Xem mẫu
- BỘ CÔNG THƯƠNG
TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP THỰC PHẨM TP. HCM
KHOA: CÔNG NGHỆ THÔNG TIN
MÔN HỌC: CÔNG NGHỆ PHẦN MỀM
Đề tài:
TÌM HIỂU CÔNG NGHỆ NHẬN DIỆN GIỌNG NÓI
Giảng viên hướng dẫn: Mạnh Thiên Lý
Sinh viên thực hiện:
Võ Trương Minh Nhật 2001181238
Phan Mai Như Ý 2001181437
Trần Thị Kim Nhiên 2001180178
Nguyễn Thị Thu Bích 2001180384
Nguyễn Thị Khánh Kiều 2001181170
Tan Thị Minh Thư 2001181350
TP. Hồ Chí Minh, 28 Tháng 02 Năm 2021
- LỜI MỞ ĐẦU
Ngày nay, công nghệ thông tin ngày càng phát triển cùng với những tiến
bộ vượt bậc của khoa học kỹ thuật nói chung, có rất nhiều công nghệ mới
được cho ra mắt.
Hơn một thập kỷ qua, với sự phát triển mạnh mẽ của công nghệ thông
tin, công nghệ xử lý tiếng nói như mã hoá, nhận dạng tiếng nói, chuyển lời
nói thành văn bản, chuyển chữ viết thành lời nói, … đã trở thành vấn đề
nghiên cứu trọng điểm được nhiều nhà khoa học quan tâm ở nhiều lĩnh vực
khác nhau như: tin học, toán học, điều khiển, điện tử, sinh học, …
Trong thời gian gần đây, các nhà nghiên cứu đang tập trung vào công
nghệ nhận dạng giọng nói và đã có một số thành công đối với việc nhận
dạng tiếng Anh và một số ngôn ngữ khác. Đã có nhiều công trình nghiên cứu
về lĩnh vực nhận dạng giọng nói (Speech recognition) trên cơ sở lý thuyết các
hệ thống thông minh nhân tạo, nhiều kết quả đã trở thành sản phẩm như Via
Voice Gold của hãng IBM, Dragon Natural Speaking của Dragon System,
Speech SDK của Microsoft, … Triển khai những công trình nghiên cứu và đưa
vào thực tế ứng dụng vấn đề này là một việc làm hết sức có ý nghĩa trong
giai đoạn công nghiệp hoá, hiện đại hoá của nước nhà.
Vì thế, nhóm em đã chọn đề tài “Tìm hiểu Công nghệ nhận diện giọng
nói” để tìm hiểu và trình bày về nội dung cũng như tổng quan về công nghệ.
Tuy đã rất cố gắng học hỏi và tìm hiểu tài liệu từ nhiều nguồn thông tin
nhưng điều kiện thời gian và khả năng có hạn nên cũng không tránh được
thiếu sót. Kính mong được sự đóng góp ý kiến từ cô và các bạn để nhóm em
có thể hoàn thiện hơn về bài báo cáo công nghệ này.
Nhóm em xin chân thành cảm ơn.
Thành phố Hồ Chí Minh, ngày 28 tháng 02 năm 2021
2
- 3
- MỤC LỤC
DANH SÁCH HÌNH ẢNH
4
- I. GIỚI THIỆU VỀ CÔNG NGHỆ NHẬN DIỆN
GIỌNG NÓI
1. Giới thiệu về nền công nghiệp 4.0 và tầm ảnh hưởng
Công nghiệp 4.0 tập trung vào công nghệ kỹ thuật số từ những thập kỷ
gần đây lên một cấp độ hoàn toàn mới với sự trợ giúp của kết nối thông qua
Internet vạn vật, truy cập dữ liệu thời gian thực và giới thiệu các hệ thống
vật lý không gian mạng. Công nghiệp 4.0 cung cấp một cách tiếp cận toàn
diện hơn, liên kết và toàn diện hơn cho sản xuất. Nó kết nối vật lý với kỹ
thuật số và cho phép cộng tác và truy cập tốt hơn giữa các bộ phận, đối tác,
nhà cung cấp, sản phẩm và con người. Công nghiệp 4.0 trao quyền cho các
chủ doanh nghiệp kiểm soát và hiểu rõ hơn mọi khía cạnh hoạt động của họ
và cho phép họ tận dụng dữ liệu tức thời để tăng năng suất, cải thiện quy
trình và thúc đẩy tăng trưởng.
Công nghiệp 4.0 cho phép các nhà máy thông minh, sản phẩm thông minh
và chuỗi cung ứng cũng thông minh, và làm cho các hệ thống sản xuất và dịch
vụ trở nên linh hoạt, linh hoạt và đáp ứng khách hàng hơn. Các thuộc tính của
hệ thống sản xuất và dịch vụ với Công nghiệp 4.0 đã được nêu bật và những
lợi ích mà Công nghiệp 4.0 mang lại cho các doanh nghiệp đã được thảo luận.
Trong tương lai, khoa học và công nghệ tiếp tục phát triển và đóng vai trò
ngày càng quan trọng đối với quá trình phát triển kinh tế xã hội của mỗi quốc
gia. Tri thức được xác định là lực lượng sản xuất trực tiếp và là động lực phát
triển hàng đầu đối với mọi quốc gia. Để phát triển bền vững, các quốc gia
phải tiếp tục đẩy mạnh đầu tư phát triển khoa học và công nghệ nhằm ứng
dụng thành tựu khoa học và công nghệ vào sản xuất, đặc biệt là những thành
tựu của cách mạng công nghiệp lần thứ tư nhằm tạo ra các sản phẩm và công
nghệ sản xuất mới. Tới đó công nghệ nhận diện và giả lập giọng nói được ra
đời để đáp nhu cầu phát triển của con người.
2. Sơ lược về lịch sử công nghệ nhận diện giọng nói
Trước đây, việc điều khiển một cỗ máy bằng cách nói chuyện với chúng
chỉ là những câu chuyện trong khoa học viễn tưởng. Nhưng viễn tưởng này
đang dần trở thành hiện thực với sự phát triển vượt bậc về công nghệ, đặc
biệt là sự phát triển của Trí tuệ nhân tạo (AI) và những nền tảng khác để tạo
5
- ra một giao diện người dùng cho phép sử dụng giọng nói để điều khiển các
thiết bị công nghệ.
Năm 1877, ứng dụng nhận diện giọng nói đầu tiên được tạo ra khi
Thomas Edison phát minh ra máy ghi âm, thiết bị đầu tiên ghi và tái
tạo âm thanh.
Năm 1952, các kỹ sư tại Bell Labs đã phát triển một bộ nhận dạng
chữ số tự động có tên Audrey. Audrey cao 6 feet, có nhiều tín hiệu
tương tự với tụ điện, bộ khuếch đại và bộ lọc, chỉ nhận ra 10 chữ số
được nói bởi một giọng nói duy nhất. Mặc dù thiết bị có thể nhận ra
đầu vào bằng giọng nói với độ chính xác 9799% nhưng chính vì kích
thước lớn, chi phí cao và thiết bị điện tử phức tạp nên nó đã không
thể trở thành một sản phẩm được thương mại hóa. Tuy nhiên, thiết
bị Audrey này cũng đã đánh dấu sự khởi đầu của công nghệ nhận
dạng giọng nói và tiếp tục cho những nghiên cứu sau đó. Hệ thống
Audrey còn được xem là thiết bị nhận dạng giọng nói đầu tiên.
Năm 1962, máy Shoe box được IBM phát triển, có thể nhận ra 16 từ
tiếng anh, 10 chữ số và 6 lệnh số học
Từ những năm 1971 – 1976, Bộ Quốc phòng Mỹ đã tài trợ cho
chương trình DARPA SUR (Nghiên cứu hiểu về lời nói), dẫn đến sự
phát triển của Harpy tạo ra bởi Carnegie Mellon có thể hiểu được
1011 từ.
Vào năm 1984, Công nghệ nhận dạng giọng nói thế hệ đầu tiên được
SpeechWorks và Nuance giới thiệu thông qua các hệ thống tổng đài
trả lời tự động (IVR). Những IVR này có thể nhận ra giọng nói của
con người qua cuộc gọi và thực hiện các nhiệm vụ được giao cho
chúng. Bất cứ ai có điện thoại đều có thể nhận được tất cả thông tin
như tìm thời gian chiếu phim địa phương, nghe thông tin giao thông,
báo giá cổ phiếu, đặt chuyến bay máy bay, chuyển tiền giữa các tài
khoản, đặt mua thuốc theo toa,.. Mọi thứ chỉ xoay quanh chiếc điện
thoại cầm tay và giọng nói của con người. Các hệ thống IVR đã trở
thành xu hướng chủ đạo trong những năm 2000 và là một phần chính
của các dịch vụ chăm sóc và hỗ trợ khách hàng ngày nay.
Năm 1992, Apple cũng sản xuất hệ thống nhận dạng giọng nói liên
tục theo thời gian thực hiện, có thể nhận ra lên đến 20.000 từ.
6
- Năm 2006, Apple đã giới thiệu khái niệm về Siri, cho phép người
dùng tương tác với các máy sử dụng giọng nói. Sau đó, Google đã
giới thiệu một nghiên cứu hỗ trợ giọng nói vào năm 2007. Những gã
khổng lồ công nghệ như Microsoft, Apple và Google sau đó đã tung ra
trợ lý giọng nói cho thiết bị di động.
Đến năm 2008, Google nổi lên với ứng dụng Google Voice Search
dành cho Iphone
Năm 2010, Google đã giới thiệu và nhận dạng được cá nhân hoá, các
thiết bị Android sẽ ghi lại các truy vấn giọng nói của người dùng
khác nhau để phát triển một mô hình giọng nói nâng cao. Nó bao gồm
230 tỷ từ tiếng anh
Năm 2011, cuối cùng Siri của Apple đã được triển khai trong Iphone
4S, cũng dựa trên điện toán đám mây
Năm 2014 Amazon đã giới thiệu Amazon Echo, một loa thông minh
tích hợp với trợ lý ảo (Alex, Siri...). Những lời này có thể được kết
hợp với các ứng dụng di động thông qua kỹ năng Alexa. Tương tự,
các đối thủ cạnh tranh để giới thiệu Google home, Apple Homepod
để cải thiện trải nghiệm người dùng khi họ ở văn phòng, nhà hoặc
thậm chí tại trung tâm mua sắm.
Năm 2015, Microsoft đã công bố sự sẵn có của Cortana cho máy tính
để bàn và thiết bị di động Windows 10 như một phần của việc hợp
nhất Windows Phone vào hệ điều hành nói chung.
Vào tháng 5 năm 2016, Trợ lý Google (Google Assistant) là một trợ lý
cá nhân ảo được phát triển bởi Google cho thiết bị di động và nhà
thông minh, được ra mắt lần đầu tại hội nghị nhà phát triển của
hãng. Không như Google Now, Trợ lý Google có thể tham gia các
cuộc trò chuyện hai chiều. Trợ lý Google được đưa vào ứng dụng
nhắn tin Google Allo, và loa thông minh Google Home.
năm 2017, Google Assistant đã và đang được tiếp tục mở rộng hỗ trợ
cho một lượng lớn thiết bị, bao gồm cả xe hơi và các thiết bị nhà
thông minh. Các chức năng của Assistant cũng có thể được bổ sung
bởi các nhà phát triển bên thứ ba.
7
- 3. Giới thiệu về công nghệ nhận diện giọng nói
a. Công nghệ nhận diện giọng nói là gì?
Công nghệ nhận diện giọng nói là một bộ máy hoặc hệ thống có khả
năng nhận và dịch (hoặc hiểu và thực hiện) các lệnh thu được từ giọng nói
con người. Nó được sử dụng rất nhiều trong lĩnh vực trí tuệ nhân tạo (AI),
Google Assistant là một ví dụ điển hình. Đây là một bộ máy hoặc hệ thống có
khả năng nhận và dịch (hoặc hiểu và thực hiện) các lệnh thu được từ giọng
nói con người.
Nhận diện giọng nói gồm 2 thuật ngữ: Voice recognition và Speech
recognition.
Voice recognition liên quan đến việc xác định giọng nói chính xác của
một cá nhân nào đó, tương tự một phương pháp nhận diện sinh trắc
học.
Speech recognition là việc xác định những từ ngữ trong câu nói rồi
dịch chúng sang ngôn ngữ máy tính.
b. Cách thức hoạt động của công nghệ nhận diện giọng nói
Để chuyển giọng nói sang văn bản hoặc câu lệnh máy tính, hệ thống
phải thực hiện một quá trình gồm nhiều bước phức tạp. Khi nói, bạn sẽ tạo
ra những rung động trong không khí. Bộ chuyển đổi tín hiệu tương tự sang số
(AnalogtoDigital Converter, ADC) chuyển các sóng tương tự (analog) này
thành dữ liệu mà máy tính có thể hiểu được.
Để làm điều này, hệ thống thu thập các mẫu (hoặc số hóa) âm thanh
bằng cách đo chính xác sóng âm ở các khoảng thời gian gần nhau, sau đó lọc
âm thanh đã được số hoá để loại bỏ tiếng ồn, đôi khi tách chúng thành các dải
tần số khác nhau. Nó cũng "bình thường hóa" hoặc tinh chỉnh âm thanh đến
một mức âm lượng không thay đổi hoặc sắp xếp theo thời gian. Không phải
lúc nào con người cũng nói với tốc độ như nhau nên âm thanh phải được điều
chỉnh cho phù hợp với tốc độ mà âm thanh mẫu được ghi nhận trong bộ nhớ
máy.
Tiếp theo, tín hiệu được chia thành nhiều phần nhỏ (thời gian khoảng
vài phần trăm giây, thậm chí là phần ngàn giây trong trường hợp có phụ âm
cuối khó phân biệt như "p" hoặc "t"). Chương trình sau đó đặt những phần âm
thanh này vào các âm vị có sẵn trong ngôn ngữ thích hợp.
8
- Với sự phát triển của công nghệ, ứng dụng nhận dạng giọng nói ngày
càng được hoàn thiện với tính chính xác cao hơn. Thay vì nhận dạng từng chữ
cái, công nghệ này còn có khả năng nhận dạng được theo ngữ nghĩa của câu
nói để giảm thiểu sai sót trong quá trình nhận dạng.
c. Ưu, nhược điểm của công nghệ nhận diện giọng nói
Ưu điểm của phần mềm nhận diện giọng nói:
Khả năng truy cập: Đây là một thuận lợi đối với người khuyết tất khi
họ không thể dùng chuột hay bàn phím, nhưng có thể dùng giọng nói để hệ
thống chuyển thành văn bản, giúp nhập liệu hay điều khiển một cách dễ
dàng.
Kiểm tra chính tả: Người dùng có thể truy cập vào các công cụ chỉnh
sửa tương tự một giải pháp xử lý văn bản chuẩn. Đương nhiên mọi thứ sẽ
không chính xác 100% nhưng phần mềm có thể nhận diện và xử lý phần lớn
lỗi chính tả, ngữ pháp.
Tốc độ nhanh: Phần mềm nhận dạng giọng nói có thể nắm bắt giọng
nói của người dùng với tốc độ nhanh hơn so với khi nhập liệu bằng bàn
phím, vì vậy tốc độ khi nhập liệu bằng giọng nói sẽ cải thiện đáng kể.
Nhược điểm của phần mềm nhận diện giọng nói:
Thiết lập và "dạy": Mặc dù tất cả phần mềm nhận dạng giọng nói
hiện nay đều hứa hẹn có thể hoạt động sau vài phút thiết lập, nhưng thực sự
quá trình ghi nhận, làm quen với giọng nói, âm điệu và tốc độ nói của người
dùng có đôi chút phức tạp và tốn thời gian. Một số phần mềm nhận dạng
giọng nói còn bắt người dùng nói lại, thậm chí không thể nhận diện được
bạn đang nói gì.
Chưa thực sự ổn định: Việc đang nói mà bị ngắt giữa chừng có thể
khiến người dùng cảm thấy khó chịu. Đặc biệt, một số người không thích
phần mềm nhận dạng giọng nói vì nó gây bối rối cho người dùng khi lên
xuống giọng hay bỗng dưng nói nhỏ lại.
Kho từ vựng hạn chế: Người dùng phải sẵn sàng chấp nhận trường
hợp phần mềm xử lý quá lâu vì những từ vừa nói không nằm trong từ điển có
sẵn. Đó là điều các nhà nghiên cứu đang cố gắng cải tiến ở phần mềm nhận
dạng giọng nói hiện nay.
9
- d. Một số thư viện hỗ trợ cho công nghệ nhận diện giọng nói
Nuance là cái tên được nhắc đến nhiều nhất trong việc cung cấp
thư viện giọng nói cho app di động. Chính nhờ vào những thư viện
như thế này mà lập trình viên không cần phải tự mình thiết kế hệ
thống nhận dạng, phiên dịch cho app mà chỉ cần xài lại cái có sẵn, tiết
kiệm được nhiều thời gian, công sức và tiện bạc. Nuance có hỗ trợ
cho tiếng Việt trong ứng dụng Dragon Dictation do chính hãng này
phát triển.
OpenEars cũng là một thư viện khác nhưng nó thuộc dạng nguồn
mở và hoạt động offline, hạn chế là chỉ hỗ trợ tiếng Anh và Tây Ban
Nha. Vài cái tên khác có thể kể đến như Ivona, iSpeech, Vocalkit and
Acapela.
Một cách khác mà nhiều phần mềm hiện cũng đang xài đó là tận
dụng bộ nguồn nhận dạng có sẵn trên các hệ điều hành di động.
Người dùng có thể kích hoạt tính năng này ở những chỗ cần nhập văn
bản. Từ iOS 7 về trước thì tính năng này không hỗ trợ tiếng Việt,
phải lên iOS 8 mới có. Google thì bắt đầu hỗ trợ nhập liệu tiếng Việt
cho Android khoảng một năm về trước. Ngoài ra, Apple, Google cũng
có cung cấp các hàm API giúp app của lập trình viên biết nói chỉ với
vài dòng mã nguồn.
10
- II. TỔNG QUAN VỀ CÔNG NGHỆ NHẬN DIỆN
GIỌNG NÓI
1. Mô hình triển khai công nghệ nhận diện giọng nói
Hình . Mô hình công nghệ nhận diện giọng nói
Có nhiều cách thức mà các công ty hiện nay đang triển khai, có thể kể
đến 2 phương pháp phổ biến như sau:
Điện toán đám mây: Trong trường hợp này, việc nhận dạng, xử lý
ngôn ngữ sẽ diễn ra trên máy chủ của các công ty cung cấp dịch vụ.
Phương pháp đám mây giúp việc nhận dạng được chính xác hơn, ứng
dụng thì có dung lượng nhỏ, nhưng bù lại thì thiết bị ở phía người
dùng phải luôn kết nối với Internet. Độ trễ trong quá trình gửi giọng
nói từ máy lên server rồi trả kết quả từ server về lại máy cũng là
những thứ đáng cân nhắc.
Tích hợp thẳng vào app: Với phương thức này, quá trình xử lý giọng
nói sẽ diễn ra trong nội bộ ứng dụng, không cần giao tiếp với bên
ngoài, chính vì thế tốc độ sẽ nhanh hơn. Người dùng cũng không bắt
buộc phải kết nối vào mạng thường trực. Tuy nhiên, giải pháp này
gặp nhược điểm đó là khi có cập nhật hoặc thay đổi gì đó về bộ máy
nhận dạng, nhà sản xuất sẽ phải cập nhật lại cả một app, trong khi
với phương thức đám mây thì những thay đổi đó chỉ cần làm ở phía
11
- server. Kích thước ứng dụng cũng sẽ tăng lên, có thể lên tới cả vài
trăm MB.
2. Các kỹ thuật được áp dụng trong công nghệ nhận diện giọng nói
Thoạt nhìn thì việc triển khai công nghệ nhận dạng giọng nói khá đơn
giản, nhưng thực chất thì không phải như thế:
Thứ nhất, các nhà phát triển phải xây dựng nên một công nghệ có thể
lắng nghe, phân tích và phiên dịch một cách chính xác giọng nói của người
dùng. Nếu không thì làm sao app biết bạn đang nói gì, còn nếu độ chính xác
không cao thì cũng như không.
Thứ hai, vấn đề bản địa hóa (localization) cũng là một chuyện làm đau
đầu các lập trình viên. Mỗi quốc gia sẽ có ngôn ngữ của riêng mình, vấn đề
đó là làm thế nào để có thể hỗ trợ càng nhiều ngôn ngữ càng tốt. Hiện nay
hầu hết những dịch vụ giọng nói đều hỗ trợ tiếng Anh, Google Voice Input
trong Android và Voice Dictation trong iOS 8 thì có hỗ trợ tiếng Việt nhưng
cũng còn nhiều hạn chế. Đó là chưa nói đến việc mỗi vùng miền lại có cách
nói, giọng điệu khác nhau mặc dù họ sử dụng cùng một ngôn ngữ.
Tuy nhiên, với cách các máy dịch thuật hiện nay đang hoạt động, chúng
ta chỉ cần truyền đoạn ghi âm vào mạng nơron và đào tạo nó để tạo ra "bản
dịch", đó cũng là điều mà nhận diện giọng nói với deep learning hướng tới:
Hình . Input và output của Công nghệ nhận diện giọng nói
Vấn đề lớn nhất chính là tốc độ nói biến thiên. Một người có thể nói
"Hello" rất nhanh và người khác nói "heeeellllllloooooo!" cực chậm, tạo ra âm
thanh dài hơn với nhiều dữ liệu hơn. Cả 2 âm đều nên được nhận dạng chính
xác là từ một "hello!". Tự động chỉnh file âm thanh với nhiều biến thể độ
dài khác nhau của từng từ để tạo ra văn bản đồng nhất lại khá khó.
12
- Để xử lý vấn đề này, chúng ta sẽ sử dụng một số kỹ thuật đặc biệt và
thêm một vài bước vào mạng deep learning.
a. Kỹ thuật xử lý ngôn ngữ tự nhiên (Natural Language Processing)
Xử lý ngôn ngữ tự nhiên (Natural Language Processing – NLP) là tập hợp
của nhiều thuận toán phức tạp nhằm phân tích mệnh lệnh của người dùng
nhưng không bắt buộc họ phải nói theo một cấu trúc câu định sẵn. Nhiều năm
trước khi muốn điều khiển bằng giọng nói, bạn chỉ có thể nói những thứ như
"Mở bản đồ, "Báo thức lúc 5 giờ sáng". Còn bây giờ thì nhờ có NLP, ta có thể
nói các câu như "Siri, hãy đánh thức tôi lúc 5 giờ sáng ngày mai".
NLP cũng không phải là đơn giản để phát triển. Cả Apple, Google và
Microsoft đều phải đầu tư rất nhiều tiền bạc và nguồn lực để có thể đưa
NLP lên đến mức tiến bộ như hiện nay. Mặc dù vậy, các công ty vẫn phải
tiếp tục nghiên cứu để cải thiện độ chính xác cũng như hỗ trợ thêm nhiều
ngôn ngữ khác nhau.
b. Chuyển âm thanh thành số
Bước đầu tiên trong nhận diện giọng nói khá rõ ràng chúng ta cần
truyền sóng âm vào máy tính, xem hình ảnh là tập hợp giá trị, với mỗi giá trị
đại diện cho độ sáng của điểm ảnh, để truyền vào mạng nơron. Sóng âm có
một chiều dữ liệu. Ở mỗi thời điểm, chúng có một giá trị cao độ. Để chuyển
sóng âm thành số, chúng ta chỉ cần ghi lại độ cao của sóng ở từng khoảng:
Hình . Ví dụ về lấy mẫu sampling 1
13
- Hình . Ví dụ về lấy mẫu sampling 2
Hình . Ví dụ về lấy mẫu sampling 3
Hình . Ví dụ về lấy mẫu sampling 4
Phương pháp này gọi là sampling lấy mẫu. Chúng ta đọc mẫu mỗi
1/1000s và ghi lại con số đại diện chiều cao cùa sóng âm. Đây chính là file
.wav khi không bị nén. Những âm thanh chất lượng tốt được ghi ở tần số
14
- 44.1khz (44,100 lần đọc mỗi giây). Nhưng với nhận diện giọng nói, tốc độ
lấy mẫu ở 16khz (16,000 mẫu mỗi giây) là quá đủ.
Lấy mẫu chỉ tạo ra đồ thị xấp xỉ so với sóng âm, bởi vì nó chỉ đọc dữ
liệu theo từng khoảng. Vì thế, để tránh bị mất dữ liệu mỗi lần đọc, ta áp
dụng lý thuyết Nyquist, chúng ta có thể sử dụng toán học để tái tạo chính
xác sóng âm gốc từ những mẫu tách biệt miễn là chúng ta lấy mẫu với tần
số gấp đôi tần số âm chúng ta muốn ghi lại. Không phải cứ lấy mẫu với tần
số càng cao thì chất lượng âm thanh càng tốt.
c. Kỹ thuật tiền xử lý dữ liệu mẫu âm thanh
Ta có thể truyền những số này vào mạng nơron, nhưng cố gắng nhận
diện cấu trúc âm thanh trực tiếp bằng những mẫu này rất khó. Thay vào đó,
chúng ta giải quyết vấn đề dễ hơn bằng cách tiền xử lý dữ liệu. Đầu tiên,
hãy bắt đầu nhóm mẫu âm thanh trong khoảng 20ms:
Hình . 320 mẫu âm thanh trong 20ms
Ghi lại những con số này trong đồ thị giúp chúng ta có ước lượng xấp xỉ
về âm thanh gốc trong chu kỳ 20ms:
Hình . Âm thanh gốc trong chu kỳ 20ms
Bản ghi âm này chỉ khoảng 1/50s. Nhưng thậm chí một đoạn ghi âm rất
ngắn là một mớ hỗn độn cao độ âm khác nhau. Có những âm thấp, âm trung
và thậm chí cả âm cao. Nhưng cùng với nhau, những âm này tạo lên giọng
nói.
15
- Để giúp mạng nơron xử lý dữ liệu dễ hơn, ta tách sóng âm phức tạp này
thành từng phần: phần chứa âm thấp, âm cao hơn, cao hơn nữa... Sau đó, ta
tính tổng năng lượng ở những những dải tần số (từ thấp đến cao) và kết nối
lại tạo ra fingerprint nhận dạng duy nhất cho từng đoạn trích âm thanh.
Chúng ta làm điều đó nhờ vào việc sử dụng Fourier transform trong
toán học. Nó chia nhỏ những sóng âm phức tạp thành sóng âm đơn tạo ra nó,
và ta có thể tính tổng năng lượng ở mỗi đơn âm.
Sau khi sử dụng lý thuyết Nyquist ở trên, sóng âm đã trở thành một dải
liên tục. Và sử dụng Fourier transform, chúng ta lại tách dải liên tục đó ra
thành các notes riêng biệt (được tính toán bởi thuật toán Fourier) để tìm ra
tổng năng lượng ở từng note.
Kết quả cuối cùng là một bảng số thể hiện độ năng lượng của mỗi
khoảng tần số, từ âm thấp tới âm cao. Mỗi số dưới đây đại diện cho năng
lượng dải 50hz trong clip 20ms:
Hình . Bảng số thể hiện độ năng lượng của mỗi khoảng tần số
Nhưng sẽ dễ dàng hơn nhiều khi ta biểu diễn dãy số trên trên đồ thị:
Hình . Đồ thị thể hiện độ năng lượng của mỗi khoảng tần số
Ta có thể thấy dài tần số này có rất nhiều năng lượng tần số thấp, và ít
năng lượng tần số cao. Đây là một giọng nam điển hình. Nếu chúng ta lặp lại
quá trình trên cho mỗi khoảng 20ms, chúng ta sẽ có quang phổ (mỗi cột từ trái
qua phải là một khoảng 20ms):
16
- Hình . Quang phổ cho năng lượng của mỗi khoảng tần số khi lặp lại quá trình
Tạo ra quang phổ giúp chúng ta thực sự nhìn thấy âm thanh và cấu trúc
độ cao của nó. Mạng nơron có thể tìm những cấu trúc trong dữ liệu này dễ
dàng hơn so với sóng âm thô. Do đó, đây chính là đặc trưng mà ta truyền vào
mạng nơron.
Qua đó ta thấy, hầu hết dữ liệu thô đều chứa nhiều nhiễu và khó xử lý
trong cả ảnh và âm thanh. Một cách giúp hạn chế nhiễu là tổng quát hóa: như
trong mạng CNN là trích lọc đặc trưng thông qua convolution tích chập và
max pooling tách lọc lớn nhất, hay ở trong xử lý âm thanh là lấy tổng năng
lượng theo từng âm. Việc tổng quát hóa giúp giảm chiều dữ liệu và hạn chế
ảnh hưởng từ nhiễu. Chú ý là nếu quá tổng quát hóa thì lại có thể làm tiêu
biến đặc trưng, khiến học máy không thể tìm ra lời giải.
d. Kỹ thuật nhận diện ký tự từ đoạn âm ngắn
Ta truyền từng dải âm 20ms vào mạng nơron đa lớp. Với mỗi mảng cắt
âm thanh, chúng ta cố gắng tìm ra ký tự đại diện cho âm thanh phát ra.
17
- Hình . Mô hình trạng thái
Chúng ta sử dụng Recurrent Neural Network RNN mạng nơron hồi
quy: kết quả tiên đoán quá khứ có ảnh hưởng tới kết quả tiên đoán trong
tương lai. Đó là bởi vì các ký tự có sự liên quan đến nhau. Ví dụ chúng ta đã
tìm ra "HEL", thì rất có khả năng chúng ta sẽ nói tiếp "LO". Vì thế, những dự
đoán trong quá khứ sẽ giúp dự đoán tương lai được tốt hơn.
Sau khi chạy toàn bộ âm thanh thông qua mạng nơron, chúng ta kết nối
mỗi dải âm với một ký tự có khả năng được nói cao nhất. Đây là bản đồ kết
nối của từ "HELLO":
18
- Hình . Bản đồ kết nối của từ "HELLO"
Mạng nơron trên dự đoán từ được nói là “HHHEE_LL_LLLOOO”,
nhưng nó cũng nghĩ có khả năng từ đó là “HHHUU_LL_LLLOOO”, hoặc
thậm chí là “AAAUU_LL_LLLOOO”.
Chúng ta có thêm một vài bước để làm sạch kết quả. Đầu tiên, chúng ta
bỏ đi những ký tự bị lặp, rồi bỏ đi khoảng trống:
HHHEE_LL_LLLOOO => HE_L_LO => HELLO
HHHUU_LL_LLLOOO => HU_L_LO => HULLO
AAAUU_LL_LLLOOO => AU_L_LO => AULLO
Như vậy, ta có 3 khả năng phân âm là "Hello", "Hullo" và "Aullo". Nếu ta
nói chúng thật to, cả 3 đều nghe giống với "Hello". Bởi vì dự đoán từng ký tự
một, mạng nơron tìm ra cách đọc các âm chứ không phải cách viết. Ví dụ:
nếu ta nói "He would not go", máy có thể dịch là "He wud net go".
Thủ thuật ở đây là kết hợp những dự đoán phiên âm này với khả năng
xuất hiện trong các văn bản (sách, bài bảo...). Ta sẽ loại bỏ đi những phiên
âm ít có khả năng ngoài thực tế và giữ phiên âm thực tế nhất. Và trong 3 từ
"Hello", Hullo" và "Aullo". Rõ ràng, "Hello" có tần xuất cao hơn rất rất nhiều,
và đây chính là bản phiên âm chúng ta lựa chọn.
19
- e. Áp dụng Machine Learning tự xây dựng hệ thống nhận diện giọng
nói
Machine learning sử dụng các thuật toán lặp để học từ dữ liệu và cho
phép máy tính tìm thấy những thông tin, giá trị ẩn sâu mà không được lập
trình một cách rõ ràng nơi để tìm. Khía cạnh lặp lại của Machine learning là
quan trọng bởi khi các mô hình này được tiếp xúc với dữ liệu mới thì chúng
có thể thích ứng một cách độc lập. Các hệ thống Machine Learning có thể
nhanh chóng áp dụng kiến thức và đào tạo từ các bộ dữ liệu lớn để thực hiện
các công việc về nhận diện giọng nói một cách xuất sắc.
Nhận diện ngôn ngữ là một vấn đề khó, ta phải chấp nhận những vấn
đề như: chất lượng micro kém, môi trường ghi âm ồn, tiếng dội lại, giọng
điệu khác nhau... Tất cả những vấn đề này hiện hữu trong quá trình đào tạo,
khiến mạng nơron không có độ chính xác cao. Và để xử lý tiếng ồn, ta cần
dữ liệu đào tạo giống như khi mà mọi người đang gào thét vào mặt người
nói. Để xây dựng hệ thống nhận diện âm thanh đạt tới trình độ của Siri,
Google Now! hay Alexa, ta cần rất nhiều dữ liệu. Không một ai muốn hệ
thống nhận diện chỉ đạt 80% độ chính xác. Vì vậy, chỉ cần cho máy tự động
lưu và học (train data) một lượng lớn dữ liệu do người dùng tự cung cấp. Ta
sẽ tạo lên hệ thống nhận diện giọng nói hoàn chỉnh.
f. Giao diện giọng nói người dùng (Voice user interface)
Giao diện giọng nói người dùng (Tiếng anh: Voice user interface, viết
tắt: VUI) là công nghệ nhận dạng giọng nói, cho phép người dùng tương tác
với hệ thống và các thiết bị như máy tính, điện thoại thông minh và các thiết
bị khác thông qua các lệnh thoại hoặc giọng nói. Điều làm nên sự độc đáo của
VUI là nó sử dụng giọng nói làm tương tác chính, không dùng tay hay mắt và
trái ngược với sự tương tác giữa bàn phím chuột màn hình hoặc màn hình
cảm ứng. Cách tiếp cận bằng giọng nói này có thể cho phép người dùng bắt
đầu các thao tác dịch vụ tự động và thực hiện các tác vụ hàng ngày của họ
theo cách nhanh hơn hơn trong khi vẫn có thể tập trung làm việc khác.
3. Công dụng của công nghệ nhận diện giọng nói
Tốc độ là điều đầu tiên người ta nhắc đến khi được đề cập đến câu hỏi
này. Thay vì phải ngồi nhập tay email, soạn văn bản, đặt lịch hẹn, … trên
điện thoại hoặc máy tính gây tốn thời gian, thậm chí sai sót. Giờ đây chúng ta
có thể sử dụng giọng nói như một phương thức để nhập liệu. Nó nhanh
chóng, đơn giản, thuận tiện và vô cùng dễ dàng.
20
nguon tai.lieu . vn
