TÌM HIỂU VỀ CÁC HỆ THỐNG NHẬN DẠNG TIẾNG NÓI.

1
GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
CHƢƠNG 1
TÌM HIỂU VỀ CÁC HỆ TH ỐNG NHẬN DẠNG TIẾNG NÓI.
1.1 Đặt vấn đề
Ngày nay cùng với sự phát triển của khoa học kĩ thuật, các hệ thống máy móc
ngày càng hoàn thiện giúp con ngƣời làm việc hiệu quả hơn và cũng đã giải
phóng con ngƣời trong rất nhiều công đoạn của công việc. Tuy nhiên quá trình
giao tiếp giữa ngƣời và máy vẫn còn nhiều bất cập phải thông qua các thiết bị xuất
nhập chuẩn. Để ngày càng tự nhiên hoá việc giao tiếp và điều khiển máy móc, vấn
đề nghiên cứu các phƣơng pháp nhận dạng tiếng nói đƣợc đặt ra và đã có một số
phần mền ra đời nhận dạng tiếng anh tƣơng đối tốt nhƣ via voice của IBM, spoken
toolkit của CSLU(central of spoken language understanding),Speech Recognition
của Microsoft…
Tuy nhiên đối với tiếng việt thì chƣa có hệ thống nhận diện hoàn chỉnh nào
đƣợc xây dựng, vấn đề này chỉ mới đƣợc quan tâm nghiên cứu trong những năm
gần đây. Đã có một số công trình nghiên cứu về lĩnh vực này với nhiều hƣớng tiếp
cận khác nhau, song kết quả đạt đƣợc vẫn còn nhiều khiêm tốn(ví dụ nhƣ phần
mềm Vspeech của nhóm Sinh Viên Đại học Bách Khoa TPHCM,VN voice của
PGS.TS Lƣơng Chi Mai ở Viện Công Nghệ Thông Tin ). Do đó, nảy sinh vấn đề
cần xây dựng một nền tảng hoàn chỉnh để tìm ra một hƣớng đi thích hợp cho
nghiên cứu nhận dạng tiếng nói nhằm đạt đƣợc một kết quả tốt hơn.
1.2 Tình hình phát triển
Với sự phát triển nhanh chóng của các ngành công nghiệp điều khiển, tự động
hoá, liên quan tới lĩnh vực ngôn ngữ. Từ đó cần phải có sự liên kết chặt chẽ giữa
các loại ngôn ngữ(ngôn ngữ khoa học,máy,…) để làm cho việc điều khiển và xử
lý công việc một cách dễ dàng và thuận tiện hơn. Khối lƣợng công việc có thể
đƣợc tăng lên đáng kể nhờ những tiện lợi trong trao đổi thông tin. Vì vậy, xử lý
và nhận dạng tiếng nói để áp dụng vào các lĩnh vực là yêu cầu cần thiết đƣợc đề
ra.
2

GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
Trƣớc sự phát triển của máy tính nhiều nhà khoa học đã nghĩ đến vấn đề
làm thế nào để nhận dạng đƣợc tiếng nói, chuyển tiếng nói thành văn bản và
ngƣợc lại chuyển văn bản thành tiếng nói làm cho con ngƣời có khả năng giao tiếp
với máy tính bằng ngôn ngữ và từ đó có thể giao tiếp với các thiết bị khác bằng
tiếng nói một cách dễ dàng. Sự phát triển của máy tính làm cho vấn đề xử lý và
nhận dạng tƣởng chừng nhƣ rất dễ dàng nhƣng trên thực tế thì không hoàn toàn
nhƣ vậy.

Những nguyên nhân xử lý và nhận dạng tiếng nói trở nên phức tạp:
 Trên thế giới có rất nhiều loại ngôn ngữ, mỗi quốc gia, dân tộc có một
loại ngôn ngữ riêng nên rất khó để tạo một hệ thống nhận dạng chung mà bất kì ai
cũng có thể sử dụng đƣợc.
 Cấu tạo thanh quản của mỗi ngƣời cũng rất khác nhau cho nên việc phát âm
của cùng một từ của những ngƣời khác nhau cũng đã có sự khác biệt lớn.
 Nhận dạng tiếng nói không chỉ là nhận dạng một từ hay một số từ mà là
nhận dạng một chuỗi các từ liên tục và còn phải xác định các từ nhận dạng đƣợc là
đúng hay sai về mặt ngữ pháp, phù hợp với những lệnh đã thiết kết hay không, nếu
không thì phải xử lý nhƣ thế nào.
 Bản thân tiếng nói đã không ổn định lại đƣợc phát ra trong môi trƣờng có
nhiễu càng làm cho các đặc trƣng của tiếng nói bị sai lệch và sẽ ảnh hƣởng trong
quá trình nhận dạng.

1.3 Tình hình nghiên cứu và ứng dụng
1.3.1 Tình hình nghiên cứu nhận giạng tiếng nói:
Ngày nay trên thế giới đã có rất nhiều nghiên cứu về nhận dạng tiếng nói
trong nhiều lĩnh vực khác nhau với rất nhiều phƣơng pháp rất đa dạng. Mỗi hệ
thống nhận dạng và xử lý khác nhau ở hai đặc điểm:
- Đặc trƣng tiếng nói đƣợc tách để thực hiện việc xử lý và nhận dạng.
- Phƣơng pháp áp dụng để phân biệt các đặc trƣng của tiếng nói.

3
GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
Các phương pháp nhận dạng tiếng nói phổ biến:
 Phƣơng pháp ngữ âm - âm vị học (acoustic-phonetic approach)
Phƣơng pháp ngữ âm - âm vị học dựa trên lý thuyết âm vị: lí thuyết này khẳng
định sự tồn tại hữu hạn và duy nhất các đơn vị ngữ âm cơ bản trong ngôn ngữ nói
gọi là âm vị, đƣợc phân chia thành: nguyên âm - phụ âm, vô thanh-hữu thanh, âm
vang -âm bẹt… Các âm vị có thể xác định bởi tập các đặc trƣng trong phổ của tín
hiệu tiếng nói theo thời gian.
Đặc trƣng quan trọng nhất của âm vị là formant. Đó là các vùng tần số có cộng
hƣởng cao nhất của tín hiệu. Ngoài ra còn một số đặc trƣng khác nhƣ âm vực (cao
độ - pitch), âm lƣợng…
Hệ thống nhận dạng dựa trên phƣơng pháp này sẽ tách các đặc trƣng từ tín hiệu
tiếng nói và xác định chúng tƣơng ứng với âm vị nào. Sau đó, dựa vào một từ điển
phiên âm, máy sẽ xác định chuỗi các âm vị đó có khả năng là phát âm của từ nào
nhất.
Xét khía cạnh nguyên lí, phƣơng pháp có vẻ rất đơn giản. Tuy nhiên các thử
nghiệm trong thực tế cho thấy phƣơng pháp cho kết quả nhận dạng không cao.
Nguyên nhân từ những vấn đề sau:
 Phƣơng pháp cần rất nhiều tri thức về ngữ âm học, nhất là các tri thức
liên quan đến đặc tính âm học của các âm vị. Mà những tri thức này
nhìn chung còn chƣa đƣợc nghiên cứu đầy đủ.
 formant chỉ ổn định đối với các nguyên âm, với phụ âm formant rất khó
xác định và không ổn định. Hơn nữa việc xác định các formant cho độ
chính xác không cao. Đặc biệt khi chịu ảnh hƣởng của nhiễu (là vấn đề
thƣờng xảy trong thực tế).
 Rất khó phân biệt các âm vị dựa trên phổ, nhất là các phụ âm vô
thanh. Có một số phụ âm rất giống nhiễu (ví dụ: /s/, /h/).
4
GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH

 Phƣơng pháp trí tuệ nhân tạo (artifactial intelligence approach)
Phƣơng pháp trí tuệ nhân tạo nghiên cứu cách học nói và học nghe của con
ngƣời, tìm hiểu các quy luật ngữ âm, ngữ pháp, ngữ nghĩa, ngữ cảnh… và tích hợp
chúng bổ sung cho các phƣơng pháp khác để nâng cao kết quả nhận dạng.
Chẳng hạn có thể thêm các hệ chuyên gia (expert system), các luật logic mờ
(fuzzy logic) về ngữ âm, âm vị… vào các hệ nhận dạng tiếng nói dựa trên phƣơng
pháp ngữ âm-âm vị học để tăng độ chính xác cho việc xác định các âm vị (vấn đề
đã đƣợc đề cập là rất khó nếu chỉ sử dụng các thông tin về âm phổ ).
Hay đối với các hệ nhận dạng mẫu, ngƣời ta cải tiến bằng cách với mỗi đối
tƣợng cần nhận dạng, hệ thống sẽ chọn ra một số mẫu “giống” đối tƣợng nhất, sau
đó sẽ kiểm chứng tiếp các kết quả đó bằng các luật ngữ pháp, ngữ nghĩa, ngữ
cảnh… để xác định mẫu phù hợp nhất.
Hiện nay đang có một phƣơng pháp trí tuệ nhân tạo trong nhận dạng tiếng nói
đƣợc nghiên cứu rộng rãi là mạng nơron. Tuỳ vào cách sử dụng, mạng nơron có
thể coi là mở rộng của phƣơng pháp nhận dạng mẫu hoặc phƣơng pháp ngữ âm-
âm vị học.
 Phƣơng pháp nhận dạng mẫu (pattern recognition approach)
Phƣơng pháp nhận dạng mẫu dựa vào lý thuyết xác suất - thống kê để nhận
dạng dựa trên ý tƣởng: so sánh đối tượng cần nhận dạng với các mẫu được thu
thập trước đó để tìm mẫu "giống" đối tượng nhất.
Nhƣ vậy hệ thống nhận dạng sẽ trải qua 2 giai đoạn:
 Giai đoạn huấn luyện thực hiện các nhiệm vụ: thu thập mẫu,
phân lớp và huấn luyện hệ thống ghi nhớ các mẫu đó.
5
GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
Nguồn vào
Thu thập, tiền xử
lý
Trích chọn đặc
trƣng

Dữ liệu huấn luyện
Mẫu dữ liệu huấn luyệnPhân lớp
Đặc trƣng
Huấn luyện cơ
cấu nhận dạng
Cơ cấu nhận dạng

Hình 1.1 Sơ đồ giai đoạn huấn luyện của phƣơng pháp đối sánh mẫu


 Giai đoạn nhận dạng: nhận vào đối tƣợng cần nhận dạng, so
sánh với các mẫu và đƣa ra kết quả là mẫu giống đối tƣợng nhất.
Nguồn vào
Thu thập, tiền xử
lý
Trích chọn đặc
trƣng
Đối tƣợng cần nhận dạng
Đặc trƣng
Cơ cấu nhận
dạng
Thông tin phân lớp
Lựa chọn lớp,
hậu xử lý
Kết quả

Hình 1.2 Sơ đồ giai đoạn nhận dạng của phƣơng pháp đối sánh mẫu

Phần lớn các hệ nhận dạng thành công trên thế giới là sử dụng phƣơng pháp
này. Phƣơng pháp có những ƣu điểm sau:

 Sử dụng đơn giản, dễ hiểu, mang tính toán học cao (lý thuyết xác suất
thống kê, lý thuyết máy học, …)
6
GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
 Ít bị ảnh hƣởng của những biến thể về bộ từ vựng, tập đặc trƣng, đơn vị
nhận dạng, môi trƣờng xung quanh…
 Cho kết quả cao. Điều này đã đƣợc kiểm chứng trong thực tế.
Nhận dạng mẩu sử dụng mô hình Markov ẩn là phƣơng pháp đƣợc chọn để
thực hiện đề tại nên sẽ đƣợc trình bày chi tiết ở phần sau của báo cáo.

1.3.2 Khả năng ứng dụng:
Hệ thống nhận dạng tiếng nói là hệ thống cho phép đầu vào là tiếng nói con
ngƣời. Có 3 ứng dụng cơ bản của hệ thống nhận dạng tiếng nói:
 Voice commands: ngƣời sử dụng nói vào một lệnh và máy tính thực hiện
một công việc tƣơng ứng với lệnh đó.
 Text dictation: ngƣời sử dụng đọc chính tả, còn máy tính sẽ ghi lại
những gì ngƣời sử dụng đọc. Đòi hỏi máy tính phải cho phép đọc toàn bộ từ vựng
trong ngôn ngữ.
 Speaker recognition: ngƣời sử dụng đọc vào một câu cho sẵn và máy
tính sẽ định danh ngƣời dùng dựa trên các đặc tính của giọng nói.

1.4 Tình hình tổng quan trong và ngoài nước
Thế giới:
Trên thế giới đã có nhiều nhà khoa học ở các trƣờng đại học và công ty lớn đầu
từ vào lĩnh vực nhận dạng tiếng nói và đã có nhiều thành tựu đáng kể. Dƣới đây là
một số dự án nghiên cứu tiêu biểu.
 CMU SPHINX: còn gọi gọn là SPHINX là một hệ nhận dạng tiếng
nói đƣợc phát triển tại đại học Carnegie Mellon, bao gồm một Engine nhận dạng
tên là SPHINX và một chƣơng trình huấn luyện âm vị là SphinxTrain. Kể từ năm
2001, nhóm phát triển Sphinx đã mở mã nguồn một số thành phần của chƣơng

trình nhận dạng bao gồm Sphinx 2 và tới nay là Sphinx 4. Ngoài ra còn một số
chƣơng trình khác kèm theo gồm chƣơng trình huấn luyện mô hình âm vị
(acoustic model), chƣơng trình biên dịch mô hình ngôn ngữ (language model) và
7
GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
từ diển phát âm (cmudict), là các chƣơng trình cần thiết để sử dụng Sphinx. Chi
tiết về Sphinx có thể tham khảo tại địa chỉ .
 Microsoft Speech Recognition: từ năm 1993 sau khi tuyển mộ đƣợc
ngƣời đứng đầu của nhóm nghiên cứu Sphinx – X.Huang, từ đại học Carnegie
Mellon, Microsoft bị thu hút vào lĩnh vực nghiên cứu nhận dạng tiếng nói và
chuyển văn bản sang tiếng nói(text - to - speech). Công ty này sau đó đã xây dựng
Speech API (SAPI), một giao diện lập trình dành cho những ai muốn phát triển
ứng dụng liên quan đến giọng nói trên môi trƣờng Windows. Hiện tại đã có SAPI
5.4, chi tiết có thể tham khảo tại

 Julius: là một dự án mã nguồn mở nghiên cứu phát triển hệ nhận
dạng tiếng nói với bộ từ vựng lớn (khoảng 60000 từ) dựa trên mô hình Markov ẩn
phụ thuộc ngữ cảnh. Mục tiêu chính của Julius là phát triển hệ nhận dạng tiếng nói
liên tục với bộ từ vựng lớn dành cho tiếng Nhật. Đây là một chƣơng trình nhận
dạng mã nguồn mở có khả năng nghiên cứu mở rộng cho nhiều ngôn ngữ khác
nhau, chi tiết tại địa chỉ
 Dragon: đây là một sản phẩm thƣơng mại nổi tiếng trong lĩnh vực
nhập giạng và tổng hợp tiếng nói đƣợc công ty NUACE. Công ty này đã phát triển
hệ nhận dạng của riêng mình và cho ra đời nhiều phiên bản Dragon khác nhau đáp
ứng các nhu cầu khác nhau nhƣ Dragon cho lĩnh vực y khoa, Dragon phục vụ học
tập…Tuy nhiên vì đây là một chƣơng trình mã đống nên không có khả năng
nghiên cứu. Chi tiết tham khảo tại
Trong nước:
Mặc dù thế giới đã có nhiều công trình nghiên cứu và ứng dụng mang lại thành
công nhƣ vậy, nhƣng do nhiều lý do mà ở trong nƣớc chƣa có một hệ nhận dạng

tiếng nói nào đƣợc phát triển một cách hoàn chỉnh cũng nhƣ rất ý đề tài nghiên
cứu về lĩnh vực này. Đƣợc biết đến nhiều nhất trong nhận dạng tiếng Việt là
chƣơng trình Vspeech của nhóm sinh viên tại trƣờng đại học Bách khoa TpHCM.
Đây là chƣơng trình đã đoạt giải thƣởng Trí tuệ Việt Nam năm 2004. Vspeech là
8
GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
một chƣơng trình hoạt động dựa trên bộ máy nhận dạng tiếng nói của Microsoft
tích hợp sẳn trong Windows.
Cách hoạt động của Vspeech hết sức đơn giản, dựa trên sự tƣơng đối giống
nhau khi phiên âm latin của một số từ tiếng Anh và tiếng Việt, nhóm Vspeech đã
sử dụng chƣơng trình nhận dạng tiếng nói của Microsoft cung cấp, thực hiện thao
tác nhận dạng sau đó ánh xạ từ tiếng Anh nhận đƣợc sang từ tiếng Việt có phiên
âm latin gần giống nhất.
Ví dụ, từ “hai” trong tiếng Việt phát âm gần giống với “hi”- nghĩa là xin chào-
trong tiếng Anh. Khi một ngƣời nói “hai”, bộ nhận giạng tiếng nói của Microsoft
sẽ cho kết quả là “hi”, từ kết quả này, Vspeech sẽ ánh xạ “hi” với “hai” trong
tiếng Việt và cung cấp kết quả cuối cùng của thao tác nhận dạng là “hai”, đúng với
từ mà ngƣời nói mong muốn.
Với cách làm này, công việc chủ yếu của nhóm Vspeech là tìm ra những từ
tiếng Anh có phiên âm gần giống với từ tiếng Việt, sau đó chỉ cho phép bộ nhận
dạng tiếng nói (tiếng Anh) của Microsoft chấp nhận các từ này là kết quả nhận
dạng cuối cùng. Bộ từ vựng này sẽ đƣợc ánh xạ với một bộ từ tiếng Việt cùng
phiên âm tƣơng ứng. Việc còn lại là từ kết quả là từ tiếng Anh có đƣợc từ bộ nhận
dạng của Microsoft, Vspeech sẽ ánh xạ sang từ tiếng Việt tƣơng ứng và đƣa ra kết
quả nhận dạng là từ tiếng Việt này.
Ƣu điểm trong cách làm này là không cần phải xây dựng một bộ nhận dạng
tiếng nói mà sử dụng lại cái có sẳn, thời gian xây dựng ứng dụng nhanh.
Tuy nhiên, cách làm này là không bền vững vì:
- Không phải từ tiếng Việt nào cũng có từ tiếng Anh phát âm gần giống.
- Những từ tiếng Việt chỉ khác dấu phát âm gần giống nhau sẽ khó phân

biệt trong quá trình nhận dạng.
- Không nhận dạng đƣợc khi nói nhiều từ liên tục.
Những nhƣợc điểm trên là bởi vì bộ nhận dạng tiếng nói của Microsoft là một
bộ nhận dạng tiếng nói dành cho tiếng Anh và một số ngôn ngữ khác mà không hổ
trợ tiếng Việt, trong khi đặc điểm về ngữ âm, ngữ pháp, mô hình ngôn ngữ của các
9
GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
ngôn ngữ khác nhau là khác nhau. Do đó mà độ chính xác khi nhận dạng là không
cao cũng nhƣ khả năng đáp ứng thấp.
Vì lí do này mà nhóm thực hiện đề tài đã nghiên cứu chi tiết về các kỹ thuật sữ
dụng trong nhận dạng tiếng nói nói chung và các hệ nhận dạng các ngôn ngữ khác
đƣợc mở mã nguồn, để từng bƣớc xây dựng một hệ nhận dạng tiếng nói dành cho
tiếng Việt.
















10

GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
CHƢƠNG 2
CƠ SỞ LÝ THUYẾT
Chương này sẽ trình bày sơ qua về các vấn đề lý thuyết cơ bản và quan trọng
được sử dụng khi xây dựng một hệ nhận dạng tiếng nói trong chương tới.
2.1. LÝ THUYẾT NGỮ ÂM
2.1.1. Lý thuyết về tiếng nói
Mục đích của tiếng nói là truyền thông tin. Có một số đặc trƣng cho việc
truyền tiếng nói. Theo lý thuyết thông tin, tiếng nói có thể biểu diển dƣới dạng nội
dung thông báo hoặc thông tin. Một cách đặc trƣng khác là tiếng nói biễu diễn
dƣới dạng tín hiệu mang thông tin thông báo. Mặc dù các quan điểm lý thuyết của
thông tin đống vai trò chủ đạo trong các hệ thống truyền tin phức tạp, ta sẽ thấy là
biễu diễn tiếng nói dựa trên dạng sóng hoặc mô hình tham số đƣợc sử dụng chính
trong các ứng dụng thực tế.
Để xét quá trình thông tin tiếng nói, đầu tiên nên coi thông báo nhƣ một dạng
trừu tƣợng nào đó trong đầu ngƣời nói. Qua quá trình phúc tạp tạo âm, thông tin
trong thông báo này đƣợc chuyển trực tiếp thành tín hiệu âm học. Thông tin thông
báo có thể đƣợc biểu diễn dƣới một số dạng khác nhau trong quá trình tạo tiếng
nói. Chẳng hạn, thông tin thông báo lúc đầu đƣợc chuyển thành tập hợp các tín
hiệu thần kinh điều khiển có chế phát âm (đó là chuyển động của lƣỡi, môi, dây
thanh âm…). Bộ máy phát âm chuyển động tƣơng ứng với các tín hiệu thần kinh
này để tạo ra dãy các điệu bộ, mà kết quả cuối cùng là dạng sóng âm chứa thông
tin trong thông báo gốc.
Thông tin đƣợc thông báo bằng tiếng nói về bản chất là rời rạc, có thể biểu
diễn bởi việc dán các phần tử ở một tập hợp hữu hạn các ký hiệu. Các ký hiệu mà
mỗi âm có thể đƣợc phân loại ra gọi là các âm vị (phoneme). Mỗi ngôn ngữ có tập
hợp các âm vị riêng của nó, con số mẫu mực là khoảng từ 30 đến 50. Ví dụ tiếng
Anh có thể biểu diễn bằng khoảng 42 âm vị, tiếng Việt khoảng 33 âm vị ( 12
nguyên âm : a, ă, â, o, u… và 21 phụ âm: k, l, m, ph …).
11

GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
Trong lý thuyết thông tin ngƣời ta còn xét tốc độ truyền thông tin. Với tiếng
nói, lƣu ý đến các giới hạn vật lý của tốc độ chuyển động của bộ máy phát âm,
đánh giá thô của tốc độ thông tin là con ngƣời tạo ra tiếng nói với tốc độ trung
bình khoảng 10 âm vị trong 1 giây. Nếu mỗi âm vị biễu diễn bằng một số nhị phân
thì mã số 6 bit là quá đủ để biểu diễn tất cả các âm vị tiếng Anh. Với tốc độ trung
bình khoảng 10 âm vị trên giây và bỏ qua tƣơng tác giữa cặp âm vị liền kề, ta có
ƣớc lƣợng 60 bit/giây cho tốc độ thông tin trung bình của tiếng nói. Nói cách khác
là lƣợng viết ra của tiếng nói chứa thông tin tƣơng đƣơng với 60 bit/giây ở tốc độ
nói chuẩn. Dĩ nhiên, cận dƣới của nội dung thông tin xác thực trong tiếng nói đƣợc
coi là cao hơn tốc độ này. Ƣớc lƣợng trên không tín đến các nhân tố nhƣ trạng thái
của ngƣời nói, tốc độ nói, âm hƣởng của tiếng nói,v. v…
2.1.2. Một số đặc điểm ngữ âm tiếng Việt
Một đặc điểm dễ thấy là tiếng Việt là ngôn ngữ đơn âm (monosyllable - mỗi từ
đơn chỉ có một âm tiết), không biến hình (cách đọc, cách ghi âm không thay đổi
trong bất cứ tình huống ngữ pháp nào). Tiếng Việt hoàn toàn khác với các ngôn
ngữ Ấn-Âu nhƣ tiếng Anh, tiếng Pháp là các ngôn ngữ đa âm, biến hình.
Nhìn về mặt ghi âm: âm tiết tiếng Việt có cấu tạo chung là: phụ âm-vần. Ví dụ
âm tin có phụ âm t, vần in. Phụ âm là một âm vị và âm vị này liên kết rất lỏng lẻo
với phần còn lại của âm tiết (hiện tƣợng nói lái).
Vần trong tiếng Việt lại đƣợc cấu tạo từ các âm vị nhỏ hơn, trong đó có một
âm vị chính là nguyên âm.
Hình sau là phổ tín hiệu của âm tiết “ba”. Chúng ta có thể quan sát và phân biệt
rõ miền nhiễu nền, miền phổ của phụ âm b và nguyên âm a (miền đậm hơn là có
mật độ năng lƣợng lớn hơn).
12
GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH

Hình 2.1: Phổ tín hiệu của âm tiết “ba”, có miền nhiễu nền (silence), miền tín hiệu của phụ âm
/b/ và nguyên âm /a/ (miền đậm hơn là có mật độ năng lƣợng lớn hơn).

Quan sát phổ các âm tiết tƣơng tự chúng ta có thể rút ra kết luận: các phụ âm
và nguyên âm đều phân biệt với nhau rất rõ qua sự phân bố năng lƣợng tại các
miền tần số, ví dụ: phụ âm ở tần số thấp, năng lƣợng nhỏ, nguyên âm có năng
lƣợng lớn ở cả vùng tần số cao. Vùng không có tín hiệu tiếng nói (nhiễu nền và
khoảng lặng) có năng lƣợng thấp và chỉ tập trung ở các tần số rất thấp.
Các nguyên âm có tần phổ (spectrum) khác nhau khá rõ. Hình sau minh hoạ sự
khác nhau về phổ của 5 nguyên âm cơ bản. Miền đậm là miền có mật độ năng
lƣợng cao.




13
GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH

Hình 2.2: Sự khác nhau về phổ của 5 nguyên âm cơ bản. Miền đậm là miền
có mật độ năng lƣợng cao (vùng có formant).

Theo tác giả Đoàn Thiện Thuật , xét về mặt ngữ âm-âm vị học âm tiết tiếng
Việt có lƣợc đồ nhƣ sau:
Thanh điệu
Âm đầu
Vần
Âm đệm
Âm chính
Âm cuối

Lƣợc đồ cho thấy âm tiết tiếng Việt có cấu trúc rõ ràng, ổn định. Lƣợc đồ còn
cho thấy tiếng Việt là ngôn ngữ có thanh điệu. Hệ thống thanh điệu gồm 6 thanh:

bằng, huyền, sắc, hỏi, ngã, nặng.
Thanh điệu trong âm tiết là âm vị siêu đoạn tính (thể hiển trên toàn bộ âm tiết).
Do đó đặc trƣng về thanh điệu thể hiện trong tín hiệu tiếng nói không rõ nét nhƣ
các thành phần khác của âm tiết.
14
GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
Sự khác biệt về cách phát âm tiếng Việt rất rõ rệt theo giới, lứa tuổi và đặc biệt
là theo vị trí địa lí (giọng miền Bắc, miền Trung và miền Nam khác nhau rất
nhiều).
2.1.3. Lý thuyết về âm vị
2.1.3.1. Định nghĩa âm vị
Có nhiều cách định nghĩa âm vị khác nhau:
Theo cuốn Ngữ âm học tiếng Việt hiện đại, NXBGD 1972, nhóm tác giả Cù
Đình Tú thì âm vị là “đơn vị nhỏ nhất của ngữ âm có mang chức năng phân biệt
nghĩa và nhận diện từ”.
Theo cuốn ngữ âm tiếng Việt của Đoàn Thiện Thuật thì âm vị là “tổng thể các
nét khu biệt, được xuất hiện đồng thời (được con người tri giác theo trật tự trước
sau) và có chức năng khu biệt vỏ âm thanh của từ hoặc hình vị”.
Theo Giáo sƣ Cao Xuân Hạo, những cách định nghĩa trên còn có những chổ
chƣa thỏa đáng: “mang tính chất ấn tƣợng chủ nghĩa, có sự lầm lẫn về cách tri giác
tính đồng thời, kế tiếp” … và theo ông thì âm vị là “đơn vị khu biệt âm thanh nhỏ
nhất có thể tham gia vào thế đối lập âm vị học về trật tự thời gian”, hoặc âm vị là
đơn vị âm vị học tuyến tính nhỏ nhất.
Theo Đinh Lê Thƣ và Nguyễn Văn Huệ, “người ta thường định nghĩa âm vị là
đơn vị nhỏ nhất của cơ cấu âm thanh ngôn ngữ, dùng để cấu tạo và phân biệt hình
thức ngữ âm của những đơn vị có nghĩa của ngôn ngữ từ và hình vị. Ví dụ: các từ
tôi và đôi, ta và đa trong tiếng Việt phân biệt nhau bởi các âm vị /t/ và /đ/. Nếu
thay âm vị này bằng một âm vị khác trong cùng một âm tiết sẽ làm cho âm tiết đó
thay đổi về nghĩa hoặc mất nghĩa. Ví dụ, ta có từ “toàn”, nếu thay âm vị /t/ bằng
âm vị /h/, thì sẽ được “hoàn” có nghĩa khác”.

15
GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
2.1.3.2. Chức năng của âm vị
Các âm vị trên nguyên tắc nhất định phải có sự khác nhau, ít nhất là về một đặc
trƣng nào đó. Chính nhờ sự khác biệt này mà các âm vị có thể tạo ra sự khác biệt
về hình thức âm thanh của hình vị và từ, tạo nên những tín hiệu khác biệt đối với
sự cảm thụ của con ngƣời. Theo đó, âm vị có 2 chức năng cơ bản: chức năng khu
biệt vỏ âm thanh của hình vị và từ, và chức năng cấu tạo nên những thành tố của
đơn vị có nghĩa.
2.1.3.3. Tách âm vị và xác định âm vị trên chuỗi sóng âm
Số lƣợng từ trong mỗi ngôn ngữ đều rất lớn. Xây dựng hệ nhận dạng theo từ có
khả năng phân biệt số lƣợng từ đó quả là một thách thức. Thay vào đó, ngƣời ta
nghĩ ra cách xây dựng hệ nhận dạng dựa trên hƣớng tiếp cận âm vị. Theo đó, chỉ
cần nhận dạng khoảng vài chục âm vị sẽ có thể nhận dạng đƣợc toàn bộ từ của một
ngôn ngữ (Theo thống kê, số âm vị trong một ngôn ngữ dao động từ khoảng 20
đến 60). Và đây cũng chính là hƣớng tiếp cận đúng đắn cho nhận dạng tiếng nói
tiếng Việt. Tuy nhiên, ngƣời ta lại gặp khó khăn khác, đó là tách âm vị và xác định
âm vị trên chuỗi sóng âm: Cho một dãy tín hiệu tiếng nói đã thu sẵn. Nhiệm vụ
của chúng ta là tìm ranh giới của tất cả các âm vị và cho biết âm vị đó là âm vị gị.
Chƣa nói đến khả năng thực hiện công việc đó bằng máy, ngay cả con ngƣời vẫn
có thể bị nhầm lẫn khi tách âm vị bằng tay do ranh giới giữa các âm vị thƣờng
mập mờ và hay chồng lấp lên nhau. Cả khi 2 âm vị thuộc 2 âm tiết khác nhau, nếu
đứng kế nhau vẫn có thể xảy ra sự chồng lấp. Vì vậy, công việc tách âm vị trên
chuỗi sóng âm chỉ mang tính tƣơng đối.
Những thuận lợi và khó khăn đối với nhận dạng tiếng nói tiếng Việt
Thuận lợi
Những đặc điểm ngữ âm tiếng Việt cho thấy nhận dạng tiếng nói tiếng Việt có
một số thuận lợi sau:
16

GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
 Tiếng Việt là ngôn ngữ đơn âm, số lƣợng âm tiết không quá lớn. Điều này
sẽ giúp hệ nhận dạng xác định ranh giới các âm tiết dễ dàng hơn nhiều. Đối với hệ
nhận dạng các ngôn ngữ Ấn-Âu (tiếng Anh, tiếng Pháp ) xác định ranh giới âm
tiết (endpoint detection) là vấn đề rất khó và ảnh hƣởng lớn đến kết quả nhận
dạng.
 Tiếng Việt là ngôn ngữ không biến hình từ. Âm tiết tiếng Việt ổn định, có
cấu trúc rõ ràng. Đặc biệt không có 2 âm tiết nào đọc giống nhau mà viết khác
nhau. Điều này sẽ dễ dàng cho việc xây dựng các mô hình âm tiết trong nhận
dạng; đồng thời việc chuyển từ phiên âm sang từ vựng (lexical decoding) sẽ đơn
giản hơn so với các ngôn ngữ Ấn-Âu. Việc chuyển từ phiên âm sang từ vựng cũng
là một vấn đề khó khăn trong nhận dạng các ngôn ngữ Ấn-Âu.
Khó khăn
Ngoài những thuận lợi trên, nhận dạng tiếng nói tiếng Việt cũng gặp rất nhiều
khó khăn nhƣ sau:
 Tiếng Việt là ngôn ngữ có thanh điệu (6 thanh). Thanh điệu là âm vị siêu
đoạn tính, đặc trƣng về thanh điệu thể hiện trong tín hiệu tiếng nói không rõ nét
nhƣ các thành phần khác của âm tiết.
 Cách phát âm tiếng Việt thay đổi nhiều theo vị trí địa lí. Giọng địa phƣơng
trong tiếng Việt rất đa dạng (mỗi miền có một giọng đặc trƣng).
 Hệ thống ngữ pháp, ngữ nghĩa tiếng Việt rất phức tạp, rất khó để áp dụng
vào hệ nhận dạng với mục đích tăng hiệu năng nhận dạng. Hệ thống phiên âm
cũng chƣa thống nhất.
 Các nghiên cứu về nhận dạng tiếng Việt cũng chƣa nhiều và ít phổ biến.
Đặc biệt khó khăn lớn nhất là hiện nay chƣa có một bộ dữ liệu chuẩn cho việc
huấn luyện và kiểm tra các hệ thống nhận dạng tiếng Việt.


2.2. Lý thuyết xử lý tín hiệu số
17

GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
Trong các hệ thống truyền tiếng nói, tín hiệu tiếng nói đƣợc truyền đi, lƣu giữ
và xử lý bằng nhiều cách. Các giải pháp kỹ thuật cho ta nhiều cách biểu diễn tín
hiệu tiếng nói. Có 2 cách chính:
- Lƣu giữ nội dung thông báo trong tín hiệu tiếng nói.
- Biểu diễn tín hiệu tiếng nói dƣới dạng thuận tiện để truyền đi học lƣu giữ,
hoặc dƣới dạng linh động để có thể sửa chữa mà không ảnh hƣởng đến nội dung
thông báo.
Biểu diễn tín hiệu tiếng nói phải làm sao cho nội dung thông tin có thể dễ
dàng lĩnh hội đƣợc bởi ngƣời nghe hoặc bằng máy tự động. Trong việc thiết kế và
xử lý các biểu diễn này, các phƣơng pháp xử lý tín hiệu đóng vai trò cơ bản.
2.2.1 Xử lý tín hiệu
Trong trƣờng hợp tính hiệu tiếng nói, ngƣời ta coi nguồn thông tin, đo đạc
hoặc quan sát, nói chung, là có dạng sóng âm. Xử lý tín hiệu bao gồm trƣớc hết là
nhận đƣợc biểu diễn tín hiệu dựa trên mô hình đã cho và sau đó là dùng biến đổi ở
mức cao hơn để đặt tín hiệu và dạng tiện dụng hơn. Các thao tác và xử lý thông tin
đƣợc vẽ nhƣ hình dƣới đây.

Bƣớc cuối cùng của xử lý tín hiệu là trích ra và sử dụng thông tin. Bƣớc này có
thể đƣợc thực thực hiện hoặc bởi ngƣời nghe hoặc tự động bằng máy. Lấy ví dụ là
18
GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
hệ thống có chức năng nhận biết tự động ngƣời nói từ một tập hợp ngƣời đã cho,
có thể sử dụng biểu diễn phổ phụ thuộc thời gian của tín hiệu tiếng nói. Một biết
đổi tín hiệu có thể dùng là phổ trung bình ở một câu đầy đủ, so sánh phổ trung
bình với phổ trung bình đã lƣu trữ của mỗi ngƣời nói, rồi sau đó dựa trên số đo
tƣơng tự của phổ mà nhận biết ngƣời nói. Ở ví dụ này, thông tin trong tín hiệu
dùng để nhận dạng ngƣời nói. Thao tác tính toán số đo tƣơng tự, tìm câu phù hợp
nhất với tín hiệu tiếng nói … liên quan đến đến tính toán xác suất và thống kê
đƣợc trình bày ở phần tiếp theo của chƣơng.

2.2.2 Xử lý tín hiệu số
Xử lý tín hiệu số tập trung vào 2 việc chính là nhận đƣợc các biễu diễn rời rạc
của tín hiệu và lý thuyết, thiết kế, thực hiện các thủ tục số để xử lý các biểu diễn
rời rạc này. Đối tƣợng của xử lý tín hiệu số là nhận biết các đối tƣợng trong xử lý
tín hiệu tƣơng tự. Câu hỏi đặt ra là vì sao các kỹ thuật xử lý tín hiệu số lại đƣợc
dùng để nghiên cứu thông tin tiếng nói? Đầu tiên và quan trọng nhất là các hàm xử
lý tín hiệu phức tạp có thể thực hiện bằng cách dùng kỹ thuật số. Khi xử lý tín hiệu
tiếng nói, nhiều trƣờng hợp không thể coi các hệ thống này là các hệ thống xấp xỉ
của các hệ thống tƣơng tự.
Các kỹ thuật xử lý tín hiệu số lúc đầu đƣợc dùng trong các hệ thống xử lý tiếng
nói nhƣ mô phỏng các hệ thống tƣơng tự phức tạp. Quan điểm lúc đầu là phải mô
phỏng các hệ thống tƣơng tự trên máy tính để tránh việc xây dựng các hệ thống để
thực nghiệm. Xúc tác chính là sự phát triển của máy tính nhanh hơn và các tiến bộ
nhanh trong lý thuyết kỹ thuật xử lý tín hiệu số. Nhƣ vậy, các hệ thống xử lý tín
hiệu số có khả năng mô phỏng các hệ tƣơng tự tốt, cộng thêm với các phát triển về
lý thuyết và phần cứng số làm tăng ƣu thế của các hệ thống xử lý tín hiệu số so với
các hệ thống tƣơng tự. Các hệ thống số đã trở nên đáng tin cậy và rất chặt chẽ.
Công nghệ đã cho phép các hệ thống cực kỳ phức tạp có thể hoạt động trên một
chip đơn, các thành phần logic đủ nhanh đế số lớn các tính toán thực tế trong
19
GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
nhiều hàm xử lý tín hiệu có thể thực hiện trong thời gian thực và ở tốc độ mẫu
tiếng nói.
Có nhiều lý do khác để dùng kỹ thuật số trong các hệ thống thông tin tiếng nói.
Chẳng hạn, nếu mã hóa đƣợc dùng, tiếng nói dƣới dạng số hóa có thể truyền đi
một cách tin cậy trên các kênh rất ồn. Cũng vậy, nếu tín hiệu tiếng nói ở dạng số
thì nó đồng nhất với dữ liệu của các dạng khác. Do vậy, một hệ thống có thể dùng
để truyền tín hiệu tiếng nói cùng các tín hiệu khác mà không cần phân biệt chúng
trừ việc giải mã. Ngoài ra, về yêu cầu bảo mật việc truyền tín hiệu tiếng nói, biểu
diễn số có ƣu thế hơn hẳn so với các hệ thống tƣơng tự. Với các lý do trên và

nhiều lý do khác nữa mà các kỹ thuật số đƣợc sử dụng ngày càng nhiều trong các
bài toán về tiếng nói.
2.2.3 Cơ sở xử lý tín hiệu số
Trong hầu hết tình huống xử lý hoặc truyền thông tin, ngƣời ta phải bắt đầu
bằng việc biểu diễn tín hiệu nhƣ mẫu biến đổi liên tục. Sóng âm phát ra cũng có
bản chất nhƣ vậy. Về mặt toán học, có thể biểu diễn các mẫu biến đổi liên tục nhƣ
vậy là hàm của biến liên tục t biểu diễn thời gian. Trong phần lý thuyết này, ký
hiệu x(t) cho dạng sóng thời gian biến đổi liên tục. Cũng có thể biểu diễn tín hiệu
tiếng nói nhƣ các dẫy số, ký hiệu x(n) dùng để biểu diễn dẫy số.
Khi nghiên cứu về các hệ thống xử lý tín hiệu tiếng nói ngƣời ta sẽ sử dụng
một số dãy số cơ bản nhƣ dãy xung đơn vị, dãy bƣớc đơn vị, dãy lũy thừa…



20
GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
Xử lý tín hiệu đòi hỏi biến đổi tín hiệu thành dạng mong muốn theo một nghĩa
nào đó. Lớp các hệ thống bất biến –dịch chuyển tuyến tính (LSI – Linear Shift
Invariant) thƣờng đƣợc dùng trong xử lý tiếng nói. Các hệ thống này đƣợc đặc
trƣng hoàn toàn bởi đáp ứng của chúng với đầu vào. Với các hệ thống này, đầu ra
y(n) có tể tính đƣợc từ đầu vào x(n) và đáp ứng của mẩu đơn vị h(n) theo tích
chập:

ở đây * là ký hiệu tích chập rời rạc (discrete convolution). Biểu thức tƣơng
đƣơng là:

Các hệ thống LSI thƣờng dùng để lập các phép lọc trên các tín hiệu tiếng nói
và đặc biệt là trong các mô hình tạo ra tiếng nói.
Khi đã có đƣợc cách biểu diễn tiếng nói ở dạng số, ngƣời ta tiến hành các thao
tác xử lí tín hiệu bằng các phép biến đổi nhƣ biến đổi Z (Z Transform – ZT), biến

đổi Fourier (Fourier Transform – FT), biến đổi Fourier rời rạc (Discrete FT –
DFT)… Lý thuyết về xử lý tín hiệu số có thể tìm thấy ở các giáo trình môn Xử lý
tín hiệu số.








CHƢƠNG 3
21
GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
MÔ HÌNH HMM VÀ NHẬN DẠNG TIẾNG NÓI
3.1. Giới thiệu
Trong phần này các phần cơ bản của mô hình HMM sẽ đƣợc giới thiệu. Các
định nghĩa, các tập hợp tham số, các vấn đề thiết yếu, các thuật toán chính của mô
hình HMM áp dụng vào nhận dạng tiếng nói sẽ đƣợc giới thiệu. Tiếp đó các phần
chính của hệ nhận dạng, các công đoạn chính của nhận dạng dựa vào mô hình
HMM cũng sẽ đƣợc giới thiệu sơ qua
3.2. Những vấn đề cơ bản của HMM
Mô hình HMM là mô hình thống kê thƣờng xuyên đƣợc sử dụng để mô hình
hóa tiếng nói, sử dụng cho công việc nhận dạng. Cấu trúc bên trong của HMM
không phải dựa vào kiến thức về tiếng nói nhƣng nó lại đƣợc sử dụng trong nhận
dạng để tính toán các đặc trƣng số của tiếng nói.
3.3. Các kiến thức toán học của HMM và các vấn đề khi sử dụng HMM vào
nhận dạng tiếng nói
Mô hình Markov ẩn HMM là một mô hình thống kê dựa vào mô hình Markov.
Vì vậy để hiểu đƣợc mô hình HMM chúng ta sẽ xem xét qua về mô hình Markov

và mô hình thống kê nói chung.
3.3.1. Giới thiệu về nhận dạng thống kê và HMM
Quá trình thống kê là quá trình xác định xác suất của một số sự kiện và xác
suất mối quan hệ giữa các sự kiện trong một tiến trình tại các thời điểm khác nhau.
 Biến cố ngẫu nhiên và hàm mật độ xác suất
Gọi X là tập các biến ngẫu nhiên , X = {X
1
,X
2
, …, X
n
} mà tồn tại ít nhất một
sự kiện của tập X này xuất hiện. Gọi xác suất của sự kiện X
i
là P(X
i
). Khi đó ta có
xác suất của X là P(X) = 1. Nếu gọi P(X
i
) là xác suất của biến cố X
i
thì ta có:


   
1
i
P X P X

(3.1)

22
GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH

 Xác suất có điều kiện:
Gọi A và B là các biến ngẫu nhiên. Xác suất có điều kiện đƣợc mô tả nhƣ
sau:
Giả sử sự kiện A đã xảy ra với xác suất P(A). Xác suất của sự kiện A với
điều kiện sự kiện B đã xảy kí hiệu là P(A|B) đƣợc tính nhƣ sau:


Trong nhận dạng thống kê, hai hàm xác suất có điều kiện sau thƣờng đƣợc
dùng:
- P(x|C
i
): hàm mật độ xác suất của độ đo vector x thuộc về lớp C
i,
với
giả thiết là xác suất P(C
i
) đƣợc biết trƣớc hay có thể ƣớc lƣợng đƣợc.
- P(C
i
|x): với điều kiện x xảy ra, xác định xác suất xuất hiện của lớp rời
rạc C
i
(chƣa biết), thông qua P(C
i
): xác suất của lớp C
i
và P(x|C

i
).
Một tiến trình đƣợc gọi là tiến trình Markov ( Markov process) nếu xác suất
của một sự kiện tại một thời điểm bị ràng buộc bởi các sự kiện trong quá khứ xác
định. Nhƣ vậy, mô hình Markov là một mô hình thống kê thuần túy. Trạng thái là
một định nghĩa giúp chúng ta hiểu đƣợc sự biến đổi của sự kiện theo thời gian.
Biến cố chính trong tiến trình Markov là “đạt trạng thái i tại thời điểm t”. Một
tiến trình Markov đƣợc sử dụng trong các hệ thống nhận dạng tiếng nói tự động
(ASR) tuân theo các điều kiện sau:
1. Chỉ tồn tại một thời điểm phân biệt trong chuổi thời gian t = 1,2,…, T;
2. Chỉ có một số lƣợng trạng thái xác định {s
t
} ={i}, i = 1,2,…,n;
()
( | ) ( ) 0
()
P AB
P A B P B
PB
  
(3.2)
23
GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
3. Trạng thái hiện tại và quá khứ chỉ là cách nhau một bƣớc:


Nhiệm vụ chính của tiến trình Markov là tạo ra chuỗi trạng thái S=s
1
,s
2

, ,s
T
.
Mô hình Markov ẩn HMM đƣợc phát triển dựa trên mô hình Markov. Các khía
cạnh chính yếu về sử dụng mô hình HMM trong nhận dạng tiếng nói sẽ đƣợc trình
bày dƣới đây.
3.3.2. Các thành phần chính của HMM
Thành phần chính của HMM gồm tập hợp trạng thái và các tập hợp tham số
chính.


Hình 3.1 Mô hình HMM 6 trạng thái

Tập hợp các trạng thái và ba tập hợp các tham số xác định 1 mô hình HMM.
Nó đặc trƣng cho một tiến trình không biết trƣớc thứ tự đƣợc mô tả nhƣ trong
[Hình 3.1].
   
1 2 1
| , , , |
t t t t k t t
P s s s s P s s
   

(3.3)
24
GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
Đầu tiên S={s
i
, i = 1,…, n} (với n là số trạng thái của HMM) là tập hợp
các trạng thái của mô hình HMM.

Tập hợp tham số thứ nhất đƣợc gọi là xác suất chuyển trạng thái
(transition probabilities) đƣợc định nghĩa nhƣ sau:


Tập hợp các xác suất khởi tạo mô hình HMM i: π ={π
i
}.
Tuy nhiên trong nhận dạng tiếng nói các mô hình HMM chủ yếu đƣợc khởi
tạo tại trạng thái đầu tiên nên ta bỏ qua tập xác suất khởi tạo mô hình HMM.
Ý nghĩa của a
ij
là: xác suất chuyển trạng thái từ trạng thái i tại thời điểm t-1
sang trạng thái j tại thời điểm t. Chúng ta gọi ma trận A = {a
ij
} là ma trận chuyển
trạng thái. Đối với mô hình Markov, khi trạng thái trƣớc đƣợc xác định thì xác
suất chuyển trạng thái tới trạng thái tiếp theo cũng hoàn toàn xác định.
Để áp dụng HMM vào các sóng âm thanh, một hàm thống kê sẽ đƣợc gắn
vào các trạng thái. Đầu tiên sóng âm tiếng nói sẽ đƣợc chuyển đổi thành chuỗi các
vector đặc trƣng theo thời gian (sẽ đƣợc giới thiệu trong phần rút trích đặc trƣng
sóng âm). Chuỗi các vector đặc trƣng này gọi là chuỗi các vector quan sát
O=o
1,
o
2
,…, o
T
, với o
t
là vector đặc trƣng cho chuỗi sóng âm tại t. Xác suất mà

hàm thống kê nói trên tính là xác suất vector đặc trƣng o
t
đạt trạng thái j tại thời
điểm t. Xác suất này gọi là xác suất quan sát hay xác suất output và nó đặc trƣng
cho tập tham số thứ 2 của HMM:


Đặt B={b
j
(o
t
)}.
 
ij 1
|
tt
a P s j s i

  
(3.4)
 
 
| ( 1,2, , ; 1,2, , )
j t j t
b o P o s j t T j n   
(3.5)
25
GVHD: TS.VŨ ĐỨC LUNG SVTH: LÊ HOÀNG HÀ – TRẦN LONG KHÁNH
Tổng quát mô hình HMM có thể khởi tạo tại bất kì trạng thái nào, xác suất
mô hình HMM khởi tạo tại trạng thái i ký hiệu là π

i
. Tập xác suất π={π
i
}, gọi là
tập xác suất khởi tạo mô hình HMM, là tập trạng thái thứ 3 của mô hình HMM.
Tuy nhiên trong bài toán nhận dạng tiếng nói, hầu hết các mô hình HMM đều khởi
tạo tại trạng thái đầu tiên nên chúng ta không cần tới tập xác suất thứ 3 này.
Nhƣ vậy trong nhận dạng tiếng nói một mô hình HMM λ sẽ đƣợc đặc trƣng
bởi tập trạng thái và 2 tập tham số A và B nói trên: λ = (A,B).
3.3.3. Ví dụ về nhận dạng từ đơn dựa trên HMM
Giả sử chuỗi sóng âm của từ cần nhận dạng đƣợc mã hóa bởi chuổi vector
đặc trƣng (chuỗi quan sát) O=o
1
,o
2
,…,o
T
với o
i
là vector đặc trƣng tại thời điểm t.
Việc nhận dạng tiếng đơn là đi tình:


Có nghĩa là tìm từ có xác suất P(w
i
|O) lớn nhất, với w
i
là từ (đối với tiếng
Việt là âm tiết) trong danh sách từ cần nhận dạng (tổng quát là từ trong từ điển),
trong nhận dạng từ này đƣợc mô hình hóa bởi một số mô hình HMM. Xác suất

này không thể tính đƣợc trực tiếp nhƣng có thể dùng định luật Bayes:


Ở đây xác suất P(O) là hằng số khi cho O trên tất cả các từ có thể w
i
. Xác
suất P(w
i
) chỉ liên quan đến mô hình ngôn ngữ (sẽ giới thiệu trong phần sau),
chúng ta cũng có thể xem nhƣ là hằng số. Nhƣ vậy vấn đề của việc nhận dạng chỉ
là việc tính xác suất P(O|w
i
).
 
 
arg ax w |
i
m P O
(3.6)
 
   
 
| w w
w|
ii
i
P O P
PO
PO


(3.7)