Tổng quan nghiên cứu

Thiết bị giám sát hành trình (TBGSHT) đã trở thành một công cụ quan trọng trong quản lý vận tải tại Việt Nam, đặc biệt sau khi Nghị định 08/2011/TT-BGTVT của Bộ Giao thông vận tải được ban hành. Theo báo cáo của ngành, hiện có hơn 50 đơn vị cung cấp TBGSHT hợp quy trên thị trường, phản ánh sự phát triển nhanh chóng của lĩnh vực này. Tuy nhiên, các thiết bị hiện nay chủ yếu chỉ thu âm và phát lại các thông báo cố định, chưa đáp ứng được nhu cầu linh hoạt trong việc truyền tải thông tin đa dạng như đọc thông báo từ trung tâm điều hành hay rao trạm xe buýt.

Luận văn thạc sĩ này tập trung nghiên cứu và phát triển hệ thống tổng hợp tiếng nói (Text-to-Speech - TTS) tích hợp trên TBGSHT nhằm nâng cao tính tiện ích và khả năng tương tác của thiết bị. Mục tiêu cụ thể là thiết kế và thi công TBGSHT có khả năng nhận văn bản đầu vào qua SMS hoặc giao thức TCP/IP, chuẩn hóa văn bản, và tổng hợp tiếng nói bằng phương pháp ghép nối đơn vị âm thanh (unit selection). Nghiên cứu được thực hiện trong phạm vi thiết kế phần cứng và phần mềm cho TBGSHT tại Việt Nam, với dữ liệu âm thanh thu âm từ phát thanh viên Kim Phượng, đảm bảo độ phủ gần hết tiếng Việt và đa dạng ngữ điệu.

Ý nghĩa của nghiên cứu được thể hiện qua việc nâng cao mức độ tự nhiên và dễ nghe của tiếng nói tổng hợp, đồng thời đáp ứng các quy chuẩn kỹ thuật theo QCVN 31:2014/BGTVT của Bộ Giao thông vận tải. Việc tích hợp TTS vào TBGSHT không chỉ giúp người sử dụng dễ dàng quản lý phương tiện mà còn hỗ trợ truyền tải thông tin hiệu quả, góp phần giảm ùn tắc giao thông và nâng cao chất lượng dịch vụ vận tải công cộng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: phương pháp tổng hợp tiếng nói bằng ghép nối đơn vị (unit selection) và thuật toán băm SHA-1 để mã hóa và tìm kiếm các đơn vị âm thanh phù hợp.

  • Phương pháp tổng hợp tiếng nói bằng ghép nối đơn vị: Đây là kỹ thuật tổng hợp tiếng nói bằng cách lựa chọn và ghép nối các đơn vị âm thanh đã được thu âm trước đó, có thể là câu, cụm từ hoặc từ. Phương pháp này giúp tạo ra tiếng nói tổng hợp có chất lượng tự nhiên và dễ nghe hơn so với các phương pháp tổng hợp dựa trên tham số như formant. Để giảm thiểu các mối ghép nối không tự nhiên, các đơn vị âm thanh được phân đoạn theo cụm từ và lựa chọn dựa trên ngữ cảnh trái và phải.

  • Thuật toán SHA-1: Được sử dụng để mã hóa các cụm từ thành vector đặc trưng 160-bit, giúp việc tìm kiếm và đối sánh các đơn vị âm thanh trong cơ sở dữ liệu trở nên hiệu quả và chính xác. Thuật toán thực hiện qua 5 bước xử lý khối dữ liệu 512-bit, bao gồm nhồi dữ liệu, thêm độ dài, khởi tạo bộ đệm, xử lý vòng lặp và xuất kết quả.

Ngoài ra, các khái niệm quan trọng khác bao gồm chuẩn hóa văn bản đầu vào (xử lý chữ hoa, chữ thường, số, từ viết tắt, từ nước ngoài, ký hiệu đặc biệt), bộ từ viết tắt, bộ phiên âm tiếng nước ngoài và thuật toán tìm kiếm đơn vị âm thanh dựa trên thuật toán Viterbi để chọn chuỗi đơn vị tối ưu.

Phương pháp nghiên cứu

Nguồn dữ liệu chính bao gồm 14.370 tệp tin âm thanh thu âm bởi phát thanh viên Kim Phượng với tổng thời lượng 44 giờ, được phân đoạn thành 23.020 đơn vị cơ sở. Văn bản đầu vào được thu thập từ các trang báo điện tử lớn như VnExpress, Tuổi Trẻ, Dân Trí để xây dựng bộ từ điển từ viết tắt và chuẩn hóa văn bản.

Phương pháp phân tích bao gồm:

  • Mô phỏng hệ thống tổng hợp tiếng nói trên máy tính sử dụng hệ điều hành Linux để đánh giá chất lượng và so sánh với các phương pháp khác.
  • Thiết kế phần cứng TBGSHT với vi xử lý AT91SAM9260 tốc độ 180 MHz, bộ nhớ SDRAM 64 MB và NAND Flash 256 MB, cùng các module GSM (M95), GPS (L70), và các giao diện RS232, RS485.
  • Phát triển phần mềm tổng hợp tiếng nói tích hợp trên TBGSHT, bao gồm chuẩn hóa văn bản, lựa chọn đơn vị âm thanh dựa trên mã SHA-1 và thuật toán Viterbi, giải mã và phát âm thanh qua IC VS1003.
  • Thời gian nghiên cứu kéo dài từ năm 2012 đến 2015, với các giai đoạn khảo sát, thiết kế, mô phỏng, thi công và kiểm tra hoàn thiện thiết bị.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Chất lượng tiếng nói tổng hợp: Hệ thống tổng hợp tiếng nói bằng phương pháp ghép nối đơn vị đạt mức độ tự nhiên và dễ nghe cao hơn so với các phương pháp formant và TD-PSOLA trước đây. Ví dụ, tiếng nói tổng hợp trên thiết bị có thể phát ra các câu dài với ngữ điệu phù hợp, giảm thiểu các mối ghép nối không tự nhiên.

  2. Hiệu suất xử lý trên thiết bị: TBGSHT với vi xử lý AT91SAM9260 và bộ nhớ SDRAM 64 MB có khả năng xử lý tổng hợp tiếng nói trong thời gian thực, đáp ứng yêu cầu truyền thông tin qua SMS hoặc TCP/IP. Tốc độ xử lý được cải thiện đáng kể nhờ tối ưu thuật toán lựa chọn đơn vị, giảm thời gian tổng hợp xuống khoảng vài giây cho một câu thông báo.

  3. Tính năng tuân thủ quy chuẩn: Thiết bị đáp ứng đầy đủ các tính năng theo QCVN 31:2014/BGTVT, bao gồm thu thập dữ liệu GPS, tín hiệu xe, truyền dữ liệu qua GPRS, và phát thông báo bằng tiếng nói tổng hợp. Việc tích hợp TTS không làm ảnh hưởng đến các chức năng giám sát hành trình cơ bản.

  4. Khả năng xử lý văn bản đa dạng: Hệ thống chuẩn hóa văn bản hiệu quả với khả năng chuyển đổi từ viết tắt, số, từ nước ngoài và ký hiệu đặc biệt thành dạng chuẩn để tổng hợp tiếng nói. Bộ từ viết tắt gồm 3.581 từ và bộ phiên âm tiếng nước ngoài gồm 6.750 từ giúp mở rộng phạm vi ứng dụng.

Thảo luận kết quả

Nguyên nhân chính giúp hệ thống đạt được chất lượng tiếng nói tự nhiên là do việc sử dụng đơn vị âm thanh theo cụm từ dài, giảm số lượng mối ghép nối và áp dụng thuật toán SHA-1 để mã hóa và tìm kiếm chính xác các đơn vị phù hợp. So với các nghiên cứu trước đây chỉ dừng lại ở mức mô phỏng trên máy tính, luận văn đã thành công trong việc ứng dụng thực tế trên thiết bị TBGSHT.

Việc tích hợp TTS vào TBGSHT không chỉ nâng cao tính năng mà còn giúp giảm chi phí và tăng tiện ích cho người sử dụng, đặc biệt trong các ứng dụng như rao trạm xe buýt, đọc thông báo từ trung tâm điều hành, hay hướng dẫn lái xe khi xảy ra kẹt xe. Kết quả này phù hợp với xu hướng phát triển công nghệ giao thông thông minh trên thế giới.

Dữ liệu có thể được trình bày qua biểu đồ so sánh mức độ tự nhiên của tiếng nói tổng hợp giữa các phương pháp, bảng thống kê thời gian xử lý trên thiết bị và sơ đồ khối hệ thống phần cứng để minh họa cấu trúc thiết bị.

Đề xuất và khuyến nghị

  1. Mở rộng cơ sở dữ liệu âm thanh: Tiếp tục thu âm và phân đoạn thêm các đơn vị âm thanh đa dạng hơn, đặc biệt là các từ địa phương và từ nước ngoài phổ biến, nhằm nâng cao chất lượng và phạm vi ứng dụng của hệ thống. Chủ thể thực hiện: Trung tâm nghiên cứu và đào tạo ICDREC, thời gian 12 tháng.

  2. Cải tiến thuật toán lựa chọn đơn vị: Nghiên cứu và áp dụng các thuật toán học máy để tối ưu hóa việc lựa chọn đơn vị âm thanh, giảm thiểu thời gian xử lý và tăng độ chính xác. Chủ thể thực hiện: Nhóm phát triển phần mềm, thời gian 6 tháng.

  3. Tích hợp thêm các tính năng mở rộng: Phát triển các chức năng như hướng dẫn lái xe bằng giọng nói, cảnh báo an toàn, và hỗ trợ đa ngôn ngữ để đáp ứng nhu cầu ngày càng đa dạng của người dùng. Chủ thể thực hiện: Công ty công nghệ thiết kế phần cứng và lập trình, thời gian 9 tháng.

  4. Đào tạo và chuyển giao công nghệ: Tổ chức các khóa đào tạo kỹ thuật cho các đơn vị cung cấp TBGSHT nhằm phổ biến công nghệ tổng hợp tiếng nói tích hợp, đảm bảo chất lượng sản phẩm trên thị trường. Chủ thể thực hiện: Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh, thời gian 6 tháng.

Đối tượng nên tham khảo luận văn

  1. Các nhà nghiên cứu và sinh viên ngành kỹ thuật điện tử, viễn thông: Luận văn cung cấp kiến thức chuyên sâu về tổng hợp tiếng nói và thiết kế phần cứng tích hợp, hỗ trợ nghiên cứu và phát triển sản phẩm công nghệ.

  2. Doanh nghiệp sản xuất thiết bị giám sát hành trình và công nghệ giao thông thông minh: Tham khảo để ứng dụng công nghệ TTS nâng cao tính năng sản phẩm, đáp ứng yêu cầu thị trường và quy chuẩn kỹ thuật.

  3. Cơ quan quản lý nhà nước về giao thông vận tải: Hiểu rõ về công nghệ mới trong giám sát hành trình, từ đó xây dựng chính sách và quy định phù hợp nhằm nâng cao hiệu quả quản lý.

  4. Các đơn vị vận tải công cộng và taxi: Áp dụng thiết bị TBGSHT tích hợp TTS để cải thiện dịch vụ khách hàng, nâng cao trải nghiệm người dùng thông qua các thông báo tự động, rao trạm và hướng dẫn lái xe.

Câu hỏi thường gặp

  1. Phương pháp tổng hợp tiếng nói bằng ghép nối đơn vị là gì?
    Phương pháp này sử dụng các đơn vị âm thanh đã thu âm sẵn (câu, cụm từ, từ) để ghép nối tạo thành tiếng nói tổng hợp. Ưu điểm là tiếng nói tự nhiên và dễ nghe hơn so với các phương pháp dựa trên tham số. Ví dụ, trong luận văn, 14.370 tệp âm thanh được phân đoạn thành 23.020 đơn vị cơ sở để phục vụ tổng hợp.

  2. Thiết bị giám sát hành trình tích hợp TTS hoạt động như thế nào?
    Thiết bị nhận văn bản đầu vào qua SMS hoặc TCP/IP, chuẩn hóa văn bản, lựa chọn đơn vị âm thanh phù hợp dựa trên mã SHA-1 và thuật toán Viterbi, sau đó phát ra tiếng nói. Thiết bị cũng thu thập dữ liệu GPS, tín hiệu xe và truyền về trung tâm qua GPRS.

  3. Làm thế nào để xử lý các từ viết tắt và từ nước ngoài trong văn bản đầu vào?
    Hệ thống sử dụng bộ từ viết tắt gồm 3.581 từ và bộ phiên âm tiếng nước ngoài gồm 6.750 từ để chuyển đổi các từ này thành dạng chuẩn, giúp tổng hợp tiếng nói chính xác và tự nhiên hơn.

  4. Thiết bị có đáp ứng các quy chuẩn kỹ thuật hiện hành không?
    Có, TBGSHT được thiết kế tuân thủ đầy đủ các yêu cầu của QCVN 31:2014/BGTVT, đảm bảo tính hợp pháp và khả năng ứng dụng rộng rãi trong quản lý vận tải.

  5. Khả năng mở rộng và ứng dụng của hệ thống này trong tương lai?
    Hệ thống có thể mở rộng thêm các tính năng như hướng dẫn lái xe, cảnh báo an toàn, hỗ trợ đa ngôn ngữ và tích hợp với các thiết bị ngoại vi như camera, RFID. Điều này giúp nâng cao hiệu quả quản lý và trải nghiệm người dùng.

Kết luận

  • Đã thiết kế và thi công thành công TBGSHT tích hợp hệ thống tổng hợp tiếng nói tiếng Việt bằng phương pháp ghép nối đơn vị, đáp ứng các yêu cầu kỹ thuật và quy chuẩn hiện hành.
  • Hệ thống tổng hợp tiếng nói đạt chất lượng tự nhiên và dễ nghe, cải thiện đáng kể so với các phương pháp trước đây.
  • Thiết bị có khả năng xử lý văn bản đa dạng, bao gồm số, từ viết tắt, từ nước ngoài và ký hiệu đặc biệt, đảm bảo tính linh hoạt trong ứng dụng thực tế.
  • Phần cứng được thiết kế tối ưu với vi xử lý AT91SAM9260, bộ nhớ SDRAM 64 MB và NAND Flash 256 MB, cùng các module GSM, GPS và giao diện ngoại vi đa dạng.
  • Đề xuất các hướng phát triển tiếp theo bao gồm mở rộng cơ sở dữ liệu âm thanh, cải tiến thuật toán, tích hợp tính năng mới và đào tạo chuyển giao công nghệ nhằm nâng cao hiệu quả ứng dụng trong quản lý vận tải.

Luận văn mở ra hướng đi mới cho việc ứng dụng công nghệ tổng hợp tiếng nói trong thiết bị giám sát hành trình, góp phần nâng cao chất lượng dịch vụ vận tải và quản lý giao thông thông minh tại Việt Nam. Các nhà nghiên cứu và doanh nghiệp trong lĩnh vực này được khuyến khích tiếp tục phát triển và ứng dụng công nghệ để đáp ứng nhu cầu ngày càng cao của thị trường.