Kĩ thuật mã hoá tiếng nói dự đoán tuyến tính phân tích nhờ tổng hợp

gồm cấu hình khoang miệng, các đồ thị dạng sóng tín hiệu và các đồ thị phổ. ở đây chúng ta chỉ quan tâm tới dạng biểu diễn đồ thị phổ. Về mặt lý thuyết, các cực đại của biểu diễn phổ của tín hiệu nguyên âm chính là các tần số cộng hưởng (formants) tạo nên nguyên âm. Giá trị của các các formant đầu tiên (2 hoặc 3 formants đầu tiên) là yếu tố quyết định cho phép chúng ta nhận dạng được nguyên âm. Do nhiều yếu tố biến thiên như sự khác nhau về giới tính, về độ tuổi, tình trạng tinh thần của người nói và nhiều yếu tố ngoại cảnh khác, đối với một nguyên âm xác định các giá trị formant cũng có một sự biến thiên nhất định. Tuy nhiên sự khác biệt về giá trị các fornants giữa các nguyên âm khác nhau lớn hơn nhiều; và trong không gian formant chúng ta có thể xác định một cách tương đối các vùng riêng biệt cho từng nguyên âm. Hình 1.2 minh họa một đồ thị kinh điển của các giá trị formant đầu tiên và thứ hai của 10 nguyên âm cùng với sự phân vùng cho các nguyên âm. ở đây chúng ta cũng thấy có những sự nhập nhằng trong phát âm thể hiện ở một số chỗ chồng chéo lên nhau giữa các vùng. Kĩ thuật mã hoá tiếng nói dự đoán tuyến tính phân tích nhờ tổng hợp Cao Tiến Việt _ Lớp K40ĐVT _ Khoa Điện Tử _ Trường Đại học KTCN 7 i I ε ae ε Λ a c u U 0 200 400 600 800 1000 1200 1400 1000 1500 2000 2500 3000 3500 4000 F1(Hz) F 2( H Z ) Hình 1.2 Đồ thị theo các formant F1, F2 cho 10 nguyên âm được thực hiện với nhiều đối tượng người nói khác nhau • Phụ âm Phụ âm được tạo ra bởi các dòng khí hỗn loạn được phát ra gần những điểm co thắt của đường dẫn âm thanh do cách phát âm tạo thành. Dòng không khí tại chỗ đóng của vòm miệng tạo ra phụ âm bật. Những phụ ân xát được tạo ra từ chỗ co thắt lớn nhất và các âm tắc xát được tạo ra từ khoảng giữa. Phụ âm có đặc tính hữu thanh và vô thanh tuỳ thuộc vào dây thanh có dao động để trở thành cộng hưởng hay không. Đặc tính của phụ âm tuỳ thuộc vào tính chu kỳ của dạng sóng, phổ tần số, thời gian tồn tại và sự chuyển dẫn âm. • Tỷ suất thời gian Trong khi nói chuyện, các khoảng nói chuyện và khoảng nghỉ xen kẽ nhau. Phần trăm thời gian nói trên tổng thời gian nói và nghỉ được gọi là tỷ suất thời gian. Giá trị này biến đổi tuỳ thuộc vào tốc độ nói và từ đó ta có thể phân loại thành nói nhanh, nói chậm hay trung bình. • Hàm năng lượng thời gian ngắn Hàm năng lượng thời gian ngắn được tính bằng cách chia tín hiệu tiếng nói thành nhiều khung có chứa N mẫu và tính diện tích trung bình của tổng các Kĩ thuật mã hoá tiếng nói dự đoán tuyến tính phân tích nhờ tổng hợp Cao Tiến Việt _ Lớp K40ĐVT _ Khoa Điện Tử _ Trường Đại học KTCN 8 mẫu tín hiệu trong mỗi khung. Các khung này được đưa qua một cửa sổ có dạng như sau: ⎪⎪⎩ ⎪⎪⎨ ⎧ ≠ ≤≤= n NnnW nW 0 0)( )( Thông thường có ba dạng cửa sổ được sử dụng, đó là cửa sổ chữ nhật, cửa sổ Hanning và Hamming. Hàm năng lượng thời gian ngắn được tính như sau: { }∑− = += 1 0 2)(*)( N n m nWmnxE Hàm năng lượng thời gian ngắn cho âm hữu thanh thường lớn hơn âm vô thanh. • Tần số vượt điểm không Tần xuất vượt qua điểm không là số lần biên độ tín hiệu tiếng nói vượt qua giá trị không trong một khoảng thời gian cho trước. Thông thường giá trị này đối với âm vô thanh lớn hơn âm hữu thanh do đặc tính ngẫu nhiên của âm vô thanh. Do đó tần suất vượt qua điểm không là tham số quan trọng để phân loại âm vô thanh và âm hữu thanh. • Phát hiện điểm cuối Trong sử lý tín hiệu tiếng nói, việc xác định khi nào bắt đầu và kết thúc quá trình nói là một công việc hết sức quan trọng. Trong một môi trường có nhiều tiếng ồn và môi trường có nhiều người nói thì việc phát hiện điểm cuối là hết sức khó khăn. Đã có một số phương pháp để phát hiện điểm cuối của tiếng nói. • Tần số cơ bản Dạng sóng của tiếng nói bao gồm hai phần: Phần giống nhiễu trong đó biên độ thay đổi ngẫu nhiên và phần tuần hoàn. Phần tín hiệu có tính chất chu kỳ Kĩ thuật mã hoá tiếng nói dự đoán tuyến tính phân tích nhờ tổng hợp Cao Tiến Việt _ Lớp K40ĐVT _ Khoa Điện Tử _ Trường Đại học KTCN 9 có chứa các thành phần tần số có dạng điều hoà. Tần số thấp nhất là tần số cơ bản và chính là tần số dao động của dây thanh. Đối với những người nói khác nhau thì tần số cơ bản cũng khác nhau và tần số cơ bản của trẻ em thường cao hơn của người lớn và của nữ giới thì cao hơn của nam giới. Bảng 1: Một số giá trị của tần số cơ bản ứng với giới tính và tuổi Người nói Giá trị tần số cơ bản Nam 80-200 Nữ 150-450 Trẻ em 200-600 Đối với hai âm có cùng cường độ, cùng độ cao sẽ được phân biệt bởi tính tuần hoàn. Một âm hữu thanh có tín hiệu gần như tuần hoàn, khi được phân tích phổ sẽ xuất hiện một vạch tại vùng tần số rất thấp. Vạch này đặc trưng cho tính tuần hoàn cơ bản hay đó chính là tần số cơ bản của âm. trong khi giao tiếp bình thường tần số cơ bản thay đổi liên tục tạo nên ngữ điệu cho tiếng nói. • Formant Trong phổ tần số của tín hiệu tiếng nói, mỗi đỉnh có biên dộ cao nhất xét trong một khoảng nào đó(còn được gọi là cực trị địa phương) xác định một formant. Ngoài tần số, formant còn được xác định bởi biên độ và dải thông của chúng. Về mặt vật lý, các tần số formant tương ứng với các tần số cộng hưởng của tuyến âm. trong xử lý tiếng nói, để mô phỏng lại tuyến âm người ta phải xác định được tham số formant đối với từng loại âm vị. Do đó việc đánh giá và ước tính formant là rất quan trọng. Tần số formant biến đổi trong một khoảng rộng phụ thuộc vào giới tính của người nói và phụ thuộc vào âm vị tương ứng với formant đó. Đồng thời formant còn phụ thuộc vào âm vị trước và sau đó. Về cấu trúc tự nhiên, tần số formant có liên hệ chặt chẽ với hình dạng và kích thước của tuyến âm , thông thường trong phổ tần số của tín hiệu có khoảng 6 formant, nhưng chỉ có 3 Kĩ thuật mã hoá tiếng nói dự đoán tuyến tính phân tích nhờ tổng hợp Cao Tiến Việt _ Lớp K40ĐVT _ Khoa Điện Tử _ Trường Đại học KTCN 10 formant đầu tiên là ảnh hưởng quan trọng đến đặc tính âm vị. Các formant có giá trị trong khoảng từ vài trăm đến vài nghìn Hz. Tần số formant đặc trưng cho các nguyên âm biến đổi tuỳ thuộc vào người nói trong điều kiện phát âm nhất định. Mặc dù phạm vi của các tần số formant tương ứng với mỗi nguyên âm có thể trùng lên nhau, nhưng vị trí giữa formant là không đổi và sự xê dịch các formant là song song. Ngoài formant, các âm mũi còn có các tần số bị suy giảm gọi là phản formant (anti-formant). Phản formant được tạo nên khi luồng khí đi qua khoang mũi. Các formant tương ứng với các điểm cực của hàm truyền đạt vì tại lân cận các điểm cực trị giá trị của hàm truyền đạt là rất lớn, tương tự các phản formant tương ứng với các điểm không của hàm truyền đạt. 1.1.3 Phân loại đơn giản dạng sóng tiếng nói Tiếng nói của con người tạo ra bao gồm hai thành phần: • Phần gần tuần hoàn mà hầu như lặp lại cùng chu kỳ được gọi là tiếng nói hữu thanh. Chu kỳ lặp lại đó gọi là chu kỳ cơ bản T0, nghịch đảo của T0 chính là F0. Âm hữu thanh được phát ra bởi một luồng khí cực mạnh từ thanh môn thổi qua dây thanh làn rung dây thanh, sự dao động của dây thanh tạo nên nguồn tuần hoàn. Nguồn tuần hoàn kích thích tuyến âm tạo nên âm hữu thanh. Vùng âm hữu thanh chiếm thành phần chủ yếu của sóng tiếng nói, chứa đựng lượng tin nhiều nhất và thời gian lớn nhất trong quá trình nói. Phần tín hiệu có dạng gần giống như tạp âm nhiễu có biên độ ngẫu nhiên gọi là âm vô thanh. Tiếng nói vô thanh được tạo ra do sự co thắt theo một dạng nào đó của tuyến âm và luồng khí chạy qua chỗ thắt với tốc độ lớn tạo nên nhiễu loạn, ví dụ như khi ta nói thì thào. Năng lượng của nguồn nhiễu loạn tạo nên sẽ kích thích tuyến âm tạo nên âm vô thanh, năng lượng của tiếng nói vô thanh nhỏ hơn so với năng lượng của tiếng nói hữu thanh. Ta có thể phát hiện ra tiếng nói hữu thanh là khi dây thanh rung còn âm vô thanh khi nói dây thanh không rung. Khi nói thì thào thì ở xa không nghe thấy được vì đó là âm vô thanh. Kĩ thuật mã hoá tiếng nói dự đoán tuyến tính phân tích nhờ tổng hợp Cao Tiến Việt _ Lớp K40ĐVT _ Khoa Điện Tử _ Trường Đại học KTCN 11 2 Các Đặc trưng của tín hiệu tiếng nói. 2.1 Dạng sóng tín hiệu tiếng nói. Tín hiệu có được từ đầu ra của micro (áp suất sóng âm → micro → tín hiệu điện). Hình 1.3: Dạng sóng tín hiệu tiếng nói Biên độ phụ âm nhỏ hơn nhiều so với biên độ nguyên âm, phần nguyên âm biểu diễn tín hiệu tuần hoàn. 5.1. Phân bố biên độ không đồng đều. Mật độ xác suất của tín hiệu nói như hình sau: Hình 1.4: Mật độ xác suất của tín hiệu tiếng nói. Biên độ bé thì xác suất càng lớn và ngược lại. Qui luật giảm xác suất theo biên độ không phải là hàm tuyến tính. 5.2. Tương quan giữa các phần tử rời rạc. Hệ số tương quan cao cỡ 0,85. Thực tế nếu lấy mẫu tín hiệu tiếng nói với tần số 8KHz thì còn có sự tương quan đáng kể giữa các mẫu cạnh nhau, hiển nhiên là với tần số lấy mẫu càng lớn thì sự tương quan giữa các phần tử cạnh nhau càng tăng. Kĩ thuật mã hoá tiếng nói dự đoán tuyến tính phân tích nhờ tổng hợp Cao Tiến Việt _ Lớp K40ĐVT _ Khoa Điện Tử _ Trường Đại học KTCN 12 5.3. Tính tuần hoàn của tín hiệu tiếng nói. Tiếng nói có thể được tạo nên từ dao động của một vài tần số trong phạm vi tần gọi là tần số cơ bản, như vậy có sự liên quan của tín hiệu và các tần số cơ bản. Tính chất tuần hoàn của các nguyên âm và các phụ âm hữu thanh được thể hiện trên hình 1.5. Hình 1.5: Tín hiệu của nguyên âm hoặc phụ âm hữu thanh. 2.5. Chu kỳ của âm cơ bản. Theo mô hình tạo tiếng nói con người thường thuộc về một trong hai loại. Loại thứ nhất là các âm được tạo ra do kết quả rung của dây thanh. Mỗi lần rung dòng không khí được phóng ra từ phổi vào tuyến âm, khoảng thời gian giữa hai lần các luồng không khí đi qua kích thích tuyến phát âm gọi là chu kỳ âm cơ bản. Những âm thanh như vậy được hình thành khi phát âm các nguyên âm và các phụ âm hữu thanh. Tín hiệu của các âm thanh như vậy được biểu diễn trên hình 1.5. Loại thứ hai là các phụ âm vô thanh. Các phụ âm vô thanh được hình thành khi không khí liên tục từ phổi đi qua tuyến âm. Tuyến này bị co hẹp lại vào thời điểm nào đó để tạo ra sự cuộn xoáy của không khí. Các phụ âm không kêu thuộc một số các phụ âm như f.s. Thí dụ một số phụ âm không kêu được thể hiện trên hình 1.6. Lưu ý rằng, các phụ âm vô thanh giống với tín hiệu ngẫu nhiên hơn nhiều so với nguyên âm hoặc phụ âm hữu thanh. Kĩ thuật mã hoá tiếng nói dự đoán tuyến tính phân tích nhờ tổng hợp Cao Tiến Việt _ Lớp K40ĐVT _ Khoa Điện Tử _ Trường Đại học KTCN 13 Hình 1.6: Tín hiệu của âm không kêu. Trên các nguyên âm hoặc các phụ âm hữu thanh không chỉ thấy rõ độ dư thừa liên quan đến tính tuần hoàn trong tín hiệu được nói tới ở mục 4, mà còn thấy cả tính chu kỳ dài hơn liên quan đến âm cơ bản.Các chu kỳ âm cơ bản thường chiếm từ 5ms đến 20 ms đối với nam và thường từ 2,5 ms đến 10 ms đối với nữ. Vì một nguyên âm hay một phụ âm hữu thanh tiêu chuẩn thường dài khoảng 100 ms. Có thể sắp xếp 20 - 40 chu kỳ âm cơ bản vào một âm thanh. 2.6. Tính không hữu hiệu của tín hiệu tiếng nói. Phân tích các cuộc đàm thoại cho thấy rằng phần hữu hiệu của cuộc đàm thoại trong trường hợp tiêu chuẩn khoảng 40% độ dài của nó. Phần lớn các phần hữu hiệu là kết quả của việc một người đang nghe trong khi người kia nói và khoảng thời gian ngừng giữa hai âm được phát ra. 2.7. Phổ trung bình của tín hiệu tiếng nói. Tín hiệu biến thiên theo miền thời gian S(t), ta lấy biến đổi Fourier được phổ của tín hiệu biến thiên theo miền tần số. Phổ của tín hiệu cho ta biết các thành phần tần số khác nhau chứa trong tín hiệu đó như thế nào ? Xác định giọng trầm -> tần số thấp, giọng thanh -> tần số cao. Tín hiệu nhiễu ngẫu nhiên sẽ có phổ phẳng trong toàn dải còn tín hiệu tiếng nói có phổ không đều các mức công suất cao tập trung ở miền có tần số thấp và các mức công suất tại các tần số cao của dải giảm đi đáng kể. Kĩ thuật mã hoá tiếng nói dự đoán tuyến tính phân tích nhờ tổng hợp Cao Tiến Việt _ Lớp K40ĐVT _ Khoa Điện Tử _ Trường Đại học KTCN 14 Hình 1.7: Phổ trung bình của tiếng nói Trên hình 1.7 thể hiện phổ của tín hiệu tiếng nói được lấy trung bình cho nam và nữ. 2.8. Phổ thức thời của tín hiệu tiếng nói. Phổ của tiếng nói trên hình 1.7 đã được tính trung bình trong một chu kỳ thời gian dài. Trong các chu kỳ thời gian ngắn hơn (< 20 ms): phổ biến đổi rất lớn và trong nó bắt đầu thấy rõ các cấu trúc đặc thù của tiếng nói với các đỉnh năng lượng cộng hưởng lại một số tần số và các sụt năng lượng ở các tần số khác. Các tần số mà tại đó hình thành các đỉnh cộng hưởng gọi là các tần số formant, hay đơn giản các formant. Các phụ âm hữu thanh và các nguyên âm của tiếng nói thường chữa từ ba đến năm formant xác định, hai formant đầu là quan trọng nhất. Chu kỳ giữa các lần thay đổi của các formant trong trường hợp tiêu biểu là từ 10 đến 20ms. Như vậy nếu xét trong khoảng thời gian ngắn (10 → 20 ms) có thể coi tín hiệu tiếng nói dừng. 3. Kênh thoại và C¸c ph−¬ng ph¸p m· hãa tiÕng nãi Trong mạng điện thoại thông thường tín hiệu tiếng nói được mã hoá PCM theo luật A hoặc luật μ với tốc độ 64kbs.Với cách mã hoá này, sản phẩm phát thanh cuả con người được đem đi mã hoá và cho phép khôi phục một cách tương đối trung thực các âm thanh trong giải tần tiếng nói. Nguyªn lý cña m· hãa d¹ng sãng lµ t×m c¸ch sè hãa d¹ng sãng cña tiÕng nãi theo c¸ch thÝch hîp. T¹i phÝa Kĩ thuật mã hoá tiếng nói dự đoán tuyến tính phân tích nhờ tổng hợp Cao Tiến Việt _ Lớp K40ĐVT _ Khoa Điện Tử _ Trường Đại học KTCN 15 ph¸t, bé m· hãa sÏ nhËn c¸c tÝn hiÖu nãi t−¬ng tù liªn tôc vµ chuyÓn thµnh tÝn hiÖu sè tr−íc khi truyÒn ®i. T¹i phÝa thu sÏ lµm nhiÖm vô ng−îc l¹i ®Ó kh«i phôc tÝn hiÖu tiÕng nãi. Khi kh«ng cã lçi truyÒn dÉn th× d¹ng sãng cña tiÕng nãi kh«i phôc rÊt gièng víi d¹ng sãng cña tiÕng nãi gèc. ¦u ®iÓm cña lo¹i m· hãa nµy lµ: ®é phøc t¹p, gi¸ thµnh thiÕt kÕ, ®é trÔ vµ c«ng suÊt tiªu thô thÊp. Bé m· hãa d¹ng sãng ®¬n gi¶n nhÊt lµ ®iÒu chÕ xung m· (PCM), ®iÒu chÕ Delta (DM)… Tuy nhiên, nh−îc ®iÓm cña bé m· hãa d¹ng sãng lµ kh«ng t¹o ®−îc tiÕng nãi chÊt l−îng cao tại tèc ®é d−íi 16 kbit/s. Bé m· hãa nguån kh¾c phôc ®−îc nh−îc ®iÓm nµy. Nguyªn lý cña m· hãa nguån lµ m· hãa kiÓu ph¸t ©m (vocoder), vÝ dô nh− bé m· hãa b»ng dù ®o¸n tuyÕn tÝnh (Linear Prediction Coding-PLC). C¸c bé m· hãa nµy cã thÓ thùc hiÖn ®−îc t¹i tèc ®é bit > 2kbps. H¹n chÕ chñ yÕu cña m· hãa kiÓu ph¸t ©m PLC lµ viÖc m« pháng nguồn kÝch thÝch cßn ®¬n gi¶n nªn tiÕng nãi t¸i t¹o ®−îc lµ tiÕng nãi d¹ng tæng hîp, chÊt l−îng kh«ng cao vµ khã cã thÓ nhËn ra giäng ng−êi nãi chuyÖn. Sự cần thiết phải tạo được tiếng nói chất lượng chuông tại các tốc độ bit thấp dưới 10kb/s cho các ứng dụng trên các kênh bị hạn chế một cách cố hữu về độ rộng băng tần đã thúc đẩy việc nghiên cứu nhằm phát triển các thuật toán hiệu quả hơn nữa cho mã hoá tiếng nói LPC. Vµo n¨m 1982, Atal ®· ®Ò xuÊt mét m« h×nh míi vÒ kÝch thÝch, ®−îc gäi lµ kÝch thÝch ®a xung. Trong m« h×nh nµy, kh«ng cÇn biÐt tr−íc xem ®ã lµ ©m h÷u thanh hay v« thanh. Sù kÝch thÝch ®−îc m« h×nh hãa bëi mét sè xung cã biªn ®é vµ vÞ trÝ ®−îc x¸c ®Þnh b»ng viÖc cùc tiÓu hãa sai lÖch, cã tÝnh ®Õn träng sè thô c¶m, gi÷a tiÕng nãi gèc vµ tiÕng nãi tæng hîp. ViÖc ®−a ra m« h×nh nµy ®· g©y chó ý vµ ®ã lµ m« h×nh ®Çu tiªn cña mét thÕ hÖ míi cña c¸c bé ®iÒu chÕ tiÕng nãi ph©n tÝch b»ng tæng hîp (Analisis-by-synthesis). Chóng cã kh¶ n¨ng cho tiÕng nãi chÊt l−îng cao t¹i tèc ®é quang 10kbps vµ cã thÓ tíi tËn 4,8 kbps. TÝn hiÖu kÝch thÝch sÏ ®−îc tèi −u hãa mét c¸ch kü l−ìng vµ ng−êi ta sö dông kü thuËt m· hãa d¹ng sãng ®Ó m· hãa tÝn hiÖu kÝch thÝch nµy mét c¸ch cã hiÖu qu¶. Kĩ thuật mã hoá tiếng nói dự đoán tuyến tính phân tích nhờ tổng hợp Cao Tiến Việt _ Lớp K40ĐVT _ Khoa Điện Tử _ Trường Đại học KTCN 16 Về cơ bản các bộ mã hoá tiếng nói có ba loại: mã hoá dạng sóng (waveform) mã hoá nguồn (source) và mã hoá lai (hybrid - là kết hợp cả hai loại mã hoá dạng trên). 4. Thông tin bằng tiếng nói. Tiếng nói là phương thức cơ bản nhất của loài người để chuyển thông tin tới một người khác. Với một băng thông chỉ 4kHz, tiếng nói có thể truyền thông tin một cách biểu cảm về giọng nói. con người có khả năng nghe giọng nói của một người khác từ bất kỳ một nơi nào trên thế giới Những công nghệ mới về mã hoá tiếng nói đã đem đến những kết quả đáng khích lệ cho ngành viễn thông cũng như công việc truyền phát thông tin. Ngày nay thông tin bằng tiếng nói nhờ những ứng dụng về mã hoá và nén tiếng nói đã trở nên rất phổ biến. Nhiều ứng dụng liên quan tới mã hoá tín hiệu tiếng nói thời gian thực như đối với thông tin di động vệ tinh, với tế bào điện thoại và âm thanh cho hệ thống Videophones và Video Teleconferencing. Những ứng dụng khác như lưu trữ tiếng nói cho bộ tổng hợp tiếng nói hoặc để sử dụng lại hay để truyền phát đi vào thời điểm khác sau đó. Bộ ghi tiếng nói truyền thống có thể được phân loại làm hai loại chính: - Bộ mã hoá dạng sóng - Bộ mã hoá phân tích và tổ hợp tiếng nói Bộ mã hoá dạng sóng copy dạng thực của tín hiệu đưa ra microphone và nó như một mạch tương tự. Một kỹ thuật mã hoá dạng sóng chủ yếu là điều chế xung mã (PCM), cái đang được sử dụng trong điện thoại hiện nay. Bộ mã hoá tiếng nói sử dụng gần như khác biệt so với việc mã hoá tiếng nói, được coi như thông số mã hoá hay việc phân tích/tổ hợp mã (là nơi tái tạo ra tín hiệu bằng cách tách dạng sóng của tiếng nói ra tại bộ thu) Nhưng đấy chỉ là một tín hiệu gần như tương đương với tín hiệu gốc. Những hệ thống đó cung cấp tốc độ dữ liệu thấp hơn bởi việc sử dụng chức năng mô phỏng tiếng nói tại bộ thu tín hiệu. Một trong những kỹ thuật phổ Kĩ thuật mã hoá tiếng nói dự đoán tuyến tính phân tích nhờ tổng hợp Cao Tiến Việt _ Lớp K40ĐVT _ Khoa Điện Tử _ Trường Đại học KTCN 17 biến nhất để phân tích/tổ hợp mã tiếng nói được gọi là mã hoá (LPC – Linear Predictive coding). Một số bộ mã hoá tiếng nói chất lượng cao bao gồm RELP – Residual Excited Linear prediction (Mức dự báo tuyến tính bị kích thích) và CELP - Coding Excited Linear prediction (Mã dự báo tuyến tính bị kích thích) Ngoài ra còn có nhiều kỹ thuật mới để phân tích và nén tín hiệu tiếng nói sử dụng Wavelet. Wavelet một cách đơn giản chỉ là một chức năng toán học ứng dụng trong một khoảng thời gian hữu hạn với một giá trị trung bình của zero có tác dụng mô phỏng dữ liệu hiệu quả cùng các chức năng khác. Một tín hiệu nào đó mà có thể được biểu hiện bởi một hệ thống có chức năng cơ bản là đo, thông dịch được gọi là Wavelet mẹ “mother wavelet”. Chức năng của hệ thống này là tạo được các hệ số của Wavelet tại những thang đo khác nhau và những vị trí khác nhau và kết quả thu được là mô tả về biến đổi Wavelet của tín hiệu gốc. Những hệ số của Wavelet dặc trưng cho tín hiệu trong miền wavelet và toàn bộ hoạt động của tín hiệu đều được mô tả từ các hệ số wavelet. Tiếng nói là một quy trình ngẫu nhiên không tĩnh bởi tiếng nói của con người là đa dạng biến đổi theo thời gian. Tín hiệu không tĩnh được đặc trưng bởi vô vàn những đoạn ngắn và sự thay đổi bất ngờ. Đặc điểm của Wavelet là liện tục sử dụng thuộc tính phân tích Tần số-thời gian làm cho chúng phù hợp với mã tín hiệu tiếng nói. Kĩ thuật mã hoá tiếng nói dự đoán tuyến tính phân tích nhờ tổng hợp Cao Tiến Việt _ Lớp K40ĐVT _ Khoa Điện Tử _ Trường Đại học KTCN 18 4.1. Mô hình quá trình tạo tiếng nói. Hình 1.8: Mô hình quá trình tạo tiếng nói Hình 1.9 Mô hình cơ học của cơ quan phát âm người Khi không khí bị ép từ phổi đi lên , đi qua các dây thanh âm (Vocal Cords) dao động ( theo sự điều khiển của não bộ) và đi dọc theo cơ quan phát âm (tuyến âm (Vocal Tract)) sẽ tạo ra tiếng nói . Sự dao động của các dây thanh âm tạo ra sự đóng mở tương tự như một cánh cửa (thanh môn) . Sự đống mở này sẽ làm cho luồng không khí từ phổi đi lên sẽ bị ngắt quãng khác nhau , làm cho tiếng nói tạo ra cũng khác nhau .Ngoài sự tác động của các dây thanh âm , tiếng nói tạo ra cũng phụ thuộc vào những thay đổi của cơ quan phát âm gồm : vòm họng , lưỡi , miệng , khoang mũi và mũi .Hình 1.9 biểu diễn mô hình cơ học của cơ quan phát âm người. Kĩ thuật mã hoá tiếng nói dự đoán tuyến tính phân tích nhờ tổng hợp Cao Tiến Việt _ Lớp K40ĐVT _ Khoa Điện Tử _ Trường Đại học KTCN 19 Với mô hình cơ học như trên có thể biểu diễn cơ quan phát âm bằng một mô hình gần đúng gồm các trụ có độ dài bằng nhau nhưng có đường kính khác nhau như hình 1.10 . Chính hình dáng này đã tạo ra sự cộng hưởng âm thanh , các tần số này chính là tần số formant . Các tần số này tạo ra các âm vị khác nhau tuỳ vào hình dáng cơ quan phát âm .Trong quá trình phát âm , người ta nhận thấy rằng hình dáng cơ quan phát âm thay đổi rất chậm , do đó trong một khoảng thời gian ngắn (trong một âm vị ) có thể xem như sự thay đổi là không đáng kể.Vì vậy ta có thể biểu diễn cơ quan phát âm bằng một hệ thống tuyến tính bất biến theo thời gian , có nghĩa là suốt trong một âm vị ,các tham số của hệ thống sẽ gần như không đổi nhưng chúng sẽ thay đổi rất lớn từ âm vị này sang âm vị khác. Hình 1.10 Mô hình dạng ống cơ quan phát âm người Với một số âm hữu thanh nhất định, khi dây thanh rung lên thì tốc độ rung của dây thanh xác định cao độ của giọng nói. Phụ nữ và trẻ em có giọng nói cao (dây thanh rung với tốc độ cao), còn đối với đàn ông thì có giọng trầm hơn (dây thanh rung tốc độ chậm hơn). Với các âm vô thanh thì dây thanh không rung, không khí tạo thành các luồng xoáy khi đi qua tuyến âm tạo nên tiếng nói. Hình dạng của tuyến âm xác định âm được tạo ra. Khi nói tuyến âm thay đổi tiết diện sẽ tạo ra các âm khác nhau. Tiết diện của tuyến âm thay đổi tốc độ chậm (vào khoảng 10ms đến 100ms). Thông lượng không khí phát ra từ phổi xác định cường độ của tiếng nói. 4.2. Mô hình hóa bộ máy phát thanh của con người Nguyên lý bộ mã hoá nguồn là mã hóa kiểu phát âm (vocoder),ví dụ như bộ mã hoá dự báo tuyến tính (LPC). Các bộ mã hoá này có thể thực hiện được tại tốc độ bít cỡ 2 Kbps. Hạn chế chủ yếu của mã hoá kiểu phát âm LPC là giả Kĩ thuật mã hoá tiếng nói dự đoán tuyến tính phân tích nhờ tổng hợp Cao Tiến Việt _ Lớp K40ĐVT _ Khoa Điện Tử _ Trường Đại học KTCN 20 thiết rằng: tín hiệu tiếng nói bao gồm cả âm hữu thanh và vô thanh. Do đó, đối với âm hữu thanh thì nguồn kích thích bộ máy phát âm sẽ là một dãy xung, còn đối với các âm vô thanh thì nó sẽ là một nguồn nhiễu ngẫu nhiên (hình 1.9). Trong thực tế, có rất nhiều cách để kích thích bộ máy phát âm.Và để đơn giản hoá, người ta giả thiết rằng chỉ có một xung kích thích trong toàn bộ giai đoạn lên giọng của tiếng nói, dù cho đó là âm hữu thanh hay vô thanh. Hình 1.11: Mô hình hoá bộ máy phát thanh của con người. Vào năm 1982, Atal đã đề ra một mô hình mới về kích thích, được gọi là kích thích đa xung. Trong mô hình này, không cần biết trước đó là âm hữu thanh hay vô thanh, đó có phải là giai đoạn lên giọng hay không. Sự kích thích được mô hình hoá bởi một số xung (thông thường là 3 xung trên 5ms ) có biên độ và vị trí được xác định bằng cực tiểu hoá sai lệch, có tính đến trọng số thụ cảm, giữa tiếng nói gốc và tiếng nói tổng hợp. Việc đưa ra mô hình này đã tạo lên một sự chú ý to lớn và đó là mô hình đầu tiên của một thế hệ mới của các bộ mã hoá tiếng nó phân tích bằng tổng hợp. Chúng có khả năng cho tiếng nói chất lượng cao tại tốc độ bit quanh 10 kbps và có thể đến tận 4,8 kbps. Tín hiệu kích thích sẽ được tối ưu hoá một cách kỹ lưỡng và người ta sử dụng kỹ thuật mã hoá dạng sóng để mã hoá tín hiệu kích thích này một cách có hiệu quả. Nguồn xung Nguồn tạp Bộ lọc tổng hợp Tham số kích thích Tham số bộ lọc Kĩ thuật mã hoá tiếng nói dự đoán tuyến tính phân tích nhờ tổng hợp Cao Tiến Việt _ Lớp K40ĐVT _ Khoa Điện Tử _ Trường Đại học KTCN 21 4.3. Mô hình tổng quát của mã hoá tiếng nói theo phương pháp phân tích bằng tổng hợp. Hình 1.12. Mô hình mã hoá tiếng nói LPC phân tích bằng tổng hợp Có ba loại thuật toán mã hoá thoại chủ yếu: Các bộ mã hoá dạng sóng, các bộ mã hoá thông số và các bộ mã hoá lai. Đối tượng đằng sau các bộ mã hoá dạng sóng là sinh ra một tín hiệu được tái tạo mà nó gần giống với tín hiệu gốc. Bằng việc tăng tốc độ bit, thoại được tái tạo sẽ hội tụ về tín hiệu gốc. Các bộ mã hoá thông số căn cứ vào việc tổng hợp phân tích đặc trưng thoại và chủ yếu dựa trên cơ sở mô hình hệ thống nguồn. Hình 1.13 Sơ đồ khối của một vocoder cơ bản Các mô hình phát âm thể hiện cơ chế phát âm của con người một cách trực tiếp, nghĩa là các cơ quan phát âm giọng nói của con người nhất định được mô hình một cách rõ ràng. Tín hiệu kích thích được tạo ra bằng cách đưa tín hiệu S* (n) TiÐng nãi t«ng hîp b/ Bé Gi¶i m· TiÕng nãi gèc Bé t¹o tÝn hiÖu kÝch thÝch Bé läc tæng hîp TÝnh trä