Báo cáo tóm tắt Đề tài Nghiên cứu cải thiện chất lượng tiếng nói tiếng Việt dựa trên mô hình xác suất
BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC ĐÀ NẴNG
BÁO CÁO TÓM TẮT
ĐỀ TÀI KHOA HỌC VÀ CÔNG NGHỆ CẤP BỘ
NGHIÊN CỨU CẢI THIỆN CHẤT LƯỢNG TIẾNG NÓI
TIẾNG VIỆT DỰA TRÊN MÔ HÌNH XÁC SUẤT
Mã số: B2016-DNA-38-TT
Chủ nhiệm đề tài: TS. Ninh Khánh Duy
Đà Nẵng, 05/2020
DANH SÁCH NHỮNG THÀNH VIÊN THAM GIA
NHỮNG THÀNH VIÊN THAM GIA NGHIÊN CỨU ĐỀ TÀI
1. TS. Ninh Khánh Duy - Khoa Công nghệ Thông tin, Trường Đại học Bách
Khoa, ĐH Đà Nẵng.
2. TS. Huỳnh Hữu Hưng - Khoa Công nghệ Thông tin, Trường Đại học Bách
Khoa, ĐH Đà Nẵng.
3. CN. Nguyễn Văn Quý - Học viên cao học ngành Khoa học máy tính Khóa
30, Đại học Đà Nẵng.
ĐƠN VỊ PHỐI HỢP CHÍNH
Không
1
MỤC LỤC
DANH SÁCH NHỮNG THÀNH VIÊN THAM GIA....................................................... 1
THÔNG TIN KẾT QUẢ NGHIÊN CỨU.......................................................................... 4
INFORMATION ON RESEARCH RESULTS................................................................ 7
MỞ ĐẦU............................................................................................................................. 10
Chương 1 TỔNG HỢP TIẾNG NÓI DÙNG MÔ HÌNH MARKOV ẨN................... 12
1.1 Tổng quan về tổng hợp tiếng nói từ văn bản........................................................ 12
1.1.1
1.1.2
1.1.3
Giới thiệu .................................................................................................... 12
Mô-đun xử lý ngôn ngữ tự nhiên (front-end).............................................. 12
Mô-đun sinh tín hiệu tiếng nói (back-end).................................................. 12
1.2 Tổng hợp tiếng nói dựa trên mô hình Markov ẩn................................................. 12
1.2.1
1.2.2
1.2.3
1.2.4
Giới thiệu .................................................................................................... 12
Mô hình tham số để phân tích/tổng hợp tín hiệu tiếng nói ......................... 13
Giai đoạn huấn luyện mô hình.................................................................... 13
Giai đoạn tổng hợp tín hiệu......................................................................... 13
1.3 Kết chương ........................................................................................................... 13
Chương 2 PHÁT TRIỂN MÔ-ĐUN XỬ LÝ NGÔN NGỮ TỰ NHIÊN..................... 14
2.1 Chuẩn hóa văn bản............................................................................................... 14
2.1.1
2.1.2
2.1.3
2.1.4
Giới thiệu .................................................................................................... 14
Phân lớp ký hiệu dùng bộ quy tắc............................................................... 14
Khử nhập nhằng trong khai triển chữ viết tắt dùng học máy...................... 15
Việt hóa cách phát âm các từ vựng tiếng Anh ............................................ 16
2.2 Phân tích ngữ âm tiếng Việt ................................................................................. 18
2.3 Tạo nhãn âm vị phụ thuộc ngữ cảnh .................................................................... 18
2.4 Kết chương ........................................................................................................... 18
Chương 3 XÂY DỰNG HỆ THỐNG TỔNG HỢP TIẾNG NÓI THEO PHƯƠNG
PHÁP THÍCH NGHI NGƯỜI NÓI .............................................................................................. 19
3.1 Khảo sát hiện trạng .............................................................................................. 19
3.2 Hệ thống tổng hợp tiếng nói theo tiếp cận thích nghi người nói.......................... 19
3.3 Xây dựng mô hình thích nghi người nói cho tiếng Việt........................................ 20
3.3.1
3.3.2
3.3.3
3.3.4
3.3.5
Thu thập dữ liệu tiếng nói........................................................................... 20
Gán nhãn âm vị phụ thuộc ngữ cảnh........................................................... 20
Trích xuất các tham số tiếng nói................................................................. 20
Huấn luyện mô hình giọng trung bình ........................................................ 20
Xây dựng mô hình thích nghi giọng nói đích ............................................. 20
2
3.3.6
3.3.7
Sinh tín hiệu tiếng nói................................................................................. 20
Đánh giá khách quan các giọng tổng hợp................................................... 20
3.4 Thực nghiệm đánh giá cảm nhận chủ quan.......................................................... 21
3.4.1
3.4.2
Điều kiện thực nghiệm................................................................................ 21
Kết quả thực nghiệm................................................................................... 21
3.5 Phần mềm tổng hợp tiếng Việt ............................................................................. 22
3.6 Kết chương ........................................................................................................... 22
KẾT LUẬN......................................................................................................................... 23
3
BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC ĐÀ NẴNG
THÔNG TIN KẾT QUẢ NGHIÊN CỨU
1. Thông tin chung:
- Tên đề tài: Nghiên cứu cải thiện chất lượng tiếng nói tiếng Việt dựa trên mô
hình xác suất
- Mã số: B2016-DNA-38-TT
- Chủ nhiệm đề tài: TS. Ninh Khánh Duy
- Tổ chức chủ trì: Đại học Đà Nẵng
- Thời gian thực hiện: Từ tháng 12 năm 2016 đến tháng 11 năm 2019
2. Mục tiêu:
- Làm rõ ảnh hưởng lên tần số cơ bản (F0) bởi hiện tượng yết hầu hóa.
- Xây dựng được phần mềm tổng hợp tiếng nói tiếng Việt dựa trên mô hình
xác suất nhằm chính xác các thanh điệu bị yết hầu hóa.
3. Tính mới và sáng tạo:
- Đề xuất các thuật toán xử lý ngôn ngữ tự nhiên áp dụng cho hệ thống tổng
hợp tiếng nói tiếng Việt.
- Xây dựng hệ tổng hợp tiếng nói tiếng Việt dựa trên mô hình xác suất bằng
phương pháp thích nghi người nói.
- Đánh giá hiệu quả của thuật toán đề xuất trên hệ tổng hợp tiếng nói tiếng Việt
đã phát triển.
4. Kết quả nghiên cứu:
- Xây dựng được bộ cơ sở dữ liệu tiếng nói của người Việt (giọng Hà Nội,
gồm cả nam và nữ).
4
- Tích hợp được thuật toán tính F0 của tín hiệu bị ảnh hưởng bởi hiện tượng
yết hầu hóa vào hệ tổng hợp tiếng nói tiếng Việt dựa trên mô hình xác suất bằng
phương pháp thích nghi người nói.
- Đánh giá được hiệu quả của thuật toán đề xuất trên hệ tổng hợp tiếng nói
tiếng Việt đã phát triển.
- Đề xuất được các thuật toán xử lý ngôn ngữ tự nhiên cho hệ thống chuyển
văn bản thành tiếng nói.
5. Sản phẩm:
a. Bài báo đăng trong kỷ yếu hội thảo quốc tế của IEEE (01 bài báo):
- Duy Khanh Ninh, “A speaker-adaptive HMM-based Vietnamese text-to-
speech system”, The 11th IEEE International Conference on Knowledge
and Systems Engineering (KSE), pp. 342-346, 2019.
b. Bài báo đăng trong tạp chí khoa học chuyên ngành trong nước (02 bài báo):
- Ninh Khánh Duy, Nguyễn Văn Quý, “Biểu diễn ngữ cảnh trong khai
triển chữ viết tắt dùng tiếp cận học máy”, Tạp chí khoa học và công nghệ
Đại học Đà Nẵng, số 05(114).2017, trang 31-35, 2017.
- Duy Khanh Ninh, “Evaluation of speaker-dependent and average-voice
Vietnamese statistical speech synthesis systems”, Tạp chí khoa học và
công nghệ Đại học Đà Nẵng, Vol. 17, No. 12.1, trang 11-16, 2019.
c. Bài báo đăng trong kỷ yếu hội nghị trong nước (02 bài báo):
- Trieu Thi Ly Ly, Nguyen Van Quy, Ninh Khanh Duy, Huynh Huu Hung,
Dang Duy Thang, “Representing context in abbreviation expansion
using machine learning approach”, Hội nghị Quốc gia lần thứ X về
Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR), trang 816-
822, 2017.
- Ninh Khánh Chi, Ninh Khánh Duy, “Chuẩn hóa văn bản tiếng Việt dựa
trên bộ quy tắc”, Hội thảo Khoa học Quốc gia - Công nghệ thông tin và
Ứng dụng trong các lĩnh vực (CITA), trang 132-138, 2017.
d. Đào tạo thạc sỹ (04 học viên):
5
INFORMATION ON RESEARCH RESULTS
1. General information:
- Project title: A study on improving the quality of Vietnamese speech
synthesis system based on statistical model
- Code number: B2016-DNA-38-TT
- Coordinator: Dr. Ninh Khanh Duy
- Implementing institution: The University of Danang
- Duration: from 12/2016 to 11/2019
2. Objective(s):
- Clarify the impact on fundamental frequency (F0) by glottalization
phenomenon.
- Develop a Vietnamese speech synthesis system based on statistical model
to correctly model the glottalized tones.
3. Creativeness and innovativeness:
- Propose natural language processing algorithms applied to Vietnamese
speech synthesis system.
- Build a statistical model-based Vietnamese speech synthesis system using
the speaker-adaptive approach.
- Assess the effectiveness of the proposed algorithm on the developed
Vietnamese speech synthesis system.
4. Research results:
- Develop a Vietnamese speech database (Hanoi accent, including both male
and female voices).
- Integrate the F0 estimation algorithm of signals affected by glottalization
phenomenon into the statistical model-based Vietnamese speech synthesis
system using speaker-adaptive approach.
7
- Assess the effectiveness of the proposed algorithm on the developed
Vietnamese speech system.
- Propose natural language processing algorithms for the Vietnamese text-
to-speech system.
5. Products:
a. Paper published in proceedings of IEEE’s conference (01 paper):
- Duy Khanh Ninh, “A speaker-adaptive HMM-based Vietnamese text-to-
speech system”, The 11th IEEE International Conference on Knowledge
and Systems Engineering (KSE), pp. 342-346, 2019.
b. Paper published in domestic journals (02 papers):
- Ninh Khánh Duy, Nguyễn Văn Quý, “Biểu diễn ngữ cảnh trong khai
triển chữ viết tắt dùng tiếp cận học máy”, Tạp chí khoa học và công nghệ
Đại học Đà Nẵng, Vol. 05(114).2017, pp. 31-35, 2017.
- Duy Khanh Ninh, “Evaluation of speaker-dependent and average-voice
Vietnamese statistical speech synthesis systems”, Tạp chí khoa học và
công nghệ Đại học Đà Nẵng, Vol. 17, No. 12.1, pp. 11-16, 2019.
c. Paper published in proceedings of domestic conferences (02 papers):
- Trieu Thi Ly Ly, Nguyen Van Quy, Ninh Khanh Duy, Huynh Huu Hung,
Dang Duy Thang, “Representing context in abbreviation expansion
using machine learning approach”, Hội nghị Quốc gia lần thứ X về
Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR), trang 816-
822, 2017.
- Ninh Khánh Chi, Ninh Khánh Duy, “Chuẩn hóa văn bản tiếng Việt dựa
trên bộ quy tắc”, Hội thảo Khoa học Quốc gia - Công nghệ thông tin và
Ứng dụng trong các lĩnh vực (CITA), trang 132-138, 2017.
d. Master training (04 students graduated):
- Nguyễn Văn Quý
- Trần Văn Nhuộm
- Lê Văn Thức
8
- Trần Văn Tâm
e. A Vietnamese text-to-speech system based on statistical models (01
software).
f. A report on the effect of glottalization on fundamental frequency (01 report).
6. Transfer alternatives, application institutions, impacts and benefits of
research results:
- Research results of the project will be transferred to individuals and
organizations interested in text-to-speech technology such as educational
institutions for the blind, or training institutions on information and
communication technology.
- We have deployed the Vietnamese text-to-speech system at the DATIC
laboratory of the Faculty of Information Technology, University of Science
and Technology, The University of Danang.
- The research results contribute to improving the quality of undergraduate
and postgraduate training in the fields of speech processing and natural
language processing.
9
MỞ ĐẦU
1. Tính cấp thiết của đề tài
Tổng hợp tiếng nói (THTN) là công nghệ cho phép chuyển một văn bản (text) bất kỳ thành
tiếng nói một cách tự động. Công nghệ này góp phần giúp cho quá trình tương tác giữa con người và
máy tính diễn ra thuận lợi hơn nhờ việc sử dụng giọng nói như là phương tiện giao tiếp chính. Đặc
biệt, nó rất hữu ích với những người có thị lực hạn chế hoặc những người đang ở trong các tình huống
không rảnh tay và/hoặc mắt vì họ sẽ không cần phải nhìn vào hoặc thao tác trên màn hình khi sử
dụng máy tính hoặc các thiết bị cầm tay.
Những năm gần đây, THTN dựa trên mô hình xác suất, cụ thể là mô hình Markov ẩn (Hidden
Markov Model, viết tắt là HMM), đã được nghiên cứu và ứng dụng rộng rãi do chất lượng tiếng nói
ổn định và dễ dàng chuyển đổi chất giọng với một lượng dữ liệu tiếng nói nhỏ. Việc áp dụng phương
pháp THTN dựa trên HMM vào tiếng Việt gặp một trở ngại lớn, đó là làm sao để mô hình hóa chính
xác các thanh điệu bị ảnh hưởng của hiện tượng yết hầu hóa trong quá trình phát âm. Vì vậy, việc đề
xuất một phương pháp tính toán chính xác tần số cơ bản (hay F0) của tín hiệu bị ảnh hưởng của hiện
tượng yết hầu hóa là cấp thiết để cải thiện chất lượng của các hệ THTN dựa trên HMM.
2. Mục tiêu của đề tài
- Làm rõ ảnh hưởng của tần số cơ bản bởi hiện tượng yết hầu hóa.
- Xây dựng được phần mềm tổng hợp tiếng nói tiếng Việt dựa trên mô hình xác suất nhằm
chính xác các thanh điệu bị yết hầu hóa.
3. Đối tượng, phạm vi nghiên cứu
Đối tượng nghiên cứu
- Cơ sở dữ liệu văn bản và cơ sở dữ liệu tiếng nói được gán nhãn để huấn luyện HMM.
- Hệ thống tự động chuyển văn bản thành tiếng nói cho tiếng Việt dựa trên các HMM đã được
huấn luyện. Hệ thống gồm 2 mô-đun phần mềm chính: phân tích văn bản và tổng hợp tiếng
nói.
- Thuật toán tính chính xác tần số cơ bản (hay F0) của các đoạn tín hiệu bị ảnh hưởng của hiện
tượng yết hầu hóa.
Phạm vi nghiên cứu
- Nghiên cứu về thiết kế và thu thập các cơ sở dữ liệu văn bản và tiếng nói chỉ áp dụng cho tiếng
Việt (giọng Hà Nội chuẩn).
- Nghiên cứu về thiết kế và phát triển một hệ thống tự động chuyển văn bản thành tiếng nói chỉ
áp dụng cho tiếng Việt.
- Nghiên cứu về đề xuất một thuật toán tính chính xác tần số cơ bản (hay F0) của các đoạn tín
hiệu bị ảnh hưởng của hiện tượng yết hầu hóa có thể áp dụng cho cả tiếng Việt và các ngôn
ngữ khác.
4. Cách tiếp cận, phương pháp nghiên cứu
Cách tiếp cận
- Thiết kế cơ sở dữ liệu văn bản, thu âm và gán nhãn cơ sở dữ liệu tiếng nói.
- Xây dựng phần mềm tự động chuyển văn bản thành tiếng nói cho tiếng Việt.
- Đề xuất thuật toán tính chính xác tần số cơ bản (hay F0) của các đoạn tín hiệu bị ảnh hưởng
của hiện tượng yết hầu hóa.
- Thử nghiệm, đánh giá hiệu quả của thuật toán đề xuất so với thuật toán tính F0 điển hình đã có.
Phương pháp nghiên cứu
- Nghiên cứu các phương pháp thiết kế, thu thập, và gán nhãn cơ sở dữ liệu văn bản và tiếng nói.
Từ đó lựa chọn phương pháp phù hợp để triển khai thực nghiệm.
10
- Nghiên cứu lý thuyết học máy thống kê dùng HMM và ứng dụng của HMM trong THTN, đồng
thời tìm hiểu các công cụ nguồn mở có sẵn để xây dựng phần mềm THTN cho tiếng Việt.
- Nghiên cứu các thuật toán tính tần số cơ bản (hay F0) của tín hiệu tiếng nói đã có, phân tích
nhược điểm của chúng và đề xuất thuật toán cải tiến độ chính xác của các ước lượng F0.
- Đánh giá so sánh độ chính xác của thuật toán đề xuất so với thuật toán tính F0 điển hình đã có,
và khảo sát ảnh hưởng của nó lên chất lượng của tiếng nói tổng hợp bằng các phép đo khách
quan và các bài đánh giá chủ quan do người dùng thực hiện.
5. Nội dung nghiên cứu
- Nghiên cứu tổng quan về THTN dựa trên HMM.
- Thiết kế cơ sở dữ liệu (CSDL) văn bản tiếng Việt.
- Thu âm CSDL tiếng nói của 02 người Việt (01 nam và 01 nữ, giọng Hà Nội).
- Gán nhãn CSDL tiếng nói ở mức âm vị.
- Viết chương trình huấn luyện HMM sử dụng CSDL tiếng nói đã được gán nhãn.
- Xây dựng một hệ thống THTN tiếng Việt với 02 giọng nam và nữ ở trên gồm hai mô-đun phần
mềm: phân tích văn bản và tổng hợp tiếng nói.
- Nghiên cứu các thuật toán tính tần số cơ bản (hay F0) của tín hiệu tiếng nói đã có, phân tích
nhược điểm của chúng khi gặp tín hiệu bị yết hầu hóa.
- Đề xuất cải tiến và cài đặt thuật toán tính F0 của tín hiệu bị ảnh hưởng của hiện tượng yết hầu
hóa.
- Đánh giá hiệu quả của thuật toán đề xuất trên hệ THTN tiếng Việt đã phát triển.
6. Cấu trúc của báo cáo
Báo cáo có bố cục như sau.
Chương 1 trình bày khái quát về công nghệ THTN từ văn bản và hai mô-đun cấu thành nên
một hệ thống THTN cho mọi ngôn ngữ, đó là mô-đun xử lý ngôn ngữ tự nhiên (front-end) và mô-
đun sinh tín hiệu tiếng nói (back-end). Đồng thời, chương này trình bày chi tiết về kỹ thuật THTN
dựa trên mô hình xác suất là HMM. Một hệ thống THTN dựa trên HMM điển hình bao gồm hai giai
đoạn: huấn luyện mô hình HMM và tổng hợp tín hiệu từ các HMM đã được huấn luyện. Các lý thuyết
liên quan đến hai giai đoạn này được trình bày chi tiết.
Chương 2 trình bày các thuật toán được đề xuất nhằm phát triển mô-đun xử lý ngôn ngữ tự
nhiên (frond-end) cho hệ thống THTN từ văn bản tiếng Việt. Văn bản đầu vào cần được chuẩn hoá,
sau đó được chuyển thành biểu diễn ngữ âm tương ứng cho từng câu. Biểu diễn ngữ âm này chứa
các thông tin liên quan đến ngữ âm của câu nói sắp được tổng hợp, ví dụ như chuỗi âm vị và các đặc
trưng về ngữ điệu của câu. Cuối cùng, các thông tin ngữ âm này được chuyển thành chuỗi nhãn âm
vị phụ thuộc ngữ cảnh của câu. Do đó, đây là mô-đun có thiết kế và cài đặt phụ thuộc nhiều vào các
đặc trưng ngữ âm học và âm vị học của tiếng Việt. Các nội dung cụ thể của chương gồm: chuẩn hóa
văn bản, phân tích ngữ âm, và tạo nhãn âm vị phụ thuộc ngữ cảnh áp dụng cho tiếng Việt.
Chương 3 mô tả nghiên cứu đầu tiên trong việc phát triển hệ thống chuyển văn bản thành
giọng nói dựa trên HMM cho tiếng Việt bằng cách sử dụng phương pháp thích nghi người nói
(speaker-adaptive). Mặc dù các hệ thống phụ thuộc người nói (speaker-dependent) đã được xây dựng
rộng rãi, cho đến nay chưa có hệ thống thích nghi người nói nào được phát triển cho tiếng Việt. Chi
tiết về quy trình phát triển hệ thống từ thu thập dữ liệu tiếng nói đến tổng hợp tiếng nói sẽ được trình
bày. Bên cạnh đó, những ảnh hưởng của các đặc trưng ngữ cảnh đến chất lượng tiếng nói được tổng
hợp từ HMM cũng sẽ được khảo sát. Cuối cùng, một số thử nghiệm đánh giá cảm nhận chủ quan của
người nghe được thực hiện để so sánh chất lượng của các phương pháp huấn luyện mô hình tổng hợp
tiếng nói. Việc xây dựng chương trình tổng hợp tiếng nói tiếng Việt được mô tả ngắn gọn ở cuối
chương.
11
Chương 1
TỔNG HỢP TIẾNG NÓI DÙNG MÔ HÌNH MARKOV ẨN
1.1 Tổng quan về tổng hợp tiếng nói từ văn bản
1.1.1 Giới thiệu
Một hệ thống THTN từ văn bản gồm hai mô-đun: xử lý ngôn ngữ tự nhiên và sinh (hay tổng
hợp) tín hiệu tiếng nói (Hình 1).
Hình 1. Hai mô-đun của một hệ thống tổng hợp tiếng nói từ văn bản.
1.1.2 Mô-đun xử lý ngôn ngữ tự nhiên (front-end)
Mô-đun này có nhiệm vụ chuyển văn bản đầu vào của một câu thành biểu diễn ngữ âm tương
ứng. Mô-đun này lại thường được chia thành 3 thành phần xử lý một cách tuần tự như sau (Hình 2):
-
Chuẩn hoá văn bản: chuyển đổi văn bản thô chứa các từ chưa được chuẩn hoá như chữ số,
chữ viết tắt, từ có nguồn gốc nước ngoài,… thành văn bản đã được chuẩn hoá chỉ chứa các
từ ở dạng chữ viết đầy đủ của ngôn ngữ.
-
-
Phân tích ngữ âm: phân tích văn bản đã được chuẩn hoá để trích xuất các thông tin về ngữ
âm học của câu.
Tạo nhãn ngữ cảnh (contextual label): mỗi âm vị trong câu được gán một nhãn nhúng tất
cả thông tin về ngữ âm học đã trích xuất được có liên quan đến âm vị đó.
Các thuật toán xử lý ngôn ngữ tự nhiên áp dụng cho văn bản tiếng Việt do chúng tôi đề xuất
sẽ được trình bày trong Chương 2.
Hình 2. Mô-đun xử lý ngôn ngữ tự nhiên (front-end).
1.1.3 Mô-đun sinh tín hiệu tiếng nói (back-end)
Mô-đun này có chức năng chuyển nhãn biểu diễn ngữ âm của câu thành tín hiệu tiếng nói,
do đó còn được gọi là mô-đun tổng hợp tiếng nói. Ngày nay hai tiếp cận chính dựa trên dữ liệu để
sinh tín hiệu tiếng nói là unit selection synthesis (USS) và statistical parametric synthesis (SPS).
Do những ưu điểm của phương pháp SPS, chúng tôi chọn phương pháp này để phát triển hệ
thống THTN tiếng Việt trong đề tài này. Mặc dù có nhiều mô hình học máy có thể được sử dụng, mô
hình Markov ẩn được dùng phổ biến nhất trong các nghiên cứu về THTN dùng phương pháp SPS
cho đến nay. Do đó, chúng tôi chọn HMM là mô hình xác suất để sử dụng cho tiếp cận học máy
thống kê để giải quyết bài toán THTN tiếng Việt.
1.2
Tổng hợp tiếng nói dựa trên mô hình Markov ẩn
1.2.1 Giới thiệu
12
Một hệ thống THTN dựa trên mô hình HMM điển hình bao gồm hai phần: huấn luyện mô
hình (training) và tổng hợp tín hiệu (synthesis), được thể hiện như trong Hình 3.
Hình 3. Sơ đồ khối của hệ thống THTN dựa trên mô hình HMM.
1.2.2 Mô hình tham số để phân tích/tổng hợp tín hiệu tiếng nói
Các nghiên cứu về phân tích/tổng hợp tín hiệu tiếng nói đều dựa trên mô hình nguồn-bộ lọc
mô phỏng cách phát âm của con người.
1.2.3 Giai đoạn huấn luyện mô hình
Phần này mô tả cách các tham số phổ, F0 và trường độ được mô hình hoá đồng thời trên một
nền tảng hợp nhất của mô hình HMM theo tiêu chuẩn cực đại hoá xác suất (Maximum Likelihood)
mà mô hình (được giả định là) sinh ra dữ liệu huấn huyện.
1.2.4 Giai đoạn tổng hợp tín hiệu
Trong giai đoạn tổng hợp tín hiệu, đầu tiên văn bản đầu vào được chuyển thành một chuỗi
các nhãn âm vị phụ thuộc vào ngữ cảnh (context-based label sequence) bằng mô-đun xử lý ngôn ngữ
tự nhiên (mô-đun frond-end). Dựa vào chuỗi nhãn này, một HMM mức câu được tạo ra bằng cách
ghép nối các HMM mức âm vị tương ứng. Sau đó, độ dài của mỗi trạng thái trong HMM mức câu
được tính toán để tối đa hóa xác suất của độ dài trạng thái của chuỗi trạng thái. Dựa trên độ dài của
các trạng thái thu được, chuỗi các hệ số mel-cepstral và giá trị F0 được sinh ra sao cho cực đại hoá
xác suất đầu ra của chúng với HMM mức câu. Cuối cùng, bộ lọc MLSA được sử dụng để tổng hợp
dạng sóng của tín hiệu tiếng nói từ chuỗi mel-cepstral và đường F0 đã có.
1.3 Kết chương
Chương này trình bày khái quát về công nghệ THTN từ văn bản và hai mô-đun cấu thành
nên một hệ thống THTN cho mọi ngôn ngữ, đó là mô-đun xử lý ngôn ngữ tự nhiên (front-end) và
mô-đun sinh tín hiệu tiếng nói (back-end). Đồng thời, chương này trình bày chi tiết về kỹ thuật THTN
dựa trên mô hình xác suất là HMM. Một hệ thống THTN dựa trên HMM điển hình bao gồm hai giai
đoạn: huấn luyện mô hình HMM và tổng hợp tín hiệu từ các HMM đã được huấn luyện. Việc huấn
luyện mô hình HMM được tiến hành dựa trên các chuỗi tham số phổ và tần số cơ bản (F0) trích xuất
từ tín hiệu tiếng nói trong CSDL. Các nghiên cứu nhằm đề xuất hướng xử lý cụ thể cho tiếng Việt sẽ
được đề cập trong các chương tiếp theo.
13
Chương 2
PHÁT TRIỂN MÔ-ĐUN XỬ LÝ NGÔN NGỮ TỰ NHIÊN
Chương này trình bày các thuật toán nhằm phát triển mô-đun xử lý ngôn ngữ tự nhiên (frond-
end) cho hệ thống THTN từ văn bản tiếng Việt.
2.1 Chuẩn hóa văn bản
2.1.1 Giới thiệu
Hình 4 trình bày thuật toán chuẩn hoá văn bản được thiết kế cho bài toán THTN tiếng Việt do
chúng tôi tự đề xuất.
Hình 4. Sơ đồ khối thuật toán chuẩn hoá văn bản.
Các phần tiếp theo lần lượt trình bày cách thức xây dựng và đánh giá bộ phân lớp ký hiệu,
thuật toán khử nhập nhằng để khai triển chữ viết tắt, và giải pháp Việt hóa cách phát âm các từ vựng
tiếng Anh trong văn bản tiếng Việt.
2.1.2 Phân lớp ký hiệu dùng bộ quy tắc
2.1.2.1 Đặt vấn đề
Để chuẩn hóa văn bản, máy tính cần phân lớp từng thẻ (token) trong văn bản vào một trong
các lớp ký hiệu được con người sử dụng, gọi là phân lớp ký hiệu. Để phân lớp ký hiệu cho một thẻ
thì thông tin của các thẻ khác xuất hiện trong cùng câu với thẻ hiện tại (gọi là ngữ cảnh) đóng vai trò
thiết yếu. Ngữ cảnh có thể là đặc trưng của các thẻ lân cận hoặc từ khóa mang thông tin hỗ trợ việc
phân lớp ký hiệu.
2.1.2.2 Các đặc trưng của thẻ
Error! Reference source not found. liệt kê một vài đặc trưng thường được sử dụng để phân l
ớp ký hiệu. Một thẻ có thể được gán nhiều hơn một đặc trưng. Tổng cộng chúng tôi đã thiết kế 22
đặc trưng (17 thuộc nhóm không liệt kê được và 5 thuộc nhóm liệt kê được). Kết quả là mỗi thẻ trong
câu được gắn với một vec-tơ đặc trưng có 22 chiều, mỗi thành phần của vec-tơ này bằng 0 hoặc 1
tùy thuộc vào thẻ đang xét có đặc trưng nào đó hay không.
2.1.2.3 Các lớp ký hiệu
Chúng tôi định nghĩa 24 lớp ký hiệu dùng để phân lớp thẻ như trong Error! Reference s
ource not found.. Các lớp này bao phủ toàn bộ các ký hiệu trong văn bản tiếng Việt.
14
2.1.2.4 Quy tắc phân lớp
Chúng tôi sử dụng hai loại quy tắc được mô tả trong để phân lớp ký hiệu cho một thẻ dựa trên
ngữ cảnh của nó, đồng thời đề xuất bổ sung thông tin độ tin cậy của mỗi quy tắc để sắp xếp thứ tự
ưu tiên các lớp trong trường hợp một thẻ được gán cho nhiều lớp khác nhau.
a. Quy tắc phân lớp dựa trên ngữ cảnh tức thời
Quy tắc loại này có dạng: B/A/C à d, nghĩa là thẻ A được phân lớp vào lớp d khi đứng liền
trước nó là thẻ B và đứng liền sau nó là thẻ C..
b. Quy tắc phân lớp dựa trên từ khóa xuất hiện trong cùng một câu
Quy tắc loại này có dạng: A|T à d, nghĩa là thẻ A được phân lớp vào lớp d nếu trong câu có
sự hiện diện của từ khóa T.
Trong nghiên cứu này, chúng tôi đã thiết kế được tổng cộng một bộ gồm 72 qui tắc để thực
hiện phân lớp ký hiệu.
2.1.2.5 Thuật toán phân lớp ký hiệu
Sơ đồ khối của thuật toán phân lớp ký hiệu được trình bày trong Hình 5.
Hình 5. Sơ đồ khối thuật toán phân lớp ký hiệu.
2.1.2.6 Đánh giá độ chính xác của bộ phân lớp
Để đánh giá độ chính xác của bộ phân lớp, chúng tôi thu thập dữ liệu văn bản từ hai trang báo
điện tử vnexpress.net và dantri.com.vn thuộc 16 chủ đề khác nhau. Có thể thấy độ chính xác của bộ
phân lớp khá cao, đạt trên 90% đối với 17 trên tổng số 22 lớp ký hiệu. Tuy nhiên, có hai trường hợp
độ chính xác khá thấp là lớp định danh (IDEN) chỉ đạt 72,2% và lớp phạm vi số (NRNG) chỉ đạt
66,7%.
2.1.3 Khử nhập nhằng trong khai triển chữ viết tắt dùng học máy
2.1.3.1 Đặt vấn đề
Chúng tôi đề xuất thuật toán khai triển CVT như trong Hình 6. Ý tưởng của thuật toán này
là ưu tiên tìm kiếm khai triển trong lân cận của CVT trong văn bản, nếu không tìm thấy thì sẽ tìm
kiếm trong từ điển CVT. Nếu có nhiều hơn một khai triển trong từ điển thì xử lý nhập nhằng để tìm
ra được khai triển tối ưu. Do bài toán tìm kiếm đã được khảo sát nhiều trong các nghiên cứu trước,
chúng tôi chỉ tập trung giải quyết vấn đề khử nhập nhằng khi có nhiều khai triển cho một CVT trong
bài báo này. Một ví dụ điển hình là chọn lựa một trong hai khai triển, “bài hát yêu thích” hay “bảo
hiểm y tế”, để chuẩn hóa cho CVT “BHYT”.
15
Hình 6. Sơ đồ khối thuật toán khai triển chữ viết tắt
2.1.3.2 Khử nhập nhằng trong khai triển CVT dùng tiếp cận học máy
Để khử nhập nhằng khi khai triển một CVT, chúng tôi chọn tiếp cận học máy để đưa ra lựa
chọn khai triển tối ưu trong tập hợp các khai triển có thể của CVT đó. Ở đây bài toán khử nhập nhằng
có thể xem như bài toán phân lớp. Chúng tôi chọn bộ phân lớp Naïve Bayes cho nghiên cứu này do
tính phổ dụng và dễ cài đặt của nó.
Chúng tôi đã tiến hành các thử nghiệm huấn luyện và kiểm chứng bộ phân lớp Naïve Bayes
với hai phương pháp biểu diễn ngữ cảnh: Bag-of-words và Doc2vec. Số chiều của vec-tơ đặc trưng
khi dùng 2 mô hình biểu diễn ngữ cảnh là 100. Bảng 1 thể hiện kết quả độ chính xác khi khai triển
CVT. Có thể thấy rằng Bag-of-words cho tỉ lệ khai triển chính xác cao hơn hoặc bằng Doc2vec trong
mọi trường hợp. Độ chính xác trung bình của Bag-of-words là 86,0% và của Doc2vec là 79,7%.
Bảng 1. Độ chính xác khi khai triển CVT dùng 2 mô hình biểu diễn ngữ cảnh: Bag-of-words và
Doc2vec.
Bag-of-
words
Độ chính xác
trung bình
STT
CVT
BHYT
NS
Khai triển
Doc2vec
bài hát yêu
thích
bảo hiểm y tế
nghệ sĩ
1
2
98,0%
77,5%
98,0%
98,0%
76,0%
74,5%
nhạc sĩ
phát thanh
truyền hình
phổ thông
trung học
thi hành án
tăng huyết áp
khoa học
kế hoạch
3
PTTH
83,7%
93,3%
69,4%
90,0%
76,5%
91,7%
4
5
THA
KH
77,8%
66,7%
72,2%
82,9%
Trung bình
86,0%
79,7%
2.1.4 Việt hóa cách phát âm các từ vựng tiếng Anh
2.1.4.1 Đặt vấn đề
Trong một hệ chuyển văn bản tiếng Việt thành tiếng nói, các từ viết bằng tiếng nước ngoài
cần được Việt hóa cách phát âm để máy tính có thể chuyển thành tiếng nói của người Việt. Vì vậy,
16
nhóm chúng tôi đã tiến hành nghiên cứu và xây dựng thành công công cụ tự động phiên âm một từ
vựng tiếng Anh bất kỳ thành chuỗi âm tiết tiếng Việt, hay nói cách khác là Việt hóa cách phát âm
các từ vựng tiếng Anh. Trong quá trình nghiên cứu, chúng tôi đã sử dụng sự hỗ trợ từ một số công
cụ như: bộ từ điển CMU, công cụ t2p (text-to-phoneme)… và căn cứ theo Bảng ký hiệu ngữ âm quốc
tế - IPA (International Phonetic Alphabet). Với cách tiếp cận bằng việc nghiên cứu sự tương đồng
về phát âm và ngữ âm giữa tiếng Anh và tiếng Việt cùng với các quy tắc ghép âm, thanh điệu trong
tiếng Việt, nhóm đã nghiên cứu và triển khai được thuật toán tách chuỗi âm vị tiếng Anh thành âm
tiết phát âm được bằng tiếng Việt và ánh xạ một âm vị tiếng Anh trong CMU sang một âm vị tiếng
Việt trong IPA. Từ đó áp dụng các kỹ năng và kỹ thuật lập trình để xây dựng thành công công cụ
Việt hóa cách phát âm các từ vựng tiếng Anh.
2.1.4.2 Giải pháp
Hình 7 trình bày mô hình tổng quát trình tự thực hiện của công cụ chúng tôi đã xây dựng.
Hình 7. Mô hình chuyển một từ tiếng Anh sang chuỗi âm tiết tiếng Việt.
2.1.4.3 Kết quả thực nghiệm
Chúng tôi đã tiến hành thử nghiệm việc phiên âm từ tiếng Anh sang tiếng Việt dựa trên
phương pháp đề ra. Kết quả thực hiện được thể hiện trong Bảng 2.
Bảng 2. Kết quả phiên âm các từ Tiếng Anh thông dụng.
Phiên âm IPA
(theo từ điển
Oxford)
Phát âm tiếng
Việt tìm được
Phát âm tiếng Việt
thường dùng
Phiên âm của công cụ
t2p
Từ tiếng Anh
FACEBOOK
/ˈfeɪsbʊk/
F EY S _ B _ _ K
phây sơ bơ cơ
phây búc
SMARTPHONE /ˈsmɑːrtfoʊn/
S M AA R T F _ OW N xơ mát phâu nơ xờ mát phôn
_
ROBOT /ˈroʊbɑːt/
R OW B AA T
râu bát
rô bốt
17
Phiên âm IPA
(theo từ điển
Oxford)
Phát âm tiếng
Việt tìm được
Phát âm tiếng Việt
thường dùng
Phiên âm của công cụ
t2p
Từ tiếng Anh
MODEL
GOOGLE
/ˈmɑːdl/
/ˈɡuːɡl/
M AA D AH L
G UW _ G AH L
ma đơ lơ
gu gơ lơ
mô đồ
gu gồ
MICROPHONE /ˈmaɪkrəfoʊn/
M AY K R AH F _ OW mai cơ rơ phâu
N _ nơ
L IH V _ S T R IY _ M li vơ sơ tơ rim
mai cờ rô phôn
LIVESTREAM /ˈlaɪv striːm/
lai xờ trim
thái lan
in tơ nét
sơ vờ
THAILAND
INTERNET
SERVER
/ˈtaɪlænd/
/ˈɪntərnet/
/ˈsɜːrvər/
_ _ _ AY L AE N D
IH N T _ ER N EH T
S _ ER V _ ER
ai len đơ
in tơ nét
sơ vơ
CLIENT
/ˈklaɪənt/
K L AY AH N T
cơ lai ân tơ
cờ lai ần
va len thai
còm men
âu vờ nai
còn phơm
VALENTINE
COMMENT
OVERNIGHT
CONFIRM
/ˈvæləntaɪn/
/ˈkɑːment/
/ˌoʊvərˈnaɪt/
/kənˈfɜːrm/
V AE L AH N T IY N _ ve lân tin
K AH M _ EH N T cơ men tơ
OW V _ ER N AY _ _ T âu vơ nai tơ
K AH N F _ ER M cân phơm
2.2 Phân tích ngữ âm tiếng Việt
2.3 Tạo nhãn âm vị phụ thuộc ngữ cảnh
Mỗi âm vị trong câu được gán một nhãn nhúng các thông tin về ngữ cảnh của âm vị đó trong
câu. Thông tin ngữ cảnh của âm vị chứa toàn bộ các yếu tố có thể ảnh hưởng đến đặc trưng âm học
của âm vị đó. Các yếu tố ngữ cảnh được liệt kê trên nhiều mức như sau:
•
-
-
•
-
-
-
•
-
-
•
-
Mức âm vị (phoneme):
Âm vị hiện tại, hai âm vị đứng trước, hai âm vị đứng sau
Vị trí của âm vị trong âm tiết hiện tại
Mức âm tiết (syllable):
Thanh điệu của âm tiết {hiện tại, trước, sau}
Số lượng các âm vị của âm tiết {hiện tại, trước, sau}
Vị trí của âm tiết trong từ hiện tại
Mức từ (word):
Số lượng âm tiết trong từ {hiện tại, trước, sau}
Vị trí của từ trong cụm từ hiện tại
Mức cụm từ (phrase):
Số lượng {âm tiết, từ} trong cụm từ {trước, hiện tại, sau}
Vị trí của cụm từ hiện tại trong câu
Mức câu (sentence):
-
•
-
Số lượng {âm tiết, từ, cụm từ} trong câu
2.4 Kết chương
Chương này trình bày các thuật toán nhằm cài đặt mô-đun xử lý ngôn ngữ tự nhiên (frond-
end) cho hệ thống THTN từ văn bản tiếng Việt. Văn bản đầu vào cần được chuẩn hoá, sau đó được
chuyển thành biểu diễn ngữ âm tương ứng cho từng câu. Biểu diễn ngữ âm này chứa các thông tin
liên quan đến ngữ âm của câu nói sắp được tổng hợp, ví dụ như chuỗi âm vị và các đặc trưng về ngữ
điệu của câu. Cuối cùng, các thông tin ngữ âm này được chuyển thành chuỗi nhãn âm vị phụ thuộc
ngữ cảnh của câu. Chuỗi nhãn âm vị phụ thuộc ngữ cảnh này sẽ là đầu vào cho mô-đun tổng hợp
tiếng nói dùng HMM trong chương sau.
18
Tải về để xem bản đầy đủ
25 trang
26/03/2022
8220
Bạn đang xem 20 trang mẫu của tài liệu "Báo cáo tóm tắt Đề tài Nghiên cứu cải thiện chất lượng tiếng nói tiếng Việt dựa trên mô hình xác suất", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- bao_cao_tom_tat_de_tai_nghien_cuu_cai_thien_chat_luong_tieng.pdf
