Bối cảnh và vấn đề nghiên cứu

Khóa luận tốt nghiệp cử nhân ngành Khoa học Máy tính của tác giả Nguyễn Trường Lâu (Trường Đại học Công nghệ Thông tin – Đại học Quốc gia TP. Hồ Chí Minh, năm 2021) tập trung vào bài toán Tìm kiếm kiến trúc mạng nơ-ron (Neural Architecture Search - NAS) ứng dụng trong nhận diện người nói tiếng Việt.

Lý do chọn đề tài và bối cảnh thực tiễn

Trong bối cảnh công nghệ Vạn vật kết nối (Internet of Things - IoT) và Trí tuệ nhân tạo (AI) phát triển, các thiết bị điều khiển bằng giọng nói trong gia đình như Google Home hoặc Amazon Alexa ngày càng phổ biến. Tuy nhiên, các hệ thống trung gian này gặp hạn chế khi thực thi mệnh lệnh từ bất kỳ ai mà chưa có cơ chế phân biệt danh tính người nói để thiết lập phân quyền điều khiển tương ứng (giữa chủ nhà, các thành viên trong gia đình và người lạ).

Song song đó, việc thiết kế các kiến trúc mạng nơ-ron tích chập (Convolutional Neural Network - CNN) cho dữ liệu âm thanh trước đây chủ yếu dựa trên phương pháp thủ công và kinh nghiệm chủ quan của chuyên gia. Bài toán nhận diện người nói tiếng Việt gặp phải hai rào cản kỹ thuật lớn:

  • Chi phí tính toán để duyệt qua không gian tìm kiếm kiến trúc mạng rất lớn (ví dụ kiến trúc NSGANetV2 của Zhichao Lu và cộng sự tại ECCV 2020 cần 2 ngày tính toán trên máy chủ 8-GPU).
  • Thiếu hụt các bộ dữ liệu giọng nói tiếng Việt chuẩn hóa, đơn âm, hợp pháp và được công bố công khai.

Mục tiêu và nhiệm vụ nghiên cứu

Tác giả xác định hai mục tiêu chính:

  1. Tìm kiếm một giải pháp kiến trúc mạng nơ-ron tích chập tối ưu, có khả năng triển khai khả thi trên các thiết bị phần cứng IoT nhằm phục vụ mục đích phân quyền điều khiển người dùng.
  2. Tự động hóa quá trình học và tìm kiếm kiến trúc mạng nơ-ron tích chập tối ưu cho bài toán nhận diện giọng người nói tiếng Việt thông qua các giải thuật tiến hóa (Evolutionary Algorithms).

Nhiệm vụ nghiên cứu được chia thành các nội dung cụ thể:

  • Thu thập và chuẩn hóa hai bộ dữ liệu âm thanh giọng nói tiếng Việt (Famous Voice và Vietnam Voice).
  • Nghiên cứu cơ sở toán học xử lý tín hiệu âm thanh và các kỹ thuật trích xuất đặc trưng hiện đại (SincNet, MFCC).
  • Xây dựng mô hình chung Model2Model gồm bộ mã hóa (encoder) biểu diễn kiến trúc mạng thành chuỗi nhị phân và bộ giải mã (decoder) tái tạo kiến trúc mạng nơ-ron.
  • Ứng dụng giải thuật di truyền đơn giản (sGA) và giải thuật di truyền sắp xếp miền không thống trị II (NSGA-II) để tìm kiếm kiến trúc mạng.
  • Đánh giá, so sánh kiến trúc tìm được (VoiceNet) với các mô hình hiện hữu và xây dựng ứng dụng VoiceNet-App.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Tín hiệu âm thanh giọng nói tiếng Việt chuẩn (dạng đơn âm, không bị biến đổi giọng) và không gian tìm kiếm gồm 4096 cấu trúc mạng nơ-ron tích chập.
  • Phạm vi không gian và thời gian: Dữ liệu thu thập từ các nguồn truyền thông tại Việt Nam và người dân Việt Nam trong giai đoạn năm 2020–2021; bài toán xử lý trên tín hiệu giọng nói đơn âm tiếng Việt.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và các công trình liên quan

Nghiên cứu kế thừa và phát triển từ các mô hình nền tảng:

  • SincNet (Mirco Ravanelli và Yoshua Bengio, 2019): Mạng nơ-ron xử lý trực tiếp dạng sóng thô (raw waveform) thông qua các bộ lọc thông dải tham số hóa dựa trên hàm Sinc. Thay vì học toàn bộ tham số của kernel tích chập, SincNet chỉ tối ưu hai tần số cắt biên thấp ($f_1$) và biên cao ($f_2$).
  • VGGVox (Joon Son Chung và cộng sự, 2018): Hệ thống nhúng nơ-ron (neural embedding) phát triển trên tập dữ liệu VoxCeleb2, cải tiến từ các mạng cơ sở như VGG-M, ResNet-34 và ResNet-50 bằng cách thay thế các lớp kết nối đầy đủ (fully connected) bằng lớp Average Pooling nhằm tạo tính bất biến theo thời gian.
  • Genetic CNN (Lingxi Xie và Alan Yuille, CVPR 2017): Phương pháp mã hóa cấu trúc mạng nơ-ron tích chập thành chuỗi nhị phân cố định và sử dụng giải thuật di truyền đơn giản (sGA) để duyệt không gian tìm kiếm.

Cơ sở toán học xử lý tín hiệu

  • Biến đổi Fourier rời rạc (DFT) và biến đổi Fourier nhanh (FFT): Chuyển đổi tín hiệu miền thời gian sang miền tần số: $$X[k] = \sum_{n=0}^{N-1} x[n] \exp\left(-i \frac{2\pi}{N} kn\right)$$ Thuật toán FFT Cooley-Tukey được áp dụng nhằm giảm độ phức tạp tính toán từ $\mathcal{O}(N^2)$ xuống $\mathcal{O}(N \log N)$.
  • Biến đổi Fourier rời rạc ngược (IDFT): Khôi phục tín hiệu miền thời gian từ miền tần số để phân tách cao độ cơ bản ($F_0$) và các tần số định hình (formant $F_1, F_2, F_3$).
  • Định lý lấy mẫu Nyquist-Shannon: Tần số lấy mẫu phải thỏa mãn $f_s \ge 2 f_{max}$. Tác giả thiết lập tần số lấy mẫu $f_s = 44.100\text{ Hz}$ để bảo toàn trọn vẹn dải tần số nghe được của tai người ($20\text{ Hz} - 20.000\text{ Hz}$).
  • Chuẩn hóa Min-Max: Đưa dữ liệu về miền giá trị xác định theo công thức: $$v' = \frac{v - \min_A}{\max_A - \min_A} (\text{new_max}_A - \text{new_min}_A) + \text{new_min}_A$$

Phương pháp trích xuất đặc trưng

Tác giả sử dụng kỹ thuật trích xuất hệ số Cepstral trên thang tần số Mel (Mel-Frequency Cepstral Coefficients - MFCC) gồm 39 đặc trưng:

  1. Chuyển đổi tín hiệu tương tự sang số (A/D Conversion): Lấy mẫu ở tần số $44.100\text{ Hz}$.
  2. Lọc tiền nhấn (Pre-emphasis): Nâng cao năng lượng ở các dải tần số cao qua hàm $x'[t] = x[t] - \alpha x[t-1]$ với hệ số $\alpha \in [0.95, 0.99]$.
  3. Phân khung và áp dụng cửa sổ (Windowing): Cắt tín hiệu thành các khung 20–25 ms, độ chồng lấp (overlap) 10 ms; nhân chập với cửa sổ Hamming để tránh hiện tượng rò rỉ phổ: $$w[n] = 0.54 - 0.46 \cos\left(\frac{2\pi n}{N-1}\right), \quad 0 \le n \le N-1$$
  4. Phổ công suất và Mel Filterbank: Chuyển đổi qua DFT, bình phương biên độ và đưa qua hệ thống bộ lọc thông dải Mel-Scale phi tuyến.
  5. Logarit và IDFT: Tính log phổ công suất và biến đổi IDFT để thu được 12 hệ số Cepstral đầu tiên cùng 1 hệ số năng lượng khung.
  6. Đạo hàm động (Dynamic Features): Bổ sung 13 hệ số đạo hàm bậc một ($\Delta$) và 13 hệ số đạo hàm bậc hai ($\Delta\Delta$), sau đó áp dụng chuẩn hóa trung bình (Mean-normalized MFCC).

Thiết kế và triển khai mô hình

Hệ thống được tổ chức xoay quanh mô hình biểu diễn kiến trúc Model2Model, bao gồm các khối thành phần cơ sở và cơ chế mã hóa nhị phân.

Các khối kiến trúc cơ sở

  • Tích chập tách biệt chiều sâu (Depthwise Separable Convolution): Kế thừa từ MobileNetV1, phân tách quá trình tích chập thành hai bước: Depthwise Convolution (tích chập riêng trên từng kênh) và Pointwise Convolution (tích chập $1 \times 1$ qua tất cả các kênh) giúp giảm thiểu số lượng tham số và phép toán.
  • Khối phần dư đảo ngược (Inverted Residual Block): Áp dụng từ MobileNetV2, sử dụng kết nối tắt (Skip Connection) tại các lớp thắt nút (Bottleneck Layer) và chỉ sử dụng phép chiếu tuyến tính tại đầu vào/đầu ra để hạn chế mất mát thông tin.
  • Khối Squeeze-and-Excitation (SE Block): Tích hợp từ MobileNetV3/SE-ResNet, sử dụng nhánh Global Pooling để thu thập vector bối cảnh toàn cục (Global Context Vector), lần lượt đi qua các lớp Fully Connected $\rightarrow$ ReLU $\rightarrow$ Fully Connected $\rightarrow$ Hard Sigmoid để hiệu chỉnh trọng số các kênh.
  • Khối xác định và khối tích chập (Identity Block & Convolutional Block): Kế thừa từ ResNet, thực hiện ánh xạ phần dư $x + f(x)$ giúp huấn luyện mạng ở độ sâu lớn mà không bị suy giảm độ chính xác.
Khối kiến trúc Nguồn gốc Cơ chế hoạt động chính Mục đích kỹ thuật
Depthwise Separable Conv MobileNetV1 Tách Depthwise ($K \times K$) và Pointwise ($1 \times 1$) Giảm số lượng tham số và độ phức tạp tính toán
Inverted Residual Block MobileNetV2 Kết nối tắt tại bottleneck, chiếu tuyến tính ở hai đầu Duy trì luồng thông tin, tránh mất mát qua phi tuyến
SE Bottleneck Block MobileNetV3 Nhánh Global Pooling $\rightarrow$ FC $\rightarrow$ ReLU $\rightarrow$ FC $\rightarrow$ Hard Sigmoid Tự động đánh giá và tái định lượng trọng số kênh
Identity / Conv Block ResNet Đường tắt Skip Connection cộng trực tiếp $x + f(x)$ Giải quyết vấn đề triệt tiêu gradient khi tăng độ sâu

Cơ chế mã hóa và giải mã kiến trúc (Model2Model)

Không gian tìm kiếm được xây dựng dựa trên nguyên lý của Genetic CNN với cấu trúc chia thành 3 giai đoạn (Stage I, Stage II, Stage III), phân tách nhau bởi các lớp Pooling:

  • Giai đoạn 1 (Stage I): Gồm các node nội bộ là Identity Block, hai node biên là Convolution Block mặc định (Mã hóa nhị phân, ví dụ: 1-10).
  • Giai đoạn 2 (Stage II): Mở rộng không gian liên kết giữa các block (Mã hóa nhị phân, ví dụ: 1-10-111).
  • Giai đoạn 3 (Stage III): Bố trí đối xứng nhằm tổng hợp đặc trưng mức cao (Mã hóa nhị phân, ví dụ: 0-10).

Chuỗi mã nhị phân đóng vai trò biểu diễn sự tồn tại của các đường nối giữa các block. Bộ giải mã sẽ đọc chuỗi nhị phân này để sinh ra đồ thị tính toán CNN hoàn chỉnh.

Chiến lược tìm kiếm tiến hóa

  1. Simple Genetic Algorithm (sGA):
    • Khởi tạo quần thể ngẫu nhiên.
    • Áp dụng kỹ thuật chọn lọc tranh đấu (Tournament Selection).
    • Biến đổi thông qua phép lai ghép (Crossover) và đột biến (Mutation) chuỗi nhị phân.
    • Cài đặt cơ chế POPOP để duy trì cá thể ưu tú qua các thế hệ.
  2. Non-dominated Sorting Genetic Algorithm II (NSGA-II):
    • Tối ưu hóa đa mục tiêu: Tối đa hóa độ chính xác nhận diện (Accuracy) và tối thiểu hóa số lượng tham số huấn luyện (Number of Trainable Parameters - NoTP).
    • Cơ chế phân hạng không thống trị (Non-dominated Sorting) để xác định biên Pareto (Pareto Front).
    • Cơ chế khoảng cách đông đúc (Crowding Distance) để duy trì tính đa dạng của quần thể.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương này giới thiệu bài toán nhận diện người nói (Speaker Recognition) với mô hình đầu vào là tín hiệu âm thanh và đầu ra là danh tính người nói. Tác giả phân tích các thách thức về chi phí tính toán khi duyệt không gian 4096 kiến trúc CNN và sự thiếu hụt tập dữ liệu tiếng Việt. Chương 1 xác định rõ 2 mục tiêu nghiên cứu, 7 đóng góp chính và tổng quan cấu trúc toàn bộ khóa luận.

Chương 2: Công trình liên quan và kiến thức nền tảng

Chương 2 phân tích các mô hình SincNet và VGGVox (trên tập dữ liệu VoxCeleb2). Trình bày hệ thống kiến thức toán học về DFT, IDFT, thuật toán FFT Cooley-Tukey, định lý lấy mẫu Nyquist-Shannon và kỹ thuật lượng tử hóa tín hiệu. Chương này làm rõ bản chất tín hiệu âm thanh và mô tả chi tiết dòng xử lý 39 đặc trưng MFCC từ bước tiền xử lý, phân khung với cửa sổ Hamming, qua ngân hàng bộ lọc Mel đến chuẩn hóa trung bình.

Chương 3: Cơ chế mã hóa, giải mã mô hình

Trình bày cơ sở lý thuyết của các khối cấu trúc: Depthwise Separable Convolution (MobileNetV1), Inverted Residual Block (MobileNetV2), Bottleneck Block kết hợp Squeeze-and-Excitation (MobileNetV3) và Identity/Convolution Block (ResNet). Tác giả đề xuất quy trình mã hóa kiến trúc mạng thành chuỗi nhị phân chia làm 3 giai đoạn (Stage I, II, III) ngăn cách bởi các lớp Pooling theo mô hình Model2Model.

Chương 4: Bộ dữ liệu Famous Voice, Vietnam Voice

Giới thiệu cấu trúc tổ chức và quy trình thu thập, tiền xử lý hai bộ dữ liệu giọng nói tiếng Việt:

  • Famous Voice: Dữ liệu giọng nói của 40 nghệ sĩ, ca sĩ, vlogger nổi tiếng tại Việt Nam năm 2020.
  • Vietnam Voice: Dữ liệu giọng nói của 20 người dân Việt Nam. Chương này cũng xác định quy trình trích xuất đặc trưng MFCC, cấu hình hàm lỗi Cross-Entropy Loss và các độ đo đánh giá hiệu năng mô hình.

Chương 5: Genetic Convolution Neural Network

Mô tả chi tiết giải thuật tiến hóa đơn giản (sGA) áp dụng cho tìm kiếm kiến trúc CNN: phương pháp khởi tạo quần thể, cơ chế chọn lọc tranh đấu, cài đặt thuật toán POPOP, phép trao đổi chéo và đột biến chuỗi nhị phân. Tác giả tiến hành thực nghiệm, phân tích các thách thức và đánh giá hiệu quả của mô hình mã hóa trên không gian tìm kiếm.

Chương 6: Non-dominated Sorting Genetic Algorithm Network

Trình bày phương pháp tối ưu hóa đa mục tiêu với giải thuật NSGA-II. Tác giả định nghĩa bài toán cân bằng giữa độ chính xác dự đoán và độ phức tạp mô hình (NoTP), phân tích các khái niệm biên Pareto thực (True Pareto Front), đếm thống trị (Domination Count), xếp hạng không thống trị (Non-dominated Rank) và khoảng cách đông đúc (Crowding Distance). Các thực nghiệm tìm kiếm kiến trúc NSGA-II VoiceNet được triển khai và phân tích.

Chương 7: So sánh, đánh giá và ứng dụng

Tổng hợp so sánh hiệu năng giữa các kiến trúc tìm được bởi sGA và NSGA-II với các kiến trúc nhận diện người nói hiện hành. Trình bày chi tiết về thời gian đào tạo, kỹ thuật tải dữ liệu trước (Prefetched) để tối ưu tốc độ huấn luyện. Cuối cùng, tác giả giới thiệu chương trình ứng dụng VoiceNet-App gồm giao diện thực thi và kết quả trực quan hóa dự đoán danh tính người nói.

Kết quả và đóng góp

Kết quả nghiên cứu chính

  • Xây dựng thành công quy trình tìm kiếm kiến trúc mạng nơ-ron tự động cho dữ liệu giọng nói tiếng Việt, giải quyết bài toán duyệt không gian tìm kiếm quy mô xấp xỉ 4096 kiến trúc.
  • Tìm ra kiến trúc mạng nơ-ron tích chập tối ưu mang tên VoiceNet thông qua giải thuật tiến hóa đơn mục tiêu và NSGA-II VoiceNet thông qua giải thuật tối ưu hóa đa mục tiêu.
  • Giải thuật NSGA-II đã giải quyết bài toán thỏa hiệp giữa hai mục tiêu đối nghịch: tối đa hóa độ chính xác nhận diện và tối thiểu hóa số lượng tham số cần tối ưu (NoTP), giúp mô hình có kích thước gọn nhẹ.
  • Xây dựng hoàn chỉnh ứng dụng VoiceNet-App phục vụ việc nhận diện danh tính người nói và so khớp đặc trưng giọng nói người dùng với các nhân vật nổi tiếng.

Đóng góp học thuật và thực tiễn

  1. Bộ dữ liệu mới: Đóng góp hai bộ dữ liệu giọng nói tiếng Việt là Famous Voice (40 người nổi tiếng) và Vietnam Voice (20 người dân), có thể mở rộng sang bài toán nhận dạng tiếng nói (Speech Recognition).
  2. Quy trình xử lý âm thanh: Hệ thống hóa cơ sở lý thuyết toán học và cung cấp tài liệu chi tiết về quy trình trích xuất đặc trưng âm thanh bằng MFCC và SincNet cho tiếng Việt.
  3. Mô hình mã hóa Model2Model: Đề xuất phương pháp mã hóa 3 giai đoạn chuyển đổi giữa chuỗi nhị phân và đồ thị mạng CNN áp dụng riêng cho miền dữ liệu âm thanh giọng nói.
  4. Ứng dụng giải thuật tiến hóa: Cung cấp hướng dẫn kỹ thuật chi tiết về việc tích hợp sGA và NSGA-II trong bài toán Neural Architecture Search.
  5. Công bố mã nguồn và mô hình: Công khai mã nguồn chương trình ứng dụng, bộ trọng số tiền huấn luyện (pre-trained model) của VoiceNet trên tập dữ liệu Vietnam Voice.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

  • Giới hạn môi trường âm thanh: Dữ liệu nghiên cứu mới chỉ tập trung vào giọng nói tiếng Việt chuẩn, dạng đơn âm, chưa giải quyết triệt để bài toán nhận diện trong môi trường có mức độ nhiễu tạp âm phức tạp hoặc giọng nói bị biến đổi có chủ đích.
  • Ràng buộc tài nguyên tính toán: Do hạn chế về phần cứng (không tiếp cận được các hệ thống máy chủ đa GPU quy mô lớn), không gian tìm kiếm phải giới hạn trong phạm vi 3 giai đoạn (Stage) để đảm bảo thời gian thực nghiệm khả thi.

Hướng nghiên cứu tiếp

  • Mở rộng quy mô và gán nhãn chi tiết cho hai bộ dữ liệu Famous Voice và Vietnam Voice để ứng dụng vào bài toán nhận dạng tiếng nói (Speech Recognition / Voice-to-Text).
  • Tích hợp và thử nghiệm mô hình VoiceNet trực tiếp lên các vi điều khiển và phần cứng nhúng IoT nhằm kiểm thử tính năng phân quyền điều khiển thực tế.
  • Mở rộng tập dữ liệu sang nhiều vùng miền, lứa tuổi và nghiên cứu các cơ chế khử nhiễu cho môi trường âm thanh đa nguồn.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo cho:

  • Sinh viên và học viên chuyên ngành Khoa học Máy tính, Trí tuệ Nhân tạo: Tham khảo phương pháp ứng dụng các giải thuật tiến hóa (sGA, NSGA-II) vào bài toán tìm kiếm kiến trúc mạng nơ-ron tự động (NAS).
  • Người nghiên cứu xử lý tín hiệu âm thanh và tiếng nói tiếng Việt: Tham khảo công thức toán học, dòng xử lý chuẩn của 39 đặc trưng MFCC, kỹ thuật lọc tiền nhấn (Pre-emphasis), phân khung Hamming và cơ chế hoạt động của SincNet.
  • Kỹ sư phát triển hệ thống IoT: Tham khảo cấu trúc mạng VoiceNet rút gọn với số lượng tham số thấp để triển khai bài toán nhận diện người nói cục bộ (on-device speaker recognition) trên các thiết bị giới hạn tài nguyên phần cứng.

Câu hỏi thường gặp

1. Đầu vào và đầu ra của bài toán nhận diện người nói trong khóa luận được định nghĩa như thế nào?

Đầu vào của hệ thống là tín hiệu âm thanh giọng nói (Voice Signal) dạng đơn âm của một người. Đầu ra của mô hình là danh tính (Name) của người đã phát ra đoạn âm thanh đó, trả lời cho câu hỏi "Ai đang nói?".

2. Sự khác biệt cơ bản giữa bộ lọc SincNet và các lớp tích chập CNN thông thường là gì?

Trong mạng CNN thông thường, tất cả các phần tử trong mỗi bộ lọc tích chập đều phải tối ưu hóa qua quá trình huấn luyện (với $F$ bộ lọc dài $L$, số tham số cần học là $F \times L$). Ngược lại, SincNet triển khai bộ lọc thông dải dựa trên hàm Sinc tham số hóa $g[n, f_1, f_2]$ và chỉ cần học duy nhất 2 giá trị tần số cắt thấp ($f_1$) và tần số cắt cao ($f_2$) cho mỗi bộ lọc, giúp giảm đáng kể số lượng tham số.

3. Tập 39 đặc trưng MFCC trong khóa luận bao gồm những thành phần cụ thể nào?

Tập 39 đặc trưng MFCC bao gồm:

  • 12 hệ số Cepstral đầu tiên trích xuất từ phổ công suất qua ngân hàng bộ lọc Mel và biến đổi IDFT.
  • 1 đặc trưng năng lượng của khung âm thanh (Energy).
  • 13 hệ số đạo hàm bậc một theo thời gian ($\Delta$) ghi nhận sự thay đổi động của 13 hệ số đầu giữa các khung liền kề.
  • 13 hệ số đạo hàm bậc hai theo thời gian ($\Delta\Delta$) phản ánh tốc độ thay đổi của các hệ số đạo hàm bậc một.

4. Tại sao tác giả sử dụng giải thuật NSGA-II bên cạnh giải thuật di truyền đơn giản sGA?

Giải thuật sGA chỉ tối ưu hóa đơn mục tiêu (thường là độ chính xác). Trong khi đó, việc triển khai trên thiết bị IoT đòi hỏi mô hình phải vừa có độ chính xác cao vừa có dung lượng nhỏ. Giải thuật NSGA-II cho phép tối ưu hóa đa mục tiêu đồng thời: tối đa hóa độ chính xác (Accuracy) và tối thiểu hóa số lượng tham số có thể huấn luyện (NoTP), từ đó tìm ra tập các kiến trúc tối ưu trên biên Pareto.

5. Cơ chế mã hóa kiến trúc Model2Model được xây dựng như thế nào?

Dựa trên ý tưởng của Genetic CNN, mô hình Model2Model chia kiến trúc mạng thành 3 giai đoạn (Stage I, Stage II, Stage III) phân tách bởi các lớp Pooling. Mỗi giai đoạn được biểu diễn bằng một chuỗi nhị phân (ví dụ: 1-10 cho Stage I, 1-10-111 cho Stage II, 0-10 cho Stage III). Các bit 1 hoặc 0 quy định sự kết nối giữa các khối Identity Block và Convolution Block bên trong từng giai đoạn.

Kết luận

Khóa luận của tác giả Nguyễn Trường Lâu đã xây dựng thành công phương pháp tìm kiếm kiến trúc mạng nơ-ron tích chập tự động (NAS) cho bài toán nhận diện giọng người nói tiếng Việt bằng giải thuật di truyền (sGA) và giải thuật tối ưu đa mục tiêu (NSGA-II). Nghiên cứu giải quyết bài toán cân bằng giữa độ chính xác và dung lượng tính toán thông qua mô hình mã hóa Model2Model, từ đó tìm ra kiến trúc tối ưu VoiceNet. Bên cạnh việc đóng góp hai bộ dữ liệu giọng nói tiếng Việt (Famous Voice và Vietnam Voice), tác giả đã hiện thực hóa kết quả nghiên cứu thành ứng dụng VoiceNet-App phục vụ nhận diện danh tính và so khớp đặc trưng giọng nói.