thi các bộ mã hóa ngày càng nhanh và mạnh hơn. Bộ mã hóa tiếng nói phân tích tiếng nói thành các tham số, lƣợng tự hóa chúng thành các bit dữ liệu sao cho đảm bảo bên thu nhận đƣợc và tổng hợp lại thành tiếng nói với chất lƣợng chấp nhận đƣợc.
Cấu trúc của một hệ thống mã hóa tiếng nói ứng dụng trong thực tế. Tiếng Chuyển Mã hóa Mã hóa nói đầu Bộ lọc Lấy mẫu đổi nguồn kênh vào A/D Kênh Chuyển Tiếng Giải mã Giải mã đổi Bộ lọc nói đầu kênh nguồn D/A ra Hình 1-1 Hệ thống mã hóa tiếng nói Nguồn tín hiệu tiếng nói tƣơng tự thời gian liên tục đƣợc đƣợc số hóa bằng cách đƣa qua bộ lọc để loại bỏ các hài không thuộc dải tín hiệu tiếng nói, sau đó đi qua bộ lấy mẫu biến đổi thành tín hiệu thời gian rời rạc, trƣớc khi đi qua bộ biến đổi tƣơng tự - số (A/D converter). Đầu ra sau bộ biến đổi tƣơng tự - số là tín hiệu tiếng nói rời rạc với các mẫu đã đƣợc số hóa, ta có thể gọi là tín hiệu tiếng nói số. Hệ thống mã hóa tiếng nói đƣợc thiết kế cho các ứng dụng truyền thông cùng với tần số đƣợc giới hạn 300Hz đến 3400Hz.
Theo định lý lấy mẫu Nyquist, tần số lấy mẫu thông thƣờng đƣợc chọn để lấy mẫu tín hiệu tiếng nói là 8kHz. Để lƣợng tử hóa các mẫu của tín hiệu tiếng nói có thể dùng 8-bit/mẫu, hoặc 16-bit/mẫu để có chất lƣợng tốt hơn. TIEU LUAN MOI download : skknchat@gmail.com 4 Ta có thể tính toán tốc độ bít của tiếng nói đầu vào: Bit-rate = 8kHz x 16 bits = 128 kbps Nhƣ vậy để có thể truyền tải đƣợc tín hiệu tiếng nói này kênh truyền phải có tốc độ tối thiểu là 128 kbps. Tốc độ bít này là tốc độ bít đầu ra sau bộ biến đổi A/D.
Tín hiệu đầu ra của bộ mã hóa nguồn (Encoder) đƣợc mã hóa có tốc độ bít thấp hơn đầu vào, giả sử là 2.4 kbps, nhƣ vậy nó giảm đi 53 lần so với đầu vào. Tín hiệu này sẽ đƣợc qua bộ mã hóa kênh rồi đƣa lên kênh truyền, tại phía thu của kênh truyền sẽ có bộ giải mã tín hiệu trên kênh truyền trƣớc khi đƣa tín hiệu có tốc độ 2.4 kbps vào bộ giải mã nguồn (Decoder) sẽ giải mã và đƣa ra tín hiệu đã đƣợc giải mã với tốc độ 128 kbps trƣớc khi qua bộ biến đổi số-tƣơng tự để thành tín hiệu liên tục, tiếp theo tín hiệu đƣợc đƣa qua bộ lọc. Vậy với một bộ mã hóa tiếng nói mà ta quan tâm có thể đƣợc rút gọn lại nhƣ sau: Tín hiệu vào Bộ mã Bộ giải Tín hiệu ra (128kbps) hóa mã (128kbps) Dòng bit đã mã hóa (<<128kbps) Hình 1-2 Bộ mã hóa tiếng nói Ta có thể thấy rằng tín hiệu vào ở tốc độ 128kbps sau khi qua bộ mã hóa sẽ giảm tốc độ bit xuống <<128kbps và luồng bit này sẽ đƣợc đƣa qua bộ giải mã để khôi phục lại tín hiệu tiếng nói có tốc độ bit là 128kbps.2 Phân loại các bộ mã hóa tiếng nói 1.1 Phân loại theo tốc độ bít Bảng 1-1 Phân loại bộ mã hóa tiếng nói theo tốc độ bit Phân loại Tốc độ bít Tốc độ bít cao >15kbps Tốc độ bít trung bình 5 – 15kbps Tốc độ bit thấp 2 – 5kbps Tốc độ bít rất thấp <2kbps Theo bảng này thì các kỹ thuật mã hóa sẽ đƣa ra các tốc độ bít khác nhau, chất lƣợng của tiếng nói sau khi giải mã sẽ phụ thuộc rất nhiều vào tốc độ mã hóa. Chất lƣợng tiếng nói sẽ tỷ lệ nghịch với tốc độ bít.
Hiện nay thì các bộ mã hóa tiếng nói TIEU LUAN MOI download : skknchat@gmail.com 5 thông thƣờng cho chất lƣợng tốt ở tốc độ trên 2kbps và cao hơn, cá biệt một số bộ mã hóa có thể đƣa tốc độ bít xuống 600bps.2 Phân loại theo kỹ thuật mã hóa Các bộ mã hóa đường bao (waveform coders) Các bộ mã hóa này tập trung vào việc bảo toàn đƣờng bao của tín hiệu và có thể sử dụng cho nguồn tín hiệu bất kỳ. Các bộ mã hóa này tốt hơn khi mã với tốc độ bít cao, hiệu năng mã hóa có thể giảm nhiều khi giảm tốc độ bít. Thông thƣờng các bộ mã hóa này làm việc tốt nhất ở tốc độ 32kbps hoặc cao hơn. Tỷ lệ tín trên tạp là tham số để đo chất lƣợng của các bộ mã hóa đƣờng bao.
Một số ví dụ cho các bộ mã hóa kiểu này nhƣ PCM (Pulse Code Modulation), và ADPCM (Adaptive Differential PCM). Các bộ mã hóa tham số (Parametric Coders) Tín hiệu tiếng nói giả định đƣợc tạo ra từ mô hình, mô hình này đƣợc điều khiển bới một vài tham số. Trong suốt quá trình mã hóa, các tham số của mô hình đƣợc ƣớc lƣợng từ tín hiệu tiếng nói, và các tham số này đƣợc truyền đi. Các bộ mã hóa tham số này không bảo toàn đƣợc hình dạng đƣờng bao gốc của tiếng nói, và tỷ lệ tín trên tạp thƣờng dùng để đo chất lƣợng.
Chất lƣợng của tiếng nói đƣợc giải mã liên quan trực tiếp đến độ chính xác và sự phức tạp của mô hình. Bởi sự giới hạn này, bộ mã hóa này dành riêng cho tín hiệu riêng biệt nhƣ tiếng nói, hiệu năng rất tồi cho các tín hiệu không phải tiếng nói. Có một vài mô hình đƣợc công bố, về cơ bản đều dựa vào mô hình dự đoán tuyến tính. Xét gần đùng, bộ tạo tiếng nói con ngƣời sử dụng một bộ lọc thời gian thay đổi, cùng với các hệ số của bộ lọc đƣợc tìm ra khi dùng bộ phân tích dự đoán tuyến tính.
Các bộ mã hóa tiếng nói dạng tham số này làm việc tốt với tốc độ bít thấp. Tăng tốc độ bít thông thƣờng không tăng chất lƣợng lên nhiều, nó bị giới hạn bởi việc chọn lựa mô hình. Tốc độ bít chuẩn từ 2 – 5kbps. Ví dụ cho các bộ mã hóa tiếng nói này nhƣ LPC (linear prediction coding), MELP (mixed excitation linear prediction).
MELP là mô hình mà ta sẽ nghiên cứu trong khuân khổ luận văn này. Các bộ mã hóa lai (Hybrid Coders) Một bộ mã hóa lai là kết hợp sức mạnh của một bộ mã hóa đƣờng bao cùng với một bộ mã hóa tham số. Giống nhƣ một bộ mã hóa tham số, nó sử dụng một mô hình sản sinh tiếng nói, trong suốt quá trình mã hóa tiếng nói, các tham số của mô hình đƣợc lƣu giữ. Các tham số thêm vào của mô hình đƣợc tối ƣu theo cách của bộ giải mã TIEU LUAN MOI download : skknchat@gmail.com 6 là gần nhất có thể với dạng sóng nguyên gốc, sự gần giống này đƣợc đo bởi hệ số phần trăm độ lỗi tín hiệu.
Các bộ mã hóa này thƣờng làm việc với tốc độ bít trung bình, ví dụ CELP (Code- Excited Linear Prediction).3 Ứng dụng của các bộ mã hóa tiếng nói Có rất nhiều tiêu chuẩn mã hóa tiếng nói đƣợc thiết kế cho các ứng dụng thực tế, ví dụ: FS1015 LPC: mô hình này đƣợc tạo ra từ năm 1984 để cung cấp truyền thông bảo mật cho các ứng dụng quân sự. Trên chiến trƣờng, các thông điệp phải đƣợc gửi đi sao cho đối phƣơng không thể hiểu đƣợc chúng, thông qua một mô hình nén bảo mật. TIA IS54 VSELP: mô hình này đƣợc tiêu chuẩn hóa từ năm 1989 cho hệ thống điện thoại di động số TDMA ở Bắc Mỹ. ETSI AMR ACELP: mô hình này đƣợc chuẩn hóa năm 1999, là một phần của hệ thống viễn thông di động toàn cầu (UMTS) liên kết với 3GPP.4 Tiếng nói và mô hình hóa Trƣớc khi chuyển sang chƣơng 2 nghiên cứu về mô hình thuật toán mã hóa tiếng nói MELP chúng ta tìm hiểu nguồn gốc tiếng nói, các loại tiếng nói, và mô hình hóa của một hệ thống tạo tiếng nói.
Nguồn gốc tiếng nói Dạng sóng của tiếng nói là sóng áp suất âm thanh đƣợc điều khiển bởi chuyển động của các kết cấu của hệ thống tạo tiếng nói của con ngƣời. Một cấu trúc đƣợc đơn giản hóa thể hiện trên hình 1-3. Tiếng nói tạo ra từ sóng âm đƣợc đƣa ra từ mũi và mồm, khi không khí đƣợc phát ra từ phổi. Ba khoang của hệ thống tạo tiếng nói là khoang mũi, khoang miệng, khoang họng tạo lên các thành phần chính của bộ lọc âm thanh.
Bộ lọc này đƣợc kích thích bởi không khí từ phổi và đƣợc đƣa ra qua môi. TIEU LUAN MOI download : skknchat@gmail.com 7 Hình 1-3 Hệ thống tạo tiếng nói của người Rãnh âm miệng (vocal tract) liên quan đến họng và hốc mồm đƣợc liên kết lại. Rãnh âm mũi (nasal tract) bắt đầu ở vòm miệng mềm và kết thúc ở các lỗ mũi. Khi vòm miệng là thấp, âm mũi liên kết với âm miệng để sinh ra các âm thanh mũi của tiếng nói.
Khung mẫu và hình dạng của âm miệng và âm mũi thay đổi liên tục theo thời gian, tạo ra một bộ lọc âm có đáp ứng tần số thời gian thay đổi. Không khí từ phổi qua các bộ phận phát âm, phổ tần số đƣợc tạo ra bởi sự lựa chọn tần số của các bộ phần phát âm này. Các tần số cộng hƣởng của bộ tạo âm miệng đƣợc gọi là tần số thành tố (formant frequancies) hay gọi gắn gọn là các thành tố, nó phụ thuộc vào hình dạng và độ dài của bộ phận tạo ra âm miệng. Bên trong thanh quản là một bộ phận quan trọng nhất của hệ thống tạo ra tiếng nói là dây âm thanh.
Dây âm thanh là một cặp của các cơ đang hồi và màng nhầy, là cái sẽ đóng mở cực nhanh trong suốt quá trình tạo ra tiếng nói. Tốc độ đóng mở dây âm thanh là tùy thuộc mỗi ngƣời. Tiếng nói có thể đƣợc phân loại thành không phải tiếng nói (unvoiced) và tiếng nói (voiced). Tiếng nói đƣợc tạo ra khi dây âm thanh rung khi không khí từ phổi ra bị ngắt quãng có chu kỳ, tạo ra các xung tuần tự kích thích bộ phận tạo ra rãnh âm miệng.
Khi dây thanh quan ít di chuyển, sự nhiễu loạn này đƣợc tạo bởi không khí đi qua nút thắt của bộ tạo âm thanh sẽ gây ra âm vô thanh. TIEU LUAN MOI download : skknchat@gmail.