thực hiện thuật toán phát hiện tiếng nói trên kit ezdsp5515

1

ĐẠI HỌC ĐÀ NẴNG
TRƢỜNG ĐẠI HỌC BÁCH KHOA


BÁO CÁO TỔNG KẾT

ĐỀ TÀI CÁN BỘ TRẺ
(DO TRƢỜNG ĐẠI HỌC BÁCH KHOA QUẢN LÝ)

THỰC HIỆN THUẬT TOÁN PHÁT HIỆN
TIẾNG NÓI TRÊN KIT eZdsp5515

Mã số: T2011-02-CBT11



Chủ nhiệm đề tài: KS. Nguyễn Hải Triều Anh





Đà Nẵng, 01/2012

2
ĐẠI HỌC ĐÀ NẴNG
TRƢỜNG ĐẠI HỌC BÁCH KHOA


BÁO CÁO TỔNG KẾT

ĐỀ TÀI CÁN BỘ TRẺ
(DO TRƢỜNG ĐẠI HỌC BÁCH KHOA QUẢN LÝ)

THỰC HIỆN THUẬT TOÁN PHÁT HIỆN
TIẾNG NÓI TRÊN KIT eZdsp5515



Mã số: T2011-02-CBT11


Xác nhận của cơ quan chủ trì đề tài Chủ nhiệm đề tài
(ký, họ và tên, đóng dấu) (ký, họ và tên)





Đà Nẵng, 01/2012

3
Danh sách thành viên tham gia nghiên cứu đề tài:
1. Nguyen Hai Trieu Anh
2. Nguyen Duy Hien
3. Nguyen Ba Tong

4
Mục lục:

CHƯƠNG 1: GIỚI THIỆU SƠ LƯỢC VỀ TÍN HIỆU TIẾNG NÓI 9
1.1 Mở đầu 9
1.2 Phân loại âm 9
1.3 Mô hình phát âm đơn giản 10
1.4 Đặc điểm của tiếng nói 13
1.4.1 Băng thông 13
1.4.2 Tần số cơ bản 14
1.4.3 Các đỉnh trong phổ 14
1.4.4 Đƣờng bao phổ công suất 14
1.5 Phân tích tiếng nói ngắn hạn 14
1.6 Kết luận 15
CHƯƠNG 2: KỸ THUẬT PHÁT HIỆN TIẾNG NÓI 16
2.1 Tổng quan 16
2.2 Giới thiệu về kĩ thuật VAD 16
2.3 Các giải pháp VAD tiêu chuẩn 17
2.3.1 VAD G.729 Annex B ITU-T 17
2.3.2 VAD ETSI ES 202 050 18
2.4. VAD sử dụng khoảng cách năng lƣợng của băng con 19
2.4.1 Sử dụng biến đổi DWT 19
2.4.2 Sử dụng biến đổi DFT 21
2.5 Kết luận 23

CHƯƠNG 3: THỰC HIỆN THUẬT TOÁN VAD FSDM-PF Ở THỜI GIAN THỰC
TRÊN KIT ezDSP5515 24
3.1 Giới thiệu chƣơng 24
3.2 Giới thiệu về kit ezDSP5515 24
3.2.1 Các thành phần chính 25
3.2.2 Sơ đồ khối 26
3.2.3 Bộ xử lí TMS320C5515 26
3.3 Số học số dấu chấm tĩnh 27
3.3.1 So sánh xử lí số sử dụng dấu chấm động và xử lí số dấu chấm tĩnh 27
3.3.2 Giới thiệu định dạng của số dấu chấm tĩnh 28
3.3.3 Các phép toán trên số dấu chấm tĩnh 29
3.4. Thực hiện thuật toán VAD FSDM-PF trên kit ezDsp5515 30
3.4.1 Sơ đồ khối phần cứng 30
3.4.2 Thực hiện phân khung tín hiệu bằng bộ đệm triple 30
3.4.4 Trích thuộc tính 31
3.4.5 Quyết định tiếng nói 32
3.4.6 Khối tính và cập nhật ngƣỡng thích nghi 32








5
Danh mục bảng biểu:
Hình 1.1 Hệ thống phát âm của con người 9
Hình 1.2 Mô hình hệ thống phát âm hữu thanh 10
Hình 1.3 Phổ âm „oh‟ và „ee‟ 11

Hình1.4a Phổ của tín hiệu từ dây thanh quản
)( fP
T
11
Hình 1.4b Phổ của tín hiệu
)( fS
và đường bao
)( fH
v
12
Hình 1.5 Spectrogram của đoạn âm thanh “Rice university”, màu đỏ là biên độ cao,
màu xanh là biên độ thấp 12
Hình 1.6 Mô hình phát âm chi tiết. 13
Hình 1.7 Phân khung tín hiệu 15
Hình 2.1 Sơ đồ khối thực hiện VAD 16
Hình 2.2 Tín hiệu tiếng nói sạch và bị nhiễu 17
Hình 2.3 Sơ đồ khối VAD G.729B 18
Hình 2.4 Sơ đồ khối VAD ETSI-Nest 19
Hình 2.5 Các khung tín hiệu và DWT của mỗi khung tại các trường hợp 20
Hình 2.6 Sơ đồ khối VAD FSDM-PF 22
Hình 2.7 Tín hiệu âm thanh và 2 thuộc tính: WSDM và FSDM 23
Hình 3.1. Mặt trước của C5515 eZdsp Stick 24
Hình 3.2. Mặt sau của C5515 eZdsp Stick 25
Hình 3.3. Sơ đồ khối C5515 eZdsp Stick 26
Hình 3.4 Quan hệ vào ra của một hệ thống tuyến tính 27
Hình 3.5 So sánh xử lí số dùng số dấu chấm động và số dấu chấm tĩnh 28
Hình 3.6 Biểu diễn của số dấu chấm tĩnh 28
Hình 3.7 Cộng hai số dấu chấm tĩnh sẽ làm tăng số bit biểu diễn phần nguyên lên 1
bits 29
Hình 3.8 Nhân hai số dấu chấm tĩnh sẽ làm tăng số bits biểu diễn phần thập phân 29

Hình 3.9 Sơ đồ khối phần cứng 30
Hình 3.10 Đọc ghi dữ liệu từ bộ đệm xoay vào/ra triple 31
Hình 3.11 Sơ đồ khối của khối tính khoảng cách năng lượng 31
Hình 3.12 Đồ thị hành tansig 32
Hình 3.13 Sơ đồ khối quyết định tiếng nói 32


6
Từ viết tắt:
Từ viết tắt
Tiếng Anh
Tiếng Việt
VAD
Voice activity detection

DSP
Digital signal processing

WSDM
Wavelet Subband Distance Measure

FSDM-PF
Fourier Subband Distance Measure
based on Percentile Filter

7

ĐẠI HỌC ĐÀ NẴNG
TRƢỜNG ĐẠI HỌC BÁCH KHOA

CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập - Tự do - Hạnh phúc



THÔNG TIN KẾT QUẢ NGHIÊN CỨU

1. Thông tin chung:
Tên đề tài: THỰC HIỆN THUẬT TOÁN PHÁT HIỆN TIẾNG NÓI TRÊN KIT eZdsp5515
- Mã số: T2011-02-CBT11
- Chủ nhiệm: Nguyễn Hải Triều Anh
- Thành viên tham gia: Nguyễn Duy Hiển
Nguyễn Bá Tòng
- Cơ quan chủ trì: Trƣờng Đại Học Bách Khoa – Đại Học Đà Nẵng
- Thời gian thực hiện: Từ tháng 4 năm 2011 đến tháng 10 năm 2011
2. Mục tiêu:
- Xây dựng phần mềm thực hiện phát hiện tiếng nói sử dụng số thực dấu chấm tĩnh trên
chip xử lí số C5515 ở thời gian thực.
3. Tính mới và sáng tạo:
4. Tóm tắt kết quả nghiên cứu:
- Tìm hiểu vi xử lí TMS320C5515 và kit eZdsp. Định dạng số thập phân Q15.
- Viết phần mềm thực hiện thuật toán VAD trên kit eZdsp5515.
- Khắc phục các nhược điểm. Đưa ra hướng phát triển của đề tài.
5. Tên sản phẩm: Chương trình VAD FSDM-PF sử dụng số thực dấu chấm tĩnh Q15
trên chip DSP C5515.
6. Hiệu quả, phƣơng thức chuyển giao kết quả nghiên cứu và khả năng áp
dụng:
- Sản phẩm của đề tài là demo cho ứng dụng của xử lí tín hiệu số trong thực tiễn.
- Cơ sở để thực hiện các thuật toán, thiết bị điều khiển bằng giọng nói
- Cơ hội cho các bạn sinh viên ứng dụng kiến thức đã học vào thực tiễn

Ngày tháng năm
Hội đồng KH&ĐT đơn vị
(ký, họ và tên, đóng dấu)
Chủ nhiệm đề tài
(ký, họ và tên)





XÁC NHẬN CỦA TRƢỜNG ĐẠI HỌC BÁCH KHOA
TL. HIỆU TRƢỞNG
TRƢỞNG PHÕNG KHOA HỌC, SĐH & HTQT




8

INFORMATION ON RESEARCH RESULTS


1. General information:
Project title:
IMPLEMENT VOICE ACTIVITY DECTION ALGORITHM ON
eZdsp5515 KIT
Code number: T2011-02-CBT11
Coordinator: Nguyen Hai Trieu Anh
Member(s): Nguyen Duy Hien
Nguyen Ba Tong

Implementing institution: University of Technology – University of
Danang
Duration: from April, 2011 to October, 2011
2. Objective(s):
1. Implement software for voice activity detection (VAD) using fixed-
point arithmetic on DSP chip C5515 in real-time.
3. Creativeness and innovativeness:
4. Research results:
 Studying DSP processor TMS320C5515 and eZdsp5515 KIT. Q15
fraction format.
 Programming VAD algorithm in C language and implementing on
eZdsp5515 KIT.
 Improve the software and system. Propose further recommendations.
5. Products:
The VAD FSDM-PF software using Q15 fixed-point arithmetic on DSP
processor C5515.
6. Effects, transfer alternatives of research results and applicability:
 The application of this research is the demonstration for implementing DSP
in the realistic.
 Database for implementing voice-controlled algorithm and devices.
 Opportunities for students to apply the knowledge for real applications




9


CHƢƠNG 1: GIỚI THIỆU SƠ LƢỢC VỀ TÍN HIỆU TIẾNG NÓI

1.1 Mở đầu
Tiếng nói, cũng như các âm thanh khác, đều là các sóng âm lan truyền trong
một môi trường nhất định, và thường là không khí. Các sóng âm này lan truyền
đến màn nhĩ, làm cho màn nhĩ dao động. Nếu các dao động này có tần số từ 16
Hz đến 20kHz thì chúng ta có thể cảm nhận được. Các sóng âm có tần số nhỏ
hơn 16 Hz được gọi là sóng hạ âm, trong khi các sóng âm có tần số lớn hơn
20kHz được gọi là sóng siêu âm, con người không thể nghe được các sóng này.
1.2 Phân loại âm

Hình 1.1 Hệ thống phát âm của con người

Thông tin của lời nói được chứa trong tín hiệu tiếng nói, do đó muốn phân
tích và xử lí tiếng nói chúng ta cần tìm hiểu về cơ chế tạo ra tiếng nói. Khi ta
nói, không khí đi qua dây thanh âm, sau đó qua thanh quản và miệng. Tùy theo
âm tiết mà ta nói, tín hiệu tiếng nói có thể được phân thành một trong ba loại
sau:
 Âm hữu thanh: là âm phát ra thì có tiếng, ví dụ như ta nói “i”, “a”, “o”.
Các âm hữu thanh được tạo ra là do không khí qua thanh môn, làm các


10
dây thanh âm dao động. Ta có thể phân biệt bằng cách đặt tay lên cổ
họng, nếu âm đó là âm hữu thanh thì ta sẽ cảm nhận được sự rung động.
 Âm vô thanh: Là âm khi tạo ra tiếng thì hai dây thanh âm không dao động
hoặc dao động ít, ví dụ “h”, “p”.
 Âm bật: Để phát ra âm bật, đầu tiên cơ quan phát âm đóng kín, sau đó
không khí được giải phóng một cách đột ngột, ví dụ “ch”, “t”.
1.3 Mô hình phát âm đơn giản
Khi nói, lồng ngực mở rộng và thu hẹp, không khí được đẩy từ phổi vào khí
quản, đi qua thanh môn do các dây thanh tạo thành. Luồng khí này được gọi là

tín hiệu kích cho tuyến âm vì sau đó nó được đẩy qua tuyến âm và cuối cùng tán
xạ ở môi. Tuyến âm có thể xem là hệ thống âm học với đầu vào là thanh môn và
đầu ra là môi. Tuyến âm có dạng thay đổi theo thời gian. Người ta nhận thấy
phương trình truyền sóng âm có thể được mô hình hóa một cách đơn giản bằng
hệ thống tuyến tính.
Đặc tính của hệ thống phát âm phụ thuộc vào chúng ta nói nguyên âm hay
phụ âm , trong trường hợp ta phát âm hữu thanh, hệ thống có dạng

Hình 1.2 Mô hình hệ thống phát âm hữu thanh

Khi con người phát âm hữu thanh, không khí từ phổi sẽ tạo áp lực lên 2 dây
thanh âm (vocal cords) làm chúng dao động, dao động này có thể biểu diễn bằng
một hàm tuần hoàn gọi là
)(tp
T
(trong đó T là chu kì cơ bản của tiếng nói). Tần
số cơ bản của tiếng nói là
T
F
1
0

(1.1)
Xung
)(tp
T
đi qua thanh quản sẽ bị biến đổi dạng sóng phụ thuộc vào vị trí
của lưỡi, răng môi. Tùy theo vị trí của lưỡi, răng và môi mà đáp ứng tần số của
âm thanh sẽ có các đỉnh cộng hưởng khác nhau như ví dụ trong hình 1.3:

11


Hình 1.3 Phổ âm „oh‟ và „ee‟

Các đỉnh trên được gọi là các formants. Ở ví dụ trên ta có thể thấy là formant
đầu tiên F1 của âm „oh‟ lớn hơn formant đầu tiên F1 của âm „ee‟, trong khi đó
formant F2 của âm „ee‟ lớn hơn rất nhiều so với âm „oh‟. Như vậy, thanh quản
có nhiệm vụ định dạng phổ của tín hiệu tuần hoàn được tạo ra từ hai dây thanh
âm. Nếu ta mô hình hóa thanh quản bằng một hệ thống tuyến tính, thì phương
trình mô tả hệ thống phát âm khi tạo ra âm hữu thanh trong miền tần số là:
)()()( fHfPfS
vT

(1.2)
với
)( fH
v
là hàm truyền của thanh quản.

Hình1.4a Phổ của tín hiệu từ dây thanh quản
)( fP
T



12

Hình 1.4b Phổ của tín hiệu
)( fS
và đường bao
)( fH
v


Khi con người nói thì chu kì của xung
)( fP
T
, và hàm truyền
)( fH
v
không
tĩnh mà thay đổi theo thời gian do đó phổ của tín hiệu tiếng nói cũng thay đổi
theo thời gian. Để quan sát và phân sự thay đổi đó người ta sử dụng
spectrogram. Spectrogram biểu diễn sự thay đổi của đáp ứng tần số của âm
thanh so với thời gian. Hình 1.5 biểu diễn histogram của câu nói “Rice
university”:

Hình 1.5 Spectrogram của đoạn âm thanh “Rice university”, màu đỏ là biên độ cao, màu
xanh là biên độ thấp


13
Khi ta nói âm vô thanh, thanh môn sẽ mở rộng và không giao động, do đó
nguồn kích âm có thể được mô hình bằng nguồn nhiễu trắng. Mô hình phát âm
chi tiết được cho bởi hình 1.6:

Hình 1.6 Mô hình phát âm chi tiết.

Mô hình này hoạt động như sau: nguồn kích thích cho âm hữu âm được mô
hình bởi nguồn tạo chuỗi xung chữ nhật với phổ là P(f). Nguồn kích thích cho
âm vô thanh được mô hình bởi nguồn nhiễu trắng N(f). Hai tín hiệu này có biên
độ qui định lần lượt bởi v và u, kết quả được cộng với nhau để trở thành phổ của
tín hiệu kích thích X(f). X(f) được đi qua hệ thống H(f) (hàm truyền của thanh
quản). Đặc tính phát ra âm thanh từ môi được mô hình bởi R(f), như vậy phổ tín
hiệu S(f) được cho bởi:
)().()(.)().()).(.)(.()( fRfHfXfRfHfNufPvfS 
(1.4)
1.4 Đặc điểm của tiếng nói
Người ta nhận thấy tiếng nói con người có những đặc trưng sau [1]:
 Băng thông của tín hiệu là 4 kHz
 Tín hiệu tuần hoàn với tần số cơ bản từ 80 Hz đến 350 Hz
 Các đỉnh trong phổ tần số nằm tại
, ,2,1,500*)12(  nHzn
(1.3)
 Đường bao phổ công suất tín hiệu giảm khi tần số tăng (-6dB/octave)
1.4.1 Băng thông


14
Thực tế, băng thông của tín hiệu tiếng nói lớn hơn rất nhiều so với 4kHz như
nói ở trên. Tuy nhiên người ta thấy rằng, giải tần số từ 0,3kHz đến 3,4 kHz chứa
đủ thông tin cần thiết để con người có thể hiểu được.
1.4.2 Tần số cơ bản
Như mô tả ở phần 1.2, đối với âm hữa thanh thì tín hiệu âm thanh phát ra sẽ
tuần hoàn do thanh quản được kích thích bởi tín hiệu tuần hoàn. Đối với âm vô
thanh, nguồn nhiễu được dùng để làm nguồn kích thích, do đó tính hiệu sẽ
không có tuần số cơ bản

1.4.3 Các đỉnh trong phổ
Thanh quản của con người, độ dài khoảng 17cm, có tác dụng định dạng phổ
tín hiệu. Tùy theo đường kính của các đoạn trên thanh quản mà các formants sẽ
thay đổi đặc biệt là F1 và F2.
1.4.4 Đƣờng bao phổ công suất
Người ta thấy rằng phổ công suất của tín hiệu tiếng nói khi đi qua dây thanh
âm sẽ bị suy hao -12dB/octave. Âm thanh thoát ra từ môi có đặc điểm giống như
bộ lọc thông cao +6dB/octave. Vì vậy, phổ công suất của tín hiệu tiến nói giảm -
6dB/octave.
1.5 Phân tích tiếng nói ngắn hạn
Tiếng nói có đặc điểm là phổ thay đổi theo thời gian, do đó để phân tích,
người ta thường tính các thông số đặc trưng của tiếng nói trong từng khoảng thời
gian nhỏ khoảng 10ms. Tín hiệu âm thanh được lấy mẫu và lượng tử hóa. Tần số
lấy mẫu thường là 8kHz và 16kHz, số bit lượng tử hóa là 16 bits. Sau đó, tiếng
nói được cắt thành các đoạn ngắn bằng nhau và chồng phủ lên nhau sử dụng
cửa sổ Hamming, các cửa sổ này có độ dài N, ứng với thời gian từ 16ms đến
25ms. Nhân cửa sổ w(k-m) với tín hiệu để tìm được các đoạn tín hiệu
)(kv
m
:





else
Nmmmkmkwks
kv
m
,0

1, ,1,);().(
ˆ
)(
(1.5)



15

Hình 1.7 Phân khung tín hiệu

Trong đó m là thời điểm bắt đầu của việc phân khung tín hiệu. Hệ số m được
tăng lên theo từng bước 10ms so cho các khung chồng lấn lên nhau. Phổ FFT
của tín hiệu
)(kv
m
,
2
)(nV
có các đặc điểm sau:
o Vì
)(kv
m
có giá trị thực nên phổ đối xứng
)()( nVnV 
(1.6)
o
)(nV
tuần hoàn với chu kì N
Do tính đối xứng và tuần hoàn mà chúng ta chỉ cần sử dụng các giá trị phổ từ

22
)2/( )0( NVV
để phân tích. Ngoài ra
)0(V
chỉ chứa thành phần DC cho nên
ta chỉ sử dụng
22
)2/( )1( NVV
.
1.6 Kết luận
Khi phân tích hoặc xử lí tiếng nói, người ta chia tín hiệu tiếng nói thành các
khung chồng lấn lên nhau và chỉ sử dụng các mẫu
22
)2/( )1( NVV
trong phổ
năng lượng để xử lí, với N là chiều dài của cửa sổ dung để phân khung tín hiệu.









16
CHƢƠNG 2: KỸ THUẬT PHÁT HIỆN TIẾNG NÓI
2.1 Tổng quan
Ngày nay, kỹ thuật phát hiện tiếng nói (VAD) đã được ứng dụng rộng rãi
trong các lĩnh vực của xử lý tiếng nói. VAD thực hiện phân loại các thành phần

có tiếng nói (speech) và không có tiếng nói (non-speech) trong tín hiệu âm thanh
nhằm giảm tốc độ bit truyền trong mã hóa tiếng nói, nhận dạng tiếng nói tự động
hay nâng cao chất lượng tiếng nói, Ngoài ra, VAD còn ứng dụng trong dịch
vụ thông tin di động, truyền phát tiếng nói thời gian thực thông qua Internet,
giảm nhiễu trong các thiết bị số trợ thính.
Có nhiều phương pháp VAD khác nhau, tuy nhiên trong báo cáo này chi giới
thiệu thuật toán VAD dựa trên thuộc tính năng lượng giữa các băng con.
2.2 Giới thiệu về kĩ thuật VAD
Kỹ thuật phát hiện tiếng nói nhằm mục đích phát hiện những phần có tiếng
nói con người trong tín hiệu âm thanh. Nói cách khác, VAD dùng để phân loại
phần có tiếng nói (speech) và phần không có tiếng nói (non-speech).
Các bước thực hiện VAD được mô tả như trong hình 2.1.

Hình 2.1 Sơ đồ khối thực hiện VAD
Tín hiệu tiếng nói ban đầu sẽ được tiền xử lý và phân thành các khung
(frame) sau đó thực hiện kỹ thuật VAD theo các bước:
Trích thuộc tính: việc trích thuộc tính được thực hiện trên từng khung của tín
hiệu đã được phân khung. Khối trích thuộc tính sử dụng các phương pháp nhằm
tính toán, xác định các đặc tính mang đặc trưng cho phần speech và phần non-
speech như: năng lượng, ước lượng tần số cơ bản (pitch), tỷ lệ qua điểm không,
sai khác về phổ giữa tiếng nói và nhiễu, v.v
Quyết định: khối quyết định sử dụng vector thuộc tính của từng khung để so
sánh với một mức ngưỡng hoặc làm đầu vào của một mô hình đã được huấn
luyện. Mức ngưỡng bao gồm mức ngưỡng cố định và mức ngưỡng thích nghi.
Một số mô hình thường được sử dụng đó là mô hình hỗn hợp Gaussian (GMM),


17
mô hình Markov ẩn (HMM), mạng Neural (NN). Đầu ra của khối này là các
nhãn nhị phân (1/0) hay còn gọi là vector VAD. Nhãn 1 ứng với khung tín hiệu

đang xét là khung speech và nhãn 0 ứng với khung non-speech.
Ngoài ra, vector VAD còn được làm mịn để được vector VAD cuối cùng.
Trong thực tế, tín hiệu âm thanh bị tác động của các loại nhiễu môi trường
khác nhau như: nhiễu nền, nhiễu xe hơi, nhiễu tiếng nói, nhiễu nhà máy, v.v
Do đó, tín hiệu đầu vào khối VAD bao gồm thành phần tín hiệu sạch và thành
phần nhiễu không mong muốn.
Hình 2.2 mô tả một dạng sóng tín hiệu tiếng nói sạch và ảnh hưởng của
nhiễu tại các SNR khác nhau (5dB và -5dB).

Hình 2.2 Tín hiệu tiếng nói sạch và bị nhiễu
Với tín hiệu đầu vào có tỷ số tín hiệu trên nhiễu (SNR) ở mức cao thì việc
phân loại speech/non-speech đơn giản hơn so với thực hiện VAD có SNR của
tín hiệu đầu vào thấp. Đặc biệt với các loại nhiễu có dạng phổ tương tự tín hiệu
sạch: nhiễu tiếng ồn của nhiều người nói trong một phòng họp, phòng ăn hay
nhiễu nhạc thì cần có các thuật toán VAD phức tạp.
2.3 Các giải pháp VAD tiêu chuẩn
2.3.1 VAD G.729 Annex B ITU-T
ITU-T đã đề xuất một bộ mã hóa tiếng nói chất lượng cao, độ trễ thấp và tốc
độ 8Kb/s gọi là G.729B. Thuật toán này được thiết kế để đáp ứng nhu cầu trong
kỹ thuật mã hóa tiếng nói nâng cao cho truyền thông đa phương tiện và các dịch
vụ thông tin cá nhân. Theo chuẩn này, để tiết kiệm băng thông, các đoạn không
có tiếng nói trong tín hiệu được loại ra khỏi tín hiệu truyền đi. Việc phát hiện
Tín hiệu sạch
Fscore
SNR = 5dB
SNR = -5dB


18
đâu là tín hiệu tiếng nói và đâu là không phải dựa vào thuật toán VAD đi kèm

với bộ mã hóa [2]. Trong quá trình này, tín hiệu tiếng nói được chia thành các
khung có độ dài 10ms để xử lý.
Bốn đặc trưng sử dụng cho việc quyết định VAD gồm: sai khác năng lượng
tại băng thấp (0-1kHz), sai khác năng lượng toàn băng, sai khác tỷ lệ qua điểm
0, méo phổ.
Mỗi tập bốn thuộc tính biễu diễn một điểm trong không gian Euclidean bốn
chiều. Các khung có tiếng nói được phát hiện dựa trên điều kiện đa biên.
Sơ đồ khối thực hiện thuật toán VAD G.729B được mô tả trong hình 2.3.

Hình 2.3 Sơ đồ khối VAD G.729B
2.3.2 VAD ETSI ES 202 050
Chuẩn ETSI 202 050 [3] với bộ VAD đơn giản được tích hợp trong khối tiền
xử lí để ước lượng nhiễu. VAD ETSI-Nest (noise estimation) thực hiện tính
năng lượng thời đoạn ngắn (80 mẫu mỗi khung). Năng lượng này được dùng để
cập nhật mức năng lượng trung bình rồi tính chênh lệch giữa hai mức năng
lượng và so với mức ngưỡng để quyết định.
Sơ đồ khối thực hiện VAD ETSI-Nest được mô tả trong hình 2.4.
Phân khung
Tính toán các đặc trưng
Quyết định VAD ban đầu
Làm trơn vector VAD
Cập nhật các thông số
nhiễu nền trung bình


19

Hình 2.4 Sơ đồ khối VAD ETSI-Nest
2.4. VAD sử dụng khoảng cách năng lƣợng của băng con
2.4.1 Sử dụng biến đổi DWT

Thuật toán tính khoảng cách giữa hai băng con WSDM (Wavelet Subband
Distance Measure) theo [4] dựa trên sự khác nhau về phân bố năng lượng băng
con của phần speech và phần non-speech như trong hình 2.5. Khi đó, WSDM
cho giá trị lớn khi đó là khung speech và gần bằng 0 khi đó là khung non-
speech. Thuộc tính này được xác định theo các công thức trong (2.1).

22
,,
11
11
( ) ( ) ( )
a
a
N
N
m i m i
n n N
aa
D i X n X n
N N N
  



,

2
w
1
1 16

( ) ( ) log 1 2 ( )
2 log(2)
N
i
k
D i D i x k



  





(2.1)
Với N là số mẫu trong một khung,
a
N
và
a
NN
là chiều dài của tập các hệ
số wavelet
,
()
mi
Xn
tại băng con tần số thấp và cao.
,

()
mi
Xn
được tính bằng cách
áp dụng DWT tại tham số tỷ lệ thứ m và lấy cửa sổ khung thứ i.
Tính năng lượng
từng khung
Tín hiệu đã phân khung
Cập nhật năng
lượng trung bình
Tính sai khác năng lượng từng khung và
năng lượng trung bình
Sai khác
vượt ngưỡng?
Làm mịn?
VAD = 0
VAD = 1
Đúng
Sai
Không
Có


20

Hình 2.5 Các khung tín hiệu và DWT của mỗi khung tại các trường hợp
Một bộ lọc percentile filter (PF) được thiết kế dựa trên nguyên lý: thông tin
tiếng nói không thường xuyên xuất hiện tại tất cả các kênh tần số và tại cùng
một thời điểm dùng để xác định ngưỡng nhiễu thích nghi. Ngưỡng nhiễu được
xác định bởi:

+ Sắp xếp các giá trị
()
s
Di
trong bộ đệm thứ b theo chiều tăng dần, tạo ra
( ')
s
Di
(
' [1 ]
f
iN
).
+ Quyết định mức ngưỡng thích nghi
()
()
qb
Ti
:
( ) ' ( )
( ) ( ')|
q b s i q b
T i D i


(2.2)
Hệ số
()qb
được lựa chọn tùy theo các giá trị trong bộ đệm b nhằm đạt được
mức ngưỡng nhiễu tốt nhất. Việc lựa chọn thực hiện bằng cách so sánh sự khác

nhau giữa hai thông số đặc trưng
( ')
s
Di
lớn nhất và nhỏ nhất tại 5 khung đã
được sắp xếp lại và liên tiếp nhau với một mức ngưỡng được quyết định trước

.Quá trình kiểm tra này từ điểm bắt đầu của bộ đệm và dừng lại khi sự khác


21
nhau giữa các thông số đặc trưng lớn hơn ngưỡng

hoặc kết thúc bộ đệm. Khi
đó,
( ) 'q b i
, nếu
( ') ( ' 4)
ss
D i D i

  
. Giá trị

được chọn là 0.015.
Thực hiện phân loại:
Khung thứ i được phân loại là khung speech nếu giá trị của
()
s
Di

lớn hơn
ngưỡng nhiễu
()
()
qb
Ti
và là khung non-speech nếu
()
s
Di
<
()
()
qb
Ti
. Chuỗi đầu ra
VAD này được làm mịn để có vector VAD cuối cùng.
2.4.2 Sử dụng biến đổi DFT
FSDM-PF (Fourier Subband Distance Measure based on Percentile Filter)
là phương pháp VAD được phát triển dựa trên phương pháp WSDM-PF. Ở
phương pháp WSDM-PF, việc phát hiện tiếng nói được thực hiện dựa trên thực
tế: độ chênh lệch năng lượng ở băng con chứa các thành phần chi tiết và băng
con chứa các thành phần xấp xỉ trong phần speech cao hơn nhiều so với trong
phần non-speech của tín hiệu. Điều đó cũng có nghĩa là độ chênh lệch năng
lượng của các thành phần tần số cao so với các thành phần tần số thấp trong
speech cao hơn trong non-speech nhiều. Do đó thay vì trích các hệ số chi tiết và
xấp xỉ để so sánh nhờ biến đổi Wavelet, phương pháp này áp biến đổi Fourier
rời rạc vào các khung tín hiệu x(n) để tìm các thành phần tần số cao và thấp
phục vụ cho việc so sánh. FSDM-PF cũng chỉ dùng duy nhất thuộc tính khoảng
cách năng lượng băng con để ra quyết định VAD dựa trên ngưỡng thích nghi

như ở WSDM-PF. Nhờ thế, thuật toán mới phát triển vẫn giữ được tính ưu việt
của thuật toán WSDM-PF là tốc độ tính toán nhanh do chỉ dùng một thuộc tính,
hơn thế, thuật toán mới dùng biến đổi Fourier thay cho biến đổi Wavelet nên
mức độ tính toán đơn giản hơn thuật toán cũ. Việc phân loại của FSDM-PF vẫn
được thực hiện nhờ bộ lọc PF để đưa ra ngưỡng thích nghi như trong mục 2.4.1.
Hiệu suất hoạt động của thuật toán mới này sẽ được khảo sát trong mục 3, trong
mục này chỉ trình bày sơ đồ khối FSDM-PF (hình 2.6) cùng cơ sở lý thuyết thực
hiện FSDM-PF [5].


22

Hình 2.6 Sơ đồ khối VAD FSDM-PF
Tín hiệu vào được chia thành các khung có chiều dài 16ms và xếp chồng
nhau 50%. Mỗi khung được lấy cửa sổ sử dụng loại cửa sổ Hamming và thực
hiện biến đổi FFT. Sau khi loại bỏ thành phần đối xứng và thành phần một
chiều, các thuộc tính sử dụng trong FSDM được tính theo công thức (6):
22
11
11
( ) ( ) ( )
a
a
M
M
k k M
aa
D i X k X k
M M M
  




(2.3)
Trong đó M là số mẫu trong nửa khung,
2
a
M
M 
và
a
MM
lần lượt là
chiều dài của tập thành phần tần số cao và chiều dài của tập thành phần tần số
thấp hơn trong dải phổ vạch
()Xk
.
Sau đó,
()Di
được nén lại và giảm dải động bằng việc áp dụng công thức:
Tiền xử lí
Phân khung
Biến đổi Fourier rời rạc
Tính khoảng cách năng lượng hai băng con
Bộ lọc PF thích nghi
Quyết định/Phân loại mẫu
Làm mịn
Trích thuộc tính
Ước lượng mức
ngưỡng và quyết

định vector VAD
Ngưỡng
Tín hiệu vào


23
()
()
1
()
1
Di
c
Di
e
Di
e





(2.4)
Các thông số đặc trưng cuối cùng
()
s
Di
được xác định bằng cách đưa
()
c

Di

qua bộ lọc thông thấp để tránh loại bỏ các giá trị đặc trưng của những tín hiệu
âm thanh tần số thấp, với bộ lọc có dạng:
1
1
1
()
1
Hz
az



(2.5)
Hình 2.7 mô tả một sóng tín hiệu có nhiễu và hai loại thuộc tính: WSDM và
FSDM. 2 thuộc tính này có dạng tương tự nhau, nghĩa là ta hoàn toàn có thể thay
thế biến đổi DWT bằng biến đổi FT.

Hình 2.7 Tín hiệu âm thanh và 2 thuộc tính: WSDM và FSDM
Sau khi có các đặc trưng, FSDM dựa vào bộ lọc PF để quyết định VAD như
đã trình bày trong mục 2.4.1.
2.5 Kết luận
Chương này đã giới thiệu thuật toán FSDM-PF, cách trích thuộc tính của nó
và phương pháp xác định ngưỡng thích nghi. Chương tiếp theo sẽ giới thiệu về
việc thực hiện thuật toán này trên chip xử lí số dấu chấm tĩnh.

1 2 3 4 5 6
x 10
4
-0.5
0
0.5


0 50 100 150 200 250 300 350 400 450 500
0
1
2
3


signal
WSDM feature
1 2 3 4 5 6
x 10
4
-0.5
0
0.5
0 50 100 150 200 250 300 350 400 450 500
0
1
2
3

FSDM feature
1 2 3 4 5 6
x 10
4
-0.5
0
0.5


0 50 100 150 200 250 300 350 400 450 500
0
1
2
3


signal
WSDM feature
Tín hiệu có nhiễu
Thuộc tính WSDM
Thuộc tính FSDM


24
CHƢƠNG 3: THỰC HIỆN THUẬT TOÁN VAD FSDM-PF Ở THỜI GIAN
THỰC TRÊN KIT ezDSP5515
3.1 Giới thiệu chƣơng
Chương này sẽ giới thiệu về kit ezDSP5515, giới thiệu phép toán số học dấu

chấm tĩnh và việc thực thi thuật toán VAD FSDM-PF trên phần cứng.
3.2 Giới thiệu về kit ezDSP5515
KIT ezDSP5515 của hãng Spectrum Digital sử dụng bộ xử lý tín hiệu số dấu
chấm tĩnh TMS320C5515 của hãng Texas Instruments, bao gồm các thành phần
chính
 Bộ xử lý tín hiệu số TMS320C5515 và các thành phần ngoại vi.
 Bộ mã hóa-giải mã (CODEC)TLV320AIC3204.
 Công cụ phát triển phần mềm Code Composer Studio IDE
TM



Hình 3.1. Mặt trước của C5515 eZdsp Stick



25

Hình 3.2. Mặt sau của C5515 eZdsp Stick

3.2.1 Các thành phần chính
 Bộ xử lý trung tâm TMS320C5515 của hãng Texas Instruments
 Bộ mã hóa-giải mã âm thanh stereo TLV320AIC3204
 Khe cắm thẻ nhớ Misro SD
 Cổng USB 2.0 kết nối với bộ xử lý C5515
 Bộ nhớ NOR flash 32MB
 Cấp nguồn từ cổng USB
 Màn hình hiển thị I2C OLED
 Các khe kết nối mở rộng.
 Bo mạch giao tiếp Bluetooth

 Hai nút nhấn có thể đọc được
 Tích hợp bộ debug qua USB XDS100 JTAG