Chương 1 TỔNG QUAN VỀ NHẬN DẠNG TIẾNG NÓI Trong phần này, chúng tôi muốn nêu ra các khái niệm cơ bản cũng như các vấn đề cơ bản của nhận dạng tiếng nói. Các khái niệm và vấn đề này sẽ được làm rõ và cụ thể hoá trong các phần tiếp theo của tài liệu. Các vấn đề trong phần này sẽ được bố trí theo thứ tự xuất hiện của chúng. Nghĩa là các vấn đề sau sẽ ít nhiều liên quan đến các vấn đề trước và do đó chúng ta cần hiểu các vấn đề theo cách tuần tự.
Trong phần sau, chúng tôi sẽ trình bày theo cách phát triển của vấn đề. Cơ sở và tiềm năng của nhận dạng tiếng nói Các tín hiệu hữu tuyến cũng như vô tuyến xuất phát từ hành động bấm nút đã tồn tại rất lâu trong lịch sử điều khiển điện tử. Việc ta bấm nút Power trong bảng điều khiển từ xa của vô tuyến cũng giống như việc ta ra lệnh vô tuyến hãy bật lên hoặc tắt đi (chuyển trạng thái làm việc). Việc ta bấm nút Volume+ trong bảng điều khiển từ xa của vô tuyến cũng giống việc ta ra lệnh vô tuyến hãy tăng tiếng lên một chút.
Thực chất việc phát một tín hiệu bằng sóng hồng ngoại vào mắt thần của vô tuyến không khác việc phát một tín hiệu âm thanh vào tai nghe của vô tuyến. Chúng đều là các tín hiệu mang thông tin hay cụ thể hơn là mang mệnh lệnh, và các tín hiệu khác nhau dẫn tới hành vi khác nhau của vật bị điều khiển. Nhưng việc phát ra một chuỗi âm thanh đơn giản hơn việc phát ra một chuỗi hồng ngoại, vì thứ nhất chuỗi âm thanh do con người sản sinh còn chuỗi hồng ngoại cần phải có thiết bị điều khiển, thứ hai con người không cần thời gian thông dịch mệnh lệnh trong đầu mình thành nút bấm trên bàn phím, thứ ba chúng ta có thể ra lệnh bằng âm thanh ngay trong bóng tối được trong khi chúng ta cần ánh sáng để nhìn vào bảng điều khiển để ra lệnh, thứ tư chúng ta ít cần học điều khiển thiết bị điện tử bằng giọng nói trong khi chúng ta cần phải học ý nghĩa của các nút bấm, thậm chí ý nghĩa ngữ cảnh của chúng trong các màn hình điều khiển khác nhau. TIEU LUAN MOI download : skknchat@gmail.com 11 Với nhiều lý do như vậy, việc điều khiển bằng chuỗi âm thanh sẽ được ưa chuộng sử dụng hơn việc phát các chuỗi hồng ngoại tới mắt thần hay phát các chuỗi tín hiệu điện tới các cổng bàn phím hay con chuột.
Mục đích của nhận dạng tiếng nói tự động là phát triển các kỹ thuật và các hệ thống cho phép máy tính chấp nhận đầu vào tiếng nói. Vấn đề của nhận dạng tiếng nói đã được nghiên cứu tích cực từ những năm 50 nhưng cho đến thời điểm này vẫn có những kết quả thực hành khiêm tốn. Bằng chứng là các hệ nhận dạng thương mại đều khuyến cáo việc người dùng nên cẩn thận và chính xác trong cách phát âm của mình để đạt được kết quả chính xác cao. Trong lĩnh vực nhận dạng tiếng Việt, các kết quả nghiên cứu cũng rất khiêm tốn và chưa có các sản phẩm thương mại được phân phát rộng rãi trong người dùng máy tính cá nhân.
Có rất nhiều ứng dụng cần đến nhận dạng tiếng nói. Do các tiến bộ gần đây trong lĩnh vực khoa học tiếng nói (speech science) và công nghệ máy tính (computer technology), hiệu quả của các bộ nhận dạng tiếng nói được cải thiện đáng kể. Với sự ra đời của các máy tính tốc độ nhanh và các thuật toán có độ chính xác và ít chi phí, chúng ta chắc chắn rằng việc giao tiếp giữa người và máy tính bằng tiếng nói tự nhiên sẽ trở thành hiện thực. Các ứng dụng hay gặp Trong phần này, chúng tôi muốn trình bày một số chương trình ứng dụng đã được thương mại hoá có sử dụng các nghiên cứu liên quan đến nhận dạng tiếng nói.
Qua đó người đọc có thể hiểu được tính hiện thực hay khả thi của vấn đề nhận dạng tiếng nói. Người đọc cũng có thể cảm nhận được các hệ thống nhận dạng tiếng nói là cụ thể, gần gũi, và thiết thực trong đời sống hàng ngày cũng như công việc văn phòng. Và cuối cùng người đọc có cái nhìn tổng quát về bài toán nhận dạng tiếng nói thông qua các ví dụ cụ thể. Chương trình quay số bằng giọng nói (voice dialer) Chương trình quay số bằng giọng nói là một chương trình rất đơn giản và hiệu quả được cài đặt trong một số máy điện thoại di động.
Tác dụng rất lớn của chương TIEU LUAN MOI download : skknchat@gmail.com 12 trình này là tìm ra một số điện thoại nhanh chóng và ít thao tác nhất. Chúng ta biết điện thoại di động vốn nhỏ gọn và bàn phím chỉ gồm các con số và vài phím chức năng. Do đó việc đánh các ký tự được thực hiện bằng cách lặp phím. Nên việc đánh một tên người để gọi cho người đó rất khó khăn.
Chính vì vậy việc quay số bằng giọng nói, tức là nói một tên người vào lỗ nghe của máy điện thoại thì trên màn hình của điện thoại xuất hiện một hộp thoại bao gồm tên người vừa nói, số điện thoại của người đó, nút chấp nhận gọi cho số tìm được, và nút huỷ bỏ kết quả tìm được. Như vậy quá trình gọi cho một người hầu như chỉ mất hai thao tác đọc tên người gọi và bấm nút chấp nhận. Để một máy điện thoại di động có thể quay số đến một người bất kỳ, chúng ta cần huấn luyện cho máy. Việc huấn luyện chỉ đơn giản là gắn cho mỗi số điện thoại với một đoạn âm thanh.
Do đó một từ điển hay ánh xạ từ tập các đoạn âm thanh tới tập các số điện thoại sẽ được thiết lập. Quá trình nhận dạng sẽ sử dụng từ điển đã được thiết lập trong quá trình huấn luyện để đưa ra kết quả. Mỗi khi người nói có nhu cầu quay số, họ sẽ đưa vào lỗ nghe của máy điện thoại một đoạn âm thanh. Đoạn âm thanh này sẽ được so sánh với các đoạn âm thanh trong từ điển đã được thiết lập trong khi huấn luyện.
Nếu việc so sánh là khớp thì số điện thoại tương ứng sẽ được đưa ra. Ứng dụng nhận dạng tiếng nói này có lẽ là đơn giản nhất trong tất cả các ứng dụng nhận dạng. Mặc dù vậy kết quả nhận dạng nói chung cũng không cao. Đôi lúc người dùng thường phải nói vài lần vào máy mà vẫn chưa được số điện thoại mong muốn.
Một vài người dùng mất bình tĩnh thậm chí còn hét vào máy điện thoại ngay ở nơi công cộng với hy vọng máy có thể tìm ra được số đúng. Điều này khiến những người nghiên cứu trong lĩnh vực tiếng nói cần phải tìm ra các phương pháp cũng như tham số tốt hơn để nhận dạng tiếng nói. Nói chung các hãng điện thoại không công bố chính xác họ làm thế nào để nhận dạng được mẫu âm thanh đưa vào và tìm ra số điện thoại tương ứng. Ta cũng không có cách nào để đo được dung lượng của tri thức nhận dạng hay từ điển nhận dạng để xem phương pháp lưu trữ của họ là mạng lưới hay danh sách.
Nhưng theo TIEU LUAN MOI download : skknchat@gmail.com 13 suy luận đơn thuần, chúng ta có thể thấy đoạn âm thanh đưa vào huấn luyện (được dùng làm khoá tìm kiếm) sẽ được biến thành một khối tham số nhất định. Khối tham số này thường bất biến với độ to (amplitude) và độ dừng (duration) của các đoạn âm thanh. Đoạn âm thanh đưa vào để quay số cũng sẽ được biến thành một khối tham số cùng kiểu với khối tham số của đoạn âm thanh huấn luyện. Do đó quá trình tìm kiếm nhanh hơn do các khối tham số nhỏ hơn, không gian lưu trữ từ điển nhận dạng cũng nhỏ hơn, và quá trình tìm kiếm cũng chính xác hơn và thất bại ít hơn do các khối tham số bất biến hay ổn định với các đoạn âm thanh huấn luyện và nhận dạng khác nhau.
name add to dictionary dictionary speech of name parameterize vector speech find best of parameterize vector name name name Hình 1-1. Sơ đồ của hệ quay số bằng giọng nói Nói chung nhận dạng trong điện thoại di động cũng chỉ dừng ở mức độ lưu trữ thành từ điển và nhận dạng dựa trên khớp mẫu. Vì đơn giản là các bộ vi xử lý của điện thoại di động không có nhiều chỉ thị hay chưa đủ thông minh. Bộ nhớ trong của điện thoại di động nói chung không đủ lớn để có thể tổ chức được mạng lưới tìm kiếm.
Chương trình soạn thảo bằng giọng nói (voice editor) Chúng tôi muốn đưa vào phần tổng quan một ứng dụng đã được thương mại hoá của Microsoft như một kết quả đã đạt được của những người đi trước trong lĩnh vực nhận dạng. TIEU LUAN MOI download : skknchat@gmail.com 14 Chương trình đọc chính tả là một chương trình đơn giản nhất và thường được coi như ví dụ kinh điển của nhận dạng tiếng nói. Khi chương trình khởi động, một cơ sở tri thức về tiếng nói sẽ được tải lên. Cơ sở tri thức này có thể bị thay đổi, hoặc bị tải lại, cũng như bị lưu lại trong quá trình hoạt động.
Cũng trong quá trình khởi động, một màn hình soạn thảo được mở ra để đón các từ nhận dạng và thiết bị ghi âm cũng được chuẩn bị để đón nhận tín hiệu tiếng nói. Sau khi các công việc khởi động hoàn tất, người dùng có thể đọc các từ và trên màn hình soạn thảo sẽ xuất hiện từ tương ứng. Trong khi đọc chính tả, có thể một từ do người đọc phát âm chưa có trong từ điển, do đó từ này có thể không được nhận dạng. Do vậy người sử dụng có thể thêm một từ vào từ điển đồng thời với việc thêm mẫu phát âm của từ đó vào để nhận dạng.
Kết quả là tri thức nhận dạng được cập nhật. Về cơ bản, Microsoft cho phép người dùng đưa vào các từ bằng giọng nói và các từ hiện ra ở một số cửa sổ soạn thảo hỗ trợ nhận dạng tiếng nói như Microsoft Word, Microsoft Excel. Kết quả nhận dạng cũng không cao và thường phải mất nhiều ngày để huấn luyện. Nhưng đặc biệt chương trình huấn luyện do Microsoft thiết kế rất tự nhiên như quá trình nhận dạng ở người, nghĩa là nhìn các chữ và nghe các âm thanh tương ứng với các chữ đó phát ra.
Chính vì vậy người dùng không mất nhiều công sức để học cách sử dụng hệ thống và huấn luyện hệ thống.