Luận văn Thạc sĩ Khoa học máy tính: Mô hình Markov ẩn và ứng dụng xây dựng hệ thống nhận dạng tiếng nói

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:61

Thêm vào BST

Báo xấu

34
lượt xem 4
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Đề tài tập trung nghiên cứu xây dựng hệ thống nhận dạng tiếng Việt liên tục với hướng tiếp cận mẫu thống kê dựa vào mô hình Markov ẩn (HMM). Với giới hạn thời gian làm đồ án, việc xây dựng một hệ thống nhận dạng tiếng Việt liên tục với kích thước lớn là rất khó khăn vì vậy đề tài giới hạn nghiên cứu hệ thống nhận dạng tiếng nói tiếng Việt cho 10 chữ số. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Luận văn Thạc sĩ Khoa học máy tính: Mô hình Markov ẩn và ứng dụng xây dựng hệ thống nhận dạng tiếng nói

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG NGUYỄN THỊ THU HUYỀN MÔ HÌNH MARKOV ẨN VÀ ỨNG DỤNG XÂY DỰNG HỆ THỐNG NHẬN DẠNG TIẾNG NÓI LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH THÁI NGUYÊN - 2018
ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG NGUYỄN THỊ THU HUYỀN MÔ HÌNH MARKOV ẨN VÀ ỨNG DỤNG XÂY DỰNG HỆ THỐNG NHẬN DẠNG TIẾNG NÓI Chuyên ngành: Khoa học máy tính Mã số: 8480101 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Người hướng dẫn khoa học: TS. Vũ Vinh Quang THÁI NGUYÊN - 2018
i LỜI CAM ĐOAN Tôi xin cam đoan rằng đây là công trình nghiên cứu của tôi, có sự hỗ trợ từ Giáo viên hướng dẫn là TS. Vũ Vinh Quang . Các nội dung nghiên cứu và kết quả trong đề tài này là trung thực và chưa từng được ai công bố trong bất cứ công trình nghiên cứu nào trước đây. Những số liệu trong các hình phục vụ cho việc phân tích, nhận xét, đánh giá được chính tác giả thu thập từ các nguồn khác nhau có ghi trong phần tài liệu tham khảo. Ngoài ra, đề tài còn sử dụng một số nhận xét, đánh giá cũng như số liệu của các tác giả, cơ quan tổ chức khác, và cũng được thể hiện trong phần tài liệu tham khảo. Nếu phát hiện có bất kỳ sự gian lận nào tôi xin hoàn toàn chịu trách nhiệm trước Hội đồng, cũng như kết quả luận văn của mình. Thái nguyên, ngày …... tháng …... năm 2018 Tác giả NGUYỄN THỊ THU HUYỀN
ii LỜI CẢM ƠN Để hoàn thành luận văn này, em xin tỏ lòng biết ơn sâu sắc đến thầy TS. Vũ Vinh Quang, đã tận tình hướng dẫn trong suốt quá trình viết luận văn tốt nghiệp. Em chân thành cảm ơn quý thầy, cô trong trường Đại Học Công nghệ Thông tin và Truyền thông đã tận tình truyền đạt kiến thức trong hai năm học tập. Với vốn kiến thức được tiếp thu trong quá trình học là nền tảng cho quá trình nghiên cứu để em hoàn thành luận văn. Thái nguyên, ngày …... tháng …... năm 2018 Tác giả NGUYỄN THỊ THU HUYỀN
iii MỤC LỤC LỜI CAM ĐOAN ...................................................................................................... i LỜI CẢM ƠN ........................................................................................................... ii DANH MỤC CÁC HÌNH ẢNH ...............................................................................v DANH MỤC CÁC BẢNG BIỂU ........................................................................... vi DANH MỤC CÁC TỪ VIẾT TẮT ....................................................................... vii LỜI MỞ ĐẦU ............................................................................................................1 CHƯƠNG 1. MỘT SỐ KIẾN THỨC CƠ BẢN VỀ NHẬN DẠNG TIẾNG NÓI .3 1.1. Khái niệm chung ..................................................................................................3 1.1.1. Khái niệm nhận dạng tiếng nói .........................................................................3 1.1.2. Phân loại nhận dạng tiếng nói ...........................................................................4 1.1.3. Hệ thống nhận dạng tiếng nói tự động ..............................................................7 1.2. Các nghiên cứu hiện thời về nhận dạng tiếng nói ................................................8 1.2.1. Các nghiên cứu về nhận dạng tiếng nói ở nước ngoài ......................................8 1.2.2. Các nghiên cứu về nhận dạng tiếng nói tiếng Việt ...........................................9 1.3. Các hướng tiếp cận nhận dạng tiếng nói ............................................................10 1.4. Những khó khăn trong nhận dạng tiếng nói .......................................................11 1.5. Xử lý tiếng nói....................................................................................................13 1.5.1. Khái niệm xử lý tiếng nói................................................................................13 1.5.2. Kỹ thuật lấy mẫu tín hiệu ................................................................................13 1.5.3. Cấu trúc bộ lọc tín hiệu ...................................................................................13 1.5.4. Kỹ thuật dò tìm điểm cuối ...............................................................................15 1.5.5. Kỹ thuật rút trích đặc trưng .............................................................................16 1.5.6. Phương pháp tính hệ số MFCC .......................................................................18 1.6. Sơ lược về ngôn ngữ tiếng Việt .........................................................................23 1.6.1. Giới thiệu về âm tiết ........................................................................................23 1.6.2. Một số đặc điểm của âm tiết tiếng Việt ..........................................................23 1.6.3. Lý thuyết về âm vị...........................................................................................25 CHƯƠNG 2. TỔNG QUAN VỀ MÔ HÌNH MẠNG MARKOV ẨN ................27
iv 2.1. Mô hình Markov ẩn ............................................................................................27 2.2. Các bài toán cơ bản của mô hình Markov ẩn .....................................................30 2.2.1. Bài toán 1 ........................................................................................................30 2.2.2. Bài toán 2 ........................................................................................................30 2.2.3. Bài toán 3 ........................................................................................................31 2.3. Các thuật toán cơ bản .........................................................................................31 2.3.1. Thuật toán tiến (forward) ................................................................................31 2.3.2. Thuật toán lùi (Backward) ..............................................................................32 2.3.3. Các giải pháp giải quyết các bài toán cơ bản ..................................................32 2.4. So sánh các loại mô hình Markov ẩn .................................................................33 CHƯƠNG 3. XÂY DỰNG HỆ THỐNG NHẬN DẠNG TIẾNG VIỆT.............35 3.1. Tổng quan về HTK (HMM Tool Kit) ................................................................35 3.1.1. Giới thiệu hệ thống ..........................................................................................35 3.1.2. Mô hình các cấu trúc tập tin cơ bản khai báo HMM và MFCC cho nhận dạng tiếng nói ............................................................................................................36 3.1.3. Các bước xây dựng một mô hình nhận dạng tiếng nói sử dụng HTK ............40 3.1.4. Một số Modul sử dụng trong quá trình xây dựng hệ thống nhận dạng tiếng nói tiếng việt trong bộ công cụ HTK ......................................................................44 3.2. Xây dựng hệ thống nhận dạng chữ số Tiếng việt...............................................47 3.2.1. Xây dựng cơ sở dữ liệu chữ số tiếng việt.......................................................47 3.2.2. Bảng phiên âm 10 chữ số tiếng Việt ...............................................................47 3.2.3. Phương pháp xây dựng hệ thống nhận dạng chữ số tiếng việt .......................47 3.2.4. Các kết quả thực nghiệm .................................................................................48 KẾT LUẬN ..............................................................................................................51 TÀI LIỆU THAM KHẢO ......................................................................................52
v DANH MỤC CÁC HÌNH ẢNH Hình 1.1: Quá trình phát âm sẽ khác nhau tùy theo người nói ...................................6 Hình 1.2: Mô hình nhận dạng tiếng nói bán độc lập người nói ..................................6 Hình 1.3: Cấu trúc cơ bản của hệ thống ASR .............................................................7 Hình 1.4: Cấu trúc hệ thống nhận dạng ngôn ngữ có thanh điệu ................................9 Hình 1.5. Ví dụ về lấy mẫu tín hiệu F(t) trên miền thời gian ...................................13 Hình 1.6. Minh họa hoạt động của bộ lọc FIR ..........................................................14 Hình 1.7. Minh họa hoạt động của bộ lọc IIR...........................................................15 Hình 1.8. Dò tìm điểm cuối dựa trên mức năng lượng .............................................16 Hình 1.9. Sơ đồ rút trích vevtor đặc trưng tổng quát ................................................17 Hình 1.10. Các bước xử lý tính hệ số MFCC ...........................................................18 Hình 1.11. Sóng âm của chữ “ANH” trước khi làm phẳng (bên trái) và sau khi làm phẳng (Bên phải)...............................................................................19 Hình 1.12. Phân đoạn tín hiệu tiếng nói thành các khung có sự chồng lấp ..............20 Hình 1.13. Cửa sổ Hamming.....................................................................................20 Hình 1.14. Cửa sổ Hanning .......................................................................................21 Hình 1.15. Cửa sổ hình chữ nhật...............................................................................21 Hình 2.1: Minh họa mô hình Markov trong nhận dạng tiếng nói với 5 trạng thái và chèn sp ......................................................................................................28 Hình 2.2: Mô hình Markov ẩn với sáu trạng thái. .....................................................30 Hình 3.1: Minh họa sự giảm dần của năng lượng. .... Error! Bookmark not defined. Hình 3.2. Các Module và các chức năng trong HTK. ...............................................35 Hình 3.3. Các công cụ và chức năng trong HTK ......................................................36 Hình 3.4. Phân bố các tham số trong một số vector đặc trưng của HTK..................38 Hình 3.5. Các bước cơ bản xây dựng hệ thống nhận dạng tiếng nói ........................40 Hình 3.6: Mô hình HMM ..........................................................................................42
vi DANH MỤC CÁC BẢNG BIỂU Bảng 1.1: So sánh tỷ lệ lỗi nhận dạng của con người và máy tính trong một số hệ thống nhận dạng .........................................................................................8 Bảng 3.1: Bảng phiên âm 10 chữ số tiếng Việt ........................................................47 Bảng 3.2. Kết quả thử nghiệm hệ thống nhận dạng với bộ từ điển có chèn sp và không chèn sp ..........................................................................................49 Bảng 3.3. Kết quả thử nghiệm hệ thống nhận dạng với dữ liệu test trùng với dữ liệu huấn luyện ................................................................................................50
vii DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt Tiếng Anh Tiếng Việt AI Artificial intelligence Trí tuệ nhân tạo AR Augmented reality Tương tác thực tại ảo CSDL Database Cơ sở dữ liệu DBMS Database Management System Hệ quản trị cơ sở dữ liệu IoT Internet of things Internet vạn vật IR Information Retrieval Hệ thống tự động truy tìm thông tin MIRS Multimedia Indexing & Retrieval Hệ thống chỉ mục và truy tìm System thông tin đa phương tiện MMDBMS Multimedia Database Hệ thống quản trị cơ sở dữ liệu Management System đa phương tiện MRI Magnetic Resonance Imaging VR Virtual reality Thực tế ảo WWW World Wide Web
1 LỜI MỞ ĐẦU Tiếng nói là một phương tiện giao tiếp cơ bản nhất của loài người, nó hình thành và phát triển cùng với quá trình tiến hóa của loài người. Ngay từ khi hình thành tiếng nói đã thể hiện được sức mạnh như: Khả năng truyền đạt thông tin, tốc độ… Ngày nay, nhờ sự phát triển mạnh mẽ của khoa học kỹ thuật, máy móc dần dần thay thế các lao động bằng tay chân. Tuy nhiên để điều khiển máy móc, con người phải làm khá nhiều thao tác vừa tốn thời gian vừa phức tạp và cần phải được đào tạo. Chính vì lẽ đó, nhận dạng tiếng nói sẽ đóng vai trò rất quan trọng trong giao tiếp giữa người và máy. Nó giúp con người có thể điều khiển máy móc, thiết bị bằng giọng nói của mình đặc biệt là các thiết bị như: máy tính, điện thoại di động, rô bốt… Hiện nay, cùng với sự phát triển vượt bậc của ngành khoa học nhận dạng tiếng nói, những chiếc điện thoại quay số bằng giọng nói đã ra đời, máy tính cá nhân với phần mềm nhận dạng tiếng nói có thể trợ giúp cho những người khuyết tật về tay, chân hay khiếm thính. . Tuy vậy, những thành tựu trên lại là những nghiên cứu về nhận dạng tiếng nói ngôn ngữ nước ngoài. Với tiếng Việt, số lượng các nghiên cứu còn khá ít và dường như ít được quan tâm. Có thể nói rằng những nghiên cứu nhận dạng tiếng nói tiếng Việt chủ yếu tập trung vào nhận dạng từ rời rạc, hay hệ thống nhận dạng liên tục nhưng với kích thước nhỏ. Tuy nhiên, để ngành khoa học nhận dạng tiếng nói ở Việt Nam thực sự phát triển và đạt được những thành tựu to lớn để áp dụng vào thực tế thì lĩnh vực nhận dạng tiếng nói cần phát triển hơn nữa. Chính vì vậy, việc nghiên cứu nhận dạng tiếng nói đặc biệt là nhận dạng tiếng nói tiếng Việt là rất cần thiết để xây dựng các hệ thống nhận dạng, các ứng dụng nhận dạng tiếng nói thực sự hữu ích của riêng tiếng Việt. Đề tài này được xây dựng với mục đích tìm hiểu, nghiên cứu, so sánh và đánh giá các phương pháp, các hướng tiếp cận nhận dạng tiếng nói hiện nay trên thế giới như: Tiếp cận âm học, tiếp cận trí tuệ nhân tạo, nhận dạng mẫu thống kê (dựa vào
2 mô hình Markov ẩn (HMM), mạng Neural nhân tạo(ANN), hệ thống lai ghép giữa mô hình Markov và mạng Neural (HMM/ANN). Trên cơ sở đó lựa chọn ra phương pháp thích hợp nhất để áp dụng xây dựng hệ thống nhận dạng tiếng nói tiếng Việt. Đề tài có kế thừa các kết quả nghiên cứu về nhận dạng tiếng nói ngôn ngữ nước ngoài và một số kết quả nghiên cứu trong nước để đưa ra những điểm chung, và riêng của ngôn ngữ tiếng Việt với ngôn ngữ nước ngoài từ đó thiết kế, xây dựng và mở rộng bộ từ điển tiếng Việt cho hệ thống nhận dạng tiếng Việt liên tục. Hiện nay, có hai hướng xây dựng hệ thống nhận dạng tiếng nói: hệ thống nhận dạng từ rời rạc và hệ thống nhận dạng từ liên tục. Có thể nói rằng để xây dựng hệ thống nhận dạng từ liên tục là rất khó khăn so với nhận dạng từ rời rạc. Nhưng một hệ thống nhận dạng từ liên tục lại có ý nghĩa thực tế hơn nhiều so với hệ thống nhận dạng từ rời rạc. Chính vì yếu tố trên nên đề tài tập trung nghiên cứu xây dựng hệ thống nhận dạng tiếng Việt liên tục với hướng tiếp cận mẫu thống kê dựa vào mô hình Markov ẩn (HMM). Với giới hạn thời gian làm đồ án, việc xây dựng một hệ thống nhận dạng tiếng Việt liên tục với kích thước lớn là rất khó khăn vì vậy đề tài giới hạn nghiên cứu hệ thống nhận dạng tiếng nói tiếng Việt cho 10 chữ số.
3 CHƯƠNG 1 MỘT SỐ KIẾN THỨC CƠ BẢN VỀ NHẬN DẠNG TIẾNG NÓI 1.1. Khái niệm chung 1.1.1. Khái niệm nhận dạng tiếng nói Nhận dạng tiếng nói nhìn chung cũng là một quá trình nhận dạng mẫu, với mục đích là phân lớp tín hiệu tiếng nói (đầu vào) thành một dãy tuần tự các mẫu đã được học và lưu trữ trong bộ nhớ. Các mẫu có thể là các từ hay các âm vị. Với đặc thù tiếng nói là một dạng tín hiệu biến thiên theo thời gian và có sự khác biệt giữa tiếng nói của những người khác nhau, tốc độ nói khác nhau hay ngữ cảnh và môi trường âm học khác nhau. Thậm chí tiếng nói của cùng một người cũng không giống nhau: khi người đó khỏe thì tiếng nói của họ khác khi bị ốm. Đó chính là khó khăn cơ bản nhất của nhận dạng tiếng nói. Việc xác định những thông tin biến thiên nào là hữu ích và những thông tin nào là vô ích cho nhận dạng tiếng nói là rất quan trọng. Đây là một nhiệm vụ rất khó khăn mà ngay cả những kỹ thuật xác suất thống kê mạnh cũng không thể tổng quát hóa từ các mẫu tiếng nói những biến thiên nào là quan trọng và cần thiết cho nhận dạng tiếng nói. Nhìn chung hiện nay các nghiên cứu về nhận dạng tiếng nói dựa trên ba nguyên tắc cơ bản:  Tín hiệu tiếng nói được biểu diễn chính xác bởi các giá trị phổ trong miền thời gian ngắn (short-term amplitude spectrum). Nhờ yếu tố này ta có thể cắt khung tiếng nói trong một khoảng thời gian nhất định để trích rút ra các đặc trưng làm dữ liệu để nhận dạng tiếng nói.  Nội dung của tiếng nói ở dạng văn bản là một dãy các kí hiệu ngữ âm. Do đó ý nghĩa của một phát âm được bảo toàn khi 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 và suy đoán có giá trị trong quá trình nhận dạng tiếng nói nhất là khi thông tin về âm học không rõ ràng.
4 Ngành khoa học nhận dạng tiếng nói là một trong những ngành có lĩnh vực nghiên cứu khá rộng. Lĩnh vực nghiên cứu của nhận dạng tiếng nói có liên quan tới nhiều ngành khác nhau như:  Ngôn ngữ học (linguistics): Như đã nói ở trên khi chúng ta phiên âm phát âm thành các ký hiệu ngữ âm thì ý nghĩa của một phát âm không thay đổi. Vậy sự hiểu biết về cấu trúc của ngôn ngữ, đặc biệt là ngữ âm và vai trò của chúng trong việc tạo ra tiếng nói là rất quan trọng khi chúng ta xây dựng hệ thống nhận dạng tiếng nói.  Sinh lý học (physiology) và tâm lý học ứng dụng (applied psychology): Kiến thức về cấu tạo bộ máy phát âm của con người, về quá trình sản sinh tiếng nói cũng như phân tích âm học và ngôn ngữ tại bộ não để con người hiểu được tiếng nói.  Xử lý tín hiệu số (digital signal processing): Các kỹ thuật xử lý tín hiệu số dùng phân tích tín hiệu tiếng nói nhằm trích rút ra đặc trưng của tiếng nói cho quá trình nhận dạng.  Âm học (acoustic): Nghiên cứu mối quan hệ giữa tín hiệu tiếng nói và cơ chế sinh lý học của bộ máy phát âm của con người.  Lý thuyết nhận dạng: Các thuật toán dùng để phân loại dữ liệu thành các tập mẫu dựa trên sơ sở tính toán khoảng cách giữa các đặc điểm của mẫu.  Lý thuyết thông tin và khoa học máy tính (information and computer theory): Các thuật toán dùng để tính toán mô hình tham số của các mô hình thống kê, các thuật toán mã hóa và giải mã (lập trình động, thuật toán giải mã Viterbi) để quá trình nhận dạng tốt nhất. 1.1.2. Phân loại nhận dạng tiếng nói Nếu xét về độ dài các câu từ cần nhận dạng ta có thể phân thành nhận dạng từ liên tục và nhận dạng từ rời rạc. Ngoài ra ta còn có thể phân loại theo sự phụ thuộc hay độc lập người nói.
5 a. Nhận dạng từ liên tục và nhận dạng từ rời rạc Nhận dạng từ liên tục là nhận dạng tiếng nói được phát liên tục trong một chuỗi tín hiệu, như một câu nói hay một đoạn văn được đọc bởi người dùng. Các hệ thống nhận dạng loại này rất phức tạp, nó phức tạp bởi lẽ quá trình xử lý tiếng nói liên tục là khó khăn hơn nhiều so với từng từ riêng lẻ. Quá trình xử lý tiếng nói liên tục còn phụ thuộc vào việc người dùng nói nhanh hay chậm. Nếu người dùng nói không có khoảng nghỉ thì việc tách từ là khó khăn. Và chính kết quả của quá trình tách từ này có ảnh hưởng rất lớn tới các bước tiếp theo trong quá trình nhận dạng. Trái lại, trong nhận dạng từ rời rạc thì các phát âm được nhận dạng chỉ bao gồm một từ, hay một nhóm nhỏ các từ mà ở đó có các khoảng nghỉ trước và sau khi phát âm mỗi từ. Nhận dạng tiếng nói với các từ rời rạc thường được ứng dụng trong các chương trình dạng câu lệnh- điều khiển. Quá trình nhận dạng tiếng nói với các từ rời rạc là dễ hơn nhiều so với quá trình nhận dạng tiếng nói liên tục. b. Nhận dạng phụ thuộc người nói và độc lập người nói Một hệ thống nhận dạng tiếng nói phụ thuộc người nói là một hệ thống dường như chỉ phục vụ cho một người, nó sẽ không hiểu người khác nói gì nếu như không có quá trình huấn luyện lại từ đầu. Do đó nên hệ thống nhận dạng tiếng nói phụ thuộc người nói khó được chấp nhận rộng rãi bởi lẽ là quá tốn kém nếu bỏ ra kinh phí lớn chỉ để xây dựng hệ thống phục vụ cho một cá nhân, hay không phải ai cũng có đủ khả năng kiến thức và sự kiên nhẫn để ngồi huấn luyện lại hệ thống. Rõ ràng rằng hệ thống nhận dạng tiếng nói loại này khó được áp dụng vào thực tế nhất là nơi công cộng. Để khắc phục những nhược điểm trên thì hệ thống nhận dạng tiếng nói độc lập người nói là ưu việt hơn nhiều. Hệ thống nhận dạng tiếng nói độc lập người nói là lý tưởng hơn, có ứng dụng rộng rãi hơn và đáp ứng được hầu hết các yêu cầu đề ra với một hệ thống nhận dạng tiếng nói. Tuy nhiên, việc xây dựng một hệ thống nhận dạng độc lập người nói có độ chính xác cao cũng gặp không ít khó khăn. Trong thực tế mỗi vùng miền có một giọng nói khác nhau, mỗi người có một giọng nói khác nhau, thậm chí cùng một người giọng nói cũng khác nhau ở những
6 thời điểm khác nhau (Hình 1.2). Đó là yếu tố ảnh hưởng rất lớn đến mức độ chính xác trong nhận dạng tiếng nói. Để khắc phục nhược điểm này, hệ thống nhận dạng độc lập người nói cần được thiết kế phức tạp hơn với lượng dữ liệu huấn luyện lớn và đa dạng hơn nhiều lần. Nhưng làm được yêu cầu trên là khó và độ chính xác trong nhận dạng cũng chưa phải là tối ưu. Do đó, trong thực tế để giải quyết chất lượng nhận dạng người ta thường kết hợp cả hai phương pháp trên và xây dựng hệ thống nhận dạng bán độc lập người nói. Phương pháp này được thực hiện bằng cách thu một số lượng lớn các mẫu khác nhau để huấn luyện. Khi sử dụng hệ thống sẽ điều chỉnh cho phù hợp với người nói bằng cách để người dùng trải qua một quá trình ngắn để huấn luyện hệ thống (ví dụ như phần mềm nhận dạng tiếng nói được tích hợp trong Office của Microsoft). Hình 1.1: Quá trình phát âm sẽ khác nhau tùy theo người nói Hình 1.2: Mô hình nhận dạng tiếng nói bán độc lập người nói
7 1.1.3. Hệ thống nhận dạng tiếng nói tự động Hệ thống nhận dạng tiếng nói tự động (Automatic Speech Recognition – ASR) là hệ thống tự động chuyển đổi tiếng nói thành chữ viết hay thành một trong các chức năng của thiết bị. Các thành phần của một hệ thống nhận dạng tiếng nói bao gồm:  Rút trích đặc trưng tiếng nói: Biến đổi tiếng nói (tín hiệu âm thanh) thành chuỗi các vector đặc trưng cho quá trình nhận dạng đồng thời thực hiện quá trình dò tìm điểm đầu cuối của tiếng nói và lọc nhiễu.  Phân lớp và nhận dạng: Đây thực chất là quá trình dựa vào mô hình âm thanh, từ điển phát âm và mô hình ngôn ngữ của hệ thống để nhận dạng.  Giải mã: Quá trình giải mã có thể đơn giản là quá trình xuất ra chuỗi văn bản cần nhận dạng từ tín hiệu âm thanh vào hoặc đó là một quá trình phân tích chuỗi nhận được ứng với việc thực hiện tác vụ nào đó. Hình 1.3: Cấu trúc cơ bản của hệ thống ASR Hiện nay ASR có một số ứng dụng trong các lĩnh vực như: Điều khiển bằng tiếng nói (quay số điện thoại…), trong điện tử viễn thông (tổng đài điện thoại…).
8 1.2. Các nghiên cứu hiện thời về nhận dạng tiếng nói 1.2.1. Các nghiên cứu về nhận dạng tiếng nói ở nước ngoài Nghiên cứu nhận dạng tiếng nói đã được bắt đầu từ cuối thập niên 40 của thế kỉ 20, công nghệ nhận dạng tiếng nói đã có bước đi khá dài và cũng đã đạt một số thành tựu đáng kể. Một số phần mềm nhận dạng tiếng nói đã có mặt trên thị trường như các phần mềm nhận dạng tiếng nói đọc chính tả của IBM, phần mềm nhận dạng nói thật hay nói dối, …Và đặc biệt là với ngôn ngữ tiếng Anh hiện nay đã tạo được bộ cơ sở dữ liệu quý là: là bộ từ điển Beep và CSLU. Trong lĩnh vực nghiên cứu các ứng dụng nhận dạng tiếng nói trong viễn thông thì Speech Works là hãng phần mềm khá nổi tiếng. Hiện nay trên thế giới đã có nhiều trung tâm nghiên cứu về nhận dạng tiếng nói như: CSLU, Bell Labs, IBM Research Center, Microsoft Research… Nhìn chung môi trường thu âm tiếng nói có ảnh hưởng rất lớn đến độ chính xác của quá trình nhận dạng. Ở Mỹ hệ thống nhận dạng các số của thẻ tín dụng ngân hàng được đọc bởi người bán hàng tại các hệ thống cửa hàng bán lẻ có độ chính xác là 98% trong khi cùng hệ thống này trong môi trường phòng thí nghiệm thì độ chính xác lên tới 99,7%. Theo một đánh giá của Barbara s. (2001), high- Performance Automatic Speech Recognition via Enhanced Front-end Analysis and Acoustic Modeling [1] ta có bảng so sánh tỷ lệ lỗi nhận dạng của các hệ thống nhận dạng tiếng Anh so với khả năng nhận dạng của con người như sau (bảng 1.1): Bảng 1.1: So sánh tỷ lệ lỗi nhận dạng của con người và máy tính trong một số hệ thống nhận dạng Hệ thống Kích thước từ vựng Hệ thống nhận dạng Con nhận dạng tiếng nói (Máy tính) người Liên tục 10 0.72% 0.009% Các chữ cái 26 5% 1% Giọng nói tự nhiên 2000 36.7% 3.8% Qua bảng trên ta có thể thấy rằng tỷ lệ lỗi nhận dạng của con người là thấp hơn nhiều so với tỷ lệ lỗi nhận dạng bằng máy và tỷ lệ này càng được thể hiện rõ hơn trong môi trường nhiều nhiễu.
9 Bên cạnh các hệ thống nhận dạng tiếng nói ngôn ngữ châu Âu thì các hệ thống nhận dạng tiếng nói cũng đã được nghiên cứu ở Trung Quốc, Nhật Bản, Thái Lan. Nhìn chung, đã có nhiều nghiên cứu nhận dạng tiếng nói tiếng Trung đã được thực hiện, một số hệ thống nhận dạng tiếng trung kích thước lớn đã được xây dựng. Còn với ngôn ngữ Thái Lan, các nghiên cứu chủ yếu ở mức độ nhận dạng từ rời rạc. Tuy nhiên, với hệ thống nhận dạng từ liên tục thì hệ thống nhận dạng 10 chữ số Thái cũng đã đạt độ chính xác 96,89% . 1.2.2. Các nghiên cứu về nhận dạng tiếng nói tiếng Việt Nhận dạng tiếng nói tiếng Việt đi sau thế giới rất lâu và những kết quả đạt được còn rất hạn chế. Cho tới thời điểm hiện nay, các nghiên cứu nhận dạng tiếng nói tiếng Việt còn rất ít và tập trung nhiều vào nghiên cứu nhận dạng từ rời rạc. Hệ thống nhận dạng tiếng nói tiếng Việt giống như hệ thống nhận dạng các ngôn ngữ có thanh điệu khác, bao gồm hai quá trình nhận dạng song song đó là: nhận dạng các từ không có thanh điệu và nhận dạng thanh điệu rồi tổng hợp để đưa ra quyết định. Hình 1.4 mô tả một hệ thống nhận dạng ngôn ngữ có thanh điệu nói chung và tiếng Việt nói riêng: Hình 1.4: Cấu trúc hệ thống nhận dạng ngôn ngữ có thanh điệu Nghiên cứu về nhận dạng tiếng Việt được thực hiện đầu tiên Nhóm nghiên cứu của PGS.TS Lương Chi Mai - Viện công nghệ thông tin. Trong những đã qua Nhóm nghiên cứu đã đưa ra nhiều đề xuất và những kết quả quan trọng trong lĩnh vực nhận dạng tiếng nói tiếng Việt trên các bài báo khoa học như: “Về xử lý tiếng Việt trong công nghệ thông tin”,… Ngoài ra, nghiên cứu của tiến sĩ Nguyễn Thành Phúc đã đưa ra hệ thống nhận dạng tiếng Việt với mạng Neural và đưa ra mô hình phiên âm tiếng Việt.
10 Vào năm 2005, nhóm BK02 Đại học Bách khoa thành phố Hồ Chí Minh đã xây dựng chương trình nhận dạng tiếng nói tiếng việt với mã nguồn mở của Microsoft tuy nhiên kết quả còn nhiều hạn chế. Nhìn chung, những nghiên cứu về nhận dạng tiếng nói tiếng Việt còn rất ít và điều quan trọng nhất là chúng ta chưa có một bộ từ điển và bộ cơ sở dữ liệu tốt cho tiếng Việt. 1.3. Các hướng tiếp cận nhận dạng tiếng nói Nghiên cứu về nhận dạng tiếng nói được bắt đầu vào những năm 40 của thế kỉ 20 và đã đạt được những thành tựu đáng kể. Các nghiên cứu nhận dạng tiếng nói dựa trên 3 hướng tiếp cận chính: Tiếp cận Âm học, tiếp cận Nhận dạng mẫu thống kê (chủ yếu dựa trên mô hình Markov ẩn), tiếp cận Trí tuệ nhân tạo.  Hướng tiếp cận Âm học: Dựa vào các đặc điểm âm học được rút ra từ phổ âm thanh. Tuy nhiên kết quả của hướng tiếp cận này còn thấp vì trong thực tế các đặc trưng âm học có sự biến động rất lớn. Hơn nữa hướng tiếp cận này đòi hỏi tri thức rất đầy đủ về âm học. Chính vì các yếu tố trên nên hướng tiếp cận này ít được lựa chọn trong nghiên cứu nhận dạng tiếng nói.  Hướng tiếp cận Nhận dạng mẫu thống kê: Sử dụng các phương pháp máy học dựa trên thống kê để học và rút ra mẫu tham khảo (từ điển) từ lượng dữ liệu lớn. Sau đó, các mẫu cần nhận dạng được rút trích đặc trưng và phân vào lớp mà xác suất mẫu cần nhận dạng thuộc vào lớp đó là lớn nhất. Hướng này đang được sử dụng nhiều (chủ yếu là dựa vào mô hình Markov ẩn) và đã đạt được nhiều thành công như trong nhận dạng tiếng nói ngôn ngữ Tiếng Anh, tiếng Trung Quốc.  Hướng tiếp cận Trí tuệ nhân tạo: Là sự kết hợp của cả hai hướng tiếp cận âm học và tiếp cận nhận dạng mẫu thống kê. Hướng tiếp cận này kết hợp được cả tri thức của chuyên gia và phương pháp nhận dạng mẫu thống kê. Tuy nhiên, hiện nay phương pháp này chưa được áp dụng nhiều trong nghiên cứu nhận dạng tiếng nói vì nó đòi hỏi một tri thức rất lớn. Đây sẽ là hướng tiếp cận trong tương lai của nhận dạng tiếng nói.
11 Với mục đích nghiên cứu các phương pháp nhận dạng tiếng nói trên thế giới hiện nay để áp dụng vào bài toán nhận dạng tiếng nói ngôn ngữ tiếng Việt, phần tiếp theo của luận văn này sẽ đi sâu vào phân tích mô hình Markov ẩn để xây dựng hệ thống nhận dạng tiếng nói ngôn ngữ tiếng Việt. Mô hình Markov ẩn được lựa chọn bởi những lý do sau: Đây là mô hình được sử dụng rộng rãi trên thế giới trong lĩnh vực nhận dạng nói chung và nhận dạng tiếng nói nói riêng. Với những thành quả đã đạt được trên thế giới trong lĩnh vực nhận dạng tiếng nói, chúng ta có thể thừa hưởng những thành quả này để áp dụng vào bài toán nhận dạng tiếng nói ngôn ngữ tiếng Việt nhất là hiện nay ở nước ta chưa có nhiều nghiên cứu về nhận dạng tiếng nói. 1.4. Những khó khăn trong nhận dạng tiếng nói Qua các nghiên cứu về nhận dạng tiếng nói ngôn ngữ nước ngoài và Việt Nam, ta có thể rút ra được những khó khăn cơ bản trong việc xây dựng một hệ thống nhận dạng tiếng nói như sau:  Điều kiện môi trường: Tiếng nói có chất lượng thấp (nhiều nhiễu,…) do môi trường thu âm, do thiết bị thu âm… là vấn đề rất khó giải quyết triệt để cho các hệ thống nhận dạng tiếng nói. Trong môi trường phòng thí nghiệm, kết quả nhận dạng có độ chính xác cao hơn so với môi trường bên ngoài, đặc biệt là môi trường có nhiều nhiễu. Theo Olivier S. (1995), tỷ lệ lỗi của hệ thống nhận dạng tiếng nói với tiếng nói có tỉ số tín hiệu trên nhiễu SNR > 40dB (SNR-Signal ti Noise Ratio) thường tăng gấp nhiều lần (có thể lên tới 10 lần) so với tiếng nói có SNR>18dB.  Sự phụ thuộc người nói: Như đã nói ở trên, hệ thống nhận dạng tiếng nói có thể độc lập người nói (speaker independent) hoặc phụ thuộc người nói (speaker dependent). Để xây dựng một hệ thống nhận dạng độc lập người nói dành cho nhiều người là khó khăn hơn nhiều so với việc xây dựng hệ thống nhận dạng tiếng nói chỉ dành riêng cho từng người. Sự khó khăn này là do mỗi vùng miền, mỗi người có một giọng nói khác nhau, ngay bản thân một người nói tiếng nói của họ cũng không giống nhau tại các thời điểm khác nhau. Theo Tebelskis j.(1995), thì tỉ lệ lỗi nhận dạng của hệ thống nhận dạng tiếng nói độc lập người nói thường cao gấp 3 đến 5 lần so với hệ thống nhận dạng tiếng nói phụ thuộc người nói.