I. Tổng Quan Nghiên Cứu Ứng Dụng FPGA Nhận Dạng Tiếng Nói
Nhận dạng tiếng nói đã phát triển mạnh mẽ, bao gồm nhận dạng âm tiết, người nói, ngôn ngữ và trạng thái tâm lý. Ứng dụng rộng rãi trong xác thực thông tin, điều khiển robot, và giao tiếp người-máy. Nghiên cứu tập trung vào giao tiếp tự nhiên giữa người và máy tính thông qua tiếng nói. Nhận dạng tiếng nói là một lĩnh vực của xử lý ngôn ngữ tự nhiên, phụ thuộc vào ngôn ngữ cụ thể. Quá trình này phân loại tín hiệu tiếng nói thành dãy mẫu đã học, lưu trữ trong bộ nhớ. Các mẫu có thể là từ hoặc âm vị. Khó khăn nằm ở sự biến thiên của tiếng nói theo thời gian và khác biệt giữa người nói, tốc độ, ngữ cảnh và môi trường âm học. Xác định thông tin hữu ích và loại bỏ nhiễu là rất quan trọng. Nghiên cứu dựa trên biểu diễn phổ tín hiệu trong khung thời gian ngắn, biểu diễn nội dung dưới dạng ký hiệu ngữ âm, và nhận dạng là một quá trình nhận thức. Thông tin ngữ nghĩa và dự đoán có giá trị, đặc biệt khi thông tin âm học không rõ ràng.
1.1. Các Kết Quả Nghiên Cứu Nhận Dạng Tiếng Nói Hiện Nay
Nhiều phương pháp nhận dạng tiếng nói đã được phát triển, như mô hình Fujisaki cho tiếng Nhật và MFGI cho tiếng Đức. Tại Việt Nam, các mô hình bao gồm nghiên cứu của GS.TSKH Bạch Hưng Khang về cơ sở lý thuyết và đặc trưng tiếng Việt. TS. Nguyễn Văn Giáp và KS. Trần Hồng Việt thử nghiệm hệ thống trên máy tính với phương pháp MFCC và HMM, ứng dụng điều khiển xe với độ chính xác trên 90%. TS. Hoàng Đình Chiến xây dựng mô hình dùng mạng neuron kết hợp LPC và AMDF, đạt độ chính xác trung bình 99,4%. Thuật toán MFCC và mô hình Markov ẩn HMM được nghiên cứu và ứng dụng rộng rãi. Việc sử dụng máy tính, vi điều khiển, DSP, FPGA cũng được phát triển. Xây dựng mô hình trên vi điều khiển dễ thực hiện nhưng tốc độ xử lý không cao. Hệ thống trên FPGA có tốc độ nhanh nhưng phức tạp. Do đó, hệ thống dùng SoPC trên FPGA của Altera cải thiện tốc độ và rút ngắn thời gian xây dựng chương trình.
1.2. Mục Tiêu Nghiên Cứu Ứng Dụng FPGA Nhận Dạng Tiếng Việt
Luận văn tập trung xây dựng mô hình nhận dạng tiếng nói tiếng Việt sử dụng thuật toán trích chọn đặc trưng MFCC, lượng tử vector VQ và mô hình Markov ẩn HMM dùng SoPC trên FPGA của Altera. Mục tiêu bao gồm nghiên cứu hệ thống nhận dạng tiếng nói, thuật toán trích đặc trưng MFCC, phương pháp lượng tử vector, mô hình Markov ẩn HMM, và xây dựng mô hình trên NIOS của kit FPGA DE2. Đối tượng nghiên cứu là lý thuyết nhận dạng tiếng nói, thuật toán MFCC, phương pháp VQ, HMM, và kit FPGA DE2.
II. Phương Pháp Nghiên Cứu Phạm Vi Ứng Dụng FPGA
Đề tài tập trung nghiên cứu lý thuyết nhận dạng tiếng nói, thuật toán trích đặc trưng MFCC, phương pháp lượng tử vector, mô hình Markov ẩn HMM, và xây dựng mô hình trên NIOS của kit FPGA DE2. Phạm vi nghiên cứu giới hạn ở 10 ký tự số và 5 ký tự đơn. Đánh giá độ chính xác và số xung clock của mô hình để đưa ra giải pháp hữu ích. Các phương pháp nghiên cứu bao gồm nghiên cứu tài liệu, phân tích đặc điểm tiếng Việt, tham khảo ý kiến chuyên gia, và thực nghiệm trên kit FPGA DE2.
2.1. Các Giai Đoạn Nghiên Cứu Ứng Dụng FPGA Nhận Dạng Tiếng Việt
Nghiên cứu được chia thành các giai đoạn: tìm tài liệu tham khảo, tìm hiểu và nghiên cứu lý thuyết về nhận dạng tiếng nói, thuật toán MFCC, VQ, HMM, và kit FPGA DE2. Giai đoạn xây dựng mô hình nhận dạng bao gồm xây dựng mô hình trên NIOS, đánh giá độ chính xác, và đánh giá số xung clock. Cuối cùng là giai đoạn viết báo cáo.
2.2. Nội Dung Chính Của Đề Tài Nghiên Cứu FPGA Nhận Dạng
Nội dung đề tài bao gồm tổng quan về lĩnh vực nghiên cứu, mục tiêu và nhiệm vụ, tổng quan về tiếng nói, mô hình nhận dạng tiếng nói, mô hình Markov ẩn HMM, kit DE2 của Altera, thiết kế hệ thống nhận dạng trên kit DE2 và kết quả đạt được, và kết luận.
III. Đặc Trưng Tiếng Nói Tiếng Việt Mô Hình Nhận Dạng
Tiếng Việt có các đặc trưng cơ bản như thanh điệu, nguyên âm và phụ âm. Hệ thống nhận dạng tiếng nói có thể phân loại theo nhiều tiêu chí, bao gồm nhận dạng từ liên tục và cách biệt, nhận dạng phụ thuộc và độc lập người nói. Các yếu tố ảnh hưởng đến kết quả nhận dạng bao gồm nhiễu, tốc độ nói, và ngữ cảnh. Cấu trúc hệ nhận dạng tiếng nói bao gồm các bước tiền xử lý, trích đặc trưng, và phân loại. Giải thuật hệ thống nhận dạng tiếng nói tiếng Việt dùng Markov ẩn bao gồm các bước Voice Activation Detection (VAD), trích đặc trưng MFCC, lượng tử vector, và huấn luyện HMM.
3.1. Tổng Quan Về Tiếng Nói Và Các Đặc Trưng Cơ Bản
Tiếng nói là một dạng tín hiệu âm thanh phức tạp, mang thông tin về ngôn ngữ và cảm xúc. Các đặc trưng cơ bản của tiếng Việt bao gồm thanh điệu, nguyên âm và phụ âm. Thanh điệu đóng vai trò quan trọng trong việc phân biệt nghĩa của từ. Nguyên âm và phụ âm tạo nên cấu trúc âm tiết của tiếng Việt. Cấu trúc tổng quát của một âm tiết tiếng Việt bao gồm âm đầu, âm chính và âm cuối.
3.2. Phân Loại Hệ Thống Nhận Dạng Tiếng Nói Tiếng Việt
Hệ thống nhận dạng tiếng nói có thể được phân loại theo nhiều tiêu chí khác nhau. Một trong những cách phân loại phổ biến là dựa trên loại từ vựng mà hệ thống có thể nhận dạng, bao gồm nhận dạng từ liên tục và nhận dạng từ cách biệt. Nhận dạng từ liên tục cho phép hệ thống nhận dạng một chuỗi các từ được nói liền mạch, trong khi nhận dạng từ cách biệt yêu cầu người nói phải tạm dừng giữa các từ. Một cách phân loại khác là dựa trên sự phụ thuộc vào người nói, bao gồm nhận dạng phụ thuộc người nói và độc lập người nói.
3.3. Giải Thuật Hệ Thống Nhận Dạng Tiếng Việt Dùng Markov Ẩn
Giải thuật hệ thống nhận dạng tiếng Việt dùng Markov ẩn bao gồm các bước chính: Voice Activation Detection (VAD), trích đặc trưng MFCC, lượng tử vector, và huấn luyện HMM. VAD được sử dụng để loại bỏ các khoảng lặng trong tín hiệu tiếng nói. Trích đặc trưng MFCC được sử dụng để chuyển đổi tín hiệu tiếng nói thành một tập hợp các hệ số đặc trưng. Lượng tử vector được sử dụng để giảm số lượng các hệ số đặc trưng. Huấn luyện HMM được sử dụng để xây dựng mô hình cho từng từ trong từ vựng.
IV. Ứng Dụng Mô Hình Markov Ẩn HMM Trong Nhận Dạng FPGA
Quá trình Markov mô tả sự chuyển đổi trạng thái dựa trên xác suất. Mô hình Markov ẩn mở rộng khái niệm này bằng cách thêm các trạng thái ẩn và xác suất phát xạ. Giải pháp toán học cho HMM bao gồm tính toán xác suất tiến, xác suất lùi, và thuật toán Viterbi. Các loại HMM bao gồm HMM rời rạc và liên tục. Kit DE2 của Altera cung cấp nền tảng phần cứng để triển khai các ứng dụng FPGA. SoPC trên FPGA cho phép tích hợp bộ xử lý và các thành phần phần cứng khác trên một chip.
4.1. Tổng Quan Về Mô Hình Markov Ẩn HMM Và Ứng Dụng
Mô hình Markov ẩn (HMM) là một mô hình thống kê được sử dụng để mô tả các quá trình tuần tự. HMM bao gồm một tập hợp các trạng thái ẩn và một tập hợp các quan sát. Mỗi trạng thái ẩn có một xác suất chuyển đổi sang các trạng thái khác. Mỗi trạng thái ẩn cũng có một xác suất phát xạ ra các quan sát. HMM được sử dụng rộng rãi trong nhiều lĩnh vực, bao gồm nhận dạng tiếng nói, xử lý ngôn ngữ tự nhiên, và sinh học tính toán.
4.2. Kit DE2 Của Hãng Altera Và Tổng Quan Về SoPC Trên FPGA
Kit DE2 của hãng Altera là một nền tảng phát triển FPGA phổ biến. Kit DE2 cung cấp một loạt các tài nguyên phần cứng, bao gồm FPGA, bộ nhớ, và các giao diện ngoại vi. SoPC (System on a Programmable Chip) là một phương pháp thiết kế hệ thống nhúng trong đó bộ xử lý và các thành phần phần cứng khác được tích hợp trên một chip FPGA. SoPC cho phép các nhà thiết kế tùy chỉnh phần cứng để đáp ứng các yêu cầu cụ thể của ứng dụng.
V. Thiết Kế Hệ Thống Nhận Dạng FPGA Trên Kit DE2 Altera
Hệ thống nhận dạng trên kit DE2 bao gồm các bước lấy mẫu và tách khoảng lặng, trích đặc trưng MFCC, lượng tử vector, huấn luyện HMM, và giải thuật nhận dạng. Lấy mẫu và tách khoảng lặng giúp loại bỏ nhiễu và giảm tải tính toán. Trích đặc trưng MFCC chuyển đổi tín hiệu tiếng nói thành các hệ số đặc trưng. Lượng tử vector giảm số lượng hệ số. Huấn luyện HMM xây dựng mô hình cho từng từ. Giải thuật nhận dạng so sánh các mẫu tiếng nói với các mô hình đã huấn luyện.
5.1. Lấy Mẫu Và Tách Khoảng Lặng Trong Nhận Dạng Tiếng Việt
Lấy mẫu và tách khoảng lặng là bước quan trọng trong quá trình nhận dạng tiếng nói. Lấy mẫu chuyển đổi tín hiệu âm thanh liên tục thành tín hiệu số rời rạc. Tách khoảng lặng loại bỏ các đoạn không chứa tiếng nói, giúp giảm nhiễu và tăng tốc độ xử lý. Các phương pháp tách khoảng lặng phổ biến bao gồm sử dụng ngưỡng năng lượng và sử dụng các thuật toán Voice Activity Detection (VAD).
5.2. Trích Đặc Trưng MFCC Và Lượng Tử Vector Trong Nhận Dạng
Trích đặc trưng MFCC là một phương pháp phổ biến để chuyển đổi tín hiệu tiếng nói thành các hệ số đặc trưng. MFCC mô phỏng cách con người cảm nhận âm thanh. Lượng tử vector là một phương pháp giảm số lượng các hệ số đặc trưng bằng cách nhóm các vector tương tự lại với nhau. Lượng tử vector giúp giảm kích thước mô hình và tăng tốc độ nhận dạng.
5.3. Huấn Luyện Mô Hình HMM Và Giải Thuật Nhận Dạng Tiếng Việt
Huấn luyện HMM là quá trình xây dựng mô hình cho từng từ trong từ vựng. Quá trình này sử dụng các mẫu tiếng nói đã được gán nhãn để ước lượng các tham số của HMM. Giải thuật nhận dạng so sánh các mẫu tiếng nói với các mô hình đã huấn luyện và chọn mô hình có xác suất cao nhất. Thuật toán Viterbi thường được sử dụng để tìm đường đi có xác suất cao nhất qua HMM.
VI. Kết Quả Đánh Giá Ứng Dụng FPGA Nhận Dạng Tiếng Nói
Kết quả thực hiện cho thấy độ chính xác nhận dạng khác nhau tùy thuộc vào mô hình và kích thước codebook. Mô hình 3 với codebook 128 đạt độ chính xác cao nhất (96.87%). Đánh giá số xung clock cho thấy hiệu năng của từng mô hình. Những mục tiêu đạt được bao gồm xây dựng mô hình nhận dạng tiếng nói tiếng Việt trên NIOS của kit FPGA DE2. Hạn chế của đề tài là số lượng từ nhận dạng còn hạn chế. Hướng phát triển đề tài bao gồm mở rộng từ vựng và cải thiện độ chính xác.
6.1. Đánh Giá Độ Chính Xác Nhận Dạng Của Các Mô Hình FPGA
Độ chính xác nhận dạng là một trong những tiêu chí quan trọng để đánh giá hiệu quả của hệ thống nhận dạng tiếng nói. Độ chính xác nhận dạng được tính bằng tỷ lệ số lần nhận dạng đúng trên tổng số lần nhận dạng. Kết quả nhận dạng cho thấy sự khác biệt giữa các mô hình và kích thước codebook khác nhau. Mô hình 3 với codebook 128 cho kết quả tốt nhất.
6.2. Đánh Giá Số Xung Clock Của Từng Mô Hình Nhận Dạng FPGA
Số xung clock là một chỉ số quan trọng để đánh giá hiệu năng của hệ thống phần cứng. Số xung clock càng thấp thì hiệu năng càng cao. Kết quả đánh giá số xung clock cho thấy sự khác biệt giữa các mô hình và kích thước codebook khác nhau. Điều này giúp đánh giá được hiệu quả của việc tối ưu hóa phần cứng.
6.3. Nhận Xét Kết Quả Và Hướng Phát Triển Đề Tài Nghiên Cứu
Kết quả nghiên cứu cho thấy tiềm năng của việc sử dụng FPGA trong nhận dạng tiếng nói tiếng Việt. Tuy nhiên, vẫn còn nhiều vấn đề cần được giải quyết, chẳng hạn như mở rộng từ vựng và cải thiện độ chính xác. Hướng phát triển đề tài bao gồm nghiên cứu các thuật toán trích đặc trưng và mô hình hóa tiếng nói tiên tiến hơn, cũng như tối ưu hóa phần cứng để đạt được hiệu năng cao hơn.
