Luận văn ThS: Nghiên cứu hệ thống nhận dạng tiếng Việt liên tục

Luận văn thạc sĩ: Nghiên cứu phát triển hệ thống nhận dạng tiếng Việt phát âm liên tục. Bộ từ vựng nhỏ, trung bình. Mã số: 60 48 01. Chuyên ngành máy tính.

• Tác giả: Phạm Anh Tú
• Người hướng dẫn: Pgs. Lương Chi Mai
• Trường học: Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Nghiên cứu và Phát triển Hệ thống Nhận dạng Tiếng Việt Phát âm Liên Tục Trên Bộ Từ Vựng Nhỏ Và Trung Bình
• Loại tài liệu: Luận văn Thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT
• DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
• 1. CHƢƠNG 1: TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU VÀ CÁC VẤN ĐỀ CƠ BẢN CỦA NHẬN DẠNG TIẾNG NÓI
• 1.1. Tổng quan về nhận dạng tiếng nói
• 1.2. Các vấn đề trong nhận dạng tiếng nói
• 1.3. Giới thiệu hệ thống nhận dạng tiếng nói
• 1.4. Các thành phần chính trong hệ thống nhận dạng tiếng nói
• 1.5. Đặc trƣng của tiếng nói
• 1.6. Mô hình âm học
• 1.7. Mô hình ngôn ngữ
• 1.8. Tình hình nghiên cứu trong và ngoài nƣớc
• 2. CHƢƠNG 2: NHẬN DẠNG TIẾNG VIỆT PHÁT ÂM LIÊN TỤC
• 2.1. Tổng quan về tiếng Việt
• 2.2. Âm tiết và đặc điểm của âm tiết
• 2.3. Âm vị tiếng Việt
• 2.4. Mô hình Markov ẩn
• 2.5. Mô hình Markov
• 2.6. Mô hình Markov ẩn
• 2.7. Ba bài toán cơ bản của mô hình Markov ẩn và giải pháp
• 2.8. Các phƣơng pháp trích chọn đặc trƣng và xử lý tiếng nói
• 2.9. Mel Frequency Cepstral Coefficients (MFCC)
• 2.10. Perceptual Linear Prediction (PLP)
• 3. CHƢƠNG 3: XÂY DỰNG HỆ THỐNG NHẬN DẠNG TIẾNG VIỆT LIÊN TỤC SỬ DỤNG HTK
• 3.1. Giới thiệu về HTK
• 3.2. Chuẩn bị dữ liệu
• 3.3. Huấn luyện âm đơn
• 3.4. Huấn luyện âm buộc
• 3.5. Tạo mạng từ nhận dạng
• 3.6. Mô hình ngôn ngữ bigram
• 3.7. Đánh giá kết quả nhận dạng
• 3.8. Chƣơng trình nhận dạng mƣời chữ số tiếng Việt phát âm liên tục
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Luận Văn Nhận Dạng Tiếng Việt Liên Tục

Nhận dạng tiếng Việt liên tục là một lĩnh vực đầy thách thức nhưng vô cùng quan trọng trong bối cảnh công nghệ thông tin ngày càng phát triển. Luận văn ThS CNTT này tập trung vào việc nghiên cứu và phát triển hệ thống nhận dạng tiếng Việt phát âm liên tục trên bộ từ vựng nhỏ và trung bình. Mục tiêu là giúp máy móc hiểu được tiếng Việt một cách tự nhiên, mở ra nhiều ứng dụng tiềm năng trong thực tế. Các hệ thống nhận dạng tiếng nói (Automatic Speech Recognition - ASR) ngày càng trở nên phổ biến, nhưng việc áp dụng chúng cho tiếng Việt vẫn còn nhiều khó khăn do đặc thù ngôn ngữ. Luận văn này sẽ khám phá các phương pháp, kỹ thuật và công cụ để xây dựng một hệ thống nhận dạng tiếng Việt hiệu quả. Đồng thời, đánh giá hiệu năng của hệ thống và đề xuất các hướng cải tiến trong tương lai. Theo tác giả luận văn Phạm Anh Tú, "Việc nghiên cứu nhận dạng tiếng nói tiếng Việt là cần thiết. Các thành quả nghiên cứu nhận dạng tiếng nói của các ngôn ngữ nước ngoài cần được kế thừa và nghiên cứu để áp dụng vào trong tiếng Việt." (Trích dẫn từ phần Mở Đầu). Mục tiêu chính của luận văn là nắm rõ các khái niệm, phương pháp liên quan đến nhận dạng tiếng nói, đặc trưng tiếng nói, mô hình âm học, mô hình ngôn ngữ thích hợp cho tiếng Việt. Luận văn cũng đặt mục tiêu làm chủ công cụ xây dựng hệ nhận dạng tiếng nói, xây dựng chương trình mô phỏng, thực nghiệm, đưa ra nhận xét và kết luận về mức độ sẵn sàng và khả thi của chương trình. Luận văn sẽ bao gồm các chương: Tổng quan vấn đề nghiên cứu và các vấn đề cơ bản của nhận dạng tiếng nói; Nhận dạng giọng nói tiếng Việt phát âm liên tục; Xây dựng hệ thống nhận dạng tiếng Việt liên tục sử dụng HTK.

1.1. Giới thiệu bài toán Nhận Dạng Tiếng Nói Liên Tục

Bài toán nhận dạng tiếng nói liên tục phức tạp hơn so với nhận dạng tiếng nói rời rạc. Bởi vì, hệ thống cần phải xác định ranh giới giữa các từ và câu, đồng thời xử lý các hiện tượng đồng âm, biến âm và nhiễu âm. Các hệ thống nhận dạng tiếng nói hiện nay thường sử dụng các mô hình thống kê, chẳng hạn như mô hình Markov ẩn (HMM), để mô hình hóa mối quan hệ giữa âm thanh và văn bản. Việc huấn luyện các mô hình này đòi hỏi một lượng lớn dữ liệu tiếng nói được gán nhãn chính xác. Đối với tiếng Việt, việc thu thập và gán nhãn dữ liệu này là một thách thức lớn. Bên cạnh đó, đặc trưng thanh điệu của tiếng Việt cũng gây khó khăn cho quá trình nhận dạng. Luận văn này sẽ tập trung vào việc giải quyết các thách thức này và đề xuất các giải pháp phù hợp.

1.2. Ứng dụng của Nhận Dạng Tiếng Việt Liên Tục

Ứng dụng của nhận dạng tiếng Việt liên tục là rất đa dạng và tiềm năng. Trong lĩnh vực giáo dục, nó có thể được sử dụng để phát triển các hệ thống học tiếng Việt tự động, giúp người học cải thiện kỹ năng phát âm và giao tiếp. Trong lĩnh vực y tế, nó có thể được sử dụng để ghi chép hồ sơ bệnh án, phiên dịch cuộc trò chuyện giữa bác sĩ và bệnh nhân, hoặc hỗ trợ người khuyết tật giao tiếp. Trong lĩnh vực giải trí, nó có thể được sử dụng để điều khiển bằng giọng nói các thiết bị điện tử, tạo ra các trò chơi tương tác, hoặc phát triển các trợ lý ảo. Ngoài ra, nhận dạng tiếng Việt liên tục còn có thể được ứng dụng trong các hệ thống an ninh, giao thông, và nhiều lĩnh vực khác.

II. Thách Thức Nhận Dạng Tiếng Việt Liên Tục CNTT

Nhận dạng tiếng Việt phát âm liên tục đối mặt với nhiều thách thức đáng kể. Tiếng Việt là một ngôn ngữ đơn âm, có thanh điệu, điều này làm cho việc phân biệt các từ trở nên khó khăn hơn so với các ngôn ngữ không thanh điệu. Sự biến đổi trong lời nói, do tốc độ nói, ngữ điệu, hoặcaccent địa phương, cũng là một vấn đề lớn. Nhiễu từ môi trường xung quanh, như tiếng ồn hoặc tiếng vọng, có thể làm giảm đáng kể độ chính xác của hệ thống. Ngoài ra, kích thước bộ từ vựng cũng ảnh hưởng đến hiệu năng của hệ thống; bộ từ vựng càng lớn, việc nhận dạng càng trở nên phức tạp. Sự phụ thuộc vào người nói cũng là một yếu tố quan trọng, các hệ thống phụ thuộc vào người nói thường có độ chính xác cao hơn so với các hệ thống độc lập với người nói, nhưng chúng lại kém linh hoạt hơn. Cuối cùng, giới hạn về ngôn ngữ, như ngữ pháp không rõ ràng hoặc cách sử dụng từ ngữ không chuẩn, cũng có thể gây khó khăn cho quá trình nhận dạng.

2.1. Đặc Thù Ngôn Ngữ Thanh Điệu và Âm Vị

Thanh điệu là một đặc trưng quan trọng của tiếng Việt, nó có thể thay đổi ý nghĩa của một từ. Ví dụ, từ "ma" có thể có nghĩa khác nhau tùy thuộc vào thanh điệu được sử dụng. Điều này đòi hỏi các hệ thống nhận dạng tiếng Việt phải có khả năng phân biệt chính xác các thanh điệu khác nhau. Bên cạnh đó, tiếng Việt có một số lượng lớn các âm vị, bao gồm cả nguyên âm và phụ âm, điều này làm cho việc mô hình hóa âm học trở nên phức tạp. Các mô hình âm học cần phải có khả năng biểu diễn chính xác các âm vị khác nhau và mối quan hệ giữa chúng.

2.2. Biến Thể Phát Âm và Ảnh Hưởng Môi Trường

Lời nói có thể thay đổi đáng kể tùy thuộc vào người nói, tốc độ nói, ngữ điệu và accent địa phương. Điều này đòi hỏi các hệ thống nhận dạng tiếng Việt phải có khả năng thích ứng với sự biến đổi này. Các kỹ thuật như chuẩn hóa âm thanh và thích ứng người nói có thể được sử dụng để giảm thiểu ảnh hưởng của sự biến đổi. Ngoài ra, nhiễu từ môi trường xung quanh, như tiếng ồn hoặc tiếng vọng, có thể làm giảm đáng kể độ chính xác của hệ thống. Các kỹ thuật khử nhiễu và khử vọng có thể được sử dụng để cải thiện hiệu năng của hệ thống trong môi trường ồn ào.

2.3. Khó khăn trong xây dựng dữ liệu huấn luyện

Việc tạo ra một cơ sở dữ liệu huấn luyện đủ lớn và chất lượng cao cho tiếng Việt là một thách thức lớn. Tiếng Việt là một ngôn ngữ có ít tài nguyên, nghĩa là có ít dữ liệu tiếng nói được gán nhãn có sẵn so với các ngôn ngữ phổ biến hơn như tiếng Anh. Việc thu thập và gán nhãn dữ liệu tiếng nói đòi hỏi nhiều thời gian và công sức, đồng thời cần có sự tham gia của các chuyên gia ngôn ngữ học. Việc sử dụng các kỹ thuật như tăng cường dữ liệu và học chuyển giao có thể giúp giảm thiểu nhu cầu về dữ liệu huấn luyện.

III. Phương Pháp Xây Dựng Hệ Thống Nhận Dạng Tiếng Việt

Để xây dựng hệ thống nhận dạng tiếng Việt, luận văn tập trung vào mô hình Markov ẩn (HMM) và các phương pháp trích chọn đặc trưng như MFCC và PLP. HMM là một mô hình thống kê được sử dụng rộng rãi trong nhận dạng tiếng nói, nó cho phép mô hình hóa mối quan hệ giữa âm thanh và văn bản. MFCC (Mel Frequency Cepstral Coefficients) và PLP (Perceptual Linear Prediction) là hai phương pháp phổ biến để trích xuất các đặc trưng từ tín hiệu tiếng nói. Các đặc trưng này được sử dụng để huấn luyện các mô hình HMM. Ngoài ra, luận văn cũng sử dụng HTK (Hidden Markov Model Toolkit), một bộ công cụ mạnh mẽ để xây dựng và huấn luyện các mô hình HMM.

3.1. Mô hình Markov ẩn HMM trong nhận dạng tiếng nói

Mô hình Markov ẩn là một mô hình thống kê mạnh mẽ, nó cho phép mô hình hóa các quá trình ngẫu nhiên theo thời gian. Trong nhận dạng tiếng nói, HMM được sử dụng để mô hình hóa mối quan hệ giữa âm thanh và văn bản. Mỗi âm vị được biểu diễn bởi một HMM, và các trạng thái của HMM tương ứng với các đoạn âm thanh khác nhau của âm vị đó. Các tham số của HMM được huấn luyện bằng cách sử dụng một lượng lớn dữ liệu tiếng nói được gán nhãn. Khi nhận dạng một câu nói mới, hệ thống sẽ tìm kiếm chuỗi các HMM phù hợp nhất với tín hiệu âm thanh.

3.2. Trích chọn đặc trưng MFCC và PLP So sánh

MFCC và PLP là hai phương pháp phổ biến để trích xuất các đặc trưng từ tín hiệu tiếng nói. MFCC dựa trên việc biến đổi tín hiệu âm thanh sang miền tần số Mel, trong khi PLP dựa trên mô hình hóa tín hiệu âm thanh bằng các hệ số dự báo tuyến tính. Cả hai phương pháp đều cố gắng mô phỏng cách tai người cảm nhận âm thanh. MFCC thường được sử dụng rộng rãi hơn PLP, nhưng PLP có thể hiệu quả hơn trong một số trường hợp nhất định. Việc lựa chọn phương pháp trích chọn đặc trưng phù hợp phụ thuộc vào các đặc tính của dữ liệu tiếng nói và yêu cầu của ứng dụng.

3.3. Ứng dụng HTK Hidden Markov Model Toolkit

HTK là một bộ công cụ mạnh mẽ để xây dựng và huấn luyện các mô hình HMM. Nó cung cấp các chức năng để phân tích tín hiệu tiếng nói, trích xuất đặc trưng, huấn luyện mô hình, và đánh giá hiệu năng. HTK được sử dụng rộng rãi trong nghiên cứu và phát triển các hệ thống nhận dạng tiếng nói. Nó hỗ trợ nhiều phương pháp khác nhau, bao gồm cả MFCC và PLP, và có thể được sử dụng để xây dựng các hệ thống nhận dạng tiếng nói với bộ từ vựng lớn.

IV. Thực Nghiệm Hệ Thống Nhận Dạng 10 Chữ Số Tiếng Việt

Để đánh giá hiệu năng của hệ thống, luận văn đã thực hiện các thử nghiệm trên bộ dữ liệu tiếng Việt. Hệ thống được huấn luyện trên một tập dữ liệu gồm 300 câu và được kiểm tra trên một tập dữ liệu khác gồm 68 câu. Kết quả thử nghiệm cho thấy hệ thống đạt được độ chính xác theo từ là 75.14% sử dụng mô hình âm đơn và cải thiện lên 76.6% khi sử dụng mô hình âm ba. Các kết quả này cho thấy hệ thống có tiềm năng để được sử dụng trong các ứng dụng thực tế, nhưng vẫn cần phải cải thiện hơn nữa để đạt được độ chính xác cao hơn.

4.1. Thiết lập thử nghiệm và dữ liệu đánh giá

Các thử nghiệm được thực hiện trên bộ dữ liệu tiếng nói điện thoại tiếng Việt của trung tâm CSLU (Center for Speech Language Understanding). Bộ dữ liệu này bao gồm các phát âm về các chữ số như số điện thoại, địa chỉ, số bưu điện, tuổi… Các câu được ghi âm trên nhiều loại điện thoại khác nhau. Dữ liệu thu âm đa dạng về tốc độ phát âm, độ to nhỏ, độ nhiễu của tạp âm.

4.2. Kết quả và phân tích chi tiết thử nghiệm

Kết quả thử nghiệm cho thấy hệ thống đạt được độ chính xác theo từ là 75.14% sử dụng mô hình âm đơn và cải thiện lên 76.6% khi sử dụng mô hình âm ba. Cụ thể hệ thống nhận dạng dùng âm buộc có độ chính xác theo câu cao hơn 1,34% và độ chính xác theo từ cao hơn 1,46% so với hệ thống nhận dạng sử dụng âm đơn.

V. Kết Luận Nhận Dạng Tiếng Việt và Hướng Phát Triển

Luận văn đã trình bày một nghiên cứu về xây dựng hệ thống nhận dạng tiếng Việt phát âm liên tục trên bộ từ vựng nhỏ và trung bình. Kết quả thử nghiệm cho thấy hệ thống có tiềm năng để được sử dụng trong các ứng dụng thực tế, nhưng vẫn còn nhiều việc cần phải làm để cải thiện độ chính xác và khả năng thích ứng của hệ thống. Các hướng nghiên cứu trong tương lai có thể bao gồm việc sử dụng các mô hình ngôn ngữ phức tạp hơn, áp dụng các kỹ thuật học sâu, và thu thập thêm dữ liệu huấn luyện.

5.1. Tổng kết những đóng góp của luận văn

Luận văn đã đóng góp vào việc nghiên cứu và phát triển các hệ thống nhận dạng tiếng Việt bằng cách đề xuất một phương pháp xây dựng hệ thống nhận dạng tiếng Việt phát âm liên tục dựa trên HMM, MFCC và HTK. Luận văn cũng đã thực hiện các thử nghiệm trên bộ dữ liệu tiếng Việt và đánh giá hiệu năng của hệ thống. Kết quả thử nghiệm cho thấy hệ thống có tiềm năng để được sử dụng trong các ứng dụng thực tế.

5.2. Đề xuất hướng nghiên cứu và phát triển tiếp theo

Trong tương lai, có thể tập trung vào việc sử dụng các mô hình ngôn ngữ phức tạp hơn, chẳng hạn như các mô hình dựa trên mạng nơ-ron. Các kỹ thuật học sâu cũng có thể được áp dụng để cải thiện hiệu năng của hệ thống. Ngoài ra, việc thu thập thêm dữ liệu huấn luyện là rất quan trọng để tăng cường độ chính xác và khả năng thích ứng của hệ thống.

Trích đoạn nội dung tài liệu

phần mở đầu và kết thúc, luận văn đƣợc chia làm ba chƣơng: - Chƣơng 1: Tổng quan vấn đề nghiên cứu và các vấn đề cơ bản của nhận dạng tiếng nói - Chƣơng 2:Nhận dạng giọng nói tiếng Việt phát âm liên tục - Chƣơng 3: Xây dựng hệ thống nhận dạng tiếng Việt liên tục sử dụng HTK TIEU LUAN MOI download : [e-mail] 9 CHƢƠNG 1: TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU VÀ CÁC VẤN ĐỀ CƠ BẢN CỦA NHẬN DẠNG TIẾNG NÓI 1.1 Tổng quan về nhận dạng tiếng nói 1.1 Giới thiệu Nhận dạng tiếng nói là một lĩnh vực liên ngành của ngôn ngữ học tính toán nhằm phát triển các phƣơng pháp và công nghệ cho phép nhận dạng và chuyển lời nói thành văn bản bằng máy tính. Nó còn đƣợc gọi là “Nhận dạng tiếng nói tự động” (Automatic Speech Recognition), “Nhận dạng tiếng nói băng máy tính” (Computer Speech Recognition) hay chỉ là “Tiếng nói thành văn bản” (Speech To Text). Nó kết hợp kiễn thức và nghiên cứu giữa các lĩnh vực ngôn ngữ học, khoa học máy tính và kỹ thuậtđiện. Nhận dạng tiếng nói là một quá trình nhận dạng mẫu, với mục đích là phân lớp (classify) thông tin đầu vào là tín hiệu tiếng nói thành một dãy tuần tự các mẫu đã đƣợc học trƣớc đó và lƣu trữ trong bộ nhớ.

Các mẫu là các đơn vị nhận dạng, chúng có thể là các từ, hoặc các âm vị. Tuy nhiên khó khăn cơ bản của nhận dạng tiếng nói đó là tiếng nói luôn biến thiên theo thời gian và có sự khác biệt lớn giữa tiếng nói của những ngƣời nói khác nhau, tốc độ nói, ngữ cảnh và môi trƣờng âm học khác nhau. Xác định những thông tin biến thiên nào của tiếng nói là có ích và những thông tin nào là không có ích đối với nhận dạng tiếng nói là rất quan trọng. Đây là một nhiệm vụ rất khó khăn mà ngay cả với các kỹ thuật xác suất thống kê mạnh cũng khó khăn trong việc tổng quát hoá từ các mẫu tiếng nói những biến thiên quan trọng cần thiết trong nhận dạng tiếng nói.

Một số hệ thống nhận dạng tiếng nói đòi hỏi phảiđƣợc “huấn luyện” bằng cách một ngƣời sẽđọc cácđoạn văn bản hoặc các từ vựng đơn lẻ và nhập vào hệ thống. Hệ thống sẽ phân tích tiếng nói của ngƣờiđó và sử dụng những dữ liệu phân tích đƣợc cho việc nhận dạng tiếng nói của ngƣờiđó, dẫn đến độ chính xác sẽ cao hơn. Các hệ thống không sử dụng việc “huấn luyện” này đƣợc gọi là các hệ thống “độc lập ngƣời nói”. Còn các hệ thống sử dụng việc “huấn luyện” đƣợc gọi là “phụ thuộc ngƣời nói”.

Các nghiên cứu về nhận dạng tiếng nói dựa trên ba nguyên tắc cơ bản [7]: - Tín hiệu tiếng nói đƣợc biểu diễn chính xác bởi các giá trị phổ trong một khung thời gian ngắn (short-term amplitude spectrum). Nhờ vậy ta có thể TIEU LUAN MOI download : [e-mail] 10 trích ra các đặc điểm tiếng nói từ những khoảng thời gian ngắn và dùng các đặc điểm này làm dữ liệu để nhận dạng tiếng nói. - Nội dung của tiếng nói đƣợc biểu diễn dƣới dạng chữ viết, là một dãy các ký hiệu ngữ âm. Do đó ý nghĩa của một phát âm đƣợc bảo toàn khi chúng ta phiên âm phát âm thành dãy các ký hiệu ngữ âm.

- Nhận dạng tiếng nói là một quá trình nhận thức. Thông tin về ngữ nghĩa (semantics) và suy đoán (pragmatics) có giá trị trong quá trình nhận dạng tiếng nói, nhất là khi thông tin về âm học là không rõ ràng.2 Ứng dụng Trong thờiđại công nghệ ngày càng phát triển nhƣ hiện nay thì nhận dạng tiếng nói ngày càng có nhiềuứng dụng vào thực tế. Trong đó, có thể liệt kệ một sốứng dụng nổi bật sau: - Các hệ thống trong xe hơi: Giờ đây, thay vì việc phải thao tác bằng tay để thực hiện một số chức năng nhƣ gọi điện, dẫn đƣờng, nghe nhạc,…thì nhận dạng tiếng nói đã đƣợc áp dụng vào để thực hiện các lệnh bằng tiếng nói giúp cho ngƣời lái xe có thể tập trung hơn, đảm bảo an toàn hơn. - Trong lĩnh vực chăm sóc sức khỏe: Nhận dạng tiếng nói có thể đƣợc áp dụng ở phần đầu hoặc cuối của quá trình tạo hồ sơ y tế bằng cách ghi lại lời nói của bệnh nhân và chuyển thành văn bản lƣu vào bệnh lý chữa trị của ngƣời bệnh.

Hay nhƣ có làm đơn giản hóa việc tƣơng tác giữa ngƣời bệnh với các hệ thống chuẩn đoán bênh tự động để đƣa ra những giải đáp cơ bản cho ngƣời bệnh một cách thân thiện và trực quan hơn. - Trong quân đội: Một số nƣớc nhƣ Mỹ, Pháp, Anh đã áp dụng nhận dạng tiếng nói trong việc điều khiển các máy bay chiến đấu, giúp cho phi công giảm bớt các thao tác điều khiển nhƣ: cài đặt tần số vô tuyến, điều khiển hệ thống lái tự động, cài đặt các tọa độ, các thông số cho việc sử dụng các vũ khí trên máy bay. - Trong viễn thông và các lĩnh vực giải trí: Hiện nay, tự động nhận dạng tiếng nói rất phổ biến trong lĩnh vực viễn thông và đang lan rộng sang các lĩnh vực khác nhƣ mô phỏng và trò chơi máy tính, nhằm làm cho tƣơng tác mô phỏng cũng nhƣ trò chơi trở nên sinh động và thật hơn. Ngoài ra, sự chạy đua về cấu hình của điện thoại đã giúp cho các điện thoại trở nên mạnh và thông minh hơn và các trợ lý ảo sử dụng nhận dạng tiếng nói đã ra đời nhƣ Siri của Apple, Google Now, Cortana,… để giúp ngƣời sử dụng tƣơng tác với thiết bị thuận tiện hơn.

TIEU LUAN MOI download : [e-mail] 11 - Trong lĩnh vực giáo dục: Nhƣ đối với việc học ngôn ngữ, nhận dạng tiếng nói có thể có ích cho việc học ngôn ngữ nƣớc ngoài. Nó có thể dạy và kiểm tra cách phát âm cũng nhƣ giúp ngƣời học phát triển thành thạo hơn kỹ năng nói của họ. - Đối với người khuyết tật: Nhận dạng tiếng nói có thể giúp cho những ngƣời bị điếc hoặc khiếm thính có thể hiểu đƣợc các cuộc trò chuyện nhƣ thảo luận trong phòng họp, các bài giảng trên lớp, hay giao tiếp với ngƣời khác. Nó cũng giúp cho những ngƣời gặp khó khăn trong việc sử dụng tay của họ để soạn thảo hay điều khiển các thiết bị điện tử.

Và còn rất nhiều ứng dụng hữuích khác mà nó mang lại nhƣ: Nhà thông minh, robot, tự động tạo phụ đề,… 1.3 Các vấn đề trong nhận dạng tiếng nói 1.1 Sự phụ thuộc người nói Lời nói đƣợc nói ra có thể theo phong cách khác nhau theo từng ngƣời. Nócòn phụ thuộc vào độ tuổi, giới tính của ngƣời nói. Hay mỗi vùng miền sẽ có tiếng nói, cách phátâm khác nhau. Nhận dạng tiếng nói thƣờng đƣợc xây dựng để chỉ nhận làm việc với một hoặc một số ngƣời nhấtđịnh, những hệ thống nhƣ vậy gọi là phụ thuộc ngƣời nói.

Còn một loại là độc lập ngƣời nói, tức là hệ thống có thể nhận dạng cho bất cứ ngƣời nói nào, tuy nhiên tỷ lệ lỗi sẽ cao hơn.2 Kích thước bộ từ điển Kích thƣớc của bộ từđiển là lƣợng tự vựng mà nó chứa để phục vụ khả năng nhận dạng của hệ thống. Kích thƣớc này càng lớn thì việc tính toán để nhận dạng càng phức tạp và tỷ lệ lỗi cũng sẽ tăng lên.3 Tốc độ nói và hiện tượng đồng phát âm Ngƣời nói có thể nói với tốc độ khác nhau ở những thời điểm, hoàn cảnh khác nhau. Nếu ngƣời nói căng thẳng, lời nói sẽ đƣợc đẩy nhanh hơn, còn ngƣời nói nếu mệt mỏi, tốc độ sẽ có xu hƣớng giảmđi. Hay hiện tƣợng đồngâm là để chỉ những từ có cùngâm nhƣng cách viết lại khác nhau vàý nghĩa cũng khác nhau.

Có thể thấy rất khó để nhận dạng đƣợc những từ nhƣ vậy và nhất là khi chúng đƣợc nói trong một ngữ cảnh rộng.4 Sự biến đổi trong lời nói TIEU LUAN MOI download : [e-mail] 12 Ngoài ra, nó còn do tiếngồn xung quanh thay đổi theo thời gian, và có thể từ các vị trí đặt micro khác nhau dẫn đếnảnh hƣởng tớiâm thanh của ngƣời nói, hiện tƣợng này đƣợc gọi là sự thay đổi kênh.5 Điều kiện môi trường (nhiễu) Tiếng nói bị lẫn trọng môi trƣờng có nhiềuâm thanh khác nhƣ tiếng đồng hồ, tiếngồn từ máy tính, đang mởđài hoặc tiếng của những ngƣời khác, v.v… Chúng thƣờng đƣợc gọi là nhiễu, những tính hiệuâm thanh không mong muốn. Trong nhận dạng tiếng nói, chúng ta phải xácđịnh và lọc bỏ những tạpâm này ra khỏi tính hiệu tiếng nói.Một loại tiếng nhiễu khác là hiệu ứng tiếng vang, đó là tín hiệu tiếng nói bị vang vọng xung quanh, và đến microphone vài mili giây sau đó. Nếu ở mộtvị trí mà trong khi nói âm thanh đƣợc tạo ra vang lên rõ rệt, thì nó gọi là hiện tƣợng hồi âm và có thể kéo dài tới vài giây.6 Giới hạn về ngôn ngữ Các hệ thốngnhận dạng có thể làm việc tốt với các câu có ngữ pháp, phátâm rõ ràng trong các chƣơng trình cụ thể, tuy nhiên mỗi ngôn ngữ có những đặc điểm riêng làm cho việc phátâm khác nhau hay cách sử dụng ngữ pháp tự do sẽ khiến cho việc nhận dạng trở nên khó khăn hơn.2 Giới thiệuhệ thống nhận dạng tiếng nói 1.1 Các thành phần chính trong hệ thống nhận dạng tiếng nói Hình 1.1đƣa ra một cấu trúc cơ bản của hệ thống nhận dạng tiếng nói. Đầu tiên, tiến trình trích chọn đặc trƣng sẽ chuyển tín hiệu tiếng nói dạng sóng thành các vector đặc trƣng.

Vector đặc trƣng nàyđại diện cho thông tin âm thanh, nó là đầu vào quan trọng của hệ thống nhận dạng. Các vector đặc trƣng này đƣợc chia làm hai nhóm, một nhóm dùng để huấn luyện mô hìnhâm học và nhóm còn lại dùng cho việcnhận dạng. Sau đó, mô hình ngôn ngữ dựa trên HMM và từ điển ngữâm là tập danh sách các từ xuất hiện trong dữ liệu huấn luyện và phiên âm tƣơng ứng của nó sẽ đƣợc kết hợp để giải mã ra văn bản của tiếng nói ban đầu. TIEU LUAN MOI download : skknchat@gmail.1 Các thành phần trong hệ thống nhận dạng tiếng nói 1.2 Đặc trƣng của tiếng nói Đặc trƣng tiếng nói là các vectortham sốđại diện cho thông tin củaâm thanh đƣợc chuyển từ tín hiệu tiếng nói trƣớc khi đƣợcđƣa tới công cụ nhận dạng.

Vector đặc trƣng này lƣu lại các thông tin riêng biệt trong các lớp của tín hiệu tiếng nói bất kể trong môi trƣờng có nhiều loại tiếngồn hay mức độ nhiễuâm khác nhau. Để tạo ra đặc trƣng, tín hiệu tiếng nói đƣợc chia thành các khung thƣờng có độ dài từ 20ms đến 40ms để mã hóa thành các thông tin nhằm giảm lƣợng dữ liệu cao của tín hiệu tiếng nói gốc[8].