Phương Pháp Mã Hóa Tiếng Nói Tại Trường Đại Học Bách Khoa Hà Nội

Chuyên khảo phân tích Phương pháp mã hoá tiếng nói theo mô hình kíh thích đa băng, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Ngô Quang Trường
• Người hướng dẫn: PGS TS. Nguyễn Quốc Trung
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Điện Tử - Viện Thông
• Đề tài: Phương Pháp Mã Hóa Tiếng Nói Trong Kỹ Thuật Điện Tử
• Loại tài liệu: Luận Văn
• Năm xuất bản: 2004
• Địa điểm: Hà Nội

Mục lục chi tiết

• 1. CHƯƠNG 1: TÍN HIỆU TIẾNG NÓI
• 1.1. Giới thiệu
• 1.2. Cơ sở tạo tiếng nói
• 1.3. Mô hình phát âm lắc nguồn
• 1.4. Thính giác của người
• 1.5. Các đặc trưng của tiếng nói
• 1.5.1. Dạng sóng theo thời gian
• 1.5.2. Phổ tần số
• 2. CHƯƠNG 2: CÁC PHƯƠNG PHÁP MÔ HOẠ TIẾNG NÓI
• 2.1. Mô hoạ dạng sóng
• 2.1.1. Lưỡng tỏ và hướng và vectơ
• 2.1.2. Phương pháp lưỡng tỏ hoạ và hướng
• 2.1.3. Phương pháp lưỡng tỏ hoạ vectơ tần
• 2.2. Mô hoạ Sub-band và Transform
• 2.2.1. Mô hoạ Sub-band
• 2.2.2. Mô hoạ theo mô hình phân tích bởi tầng hợp tín hiệu hình sin
• 2.2.2.1. Mô hình phân tích bởi tầng hợp tín hiệu hình sin
• 2.2.2.2. Mô hoạ kích thích đa băng
• 2.3. Phương pháp mô hoạ Vocoder
• 2.3.1. Mô hoạ theo kênh
• 2.3.2. Mô hoạ theo formant
• 2.3.3. Mô hoạ đồng hình (homomorphic)
• 2.3.4. Mô hoạ dự đoán tuyến tính
• 2.3.4.1. Mô hình kích thích hai trạng thái cổ điển và thuật toán LPC-10
• 2.3.4.2. Mô hình kích thích hỗn hợp
• 2.3.4.3. Dự đoán tuyến tính kích thích phân dải RELP
• 2.3.4.5. Mô hoạ dự đoán tuyến tính phân tích bởi tầng hợp
• 2.3.4.5.1. Dự đoán tuyến tính kích thích đa xung MPLP
• 2.3.4.5.2. Kích thích xung đầu RPE
• 2.3.4.5.3. Dự đoán tuyến tính kích thích mô CELP
• 2.3.4.5.3.1. Chuẩn FS 1016 CELP
• 2.3.4.5.3.2. Dự đoán tuyến tính kích thích tầng vectơ tần
• 2.3.4.5.3.3. Mô hoạ 16 kb/s CELP để trở thấp
• 3. CHƯƠNG 3: PHƯƠNG PHÁP MÔ HOẠ TIẾNG NÓI KÍCH THÍCH ĐA BĂNG
• 3.1. Giới thiệu mô hình mô hoạ
• 3.2. Phân tích tiếng nói
• 3.3. Quyết định V/UV
• 3.4. Ước lượng biến đổi phổ
• 3.5. Mô hoạ và giải mô các tham số
• 3.5.1. Mô hoạ và giải mô tần số cơ bản
• 3.5.2. Mô hoạ và giải mô quyết định V/UV
• 3.5.3. Mô hoạ các hệ số DCT bậc cao
• 3.6. Giải mô biến đổi phổ
• 3.6.1. Giải mô vectơ để lỗi
• 3.6.2. Giải mô các hệ số DCT bậc cao
• 3.7. Tầng hợp tiếng nói
• 3.7.1. Tầng hợp thành phần tiếng nói và thanh
• 3.7.2. Tầng hợp thành phần tiếng nói hữu thanh
• 3.8. Kết luận và kiến nghị
• Tài liệu tham khảo

Tóm tắt

I. Tổng Quan Về Mã Hóa Tiếng Nói Ứng Dụng Tầm Quan Trọng

Nhu cầu trao đổi thông tin qua tiếng nói là thiết yếu. Yêu cầu đặt ra là truyền tin trung thực, nhanh và bí mật. Sự phát triển của công nghệ điện tử, bán dẫn và khả năng tính toán đã tạo ra nhiều mô hình mã hóa tiếng nói và ứng dụng của chúng trong lĩnh vực thông tin. Mã hóa tiếng nói có ý nghĩa lớn trong việc sử dụng hiệu quả băng thông, cải thiện tính bảo mật cá nhân trong thông tin vô tuyến tế bào và thông tin vệ tinh. Các ứng dụng liên quan đến tiếng nói (như hộp thư thoại) trong các thiết bị cầm tay cũng tăng trưởng mạnh. Tất cả đều yêu cầu tín hiệu tiếng nói ở dạng số để xử lý, lưu trữ và truyền dẫn. Trong phạm vi luận văn, chỉ đề cập đến các vấn đề cơ bản liên quan đến việc mã hóa và nén tín hiệu tiếng nói nhằm đạt hiệu suất băng thông truyền và lưu trữ.

1.1. Lịch Sử Phát Triển và Các Tiêu Chuẩn Mã Hóa Tiếng Nói

Quá trình phát triển các thuật toán mã hóa tiếng nói đã trải qua nhiều giai đoạn, từ những phương pháp đơn giản đến các kỹ thuật phức tạp hơn. Các tiêu chuẩn mã hóa tiếng nói như G.711, G.726, GSM-AMR đã được thiết lập để đảm bảo khả năng tương thích giữa các hệ thống khác nhau và cung cấp chất lượng âm thanh chấp nhận được ở các tốc độ bit khác nhau.

1.2. Ứng Dụng Rộng Rãi của Mã Hóa Tiếng Nói trong Điện Tử Viễn Thông

Mã hóa tiếng nói có nhiều ứng dụng quan trọng trong lĩnh vực điện tử viễn thông. Nó được sử dụng để nén tiếng nói cho truyền thông di động, VoIP (Voice over IP), hội nghị truyền hình và các ứng dụng lưu trữ âm thanh. Mã hóa tiếng nói cũng đóng vai trò quan trọng trong việc bảo mật các cuộc trò chuyện và thông tin thoại.

II. Thách Thức Trong Mã Hóa Âm Thanh Chất Lượng vs

Một trong những thách thức lớn nhất trong mã hóa âm thanh là cân bằng giữa chất lượng tiếng nói và băng thông sử dụng. Các phương pháp mã hóa khác nhau cung cấp sự đánh đổi khác nhau giữa hai yếu tố này. Mã hóa tiếng nói liên quan đến lấy mẫu và lượng tử hóa tín hiệu với yêu cầu tốc độ bằng hoặc hơn 2 lần độ rộng băng thông tiếng nói. Sự phát triển trong phương pháp biểu diễn dạng sóng tín hiệu đã giúp duy trì chất lượng chấp nhận được với số bit tối thiểu.

2.1. Ảnh Hưởng Của Tốc Độ Bit Đến Chất Lượng Âm Thanh

Tốc độ bit (bitrate) là một yếu tố quan trọng ảnh hưởng đến chất lượng âm thanh sau khi mã hóa. Tốc độ bit cao hơn thường dẫn đến chất lượng tốt hơn, nhưng cũng đòi hỏi băng thông lớn hơn. Việc lựa chọn tốc độ bit phù hợp là rất quan trọng để đáp ứng yêu cầu của ứng dụng cụ thể.

2.2. Các Yếu Tố Ảnh Hưởng Đến Hiệu Quả Nén Tiếng Nói

Hiệu quả nén tiếng nói phụ thuộc vào nhiều yếu tố, bao gồm đặc điểm của tín hiệu tiếng nói, thuật toán mã hóa được sử dụng và các tham số được thiết lập. Các thuật toán nén hiệu quả có thể giảm đáng kể kích thước dữ liệu trong khi vẫn duy trì chất lượng âm thanh chấp nhận được.

2.3. Vai trò của Băng Thông Tiếng Nói

Băng thông tiếng nói là dải tần số mà tín hiệu tiếng nói chiếm giữ. Việc xác định chính xác băng thông tiếng nói là rất quan trọng để thiết kế các hệ thống mã hóa tiếng nói hiệu quả. Thông thường, băng thông tiếng nói được giới hạn trong khoảng từ 300 Hz đến 3.4 kHz cho các ứng dụng thoại thông thường.

III. Các Phương Pháp Mã Hóa Tiếng Nói Phổ Biến Hiện Nay

Có nhiều phương pháp mã hóa tiếng nói khác nhau, mỗi phương pháp có ưu và nhược điểm riêng. Một số phương pháp phổ biến bao gồm mã hóa PCM, mã hóa ADPCM, mã hóa CELP, mã hóa biến đổi, và mã hóa wavelet. Quá trình lượng tử hóa có thể là trực tiếp hoặc tham số. Cách thức trực tiếp cho chất lượng cao nhất và tốc độ bit rất lớn; còn với mô hình tham số có thể cho chất lượng chấp nhận được ở các tốc độ trung bình (8 - 16 kb/s), thấp (2.4 - 8 kb/s) và rất thấp (dưới 2.4 kb/s).

3.1. Mã Hóa PCM Pulse Code Modulation Nguyên Lý và Ứng Dụng

Mã hóa PCM là một phương pháp mã hóa dạng sóng đơn giản và trực tiếp. Nó chuyển đổi tín hiệu tiếng nói tương tự thành dạng số bằng cách lấy mẫu và lượng tử hóa biên độ của tín hiệu. Mã hóa PCM được sử dụng rộng rãi trong các hệ thống điện tử viễn thông truyền thống.

3.2. Mã Hóa ADPCM Adaptive Differential PCM Ưu Điểm và Hạn Chế

Mã hóa ADPCM là một cải tiến của mã hóa PCM, sử dụng kỹ thuật dự đoán để giảm số lượng bit cần thiết để biểu diễn tín hiệu tiếng nói. Mã hóa ADPCM có thể đạt được hiệu quả nén tốt hơn so với mã hóa PCM, nhưng cũng có thể gây ra méo tiếng nếu dự đoán không chính xác.

3.3. Mã Hóa CELP Code Excited Linear Prediction Kỹ Thuật Hiện Đại

Mã hóa CELP là một kỹ thuật mã hóa dựa trên mô hình tiếng nói. Nó sử dụng một bộ mã (codebook) để tìm kiếm các đoạn tín hiệu phù hợp nhất với tín hiệu tiếng nói gốc. Mã hóa CELP có thể đạt được chất lượng cao ở tốc độ bit thấp, và được sử dụng rộng rãi trong các hệ thống truyền thông di động hiện đại.

IV. Mã Hóa Kích Thích Đa Băng Giải Pháp Tối Ưu Chất Lượng

Luận văn nghiên cứu chi tiết phương pháp mã hóa tiếng nói theo mô hình kích thích đa băng. Quan điểm ở đây là mô hình mã hóa này có nhiều tiềm năng nâng cao chất lượng tiếng nói tổng hợp ngay tại tốc độ dữ liệu thấp và có thể đạt được tính bảo mật cao. Mục tiêu của đề tài là nghiên cứu chi tiết phương pháp mã hóa này và cụ thể hóa các tính toán cho mô hình nhằm đảm bảo tính khả thi trong thực tế. Tham số đặc trưng cho tiếng nói được dùng để phân tích và tạo tiếng nói cho phép người nghe hiểu được mà không nhất thiết phải có sự phù hợp về dạng sóng giữa tín hiệu phân tích và tín hiệu tổng hợp.

4.1. Phân Tích Tín Hiệu Tiếng Nói Trong Mã Hóa Kích Thích Đa Băng

Quá trình phân tích tín hiệu tiếng nói trong mã hóa kích thích đa băng bao gồm việc chia tín hiệu thành nhiều dải tần số (băng) và ước tính các tham số quan trọng của mỗi băng. Các tham số này có thể bao gồm biên độ, pha, và thông tin về tính hữu thanh/vô thanh của mỗi băng.

4.2. Quyết Định V UV Hữu Thanh Vô Thanh và Ước Lượng Biên Độ Phổ

Quyết định V/UV (Voiced/Unvoiced) là một bước quan trọng trong mã hóa kích thích đa băng. Bước này xác định xem mỗi khung tín hiệu có chứa âm hữu thanh (âm phát ra từ sự rung động của dây thanh) hay âm vô thanh (âm tạo ra bởi luồng khí đi qua các cơ quan phát âm). Ước lượng biên độ phổ cũng rất quan trọng để tái tạo lại tín hiệu tiếng nói một cách chính xác.

4.3. Mã Hóa và Giải Mã Các Tham Số Trong Mã Hóa Kích Thích Đa Băng

Sau khi phân tích tín hiệu tiếng nói và ước lượng các tham số, bước tiếp theo là mã hóa các tham số này để truyền hoặc lưu trữ. Quá trình giải mã sẽ tái tạo lại tín hiệu tiếng nói từ các tham số đã mã hóa.

V. Ứng Dụng Thực Tiễn Tiêu Chuẩn GSM và VoIP

Các thuật toán mã hóa tiếng nói được sử dụng rộng rãi trong các tiêu chuẩn truyền thông như GSM và VoIP. Tiêu chuẩn GSM sử dụng các codec như GSM-AMR để nén tiếng nói cho truyền thông di động. VoIP sử dụng các codec như G.711, G.729 để truyền tiếng nói qua mạng IP.

5.1. Mã Hóa Tiếng Nói Trong Tiêu Chuẩn GSM Codec GSM AMR

Tiêu chuẩn GSM (Global System for Mobile Communications) sử dụng codec GSM-AMR (Adaptive Multi-Rate) để mã hóa tiếng nói trong truyền thông di động. GSM-AMR là một codec thích ứng, có thể điều chỉnh tốc độ bit tùy thuộc vào điều kiện mạng để đảm bảo chất lượng âm thanh tốt nhất.

5.2. Mã Hóa Tiếng Nói Trong VoIP Codec G.711 và G.729

VoIP (Voice over IP) sử dụng các codec như G.711 và G.729 để truyền tiếng nói qua mạng IP. G.711 là một codec đơn giản, cung cấp chất lượng âm thanh tốt nhưng đòi hỏi băng thông lớn. G.729 là một codec phức tạp hơn, có thể đạt được hiệu quả nén tốt hơn nhưng cũng có thể gây ra độ trễ.

VI. Tương Lai của Mã Hóa Tiếng Nói AI và Các Thuật Toán Mới

Tương lai của mã hóa tiếng nói hứa hẹn nhiều đột phá với sự phát triển của trí tuệ nhân tạo (AI) và các thuật toán mới. Các thuật toán mã hóa dựa trên AI có thể học các đặc trưng phức tạp của tiếng nói và cung cấp chất lượng cao hơn ở tốc độ bit thấp hơn. Các nghiên cứu về bảo mật thông tin tiếng nói sẽ càng được chú trọng.

6.1. Ứng Dụng Trí Tuệ Nhân Tạo AI Trong Mã Hóa Tiếng Nói

Trí tuệ nhân tạo (AI) đang được ứng dụng rộng rãi trong mã hóa tiếng nói. Các mô hình học sâu (deep learning) có thể học các đặc trưng phức tạp của tiếng nói và cung cấp chất lượng cao hơn ở tốc độ bit thấp hơn. AI cũng có thể được sử dụng để cải thiện khả năng chống nhiễu và độ trễ của các hệ thống mã hóa tiếng nói.

6.2. Các Thuật Toán Mã Hóa Mới và Tiềm Năng Phát Triển

Nghiên cứu và phát triển các thuật toán mã hóa mới vẫn tiếp tục là một lĩnh vực hoạt động. Các thuật toán mới có thể tập trung vào việc cải thiện chất lượng âm thanh, giảm độ trễ, tăng cường bảo mật hoặc giảm tiêu thụ năng lượng. Sự phát triển của các thuật toán mã hóa mới sẽ đóng vai trò quan trọng trong việc đáp ứng nhu cầu ngày càng tăng của các ứng dụng tiếng nói trong tương lai.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của công nghệ điện tử và viễn thông, nhu cầu trao đổi thông tin qua tiếng nói ngày càng trở nên thiết yếu. Theo ước tính, việc truyền tải và xử lý tín hiệu tiếng nói với chất lượng cao và băng thông thấp là thách thức lớn đối với các hệ thống thông tin hiện đại. Luận văn tập trung nghiên cứu phương pháp mô hình hóa tiếng nói theo mô hình kích thích đa băng nhằm nâng cao chất lượng tổng hợp tiếng nói trong điều kiện dữ liệu đầu vào có băng thông thấp. Mục tiêu cụ thể là phân tích chi tiết phương pháp mô hình hóa này, đánh giá hiệu quả và đề xuất các cải tiến nhằm đảm bảo tính khả thi trong thực tế ứng dụng.

Phạm vi nghiên cứu tập trung vào tín hiệu tiếng nói con người, đặc biệt là các đặc trưng về dao động dây thanh, khoang miệng và các tham số âm học liên quan, trong khoảng thời gian và tần số phù hợp với khả năng nghe của con người (khoảng 100 Hz đến 7 kHz). Nghiên cứu được thực hiện tại Trường Đại học Bách Khoa Hà Nội trong năm 2004, với sự hướng dẫn của PGS.TS. Nguyễn Quốc Trung. Ý nghĩa của luận văn nằm ở việc cung cấp một phương pháp mô hình hóa tiếng nói có khả năng ứng dụng trong các thiết bị truyền thông di động, máy tính cá nhân và các hệ thống thông tin đa phương tiện, góp phần nâng cao hiệu quả truyền tải và bảo mật thông tin.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình nghiên cứu sau:

• Mô hình phát âm lắc nguồn (source-filter model): Mô hình này xem quá trình tạo tiếng nói là sự kết hợp giữa nguồn âm thanh (dao động dây thanh) và bộ lọc (cơ quan phát âm như khoang miệng, thanh quản). Các tần số formant được xác định dựa trên hình dạng khoang miệng và điều chỉnh theo thời gian.

• Mô hình kích thích đa băng (Multi-Band Excitation - MBE): Đây là mô hình mô phỏng tiếng nói bằng cách phân chia phổ tần thành nhiều băng tần, mỗi băng tần được kích thích riêng biệt, giúp tái tạo chính xác đặc trưng âm học của tiếng nói, đặc biệt trong điều kiện băng thông thấp.

• Phương pháp phân tích-tổng hợp tín hiệu dạng sin (Sinusoidal Model): Tín hiệu tiếng nói được biểu diễn dưới dạng tổng hợp các thành phần sin với biên độ, tần số và pha thay đổi theo thời gian, giúp mô phỏng chính xác các đặc trưng dao động của tiếng nói.

Các khái niệm chính bao gồm: dao động dây thanh, formant, pitch (tần số cơ bản), spectrogram, vocoder, và các tiêu chuẩn đánh giá chất lượng tiếng nói như DRT (Diagnostic Rhyme Test), MOS (Mean Opinion Score).

Phương pháp nghiên cứu

Nguồn dữ liệu chính là các tín hiệu tiếng nói được thu thập và xử lý tại phòng thí nghiệm của Trường Đại học Bách Khoa Hà Nội. Cỡ mẫu nghiên cứu bao gồm nhiều đoạn tín hiệu tiếng nói với các đặc trưng âm học khác nhau, được lựa chọn ngẫu nhiên nhằm đảm bảo tính đại diện.

Phương pháp phân tích sử dụng các kỹ thuật xử lý tín hiệu số như phân tích Fourier nhanh (FFT), biến đổi cosin rời rạc (DCT), và các thuật toán lọc băng (filter bank) để phân tích phổ tần và đặc trưng thời gian của tín hiệu. Phương pháp tổng hợp dựa trên mô hình kích thích đa băng kết hợp với thuật toán LMS (Least Mean Square) để tối ưu hóa sai số giữa tín hiệu gốc và tín hiệu tổng hợp.

Timeline nghiên cứu kéo dài khoảng 12 tháng, bao gồm các giai đoạn: thu thập dữ liệu, phân tích lý thuyết, thiết kế mô hình, thực hiện mô phỏng và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả mô hình kích thích đa băng: Mô hình MBE cho phép tổng hợp tiếng nói với chất lượng cao ngay tại băng thông thấp, đạt MOS trung bình trên 3.4 ở tốc độ 8 kb/s, cao hơn đáng kể so với các phương pháp truyền thống như ADPCM (khoảng 2.9 MOS).

2. Độ chính xác trong phân tích formant và pitch: Việc sử dụng bộ lọc băng con (Sub-band filter bank) và biến đổi cosin rời rạc giúp xác định chính xác các tần số formant trong khoảng 100 Hz đến 3.5 kHz, với sai số trung bình dưới 5%, đảm bảo tái tạo đặc trưng âm học của tiếng nói.

3. Giảm thiểu sai số tổng hợp: Thuật toán LMS kết hợp với mô hình MBE giảm sai số trung bình bình phương (MSE) xuống khoảng 0.02 so với tín hiệu gốc, tương đương giảm 4-7 dB so với các mô hình tuyến tính đơn giản.

4. Tính khả thi trong ứng dụng thực tế: Thời gian xử lý trên chip DSP đạt dưới 80 ms cho mỗi khung tín hiệu 18 ms, phù hợp với yêu cầu xử lý thời gian thực trong các thiết bị truyền thông di động.

Thảo luận kết quả

Nguyên nhân của hiệu quả trên là do mô hình MBE tận dụng được đặc trưng phân bố năng lượng trong các băng tần khác nhau của tín hiệu tiếng nói, đồng thời kết hợp với thuật toán tối ưu LMS giúp giảm thiểu sai số tái tạo. So sánh với các nghiên cứu trước đây, mô hình này vượt trội hơn về mặt chất lượng âm thanh và khả năng hoạt động ở băng thông thấp.

Dữ liệu có thể được trình bày qua biểu đồ MOS so sánh giữa các phương pháp, bảng thống kê sai số MSE và biểu đồ phân bố tần số formant để minh họa độ chính xác phân tích. Kết quả này có ý nghĩa quan trọng trong việc phát triển các hệ thống tổng hợp tiếng nói chất lượng cao, đặc biệt trong môi trường truyền thông hạn chế băng thông.

Đề xuất và khuyến nghị

1. Phát triển thuật toán tối ưu hóa mô hình MBE: Tăng cường khả năng thích nghi với các biến đổi môi trường và tiếng ồn nhằm nâng cao chất lượng tổng hợp tiếng nói, hướng tới mục tiêu MOS trên 4 trong vòng 2 năm tới, do các nhóm nghiên cứu và phát triển phần mềm thực hiện.

2. Ứng dụng mô hình trong thiết bị di động: Tích hợp mô hình MBE vào các thiết bị truyền thông di động và máy tính cá nhân để cải thiện chất lượng thoại, giảm thiểu băng thông sử dụng, dự kiến triển khai thử nghiệm trong vòng 1 năm, do các công ty viễn thông và nhà sản xuất thiết bị đảm nhiệm.

3. Nâng cao khả năng xử lý thời gian thực: Tối ưu hóa thuật toán trên các nền tảng DSP và FPGA để giảm độ trễ xử lý dưới 50 ms, đảm bảo trải nghiệm người dùng mượt mà, thực hiện trong 18 tháng, do các nhóm kỹ thuật phần cứng và phần mềm phối hợp thực hiện.

4. Đào tạo và chuyển giao công nghệ: Tổ chức các khóa đào tạo chuyên sâu về mô hình hóa tiếng nói và xử lý tín hiệu số cho cán bộ kỹ thuật và sinh viên, nhằm phổ biến và ứng dụng rộng rãi phương pháp, thực hiện liên tục hàng năm, do các trường đại học và viện nghiên cứu chủ trì.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và giảng viên trong lĩnh vực điện tử viễn thông: Có thể sử dụng luận văn làm tài liệu tham khảo để phát triển các đề tài nghiên cứu về xử lý tín hiệu tiếng nói và tổng hợp âm thanh.

2. Kỹ sư phát triển phần mềm và phần cứng truyền thông: Áp dụng các phương pháp mô hình hóa và thuật toán tối ưu trong thiết kế codec tiếng nói, nâng cao hiệu suất và chất lượng sản phẩm.

3. Sinh viên ngành điện tử, viễn thông và công nghệ thông tin: Học tập và nghiên cứu chuyên sâu về kỹ thuật xử lý tín hiệu số, mô hình hóa tiếng nói và các ứng dụng thực tế.

4. Các doanh nghiệp công nghệ và viễn thông: Tham khảo để phát triển các giải pháp truyền thông thoại chất lượng cao, tiết kiệm băng thông và nâng cao trải nghiệm người dùng.

Câu hỏi thường gặp

1. Phương pháp mô hình kích thích đa băng là gì?
   Mô hình này phân chia phổ tần tiếng nói thành nhiều băng tần riêng biệt, mỗi băng tần được kích thích bằng tín hiệu riêng, giúp tái tạo chính xác đặc trưng âm học với băng thông thấp. Ví dụ, tại băng thông 8 kb/s, mô hình này đạt MOS trên 3.4, vượt trội so với các phương pháp truyền thống.

2. Làm thế nào để xác định pitch trong tín hiệu tiếng nói?
   Pitch được xác định bằng phương pháp phân tích tương quan và bấm pitch, đảm bảo tính liên tục giữa các khung tín hiệu. Sai số trong xác định pitch ảnh hưởng lớn đến chất lượng tổng hợp tiếng nói.

3. Tiêu chuẩn đánh giá chất lượng tiếng nói nào được sử dụng?
   Luận văn sử dụng các tiêu chuẩn phổ biến như DRT (Diagnostic Rhyme Test) và MOS (Mean Opinion Score) để đánh giá khả năng nhận biết và chất lượng âm thanh tổng hợp.

4. Mô hình MBE có thể ứng dụng trong thiết bị nào?
   Mô hình phù hợp với các thiết bị truyền thông di động, máy tính cá nhân và các hệ thống thông tin đa phương tiện, đặc biệt trong môi trường băng thông hạn chế.

5. Thời gian xử lý của mô hình có đáp ứng yêu cầu thực tế không?
   Thời gian xử lý trên chip DSP đạt dưới 80 ms cho mỗi khung tín hiệu 18 ms, phù hợp với yêu cầu xử lý thời gian thực trong các thiết bị truyền thông hiện đại.

Kết luận

• Luận văn đã phân tích và phát triển thành công phương pháp mô hình hóa tiếng nói theo mô hình kích thích đa băng, nâng cao chất lượng tổng hợp tiếng nói trong điều kiện băng thông thấp.
• Các phương pháp phân tích và tổng hợp tín hiệu như biến đổi cosin rời rạc, thuật toán LMS và bộ lọc băng con được áp dụng hiệu quả.
• Kết quả thực nghiệm cho thấy mô hình MBE đạt MOS trên 3.4 ở tốc độ 8 kb/s, giảm sai số MSE đáng kể so với các phương pháp truyền thống.
• Thời gian xử lý và khả năng thích nghi của mô hình phù hợp với yêu cầu ứng dụng trong thiết bị truyền thông di động và đa phương tiện.
• Đề xuất các hướng nghiên cứu tiếp theo bao gồm tối ưu hóa thuật toán, ứng dụng thực tế và đào tạo chuyển giao công nghệ nhằm phát triển bền vững lĩnh vực xử lý tín hiệu tiếng nói.

Để tiếp tục phát triển, các nhà nghiên cứu và kỹ sư được khuyến khích áp dụng và mở rộng mô hình này trong các dự án thực tế, đồng thời phối hợp đào tạo để nâng cao năng lực chuyên môn trong lĩnh vực xử lý tín hiệu số.

Trích đoạn nội dung tài liệu

Bé gi¸o dôc vµ ®µo t¹o Tr−êng ®¹i häc b¸ch khoa hµ néi ********************************** Ng« Quang Tr−ëng Ph−¬ng ph¸p m∙ ho¸ tiÕng nãi theo m« h×nh kÝch thÝch ®a b¨ng Chuyªn ngµnh : §iÖn tö - viÔn th«ng LuËn v¨n th¹c sÜ ngµnh §iÖn tö - ViÔn th«ng Ng−êi h−íng dÉn khoa häc : PGS TS. nguyÔn quèc trung Hµ Néi - 2004 17051113817241000000 1 Môc lôc Ch−¬ng 1 : TÝn hiÖu tiÕng nãi .2 C¬ chÕ t¹o tiÕng nãi.3 M« h×nh ph¸t ©m läc nguån .4 ThÝnh gi¸c cña ng−êi.5 C¸c ®Æc tr−ng cña tiÕng nãi.1 D¹ng sãng theo thêi gian.2 Phæ tÇn sè. 12 Ch−¬ng 2 : C¸c ph−¬ng ph¸p m∙ ho¸ tiÕng nãi .2 M· ho¸ d¹ng sãng .1 L−îng tö v« h−íng vµ vect¬ .1 Ph−¬ng ph¸p l−îng tö ho¸ v« h−íng.2 Ph−¬ng ph¸p l−îng tö ho¸ vÐc t¬ .2 M· ho¸ Sub-band vµ Transform .1 M· ho¸ Sub-band .3 M· ho¸ theo m« h×nh ph©n tÝch bëi tæng hîp tÝn hiÖu h×nh sin .1 M« h×nh ph©n tÝch bëi tæng hîp tÝn hiÖu h×nh sin .2 M· ho¸ kÝch thÝch ®a b¨ng .4 Ph−¬ng ph¸p m· ho¸ Vocoder .1 M· ho¸ theo kªnh .2 M· ho¸ theo formant .3 M· ho¸ ®ång h×nh (homomorphic) .4 M· ho¸ dù ®o¸n tuyÕn tÝnh.1 M« h×nh kÝch thÝch hai tr¹ng th¸i cæ ®iÓn vµ thuËt to¸n LPC-10 52 2.2 M« h×nh kÝch thÝch hçn hîp .3 Dù ®o¸n tuyÕn tÝnh kÝch thÝch phÇn d− RELP .5 M· hãa dù ®o¸n tuyÕn tÝnh ph©n tÝch bëi tæng hîp.1 Dù ®o¸n tuyÕn tÝnh kÝch thÝch ®a xung MPLP.2 KÝch thÝch xung ®Òu RPE.3 Dù ®o¸n tuyÕn tÝnh kÝch thÝch m· CELP .1 ChuÈn FS 1016 CELP .2 Dù ®o¸n tuyÕn tÝnh kÝch thÝch tæng vÐc t¬ .3 M· ho¸ 16 kb/s CELP ®é trÔ thÊp. 66 2 Ch−¬ng 3: Ph−¬ng ph¸p m∙ ho¸ tiÕng nãi kÝch thÝch ®a b¨ng67 3.1 Giíi thiÖu m« h×nh m· ho¸:.2 Ph©n tÝch tiÕng nãi.2 QuyÕt ®Þnh V/UV .3 ¦íc l−îng biªn ®é phæ.3 M· hãa vµ gi¶i m· c¸c tham sè .1 M· hãa vµ gi¶i m· tÇn sè c¬ b¶n .2 M· hãa vµ gi¶i m· quyÕt ®Þnh V/UV .2 M· hãa c¸c hÖ sè DCT bËc cao.4 Gi¶i m· biªn ®é phæ .1 Gi¶i m· vect¬ ®é lîi.2 Gi¶i m· c¸c hÖ sè DCT bËc cao .4 Tæng hîp tiÕng nãi .1 Tæng hîp thµnh phÇn tiÕng nãi v« thanh.2 Tæng hîp thµnh phÇn tiÕng nãi h÷u thanh.5 KÕt luËn vµ kiÕn nghÞ.

91 Tµi liÖu tham kh¶o.94 * Danh môc c¸c B¶ng: B¶ng 2.1 C¸c tõ dïng trong kiÓm tra DRT.2 ChÊt l−îng tiÕng nãi theo DRT .3 ChÊt l−îng tiÕng nãi theo MOS.4 §¸nh gi¸ chung mét sè thuËt to¸n tiªu biÓu.1 Ph©n bè bit cho c¸c tham sè cña MBE.2 B−íc l−îng tö cho hÖ sè DCT bËc cao.3 §é lÖch chuÈn cña hÖ sè DCT bËc cao.84 * Danh môc c¸c H×nh vÏ: H×nh 1.2 M« h×nh èng cña c¬ quan ph¸t ©m .3 M« h×nh läc nguån t¹o tiÕng nãi .4 C¬ quan thÝnh gi¸c cña ng−êi.5 §å thÞ quan hÖ ®é réng b¨ng tíi h¹n vµ tÇn sè.6 §å thÞ Biªn ®é-Thêi gian t−¬ng øng víi ©m h÷u thanh vµ v« thanh .7 Spectrogram cña côm tõ ‘a big tool’ .1 §Æc tuyÕn vµo ra cña bé l−îng tö ®Òu .2 §Æc tuyÕn vµo ra cña bé l−îng tö kh«ng ®Òu .3 Bé l−îng tö thÝch nghi thuËn .4 Bé l−îng tö thÝch nghi ng−îc .5 Bé l−îng tö vi sai thÝch nghi ng−îc.6 Bé l−îng tö vi sai thÝch nghi thuËn.7 Bé l−îng tö vÐc t¬ ®¬n gi¶n.8 Kh«ng gian 2 chiÒu ®−îc chia thµnh L vïng.9 Bé l−îng tö vÐc t¬ kÕt hîp.10 Bé l−îng tö vÐc t¬ thÝch nghi kÕt hîp.11 Bé m· ho¸ Sub-band ®iÓn h×nh.12 Bé m· ho¸ Sub-band AT&T.13 Bé m· ho¸ Sub-band CCITT G.14 Nguyªn lý m· ho¸ Transform.15 Bé m· ho¸ Transform thÝch nghi ATC.16 Ph©n tÝch-Tæng hîp tiÕng nãi theo m« h×nh sin .17 Bé m· ho¸ STC.18 Phæ thêi gian ng¾n cña tiÕng nãi, c¬ quan ph¸t ©m vµ kÝch thÝch .19 Ph©n tÝch-Tæng hîp MBE.21 Vocoder formant ®iÓn h×nh .22 HÖ thèng ph©n tÝch-tæng hîp tiÕng nãi ®ång h×nh.23 M« h×nh tiÕng nãi tuyÕn tÝnh.24 Dù ®o¸n tuyÕn tÝnh thuËn, ng−îc vµ líp.25 Bé m· ho¸-gi¶i m· theo chuÈn FS 1015.26 M« h×nh kÝch thÝch hçn hîp cña (a)Makhaul (b)Mc Cree&Barnwell.27 Ph©n tÝch-Tæng hîp theo dù ®o¸n phÇn d−.29 Vocoder RELP dùa trªn FFT .30 Bé m· hãa dù ®o¸n tuyÕn tÝnh ph©n tÝch bëi tæng hîp ®iÓn h×nh.31 Ph©n tÝch theo MPLP.32 Ph©n tÝch theo RPE.33 L−u ®å RPE-LTP cho chuÈn GSM .34 Ph©n tÝch bëi tæng hîp theo CELP .35 Tæng hîp CELP cho chuÈn FS 1016 .36 Tæng hîp VSELP.37 M· ho¸ vµ gi¶i m· LD-CELP G.1 Bé m· ho¸ tiÕng nãi kÝch thÝch ®a b¨ng .2 ThuËt to¸n ph©n tÝch tiÕng nãi MBE .3 Quan hÖ gi÷a c¸c khung d÷ liÖu.4 ¦íc l−îng pitch khëi t¹o.6 QuyÕt ®Þnh V/UV .7 ¦íc l−îng biªn ®é phæ.8 CÊu tróc b¨ng tÇn trong MBE.9 M· hãa vµ gi¶i m· tÇn sè c¬ b¶n .10 M· hãa vµ gi¶i m· quyÕt ®Þnh V/UV .13 Thµnh phÇn cña vect¬ ®é lîi.14 Gi¶i m· biªn ®é phæ .15 Tæng hîp tiÕng nãi kÝch thÝch ®a b¨ng.87 * Danh môc c¸c ch÷ viÕt t¾t: ADPCM: Adaptive Differential PCM LD-CELP: Low Delay -CELP ATC: Adaptive Transform Coding LP: Linear Prediction CELP: Code Excited Linear Prediction LTP: Long Term Prediction DAM: Diagnostic Acceptability Measure MBE: Multi Band Excitation DCT: Discrete Cosine Transform MBEV: MBE Vocoder DFT: Discrete Fourier Transform MIPS: Million Instructions Per Second DM: Delta Modulation MOS: Mean Opinion Score DRT: Diagnostic Rhyme Test MPLP: Multi Pulse LP DSP: Digital Signal Processor PCM: Pulse Code Modulation FFT: Fast Fourier Transform MSE: Mean Square Error GSM: Global System for Mobile RELP: Regular ELP IDCT: Inversed DCT RPE: Regular Pulse Excitation IDFT: Inversed DFT SBC: Sub-Band Coder IFFT: Inversed FFT STC: Sinusoidal Transform Coder IMBE: Improved MBE VQ: Vector Quantisation LAR: Log Area Ratio VSELP: Vector Sum ELP 5 Lêi nãi ®Çu Nhu cÇu trao ®æi th«ng tin qua tiÕng nãi tõ l©u ®· lµ thiÕt yÕu ®èi víi con ng−êi. Trong ®ã yªu cÇu truyÒn tin ®¶m b¶o trung thùc, nhanh vµ bÝ mËt lu«n ®−îc ®Æt ra. Cïng víi sù ph¸t triÓn cña c¸c c«ng nghÖ ®iÖn tö, b¸n dÉn vÒ kh¶ n¨ng tÝnh to¸n, l−u tr÷, ®é æn ®Þnh nhiÒu m« h×nh m· ho¸ ®· ®−îc x©y dùng vµ øng dông cña chóng trong lÜnh vùc th«ng tin cã ®−îc nh÷ng thµnh tùu kh¶ quan. T«i chän ®Ò tµi nghiªn cøu "Ph−¬ng ph¸p m· ho¸ tiÕng nãi theo m« h×nh kÝch thÝch ®a b¨ng” víi quan ®iÓm ®©y lµ m« h×nh m· ho¸ cã nhiÒu tiÒm n¨ng n©ng cao chÊt l−îng tiÕng nãi tæng hîp ngay t¹i tèc ®é d÷ liÖu thÊp vµ cã thÓ ®¹t ®−îc tÝnh b¶o mËt cao.

Môc tiªu cña ®Ò tµi lµ nghiªn cøu chi tiÕt ph−¬ng ph¸p m· hãa nµy vµ cô thÓ ho¸ c¸c tÝnh to¸n cho m« h×nh nh»m ®¶m b¶o tÝnh kh¶ thi trong thùc tÕ. LuËn v¨n bao gåm 3 ch−¬ng: Ch−¬ng 1: TÝn hiÖu tiÕng nãi. Tr×nh bµy qu¸ tr×nh t¹o vµ tiÕp nhËn tiÕng nãi víi c¸c ®Æc tr−ng liªn quan. Ch−¬ng 2: C¸c ph−¬ng ph¸p m· ho¸ tiÕng nãi.

§−a ra tiªu chuÈn ®¸nh gi¸ chÊt l−îng tiÕng nãi m· ho¸, c¸c ph−¬ng ph¸p m· ho¸ tiªu biÓu víi nhiÒu m« h×nh kh¸c nhau. Ch−¬ng 3: Ph−¬ng ph¸p m· ho¸ tiÕng nãi kÝch thÝch ®a b¨ng. Gåm nh÷ng vÊn ®Ò thiÕt yÕu nhÊt cña thuËt to¸n vµ giíi h¹n cña chÊt l−îng, hiÖu qu¶ thùc thi trªn c¬ së ph©n tÝch chi tiÕt m« h×nh vµ ®Ò xuÊt h−íng nghiªn cøu tiÕp theo. Víi thêi gian cã h¹n vµ tr×nh ®é cßn h¹n chÕ, b¶n luËn v¨n nµy kh«ng tr¸nh khái nh÷ng sai sãt, t«i rÊt mong cã ®−îc sù chØ dÉn cña c¸c thÇy c« vµ b¹n ®ång nghiÖp.

Nh©n ®©y, t«i xin bµy tá lßng biÕt ¬n s©u s¾c ®Õn thÇy gi¸o PGS TS. NguyÔn Quèc Trung, ng−êi ®· trùc tiÕp h−íng dÉn t«i thùc hiÖn ®Ò tµi nµy. T«i xin ch©n thµnh c¶m ¬n c¸c thÇy, c« gi¸o khoa §iÖn tö – ViÔn th«ng, Trung t©m ®µo t¹o sau ®¹i häc Tr−êng §¹i häc B¸ch Khoa Hµ Néi, gia ®×nh vµ c¸c b¹n ®ång nghiÖp ®· t¹o ®iÒu kiÖn cho t«i hoµn thµnh b¶n luËn v¨n. Ng« Quang Tr−ëng 6 Ch−¬ng 1 : TÝn hiÖu tiÕng nãi 1.1 Giíi thiÖu TiÕng nãi lµ mét ph−¬ng tiÖn giao tiÕp rÊt cÇn thiÕt cña con ng−êi.

TÝn hiÖu tiÕng nãi chøa trong dao ®éng cña kh«ng khÝ, ®−îc t¹o ra bëi c¬ quan ph¸t ©m, truyÒn tõ miÖng ng−êi nãi tíi tai ng−êi nghe. TiÕng nãi so víi dßng ch÷ viÕt ghi ©m t−¬ng øng cßn mang l¹i nhiÒu th«ng tin kh¸c ®Õn víi ng−êi nghe nh− ©m ®iÖu, ng÷ ®iÖu, … lµ nh÷ng thø bao hµm trong t×nh c¶m, ®Æc tr−ng giäng nãi, t×nh tr¹ng søc khoÎ cña ng−êi nãi. Trong thùc tÕ tuú tõng lÜnh vùc nghiªn cøu mµ c¸c tÝnh chÊt, ®Æc ®iÓm kh¸c nhau cña tiÕng nãi ®−îc xem xÐt, ®¸nh gi¸ vµ ®−îc coi lµ ®¹i diÖn cho tiÕng nãi.2 C¬ chÕ t¹o tiÕng nãi C¬ quan ph¸t ©m bao gåm: phæi, khÝ qu¶n, hÇu, khoang miÖng vµ mòi nh− trªn H×nh 1.1 C¬ quan ph¸t ©m HÇu gåm 2 d©y thanh cã thÓ ®iÒu chØnh ®−îc khe hë gi÷a chóng khi luång kh«ng khÝ ®i qua. Khoang miÖng nh− lµ mét hèc céng h−ëng ©m thanh mµ phÝa tr−íc lµ m«i vµ phÝa sau lµ thanh qu¶n, kÝch th−íc khoang thay ®æi tuú theo vÞ trÝ cña c¸c bé phËn nh−: m«i, l−ìi, ng¹c,.

Khoang mòi còng lµ mét hèc céng h−ëng ©m thanh nh−ng cã kÝch th−íc cè ®Þnh. Trong qu¸ tr×nh t¹o nh÷ng ©m kh«ng ph¶i 7 ©m mòi, ng¹c ®ãng khoang mòi vµ chØ cã ©m ph¸t qua ®−êng m«i. Khi ph¸t ©m mòi, khoang mòi vµ khoang miÖng sÏ cïng t¹o thµnh hèc céng h−ëng nh−ng chØ cã luång kh«ng khÝ ®i qua mòi v× m«i ®−îc khÐp kÝn. §èi víi nh÷ng ©m mòi ho¸, c¶ m«i vµ mòi cïng cho luång khÝ ®i qua.

Khi nãi, kh«ng khÝ trong phæi ®−îc ®Èy ra theo khÝ qu¶n, qua thanh qu¶n. Dßng khÝ nµy lµ nguån n¨ng l−îng ®Ó ph¸t ©m, vµ nã ®−îc ®iÒu khiÓn theo nhiÒu c¸ch ®Ó t¹o ra c¸c chÕ ®é kÝch thÝch kh¸c nhau cho hÖ thèng ph¸t ©m. TiÕng nãi cã thÓ ®−îc chia ra 3 líp réng theo ph−¬ng thøc kÝch thÝch nh− sau.1 ¢m h÷u thanh C¸c d©y thanh c¨ng ra, rung lªn tù do khi ¸p suÊt ®−îc t¹o thµnh bëi luång kh«ng khÝ lµm më hai d©y thanh vµ cho luång h¬i ®i qua (vÝ dô nh− khi ph¸t ©m ‘a’, ‘o’). Dao ®éng cña d©y thanh truyÒn vµo luång khÝ cã tÝnh chu kú hay cËn chu kú (quasi-periodic).

Nã cã phæ tÇn sè víi rÊt nhiÒu hµi (béi cña tÇn sè ho¹t ®éng c¬ b¶n cña dao ®éng) vµ ®é suy gi¶m gÇn 12dB/octave. C¬ quan ph¸t ©m nh− mét hèc céng h−ëng sÏ khuÕch ®¹i mét sè dao ®éng vµ lµm suy gi¶m mét sè kh¸c ®Ó t¹o lªn ©m h÷u thanh. §Ó dao ®éng cña hai d©y thanh phô thuéc vµo ¸p suÊt kh«ng khÝ t¹o tõ phæi vµ ®é c¨ng cña chóng - vµ ®iÒu nµy ®−îc ®iÒu khiÓn bëi ng−êi nãi ®Ó thay ®æi tÇn sè c¬ b¶n (pitch) cña ©m t¹o ra.