Chương 1: Giới thiệu đề tài 1. Phƣơng pháp nghiên cứu Qua tình hình nghiên cứu về tổng hợp tiếng nói trong và ngoài nƣớc, có thể thấy TBGSHT nƣớc ta hiện nay đang phát triển mạnh (nƣớc ta có trên 50 đơn vị cung cấp TBGSHT), nhất là một TBGSHT có tích hợp thuật toán tổng hợp tiếng nói, vì nó có phạm vi ứng dụng rất lớn trong xã hội. Các nghiên cứu trên thế giới về TTS vẫn đang hƣớng đến việc giải quyết hai yêu cầu cơ bản về chất lƣợng của tiếng nói đƣợc tổng hợp, đó là mức độ tự nhiên và mức độ dễ nghe [3, 6]. Cần khẳng định ngay là chất lƣợng của các hệ thống TTS cho tiếng Việt hiện nay vẫn còn hạn chế, xét theo hai tiêu chí trên.
Các nguyên nhân chính dẫn đến các hạn chế này bao gồm: Đối với các hệ thống TTS dựa trên phƣơng pháp kết nối, các đơn vị tiếng nói cơ sở đƣợc thu âm một cách rời rạc trong khi ngôn điệu của lời nói cần đƣợc đặt trong phạm vi của cả cụm từ hoặc câu hoặc thậm chí là cả đoạn văn bản. Với các hệ thống TTS dựa trên formant, do bản chất của phƣơng pháp này là tạo ra tiếng nói tổng hợp từ các tham số nên rất khó có thể thỏa mãn tiêu chí “tự nhiên”. Phƣơng pháp này chỉ thích hợp cho các ứng dụng chạy trên môi trƣờng có tài nguyên hạn chế về bộ nhớ cũng nhƣ dung lƣợng lƣu trữ. Ngoài ra, một điểm hạn chế nữa của các hệ thống TTS cho tiếng Việt là khả năng xử lý các từ nƣớc ngoài.
Số lƣợng từ nƣớc ngoài có thể đọc đƣợc rất ít hoặc hoàn toàn không. Do vậy việc đầu tƣ nghiên cứu cơ bản cho bài toán TTS tiếng Việt là thực sự cần thiết để có thể từng bƣớc vƣợt qua những hạn chế này. Trong khuôn khổ đề tài, ta chọn phƣơng pháp “Tổng hợp tiếng nói tiếng Việt bằng phương pháp ghép nối dựa trên các đơn vị ngữ âm cơ sở”. Trong đó các đơn vị ngữ âm cơ sở là câu, cụm từ hoặc từ để giúp cho việc tổng hợp tiếng nói có chất lƣợng tốt hơn.
Đây là lý do ta chọn đề tài “Tổng hợp tiếng nói trên thiết bị giám sát hành trình”. 6 Chương 2: Cơ sở lý thuyết Chƣơng 2 CƠ SỞ LÝ THUYẾT 2. Sơ đồ khối tổng quát của hệ thống thiết bị giám sát hành trình Hình 2.1 mô tả toàn bộ sơ đồ khối của TBGSHT có tích hợp thuật toán tổng hợp tiếng nói bằng phƣơng pháp ghép nối. Earphone SIM Holder Microphone GSM Accessory Port GPS IC Temperature LED Status Sensor MPU RS232 Interface Buzzer SDRAM, RS485 Interface NANDFLASH TTS database SD Card Audio DC DC in in Supply Supply Power Regulator protection Power Supply Hình 2.1: Sơ đồ khối của TBGSHT có tích hợp TTS.
7 Chương 2: Cơ sở lý thuyết Mô tả sơ lƣợc các khối chức năng trong TBGSHT: - Khối MPU: Vi xử lý AT91SAM9260, tốc độ 180 MHz. - Khối SDRAM, NAND FLASH: 64 MB SDRAM và 256 MB NAND Flash. - Khối Power Supply: hỗ trợ nguồn cấp DC từ 8V – 36V, cung cấp nguồn cho các khối chức năng hoạt động. - Khối GSM: giao tiếp với MPU để truyền nhận dữ liệu lên trung tâm điều khiển qua giao thức TCP/IP, giao thức HTTP hoặc giao thức FTP.
- Khối GPS: phân tích các thành phần dữ liệu đƣợc nhận từ module GPS, ta có đƣợc các thông số nhƣ: kinh độ, vĩ độ, vận tốc di chuyển, hƣớng di chuyển, thời gian thực, v. - Khối LED trạng thái và Buzzer: hiển thị và thông báo các trạng thái của TBGSHT. - Khối SD Card: lƣu trữ cơ sở dữ liệu âm thanh và các thông tin hoạt động của TBGSHT. - Khối Accessory Port: khối này dùng để giao tiếp với các tín hiệu của xe nhƣ: khóa xe, cửa xe, máy điều hòa, vận tốc cơ của xe, nhiên liệu, nút nhấn SOS.
- Khối IC Temperature Sensor: dùng IC số để cảm biến nhiệt độ xe, hoặc các ứng dụng có nhiệt độ từ 0 đến 100 độ C. - Khối RS232 Interface: giao tiếp với phần mềm phân tích dữ liệu TBGSHT của Tổng cục Đƣờng bộ Việt Nam theo QCVN 31:2014/BGTVT của Bộ Giao thông vận tải. - Khối RS485 Interface: dùng để mở rộng giao tiếp với các ngoại vi khác nhƣ Camera, RFID, và một số ngoại vi theo yêu cầu của khách hàng. - Khối TTS database: lƣu trữ thƣ viện âm thanh để ứng dụng đọc văn bản.
- Khối Audio: giải mã và phát âm thanh cho ứng dụng TTS. 8 Chương 2: Cơ sở lý thuyết Đây là một hệ thống của thiết bị giám sát hành trình có tích hợp thuật toán tổng hợp tiếng nói. Đó là một một hệ thống lớn cần đƣợc hoàn thành khi kết thúc luận văn, do đó trong chuyên đề này, ta chỉ thực hiện các nhiệm vụ đã đề ra. Kiến trúc tổng quát khối tổng hợp tiếng nói Kiến trúc tổng quát của hệ thống tổng hợp tiếng nói tiếng Việt bằng phƣơng pháp ghép nối đƣợc mô tả nhƣ hình 2.
Văn bản thô Dữ liệu âm thanh Bộ tổng hợp Bộ từ viết tắt Bộ tổ chức dữ liệu Chuẩn hóa văn bản Các đơn vị Bộ phiên âm tiếng Lựa chọn đơn vị cơ sở nƣớc ngoài Tiếng nói tổng hợp Hình 2.2: Kiến trúc tổng quát của hệ thống tổng hợp tiếng nói. Nhƣ vậy, hệ thống này gồm 4 thành phần chính, mỗi thành phần đóng vai trò xử lý riêng: Bộ tổ chức dữ liệu: thực hiện quản lý dữ liệu âm thanh, và phân đoạn chúng thành các đơn vị cơ sở. Bộ tổng hợp: thực hiện chuyển văn bản sang tiếng nói thông qua 2 bƣớc chính là chuẩn hóa văn bản và tổng hợp ghép nối. Trong bƣớc chuẩn hóa văn bản, 9 Chương 2: Cơ sở lý thuyết các dạng phi tiếng (số, từ viết tắt, v.v) sẽ đƣợc chuyển thành dạng chữ chính xác mà phần tổng hợp ghép nối có thể sử dụng để tạo âm thanh tƣơng ứng.
Bộ từ viết tắt: chuyển đổi các từ viết tắt thông dụng thành dạng chữ hoàn chỉnh của tiếng Việt. Bộ phiên âm từ nước ngoài: chuyển từ nƣớc ngoài sang cách đọc tiếng Việt chính xác nhất có thể. Văn bản đầu vào sẽ đƣợc bộ tổng hợp tiếp nhận xử lý, bƣớc đầu tiên là chuẩn hóa văn bản. Dạng số, ký hiệu, từ viết tắt sẽ đƣợc chuyển sang dạng văn bản dựa vào một tập luật và bộ từ điển từ viết tắt.
Trƣờng hợp từ nƣớc ngoài sẽ đƣợc bộ phiên âm tiếng nƣớc ngoài phân tích chuyển sang cách phát âm tiếng Việt chính xác nhất có thể. Kết quả chuẩn hóa sau đó sẽ đƣợc tổng hợp dựa trên phƣơng pháp unit selection. Phƣơng pháp này chọn lựa các đơn vị âm thanh phù hợp nhất từ kho ngữ liệu đã xây dựng bởi bộ tổ chức dữ liệu. Cuối cùng, các đơn vị này sẽ đƣợc ghép nối ở mức vật lý, tạo tín hiệu tiếng nói kết xuất.
Bộ tổ chức dữ liệu Bộ tổ chức dữ liệu đƣợc thực hiện bởi một nhóm nghiên cứu thực hiện đề tài cho cơ sở dữ liệu âm thanh tổng hợp tiếng nói (thuộc Trung Tâm Đào Tạo và Thiết Kế Vi Mạch - ICDREC). Do đó, ta chỉ trình bày vắn tắt cách phân đoạn tập câu thu âm và kết quả đạt đƣợc. Xây dựng dữ liệu âm thanh Dữ liệu âm thanh đƣợc tiến hành thu âm trên một tập văn bản có sẵn, với giọng đọc của phát thanh viên Kim Phƣợng, thuộc đài tiếng nói nhân dân thành phố Hồ Chí Minh. Việc xây dựng nội dung văn bản phải đảm bảo 2 yếu tố: - Số lƣợng âm tiết phải phủ gần hết tiếng Việt.
- Bối cảnh ngữ điệu của các âm tiết phải đa dạng. Kết quả sau khi thực hiện quá trình này, đã có đƣợc cơ sở dữ liệu âm thanh bao gồm 14.370 tệp tin âm thanh, với các thông số mô tả trong bảng bên dƣới. 10 Chương 2: Cơ sở lý thuyết Bảng 2.1: Bộ dữ liệu thu âm. Giọng đọc Thời lƣợng Tệp tin (wav) Đơn vị cơ sở PTV.
Kim Phƣợng 44 giờ 14370 23020 2. Phân đoạn tập câu thu âm Mỗi file âm thanh là một dãy các đơn vị âm thanh liên tục, nhóm thực hiện đã phân đoạn chúng thành các đơn vị âm thanh nhỏ hơn để xây dựng cơ sở dữ liệu cho phƣơng pháp ghép nối Unit Selection. Để tạo tiếng nói có chất lƣợng tốt, tự nhiên khi ghép nối, ta cần hạn chế nhiều mối ghép giữa các phân đoạn âm thanh. Nhƣ vậy, một vấn đề đặt ra là: thực hiện nhƣ thế nào để có đƣợc các phân đoạn dài nhất.
Hƣớng giải quyết: từ từ điển có sẵn, tách văn bản tƣơng ứng với tệp tin âm thanh thành các cụm từ. Vì cách tiếp cận dựa trên từ điển nên phƣơng pháp sử dụng để tách từ là so khớp cực đại (longest matching), ví dụ sau đây minh họa kết quả phân đoạn theo cụm: Bảng 2.2: Ví dụ kết quả phân đoạn theo cụm từ. Cụm từ Mã SHA-1 Chƣơng trình 2090843802 tổng hợp -1899230151 tiếng nói 352476192 trên -1621953602 thiết bị -1311473471 giám sát 598029597 hành trình -332902304 2. Bộ tổng hợp 2.
Chuẩn hóa văn bản Văn bản đầu vào thƣờng bao gồm nhiều định dạng khác nhau nhƣ chữ hoa, chữ thƣờng, số, từ viết tắt, tên riêng, địa danh tiếng nƣớc ngoài, các ký hiệu đặc biệt, v. Do đó, các định dạng này phải đƣợc chuyển đổi thành dạng đầy đủ, chính 11 Chương 2: Cơ sở lý thuyết xác. Bây giờ ta xem xét một số vấn đề khó khăn khi xử lý trên văn bản tiếng Việt gồm: từ viết tắt, số, tiếng nƣớc ngoài, v. Từ viết tắt Văn bản đầu vào có thể chứa các từ viết tắt và nó phải đƣợc chuyển đổi thành dạng nghĩa đầy đủ, trƣờng hợp đơn giản ta có thể biết từ viết tắt, ví dụ nhƣ CHXHCNVN là dạng viết tắt của “Cộng hoà xã hội chũ nghĩa Việt Nam”, nhƣng có trƣờng hợp một từ có thể có nhiều nghĩa khác nhau tùy vào ngữ cảnh của văn bản.
Ví dụ: TS có thể là “Thí Sinh”, hoặc là “Tiến Sĩ”; CN có thể là “Cử Nhân”, hoặc là “Công Nhân”. Nhiệm vụ của ta là phải xác định nghĩa chính xác của từ viết tắt đó, do đó việc xây dựng từ điển từ viết tắt để ánh xạ khi xử lý văn bản là công việc khó khăn và mất nhiều thời gian và ta không thể xây dựng một từ điển từ viết tắt hoàn chỉnh và đầy đủ. Số Tƣơng tự nhƣ vậy, việc chuyển đổi chữ số cũng không đơn giản. Chữ số đƣợc sử dụng rộng rãi với nhiều vai trò nhƣ là số, ngày tháng, giá trị đo đạc, và trong những biểu thức toán học.
Việc chuyển đổi số thành chữ có nhiều phức tạp giữa các trƣờng hợp.