Mô hình Markov ẩn và ứng dụng trong
nhận dạng tiếng nói
Nguyễn Duy Phương

Trường Đại học Công nghệ
Luận văn ThS chuyên ngành: Công nghệ thông tin; Mã số: 1 01 10
Người hướng dẫn: PGS.TS. Hồ Thuần
Năm bảo vệ: 2007

Abstract: Giới thiệu mô hình Markov ẩn (Hidden Markov Model HMM) và lựa chọn
mô hình HMM để nhận dạng tiếng nói. Khái quát về tiền xử lý tiếng nói và một số
phương pháp trích chọn đặc trưng được sử dụng trong nhận dạng tiếng nói. Quá trình
xây dựng mô hình HMM tự động cho các âm vị từ kho dữ liệu không gán nhãn âm vị
được giải quyết thông qua thuật toán huấn luyện nhúng. Đã xây dựng một ứng dụng
nhỏ về nhận dạng tiếng nói, cài đặt thuật toán và phần mềm từ điển tiếng nói
Keywords: Công nghệ thông tin, Mô hình Markov, Nhận dạng tiếng nói, Xử lý tín
hiệu

Content
MỞ ĐẦU
Ngay khi máy tính ra đời con người đã mơ ước máy tính có thể nói chuyện với mình.
Yêu cầu đơn giản nhất là máy có thể xác định được từ ngữ mà chúng ta nói với máy. Đó là
mục tiêu của ngành nhận dạng tiếng nói.
Nhận dạng tiếng nói đóng vai trò quan trọng trong giao tiếp giữa người và máy. Nó
giúp máy móc hiểu và thực hiện các hiệu lệnh của con người. Hiện nay trên thế giới, lĩnh vực
nhận dạng tiếng nói đã đạt được nhiều tiến bộ vượt bậc. Đã có nhiều công trình nghiên cứu
về lĩnh vực nhận dạng tiếng nói (Speech recognition) trên cơ sở lý thuyết các hệ thống thông
minh nhân tạo, nhiều kết quả đã trở thành sản phẩm thương mại như ViaVoice, Dragon..., các
hệ thống bảo mật thông qua nhận dạng tiếng nói, các hệ quay số điện thoại bằng giọng nói...
Triển khai những công trình nghiên cứu và đưa vào thực tế ứng dụng vấn đề này là một việc


psychology). Các hệ thống nhận dạng tiếng nói có thể được phân chia thành hai loại khác
nhau: hệ thống nhận dạng từ rời rạc và hệ thống nhận dạng từ liên tục. Trong hệ thống nhận


dạng tiếng nói liên tục, người ta lại phân biệt hệ thống nhận dạng có kích thước từ điển nhỏ
và hệ thống nhận dạng với kích thước từ điển trung bình hoặc lớn.
Ý tưởng về xây dựng các hệ thống nhận dạng tiếng nói đã có từ những năm 50 của thế
kỷ 20 và đến nay đã đạt được nhiều kết quả đáng kể. Có 3 hướng tiếp cận chính cho nhận
dạng tiếng nói [8]:
 Tiếp cận Âm học: Hướng tiếp cận này dựa vào các đặc điểm âm học được rút ra từ
phổ âm thanh. Tuy nhiên kết quả của hướng tiếp cận này còn thấp vì trong thực tế, các
đặc trưng âm học có sự biến động rất lớn. Hơn nữa phương pháp này đòi hỏi tri thức
rất đầy đủ về âm học (Vốn tri thức âm học hiện nay chưa thể đáp ứng).
 Tiếp cận Nhận dạng mẫu thống kê: Sử dụng các phương pháp máy học dựa trên thống
kê để học và rút ra mẫu tham khảo từ lượng dữ liệu lớn. Hướng này đang được sử
dụng nhiều, chủ yếu là dựa vào Mô hình Markov ẩn (HMM).
 Tiếp cận Trí tuệ nhân tạo: là hướng kết hợp của cả hai hướng trên. Phương
pháp này kết hợp được cả tri thức của chuyên gia và phương pháp mẫu thống
kê. Đây sẽ là hướng tiếp cận tương lai của nhận dạng tiếng nói.
Việc nhận dạng tiếng nói gặp một số khó khăn sau:
 Trong môi trường sinh hoạt hàng ngày, chất lượng tiếng nói biến động rất lớn do chịu
ảnh hưởng của các yếu tố ngoại cảnh, tâm và sinh lý người nói: một câu của cùng một
người nói khi thu vào máy sẽ khác nhau nếu nói ở hai tâm trạng khác nhau (lúc vui
nói khác, lúc giận nói khác,…), sức khoẻ khác nhau (lúc khoẻ nói khác, lúc
bệnh nói khác), tốc độ nói khác nhau (nói chậm thì rõ hơn nói nhanh), môi trường
xung quanh khác nhau (môi trường có tiêng ồn thì âm thu vào sẽ bị nhiễu), v.v… Và
còn nhiều yếu tố khác nữa tác động lên chất lượng của lời nói như thiết bị thu không
tốt, tín hiệu bị nhiễu điện,… Do đó, việc nhận dạng trở nên rất khó khăn.
 Trong nhận dạng tiếng nói theo hướng nhận dạng từng âm vị, một khó khăn chúng ta
gặp phải là: các âm vị liền nhau trong chuỗi tiếng nói không có vách ngăn rõ ràng (2

chúng tôi muốn chứng minh hai điều:
 Nếu có đầy đủ dữ liệu tiếng nói (không gán nhãn), có thể nhận dạng được số lượng
lớn các âm tiết với độ chính xác tương đối cao theo hướng tiếp cận nhận dạng âm vị
tự động.
 Có thể nhận dạng được tiếng nói liên tục với tốc độ trung bình.
Luận văn được tổ chức như sau:


Chương 1 : Mô hình HMM và ứng dụng trong nhận dạng

Giới thiệu mô hình HMM và sự lựa chọn mô hình HMM để nhận dạng tiếng nói.




Chương 2 : Tiền xử lý tín hiệu tiếng nói

Chương này sẽ giới thiệu về tiền xử lý tiếng nói và một số phương pháp trích đặc trưng
được sử dụng trong nhận dạng tiếng nói.


Chương 3 : Thuật toán huấn luyện nhúng (Embedded training)

Giới thiệu thuật toán huấn luyện nhúng. Đây là quá trình xây dựng mô hình HMM tự
động cho các âm vị từ kho dữ liệu không gán nhãn âm vị.


Chương 4 : Cài đặt thuật toán - Giới thiệu phần mềm từ điển tiếng nói.



nhận dạng tiếng nói
Nguyễn Duy Phương

Trường Đại học Công nghệ
Luận văn ThS chuyên ngành: Công nghệ thông tin; Mã số: 1 01 10
Người hướng dẫn: PGS.TS. Hồ Thuần
Năm bảo vệ: 2007

Abstract: Giới thiệu mô hình Markov ẩn (Hidden Markov Model HMM) và lựa chọn
mô hình HMM để nhận dạng tiếng nói. Khái quát về tiền xử lý tiếng nói và một số
phương pháp trích chọn đặc trưng được sử dụng trong nhận dạng tiếng nói. Quá trình
xây dựng mô hình HMM tự động cho các âm vị từ kho dữ liệu không gán nhãn âm vị
được giải quyết thông qua thuật toán huấn luyện nhúng. Đã xây dựng một ứng dụng
nhỏ về nhận dạng tiếng nói, cài đặt thuật toán và phần mềm từ điển tiếng nói
Keywords: Công nghệ thông tin, Mô hình Markov, Nhận dạng tiếng nói, Xử lý tín
hiệu

Content
MỞ ĐẦU
Ngay khi máy tính ra đời con người đã mơ ước máy tính có thể nói chuyện với mình.
Yêu cầu đơn giản nhất là máy có thể xác định được từ ngữ mà chúng ta nói với máy. Đó là
mục tiêu của ngành nhận dạng tiếng nói.
Nhận dạng tiếng nói đóng vai trò quan trọng trong giao tiếp giữa người và máy. Nó
giúp máy móc hiểu và thực hiện các hiệu lệnh của con người. Hiện nay trên thế giới, lĩnh vực
nhận dạng tiếng nói đã đạt được nhiều tiến bộ vượt bậc. Đã có nhiều công trình nghiên cứu
về lĩnh vực nhận dạng tiếng nói (Speech recognition) trên cơ sở lý thuyết các hệ thống thông
minh nhân tạo, nhiều kết quả đã trở thành sản phẩm thương mại như ViaVoice, Dragon..., các
hệ thống bảo mật thông qua nhận dạng tiếng nói, các hệ quay số điện thoại bằng giọng nói...
Triển khai những công trình nghiên cứu và đưa vào thực tế ứng dụng vấn đề này là một việc


psychology). Các hệ thống nhận dạng tiếng nói có thể được phân chia thành hai loại khác
nhau: hệ thống nhận dạng từ rời rạc và hệ thống nhận dạng từ liên tục. Trong hệ thống nhận


dạng tiếng nói liên tục, người ta lại phân biệt hệ thống nhận dạng có kích thước từ điển nhỏ
và hệ thống nhận dạng với kích thước từ điển trung bình hoặc lớn.
Ý tưởng về xây dựng các hệ thống nhận dạng tiếng nói đã có từ những năm 50 của thế
kỷ 20 và đến nay đã đạt được nhiều kết quả đáng kể. Có 3 hướng tiếp cận chính cho nhận
dạng tiếng nói [8]:
 Tiếp cận Âm học: Hướng tiếp cận này dựa vào các đặc điểm âm học được rút ra từ
phổ âm thanh. Tuy nhiên kết quả của hướng tiếp cận này còn thấp vì trong thực tế, các
đặc trưng âm học có sự biến động rất lớn. Hơn nữa phương pháp này đòi hỏi tri thức
rất đầy đủ về âm học (Vốn tri thức âm học hiện nay chưa thể đáp ứng).
 Tiếp cận Nhận dạng mẫu thống kê: Sử dụng các phương pháp máy học dựa trên thống
kê để học và rút ra mẫu tham khảo từ lượng dữ liệu lớn. Hướng này đang được sử
dụng nhiều, chủ yếu là dựa vào Mô hình Markov ẩn (HMM).
 Tiếp cận Trí tuệ nhân tạo: là hướng kết hợp của cả hai hướng trên. Phương
pháp này kết hợp được cả tri thức của chuyên gia và phương pháp mẫu thống
kê. Đây sẽ là hướng tiếp cận tương lai của nhận dạng tiếng nói.
Việc nhận dạng tiếng nói gặp một số khó khăn sau:
 Trong môi trường sinh hoạt hàng ngày, chất lượng tiếng nói biến động rất lớn do chịu
ảnh hưởng của các yếu tố ngoại cảnh, tâm và sinh lý người nói: một câu của cùng một
người nói khi thu vào máy sẽ khác nhau nếu nói ở hai tâm trạng khác nhau (lúc vui
nói khác, lúc giận nói khác,…), sức khoẻ khác nhau (lúc khoẻ nói khác, lúc
bệnh nói khác), tốc độ nói khác nhau (nói chậm thì rõ hơn nói nhanh), môi trường
xung quanh khác nhau (môi trường có tiêng ồn thì âm thu vào sẽ bị nhiễu), v.v… Và
còn nhiều yếu tố khác nữa tác động lên chất lượng của lời nói như thiết bị thu không
tốt, tín hiệu bị nhiễu điện,… Do đó, việc nhận dạng trở nên rất khó khăn.
 Trong nhận dạng tiếng nói theo hướng nhận dạng từng âm vị, một khó khăn chúng ta
gặp phải là: các âm vị liền nhau trong chuỗi tiếng nói không có vách ngăn rõ ràng (2

chúng tôi muốn chứng minh hai điều:
 Nếu có đầy đủ dữ liệu tiếng nói (không gán nhãn), có thể nhận dạng được số lượng
lớn các âm tiết với độ chính xác tương đối cao theo hướng tiếp cận nhận dạng âm vị
tự động.
 Có thể nhận dạng được tiếng nói liên tục với tốc độ trung bình.
Luận văn được tổ chức như sau:


Chương 1 : Mô hình HMM và ứng dụng trong nhận dạng

Giới thiệu mô hình HMM và sự lựa chọn mô hình HMM để nhận dạng tiếng nói.




Chương 2 : Tiền xử lý tín hiệu tiếng nói

Chương này sẽ giới thiệu về tiền xử lý tiếng nói và một số phương pháp trích đặc trưng
được sử dụng trong nhận dạng tiếng nói.


Chương 3 : Thuật toán huấn luyện nhúng (Embedded training)

Giới thiệu thuật toán huấn luyện nhúng. Đây là quá trình xây dựng mô hình HMM tự
động cho các âm vị từ kho dữ liệu không gán nhãn âm vị.


Chương 4 : Cài đặt thuật toán - Giới thiệu phần mềm từ điển tiếng nói.

