Luận văn thạc sĩ: Nghiên cứu và ứng dụng thuật toán nén tiếng nói

Luận văn thạc sĩ kỹ thuật phân tích vnu uet tìm hiểu nghiên cứu và ứng dụng một số thuật toán nén tiếng nói luận văn ths công nghệ, đánh giá thực trạng, chỉ ra hạn chế, đề xuất

• Tác giả: Nguyễn Như Hiền
• Người hướng dẫn: PGS. TS Nguyễn Văn Xuất
• Trường học: Đại học Quốc Gia Hà Nội - Trường Đại Học Công Nghệ
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Tìm Hiểu, Nghiên Cứu Và Ứng Dụng Một Số Thuật Toán Nén Tiếng Nói
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2013
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: CƠ SỞ TOÁN HỌC CỦA LUẬN VĂN
• 1.1. Nén dữ liệu
• 1.1.1. Khái niệm, định nghĩa
• 1.1.2. Phân loại nén dữ liệu
• 1.2. Điểm cắt Zero (Zero Crossing)
• 1.2.1. Khái niệm và định nghĩa
• 1.2.2. Trích chọn đặc trưng dựa vào điểm cắt Zero
• 1.2.3. Thuật toán lấy điểm cắt Zero
• 1.3. Phép biến đổi Cosin
• 1.3.1. Khái niệm và định nghĩa
• 1.3.2. Thuật toán Cosin và nén dữ liệu
• 1.4. Phép biến đổi Wavelet Haar
• 1.5. Phép biến đổi Wavelet liên tục (Continuous Wavelet Transform - CWT)
• 1.6. Phép biến đổi Wavelet rời rạc (Discrete Wavelet Transform - DWT)
• 1.7. Thuật toán Wavelet Haar và nén dữ liệu
• 1.8. Hệ số tương quan của các đại lượng ngẫu nhiên
• 1.8.1. Khái niệm và định nghĩa
• 1.8.2. Ý nghĩa của hệ số tương quan
• 2. CHƯƠNG 2: ÂM THANH, TIẾNG NÓI VÀ NHẬN DẠNG TIẾNG NÓI
• 2.1. Âm thanh và tiếng nói
• 2.1.1. Khái niệm về âm thanh
• 2.1.2. Tiếng nói, các đặc tính cơ bản của tiếng nói
• 2.2. Tổng quan về nhận dạng tiếng nói
• 2.2.1. Nhận dạng tiếng nói. Phân loại các bài toán nhận dạng tiếng nói
• 2.2.2. Quá trình nhận dạng tiếng nói. Một số hệ thống nhận dạng tiếng nói trên thị trường
• 3. CHƯƠNG 3: SỐ HÓA ÂM THANH
• 3.1. Âm thanh số
• 3.2. Một số khái niệm và định nghĩa
• 3.3. Số hóa âm thanh
• 3.4. Cấu trúc file Wave
• 3.5. Đọc, ghi file Wave. Nhiễu và khử nhiễu
• 4. CHƯƠNG 4: XÂY DỰNG ỨNG DỤNG NHẬN DẠNG TIẾNG NÓI
• 4.1. Xây dựng ứng dụng thử nghiệm
• 4.2. Bài toán nhận dạng tiếng nói. Mô tả bài toán nhận dạng từ đơn “Có” và “Không”
• 4.3. Tổ chức, chuẩn hóa dữ liệu
• 4.4. Đối sánh đặc trưng và đánh giá kết quả
• 4.4.1. Thuật toán đối sánh theo hệ số tương quan
• 4.4.2. Thuật toán đối sánh qua phép biến đổi Cosin DCT
• 4.4.3. Thuật toán đối sánh qua phép biến đổi Wavelet Haar
• 4.5. Mô tả chương trình ứng dụng
• 4.6. Kết quả thử nghiệm
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nghiên cứu thuật toán nén tiếng nói trong công nghệ thông tin

Nghiên cứu về thuật toán nén tiếng nói đã trở thành một lĩnh vực quan trọng trong công nghệ thông tin. Việc nén tiếng nói không chỉ giúp tiết kiệm dung lượng lưu trữ mà còn cải thiện tốc độ truyền tải dữ liệu. Các thuật toán nén tiếng nói hiện nay được phát triển dựa trên nhiều phương pháp khác nhau, từ nén bảo toàn thông tin đến nén không bảo toàn thông tin. Mục tiêu chính của nghiên cứu này là tìm hiểu và ứng dụng các thuật toán nén tiếng nói hiệu quả nhất.

1.1. Khái niệm và tầm quan trọng của nén tiếng nói

Nén tiếng nói là quá trình biến đổi dữ liệu âm thanh thành một định dạng nhỏ hơn mà vẫn giữ được chất lượng âm thanh. Điều này rất quan trọng trong việc truyền tải và lưu trữ dữ liệu âm thanh, đặc biệt trong các ứng dụng như tiếng nói tự động và truyền tải âm thanh qua mạng.

1.2. Các loại thuật toán nén tiếng nói phổ biến

Có hai loại thuật toán nén tiếng nói chính: nén bảo toàn thông tin và nén không bảo toàn thông tin. Nén bảo toàn thông tin cho phép khôi phục lại dữ liệu gốc hoàn toàn, trong khi nén không bảo toàn thông tin có thể làm mất một số chi tiết nhưng lại cho tỷ lệ nén cao hơn.

II. Thách thức trong nghiên cứu và ứng dụng thuật toán nén tiếng nói

Mặc dù có nhiều tiến bộ trong lĩnh vực nén tiếng nói, vẫn còn nhiều thách thức cần phải vượt qua. Một trong những thách thức lớn nhất là làm sao để duy trì chất lượng âm thanh trong khi giảm dung lượng dữ liệu. Ngoài ra, việc phát triển các thuật toán nén hiệu quả cho các ngôn ngữ khác nhau cũng là một vấn đề cần được giải quyết.

2.1. Vấn đề chất lượng âm thanh sau nén

Chất lượng âm thanh là yếu tố quan trọng nhất trong nén tiếng nói. Các thuật toán nén cần phải đảm bảo rằng âm thanh sau khi nén và giải nén vẫn giữ được độ rõ ràng và tự nhiên. Việc này đòi hỏi các kỹ thuật xử lý tín hiệu tiên tiến để giảm thiểu sự mất mát thông tin.

2.2. Khó khăn trong việc phát triển thuật toán cho nhiều ngôn ngữ

Mỗi ngôn ngữ có những đặc điểm âm thanh riêng biệt, do đó, việc phát triển một thuật toán nén tiếng nói có thể hoạt động hiệu quả cho nhiều ngôn ngữ là một thách thức lớn. Các nhà nghiên cứu cần phải tìm ra các phương pháp nén phù hợp với từng ngôn ngữ cụ thể.

III. Phương pháp nén tiếng nói hiệu quả trong công nghệ thông tin

Để giải quyết các thách thức trong nén tiếng nói, nhiều phương pháp đã được phát triển. Các phương pháp này bao gồm phép biến đổi Cosine, phép biến đổi Wavelet, và điểm cắt Zero. Mỗi phương pháp có những ưu điểm và nhược điểm riêng, và việc lựa chọn phương pháp phù hợp là rất quan trọng.

3.1. Phép biến đổi Cosine trong nén tiếng nói

Phép biến đổi Cosine rời rạc (DCT) là một trong những phương pháp nén phổ biến nhất. Nó giúp giảm kích thước dữ liệu mà vẫn giữ được chất lượng âm thanh. DCT được sử dụng rộng rãi trong các ứng dụng như nén video và âm thanh.

3.2. Phép biến đổi Wavelet và ứng dụng của nó

Phép biến đổi Wavelet cung cấp một cách tiếp cận linh hoạt hơn trong việc nén tiếng nói. Nó cho phép phân tích tín hiệu ở nhiều tần số khác nhau, giúp cải thiện chất lượng âm thanh sau khi nén. Phương pháp này đặc biệt hữu ích trong việc xử lý các tín hiệu không ổn định.

3.3. Điểm cắt Zero và vai trò của nó trong nén

Điểm cắt Zero là một kỹ thuật quan trọng trong việc trích xuất đặc trưng âm thanh. Kỹ thuật này giúp xác định các điểm quan trọng trong tín hiệu âm thanh, từ đó giảm thiểu dung lượng dữ liệu mà không làm mất đi thông tin cần thiết.

IV. Ứng dụng thực tiễn của thuật toán nén tiếng nói

Các thuật toán nén tiếng nói đã được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau. Từ các ứng dụng tiếng nói tự động đến truyền tải âm thanh qua mạng, nén tiếng nói đóng vai trò quan trọng trong việc cải thiện hiệu suất và tiết kiệm tài nguyên.

4.1. Ứng dụng trong hệ thống nhận dạng tiếng nói

Nén tiếng nói giúp cải thiện hiệu suất của các hệ thống nhận dạng tiếng nói. Bằng cách giảm dung lượng dữ liệu, các hệ thống này có thể hoạt động nhanh hơn và hiệu quả hơn, từ đó nâng cao trải nghiệm người dùng.

4.2. Ứng dụng trong truyền tải âm thanh qua mạng

Trong các ứng dụng truyền tải âm thanh qua mạng, nén tiếng nói giúp giảm băng thông cần thiết. Điều này rất quan trọng trong các cuộc gọi VoIP và các dịch vụ phát trực tuyến, nơi mà chất lượng âm thanh và tốc độ truyền tải là rất quan trọng.

V. Kết luận và tương lai của nghiên cứu nén tiếng nói

Nghiên cứu và ứng dụng thuật toán nén tiếng nói đang ngày càng trở nên quan trọng trong công nghệ thông tin. Với sự phát triển không ngừng của công nghệ, các thuật toán nén sẽ ngày càng được cải thiện, giúp nâng cao chất lượng âm thanh và hiệu suất truyền tải. Tương lai của nén tiếng nói hứa hẹn sẽ mang lại nhiều ứng dụng mới và cải tiến trong các lĩnh vực khác nhau.

5.1. Xu hướng phát triển trong nghiên cứu nén tiếng nói

Các nghiên cứu hiện tại đang tập trung vào việc phát triển các thuật toán nén thông minh hơn, có khả năng tự động điều chỉnh theo đặc điểm của tín hiệu âm thanh. Điều này sẽ giúp nâng cao hiệu quả nén và chất lượng âm thanh.

5.2. Tương lai của ứng dụng nén tiếng nói trong công nghệ

Với sự phát triển của trí tuệ nhân tạo và học máy, nén tiếng nói sẽ có nhiều ứng dụng mới trong các lĩnh vực như giao tiếp tự động, dịch thuật và nhiều hơn nữa. Điều này mở ra nhiều cơ hội cho các nhà nghiên cứu và phát triển trong tương lai.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên bùng nổ thông tin và truyền thông số, xử lý và nhận dạng tiếng nói đóng vai trò then chốt trong quá trình hiện đại hóa tương tác người – máy. Tín hiệu tiếng nói của con người lan truyền trong không khí với vận tốc trung bình 344 m/s ở điều kiện 20 độ C, dao động trong dải tần số cơ bản từ 80 Hz đến 8000 Hz, với dải tần thoại tập trung chủ yếu từ 300 Hz đến 3400 Hz. Khi số hóa ở chuẩn âm thanh chất lượng cao 16-bit PCM với tần số lấy mẫu 44.1 kHz, dung lượng dữ liệu âm thanh thô tăng lên nhanh chóng, tạo ra áp lực lưu trữ và băng thông truyền tải lớn cho các hệ thống thông tin.

Vấn đề cốt lõi đặt ra là làm thế nào để giảm thiểu kích thước tệp âm thanh nhưng vẫn bảo toàn trọn vẹn các đặc trưng âm học phục vụ cho việc nhận dạng chính xác. Mục tiêu của nghiên cứu là tìm hiểu, tối ưu hóa và ứng dụng các thuật toán nén dữ liệu tiên tiến, kết hợp giữa trích xuất đặc trưng điểm cắt Zero, biến đổi Cosin rời rạc và biến đổi Wavelet Haar, nhằm xây dựng mô hình nhận dạng từ đơn tiếng Việt trong môi trường có tiếng ồn thực tế.

Nghiên cứu được triển khai tại Trường Đại học Công nghệ thuộc Đại học Quốc gia Hà Nội vào năm 2013, tập trung giải quyết bài toán phân loại từ đơn độc lập với người nói. Kết quả nghiên cứu cung cấp giải pháp tối ưu hóa bộ nhớ lưu trữ, giảm độ phức tạp thuật toán xuống mức tuyến tính, đồng thời duy trì độ chính xác nhận dạng trên 90% cho các tập từ đơn thử nghiệm.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết nén dữ liệu số kết hợp cùng toán học biến đổi tín hiệu và thống kê xác suất. Ba trụ cột lý thuyết chính bao gồm:

• Lý thuyết nén dữ liệu số: Phân chia thành nén bảo toàn thông tin (như thuật toán Lempel-Ziv, Huffman, mã hóa độ dài RLE) và nén không bảo toàn thông tin (như chuẩn MPEG, JPEG). Trong xử lý âm thanh, phương pháp nén có tổn thất được ưu tiên nhằm đạt tỷ lệ nén vượt trội dựa trên đặc tính cảm thụ thính giác con người trong dải tần 20 Hz đến 20 kHz.
• Phương pháp trích chọn đặc trưng điểm cắt Zero: Xem tín hiệu âm thanh liên tục là các sóng dao động cắt trục thời gian. Thuật toán phân tích tín hiệu thành các bộ ba tham số hình học đại diện cho từng chu kỳ dao động gồm độ dài đoạn cắt x, vị trí đạt biên độ cực đại y và giá trị biên độ cực đại z, giúp tinh giản cấu trúc tệp âm thanh số.
• Toán học biến đổi không gian tín hiệu: Ứng dụng biến đổi Cosin rời rạc một chiều chia khối 8 điểm để gom năng lượng vào các hệ số tần số thấp, cùng phép biến đổi Wavelet Haar rời rạc sử dụng hàm tỉ lệ và hàm mẹ wavelet. Biến đổi Wavelet Haar phân rã tín hiệu thành các hệ số trung bình và hệ số chi tiết với độ phức tạp tính toán tối ưu chỉ bằng 2 nhân với N trừ 1 phép tính số học, đạt cấp độ phức tạp tuyến tính O(N). Mối tương quan giữa các vector đặc trưng được định lượng qua hệ số tương quan Pearson trong khoảng giá trị từ âm 1 đến dương 1.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp thực nghiệm kết hợp phân tích định lượng trên nguồn dữ liệu âm thanh số thực tế:

• Cỡ mẫu và thu thập dữ liệu: Bộ dữ liệu bao gồm hơn 100 mẫu phát âm hai từ đơn tiếng Việt cơ bản là "Có" và "Không", được thu âm trực tiếp qua soundcard máy tính từ nhiều đối tượng người nói khác nhau với độ tuổi và giới tính đa dạng nhằm đảm bảo tính tổng quát hóa không phụ thuộc người nói.
• Phương pháp chọn mẫu: Lựa chọn mẫu phân tầng có chủ đích trong môi trường sinh hoạt thực tế có lẫn tạp âm nền, phản ánh đúng điều kiện vận hành của các ứng dụng tương tác thực tế.
• Phương pháp phân tích và tiền xử lý: Toàn bộ dữ liệu được chuẩn hóa ở định dạng tệp WAV chuẩn RIFF với tiêu đề 44 byte. Quy trình tiền xử lý thực hiện qua 2 bước khử nhiễu nghiêm ngặt: lọc khoảng lặng bằng hàm năng lượng thấp với kích thước cửa sổ 16 mẫu, và lọc nhiễu tập trung cắt bỏ toàn bộ biên độ dưới ngưỡng 25% giá trị cực đại. Lý do lựa chọn chuỗi phương pháp này là nhằm loại bỏ tối đa thành phần vô nghĩa trước khi đưa vào ma trận đối sánh Pearson.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã ghi nhận các kết quả thực nghiệm nổi bật thông qua quá trình thử nghiệm chương trình:

• Tối ưu hóa dung lượng đặc trưng: Bằng việc chuyển đổi chuỗi mẫu âm thanh thô sang dạng vector bộ ba tham số qua điểm cắt Zero, hệ thống đã nén giảm hơn 75% khối lượng dữ liệu cần xử lý so với tệp âm thanh gốc ban đầu mà vẫn giữ nguyên khung dạng sóng cơ bản của âm tiết.
• Hiệu năng vượt trội của Wavelet Haar: Phép biến đổi Wavelet Haar trực chuẩn hóa cho phép triệt tiêu các hệ số chi tiết có giá trị biên độ tiệm cận 0. Độ phức tạp tính toán được duy trì ở mức O(N), giúp tốc độ trích xuất đặc trưng và nén nhanh hơn khoảng 50% so với việc áp dụng biến đổi Fourier nhanh truyền thống.
• Hiệu quả khử nhiễu 2 tầng: Thuật toán lọc ngưỡng năng lượng tập trung kết hợp loại bỏ khoảng lặng 16 mẫu đã triệt tiêu thành công trên 85% các âm thanh nhiễu sinh lý như tiếng thở, tiếng chép miệng và tạp âm môi trường, giúp cô lập chính xác vùng phát âm chính của từ đơn.
• Độ tin cậy trong nhận dạng: Kết quả phân loại đối sánh vector đặc trưng dựa trên hệ số tương quan Pearson cho thấy các mẫu cùng một từ đạt giá trị hệ số tương quan vượt ngưỡng 0.82, thể hiện mức độ tương quan rất mạnh và giúp hệ thống nhận dạng chính xác hai từ "Có" và "Không" với tỷ lệ đúng đạt trên 90%.

Thảo luận kết quả

Cơ chế mang lại thành công cho mô hình nén và nhận dạng này xuất phát từ đặc tính phân bố năng lượng của tín hiệu âm thanh. Trong các khối biến đổi Cosin và Wavelet, phần lớn năng lượng hữu ích tập trung ở các thành phần tần số thấp (hệ số DC và các hệ số chi tiết cấp thấp), trong khi thành phần tần số cao thường chứa nhiễu ngẫu nhiên. Việc làm tròn các hệ số nhỏ về 0 và giữ lại các hệ số đại diện không làm sai lệch hình dạng bao của từ tiếng Việt.

Khi biểu diễn kết quả trên đồ thị dạng sóng trước và sau tiền xử lý, phổ năng lượng của từ "Không" cho thấy sự tập trung rõ rệt ở nửa đầu dao động; sau khi áp dụng ngưỡng cắt 25% biên độ cực đại, tín hiệu nhiễu ở hai đầu hoàn toàn biến mất, tạo ra một đường bao sắc nét. Bảng ma trận đối sánh thử nghiệm cũng minh chứng rằng độ sai biệt giữa tín hiệu gốc và tín hiệu khôi phục sau 4 bước biến đổi Cosin là không đáng kể, sai số biên độ lớn nhất chỉ dao động quanh mức 0.31 đơn vị. So với các giải pháp nhận dạng phức tạp đòi hỏi tài nguyên tính toán lớn trên máy chủ, việc kết hợp điểm cắt Zero và Wavelet Haar là hướng tiếp cận hoàn hảo cho các thiết bị phần cứng có dung lượng bộ nhớ giới hạn.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được từ luận văn, một số đề xuất và khuyến nghị cụ thể được đưa ra nhằm nâng cao tính ứng dụng của hệ thống:

• Tích hợp thuật toán nén Wavelet Haar vào vi điều khiển nhúng: Nhóm kỹ thuật phần cứng nên tối ưu hóa mã nguồn thuật toán để nạp trực tiếp vào các chip xử lý tín hiệu số hoặc vi điều khiển với mục tiêu giảm 60% mức tiêu hao bộ nhớ RAM, thời gian triển khai dự kiến trong vòng 6 tháng.
• Nâng cấp thuật toán khử nhiễu tự thích ứng: Đội ngũ phát triển phần mềm cần nghiên cứu cơ chế tự động điều chỉnh ngưỡng năng lượng tập trung linh hoạt từ 20% đến 30% dựa trên mức ồn nền thời gian thực của môi trường xung quanh, hoàn thành thử nghiệm trong thời gian 3 tháng.
• Mở rộng tập từ vựng nhận dạng tiếng Việt: Các nhà phát triển hệ thống thông tin cần mở rộng tập dữ liệu từ 2 từ đơn lên bộ 50 đến 100 câu lệnh điều khiển cơ bản (như bật, tắt, mở cửa, dừng lại) nhằm đáp ứng nhu cầu điều khiển thiết bị thông minh, lộ trình thực hiện trong 12 tháng.
• Chuẩn hóa cơ sở dữ liệu tiếng nói đa vùng miền: Các viện nghiên cứu ngôn ngữ và công nghệ thông tin cần phối hợp xây dựng kho ngữ liệu chuẩn hóa gồm tối thiểu 10.000 mẫu phát âm từ các vùng miền Bắc, Trung, Nam để nâng cao độ chính xác nhận dạng toàn diện lên trên 98%, thực hiện trong giai đoạn 18 tháng.

Đối tượng nên tham khảo luận văn

Tài liệu nghiên cứu này mang lại giá trị học thuật và thực tiễn sâu sắc cho nhiều nhóm độc giả chuyên môn:

• Học viên cao học và sinh viên ngành Công nghệ Thông tin: Nguồn tài liệu học thuật giá trị để nghiên cứu sâu về cơ sở toán học xử lý tín hiệu số, nắm vững bản chất của biến đổi Cosin, Wavelet Haar và hệ số tương quan Pearson trong không gian dữ liệu thực.
• Kỹ sư phát triển hệ thống nhúng và IoT: Cung cấp giải pháp kỹ thuật tối ưu hóa bộ nhớ và tốc độ xử lý khi thiết kế các module điều khiển thiết bị gia dụng bằng giọng nói trên vi xử lý dung lượng thấp dưới 1 MB.
• Lập trình viên xử lý âm thanh số: Hướng dẫn chi tiết cấu trúc phân tích tệp âm thanh chuẩn WAV 44-byte RIFF và phương pháp lập trình các thuật toán khử nhiễu, lọc khoảng lặng âm thanh trong môi trường thực tế.
• Các nhà quản lý dự án công nghệ nhận dạng giọng nói: Tài liệu tham khảo toàn diện để đánh giá tính khả thi, lựa chọn kiến trúc trích xuất đặc trưng gọn nhẹ trước khi đầu tư phát triển các hệ thống tương tác giọng nói tiếng Việt quy mô lớn.

Câu hỏi thường gặp

Thuật toán điểm cắt Zero mang lại lợi ích gì trong việc tối ưu hóa tín hiệu tiếng nói? Thuật toán điểm cắt Zero chuyển đổi toàn bộ mảng dữ liệu âm thanh số phức tạp thành chuỗi các bộ ba tham số hình học gồm độ dài chu kỳ, vị trí đạt đỉnh và biên độ cực đại. Kỹ thuật này giúp cắt giảm hơn 75% khối lượng dữ liệu mẫu thô mà vẫn giữ nguyên đặc trưng tần số cơ bản của giọng nói.

Tại sao phép biến đổi Wavelet Haar lại phù hợp cho các hệ thống nén âm thanh thời gian thực? Biến đổi Wavelet Haar chỉ đòi hỏi các phép tính cộng trừ số học cơ bản với tổng số phép tính là 2 nhân với N trừ 1, đạt độ phức tạp tuyến tính O(N). Điều này giúp hệ thống đạt tốc độ xử lý nhanh gấp nhiều lần so với biến đổi Fourier, phù hợp triển khai trên các thiết bị hạn chế tài nguyên.

Cấu trúc một tệp âm thanh WAV 16-bit PCM tiêu chuẩn được tổ chức như thế nào? Một tệp WAV tiêu chuẩn gồm phần tiêu đề RIFF dài 44 byte chứa thông tin định dạng, số kênh (mono hoặc stereo), tần số lấy mẫu (như 8000 Hz hay 44100 Hz), số bit trên mỗi mẫu (16-bit), theo sau là khối dữ liệu âm thanh thực thụ được sắp xếp liên tục theo chuỗi byte.

Thuật toán lọc nhiễu 2 tầng trong luận văn hoạt động dựa trên cơ chế nào? Tầng thứ nhất sử dụng cửa sổ 16 mẫu để loại bỏ các khoảng lặng mang tổng năng lượng thấp hơn ngưỡng e. Tầng thứ hai xác định giá trị biên độ lớn nhất M của từ và trượt sang hai phía để loại bỏ toàn bộ các mẫu có biên độ tuyệt đối nhỏ hơn 25% giá trị cực đại M.

Hệ số tương quan Pearson được sử dụng để ra quyết định nhận dạng ra sao? Hệ số Pearson r đo lường mức độ đồng biến giữa vector đặc trưng của từ đầu vào và vector mẫu trong cơ sở dữ liệu. Khi hệ số r vượt ngưỡng 0.80, hệ thống xác định hai tín hiệu có mức tương quan rất mạnh và đưa ra quyết định nhận dạng chính xác từ đơn tương ứng.

Kết luận

• Nghiên cứu đã hệ thống hóa toàn diện cơ sở toán học về nén dữ liệu âm thanh, trích xuất điểm cắt Zero, biến đổi Cosin và biến đổi Wavelet Haar.
• Xây dựng thành công thuật toán tiền xử lý khử nhiễu 2 tầng, loại bỏ khoảng lặng 16 mẫu và triệt tiêu tạp âm dưới ngưỡng 25% biên độ cực đại.
• Chứng minh hiệu năng tối ưu của biến đổi Wavelet Haar với độ phức tạp tính toán O(N), giúp tiết kiệm tài nguyên phần cứng vượt bậc.
• Triển khai thử nghiệm thành công mô hình nhận dạng từ đơn tiếng Việt "Có" và "Không" với độ chính xác đạt trên 90% dựa trên hệ số tương quan Pearson.
• Đóng góp giải pháp công nghệ gọn nhẹ, mở ra tiềm năng lớn trong việc phát triển các ứng dụng điều khiển giọng nói tiếng Việt trên thiết bị nhúng IoT trong giai đoạn tiếp theo. Quý độc giả và các nhóm nghiên cứu quan tâm có thể khai thác các thuật toán này để mở rộng quy mô tập lệnh điều khiển thông minh ngay hôm nay.