Báo cáo đồ án tốt nghiệp nghiên cứu mạng neurral và xây dựng ứng dụng nhận dạng tiếng việt

Lời nói đầu
Từ rất lâu, con người đã mong muốn xây dựng và phát triển các hệ
thống có khả năng thông minh như con người. Trong nhiều hướng nghiên
cứu nhằm triển khai các hệ thống thông minh, mạng Neural đang là sự lựa
chọn khá phổ biến. Chúng là cơ sở cho các giải pháp nhận dạng, tự động
hóa điều khiển, trí tuệ nhân tạo… Mạng Neural nhân tạo là hệ thống xử lý
thông tin mới mẻ trong việc ứng dụng vào điều khiển và tự động hóa. Với
việc kết hợp chặt chẽ các hệ logic mờ, mạng Neural nhân tạo đã tạo nên
một cuộc cách mạng thực sự trong việc thông minh hóa và vạn năng hóa
các bộ điều khiển kỹ thuật cao trong giai đoạn hiện nay và cả trong tương
lai. Cùng với sự phát triển của công nghệ thông tin không thể không kể đến
công nghệ xử lý tiếng nói như: nhận dạng tiếng nói, chuyển lời nói thành
chữ viết và ngược lại… Mục tiêu đặt ra xây dựng một hệ thống nhận dạng
tiếng nói bằng máy tính. Tuy nhiên đây là vấn đề rất phức tạp vì độ biến
động của mẫu âm thanh là vô cùng lớn, cùng với yếu tố cơ bản là cơ quan
phát âm còn có sự ảnh hưởng nhiễu của môi trường truyền âm, ngoài ra
giọng nói của mỗi người mỗi khác, mỗi địa phương mang một sắc thái
riêng… Đó là một trong nhiều nguyên nhân làm bài toán nhận dạng tiếng
nói mặc dù đã được nghiên cứu từ lâu nhưng kết quả vẫn còn hạn chế. Bài
toán nhận dạng tiếng nói thường được chia thành các bài toán nhỏ hơn như:
nhận dạng thanh điệu, nhận dạng với số từ hữu hạn, nhận dạng các từ phát
âm rời rạc, nhận dạng câu, nhận dạng phụ thuộc người nói, nhận dạng độc
lập người nói.v.v. Vấn đề nhận dạng tiếng nói ngày càng trở nên cấp thiết,
với ứng dụng rộng, thiết thực vào mọi lĩnh vực của cuộc sống. Các nước
trên thế giới đều đang cố gắng xây dựng chương trình nhận dạng tiếng nói
cho mình.
1
Đối với tiếng Việt, hiện nay đang trong quá trình nghiên cứu và kết
quả vẫn còn nhiều khiêm tốn. Do đó nhu cầu giải quyết bài toán nhận dạng
tiếng nói tiếng Việt càng trở nên cần thiết. Với lý do đó em đã chọn hướng
nghiên cứu trong đồ án về lĩnh vực nhận dạng tiếng nói và giải quyết bài

toán nhỏ trong nhận dạng tiếng nói là nhận dạng một số từ tiếng Việt với số
người nói hữu hạn. Qua việc nghiên cứu về mạng Neural em đã sử dụng
mạng để giải quyết bài toán nhận dạng tiếng Việt với số người nói hữu hạn.
Một số mục tiêu chính trong đồ án:
■ Tìm hiểu về đặc điểm âm thanh tiếng Việt.
■ Các vấn đề của phân tích tiếng nói:
1. Các kỹ thuật tiền xử lý âm thanh.
2. Các đặc trưng của âm thanh và phương pháp trích trọn
đặc trưng.
■ Nghiên cứu mạng Neural:
Ứng dụng mạng trong giải quyết bài toán nhận dạng âm
thanh tiếng Việt.
■ Xây dựng, thử nghiệm chương trình nhận dạng một số từ
tiếng Việt.
Trong thời gian làm đồ án, với sự cố gắng nỗ lực của bản thân, dưới
sự hướng dẫn tận tình của thầy giáo PGS.TS, cùng với sự quan tâm, giúp
đỡ của các thầy cô giáo trong khoa công nghệ thông tin và tập thể lớp tin
học 38, em đã hoàn thành đề tài “Nghiên cứu mạng Neurral và xây dựng
ứng dụng nhận dạng tiếng Việt”.
Nội dung đồ án được chia thành các chương như sau:
Chương 1: Cấu trúc ngôn ngữ tiếng Việt.
Chương 2: Các kỹ thuật phân tích dữ liệu tiếng nói.
Chương 3: Tìm hiểu về mạng Neural.
Chương 4: Ứng dụng mạng Neural nhận dạng một số từ tiếng Việt.
2
Mặc dù đã có nhiều cố gắng nhưng đồ án không tránh khỏi thiếu sót,
em rất mong được sự chỉ bảo của các thầy cô giáo và sự đóng góp ý kiến
của các đồng chí và các bạn.
Em xin trân trọng cảm ơn!
3

Lời nói đầu 1
Chương 1. CẤU TRÚC NGÔN NGỮ TIẾNG VIỆT 4
1.1 Tiếng nói và nhận dạng tiếng nói 4
1.2 Hệ thống ngữ âm tiếng Việt 7
CHƯƠNG 2. KỸ THUẬT PHÂN TÍCH DỮ LIỆU TIẾNG NÓI 13
2.1. Cấu trúc File “.Wav” 13
2.2. Các kỹ thuật tiền xử lý 15
2.3. Các kỹ thuật trích rút đặc trưng 27
CHƯƠNG 3. TÌM HIỂU VỀ MẠNG NEURAL 37
3.1. Các khái niệm chung về mạng Neural 37
3.2. Mạng Neural lan truyền ngược 42
CHƯƠNG 4. ỨNG DỤNG MẠNG NEURAL NHẬN DẠNG ÂM THANH TIẾNG
VIỆT 51
4.1. Thiết kế hệ thống nhận dạng 51
4.2. Thiết kế mạng Neural lan truyền ngược 53
4.3. Các đầu vào nhận dạng 55
4.5. Phân tích và đánh giá kết quả 67
Kết luận 69
Các tài liệu tham khảo 70
Chương 1. CẤU TRÚC NGÔN NGỮ TIẾNG VIỆT
1.1 Tiếng nói và nhận dạng tiếng nói.
Tiếng nói được dùng để trao đổi thông tin giữa người nói và người
nghe, tiếng nói có một vị trí quan trọng trong xã hội loài người bởi vì tiếng
nói và lao động là các nhân tố tạo lên sự phát triển của xã hội loài người.
Tiếng nói, hay ngôn ngữ là một vấn đề vô cùng phức tạp và đã được
nhiều các nhà khoa học trên thế giới quan tâm nghiên cứu dưới nhiều góc
độ khác nhau. Dưới góc độ CNTT tiếng nói và nhận dạng tiếng nói có một
vai trò to lớn giải quyết nhiều bài toán hóc búa mà từ trước nay con người
đang quan tâm. Bài toán thông dịch các ngôn ngữ khác nhau, bài toán giao
tiếp giữa người và máy, bài toán cho người khiếm thị sử dụng máy

4
tính đều liên quan nhiều đến nhận dạng tiếng nói. Trên thế giới các nhà
khoa học đã nghiên cứu nhiều về vấn đề này nhưng nhận dạng tiếng Việt
đã và đang là vấn đề mới được các nhà khoa học ở Việt nam nghiên cứu.
Với một vị trí quan trọng trong nhiều lĩnh vực, tiếng Việt và nhận
dạng tiếng Việt cần phải được quan tâm nghiên cứu nhiều hơn nữa. Dưới
góc độ nghiên cứu học hỏi, bước đầu tôi đã nghiên cứu âm thanh, tiếng nói
và nhận dạng với các phát âm từ đơn và nghiên cứu các vần và phụ âm
trong Tiếng Việt.
Quá trình phát âm của con người có thể được mô tả như sau:
+ Khí được đẩy từ phổi qua vòm họng ra miệng phát thành âm.
+ Khi dây thanh quản rung tạo ra các xung âm thanh và phát ra tiếng
kêu (voiced sound).
+ Nếu dây thanh quản không rung nhưng mở liên tục tạo ra âm câm
(Unvoice).
+ Khi nói hình dạng vòm họng, thanh quản thay đổi tạo ra các âm
khác nhau.

+ Hình dạng vòm họng thay đổi chậm trong khoảng từ 10 đến
100ms.
+ Lượng khí từ phổi đẩy ra xác định âm lượng phát ra.
5
Cách tạo ra tiếng nói như trên là nguyên lý cơ bản cho các tiếng nói
chung trên thế giới nhưng đi sâu vào nghiên cứu thì mỗi tiếng nói của các
nước khác nhau nó có điểm chung và điểm riêng biệt khác nhau chính điểm
riêng biệt khác nhau này là một thuộc tính quan trọng để có thể nhận dạng
tốt được các loại tiếng nói của các nước khác nhau.
Bài toán nhận dạng tiếng nói là một bài toán khó, ví dụ một số đặc
điểm sau cần quan tâm:
-Kích thước từ điển: Với hệ thống có kích thước từ điển nhỏ thì hiệu

quả nhận dạng không cao, còn hệ thống nhận dạng có bộ từ điển lớn thì
không gian lưu trữ có hạn và việc tính toán nhận dạng cũng phức tạp.
-Môi trường phát âm để nhận dạng là một yếu tố quan trọng trong
nhận dạng âm thanh. Với môi trường yên tĩnh thì hiệu quả nhận dạng cao
nhưng với môi trường nhiều tạp âm thì hiệu quả nhận dạng thấp có khi
không nhận dạng được.
-Ngữ pháp của tiếng nói cũng là một vấn đề phức tạp trong nhận
dạng, với mỗi quốc gia có kiểu nói và ngữ pháp của ngôn ngữ khác nhau do
đó để nhận dạng tốt với mỗi tiếng nói là việc rất phức tạp, đã được rất
nhiều các nhà khoa học nghiên cứu và đã đi theo nghiên cứu nhận dạng
theo các hướng sau:
-Hệ thống nhận dạng tiếng nói độc lập hay phụ thuộc vào người nói:
Hệ thống nhận dạng phụ thuộc người nói được dùng để thực hiện
học và nhận dạng cho một người nói. Hệ thống này nhận dạng có hiệu quả
tương đối cao so với hệ thống nhận dạng độc lập với người nói vì hệ
thống này khi học sẽ dùng nhiều mẫu học của nhiều người nói khác nhau
và khi nhận dạng cũng phải nhận dạng nhiều người nói. Tuy nhiên ở kiểu
nhận dạng phụ thuộc người nói có yếu điểm là phải học lại mẫu khi nhận
dạng với một người nói mới chưa được học qua hệ thống. Cả hai kiểu nhận
dạng trên đều được dùng khi nhận dạng tiếng nói.
6
-Nhận dạng phát âm từ đơn lẻ hay nhận dạng phát âm liên tục
Hệ thống nhận dạng từ đơn được học với các đơn vị nhỏ nhất của
phát âm hay còn gọi là các âm tiết. Ở kiểu nhận dạng này người nói phải
nghỉ với một khoảng thời gian dài giữa hai phát âm. Công việc phát hiện ra
điểm đầu và điểm cuối của một phát âm tạo ra một khung bao của phát âm
để nhận dạng. Khi từ điển cho nhận dạng phát âm từ đơn quá lớn, chúng ta
phải cấu trúc lại cách học với kiểu dùng chung các phát âm của một từ.
Nhận dạng phát âm liên tục là một hệ thống nhận dạng phức tạp
được dùng để nhận dạng các phát âm liên tục, ở hệ thống này thời gian

nghỉ giữa hai âm vị là tương đối ngắn, các nói tự nhiên trong thực tế là một
mô hình của cách phát âm liên tục.Ở hệ thống nhận dạng này, đầu tiên hệ
thống nhận dạng phải có khả năng xác định được các khung bao của các
phát âm, sau đó hệ thống nhận dạng phải biểu hiện các đặc tính của tín
hiệu phát âm để nhận dạng. Với hệ thống nhận dạng các phát âm liên tục
không nhất thiết yêu cầu nhiều mẫu của nhiều người nói mà điểm mạnh
của nó thể hện qua thuật toán nhận dạng với các đặc trưng quan trọng nhất
của một phát âm. Nhận dạng phát âm liên tục là hệ thống được dùng nhiều
trong các ứng dụng trong thực tế.
-Nhận dạng tiếng nói kết nối là một kiểu nhận dạng phát âm liên tục
với bộ từ điển nhận dạng nhỏ. Ở kiểu nhận dạng này câu phát âm được cắt
ra thành các phát âm nhỏ, hệ thống nhận dạng các phát âm cắt ra sau đó
được ghép nối lại.
1.2 Hệ thống ngữ âm tiếng Việt.
1.2.1 Khái niệm.
Chuỗi lời nói của con người được chia ra thành nhiều đoạn
nhỏ như câu, từ, cụm từ và cuối cùng là âm tiết. Âm tiết là đơn vị phát
7
âm nhỏ nhất, không phân chia được nữa dù nói chậm đến đâu (mà vẫn giữ
đúng ý nghĩa âm tiết đó).
Mỗi âm tiết bao gồm nhiều yếu tố ngữ âm tạo thành và các
yếu tố ngữ âm hầu như phát âm cùng lúc để tạo nên đúng âm tiết đó. Bên
cạnh đó người ta còn xem âm tiết bao gồm nhiều yếu tố đoạn tính – là các
yếu tố có giới hạn phân đoạn trong âm tiết như phụ âm, vần và âm đệm –
và các yếu tố siêu đoạn tính – các yếu tố mà không giới hạn trong âm tiết
như ngữ điệu, thanh điệu. Đặc điểm riêng của âm tiết tiếng Việt là đơn âm
và mang thanh điệu.
1.2.2 Cấu trúc âm tiết tiếng Việt.
Cấu trúc âm tiết tiếng Việt được xem xét theo nhiều cách,
nhưng chúng ta cũng có thể xem xét theo quan điểm sau:

Ta thấy rằng quan niệm truyền thống tiếng Việt có bảng chữ
cái gồm 17 phụ âm, 10 vần và 5 dấu, trên cơ sở đó tất cả các từ đơn được
sinh ra. Các từ đơn này là cơ sở tạo ra tất cả các từ trong tiếng Việt. Với
cách quan niệm trên, người ta có thể phân tích, nghiên cứu tiếng Việt ở
nhiều khía cạnh khác nhau như vần, điệu, ngữ pháp, ngữ nghĩa, cách phát
âm, v.v.
Tuy nhiên với cách quan niệm trên làm cho chúng ta gặp
nhiều khó khăn về thuật toán như làm tăng dung tích bộ nhớ, tăng thời gian
xử lý. Do đó để đơn giản hoá khi nghiên cứu nhận dang tiếng Việt người ta
có thể quan niệm toàn bộ tiếng Việt được xây dựng từ một bảng gồm 26
phụ âm và 620 vần, đồng thời có 620 vần. Như thế chúng ta có thể xem
mọi từ trong tiếng Việt có cấu trúc như sau:
[<PHỤ ÂM>] & [<NGUYÊN ÂM>] (*)
Trong đó <PHỤ ÂM> có thể có hoặc không, thành phần
<NGUYÊN ÂM> bắt buộc phải có. Theo dạng (*) khi đó toàn bộ tiếng
Việt có:
8
26*620+620=16.740 từ
Dưới đây là là bảng các phụ âm và vần được phân chia theo độ
dài:
Bảng các phụ âm:
Các phụ âm Số lượng
Phụ âm đơn b,c,d,đ,g,h,k,l,m,n,p,q,r,s,t,v,x 17
Phụ âm ghép Ch,kh,nh,gh,th,ng,ngh,tr 9
Bảng vần đơn:
Các vần đơn Số lượng
a A,à,á,ả,ã,ạ,ă,ắ,ằ,ẳ,ẵ,ặ,â,ầ,ấ,ậ,ẫ,ẩ 18
o O,ò,ó,ỏ,õ,ọ,ô,ồ,ố,ổ,ỗ,ộ,ơ,ờ,ớ,ở,ỡ,ợ 18
e E,è,é,ẻ,ẽ,ẹ,ê,ề,ế,ể,ễ,ệ 12
i I,ì,í,ỉ,ĩ,ị 06

u U,ù,ú,ủ,ũ,ụ,ư,ừ,ứ,ử,ữ,ự 12
y Y,ý,ỳ,ỷ,ỹ,y 06
Vần kép loại 1:
a Ai,ài,ái,ải,ãi,ại; ao,ào,áo,ảo,ão,ạo, ay,ày,áy,ảy,ãy,ạy;
âi,ầi,ấi, ẩi,ẫi,ậi, ăi, ằi,ắi,ẳi,ẵi,ặi, au, àu,áu,ảu,ãu,
ạu,âu,ấu,ầu,ẩu,ẫu,ậu; ây,ấy,ầy,ẩy,ẫy ậy;
48
e Ei, éi, èi,ẻi,ẽi,ẹi, eo,éo,ẻo,ẽo,ẹo; 30
9
eu,éu,èu,ẻu,ẽu,ẹu,êi,ềi,ếi,ểu,ễi,ệi,êu,ếu,ều,ểu,ễu,ệu;
o Oa,oà,oá,oả,oã,oạ; oe,oè,oé,oẻ,oẽ,oẹ;
oi,òi,ói,ỏi,õi,ọi,ôi ối,ồi,ổi,ỗi,ội
24
u Ua,úa,ùa ủa,ụa,ui,úi,ùi,ủi, ũi, ụi, uê, uế, uễ, uệ, ưi, ừi
ứi, ửi, ữi, ựi, ưu, ừu, ứu, ửu, ữu, ựu, uy, uý, uỳ, uỷ,
uỹ, uỵ;
48
Vần kép loại 2:
c Ác, ạc, ắc, ặc, ấc,ậc, éc, ẹc, ếc, ệc, íc, ịc, óc, ọc, ốc,
ộc, ớc, ợc, úc, ục, ức, ực
22
t Át,ạt, ắt, ặt, ất, ật, ét, ẹt, ết,ệt, ít, ịt, ót, ọt,
ốt,ột,ớt,ợt,út, ụt, ứt, ựt
22
p Áp, ạp, ắp, ặp, ấp , . . . ., ,ứp,ựp 22
m Am, ám,àm ảm, ãm ạm , , ,ữm,ựm 60
n An, án, àn, ản, ãn, ạn, . . . . , ,. . . . ,ữn, ựn 60
Vần kép ba:
nh Anh, ành, ánh, ảnh, ãnh, ạnh; inh, ính, ình,ỉnh,ĩnh, ịnh;
ênh, ềnh, ểnh ễnh, ệnh;

18
ng Ang, àng,áng,ảng,ãng,ạng; ăng, ằng, ắng,ẳng, ẵng, ặng;
Âng,ấng,ầng,ẩng, ẫng, ậng; ing,
Eng, ;êng
Ong, ;ông
60
10
Ung ;ưng
ch Ách,ạch,ấch,ậch, ích,ịch, ếch, ệch, óch, ọch, úch, ụch 12
n Oen, oèn, oén, oẻn, oẽn; Ian; iàn, ián, iản, iạn, oan, oàn,
oán, oản, oãn, oạn
18
i/y Oai,oài,oái, oải, oại, oay, oày, oáy, oảy, oãy, oạy 12
o Iao, iào, iáo, iảo, ião, iạo 06
Bảng vần bốn:
nh Uanh,uành,uánh, uảnh,uạnh,uynh,uỳnh, ýnh, uỷnh,
uỹnh, uỵnh; oanh, oành, oánh, oảnh, oãnh, oạnh
18
ng Uang, uàng, uáng, uảng, ũng, uạng; uâng, uầng, uấng,
uẩng, uẫng, uậng, uông, uồng, uống, uổng, uỗng,uộng,
ương, ường, ưỡng, ưởng, ượng;
Iang, iàng, iáng, iảng, iạng, iêng, iềng, iếng, iểng, iễng,
iệng; oang, oàng, oáng, oảng, oãng, oạng; oăng, oằng,
oắng, oẳng, oẵng, oặng
48
Từ cách phân loại trên ta thấy:
Có:
• 26 phụ âm
• 72 vần đơn
• 150 vần kép loại 1

• 186 vần kép loại 2
• 126 vần 3
• 66 vần 4
11
Để nhất quán trong các quy tắc chúng ta quy ước y và các từ có ký tự
y đứng đầu đều là vần. Số từ bắt đầu bằng từ y trong tiếng Việt có tất cả 30
từ.
Với quan niệm từ tiếng việt có cấu trúc [<PHỤ ÂM>] &
[<NGUYÊN ÂM>] thì số lượng từ tăng lên so với quan niệm truyền thống,
vì một loạt từ dạng như po, pó, py, pý, poăng, poặng bây giờ là từ Việt,
nhờ đó việc phiên âm để đọc tiếng nước ngoài đơn giản hơn.
Trong phạm vi nghiên cứu của luận văn này tôi đã đi theo quan điểm
thứ hai để nghiên cứu áp dụng cho nhận dạng các vần và phụ âm trong
tiếng Việt.
12
CHƯƠNG 2. KỸ THUẬT PHÂN TÍCH DỮ LIỆU TIẾNG NÓI
Trong xử lý tiếng nói bao gồm: Phân tích tiếng nói, tổng hợp tiếng
nói và nhận dạng tiếng nói. Việc phân tích tiếng nói là vấn đề quan trọng,
quyết định đến kết quả của xử lý tiếng nói theo các hướng nhận dạng hay
tổng hợp. Việc phân tích tiếng nói tốt sẽ cho ta trích chọn được các đặc
trưng cơ bản, quan trọng nhất của tiếng nói để phục vụ cho công việc nhận
dạng.
Như vậy mục đích của việc phân tích tiếng nói nhằm tách ra được
các tham số đặc trưng cho tín hiệu tiếng nói. Các tham số này sẽ được ứng
dụng trong nhận dạng hay tổng hợp tiếng nói. Mục đích của đồ án là trích
chọn ra các đặc trưng về: năng luợng và độ lớn trung bình thời gian ngắn,
tần số cắt không trung bình thời gian ngắn, tần số Pitch. Việc xác định tốt
được các đặc trưng nói trên sẽ cho phép ta xây dựng được hệ thống nhận
dạng tiếng nói đạt chất lượng cao.
Có nhiều kỹ thuật phân tích âm thanh khác nhau, trong đó kỹ thuật

phân tích trực tiếp trên tín hiệu trong miền thời gian yêu cầu khối lượng
tính toán nhỏ và cung cấp lượng thông tin lớn để xác định các đặc trưng
của tiếng nói. Tín hiệu tiếng nói là một loại tín hiệu biến đổi theo thời gian.
Điều này có thể thấy rõ khi biểu diễn tiếng nói dưới dạng sóng. Vấn đề ở
chỗ cần phân tích chuỗi tín hiệu này để trích rút ra được các đặc trưng để
phân biệt các tiếng nói với nhau.
2.1. Cấu trúc File “.Wav”.
Một file wave là một phần của một lớp file lớn hơn dùng bởi các
hàm Multimedia của Windows là các file RIFF (Resource Interchange File
Format). Một file RIFF bao gồm một hoặc nhiều chunk. Mỗi chunk có con
trỏ chỉ đến chunk kế tiếp. Mỗi chunk có một mô tả kiểu theo sau bởi một số
13
dữ liệu. Một ứng dụng để đọc các file RIFF có thể đi qua một số chunk,
đọc các chunk cần quan tâm và bỏ qua các chunk không liên quan.
•Cấu trúc file.wav gồm những phần sau:
- RIF chunk: kích thước 12 byte.
+ 0 –3 : “RIF” (mã tự ASCII), đây là xâu ký tự định danh các
file âm thanh có đuôi *.wav.
+ 4 –7: độ dài tổng cộng của thông tin phần sau, nó được tính
bằng công thức: độ dài tổng cộng = độ dài của file *.wav –8.
+ 8 –11: là xâu “WAVE”.
- FORMAT chunk: kích thước 24 byte.
+ 0 – 3: là xâu ký tự bắt đầu khối định dạng dữ liệu.
+ 4 – 7: độ dài của FORMAT chunk.
+ 8 – 9: 0x01.
+ 10 –11: số chanel (kênh) (0x01 = mono, 0x02 = stero).
+ 12 –15: sample rate (tốc độ lấy mẫu), thường là các giá trị
xác định như: 11.025 kHz, 22.5 kHz, 44.1 kHz.
+ 16 –19: bytes per second, giá trị này cho biết số byte được
truy xuất trong 1 giây.

+ 20 –21: bytes per sample (1 =8 bit mono, 2 =8 bit stereo
hoặc 16 bit mono, 4= 8 bit stereo), giá trị này cho biết số byte
dùng để mã hoá một mẫu trong quá trình lượng tử hoá.
+ 22 –23: bits per sample, là số bit trong một mẫu được lấy.
- DATA chunk:
+ 0 –3: là xâu “data”, xâu là báo hiệu bắt đầu phần dữ liệu.
+ 4 –7: độ dài dữ liệu.
+ 8 - hết: là dữ liệu.
• Tóm tắt cấu trúc của wave file như sau:
14
Kích thước (số bytes) Giá trị
4 “RIFF”
4 Kích thước file RIFF
4 “WAVE”
4 “fmt ”
4 Kích thước subchunk “fmt ”
2 Kiểu mã hoá dữ liệu của file wave
2 Số kênh: + 1 – mono
+ 2 – stereo
4 Số mẫu /1giây
4 Số bytes/1giây
2 Số bytes/1mẫu
2 Số bits/1mẫu
4 “data”
4 Kích thước vùng dữ liệu
Dữ liệu sóng âm
2.2. Các kỹ thuật tiền xử lý.
2.2.1. Các đơn vị cơ bản.
Các đơn vị cơ bản của tín hiệu tiếng nói bao gồm: Tần số lấy
mẫu, tần số cơ bản, Formant, biên độ, và nhiễu.

*Tần số lấy mẫu:
Bản chất của âm thanh là các sóng âm. Đây là tín hiệu tương
tự. Để có thể biểu diễn âm thanh trong máy tính và áp dụng các kỹ thuật xử
lý tín hiệu số thì bước đầu tiên là phải chuyển đổi các tín hiệu tương tự
thành các dãy số. Quá trình này được thực hiện bằng cách lấy mẫu tín hiệu
âm thanh theo một tần số lấy mẫu thích hợp ( tần số lấy mẫu là số mẫu lấy
trong một đơn vị thời gian).
Với tín hiệu tương tự x(t), chu kỳ lấy mẫu T (tần số lấy mẫu
1/T) thu được dãy số X(n):
15
X(n)=x(n*T) với -∞ < n < ∞
Để đảm bảo quá trình số hoá không làm mất mát thông tin của
phổ tín hiệu thì tần số lấy mẫu F
s
=1/T phải đủ lớn. Giá trị đủ lớn của F
s
phải tuân theo định lý lấy mẫu: Tín hiệu liên tục theo thời gian có bề rộng
phổ hữu hạn với tần số cao nhất f Hz có thể được khôi phục một cách duy
nhất từ các mẫu nếu quá trình lấy mẫu được thực hiện với tốc độ F
s
>=2f
mẫu trên một giây. Đối với chuẩn của file âm thanh thì tần số lấy mẫu thấp
nhất là 8000Hz điều này có nghĩa là quá trình số hóa chỉ áp dụng với các
tín hiệu tương tự có tần số cao nhất là 4000Hz-phù hợp với tiếng nói con
người có tần số từ 40Hz-4000Hz.
*Formant:
Formant hay còn gọi là các họa âm, đóng vai trò tạo nên âm sắc
của âm thanh. Formant là giải tần số được tăng cường do hiện tượng cộng
hưởng, đặc trưng cho âm sắc của mỗi vần.Trong mỗi dải tần như thế có
một tần số được tăng cường hơn cả và được gọi là đỉnh của Formant. Một

vần do người phát ra có nhiều Formant, trong số đó có 2 Formant ứng với
hộp cộng hưởng miệng và hộp cộng hưởng yết hầu, các Formant khác đặc
trưng cho giọng nói từng người.
*Tần số cơ bản:
Sóng âm thanh do con người phát ra rất phức tạp. Nó có dạng
đường cong phức tạp, có chu kỳ. Khi phát ra một âm có tần số f
1
thì con
người cũng đồng thời phát ra âm có tần số 2f
1
, 3f
1
, 4f
1
Âm có tần số f
1
được gọi là âm cơ bản, tần số f
1
được gọi là tần số cơ bản. Các âm khác
được gọi là các hoạ âm (Formant) thứ nhất, hoạ âm thứ 2 Âm cuối cùng
(âm nghe được) là âm tổng hợp của âm cơ bản và các hoạ âm. Do đó đường
biểu diễn của nó là một đường cong phức tạp có tần số là tần số cơ bản.
*Biên độ:
16
Biên độ là một đặc trưng quan trọng của sóng âm, đó là li độ lớn
nhất của sóng âm so với vị trí cân bằng. Sóng âm thanh khi thu vào máy
tính sẽ được số hoá thành một chuỗi các số rời rạc với miền giá trị tuỳ theo
độ phân giải, số kênh, tần số lấy mẫu. Độ phân giải được hiểu theo nghĩa là
số bit được dùng để biểu diễn một mẫu thu được trong quá trình lấy mẫu.
Với độ phân giải 8bit, miền giá trị của các mẫu là khoảng đóng [0,255]; độ

phân giải 16bit, miền giá trị này là khoảng đóng [0,65535]. Do đó xác định
chính xác biên độ của sóng là một bài toán khó và trên thực tế là không cần
thiết phải giải quyết tuyệt đối chính xác vì cái mà ta thực sự quan tâm là sự
biến thiên của biên độ. Do đó bài toán này thường được giải quyết bằng
phương pháp giải gần đúng. Trước hết ta xác định gần đúng ngưỡng không,
sau đó biên độ sẽ được tính bằng trị tuyệt đối hiệu của giá trị số hoá trừ đi
giá trị của ngưỡng không. Giá trị của ngưỡng không tuỳ thuộc vào từng
Soundcard.
*Nhiễu:
Nhiễu là một trong những yếu tố làm cho bài toán nhận dạng trở
nên vô cùng phức tạp. Nhiễu được xem xét như một đại lượng ngẫu nhiên,
làm biến đổi tín hiệu cần nhận dạng. Do đó, lọc nhiễu là một khâu cần thiết
phải tiến hành trong quá trình tiền xử lý tín hiệu.
2.2.2. Chuẩn hóa biên độ.
Để tránh mất mát đặc trưng do âm thanh quá to hoặc quá nhỏ,
đồng thời làm tăng ý nghĩa cho các đặc trưng để nhận dạng ta tiến hành
chuẩn hóa biên độ. Đây là một bước cần thiết nhưng không đòi hỏi tính
toán, xử lý phức tạp. Các mẫu âm thanh được thu trong quá trình làm đồ án
17
với độ phân giải thì biên độ của tiếng nói có giá trị nằm trong khoảng [0,
255], do đó ta tiến hành chuẩn hóa dữ liệu sao cho giá trị trung bình của nó
là 125. Chuẩn hoá biên độ có thể tiến hành đơn giản bằng cách nhân tín
hiệu với một hệ số thích hợp:
s(n)=k*s(n)
k là hệ số nhân. Giá trị của k có thể chọn như sau:
))((max
125
ns
k
n

=
max(s(n)) là giá trị lớn nhất của dãy s(n).
Sơ đồ khối thuật toán chuẩn hóa:
18
2.2.3. Làm rõ tín hiệu.
Việc làm rõ (hay làm trơn) tín hiệu có ý nghĩa quan trọng trong
bài toán nhận dạng tiếng nói, làm tăng hiệu quả làm việc của hệ thống nhận
dạng. Trong đồ án em dùng hàm cửa sổ Hamming.
19
Dữ liệu tiếng nói được đưa qua hàm cửa sổ Hamming để làm
trơn phổ của tín hiệu.
Hàm cửa sổ Hamming:
W(n) = 0.54-0.46.Cos(2*PI/N-1);n=0,1,…,N-1
W(n) = 0 với các n khác.
2.2.4. Chia Frame dữ liệu.
Công việc chia âm thanh thành các Frame là vô cùng quan trọng
bởi trong một âm thanh luôn có sự biến động theo thời gian, việc chia âm
thanh thành các đoạn nhỏ để ta có thể dự đoán được sự thay đổi về năng
lượng, về tần số…của âm thanh trong mỗi Frame và trong cả đoạn âm
thanh.
Có 2 cách chia Frame dữ liệu âm thanh:
1. Chọn kích thước Frame trước sau đó chia âm
thanh theo Frame này và từ đó sẽ xác định được số Frame trong
mỗi âm thanh.
2. Chọn số Frame cố định và chia âm thanh, như
vậy kích thước Frame trong các âm thanh sẽ khác nhau.
2.2.5. Năng lượng trung bình thời gian ngắn.
Năng lượng của chuỗi tín hiệu rời rạc x(m) (kết quả rời rạc hoá
tín hiệu tương tự x(t)) được định nghĩa như sau:
∑

∞
−∞=
=
m
mxE )(
2
Giá trị năng lượng này ít có giá trị thực tế trong việc nghiên cứu
tín hiệu âm thanh nói chung và tín hiệu tiếng nói nói riêng. Giá trị này
20
không phản ánh được tính chất biến động theo thời gian của tín hiệu do nó
được tính trong khoảng thời gian vô cùng lớn. Ở đây, người ta đưa ra định
nghĩa về năng lượng thời gian ngắn:
∑
+−=
=
n
Nnm
mx
n
E
1
)(
2
Công thức này cho thấy, để tính năng lượng thời gian ngắn của
dãy tín hiệu x(m) ta chia dãy x(m) thành những khoảng (có thể liên tục
hoặc gối lên nhau) theo thời gian. Khi đó, năng lượng thời gian ngắn của
x(m) tại khoảng thứ n, là tổng bình phương biên độ của N mẫu từ n-N+1
tới n.
Căn cứ vào giá trị năng lượng thời gian ngắn có thể phân biệt
được các đoạn hữu thanh-vô thanh hoặc các đoạn tín hiệu nhiễu nền.

Dưới đây là lưu đồ thuật toán xác định độ lớn năng lượng thời
gian ngắn:
21
Ta thấy việc tính độ lớn năng lượng thời gian ngắn hết sức đơn
giản, nó được tính cho từng khối dữ liệu. Và có công thức: EN(w)=EN(w)
+ AI(i)*AI(i).
22
2.2.6. Tần số cắt không trung bình thời gian ngắn.
Với các tín hiệu rời rạc theo thời gian, khái niệm tần số cắt được
hiểu là số lần tín hiệu đổi dấu trong một giây. Đây là một đại lượng tần số
đơn giản của tín hiệu. Tần số cắt không trung bình cũng là một cách để xác
định tần số của tín hiệu hình sin. Điều này đúng với các tín hiệu có dải tần
hẹp. Ví dụ tín hiệu hình sin có tần số F
0
được lấy mẫu với tần số F
s
sẽ có
F
s
/F
0
mẫu trong một chu kỳ. Mỗi chu kỳ có 2 zero-crossing nên ta có tỷ lệ
zero-crossing là 2F
0
/F
s
crossing/mẫu. Như vậy từ tỷ lệ zero-crossing ta có
thể tính ra tần số F
0
của tín hiệu.

Tín hiệu tiếng nói là tín hiệu có dải tần rộng nên không thể áp
dụng trực tiếp nhận xét trên mà thường xác định tần số cắt không trong một
thời gian ngắn nhằm dự đoán sự thay đổi phổ của tín hiệu tiếng nói. Công
thức chung như sau:

Trong đó:
Sgn[x(n)]=1 khi x(n)>=0
Sgn[x(n)]= -1 khi x(n)<0
W(n) cửa sổ lấy tín hiệu.
W(n)=
N2
1
với 0<=n<=N-1
W(n)=0 với các giá trị khác của n.
Năng lượng, độ lớn và tần số cắt không thời gian ngắn là cách
đơn giản và hiệu quả để xác định phần nhiễu nền và tín hiệu, phần vô thanh
và hữu thanh. Bằng thực nghiệm ta thấy: phần khác giá trị trung bình biên
độ sóng âm của 2 đoạn âm thanh có tín hiệu và nhiễu nền đều xấp xỉ
không, vì vậy số lần chuyển qua trục x=0 của đoạn tín hiệu nhiễu nền nhiều
hơn đoạn tín hiệu âm thanh. Khi cần phân biệt phần nhiễu nền và tín hiệu,
23
∑
+∞
−∞=
=
m
n
Z n)-w(m| 1)]-sgn[x(m-[x(m)]sgn|
phần tín hiệu vô thanh và hữu thanh thuờng ta chỉ cần 1 chỉ tiêu trên cũng
đủ để phân biệt. Nhưng trong trường hợp phức tạp phải sử dụng đến cả

năng lượng và tần số cắt không. Các chỉ tiêu trên còn sử dụng để thiết lập
tần số cơ bản của tiếng nói.
Dưới đây là lưu đồ thuật toán xác định tỷ lệ Zezo-crossing
24
2.2.7. Xác định tần số Pitch theo AMDF.
Thực chất của việc xác định tần số Pitch theo phương pháp
AMDF chính là trích rút ra được tần số Pitch hay tần số cơ bản của tiếng
nói theo hàm sai khác độ lớn trung bình thời gian ngắn.
Hàm sai khác độ lớn trung bình thời gian ngắn được định nghĩa
như sau:
∑
+=
−
−=
k
ki
pi
y
i
y
N
PMDF
A
1
0
||
1
)(

Giả sử chuỗi

||
i
y
tuần hoàn với chu kỳ Po thì hàm AMDF sẽ
đạt giá trị cực tiểu tại Po. Như vậy việc xác định chu kỳ Pitch của tiếng nói
sẽ thông qua xác định chỉ số Po mà tại đó hàm AMDF đạt giá trị cực tiểu.
Trong thực tế chu kỳ Pitch của tiếng nói nằm trong một miền giới hạn vì
vậy không cần thiết phải tính toán cho mọi giá trị P của hàm AMDF.
Như vậy với mỗi tiếng nói ban đầu ta đều có thể đưa ra được
các đặc trưng thời gian ngắn như đã trình bày ở trên. Mỗi âm thanh sẽ có
các đặc trưng khác nhau, và các đặc trưng này được xác định theo những
tiêu chuẩn riêng. Việc xác định tần số Pitch theo hàm sai khác độ lớn trung
bình thời gian ngắn hay xác định tần số cắt không cũng chỉ là cách đưa ra
được ước lượng thô về tần số của tiếng nói vì chưa có một phát biểu mang
ý nghĩa vật lý về tần số cơ bản của tiếng nói. Nhưng nó cũng là cơ sở quan
trọng để nhận dạng được tiếng nói cũng như trong việc nhận dạng các
thanh điệu tiếng Việt.
25