Lời nói đầu 2
Chương 2 Ứng dụng của LPC trong xử lý tiếng nói 34
Chương 3 Xây dựng chương trình 79

1
Lời nói đầu
Trong thời đại ngày nay, cùng với sự phát triển mạnh mẽ của khoa học kỹ thuật thì
vấn đề trao đổi thông tin đa phương tiện ngày càng trở nên cần thiết, từ lúc đầu chỉ
giao tiếp, tương tác thông qua các văn bản giấy tờ, ngày nay nhu cầu sử dụng tiếng
nói trong truyền thông, tương tác người máy càng trở nên cấp thiết hơn. Vì vậy mà
một lĩnh vực kỹ thuật mới đã ra đời, đó là xử lý tiếng nói.
Mặc dù mới nhưng xử lý tiếng nói đã đạt được những thành tựu đáng kể. Các ứng
dụng của xử lý tiếng nói đã và đang được áp dụng trong rất nhiều lĩnh vực khác nhau
trong xã hội như nhận dạng, tổng hợp tiếng nói, tương tác người máy, truyền thông,
dạy học, ….Nhờ có xử lý tiếng nói mà con người có thể tạo ra những máy móc thông
minh hơn, có khả năng hiểu được tiếng nói con người và có thể giao tiếp với con
người thông qua lời nói.
Một trong những phương pháp được ứng dụng rất nhiều trong lĩnh vực xử lý tiếng nói
đó là phương pháp mã hóa dự đoán tính (LPC). Phương pháp LPC được sử dụng
trong các phân tích tiếng nói, mã hóa tiếng nói, tổng hợp tiếng nói… Do vậy tôi đã
chọn đề tài là “Tìm hiểu về phương pháp LPC trong xử lý tiếng nói”.
Nội dung của đồ án này gồm có ba chương
• Chương 1: Tổng quan về tiếng nói và xử lý tiếng nói
Chương này sẽ nêu một cách tổng quan về những vấn đề liên quan đến
tiếng nói và xử lý tiếng nói:
 Giới thiệu về tiếng nói, các đặc trưng và cơ chế tạo tiếng nói của con
người.
 Giới thiệu tổng quan về đặc điểm, hoạt động và một số phép biến đổi
của một hệ xử lý tín hiệu chung.
 Các phương pháp trong xử lý tiếng nói như: tổng hợp tiếng nói, mã
hóa tiếng nói, phân tích tiếng nói.

học của tai con người, do các đặc tính sinh lí của tai người quyết định. Vì vậy sóng âm
thanh được phân biệt hai loại đặc tính là đặc tính vật lý và đặc tính âm học.

4
1.1.1 Đặc tính vật lý của âm thanh
Bản chất âm thanh tiếng nói là sóng cơ học nên có các tính chất cơ bản của sóng cơ học.
Các tính chất của sóng cơ học mang một ý nghĩa khác khi xét trên góc độ là âm thanh
tiếng nói.
Tín hiệu âm thanh tiếng nói là một tín hiệu ngẫu nhiên không dừng, tuy nhiên những đặc
tính của nó tương đối ổn định trong những khoảng thời gian ngắn (vài chục mili giây).
Trong khoảng thời gian nhỏ đó tín hiệu gần tuần hoàn, có thể coi như tuần hoàn.
1.1.1.1 Độ cao (Pitch)
Độ cao hay còn gọi là độ trầm bổng của âm thanh chính là tần số của sóng cơ học. Âm
thanh nào phát ra cũng ở một độ cao nhất định. Độ trầm bổng của âm thanh phụ thuộc
vào sự chấn động nhanh hay chậm của các phần tử trong không khí trong một đơn vị thời
gian nhất định. Nói cách khác, độ cao của âm phụ thuộc vào tần số dao động. Đối với
tiếng nói, tần số dao động của dây thanh quy định độ cao giọng nói của con người và mỗi
người có một độ cao giọng nói khác nhau.
Độ cao của nữ giới thường cao hơn so với nam giới và độ cao tiếng nói của trẻ em cao
hơn so với nữ giới, điều này cũng tương tự đối với tần số của dây thanh.
1.1.1.2 Cường độ
Cường độ chính là độ to nhỏ của âm thanh, cường độ càng lớn thì âm thanh có thể truyền
đi càng xa trong môi trường có nhiễu. Nếu xét trên góc độ sóng cơ học thì cường độ
chính là biên độ của dao động sóng âm, nó quyết định cho năng lượng của sóng âm.
Trong tiếng nói, cường độ của nguyên âm phát ra thường lớn hơn phụ âm. Do vậy chúng
ta thường dễ phát hiện ra nguyên âm hơn so với phụ âm. Tuy nhiên đối với tai người giá
trị tuyệt đối của cường độ âm I không quan trọng bằng giá trị tỉ đối của I so với một giá
trị I
0
nào đó chọn làm chuẩn. Người ta định nghĩa mức cường độ âm L là logarit thập

1.1.2.2 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

6
miệng tạo ra phụ âm tắc. Những phụ âm xát được phát ra từ chỗ co thắt lớn nhất và các
âm tắc xát tạo ra từ khoảng giữa. Phụ âm có đặc tính hữu thanh và vô thanh tuỳ thuộc
việc dây thanh có dao động để tạo thành cộng hưởng không. Đặc tính của phụ âm tuỳ
thuộc vào tính chu kỳ của dạng sóng, phổ tần số, thời gian tồn tại và sự truyền dẫn âm.
1.1.2.3 Tỷ suất thời gian
Trong khi nói chuyện, khoảng nói chuyện và khoảng nghỉ xen kẽ nhau. Phần trăm thời
gian nói trên tổng số thời gian nói và nghỉ được gọi là tỷ xuất 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
nói bình thường.
1.1.2.4 Hàm năng lượng thời gian ngắn
Hàm năng lượng thời gian ngắn của tiếng nói được tính bằng cách chia tín hiệu tiếng nói
thành nhiều khung chứa N mẫu và tính diện tích trung bình tổng các mẫu tín hiệu trong
mỗi khung. Các khung này được đưa qua một cửa sổ có dạng hàm như sau:

( )
( )



=
0
nW
nW
Thông thường có ba dạng cửa sổ được sử dụng đó là cửa sổ chữ nhật, cửa sổ Hamming
và cửa sổ Hanning.

1 )cos(46.054.0
)(



≥
≤≤−
=
NnVới
N
nVới
n
nW
0
1)cos(5.05.0
)(
Hàm năng lượng ngắn tại mẫu thứ m được tính theo công thức sau :
( ) ( ){ }
∑
−
=
∗+=
1
0
2
N
n
m
nWmnxE
Hàm năng lượng thời gian ngắn của âm hữu thanh thường lớn hơn so với âm vô thanh.

Nữ giới 150 – 450 Hz
Trẻ em 200 – 600 Hz
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 của âm hay
đó chính là tần số cơ bản của âm. Trong giao tiếp bình thường tần số cơ bản thay đổi liên
tục tạo nên ngữ điệu cho tiếng nói.
Hình dưới mô tả tín hiệu trên miền thời gian và phổ của chúng (trên miền tần số) của các
nguyên âm a, i, u. đỉnh đầu tiên của các phổ tương ứng với tần số cơ bản F
0
.

9
Hình 1.2 Tín hiệu và phổ của tín hiệu
1.1.2.8 Formant
Trong phổ tần số của tín hiệu tiếng nói, mỗi đỉnh có biên độ cao nhất xét trong một
khoảng nào đó (còn 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 và
nhất là trong tổng hợp tiếng nói để mô phỏng lại tuyến âm người ta phải xác định được
các tham số formant đối với từng loại âm vị, do đó việc đánh giá, ước lượng các formant
có ý nghĩa rất quan trọng.
Tần số formant biến đổi trong một khoảng rộng phụ thuộc vào giới tính của người nói và
phụ thuộc vào các dạng âm vị tương ứng với formant đó. Đồng thời, formant còn phụ
thuộc các âm vị trước và sau đó. Về cấu trúc tự nhiên, tần số formant có liên hệ chặt chẽ
với hình dạnh và kích thước tuyến âm. Thông thường trong phổ tần số của tín hiệu có
khoảng 6 formant nhưng chỉ có 3 formant đầu tiên ảnh hưởng quan trọng đến các đặc tính
của các âm vị, còn các formant còn lại cũng có ảnh hưởng song rất ít. Các formant có giá
trị tần số xê dịch 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

theo từ điển tiếng Việt thì thào là nói chuyện với nhau rất nhỏ tựa như gió thoảng qua tai
còn thì thầm là nói chuyện với nhau không để người ngoài nghe thấy). Năng lượng do
nguồn nhiễu loạn tạo ra sẽ kích thích tuyến âm tạo nên tiếng nói vô thanh, năng lượng
của tiếng nói vô thanh nhỏ hơn so với tiếng nói hữu thanh.
Ta có thể phát hiện ra tiếng nói hữu thanh là khi nói dây thanh rung. Còn âm vô thanh khi
nói dây thanh không rung. Nói thì thào thì ở xa không nghe được do năng lượng của âm
vô thanh rất nhỏ và tiếng thì thào là do âm vô thanh tạo nên.

11
1.1.4 Bộ máy phát âm và cơ chế phát âm
1.1.4.1 Bộ máy phát âm
Hình 1.3 Bộ máy phát âm của con người
1.1.4.2 Cơ chế phát âm
Hình 1.3 mô tả bộ máy phát âm của con người. Nguồn năng lượng chính nằm ở thanh
môn, Tuyến âm sẽ được kích thích bởi nguồn năng lượng chính tại thanh môn. Tiếng nói
được tạo ra sóng âm học do kích thích từ thanh môn phát ra đẩy không khí có trong phổi
lên tạo thành dòng khí va chạm vào hai dây thanh trong tuyến âm. Hai dây thanh dao
động sẽ tạo ra cộng hưởng, dao động âm sẽ được lan truyền theo tuyến âm (tính từ tuyến
âm đến khoang miệng) và sau khi đi qua khoang mũi, môi sẽ tạo ra tiếng nói.
- Thanh quản chứa hai dây thanh có thể dao động tạo ra sự cộng hưởng đầu tiên
của quá trình tạo thành âm thanh.
- Ống dẫn âm là một ống không đồng dạng bắt đầu từ môi, kết thúc bởi dây
thanh hoặc thanh quản. Ống có độ dài khoảng 17cm đối với người bình thường.
- Khoang mũi cũng là ống không đồng dạng thuộc vùng cố định bắt đầu từ mũi,
kết thục tại vòm miệng, đối với người bình thường khoang mũi có độ dài 12 cm.

12
1. Hốc mũi
2. Vòm miệng trên
3. Ổ răng

Các hệ xử lý phân thành 2 loại là hệ tuyến tính và hệ phi tuyến. Một hệ thống được gọi là
tuyến tính nếu nó thoả mãn nguyên lý xếp chồng, tức là thoả mãn 2 tính chất sau:
Tính tỷ lệ:
T[a.x(n)] = a.T[x(n)] = a.y(n)
Tính tổ hợp:
T[x
1
(n)+x
2
(n)] = T[x
1
(n)] + T[x
2
(n)] = y
1
(n) + y
2
(n)
Các hệ tuyến tính có một ý nghĩa đặc biệt trong phân tích và xử lý, vì nó giúp ta đưa việc
xử lý một hệ phức tạp về việc xử lý các hệ đơn giản, sau đó ta chỉ việc tổng hợp lại kết
quả. Vì thế ngay cả các hệ phi tuyến nhiều khi cũng được xấp xỉ thành các hệ tuyến tính
để tiện cho việc xử lý.
Các hệ tuyến tính cũng được phân thành 2 loại là tuyến tính bất biến và tuyến tính thay
đổi theo thời gian. Trong xử lý tín hiệu thường chúng ta chỉ quan tâm đến các hệ tuyến
tính bất biến. Một hệ tuyến tính được gọi là bất biến theo thời gian nếu đáp ứng của hệ
đối với tác động x(n) thì đáp ứng của hệ đối với tác động x(n-k) sẽ là y(n-k).
Các hệ tuyến tính bất biến được đặc trưng hoàn toàn bằng đáp ứng xung h(n) (là đáp ứng
ra ứng với tác động vào là xung Dirac
)(n
δ

a. Điều kiện hội tụ:

1|).(|lim
/1
<
−
∞→
nn
n
znx
hay
∞+≤=
−
<<=<
+
+∞→
∞→
− x
m
m
n
n
x
R
mx
znxR
/1
/1
|)(|lim
1

giả sử Z[x(n)] = X(z) , R
x-
< |z| < R
x+
Z[a
n
. x(n)] = X(z/a) ( với |a|.R
x-
< |z| < |a|.R
x+
)
 Tổng chập của hai dãy:
Giả sử y(n) là tổng chập của hai dãy h(n) và x(n) tức là:
y(n) = h(n) * x(n)
Vậy thì: Y(z) = H(z) . X(z)
c. Hàm truyền đạt:
Tín hiệu ra y(n) của một hệ tuyến tính bất biến là tổng chập của đáp ứng xung h(n) và tác
động vào là dãy x(n) : y(n) = h(n) * x(n).
Qua phép biến đổi Z ta có: Y(z) = H(z) . X(z)
hay:
)(
)(
)(
zX
zY
zH =
và H(z) được gọi là hàm truyền đạt của hệ thống, nó có một ý nghĩa đặc biệt bởi vì đó là
hàm đặc trưng cho sự biến đổi của hệ thống.
Như vậy biến đổi Z của đáp ứng xung h(n) là hàm truyền đạt H(z) của hệ thống.
1.3 Mô hình tạo tiếng nói

βα
Đầu ra của bộ lọc ta được tín hiệu nguồn của hệ thống (cũng là tín hiệu tuần hoàn với chu
kỳ T
0
). Tín hiệu nguồn sau đó được đưa qua tuyến âm thực chất là một hốc cộng hưởng
được mô hình hoá bằng K mạch cộng hưởng mắc nối tiếp nhau với hàm truyền đạt:

17
x(n)
u(n)
T
0
Lọc thông
thấp G(z)
Tuyến âm
V(z)
Tải bức xạ
R(z)
T
0
∏
=
−−
++
=
K
k
kk
zbzb
B

+++
=
12
1
2
2
1
1
1
1
.1

) 1()1(

)(
K
i
i
i
k
K
k
k
z
CBA
zzz
CBA
zT
α
ββα

với
1.2,1
0
+== Kp
α
Khi đó ta có
)(
)(
zA
zT
σ
=
và A(z) được gọi là hàm truyền đạt của bộ lọc đảo. Mô hình
của bộ lọc đảo có thể minh họa như sau:
Hình 1.8 Mô hình bộ lọc đảo
Do
σ
là hằng số nên dễ thấy T(z) chỉ gồm toàn điểm cực, do đó mô hình trên gọi là mô
hình toàn điểm cực.Việc xác định các hệ số
i
α
của bộ lọc đảo sẽ rất quan trọng trong
việc xác định các đặc tính của tuyến âm, phương pháp thường dùng để tính toán các hệ số
của bộ lọc đảo là phương pháp tiên đoán tuyến tính, phương pháp này sẽ được trình bày
chi tiết ở phần sau.
Hạn chế của mô hình trên là mô hình chỉ tính đối với khoang miệng, không có khoang
mũi, do đó các âm mũi không thể được tạo ra từ mô hình này. Để giải quyết hạn chế này,
người ta thêm vào thành phần đặc trưng cho khoang mũi. Khi đó hàm truyền đạt của hệ
thống sẽ là:
)(

đặc trưng cho khoang miệng còn thành phần
)(
2
2
zA
σ
thì
đặc trưng cho khoang mũi. Với việc thêm vào thành phần đặc trưng cho khoang mũi, hệ
thống không còn là toàn điểm cực (do xuất hiện các điểm không) vì vậy gây khó khăn
cho việc dùng phương pháp tiên đoán tuyến tính (vì phương pháp này chỉ dùng cho mô
hình toàn điểm cực) vì vậy thực tế người ta đã thay 1 điểm không thành hai điểm cực
theo phương pháp giảm bậc gần đúng
1
1
1
221
1
+++
≅−
−−
−
zz
z
αα
α
1.4 Biểu diễn số tiếng nói
Tín hiệu tiếng nói là tín hiệu tương tự, do đó khi biểu diễn tín hiệu tiếng nói trong môi
trường tính toán tín hiệu số, việc biểu diễn và lưu trữ sao cho không bị mất mát thông tin
là vấn đề rất quan trọng trong các hệ thống thông tin sử dụng tiếng nói. Việc xem xét các
vấn đề xử lý tín hiệu tiếng nói trong các hệ thống này được dựa trên ba vấn đề chính:

Biểu diễn tín hiệu
tiếng nói
Biểu diễn dạng
sóng
Biểu diễn dạng
tham số
Các tham số kích
thích
Các tham số của
bộ máy phát âm
1.4.1 Xác định tần số lấy mẫu tín hiệu tiếng nói.
Khi lấy mẫu một tín hiệu tương tự với tần số lấy mẫu f0, cần đảm bảo rằng việc khôi
phục lại tín hiệu đó từ tín hiệu rời rạc tương ứng phải được thực hiện được. Shanon đã
đưa ra một định lý mà theo đó người ta có thể xác định tần số lấy mẫu đảm bảo yêu cầu
trên. Theo Shanon, điều kiện cần và đủ để khôi phục lại tín hiệu tương tự từ tín hiệu đã
được rời rạc với tần số lấy mẫu f0 là : f0 ≥ F
max
với F
max
là tần số lớn nhất của tín hiệu
tương tự.
Người ta biết rằng phổ của tín hiệu tiếng nói trải rộng trong khoảng 12kHz, do đó theo
định lý Shanon thì tần số lấy mẫu tối thiểu là 24kHz. Với tần số lấy mẫu lớn như thế thì
khối lượng bộ nhớ dành cho việc ghi âm sẽ rất lớn và làm tăng sụ phức tạp trong tính
toán. Nhưng chi phí cho việc xử lý tín hiệu số, bộ lọc, sự truyền và ghi âm có thể giảm đi
nếu chúng ta chấp nhận giới hạn phổ bằng cách cho tín hiệu qua một bộ lọc tần số thích
hợp. Đối với tín hiệu tiếng nói cho điện thoại, người ta thấy rằng tín hiệu tiếng nói vẫn
đạt được chất lượng cần thiết khi để mức độ ngữ nghĩa của thông tin vẫn đảm bảo khi
phổ được giới hạn ở 3400Hz. Khi đó tần số lấy mẫu sẽ là 8000Hz. Trong kỹ thuật phân
tích, tổng hợp hay nhận dạng tiếng nói, tần số lấy mẫu có thể giao động trong khoảng

Thông thường số bit có nghĩa dùng để biểu diễn chuỗi lượng tử cần phải làm giảm bớt
vì lý do kỹ thuật. Việc này có thể thực hiệu được bằng cách bỏ đi các bít ít có nghĩa
nhất, nếu lượng tử là tuyến tính, lỗi lượng tử tăng cùng với khoảng cách giá trị của
chuỗi. Nhưng đối với một vài ứng dụng, mức lượng tử ở vùng tần số cao có yêu cầu thấp
hơn so với ở vùng tần số thấp hay ngược lại, trong trường hợp đó cần sử dụng toán tử
tuyến tính để biến đổi tín hiệu.
1.5 Tổng quan về mã hoá tiếng nói
Trong một vài thập kỷ vừa qua, đã có rất nhiều kỹ thuật mã hoá nén tiếng nói được đưa
ra, phân tích và phát triển. Trong phần này tôi sẽ giới thiệu một số kỹ thuật đang được sử
dụng hiện nay, và một số kỹ thuật sẽ được dùng trong tương lai. Thông thường thì mã
hoá tiếng nói được chia làm hai lớp đó là: mã hoá dạng sóng (waveform coder) và mã hoá
nguồn (source coder) (hay còn được gọi là mã hoá thông số). Mã hoá dạng sóng được
thực hiện ở tốc độ bít cao và cho chất lượng mã hoá tiếng nói tốt. Mã hoá nguồn thực

23
hiện ở tốc độ bít thấp, nhưng nó có xu hướng tạo ra tiếng nói có chất lượng nhân tạo.
Hiện nay, một lớp mới của mã hoá tiếng nói được gọi là mã hoá lai (hybrid coder), đây là
kỹ thuật mã hoá tổng hợp của phương pháp mã hoá dạng sóng và mã hoá nguồn, nó cho
chất lượng tiếng nói khá tốt và thực hiện ở tốc độ bít trung bình. Hình 1.10 sẽ đưa ra đồ
thị biểu diễn sự phụ thuộc của chất lượng tiếng nói đối với tốc độ bít của hai lớp chính là
mã hoá dạng sóng và mã hoá nguồn.
Hình 1.10 Chất lượng tiếng nói theo tốc độ bít

24
1.5.1 Mã hóa dạng sóng
Mã hoá dạng sóng nhằm tái tạo lại tín hiệu đầu vào của tiếng nói. Nó thường được chia
thành các tín hiệu độc lập do vậy nó có thể được dùng để mã hoá rất nhiều loại tín hiệu.
Thông thường, đây là phương pháp mã hoá có độ phức tạp thấp tuy nhiên lại cho chất
lượng cao với tốc độ bít cao (lớn hơn khoảng 16kbps). Mã hoá dạng sóng có thể được
thực hiện trên cả miền tần số cũng như trên miền thời gian.