Luận văn: Tổng hợp tiếng Việt bằng giải thuật TD-PSOLA.pdf (Luận văn mẫu)

LỜI NÓI ĐẦU Kể từ khi xuất hiện, máy tính càng ngày càng chứng tỏ rằng đó là một công cụ vô cùng hữu ích trợ giúp con người xử lý thông tin. Cùng với sự phát triển của xã hội, khối lượng thông tin mà máy tính cần xử lý tăng rất nhanh trong khi thời gian dành cho những công việc này lại giảm đi. Vì vậy, việc tăng tốc độ xử lý thông tin, trong đó có tốc độ trao đổi thông tin giữa con người và máy tính, trở thành một yêu cầu cấp thiết. Hiện tại, giao tiếp người-máy được thực hiện bằng các thiết bị như bàn phím, chuột, màn hình,... với tốc độ tương đối chậm nên cần có các phương pháp trao đổi thông tin mới giúp con người làm việc hiệu quả hơn với máy tính. Một trong những hướng nghiên cứu này là sử dụng tiếng nói trong trao đổi thông tin người-máy. Những nghiên cứu này liên quan trực tiếp tới các kết quả của chuyên ngành xử lý tiếng nói, trong đó có tổng hợp tiếng nói. Tổng hợp tiếng nói là lĩnh vực đang được nghiên cứu khá rộng rãi trên thế giới và đã cho những kết quả khá tốt. Có ba phương pháp cơ bản dùng để tổng hợp tiếng nói là mô phỏng bộ máy phát âm, tổng hợp bằng formant và tổng hợp bằng cách ghép nối. Phương pháp mô phỏng bộ máy phát âm cho chất lượng tốt nhưng đòi hỏi nhiều tính toán vì việc mô phỏng chính xác bộ máy phát âm rất phức tạp. Phương pháp tổng hợp formant không đòi hỏi chi phí cao trong tính toán nhưng cho kết quả chưa tốt. Phương pháp tổng hợp ghép nối cho chất lượng tốt, chí phí tính toán không cao nhưng số lượng từ vựng phải rất lớn. Ở các nước phát triển, những nghiên cứu xử lý tiếng nói, đã cho các kết quả khả quan, làm tiền đề cho việc giao tiếp người-máy bằng tiếng nói. Ở Việt Nam, các nghiên cứu trong lĩnh vực này tuy mới được phát triển trong những năm gần đây nhưng cũng đã có một số kết quả khả quan. Với mục đích góp phần vào sự phát triển của tổng hợp tiếng Việt, đề tài này nghiên cứu về phương pháp tổng hợp tiếng Việt bằng phương pháp ghép nối dựa trên giải thuật TD-PSOLA. TD-PSOLA là phiên bản trên miền thời gian của giải thuật PSOLA (Pitch Synchronous Overlap-Add). Với PSOLA, tín hiệu tổng hợp được tạo nên bằng cách cộng xếp chồng (Overlap-Add) các đoạn tín hiệu thành phần. Giải thuật này cho phép thao tác trực tiếp với tín hiệu tiếng nói trên miền thời gian, thay đổi tần số cơ bản và độ dài của tín hiệu. Để giảm số lượng từ vựng khi xây dựng ứng dụng, các từ tiếng Việt sẽ được tổng hợp từ các diphone. Tổng hợp tiếng Việt bằng giải thuật TD-PSOLA Sau khi nghiên cứu về mặt lý thuyết, báo cáo này cũng trình bày việc áp dụng thuật toán để xây dựng một ứng dụng tổng hợp tiếng Việt từ văn bản. Với nội dụng như vậy, báo cáo được chia làm 4 chương: ¾ Chương I: Tiếng nói và xử lý tiếng nói. Chương này đề cập tới những vấn đề cơ bản nhất về các đặc trưng của tín hiệu tiếng nói và các lĩnh vực của xử lý tiếng nói. ¾ Chương II: Tổng hợp tiếng nói sẽ trình bày các phương pháp khác nhau trong tổng hợp tiếng nói đồng thời đưa ra đánh giá về hiệu quả của các phương pháp này. ¾ Chương III: Giải thuật TD-PSOLA. Chương này trình bày chi tiết về giải thuật PSOLA và phiên bản trên miền thời gian TD-PSOLA, đồng thời cũng đề cập tới các vấn đề liên quan khi áp dụng cho tín hiệu tiếng nói. ¾ Chương IV: Thiết kế chương trình tổng hợp tiếng Việt. Dựa trên các nghiên cứu lý thuyết trong chương III, chương này sẽ trình bày cách áp dụng thuật toán TD-PSOLA để xây dựng chương trình tổng hợp tiếng Việt từ văn bản và các kết quả liên quan. Các kết quả thu được khi áp dụng: ¾ Có thể biến đổi tần số cơ bản của tín hiệu tiếng nói để tạo các thanh điệu trong tiếng Việt. ¾ Có thể thay đổi thời gian, biên độ và ngữ điệu của từ, làm cơ sở cho việc tổng hợp câu trong tiếng Việt. ¾ Khắc phục được khó khăn về số lượng dữ liệu: Số lượng diphone không lớn (389 diphone). Với những kết quả này, trong tương lai có thể phát triển tiếp đề tài theo những hướng nghiên cứu như mở rộng cơ sở dữ liệu, xử lý văn bản ở mức cao... 2 Tổng hợp tiếng Việt bằng giải thuật TD-PSOLA MỤC LỤC LỜI NÓI ĐẦU ..........................................................................................1 MỤC LỤC................................................................................................3 CHƯƠNG 1. TIẾNG NÓI VÀ XỬ LÝ TIẾNG NÓI...................................7 1.1. MỞ ĐẦU .........................................................................................7 1.2. BỘ MÁY PHÁT ÂM....................................................................... 7 1.2.1. Bộ máy phát âm ........................................................................7 1.2.2. Cơ chế phát âm ......................................................................... 8 1.3. BIỂU DIỄN TÍN HIỆU TIẾNG NÓI ..............................................8 1.3.1. Xác định tần số lấy mẫu .........................................................10 1.3.2. Lượng tử hoá...........................................................................11 1.3.3. Nén tín hiệu tiếng nói .............................................................11 1.3.4. Mã hoá tín hiệu tiếng nói........................................................12 a. Mã hoá trực tiếp tín hiệu...........................................................12 b. Mã hoá tham số tín hiệu ...........................................................13 1.4. ĐẶC TÍNH ÂM HỌC CỦA TIẾNG NÓI.....................................14 1.4.1. Âm hữu thanh và âm vô thanh................................................14 a. Âm hữu thanh ...........................................................................14 b. Âm vô thanh .............................................................................14 1.4.2. Âm vị ......................................................................................14 a. Nguyên âm ................................................................................15 b. Phụ âm ......................................................................................15 1.4.3. Các đặc tính khác....................................................................15 a. Tỷ suất thời gian ....................................................................... 15 b. Hàm năng lượng thời gian ngắn ...............................................15 c. Tần số cơ bản ............................................................................16 d. Formant.....................................................................................16 1.5. MÔ HÌNH TẠO TIẾNG NÓI .......................................................17 1.6. XỬ LÝ TIẾNG NÓI......................................................................21 1.6.1. Tổng hợp tiếng nói..................................................................21 a. Tổng hợp tiếng nói theo cách phát âm...................................... 21 b. Tổng hợp đầu cuối tự nhiên......................................................22 1.6.2. Nhận dạng tiếng nói................................................................22 a. Nhận dạng ngữ nghĩa ................................................................22 3 Tổng hợp tiếng Việt bằng giải thuật TD-PSOLA b. Nhân dạng người nói ................................................................22 CHƯƠNG 2. TỔNG HỢP TIẾNG NÓI..................................................24 2.1. CÁC PHƯƠNG PHÁP TỔNG HỢP TIẾNG NÓI........................24 2.1.1. Phương pháp mô phỏng hệ thống phát âm .............................24 2.1.2. Phương pháp tổng hợp Formant .............................................24 a. Bộ tổng hợp formant nối tiếp....................................................25 b. Bộ tổng hợp formant song song................................................25 2.1.3. Phương pháp ghép nối ............................................................26 a. Phương pháp tổng hợp PSOLA ...........................................26 b. Các phiên bản của PSOLA ..................................................27 2.2. MÔ HÌNH TỔNG HỢP TIẾNG NÓI TỪ VĂN BẢN..................28 2.2.1. Tổng hợp mức cao ..................................................................28 a. Xử lý văn bản............................................................................29 b. Phân tích cách phát âm .............................................................29 c. Ngôn điệu..................................................................................29 2.2.2. Tổng hợp mức thấp.................................................................30 2.3. SO SÁNH CÁC PHƯƠNG PHÁP TỔNG HỢP TIẾNG NÓI......31 CHƯƠNG 3. GIẢI THUẬT TD-PSOLA.................................................33 3.1. GIẢI THUẬT PSOLA...................................................................33 3.1.1. Phân tích PSOLA....................................................................33 3.1.2. Tổng hợp PSOLA ...................................................................35 3.2. GIẢI THUẬT TD-PSOLA ............................................................36 3.3. TD-PSOLA VÀ TÍN HIỆU TIẾNG NÓI......................................39 3.4. CÁC VẤN ĐỀ LIÊN QUAN ........................................................39 3.4.1 Xác định tần số cơ bản.............................................................40 a. Dùng hàm tự tương quan ..........................................................40 b. Dùng hàm vi sai biên độ trung bình .........................................42 3.4.2. Làm trơn tín hiệu khi ghép nối ...............................................43 a. Phương pháp Microphonemic...................................................43 b. Mô hình hình sine ..................................................................... 44 CHƯƠNG 4. THIẾT KẾ CHƯƠNG TRÌNH TỔNG HỢP TIẾNG VIỆT 46 4.1. PHÂN TÍCH GIẢI THUẬT ..........................................................46 4.2. DIPHONE TRONG TIẾNG VIỆT................................................47 4.3. XÂY DỰNG CƠ SỞ DỮ LIỆU ....................................................50 4.3.1. Thu âm ....................................................................................50 a. Quá trình thu âm .......................................................................50 b. Xử lý sau khi thu.......................................................................50 4.3.2. Tách diphone ..........................................................................51 4.3.3. Lưu trữ dữ liệu........................................................................52 4 Tổng hợp tiếng Việt bằng giải thuật TD-PSOLA 4.4. PHÂN TÍCH VĂN BẢN THÀNH CÁC DIPHONE ....................54 4.4.1. Phân tích văn bản tiếng Việt thành các từ ..............................54 a. Xác định câu trong văn bản ......................................................54 b. Xử lý câu...................................................................................55 4.4.2. Tách từ thành các diphone......................................................57 a. Chuyển từ biểu diễn tiếng Việt sang biểu diễn dạng telex .......57 b. Tách từ thành hai diphone ........................................................57 4.5. GHÉP NỐI CÁC DIPHONE VÀ ĐIỀU KHIỂN TẦN SỐ CƠ BẢN...............................................................................................................59 4.5.1. Ghép nối các diphone .............................................................59 4.5.2. Biến đổi tần số cơ bản ............................................................60 4.6. SỰ BIẾN ĐỔI THÔNG SỐ TÍN HIỆU TRONG CÁC THANH ĐIỆU VÀ CÂU .............................................................................................61 4.6.1. Biến đổi tần số cơ bản trong các thanh điệu...........................61 a. Không dấu.................................................................................61 b. Dấu huyền.................................................................................61 c. Dấu sắc......................................................................................62 d. Dấu nặng...................................................................................62 e. Dấu hỏi......................................................................................63 f. Dấu ngã......................................................................................63 4.6.2. Sự biến đổi các thông số trong phát âm câu tiếng Việt ..........64 a. Câu trần thuật............................................................................64 b. Câu hỏi......................................................................................65 4.7. CHƯƠNG TRÌNH TỔNG HỢP TIẾNG VIỆT ............................67 4.7.1. Tách diphone từ mẫu tiếng nói có sẵn....................................67 4.7.2. Phát âm tiếng Việt ..................................................................68 4.8. KẾT QUẢ ĐẠT ĐƯỢC ................................................................69 4.8.1. Tổng hợp các nguyên âm........................................................69 a. Nguyên âm a .............................................................................69 b. Các âm e, è, é, ẻ, ẽ, ẹ.................................................................73 c. Các âm i, ì, í, ỉ, ĩ, ị.....................................................................73 d. Các âm o, ò, ó, ỏ, õ, ọ ...............................................................74 4.8.2. Tổng hợp từ ............................................................................75 a. Từ to.......................................................................................... 75 b. Từ tò.......................................................................................... 76 c. Từ tó.......................................................................................... 77 d. Từ tỏ..........................................................................................78 e. Từ tõ.......................................................................................... 79 f. Từ tọ ..........................................................................................80 5 Tổng hợp tiếng Việt bằng giải thuật TD-PSOLA 4.8.3. Tổng hợp từ “Xin chào” .........................................................81 4.8.4. Tổng hợp câu ..........................................................................82 a. Câu trần thuật Tò tò tò. .............................................................82 b. Câu hỏi tò tò tò?........................................................................82 c. Tổng hợp câu hỏi Cậu đang làm gì? ........................................83 d. Tổng hợp câu trần thuật Tớ đang ôn bài. .................................83 KẾT LUẬN ............................................................................................84 1. Đánh giá kết quả ...........................................................................84 a. Biến đổi tần số cơ bản tạo ra các thanh điệu.............................84 b. Tổng hợp các loại câu đơn giản trong tiếng Việt .....................84 c. Cơ sở dữ liệu diphone ...............................................................85 2. Phương hướng phát triển đề tài ....................................................85 PHỤ LỤC ..............................................................................................86 1. Phụ lục 1: Bảng các diphone tiếng Việt ...................................86 2. Phụ lục 2: Bảng mã TCVN3-ABC của các ký tự tiếng Việt ....88 3. Phụ lục 3: Tên các diphone dài trong cơ sở dữ liệu .................89 TÀI LIỆU THAM KHẢO ........................................................................91 6 Tổng hợp tiếng Việt bằng giải thuật TD-PSOLA CHƯƠNG 1 TIẾNG NÓI VÀ XỬ LÝ TIẾNG NÓI 1.1. MỞ ĐẦU Tiếng nói là một phương tiện trao đổi thông tin của con người. Tiếng nói được tạo ra từ tư duy của con người: trung khu thần kinh điều khiển hệ thống phát âm làm việc tạo ra âm thanh. Tiếng nói được phân biệt với các âm thanh khác bởi các đặc tính âm học có nguồn gốc từ cơ chế tạo tiếng nói.Về bản chất, tiếng nói là sự dao động của không khí có mang theo thông tin. Các dao động này tạo thành những áp lực đến tai và được tai phát hiện, phân tích và chuyển kết quả đến trung khu thần kinh. Lúc này tại trung khu thần kinh, thông tin được tái tạo lại dưới dạng tư duy logic mà con người có thể hiểu được. Tín hiệu tiếng nói được tạo thành bởi các chuỗi các âm vị liên tiếp. Sự sắp xếp của các âm vị được chi phối bởi các quy tắc của ngôn ngữ. Việc nghiên cứu một cách chi tiết về những quy tắc này cũng như những khía cạnh khác bên trong tiếng nói thuộc về chuyên ngành ngôn ngữ. Việc phân loại các âm vị của tiếng nói thuộc về chuyên ngành ngữ âm học. Khi nghiên cứu các mô hình toán học của cơ chế tạo tiếng nói, việc nghiên cứu về các âm vị là rất cần thiết. 1.2. BỘ MÁY PHÁT ÂM 1.2.1. Bộ máy phát âm Bộ máy phát âm bao gồm các thành phần riêng rẽ như phổi, khí quản, thanh quản, và các đường dẫn miệng, mũi. Trong đó: • Thanh quản chứa hai dây thanh có thể dao động tạo ra sự cộng hưởng cần thiết để tạo ra âm thanh. • Tuyến âm là ống không đều bắt đầu từ môi, kết thúc bởi dây thanh hoặc thanh quản. • Khoang mũi là ống không đều bắt đầu từ môi, kết thúc bởi vòm miệng, có độ dài cố định khoảng 12cm đối với người lớn. • Vòm miệng là các nếp cơ chuyển động. 7 Tổng hợp tiếng Việt bằng giải thuật TD-PSOLA 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. Hốc mũi Vòm miệng trên Ổ răng Vòm miệng mềm Đầu lưỡi Thân lưỡi Lưỡi gà Cơ miệng Yết hầu Nắp đóng của thanh quản Dây thanh giả Dây thanh Thanh quản Thực quản Hình 1.1. Bộ máy phát âm của con người 1.2.2. Cơ chế phát âm Trong quá trình tạo âm thanh không phải là âm mũi, vòm miệng mở, khoang mũi đóng lại, dòng khí sẽ chỉ đi qua khoang mũi. Khi phát âm mũi, vòm miệng hạ thấp và dòng khí sẽ chỉ đi qua khoang mũi. Tuyến âm sẽ được kích thích bởi nguồn năng lượng chính tại thanh môn. Tiếng nói được tạo ra do tín hiệu nguồn từ thanh môn phát ra, đẩy không khí có trong phổi lên tạo thành dòng khí, va chạm vào hai dây thanh trong tuyến âm. Hai dây thanh dao động sẽ tạo ra cộng hưởng, dao động âm sẽ được lan truyền theo tuyến âm (tính từ tuyến âm đến khoang miệng) và sau khi đi qua khoang mũi và môi, sẽ tạo ra tiếng nói. 1.3. BIỂU DIỄN TÍN HIỆU TIẾNG NÓI Tín hiệu tiếng nói là tín hiệu tương tự. Do đó khi biểu diễn tín hiệu tiếng nói trong môi trường tính toán của tín hiệu số, việc biểu diễn và lưu trữ sao cho không bị mất mát thông tin là vấn đề hết sức quan trọng trong các hệ thống thông tin có sử dụng tín hiệu tiếng nói. Việc xem xét các vấn đề xử lý tín hiệu tiếng nói trong các hệ thống này dựa trên ba vấn đề chính: ¾ Biểu diễn tín hiệu tiếng nói dạng số. ¾ Cài đặt các kỹ thuật xử lý. ¾ Các lớp ứng dụng dựa trên kỹ thuật xử lý tín hiệu số. Phần này trình bày vấn đề biểu diễn tiếng nói dưới dạng số. Mô hình tổng quát các phương pháp biểu diễn tín hiệu tiếng nói được trình bày trên hình 1.2. 8 Tổng hợp tiếng Việt bằng giải thuật TD-PSOLA Biểu diễn tín hiệu tiếng nói Biểu diễn dạng tham số Biểu diễn dạng sóng Các tham số kích thích Các tham số của bộ máy phát âm Hình 1.2. Biểu diễn tín hiệu tiếng nói Biểu diễn tín hiệu tiếng nói theo dạng số chịu ảnh hưởng quan trọng của lý thuyết lấy mẫu, theo đó các trạng thái của tín hiệu có dải tần giới hạn có thể được biểu diễn dưới dạng các mẫu lấy tuần hoàn theo một chu kỳ cố định gọi là chu kỳ lấy mẫu. Việc lấy mẫu này sẽ cung cấp cho hệ thống những mẫu tín hiệu với tỷ lệ đủ lớn để xử lý. Tất cả các quá trình xử lý lấy mẫu được chỉ rõ trong các tài liệu về xử lý tín hiệu số. Có nhiều phương pháp biểu diễn rời rạc tín hiệu tiếng nói. Hình 1.2 chỉ ra những phương pháp biểu diễn này. Các khả năng biểu diễn như thế được phân thành hai nhóm chính: nhóm biểu diễn tín hiệu dạng sóng (waveform) và nhóm biểu diễn tín hiệu theo tham số (parametric). Phương pháp biểu diễn tín hiệu theo dạng sóng như bản thân tên của nó, được xem xét đến với việc bảo mật thông tin theo cách thông thường là giữ nguyên hình dạng sóng của tín hiệu tương tự sau khi đã qua các bước lấy mẫu và lượng tử hoá tín hiệu. Trên phương diện khác, phương pháp biểu diễn tín hiệu theo tham số được xem xét đến trên khía cạnh biểu diễn tín hiệu tiếng nói như đầu ra của hệ thống tạo tiếng nói. Để thu được các tham số biểu diễn, bước đầu tiên của phương pháp này lại thường là biểu diễn tín hiệu theo dạng sóng. Điều này có nghĩa là tín hiệu tiếng nói được lấy mẫu và lượng tử hoá giống như phương pháp biểu diễn tín hiệu tiếng nói dạng sóng, sau đó tiến hành xử lý để thu được các tham số của tín hiệu tiếng nói của mô hình tạo tiếng nói nêu trên. Các tham số của mô hình tạo tiếng nói này thường được phân loại thành các tham số tín hiệu nguồn (có quan hệ mật thiết với nguồn của tiếng nói) và các tham số của 9 Tổng hợp tiếng Việt bằng giải thuật TD-PSOLA bộ máy phát âm tương ứng (có quan hệ mật thiết với giọng nói của từng người). Hình 1.3 chỉ ra những sự khác nhau của một số dạng biểu diễn tín hiệu tiếng nói theo các yêu cầu của thông lượng (bits/s): Thông lượng (bits/s) 15.000 200.000 60.000 20.000 10.000 LDM, PCM, DPCM. ADM 500 75 Các phương pháp Tổng hợp từ dữ phân tích, tổng hợp liệu văn bản (Mã hoá nguồn) Biểu diễn tham số (Không mã hoá nguồn) Biểu diễn dạng sóng Hình 1.3. Thông lượng cho các phương pháp biểu diễn tiếng nói Đường phân cách ở giữa (tương ứng với thông lượng 15.000 bits/s) chia khoảng dữ liệu thành hai phần riêng biệt: phần thông lượng cao dành cho dạng biểu diễn tín hiệu dạng sóng ở phía trái và phần thông lượng thấp ở bên phải dành cho biểu diễn tín hiệu dạng tham số. Hình vẽ trên chỉ ra sự thay đổi trong khoảng từ 75 bits/s (xấp xỉ thông lượng khi tổng hợp văn bản) cho tới thông lượng trên 200.000 bits/s cho các dạng biểu diễn sóng đơn giản. Điều này cho phép biểu diễn từ 1 đến 3.000 cách cho thông lượng tuỳ thuộc vào tín hiệu nói cần biểu diễn. Tất nhiên là thông lượng không chỉ phụ thuộc tín hiệu cần biểu diễn mà nó còn phụ thuộc vào các yếu tố khác như giá thành, sự mềm dẻo của phương pháp biểu diễn, chất lượng của tiếng nói. Vì tiếng nói là tín hiệu liên tục nên để áp dụng các phương pháp xử lý tín hiệu thì tiếng nói phải được biểu diễn dưới dạng rời rạc. Quá trình rời rạc hoá tín hiệu tiếng nói bao gồm các bước sau: ¾ Lấy mẫu tín hiệu tiếng nói với tần số lấy mẫu f0. ¾ Lượng tử hoá các mẫu với các bước lượng tử q. ¾ Mã hoá và nén tín hiệu. Sau đây chúng ta xét qua các bước này. 1.3.1. Xác định tần số lấy mẫu Khi lấy mẫu một tín hiệu tương tự với tần số lấy mẫu f0 cần đảm bảo rằng việc khôi phục lại tín hiệu đó từ tín hiệu rời rạc tương ứng phải thực hiện được. Shanon đã đưa ra một định lý mà theo đó người ta có thể xác định tần số lấy 10

Luận văn: Tổng hợp tiếng Việt bằng giải thuật TD-PSOLA

Nội dung