Giải quyết vấn đề nhận dạng tiếng Việt bằng phân tích cú pháp

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
TỪ TRUNG HIẾU
GIẢI QUYẾT VẤN ĐỀ NHẬN DẠNG TIẾNG VIỆT
BẰNG PHÂN TÍCH CÚ PHÁP
LUẬN VĂN THẠC SỸ
HÀ NỘI - 2004
ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
TỪ TRUNG HIẾU
GIẢI QUYẾT VẤN ĐỀ NHẬN DẠNG TIẾNG VIỆT
BẰNG PHÂN TÍCH CÚ PHÁP
Chuyên ngành : Công nghệ thông tin
Mã số : 1.01.10
LUẬN VĂN THẠC SỸ
NGƯỜI HƯỚNG DẪN KHOA HỌC
TS. Lương Chi Mai
HÀ NỘI - 2004
2
Mục lục
Lời cảm ơn 1
Mục lục 2
Chỉ mục hình vẽ 6
Chỉ mục bảng biểu 7
Mở đầu 9
Chương 1 TỔNG QUAN VỀ NHẬN DẠNG TIẾNG NÓI 10
1.1. Cơ sở và tiềm năng của nhận dạng tiếng nói 10
1.2. Các ứng dụng hay gặp 11
1.2.1. Chương trình quay số bằng giọng nói (voice dialer) 11
1.2.2. Chương trình soạn thảo bằng giọng nói (voice editor) 13
1.2.3. Chỉ mục đa phương tiện (Multimedia Indexer) 14

1.2.4. Chương trình ra lệnh bằng giọng nói (voice commander) 15
1.2.5. Chương trình hội thoại (conversational computer) 16
1.3. Khó khăn và thuận lợi 17
1.3.1. Chất lượng tiếng nói (quality of speech) 17
1.3.2. Các từ tách biệt và tiếng nói liên tục 18
1.3.3. Kích thước từ vựng 19
1.3.4. Biến đổi theo người nói (speaker) 19
1.3.5. Độc lập người nói và phụ thuộc người nói 20
1.3.6. Biến đổi theo phương ngữ (dialect) 21
1.3.7. Cấu trúc ngôn ngữ 22
1.4. Các bài toán liên quan tới nhận dạng tiếng nói 22
1.4.1. Nhận dạng tiếng nói và tổng hợp tiếng nói 23
1.4.2. Nhận diện người nói (speaker identification) 23
1.4.3. Xác minh người nói (speaker verification) 24
1.5. Giới hạn nghiên cứu 24
1.6. Cách tiếp cận 25
3
Chương 2 CƠ SỞ TOÁN HỌC 27
2.1. Từ điển mẫu (pattern dictionary) 27
2.1.1. Định nghĩa hình thức từ điển mẫu 27
2.1.2. Triển khai từ điển mẫu 29
2.2. Văn phạm (grammar) 30
2.2.1. Định nghĩa hình thức về văn phạm 30
2.2.2. Biểu diễn đơn giản của văn phạm 31
2.2.3. Định nghĩa triển khai của văn phạm 32
2.3. Ngôn ngữ (language) 34
2.3.1. Định nghĩa hình thức về ngôn ngữ 34
2.3.2. Biểu diễn ngôn ngữ trong đĩa từ 35
2.4. Sơ đồ chuyển trạng thái tuyến tính (linear state transition diagram) 36
2.4.1. Định nghĩa hình thức 37

2.4.2. Định nghĩa triển khai 38
2.4.3. Thuật toán xây dựng 39
2.5. Sơ đồ chuyển trạng thái đẩy xuống (pushdown state transition diagram) .40
2.5.1. Định nghĩa hình thức 40
2.5.2. Định nghĩa triển khai 42
2.5.3. Thuật toán xây dựng 43
2.6. Chuỗi con chung lớn nhất 44
2.6.1. Định nghĩa chuỗi con chung lớn nhất 45
2.6.2. Thuật toán tìm chuỗi con chung lớn nhất 46
2.6.3. Vai trò của chuỗi con chung 47
Chương 3 TÍN HIỆU TIẾNG NÓI 49
3.1. Định nghĩa tín hiệu 49
3.2. Lấy mẫu tín hiệu (signal sampling) 49
3.3. Phân đoạn tín hiệu 51
3.4. Tham số hoá tín hiệu 52
3.4.1. Số lần vượt qua điểm không (zero crossing) 52
3.4.2. Năng lượng (energy) 53
3.4.3. Số mỏm (number of hills) 54
3.4.4. Biên độ (amplitude) 55
3.4.5. Độ dừng (duration) 56
3.4.6. Tần số cơ bản (fundamental frequency) 57
4
3.5. Biến đổi tín hiệu (signal transformation) 59
3.5.1. Gây nhiễu (noising) 60
3.5.2. Biến đổi biên độ tổng thể (global amplitude transformation) 60
3.5.3. Thu nhỏ tín hiệu (zoom smaller) 61
3.5.4. Phóng to tín hiệu (zoom bigger) 61
3.5.5. Cắt bỏ biên độ (amplitude cutoff) 61
3.5.6. Biến đổi Fourier 62
Chương 4 PHƯƠNG PHÁP NHẬN DẠNG DỰA TRÊN PHÂN TÍCH

TỪ VỰNG VÀ PHÂN TÍCH CÚ PHÁP 65
4.1. Phân tích tiếng Việt 65
4.1.1. Ngôn ngữ có thanh điệu 65
4.1.2. Ngôn ngữ đơn âm tiết (monosyllable) 66
4.1.3. Các lỗi phát âm và mô hình hoá 67
4.1.4. Từ điển phát âm (phonetic dictionary) 68
4.1.5. Văn phạm tiếng Việt 69
4.1.6. Sự không thống nhất trong chính tả 70
4.2. Phát biểu bài toán nhận dạng 70
4.2.1. Đầu ra của quá trình nhận dạng 71
4.2.2. Đầu vào của quá trình nhận dạng 72
4.2.3. Tham số và độ đo của quá trình nhận dạng 73
4.2.4. Hệ nhận dạng, bộ nhận dạng và bộ huấn luyện 73
4.3. Nhận dạng dựa trên từ điển 76
4.4. Huấn luyện bộ nhận dạng dựa trên từ điển 77
4.5. Nhận dạng dựa trên phân tích từ vựng 78
4.6. Huấn luyện bộ nhận dạng dựa trên phân tích từ vựng 80
4.7. Nhận dạng dựa trên bộ phân tích cú pháp 81
4.8. Huấn luyện bộ nhận dạng dựa trên phân tích cú pháp 85
Chương 5 TRIỂN KHAI HỆ THỐNG NHẬN DẠNG 86
5.1. Các tập tin trong hệ thống 86
5.1.1. Tập tin âm thanh 86
5.1.2. Tập tin nhãn (label file format) 87
5.1.3. Tập tin văn phạm (grammar file format) 88
5.1.4. Tập tin sơ đồ tuyến tính (linear diagram) 89
5
5.2. Phát sinh trong triển khai 90
5.2.1. Cơ sở tri thức của quá trình nhận dạng 90
5.2.2. Nhận dạng trực tuyến 90
5.2.3. Chuyển đổi trạng thái trực tuyến 92

5.2.4. Huấn luyện trực tuyến và huấn luyện hàng loạt 92
5.3. Các thư viện dùng để triển khai 93
5.3.1. WaveBuffer 93
5.3.2. WaveBufferQueue 95
5.3.3. WaveRecorder 96
5.3.4. WaveMapper 97
5.4. Chương trình smartphone 98
5.5. Chương trình wordrec 98
5.6. Đánh giá kết quả triển khai 100
Kết luận 102
Kết quả đạt được 102
Đề xuất phát triển 103
Tài liệu tham khảo 104
Tiếng Việt 104
Tiếng Anh 105
6
Chỉ mục hình vẽ
Hình 1-1. Sơ đồ của hệ quay số bằng giọng nói 13
Hình 1-2. Câu "cộng hoà xã hội chủ nghĩa việt nam" phát âm rời rạc 18
Hình 1-3. Câu "cộng hoà xã hội chủ nghĩa việt nam" phát âm liên tục 19
Hình 1-4. Nhận dạng trên máy tính cá nhân (phụ thuộc người nói) 20
Hình 1-5. Nhận dạng trên máy phục vụ công cộng (độc lập người nói) 21
Hình 2-1. Ví dụ về sơ đồ chuyển trạng thái tuyến tính 38
Hình 2-2. Ví dụ về sơ đồ chuyển trạng thái đẩy xuống 41
Hình 3-1. Tín hiệu và số lần vượt qua điểm không 53
Hình 3-2. Tín hiệu và năng lượng 54
Hình 3-3. Các từ ma, má, mà, mả, mã, mạ 57
Hình 3-4. Chu kỳ cơ bản 57
Hình 3-5. Tín hiệu sau khi bị tách ngưỡng 58
Hình 3-6. Tín hiệu sau khi bị tách ngưỡng (trường hợp xấu) 58

Hình 3-7. Tín hiệu sin và phổ của nó 64
Hình 3-8. Tín hiệu sin và phổ của nó (lệch pha) 64
Hình 4-1. Các từ ma, má, mà, mả, mã, mạ 66
Hình 4-2. Câu "cộng hoà xã hội chủ nghĩa việt nam" phát âm rời rạc 66
Hình 4-3. Hệ nhận dạng 75
Hình 4-4. Sơ đồ chuyển trạng thái tuyến tính 78
Hình 4-5. Sơ đồ chuyển trạng thái đẩy xuống 82
Hình 5-1. Chương trình smartphone 98
Hình 5-2. Chương trình wordrec 99
Hình 5-3. Hộp thoại huấn luyện của wordrec 99
Hình 5-4. Kết quả nhận dạng thanh điệu 100
Hình 5-5. Kết quả nhận dạng với số lượng từ tăng lên 101
7
Chỉ mục bảng biểu
Bảng 2-1. Định nghĩa từ điển mẫu 28
Bảng 2-2. Ví dụ về từ điển mẫu 28
Bảng 2-3. Từ điển mẫu dạng liệt kê 28
Bảng 2-4. Định nghĩa triển khai của từ điển mẫu 29
Bảng 2-5. Định nghĩa mẫu trong từ điển 29
Bảng 2-6. Định nghĩa từ trong từ điển 30
Bảng 2-7. Định nghĩa hình thức văn phạm 31
Bảng 2-8. Ví dụ về văn phạm 31
Bảng 2-9. Ngôn ngữ sinh bởi văn phạm 31
Bảng 2-10. Biểu diễn văn phạm trong tập tin 32
Bảng 2-11. Định nghĩa triển khai của văn phạm 33
Bảng 2-12. Định nghĩa ký hiệu trong văn phạm 33
Bảng 2-13. Định nghĩa luật trong văn phạm 33
Bảng 2-14. Ví dụ về ngôn ngữ 35
Bảng 2-15. Ví dụ khác về ngôn ngữ 35
Bảng 2-16. Biểu diễn ngôn ngữ trong tập tin 36

Bảng 2-17. Định nghĩa hình thức sơ đồ chuyển trạng thái tuyến tính 37
Bảng 2-18. Định nghĩa triển khai sơ đồ chuyển trạng thái tuyến tính 39
Bảng 2-19. Định nghĩa trạng thái tuyến tính 39
Bảng 2-20. Định nghĩa phép chuyển tuyến tính 39
Bảng 2-21. Thuật toán xây dựng sơ đồ chuyển trạng thái tuyến tính 40
Bảng 2-22. Định nghĩa hình thức sơ đồ chuyển trạng thái đẩy xuống 41
Bảng 2-23. Ví dụ về sơ đồ chuyển trạng thái đẩy xuống 42
Bảng 2-24. Định nghĩa hình thức sơ đồ chuyển trạng thái đẩy xuống 42
Bảng 2-25. Định nghĩa trạng thái đẩy xuống 43
Bảng 2-26a. Thuật toán xây dựng sơ đồ chuyển trạng thái đẩy xuống 43
Bảng 2-26b. Thuật toán xây dựng sơ đồ chuyển trạng thái đẩy xuống 44
Bảng 2-27. Thuật toán chuỗi con chung 46
Bảng 2-28. Ví dụ về thuật toán chuỗi con chung 47
Bảng 3-1. Các giá trị của độ phân giải mẫu 51
Bảng 3-2. Công thức tính ZC 53
Bảng 3-3. Công thức tính năng lượng 54
Bảng 3-4. Thuật toán đếm số mỏm 54
Bảng 3-5. Thuật toán đếm số mỏm với ngưỡng 55
Bảng 3-6. Thuật toán tìm tần số cơ bản 59
Bảng 3-7. Biến đổi biên độ tổng thể 60
Bảng 3-8. Xấp xỉ của tín hiệu bằng chuỗi Fourier 63
Bảng 4-1. Mô hình hoá phát âm 68
Bảng 4-2a. Ví dụ về từ điển phát âm 68
Bảng 4-2b. Ví dụ về từ điển phát âm 68
8
Bảng 4-3. Ví dụ về văn phạm tiếng Việt 70
Bảng 4-4. Các lỗi không thống nhất 70
Bảng 4-5. Thuật toán nhận dạng dựa trên từ điển 76
Bảng 4-6. Ví dụ về thuật toán nhận dạng dựa trên từ điển 77
Bảng 4-7. Thuật toán huấn luyện 77

Bảng 4-8. Thuật toán nhận dạng dựa trên phân tích từ vựng 79
Bảng 4-9. Ví dụ về thuật toán nhận dạng dựa trên phân tích từ vựng 80
Bảng 4-10. Thuật toán huấn luyện độc lập 81
Bảng 4-11. Thuật toán nhận dạng dựa trên phân tích cú pháp 83
Bảng 4-12. Ví dụ về thuật toán nhận dạng dựa trên phân tích cú pháp 84
Bảng 4-13. Thuật toán huấn luyện liên kết 85
Bảng 5-1. Định dạng tập tin âm thanh 87
Bảng 5-2. Ví dụ về tập tin nhãn 88
Bảng 5-3. Ví dụ về tập tin văn phạm 89
Bảng 5-4. Ví dụ về tập tin sơ đồ tuyến tính 89
Bảng 5-5. Lớp CWaveBufferQueue 92
Bảng 5-6. Lớp CWaveBuffer 95
Bảng 5-7. Lớp CWaveRecorder 96
Bảng 5-8. Lớp CWaveMapper 97
9
Mở đầu
Với mong muốn góp một phần nhỏ bé của mình vào công việc hiện thực hoá
hệ thống nhận dạng tiếng Việt, chúng tôi đặt mục tiêu áp dụng phương pháp nhận
dạng tiếng nói dựa vào phân tích cú pháp và phân tích từ vựng đồng thời xây dựng
thử nghiệm một hệ thống nhận dạng để chứng minh tính hiện thực của phương pháp
nhận dạng mà chúng tôi đề xuất.
Để thuận lợi trong quá trình nghiên cứu và tránh việc bài toán bị mở rộng theo
cách không mong muốn, chúng tôi đưa ra một số giới hạn nghiên cứu. Ban đầu
chúng tôi tập trung vào nhận dạng tiếng nói rời rạc và không quá nhiễu. Chúng tôi
cũng tập trung phát triển ứng dụng phụ thuộc người nói và chưa đặt vấn đề cung
cấp dịch vụ nhận dạng cho môi trường công cộng.
Nhận thức được vai trò của thông tin cú pháp trong quá trình nghe tự nhiên và
hiểu tương đối về các phương pháp phân tích cú pháp, chúng tôi tiếp cận vấn đề dựa
trên lý thuyết chương trình dịch, cụ thể hơn là chúng tôi phát triển các phương pháp
nhận dạng dựa trên phân tích cú pháp và phân tích từ vựng với nội dung

Chương 1 giới thiệu tổng quan về vấn đề nhận dạng tiếng nói và các khái
niệm hay gặp trong nhận dạng tiếng nói.
Chương 2 được chúng tôi dành để đưa ra các khái niệm toán học cần thiết để
hiểu cũng như triển khai hệ thống nhận dạng.
Chương 3 bao gồm các vấn đề về tín hiệu và xử lý tín hiệu. Các khái niệm của
chương này được dùng trong các chương 4 và 5.
Chương 4 bao gồm các kết quả lý thuyết và chương 5 bao gồm các kết quả
triển khai của chúng tôi trong thời gian nghiên cứu.
Trong suốt quá trình nghiên cứu, chúng tôi giả định bài toán nhận dạng của
chúng tôi có đầu vào là chuỗi các véc tơ đặc trưng và đầu ra là một chuỗi các ký
hiệu nhận dạng (nhãn). Vì có phương pháp nhận dạng dựa trên phân tích cú pháp,
khái niệm nhãn được mở rộng để bao gồm cả các ký hiệu trung gian hay ký hiệu
sinh của văn phạm.
10
Chương 1
TỔNG QUAN VỀ NHẬN DẠNG TIẾNG NÓI
Trong phần này, chúng tôi muốn nêu ra các khái niệm cơ bản cũng như các
vấn đề cơ bản của nhận dạng tiếng nói. Các khái niệm và vấn đề này sẽ được làm rõ
và cụ thể hoá trong các phần tiếp theo của tài liệu.
Các vấn đề trong phần này sẽ được bố trí theo thứ tự xuất hiện của chúng.
Nghĩa là các vấn đề sau sẽ ít nhiều liên quan đến các vấn đề trước và do đó chúng ta
cần hiểu các vấn đề theo cách tuần tự. Trong phần sau, chúng tôi sẽ trình bày theo
cách phát triển của vấn đề.
1.1. Cơ sở và tiềm năng của nhận dạng tiếng nói
Các tín hiệu hữu tuyến cũng như vô tuyến xuất phát từ hành động bấm nút đã
tồn tại rất lâu trong lịch sử điều khiển điện tử. Việc ta bấm nút Power trong bảng
điều khiển từ xa của vô tuyến cũng giống như việc ta ra lệnh vô tuyến hãy bật lên
hoặc tắt đi (chuyển trạng thái làm việc). Việc ta bấm nút Volume+ trong bảng điều
khiển từ xa của vô tuyến cũng giống việc ta ra lệnh vô tuyến hãy tăng tiếng lên một
chút. Thực chất việc phát một tín hiệu bằng sóng hồng ngoại vào mắt thần của vô

tuyến không khác việc phát một tín hiệu âm thanh vào tai nghe của vô tuyến. Chúng
đều là các tín hiệu mang thông tin hay cụ thể hơn là mang mệnh lệnh, và các tín
hiệu khác nhau dẫn tới hành vi khác nhau của vật bị điều khiển.
Nhưng việc phát ra một chuỗi âm thanh đơn giản hơn việc phát ra một chuỗi
hồng ngoại, vì thứ nhất chuỗi âm thanh do con người sản sinh còn chuỗi hồng ngoại
cần phải có thiết bị điều khiển, thứ hai con người không cần thời gian thông dịch
mệnh lệnh trong đầu mình thành nút bấm trên bàn phím, thứ ba chúng ta có thể ra
lệnh bằng âm thanh ngay trong bóng tối được trong khi chúng ta cần ánh sáng để
nhìn vào bảng điều khiển để ra lệnh, thứ tư chúng ta ít cần học điều khiển thiết bị
điện tử bằng giọng nói trong khi chúng ta cần phải học ý nghĩa của các nút bấm,
thậm chí ý nghĩa ngữ cảnh của chúng trong các màn hình điều khiển khác nhau.
11
Với nhiều lý do như vậy, việc điều khiển bằng chuỗi âm thanh sẽ được ưa
chuộng sử dụng hơn việc phát các chuỗi hồng ngoại tới mắt thần hay phát các chuỗi
tín hiệu điện tới các cổng bàn phím hay con chuột. Mục đích của nhận dạng tiếng
nói tự động là phát triển các kỹ thuật và các hệ thống cho phép máy tính chấp nhận
đầu vào tiếng nói. Vấn đề của nhận dạng tiếng nói đã được nghiên cứu tích cực từ
những năm 50 nhưng cho đến thời điểm này vẫn có những kết quả thực hành khiêm
tốn. Bằng chứng là các hệ nhận dạng thương mại đều khuyến cáo việc người dùng
nên cẩn thận và chính xác trong cách phát âm của mình để đạt được kết quả chính
xác cao. Trong lĩnh vực nhận dạng tiếng Việt, các kết quả nghiên cứu cũng rất
khiêm tốn và chưa có các sản phẩm thương mại được phân phát rộng rãi trong
người dùng máy tính cá nhân.
Có rất nhiều ứng dụng cần đến nhận dạng tiếng nói. Do các tiến bộ gần đây
trong lĩnh vực khoa học tiếng nói (speech science) và công nghệ máy tính
(computer technology), hiệu quả của các bộ nhận dạng tiếng nói được cải thiện
đáng kể. Với sự ra đời của các máy tính tốc độ nhanh và các thuật toán có độ chính
xác và ít chi phí, chúng ta chắc chắn rằng việc giao tiếp giữa người và máy tính
bằng tiếng nói tự nhiên sẽ trở thành hiện thực.
1.2. Các ứng dụng hay gặp

Trong phần này, chúng tôi muốn trình bày một số chương trình ứng dụng đã
được thương mại hoá có sử dụng các nghiên cứu liên quan đến nhận dạng tiếng nói.
Qua đó người đọc có thể hiểu được tính hiện thực hay khả thi của vấn đề nhận dạng
tiếng nói. Người đọc cũng có thể cảm nhận được các hệ thống nhận dạng tiếng nói
là cụ thể, gần gũi, và thiết thực trong đời sống hàng ngày cũng như công việc văn
phòng. Và cuối cùng người đọc có cái nhìn tổng quát về bài toán nhận dạng tiếng
nói thông qua các ví dụ cụ thể.
1.2.1. Chương trình quay số bằng giọng nói (voice dialer)
Chương trình quay số bằng giọng nói là một chương trình rất đơn giản và hiệu
quả được cài đặt trong một số máy điện thoại di động. Tác dụng rất lớn của chương
12
trình này là tìm ra một số điện thoại nhanh chóng và ít thao tác nhất. Chúng ta biết
điện thoại di động vốn nhỏ gọn và bàn phím chỉ gồm các con số và vài phím chức
năng. Do đó việc đánh các ký tự được thực hiện bằng cách lặp phím. Nên việc đánh
một tên người để gọi cho người đó rất khó khăn. Chính vì vậy việc quay số bằng
giọng nói, tức là nói một tên người vào lỗ nghe của máy điện thoại thì trên màn
hình của điện thoại xuất hiện một hộp thoại bao gồm tên người vừa nói, số điện
thoại của người đó, nút chấp nhận gọi cho số tìm được, và nút huỷ bỏ kết quả tìm
được. Như vậy quá trình gọi cho một người hầu như chỉ mất hai thao tác đọc tên
người gọi và bấm nút chấp nhận.
Để một máy điện thoại di động có thể quay số đến một người bất kỳ, chúng ta
cần huấn luyện cho máy. Việc huấn luyện chỉ đơn giản là gắn cho mỗi số điện thoại
với một đoạn âm thanh. Do đó một từ điển hay ánh xạ từ tập các đoạn âm thanh tới
tập các số điện thoại sẽ được thiết lập.
Quá trình nhận dạng sẽ sử dụng từ điển đã được thiết lập trong quá trình huấn
luyện để đưa ra kết quả. Mỗi khi người nói có nhu cầu quay số, họ sẽ đưa vào lỗ
nghe của máy điện thoại một đoạn âm thanh. Đoạn âm thanh này sẽ được so sánh
với các đoạn âm thanh trong từ điển đã được thiết lập trong khi huấn luyện. Nếu
việc so sánh là khớp thì số điện thoại tương ứng sẽ được đưa ra.
Ứng dụng nhận dạng tiếng nói này có lẽ là đơn giản nhất trong tất cả các ứng

dụng nhận dạng. Mặc dù vậy kết quả nhận dạng nói chung cũng không cao. Đôi lúc
người dùng thường phải nói vài lần vào máy mà vẫn chưa được số điện thoại mong
muốn. Một vài người dùng mất bình tĩnh thậm chí còn hét vào máy điện thoại ngay
ở nơi công cộng với hy vọng máy có thể tìm ra được số đúng. Điều này khiến
những người nghiên cứu trong lĩnh vực tiếng nói cần phải tìm ra các phương pháp
cũng như tham số tốt hơn để nhận dạng tiếng nói.
Nói chung các hãng điện thoại không công bố chính xác họ làm thế nào để
nhận dạng được mẫu âm thanh đưa vào và tìm ra số điện thoại tương ứng. Ta cũng
không có cách nào để đo được dung lượng của tri thức nhận dạng hay từ điển nhận
dạng để xem phương pháp lưu trữ của họ là mạng lưới hay danh sách. Nhưng theo
13
suy luận đơn thuần, chúng ta có thể thấy đoạn âm thanh đưa vào huấn luyện (được
dùng làm khoá tìm kiếm) sẽ được biến thành một khối tham số nhất định. Khối
tham số này thường bất biến với độ to (amplitude) và độ dừng (duration) của các
đoạn âm thanh. Đoạn âm thanh đưa vào để quay số cũng sẽ được biến thành một
khối tham số cùng kiểu với khối tham số của đoạn âm thanh huấn luyện. Do đó quá
trình tìm kiếm nhanh hơn do các khối tham số nhỏ hơn, không gian lưu trữ từ điển
nhận dạng cũng nhỏ hơn, và quá trình tìm kiếm cũng chính xác hơn và thất bại ít
hơn do các khối tham số bất biến hay ổn định với các đoạn âm thanh huấn luyện và
nhận dạng khác nhau.
speech
of
name
parameterize vector
dictionary
find best
name
name
speech
of

name
parameterize vector
name
add to
dictionary
Hình 1-1. Sơ đồ của hệ quay số bằng giọng nói
Nói chung nhận dạng trong điện thoại di động cũng chỉ dừng ở mức độ lưu trữ
thành từ điển và nhận dạng dựa trên khớp mẫu. Vì đơn giản là các bộ vi xử lý của
điện thoại di động không có nhiều chỉ thị hay chưa đủ thông minh. Bộ nhớ trong
của điện thoại di động nói chung không đủ lớn để có thể tổ chức được mạng lưới
tìm kiếm.
1.2.2. Chương trình soạn thảo bằng giọng nói (voice editor)
Chúng tôi muốn đưa vào phần tổng quan một ứng dụng đã được thương mại
hoá của Microsoft như một kết quả đã đạt được của những người đi trước trong lĩnh
vực nhận dạng.
14
Chương trình đọc chính tả là một chương trình đơn giản nhất và thường được
coi như ví dụ kinh điển của nhận dạng tiếng nói. Khi chương trình khởi động, một
cơ sở tri thức về tiếng nói sẽ được tải lên. Cơ sở tri thức này có thể bị thay đổi, hoặc
bị tải lại, cũng như bị lưu lại trong quá trình hoạt động. Cũng trong quá trình khởi
động, một màn hình soạn thảo được mở ra để đón các từ nhận dạng và thiết bị ghi
âm cũng được chuẩn bị để đón nhận tín hiệu tiếng nói. Sau khi các công việc khởi
động hoàn tất, người dùng có thể đọc các từ và trên màn hình soạn thảo sẽ xuất hiện
từ tương ứng. Trong khi đọc chính tả, có thể một từ do người đọc phát âm chưa có
trong từ điển, do đó từ này có thể không được nhận dạng. Do vậy người sử dụng có
thể thêm một từ vào từ điển đồng thời với việc thêm mẫu phát âm của từ đó vào để
nhận dạng. Kết quả là tri thức nhận dạng được cập nhật.
Về cơ bản, Microsoft cho phép người dùng đưa vào các từ bằng giọng nói và
các từ hiện ra ở một số cửa sổ soạn thảo hỗ trợ nhận dạng tiếng nói như Microsoft
Word, Microsoft Excel. Kết quả nhận dạng cũng không cao và thường phải mất

nhiều ngày để huấn luyện. Nhưng đặc biệt chương trình huấn luyện do Microsoft
thiết kế rất tự nhiên như quá trình nhận dạng ở người, nghĩa là nhìn các chữ và nghe
các âm thanh tương ứng với các chữ đó phát ra. Chính vì vậy người dùng không
mất nhiều công sức để học cách sử dụng hệ thống và huấn luyện hệ thống.
1.2.3. Chỉ mục đa phương tiện (Multimedia Indexer)
Các tập tin đa phương tiện như tập tin ảnh, tập tin âm thanh, tập tin phim dùng
để lưu các thông tin nhị phân, do đó việc tìm kiếm rất khó khăn và thậm chí không
thể. Ví dụ việc tìm một từ trong bài hát, một từ khung hình của ảnh, và một đoạn
hình ảnh trong một đoạn phim. Xem chi tiết trong [16]
Để hiện thực hoá việc tìm kiếm trên các tập tin đa phương tiện, người ta gắn
với mỗi tập tin đa phương tiện (multimedia file) một tập tin chỉ mục (index file)
bằng văn bản. Thông thường tập tin chỉ mục chỉ đơn giản chứa danh sách các từ và
vị trí xuất hiện của từ trong tập tin đa phương tiện. Do đó bài toán tìm kiếm từ trong
tập tin đa phương tiện sẽ được đưa về bài toán tìm kiếm từ trên văn bản, một bài
toán rất quen thuộc và có rất nhiều thuật toán giải quyết.
15
Việc tìm kiếm đoạn văn trên các tập tin đa phương tiện rất hay được dùng
trong quá trình tra cứu tài liệu. Ví dụ như một biên tập viên cần tổng hợp các bàn
thắng đẹp trong tuần, anh ta trước hết phải tìm tất cả các đoạn băng có bàn thắng,
sau đó xem lại và lựa chọn các đoạn băng chứa bàn thắng đẹp nhất. Một nhà nghiên
cứu viết tài liệu về mã hoá, anh ta cần vài hình ảnh về ổ khoá và chìa khoá đẹp để
minh hoạ cho mình, do đó anh ta cần tìm các hình ảnh như vậy bằng cách đánh vào
từ mà không phải hình ảnh, vì chính bản thân anh ta cũng chưa biết mình sẽ tìm
được chìa khoá như thế nào, mà chỉ sau khi có kết quả anh ta sẽ lựa chọn. Một bạn
yêu nhạc thuộc vài từ trong bài hát và bạn đó muốn nghe trọn vẹn bài hát cũng như
biết tên tác giả và tên tác phẩm. Anh ta hay chị ta cũng phải số từ ít ỏi mà mình nhớ
được của bài hát vào trong động cơ tìm kiếm. Tất nhiên quá trình tìm kiếm sẽ xảy ra
trong văn bản nếu như phiên bản của bài hát đã có. Ngược lại, một phiên bản của
bài hát sẽ được tạo ra một cách tự động bằng công cụ chỉ mục đa phương tiện, phiên
bản cũng được lưu để dùng cho các lần tìm kiếm sau.

Một cách đơn giản, chỉ mục đa phương tiện có thể được hiểu là sinh tự động
tương ứng với mỗi tập tin đa phương tiện một tập tin chỉ mục tương ứng bằng văn
bản. Việc này cũng dẫn tới bài toán nhận dạng tiếng nói khi tập tin đa phương tiện
là đoạn phim hoặc bài hát hay bản tin thời sự.
1.2.4. Chương trình ra lệnh bằng giọng nói (voice commander)
Một ứng dụng khác xem ra đơn giản hơn trong bộ công cụ nhận dạng của
Microsoft cũng đã được chúng tôi phân tích. Chúng tôi muốn giới thiệu ứng dụng
này vì nó gần với mục đích nghiên cứu của chúng tôi, đó là sử dụng lời nói như
mệnh lệnh cho máy tính.
Microsoft giới hạn các câu lệnh nhận dạng trong các ứng dụng văn phòng hỗ
trợ nhận dạng tiếng nói, trong khi đáng nhẽ họ có thể làm cho tất cả các ứng dụng
có trong hệ thống. Một số tín hiệu tiếng nói được dùng để thay cho tổ hợp phím
nóng cố định trong các ứng dụng của Microsoft ví dụ như nói từ bold thay cho ấn
Ctrl+B, nói từ open thay cho ấn Ctrl+O. Một số tín hiệu nối nhau liên tiếp theo ngữ
cảnh thay cho việc dùng phím kích hoạt các mệnh lệnh, ví dụ nói các từ Format,
16
Font, Arial để chọn tên phông hiện tại là Arial, hoặc nói các cụm từ Tools, Option,
View, Field codes để bật tắt việc xem các trường trong văn bản.
Tất nhiên các tên mở rộng trong danh sách sẽ không được hỗ trợ. Ví dụ sẽ
không có chuỗi âm thanh nào cho tên phông có VnTime hoặc VnArialH. Chúng ta
cũng không sử dụng được các mệnh lệnh này vào những chương trình không hỗ trợ
nhận dạng tiếng nói, thậm chí các chương trình có hệ lệnh tương tự như Microsoft
Excel hoặc Microsoft Word. Chúng ta cũng không sử dụng được các mệnh lệnh đơn
giản của hệ thống như tắt máy (shutdown), hiện bàn làm việc (show desktop), hiện
cửa sổ tìm kiếm (show file finder) mà đáng nhẽ chương trình nhận dạng nên hỗ trợ
các mệnh lệnh hệ thống như vậy như chương trình thông dịch đã làm với phím
Win+D, Win+F, Win+Break. Chúng ta cũng không can thiệp được các hệ thống
lệnh không hỗ trợ phím nóng và có giao diện đặc biệt chuyên dụng như Printer,
Properties trong cửa sổ quản lý lệnh in, hoặc Game, Save Game trong một số
chương trình trò chơi.

1.2.5. Chương trình hội thoại (conversational computer)
Một số chương trình trên vô tuyến thường giới thiệu các máy tính thông minh
có thể nghe các câu hỏi và đưa ra các câu trả lời. Thực chất đây là một hệ thống bao
gồm chức năng nhận dạng tiếng nói, chức năng suy luận, và chức năng tổng hợp
tiếng nói. Và đây thường được coi là đích phát triển của các khoa học nhận dạng và
trí tuệ nhân tạo. Thậm chí chương trình máy tính có thể mô phỏng bộ não của
Albert Einstein để hỏi và trả lời về vấn đề thuyết tương đối. Chúng tôi không có
được chi tiết về nghiên cứu của họ, nên chúng tôi không bình luận thêm về phương
pháp triển khai cũng như hạn chế của chương trình. Nhưng điều chúng tôi muốn
nhấn mạnh ở đây, theo góc độ của nhận dạng tiếng nói, là một câu trả lời ứng với
một câu hỏi thực chất cũng là một đầu ra tương ứng với câu hỏi đó. Nó không khác
với đầu ra văn bản hay đầu ra khối thông tin nếu nhìn dưới góc độ của nhận dạng
tiếng nói.
17
1.3. Khó khăn và thuận lợi
Trong phần này chúng tôi muốn trình bày một số các khái niệm liên quan đến
triển khai các hệ nhận dạng và giới hạn nghiên cứu. Các khái niệm này thường được
đưa ra trong các tài liệu nhận dạng tiếng nói như, kích thước từ vựng, độc lập người
nói, tiếng nói liên tục.
1.3.1. Chất lượng tiếng nói (quality of speech)
Chất lượng tiếng nói ảnh hưởng nhiều tới kết quả nhận dạng. Ở mức âm học
(acoustics), tiếng nói thu với tần số lấy mẫu cao có xu hướng được tham số hoá
chính xác và do đó đưa ra kết quả nhận dạng cao hơn. Tiếng nói ít nhiễu ví dụ như
trong phòng làm việc của các nhân có xu hướng dễ nhận dạng hơn tiếng nói nhiễu
cao ví dụ như ở trên đường đi và ở chợ. Điều này cũng tự nhiên và dễ hiểu, việc
nghe của máy tính cũng giống việc nghe của người. Chúng ta thường cảm thấy khó
nghe và thường phải hỏi lại người nói khi giao tiếp ở nơi công cộng như rạp chiếu
bóng, nhà ga, sân bay, đường đi.
Ở mức ngữ âm học (phonetics), tiếng nói phát âm rõ ràng rành mạch dễ dàng
được phân biệt hơn tiếng nói có lỗi phát âm như nói ngọng hoặc nói lắp. Ví dụ đơn

giản nhất là chữ "trợ" và "chợ" trong tiếng Hà Nội không thể phân biệt được như
chữ "trợ" và "chợ" trong tiếng Nghệ An. Cũng như vậy một số nơi của Hải Phòng
và Hải Dương phát âm các tiếng "nồng" thành "lồng" mặc dù họ vẫn viết chính tả
đúng các chữ này. Các chữ "giường", "rường", và "dường" trong tiếng Hà Nội nói
chung là giống nhau nhưng khác nhau trong phương ngữ một số vùng Nam Định.
Trong phần huấn luyện, Microsoft khuyến cáo người dùng phát âm theo giọng
nói ngang (even tone) mà không phải giọng nói tự nhiên (natural tone) để nhằm
nhận dạng chính xác. Họ cũng khuyến cáo người dùng phát âm các từ rời rạc nhau
để bộ nhận dạng khỏi nhầm lẫn. Thực chất các khuyến cáo trên chỉ nhằm tăng chất
lượng của tiếng nói.
18
1.3.2. Các từ tách biệt và tiếng nói liên tục
Do tốc độ nói nhanh hay chậm, người ta phân biệt ra tiếng nói rời rạc và tiếng
nói liên tục. Tiếng nói rời rạc là tiếng nói trong đó các từ thường được phát âm cách
quãng, nghĩa là có các khoảng lặng giữa các từ. Do đó ranh giới giữa các từ hầu như
rõ ràng, nhất là đối với các ngôn ngữ đơn âm. Nhận dạng các từ tách biệt (isolated
word recognition) là nhận dạng các tín hiệu tiếng nói rời rạc. Dựa vào đặc điểm của
tiếng nói rời rạc, chúng ta có thể tách các phát âm thành các đoạn nhỏ, so sánh
chúng với các mẫu phát âm trong từ điển, và đưa ra từ tương ứng như kết quả nhận
dạng. Nhược điểm của nhận dạng từ rời rạc là không hoạt động với tín hiệu tiếng
nói không chứa các khoảng lặng, do đó người sử dụng các chương trình nhận dạng
từ rời rạc luôn phải cố gắng đọc thật chậm. Kết quả là quá trình nhập liệu bằng
giọng nói thường bị chậm.
Hình 1-2. Câu "cộng hoà xã hội chủ nghĩa việt nam" phát âm rời rạc
Nhận dạng tiếng nói liên tục (continuous speech recognition) hoạt động trên
các tín hiệu tiếng nói liên tục. Tiếng nói liên tục là tiếng nói được phát âm liên tục,
nghĩa là cuối của từ trước sẽ là đầu của từ sau. Tiếng nói liên tục là tiếng nói tự
nhiên mà chúng ta vẫn dùng để giao tiếp. Tuy nhiên tiếng nói liên tục thường có
những đặc điểm đặc biệt làm trở ngại quá trình nhận dạng. Ví dụ các nguyên âm
liền nhau có xu hướng biến thành một từ "cô ạ" thành "quạ", "chị hằng" thành

"chằng". Hoặc ví dụ các phụ âm giống nhau khó phân biệt "chín năm" và "chí nằm".
Các lỗi nói như vậy khó khăn ngay cả với tai người tự nhiên.
19
Hình 1-3. Câu "cộng hoà xã hội chủ nghĩa việt nam" phát âm liên tục
Nói chung chúng ta cần phải nhận dạng được tiếng nói liên tục vì đó là tiếng
nói tự nhiên của con người. Khi chúng ta bắt người dùng phát âm rời rạc, không
những người dùng mất thời gian nhiều hơn để nhập liệu mà người dùng còn phát
triển tâm trạng chán nản khi dùng ứng dụng tiếng nói. Do đó sản phẩm nhận dạng
của chúng ta trở thành thất bại. Mặc dù vậy chúng ta cũng nên khuyến cáo người
dùng nói nhanh vừa phải. Trên thực tế, nếu chúng ta gặp người nói luyến thắng,
chúng ta cũng không nghe kịp. Đối với học sinh, nếu cô giáo đọc nhanh quá, học
sinh cũng không chép kịp. Do vậy sản phẩm của chúng ta cần hoạt động nhanh hơn
hoặc ít nhất bằng tốc độ nghe ghi của học sinh.
1.3.3. Kích thước từ vựng
Số lượng từ càng lớn thì tốc độ nhận dạng càng giảm và độ chính xác nhận
dạng cũng giảm. Vì các bộ nhận dạng bao giờ cũng phải tìm kiếm trên không gian
mẫu của các từ để đưa ra từ tương ứng của mẫu khớp nhất. Và đương nhiên khi số
từ tăng thì độ phân biệt của các từ giảm do đó độ chính xác giảm, ví dụ các từ trong
tiếng Việt giống nhau như "cát", "gát", "khát", hay các từ giống nhau trong tiếng
Anh như "might", "my", "mine", "mile", "mire" có thể không bao giờ xuất hiện
cùng nhau trong các ứng dụng nhận dạng chuyên dụng nhưng chúng có thể nằm
cùng trong từ vựng của ứng dụng nhận dạng vạn năng như đọc chính tả.
1.3.4. Biến đổi theo người nói (speaker)
Mỗi người có một giọng nói khác nhau, thậm chí một người lúc khoẻ và lúc
ngạt mũi nói khác nhau, và cũng một người lúc già và lúc trẻ nói khác nhau. Do đó
việc nhận dạng cần phải tìm ra một hệ thống tham số bất biến (invariant) với người
20
nói, nghĩa là các đoạn âm thanh của cùng một đoạn văn bản nhưng của các chủ thể
khác nhau nên được tham số hoá theo cách nào đó mà chúng càng giống nhau càng
tốt. Cũng cần nói thêm ở đây là hệ thống tham số còn cần phân biệt sao cho hai

đoạn âm thanh của hai đoạn văn bản khác nhau càng khác nhau càng tốt để kết quả
nhận dạng được duy nhất.
Nói chung, số lượng người nói khác nhau càng nhiều thì hệ thống cần phải lưu
trữ nhiều mẫu hơn và tìm kiếm mất nhiều công hơn trên các mẫu lưu trữ. Vì vậy số
lượng người nói cũng là khó khăn lớn của quá trình nhận dạng. Tất nhiên chúng ta
có thể giải quyết khó khăn này bằng cách triển khai các hệ thống dùng cho một cá
nhân, nhưng chúng ta vẫn cần các hệ thống dùng cho máy công cộng.
1.3.5. Độc lập người nói và phụ thuộc người nói
Nhận dạng độc lập người nói (speaker-independent) là nhận dạng hoạt động
tốt với nhiều người nói khác nhau, trừ những trường hợp có giọng nói quá đặc biệt
hoặc dị tật. Nói chung các ứng dụng độc lập người nói thường cho kết quả không
cao do phải tìm kiếm trên không gian dữ liệu quá lớn và phải sử dụng các mô hình
quá tổng quát cho nhiều dạng người nói khác nhau. Mặc dù vậy các ứng dụng nhận
dạng độc lập người nói vẫn cần thiết, đặc biệt trong các dịch vụ công cộng.
Hình 1-4. Nhận dạng trên máy tính cá nhân (phụ thuộc người nói)
Các ứng dụng nhận dạng tiếng nói phụ thuộc người nói (speaker-dependent)
hoạt động tốt với người nói này nhưng không hoạt động tốt với người nói khác.
Thông thường các chương trình nhận dạng phụ thuộc người nói cần phải được huấn
21
luyện lại mỗi khi sử dụng để nhằm thích nghi với người sử dụng. Ưu điểm của các
ứng dụng nhận dạng phụ thuộc người nói có kích thước nhỏ và độ chính xác cao
hơn so với các ứng dụng nhận dạng độc lập người nói viết bằng thuật toán tương
ứng. Các ứng dụng nhận dạng phụ thuộc người nói do vậy phổ biến hơn trong các
máy tính cá nhân.
Hình 1-5. Nhận dạng trên máy phục vụ công cộng (độc lập người nói)
1.3.6. Biến đổi theo phương ngữ (dialect)
Các vùng khác nhau thường sử dụng tập từ vựng khác nhau và có cách kết hợp
các từ khác nhau để tạo thành câu. Cho nên nói chung ta cần phải đương đầu với
nhiều tập câu khác nhau cũng như tập từ vựng khác nhau nếu chúng ta muốn có hệ
thống nhận dạng.

Việc các câu nói biến đổi theo các vùng ngôn ngữ khác nhau là trở ngại lớn
cho công việc mô hình hoá ngôn ngữ và nhận dạng tiếng nói. Khi chúng ta thiết kế
các hệ nhận dạng đa phương ngữ (ví dụ như hệ hỏi đáp tự động), chúng ta buộc phải
tăng số lượng mẫu, tăng số mẫu câu, và tăng số lượng từ. Không kể đến các yếu tố
khác, chỉ riêng việc tăng về số lượng các đơn vị nhận dạng đã làm tốc độ nhận dạng
tăng và độ chính xác của nhận dạng giảm đi rất nhiều.
Mặc dù vậy nhu cầu về hệ nhận dạng đa ngôn ngữ tồn tại. Vì người dùng
thường phải soạn thảo những văn bản trong đó có hai ngôn ngữ, ví dụ văn bản tiếng
Việt trộn lẫn vài từ tiếng Anh. Nhưng việc nhận dạng đa phương ngữ thường đi
22
kèm với việc nhận dạng đa người nói, nghĩa là các hệ nhận dạng phục vụ công cộng
sẽ phải giải quyết vấn đề đa phương ngữ.
1.3.7. Cấu trúc ngôn ngữ
Tiếng Việt là ngôn ngữ đơn âm tiết (monosyllabic) do đó việc nhận dạng âm
thanh dễ dàng hơn các ngôn ngữ đa âm tiết. Đặc biệt trong nhận dạng các từ rời rạc,
chúng ta có thể cắt các đoạn âm thanh giữa hai khoảng lặng, tìm kiếm mẫu tương
ứng trong từ điển, và đưa ra từ nhận được. Điều này là không thể thực hiện với các
ngôn ngữ đa âm tiết.
Tiếng Việt có cách phát âm duy nhất, nghĩa là không có hai từ nào phát âm
giống nhau nhưng lại viết khác nhau. Trong tiếng Anh, có một số từ phát âm giống
nhau, ví dụ "to" và "two", hay "ones" và "once" do đó hệ thống nhận dạng sẽ cần
phải có ngữ cảnh để phân biệt các từ khi nghe một phát âm. Tất nhiên một số
phương ngữ của tiếng Việt không phân biệt các chữ "l" và "n", hay "tr" và "ch",
hoặc "gi", "d", và "r" nhưng đó là lỗi nói, không phải do tự thân tiếng Việt có cấu
tạo trùng lặp như vậy.
Ngữ pháp tiếng Việt rất nhập nhằng. Một mặt do tiếng Việt đơn âm tiết mặt
khác do các từ tiếng Việt đồng âm khác nghĩa. Đây là trở ngại rất lớn đối với các
chương trình phân tích cú pháp cũng như chương trình nhận dạng dựa trên cú pháp.
Do đó chúng ta thường chỉ nhận dạng ngôn ngữ con của tiếng Việt, nghĩa là phần
tiếng Việt đã được chuẩn hoá bởi một văn phạm nào đó.

1.4. Các bài toán liên quan tới nhận dạng tiếng nói
Trong phần này, chúng tôi muốn trình bày các bài toán trong lĩnh vực xử lý
tiếng nói (speech processing). Mặc dù mục tiêu và do đó kết quả của các bài toán
khác nhau, nhưng chúng đều thao tác trên tiếng nói và do đó chúng có chung không
những các thư viện xử lý tín hiệu mà còn chung về cấu trúc hệ thống, nghĩa là đều
có các tầng xử lý ngữ âm học (Phonetics), từ vựng học (lexicology), và ngữ pháp
học (syntatics).
23
1.4.1. Nhận dạng tiếng nói và tổng hợp tiếng nói
Nhận dạng tiếng nói (speech recognition) và tổng hợp tiếng nói (speech
synthesis) thường được xem như hai bài toán đối ngược, nhưng nói chung hai bài
toán này đều thuộc dạng các bài toán chuyển đổi và do đó có cấu trúc tương tự như
nhau. Bài toán tổng hợp tiếng nói thường được xem là đơn giản hơn bài toán nhận
dạng tiếng nói nhưng các thành phần để triển khai hệ nhận dạng và hệ tổng hợp là
giống nhau. Chúng ta cũng cần có tri thức cú pháp hay cấu trúc câu để chúng ta
tổng hợp được ngữ điệu. Chúng ta cũng cần có tri thức phát âm để có thể phát ra
được các âm chính xác từ văn bản. Nhưng quá trình tổng hợp tiếng nói có thể dùng
từ để tìm ra phát âm một cách chính xác, duy nhất, và nhanh chóng, trong khi quá
trình nhận dạng phải hoạt động mệt mỏi trên tập các mẫu để tìm ra một vài từ mà
không phải duy nhất một từ, chưa chắc chính xác với ý định của người nói.
1.4.2. Nhận diện người nói (speaker identification)
Bài toán nhận dạng tiếng nói có quan hệ với một số bài toán khác như xác
minh người nói và nhận diện người nói. Mặc dù đầu vào và đầu ra của chúng tương
tự nhau, nhưng cách mà chúng quan tâm đến dữ liệu đầu vào lại hoàn toàn trái
ngược. Các bài toán xác minh người nói và nhận diện người nói tập trung vào các
đặc điểm riêng biệt của giọng nói trong khi bài toán nhận dạng tiếng nói tập trung
vào các đặc điểm chung nhất của giọng nói.
Nhận diện người nói (speaker identification) là dựa vào giọng nói nghe được
hay thu được để nhận ra người nói tương ứng dựa trên tri thức đã có về các cá nhân
và giọng nói của cá nhân. Ví dụ nghe một bài hát mới trên đài phát thanh, chúng ta

tìm ra được tên ca sỹ đang hát bài hát mới đó nếu như chúng ta đã quen giọng của
ca sỹ này thông qua các bài hát cũ. Do vậy nhận diện người nói tập trung vào các
đặc điểm riêng biệt của từng giọng nói và. Nhận diện người nói cũng liên quan đến
tìm kiếm trên tập hồ sơ người nói và đương nhiên khoá tìm kiếm chính là giọng nói.
24
1.4.3. Xác minh người nói (speaker verification)
Xác minh người nói (speaker verification) là xác định xem giọng nói đã ghi
được có phải của người nói nào đã biết hay không. Do đó bài toán xác minh người
nói liên quan đến việc so sánh hai giọng nói và thường dùng trong giám định hoặc
bảo mật. Bài toán xác minh người nói cũng tập trung vào các đặc điểm riêng biệt
của từng giọng nói.
Khác với các bài toán nhận diện hay tìm kiếm, các bài toán xác minh dựa vào
các mẫu đã thu được trong quá khứ (ví dụ tại hiện trường vụ án) và mẫu lấy trực
tiếp từ đối tượng cần được (ví dụ tại nơi xác minh). Và do đó chúng ta chỉ cần so
sánh mà không cần tìm kiếm. Tuy nhiên các bài toán xác minh người nói gần với
các bài toán nhận dạng tiếng nói ở chỗ cấu trúc và đặc điểm của lời nói được quan
tâm hơn. Xác minh người nói quan tâm tới cấu trúc và đặc điểm lời nói của cá nhân
(cách phát âm một âm tiết, tốc độ nói, cách dùng từ của địa phương nào, ngữ điệu
của các nhân), trong khi nhận dạng tiếng nói quan tâm tới cấu trúc và đặc điểm
tiếng nói của một cộng đồng người hay của một phương ngữ.
1.5. Giới hạn nghiên cứu
Chúng tôi chưa có tham vọng biến máy tính thành thiết bị thông minh đến nỗi
nó có thể làm theo mọi câu lệnh của người dùng đưa vào, mà chúng tôi giới hạn
nghiên cứu của mình trong các câu lệnh đơn giản vốn đã quen thuộc với người dùng
hiện tại. Chúng tôi tiếp tục những gì Microsoft đã đưa ra và cải thiện các kết quả đó
thông qua một số giới hạn sau.
Chúng tôi tập trung nghiên cứu tiếng Việt rời rạc trước và dành tiếng Việt liên
tục cho các nghiên cứu tương lai. Giới hạn này được đưa ra vì chúng tôi chưa tìm
hiểu sâu về ranh giới giữa các từ trong tiếng nói liên tục. Sự va chạm giữa các từ
trong tiếng nói liên tục tạo ra các tín hiệu rất phức tạp và không mong muốn khiến

cho độ chính xác của quá trình nhận dạng giảm đi đáng kể. Chúng tôi đã có thử
nghiệm trên tiếng nói liên tục nhưng chưa tìm ra phương pháp giải quyết.
Mục tiêu của chúng tôi là phát triển các ứng dụng nhận dạng trên máy tính cá
nhân và cho người dùng cụ thể, do đó chúng tôi tập trung nghiên cứu các hệ nhận