Tổng quan nghiên cứu

Trong kỷ nguyên truyền thông số hóa, việc tối ưu hóa băng thông truyền dẫn tín hiệu thoại đóng vai trò sống còn đối với các hệ thống viễn thông chuyên dụng. Tín hiệu thoại tiêu chuẩn khi được số hóa ở tần số lấy mẫu 8 kHz với độ phân giải 16 bit trên mỗi mẫu sẽ tạo ra tốc độ dòng dữ liệu đầu vào lên tới 128 kbps. Yêu cầu cấp thiết đặt ra là phải nén dòng dữ liệu này xuống mức siêu thấp nhưng vẫn bảo đảm tính tự nhiên, độ rõ và khả năng nhận dạng người nói trong môi trường kênh truyền giới hạn hoặc bị nhiễu nghiêm trọng.

Các thuật toán mã hóa thoại kinh điển như dự đoán tuyến tính LPC-10 thường bộc lộ hạn chế lớn về chất lượng âm thanh khi tạo ra giọng nói tổng hợp khô cứng, mang âm sắc cơ khí dạng tiếng vo ve. Ngược lại, các mô hình nén dạng lai như CELP tuy mang lại chất lượng cao hơn nhưng đòi hỏi tốc độ truyền dẫn từ 4.8 kbps đến 16 kbps cùng độ phức tạp tính toán vượt quá khả năng xử lý của các hệ thống nhúng công suất thấp. Trước thách thức đó, nghiên cứu này tập trung vào mục tiêu thiết kế, xây dựng và thực thi thời gian thực mô hình thuật toán nén thoại kích thích hỗn hợp MELP (Mixed Excitation Linear Prediction) với tốc độ 2400 bps trên nền tảng chip xử lý tín hiệu số cố định TMS320C5509 của hãng Texas Instruments.

Phạm vi nghiên cứu bao quát toàn bộ quy trình xử lý tín hiệu thoại từ khâu thu thập, phân tích thông số, lượng tử hóa vector đến tổng hợp âm thanh thời gian thực trên bo mạch phần cứng DSP trong giai đoạn 2013-2014 tại Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội. Ý nghĩa cốt lõi của công trình nằm ở việc giảm tỷ lệ truyền dữ liệu từ 128 kbps xuống chính xác 2.4 kbps, tương đương hệ số nén đạt 53.33 lần (tiết kiệm 98.13% băng thông), đồng thời khống chế độ trễ xử lý thuật toán dưới ngưỡng 22.5 ms cho mỗi khung 180 mẫu, mở ra tiềm năng ứng dụng thực tiễn to lớn trong mạng thông tin vô tuyến quân sự và viễn thông vệ tinh bảo mật.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự giao thoa của các lý thuyết xử lý tín hiệu số hiện đại và kỹ thuật mã hóa tham số tiếng nói tiên tiến:

Mô hình tạo tiếng nói kích thích hỗn hợp MELP: Kế thừa và khắc phục triệt để các nhược điểm của mô hình dự đoán tuyến tính LPC truyền thống. Thay vì phân loại nhị phân cứng nhắc giữa âm có tiếng (voiced) và không tiếng (unvoiced), MELP đưa ra trạng thái thứ ba là âm chuyển tiếp (jitter voiced) và áp dụng cơ chế kích thích hỗn hợp giữa chuỗi xung tuần hoàn và nhiễu trắng trên 5 dải tần số độc lập.

Lý thuyết dự đoán tuyến tính bậc 10 và thuật toán Levinson-Durbin: Mô hình hóa đường dẫn âm thanh của thanh quản người thông qua bộ lọc tự hồi quy AR bậc 10. Thuật toán tối ưu hóa Levinson-Durbin được ứng dụng để giải hệ phương trình Toeplitz với độ phức tạp tính toán thấp, giúp trích xuất chính xác 10 hệ số dự đoán phản xạ từ hàm tự tương quan của tín hiệu thoại.

Kỹ thuật lượng tử hóa vector đa tầng (MSVQ - Multistage Vector Quantization): Cho phép biểu diễn 10 thông số tần số phổ đường dây (LSF - Line Spectral Frequencies) bằng cấu trúc lượng tử nhiều tầng chỉ với 25 bit, giảm dung lượng bộ nhớ lưu trữ bảng mã hơn 70% so với kỹ thuật lượng tử hóa vector đơn tầng thông thường.

Biến đổi Fourier rời rạc nhanh (512-point FFT): Được sử dụng để phân tích 10 đỉnh biên độ phổ Fourier của tín hiệu sai số dự đoán, giúp tái tạo chính xác dạng sóng xung kích thích tại phía thu.

Các khái niệm cốt lõi bao gồm: Chu kỳ âm sắc (Pitch period trong phạm vi từ 20 đến 160 mẫu), Độ mạnh thanh âm (Voice strength trên 5 dải tần: 0-500 Hz, 500-1000 Hz, 1000-2000 Hz, 2000-3000 Hz, 3000-4000 Hz), Độ biến thiên kích thích (Period jitter ngẫu nhiên dao động trong khoảng ±25%), và Hệ số đỉnh tín hiệu sai số (Peakness).

Phương pháp nghiên cứu

Nguồn dữ liệu và thiết lập thực nghiệm: Nghiên cứu sử dụng tập dữ liệu âm thanh số hóa chuẩn ở tần số 8000 Hz, độ phân giải 16-bit tuyến tính PCM. Bộ dữ liệu bao gồm các mẫu giọng nói chuẩn tiếng Việt và tiếng Anh từ cả người nói nam và nữ (ký hiệu Vn_M và Vn_F), đại diện cho các đặc trưng thanh học khác nhau về cao độ và dải phổ.

Quy mô và phương pháp chọn mẫu: Nghiên cứu tiến hành thu thập 10 đoạn mẫu âm thanh đại diện với độ dài từ 5 đến 10 giây cho mỗi đối tượng. Phương pháp chọn mẫu phân tầng có chủ đích được áp dụng nhằm đảm bảo tín hiệu bao hàm đầy đủ các nguyên âm kéo dài, phụ âm vô thanh, âm bật và các đoạn chuyển tiếp tự nhiên giữa giọng nói và khoảng lặng môi trường.

Phương pháp phân tích và tối ưu hóa hệ thống: Luận văn kết hợp chặt chẽ giữa mô phỏng phần mềm và triển khai phần cứng nhúng thời gian thực. Lý do lựa chọn mô hình lập trình hỗn hợp C và Hợp ngữ (Assembly) trên môi trường phát triển Code Composer Studio (CCS) là nhằm tận dụng tính linh hoạt, trong sáng của ngôn ngữ C cho các cấu trúc điều khiển giải thuật, đồng thời khai thác tối đa năng lực phần cứng của chip TMS320C5509. Cụ thể, các đoạn mã tính toán lặp chuyên sâu như biến đổi FFT 512 điểm, lọc số FIR 31 cổng và giải thuật Levinson-Durbin được tái cấu trúc hoàn toàn bằng hợp ngữ để khai thác 2 khối nhân cộng MAC 17-bit và bộ số học ALU 40-bit song song trong một chu kỳ lệnh.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực thi và kiểm thử mô hình thuật toán MELP trên bộ xử lý tín hiệu số TMS320C5509 đã mang lại những kết quả kỹ thuật nổi bật sau:

Thứ nhất, tối ưu hóa triệt để cấu trúc cấp phát bit và tỷ lệ nén dữ liệu: Thuật toán nén thành công dòng dữ liệu thoại đầu vào 128 kbps xuống tốc độ chuẩn xác 2400 bps. Mỗi khung dữ liệu thời gian 22.5 ms (tương đương 180 mẫu lấy mẫu ở 8 kHz) được đóng gói cố định trong đúng 54 bit. Cấu trúc 54 bit phân bổ bao gồm: 25 bit cho thông số LPC/LSF, 7 bit cho Pitch period và Voice strength dải thấp, 4 bit cho Voice strength 4 dải cao, 8 bit cho hai mức khuếch đại gain g1 và g2, 1 bit cho cờ không tuần hoàn aperiodic, 8 bit cho biên độ phổ Fourier và 1 bit đồng bộ khung. Đối với khung vô thanh, hệ thống dành riêng 13 bit cho cơ chế bảo vệ chống sai lỗi kênh truyền.

Thứ hai, đáp ứng hoàn hảo yêu cầu thực thi thời gian thực (Real-time Execution): Nhờ kỹ thuật tối ưu hóa mã nguồn hợp ngữ và cơ chế định địa chỉ vòng xoay (circular addressing), thời gian xử lý toàn phần của thuật toán cho một khung 180 mẫu trên chip TMS320C5509 chỉ tiêu tốn khoảng 14.8 ms. Kết quả này thấp hơn đáng kể so với giới hạn thời gian thực cho phép là 22.5 ms, tạo ra biên độ an toàn tính toán lên đến 34.22%, cho phép CPU DSP có thể đảm nhiệm thêm các tác vụ mã hóa kênh hoặc xử lý giao thức mạng khác.

Thứ ba, cải thiện vượt trội chất lượng âm thanh tổng hợp: Đánh giá chất lượng thoại thông qua chuẩn đo lường khách quan PESQ (Perceptual Evaluation of Speech Quality) và thang điểm cảm nhận chủ quan MOS (Mean Opinion Score) cho thấy tín hiệu phục hồi đạt điểm số MOS trung bình trên 3.2 điểm. Hiện tượng méo giọng dạng vo ve cơ khí của chuẩn LPC-10 cũ đã được triệt tiêu hoàn toàn, giọng nói sau giải mã giữ được độ trầm ấm tự nhiên của giọng nam (Vn_M) và độ trong trẻo, rõ nét của giọng nữ (Vn_F).

Thảo luận kết quả

Chất lượng âm thanh vượt bậc của mô hình MELP bắt nguồn trực tiếp từ kiến trúc kích thích hỗn hợp 5 dải tần số. Việc sử dụng ngân hàng bộ lọc tổng hợp FIR 31 cổng với các hệ số voice strength độc lập cho phép bộ giải mã pha trộn linh hoạt năng lượng xung và nhiễu trắng theo từng dải phổ từ 0 đến 4000 Hz. Đồng thời, việc bổ sung tham số jitter ngẫu nhiên dao động trong khoảng ±25% đối với chu kỳ Pitch đã mô phỏng chân thực các biến động sinh lý học tự nhiên của dây thanh âm người trong các pha chuyển tiếp giữa âm hữu thanh và vô thanh.

Khi so sánh với chuẩn quân sự cũ FS1015 LPC vốn chỉ đạt điểm MOS khoảng 2.3 đến 2.5 tại tốc độ 2.4 kbps, mô hình MELP mang lại bước nhảy vọt về độ rõ âm thanh mà không làm tăng băng thông yêu cầu. Dữ liệu thực nghiệm phân tích chất lượng có thể được trực quan hóa tối ưu thông qua bảng số liệu so sánh điểm PESQ theo từng đối tượng giọng nói và đồ thị sóng âm đối chiếu dạng sóng miền thời gian giữa tín hiệu gốc và tín hiệu tái tạo, minh chứng sự tương đồng gần như tuyệt đối về đường bao năng lượng và cấu trúc đỉnh xung.

Mặc dù thuật toán đòi hỏi khối lượng tính toán lớn hơn khoảng 3 đến 4 lần so với LPC-10 truyền thống, việc khai thác cấu trúc đường ống (pipeline) và 12 đường bus nội bộ của kiến trúc C55x đã giải quyết trọn vẹn rào cản tài nguyên phần cứng, chứng minh tính khả thi tuyệt đối của việc thương mại hóa giải pháp trên các dòng DSP giá thành thấp.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và mở rộng phạm vi ứng dụng của mô hình nén thoại MELP thời gian thực trong thực tế, tác giả đưa ra 4 khuyến nghị hành động cụ thể:

Thứ nhất, tái cấu trúc và tối ưu hóa sâu vi kiến trúc mã nguồn hợp ngữ: Đội ngũ kỹ sư phần mềm nhúng cần tiến hành tái cấu trúc 100% các vòng lặp tính toán tự tương quan và các phép tính lượng tử hóa ma trận MSVQ bằng tập lệnh SIMD kép của dòng C55x. Mục tiêu cụ thể là cắt giảm thêm 20% đến 25% số lượng chu kỳ máy thực thi trong vòng 6 tháng tới, giúp hạ xung nhịp hoạt động của DSP và tiết kiệm năng lượng.

Thứ hai, tích hợp thuật toán lọc nhiễu tiền xử lý thích nghi: Các viện nghiên cứu viễn thông cần phát triển tích hợp thuật toán lọc thích nghi Wiener hoặc trừ phổ trước khối phân tích MELP. Mục tiêu kỹ thuật là nâng cao chỉ số PESQ thêm tối thiểu 0.3 điểm khi hệ thống hoạt động trong môi trường có độ ồn âm học cao với tỷ số tín hiệu trên nhiễu SNR đạt mức 15 dB, triển khai thử nghiệm trong giai đoạn 2025-2026.

Thứ ba, nâng cấp thuật toán theo tiêu chuẩn nâng cao MELPe: Các đơn vị nghiên cứu quốc phòng cần chủ trì đề án nâng cấp phần mềm lên chuẩn MELPe (Enhanced MELP), bổ sung khả năng hoạt động đa tốc độ linh hoạt tại 1200 bps và 600 bps. Mục tiêu là duy trì điểm chất lượng thoại MOS trên 3.0 điểm tại kênh truyền cực hẹp, hoàn thành kiểm thử nghiệm thu trong khung thời gian 12 tháng.

Thứ tư, thiết kế mô-đun phần cứng chuyên dụng tích hợp SoC: Doanh nghiệp sản xuất thiết bị phần cứng viễn thông cần đầu tư thiết kế bo mạch nhúng chuyên dụng tích hợp chip TMS320C5509 cùng bộ chuyển đổi ADC/DAC 16-bit chuẩn công nghiệp. Chỉ tiêu thiết kế hướng tới công suất tiêu thụ toàn mạch dưới 50 mW, phù hợp trang bị cho các máy vô tuyến cầm tay chiến thuật thế hệ mới trong lộ trình 18 tháng.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị học thuật và ứng dụng chuyên sâu cho 4 nhóm đối tượng chính:

Kỹ sư phát triển hệ thống nhúng và xử lý tín hiệu số (DSP): Luận văn cung cấp bản hướng dẫn chi tiết về kỹ thuật lập trình hỗn hợp C và Hợp ngữ trên kiến trúc TI TMS320C55x, kỹ thuật phân bổ thanh ghi và quản lý 12 đường bus dữ liệu để xử lý luồng âm thanh thời gian thực với độ trễ dưới 22.5 ms.

Chuyên gia thiết kế hệ thống thông tin quân sự và an ninh vô tuyến: Tài liệu là cẩm nang hữu ích trong việc xây dựng các giải pháp truyền thông thoại bảo mật tốc độ 2400 bps, hoạt động tin cậy trên các kênh vô tuyến sóng ngắn HF/VHF có băng thông hẹp dưới 3 kHz và chịu nhiều can nhiễu.

Học viên cao học và nghiên cứu sinh ngành Điện tử - Viễn thông: Nguồn tham khảo học thuật chuẩn mực về lý thuyết nén thoại tham số, phương pháp phân tích Fourier trên tín hiệu dư LPC bậc 10 và giải thuật lượng tử hóa vector đa lớp MSVQ với 25 bit mã hóa.

Doanh nghiệp phát triển thiết bị viễn thông và giải pháp thoại VoIP vệ tinh: Nắm bắt giải pháp kỹ thuật giúp cắt giảm 98.13% lưu lượng đường truyền, giảm thiểu tối đa chi phí thuê kênh băng thông vệ tinh đắt đỏ trong các dịch vụ thoại cứu hộ, cứu nạn biển xa.

Câu hỏi thường gặp

Thuật toán nén thoại MELP 2400 bps có điểm gì vượt trội so với chuẩn LPC-10 truyền thống? Thuật toán LPC-10 sử dụng cơ chế phân loại nhị phân có tiếng hoặc không tiếng khiến âm thanh bị thô ráp và mang tính cơ khí. MELP giải quyết triệt để vấn đề này nhờ kích thích hỗn hợp 5 dải tần, bổ sung 10 đỉnh biên độ Fourier và cờ dao động ngẫu nhiên jitter ±25%, giúp nâng điểm MOS từ 2.4 lên trên 3.2 điểm tại cùng tốc độ 2.4 kbps.

Tại sao bộ xử lý tín hiệu số TMS320C5509 lại được lựa chọn để thực thi thời gian thực mô hình MELP? Chip TMS320C5509 sở hữu cấu trúc phần cứng tối ưu cho xử lý DSP với 2 khối MAC 17-bit, ALU 40-bit, hàng đợi đệm lệnh 64 byte và không gian nhớ 16 MB. Kiến trúc này cho phép hoàn thành toàn bộ thuật toán trong 14.8 ms, thấp hơn nhiều so với khung thời gian thực 22.5 ms, đồng thời duy trì mức tiêu thụ điện năng cực thấp.

Kỹ thuật lượng tử hóa vector đa tầng MSVQ đóng vai trò như thế nào trong giải thuật MELP? Kỹ thuật MSVQ chia quá trình lượng tử hóa 10 thông số tần số phổ đường dây LSF thành nhiều tầng liên tiếp với tổng cộng 25 bit. Cơ chế này giúp giảm kích thước bộ nhớ bảng mã và giảm độ phức tạp tìm kiếm hơn 70% so với kỹ thuật VQ thông thường, trong khi vẫn bảo đảm độ biến dạng phổ dưới ngưỡng nhận thức âm học 1 dB.

Tổng độ trễ truyền thông của hệ thống nén thoại MELP trên chip C5509 là bao nhiêu? Tổng độ trễ xử lý một chiều của hệ thống bao gồm trễ bộ đệm khung 22.5 ms (180 mẫu), trễ nhìn trước phân tích khoảng 10 ms và trễ tính toán phần cứng khoảng 14.8 ms. Tổng thời gian trễ nằm trong khoảng từ 47.3 ms đến 55 ms, đáp ứng trọn vẹn tiêu chuẩn đàm thoại song công thời gian thực của Liên minh Viễn thông Quốc tế ITU-T.

Làm thế nào để hệ thống MELP duy trì chất lượng giọng nói khi truyền qua kênh có tỷ lệ lỗi bit cao? Mỗi khung dữ liệu 54 bit của MELP được trang bị 13 bit bảo vệ chống sai số dành riêng cho các khung vô thanh. Kết hợp với thuật toán nội suy tham số tuyến tính và làm mịn mức khuếch đại gain tại bộ giải mã, hệ thống vẫn duy trì độ rõ ràng của câu thoại ngay cả khi tỷ lệ lỗi bit kênh truyền đạt mức từ 1% đến 2%.

Kết luận

Nghiên cứu đã hoàn thành xuất sắc các mục tiêu đề ra với những đóng góp khoa học và thực tiễn cốt lõi:

  • Triển khai thành công giải thuật nén thoại tiêu chuẩn MELP ở tốc độ siêu thấp 2400 bps với cấu trúc đóng gói 54 bit cho mỗi khung 22.5 ms.
  • Tối ưu hóa hoàn chỉnh thuật toán trên phần cứng bộ xử lý tín hiệu số TMS320C5509, đạt thời gian xử lý thực tế 14.8 ms mỗi khung, giải phóng 34.22% năng lực CPU.
  • Cắt giảm thành công 98.13% lưu lượng dữ liệu so với tín hiệu thoại gốc 128 kbps trong khi vẫn bảo đảm chất lượng thoại đạt điểm PESQ/MOS trên 3.2 điểm.
  • Xây dựng thành công phương pháp lập trình kết hợp C và Hợp ngữ tối ưu cho các thuật toán phân tích phổ FFT 512 điểm và lượng tử hóa vector MSVQ 25 bit.
  • Đặt nền móng kỹ thuật vững chắc cho việc làm chủ công nghệ mã hóa tiếng nói bảo mật phục vụ quốc phòng và các hệ thống viễn thông chuyên dụng tại Việt Nam.

Định hướng nghiên cứu tiếp theo tập trung vào việc tích hợp chuẩn nâng cao MELPe đa tốc độ 1200 bps và 600 bps trên nền tảng vi mạch nhúng trong lộ trình 6 đến 12 tháng tới. Các kỹ sư và nhà nghiên cứu quan tâm có thể khai thác trực tiếp mô hình kiến trúc và tập lệnh tối ưu này để phát triển các sản phẩm truyền thông nhúng thời gian thực hiệu năng cao.