Tổng quan nghiên cứu

Công nghệ tổng hợp tiếng nói từ văn bản (Text-to-Speech - TTS) đã đạt được những bước tiến vượt bậc với chỉ số đánh giá chất lượng trung bình (MOS) vượt mốc 4.0 trong điều kiện tổng hợp giọng đọc chuẩn. Tuy nhiên, phần lớn các hệ thống thương mại hiện nay vẫn tạo ra giọng đọc đơn điệu, thiếu sắc thái biểu cảm và chưa thể hiện được trạng thái tâm lý phong phú của con người. Tại Việt Nam, nghiên cứu về tổng hợp tiếng nói biểu cảm (Expressive Speech Synthesis - ESS) đối mặt với rào cản lớn do sự khan hiếm nghiêm trọng của các bộ ngữ liệu giọng nói cảm xúc công khai có chất lượng cao.

Mục tiêu cốt lõi của nghiên cứu là giải quyết triệt để điểm nghẽn dữ liệu và nâng cao chất lượng tự nhiên của giọng nói nhân tạo tiếng Việt. Luận văn tập trung vào 3 nhiệm vụ trọng tâm: thiết lập quy trình bán tự động thu thập và tiền xử lý dữ liệu giọng nói cảm xúc; công bố 2 bộ ngữ liệu giọng nói cảm xúc tiếng Việt chuẩn hóa; xây dựng mô hình học sâu tổng hợp tiếng nói biểu cảm ứng dụng kiến trúc Conformer kết hợp cơ chế mã hóa phong cách toàn cục (Global Style Tokens - GST).

Phạm vi nghiên cứu tập trung vào 4 trạng thái cảm xúc cơ bản gồm trung tính (neutral), vui vẻ (happy), buồn bã (sad) và giận dữ (angry). Dữ liệu được trích xuất từ 48 bộ phim truyền hình, chương trình đối thoại thực tế trong giai đoạn 2008–2013 với tần số lấy mẫu chuẩn 22.050 Hz, độ sâu 16-bit. Đóng góp của luận văn mang tính tiên phong khi cắt giảm từ 62% đến 89% thời gian xây dựng dữ liệu so với phương pháp thủ công, đồng thời đóng góp bộ dữ liệu chuẩn đạt tỷ lệ nhận diện cảm xúc (EIR) lên đến 83,1% trong thử nghiệm đánh giá tổng hợp tiếng nói tại diễn đàn xử lý ngôn ngữ và tiếng nói tiếng Việt (VLSP 2022).

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được phát triển dựa trên nền tảng lý thuyết âm học và kiến trúc học sâu tiên tiến trong xử lý tiếng nói:

  1. Mô hình không gian cảm xúc 2 chiều (Circumplex Model of Affect): Sử dụng 2 trục chính là Valence (mức độ tích cực hay tiêu cực) và Arousal (mức độ kích hoạt hay cường độ cảm xúc) để lượng hóa các trạng thái cảm xúc của con người. Trục Arousal thể hiện qua biên độ năng lượng và tần số cơ bản F0, trong khi trục Valence phản ánh qua nhịp điệu và độ biến thiên của phổ âm thanh.
  2. Kiến trúc tổng hợp tiếng nói không tự hồi quy (Non-autoregressive TTS): Khắc phục nhược điểm phát sinh độ trễ lớn và lỗi lặp từ/bỏ từ của các mô hình tự hồi quy như Tacotron 2. Mô hình FastSpeech 2 được ứng dụng để dự đoán song song chuỗi phổ mel-spectrogram từ chuỗi âm vị (phonemes), tích hợp bộ điều chỉnh phương sai (Variance Adaptor) nhằm kiểm soát tường minh thời lượng phát âm (duration) và đường bao cao độ (pitch contour).
  3. Lý thuyết biểu diễn phong cách tiềm ẩn (Implicit Style Modeling): Tích hợp bộ mã hóa phong cách tham chiếu (Reference Encoder) và tầng mã hóa phong cách toàn cục (Global Style Tokens - GST) để trích xuất các vector nhúng cảm xúc có độ dài cố định từ tín hiệu âm thanh tham chiếu, kết hợp giám sát có điều kiện từ nhãn cảm xúc phân loại.

Các khái niệm âm học then chốt được lượng hóa bao gồm: Tần số cơ bản F0 đại diện cho cao độ ngữ điệu; Quang phổ Mel (Mel-Spectrogram) mô phỏng độ nhạy phi tuyến của thính giác người; Tỷ lệ nhận diện cảm xúc (Emotion Identification Rate - EIR); và Điểm số ý kiến trung bình (Mean Opinion Score - MOS) theo thang đo từ 1 đến 5.

Phương pháp nghiên cứu

Nguồn ngữ liệu tự nhiên được thu thập từ nguồn phim ảnh thực tế của hai diễn viên Tăng Thanh Hà (tập dữ liệu TTH, độ tuổi 20-24) và Lương Mạnh Hải (tập dữ liệu LMH, độ tuổi 27-29). Cỡ mẫu nghiên cứu bao gồm 9.605 câu đơn (utterances) tương đương 3,88 giờ âm thanh cho bộ TTH và 10.068 câu đơn tương đương 4,25 giờ âm thanh cho bộ LMH. Toàn bộ dữ liệu được chia theo tỷ lệ chuẩn: 80% tập huấn luyện (training set), 10% tập kiểm thử (test set) và 10% tập kiểm định (validation set).

Quy trình nghiên cứu áp dụng chuỗi phương pháp xử lý tự động kết hợp kiểm chứng nghiêm ngặt:

  • Phân đoạn và nhận thực người nói: Sử dụng mô hình phân tách người nói (Speaker Diarization) để cắt luồng âm thanh dài 5-45 phút thành các đoạn ngắn 1-10 giây, sau đó áp dụng mô hình nhận thực người nói (Speaker Verification) để tự động lọc chính xác phân đoạn giọng nói của nhân vật mục tiêu.
  • Tự động chuyển văn bản và gán nhãn: Sử dụng mô hình nhận dạng tiếng nói tự động (ASR) đã huấn luyện trên 2.000 giờ dữ liệu từ 5.000 người nói để trích xuất văn bản với tỷ lệ lỗi âm tiết (SyER) chỉ 4,17%. Gán nhãn cảm xúc cho tập TTH bằng phương pháp thủ công kết hợp ngữ cảnh câu, và gán nhãn tập LMH bằng mô hình nhận dạng cảm xúc tiếng nói (SER) qua kỹ thuật học chuyển giao (Transfer Learning).
  • Hậu xử lý âm thanh: Triệt tiêu tiếng ồn nền bằng mô hình lọc tín hiệu (Speech Enhancement), chuẩn hóa biên độ đỉnh trong khoảng từ 1 đến 3 dB, chèn dấu câu ngữ điệu dựa trên ngưỡng im lặng 0,1 giây và cắt bỏ khoảng lặng thừa ở hai đầu câu.
  • Mô hình tổng hợp: Nâng cấp mạng FastSpeech 2 bằng cách thay thế các khối Transformer chuẩn bằng khối Conformer đa tầng (kết hợp Self-Attention và tích chập cục bộ), bổ sung khối Post-Net tinh chỉnh dải tần cao và sử dụng bộ tạo sóng HifiGAN kèm bộ khử nhiễu (Denoiser) từ WaveGlow.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình triển khai thực nghiệm và đánh giá định lượng mang lại 4 phát hiện quan trọng:

  1. Hiệu năng vượt trội của quy trình tạo tập dữ liệu tự động: So sánh thời gian xử lý cho thấy quy trình đề xuất giảm thời gian tạo dữ liệu từ 92 giờ (khi làm thủ công hoàn toàn) xuống còn khoảng 9,2 giờ, tương đương mức tiết kiệm thời gian từ 62% đến 89%. Các bước nhận diện người nói và phiên âm tự động hoàn thành trong vòng 5 phút suy luận trên hệ thống máy tính chuyên dụng.
  2. Đặc trưng âm học phân hóa rõ rệt giữa các trạng thái cảm xúc: Dữ liệu cảm xúc giận dữ (angry) có tốc độ phát âm nhanh nhất (khoảng 220-250 từ/phút) và dải biến thiên F0 rộng nhất (từ 150 Hz đến hơn 450 Hz). Ngược lại, dữ liệu cảm xúc buồn bã (sad) có tốc độ chậm nhất (khoảng 140-160 từ/phút) và giá trị F0 trung bình thấp nhất. Trạng thái trung tính chiếm tỷ lệ áp đảo khoảng 75% trong dữ liệu gốc, đòi hỏi kỹ thuật nhân bản dữ liệu (oversampling) gấp 3 lần cho các nhóm cảm xúc yếu hơn để tránh hiện tượng mất cân bằng dữ liệu.
  3. Chất lượng tổng hợp âm thanh tự nhiên và nhận diện cảm xúc chuẩn xác: Mô hình Conformer-FastSpeech 2 kết hợp Emotion Encoder tạo ra âm thanh có điểm MOS đạt từ 3,85 đến 4,12 điểm trên thang đo 5 điểm. Trong các thử nghiệm phân loại cảm xúc khách quan, tỷ lệ nhận diện chính xác cảm xúc (EIR) đạt trung bình trên 78,5%, trong đó cảm xúc giận dữ và trung tính đạt tỷ lệ nhận diện vượt mốc 82%.
  4. Sự khác biệt về biểu hiện âm học theo giới tính: Phân tích tập dữ liệu cho thấy giọng nữ (TTH) có phổ tần số biến thiên rộng và biểu đạt cảm xúc buồn phong phú hơn, trong khi giọng nam (LMH) có tần số cơ bản F0 thấp, dẫn đến việc các thuật toán tự động chỉ trích xuất được 66 mẫu câu buồn (dưới 1% tổng dữ liệu), buộc phải loại bỏ nhãn buồn ở bộ dữ liệu nam để đảm bảo độ tin cậy.

Thảo luận kết quả

Khi xem xét biểu đồ phân bố cụm không gian nhúng cảm xúc qua kỹ thuật giảm chiều dữ liệu t-SNE, các vector đặc trưng của tập LMH hiển thị sự phân tách cụm rất sắc nét giữa ba nhóm: trung tính, vui vẻ và giận dữ. Trong khi đó, biểu đồ t-SNE của tập TTH cho thấy có sự giao thoa cục bộ giữa cụm trung tính và giận dữ nhẹ, phản ánh tính chất tinh tế và đa tầng của giọng nói kịch tính trong phim truyền hình.

+-------------------------------------------------------------------------+
| BẢNG SO SÁNH HIỆU QUẢ THỜI GIAN XỬ LÝ DỮ LIỆU (TỔNG CỘNG 92H VS 9.2H)   |
|                                                                         |
| Thủ công:   [==================================================] 92 giờ |
| Tự động hóa:[====] 9.2 giờ (Tiết kiệm ~89% tổng thời gian thực hiện)    |
+-------------------------------------------------------------------------+

Nguyên nhân chính dẫn đến sự thành công của mô hình là việc tích hợp các khối Conformer. Nhờ cơ chế Self-Attention học mối quan hệ ngữ cảnh toàn cục kết hợp cùng các lớp tích chập bắt trọn biến thiên ngữ điệu cục bộ của các thanh điệu tiếng Việt (vốn có 6 thanh điệu đặc thù), mô hình đã giải quyết triệt để hiện tượng méo tiếng và vỡ âm khi phát âm các từ mang thanh ngã, thanh nặng ở trạng thái cảm xúc kích động cao.

So sánh với các nghiên cứu tổng hợp tiếng nói tiếng Việt trước đây vốn chỉ dừng lại ở giọng đọc tin tức chuẩn hoặc sử dụng tập dữ liệu nội bộ khép kín, việc công bố 2 bộ ngữ liệu TTH (3,88 giờ) và LMH (4,25 giờ) đã thiết lập một tiêu chuẩn mở mới cho cộng đồng nghiên cứu xử lý ngôn ngữ tự nhiên trong nước.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, các nhóm giải pháp hành động cụ thể được đề xuất nhằm tối ưu hóa và mở rộng ứng dụng tổng hợp giọng nói biểu cảm:

  1. Mở rộng quy mô tự động hóa kho ngữ liệu giọng nói: Các trung tâm nghiên cứu và phòng thí nghiệm AI cần áp dụng quy trình tự động hóa này để khai thác các kho tư liệu phát thanh, truyền hình sẵn có, hướng tới mục tiêu nâng tổng thời lượng ngữ liệu cảm xúc lên trên 50 giờ trong giai đoạn 2024–2025 nhằm phục vụ các mô hình nền tảng tạo giọng nói đa người nói (Multi-speaker Multi-emotion TTS).
  2. Phát triển bộ mã hóa cảm xúc mịn ở cấp độ từ và âm tiết: Nhóm nghiên cứu thuật toán cần nâng cấp mô hình từ mức câu (global sentence-level) sang mức biểu diễn chi tiết từng âm vị (fine-grained phoneme-level), giúp hệ thống biểu đạt được những chuyển biến tâm lý phức tạp ngay trong cùng một câu nói, đặt mục tiêu nâng chỉ số EIR vượt ngưỡng 88% và MOS vượt 4,3 điểm.
  3. Chuẩn hóa bộ dữ liệu cảm xúc đa phương ngữ: Đề xuất các cơ quan nghiên cứu học thuật phối hợp thu thập bổ sung dữ liệu giọng đọc biểu cảm của phương ngữ miền Bắc và miền Trung với tỷ lệ phân bổ cân bằng 33% cho mỗi vùng miền, đảm bảo tính bao hàm và chính xác cho các ứng dụng công nghệ trên toàn quốc trong thời gian 12 tháng tới.
  4. Thương mại hóa giải pháp vào các nền tảng số: Doanh nghiệp công nghệ nên tích hợp ngay mô hình Conformer-FastSpeech 2 và HifiGAN vào hệ thống tổng đài tự động (Voicebot) và trợ lý ảo thông minh. Giải pháp này giúp cá nhân hóa trải nghiệm khách hàng, giảm khoảng 40% chi phí sản xuất sách nói và lồng tiếng tự động cho ngành giải trí kỹ thuật số trong vòng 1 năm triển khai.

Đối tượng nên tham khảo luận văn

Nội dung và mã nguồn nghiên cứu của luận văn mang lại giá trị thực tiễn cao cho 4 nhóm đối tượng chính:

  • Kỹ sư và nhà nghiên cứu AI/NLP: Nắm vững cấu trúc kết hợp giữa mạng Conformer, bộ điều chỉnh phương sai FastSpeech 2 và bộ trích xuất phong cách GST; áp dụng trực tiếp kiến trúc này vào việc tối ưu hóa các hệ thống tổng hợp tiếng nói đa ngôn ngữ.
  • Doanh nghiệp phát triển Trợ lý ảo và Callbot thông minh: Ứng dụng quy trình tự động hóa tiền xử lý dữ liệu giọng nói để xây dựng các giọng đọc thương hiệu riêng biệt có cảm xúc, giúp các trợ lý AI tương tác với khách hàng tự nhiên và thân thiện hơn.
  • Nhà sản xuất nội dung số, Audio book và Game Studio: Sử dụng công nghệ tổng hợp tiếng nói biểu cảm để tự động hóa khâu lồng tiếng cho nhân vật trong phim hoạt hình, trò chơi điện tử và tạo giọng đọc diễn cảm cho hàng nghìn đầu sách nói với chi phí tối ưu.
  • Giảng viên, học viên cao học và sinh viên ngành Công nghệ thông tin: Sử dụng luận văn như một tài liệu tham khảo chuẩn mực về phương pháp luận xử lý tín hiệu âm thanh, kỹ thuật gán nhãn dữ liệu học sâu và nguồn tài nguyên thực nghiệm quý giá cho các đề tài nghiên cứu tiếp theo.

Câu hỏi thường gặp

Tổng hợp tiếng nói biểu cảm (ESS) khác biệt như thế nào so với công nghệ TTS truyền thống?
TTS truyền thống tập trung vào tính rõ ràng và chính xác của văn bản với giọng đọc trung tính, phẳng và ít thay đổi cao độ. ESS bổ sung các thông số ngữ điệu, nhịp điệu, tốc độ nói và năng lượng âm thanh để tái tạo chính xác 4 trạng thái cảm xúc vui, buồn, giận dữ hoặc ngạc nhiên, nâng cao tính chân thực của giọng nói.

Tại sao nghiên cứu lại chọn thu thập dữ liệu tự nhiên từ phim ảnh thay vì thu âm phòng thu chuyên nghiệp?
Dữ liệu tự nhiên từ 48 bộ phim truyền hình phản ánh chính xác trạng thái tâm lý chân thực và các biến thiên ngữ điệu tự nhiên của đời sống. Phương pháp này giúp tiết kiệm hàng trăm triệu đồng chi phí thuê diễn viên lồng tiếng, rút ngắn thời gian thu âm và cung cấp nguồn ngữ liệu phong phú có sẵn.

Rào cản lớn nhất khi xây dựng giọng nói cảm xúc cho tiếng Việt là gì?
Tiếng Việt là ngôn ngữ có 6 thanh điệu (ngang, huyền, sắc, hỏi, ngã, nặng), trong đó cao độ F0 vừa phải biểu diễn thanh điệu của từ, vừa phải gánh vác ngữ điệu cảm xúc của toàn câu. Việc tách biệt và kiểm soát hài hòa giữa thanh điệu ngôn ngữ và ngữ điệu cảm xúc là thách thức công nghệ phức tạp nhất.

Mô hình Conformer-FastSpeech 2 cải thiện chất lượng phát âm như thế nào?
Bằng cách kết hợp lớp Self-Attention đa đầu để bao quát mối quan hệ từ vựng ở khoảng cách xa và lớp tích chập để bắt trọn đặc trưng âm học cục bộ, mô hình loại bỏ hoàn toàn hiện tượng lặp từ, nuốt từ và tái tạo dải tần số cao mượt mà, giúp giọng đọc đạt điểm MOS trên 4.0.

Hai bộ dữ liệu TTH và LMH có thể sử dụng cho những bài toán nào khác ngoài TTS?
Ngoài tổng hợp tiếng nói, 2 bộ dữ liệu chuẩn hóa với hơn 8,1 giờ âm thanh này còn được ứng dụng trực tiếp trong các bài toán Nhận dạng cảm xúc tiếng nói (SER), Nhận thực người nói (Speaker Verification), Phân đoạn hội thoại (Diarization) và Nâng cao chất lượng âm thanh (Speech Enhancement).

Kết luận

  • Luận văn đã giải quyết thành công bài toán thiếu hụt dữ liệu giọng nói cảm xúc tiếng Việt bằng quy trình bán tự động tiên tiến, giúp giảm 62% đến 89% thời gian xử lý dữ liệu.
  • Công bố rộng rãi 2 bộ ngữ liệu tiếng nói cảm xúc chuẩn hóa đầu tiên tại Việt Nam (TTH với 3,88 giờ và LMH với 4,25 giờ), đáp ứng đầy đủ tiêu chuẩn âm học 22.050 Hz.
  • Đề xuất thành công mô hình tổng hợp tiếng nói cảm xúc Conformer-FastSpeech 2 tích hợp GST Emotion Encoder và HifiGAN Vocoder, đạt điểm MOS trên 3,85 và độ nhận diện cảm xúc vượt 78,5%.
  • Kết quả nghiên cứu đã được kiểm chứng thực tế tại cuộc thi quy mô quốc gia VLSP 2022 với vị trí dẫn đầu đạt tỷ lệ nhận diện cảm xúc 83,1%.
  • Hướng phát triển tiếp theo trong 6-12 tháng tới tập trung vào việc mở rộng dữ liệu đa phương ngữ Bắc - Trung - Nam và xây dựng cơ chế điều khiển cường độ cảm xúc liên tục. Các nhà phát triển và đơn vị nghiên cứu có thể truy cập, khai thác kho dữ liệu mở để thúc đẩy các ứng dụng giao tiếp người - máy thông minh tại Việt Nam.