Độ cao hay độ trầm bổng của âm thanh chính là tần số của sóng cơ học
của âm thanh. Âm thanh nào cũng phát ra ởmột đ ộcao nhất định. Độ cao của
âm thanh phụ thuộc vào tần số dao động. Đối với tiếng nói, tần số dao động của
dây thanh quy định độcao giọng nói của con người. Mỗi người có một độ cao
giọng nói khác nhau, độ cao của nữ giới thường cao hơn nam giới và độ cao của
trẻ em thường cao hơn của người lớn.
26 trang |
Chia sẻ: lethao | Lượt xem: 2907 | Lượt tải: 1
Bạn đang xem trước 20 trang tài liệu Kĩ thuật mã hoá tiếng nói dự đoán tuyến tính phân tích nhờ tổng hợp, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
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
Các file đính kèm theo tài liệu này:
- Kĩ thuật mã hoá tiếng nói dự đoán tuyến tính phân tích nhờ tổng hợp.pdf