Khóa luận Thử nghiệm một phương pháp tổng hợp tiếng nói từ văn bản tiếng Việt

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

Lê Đôn Khuê

THỬ NGHIỆM MỘT PHƯƠNG PHÁP TỔNG

HỢP TIẾNG NÓI TỪ VĂN BẢN TIẾNG VIỆT

KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY

Ngành: Công nghệ thông tin

HÀ NỘI - 2009

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

Lê Đôn Khuê

THỬ NGHIỆM MỘT PHƯƠNG PHÁP TỔNG HỢP

TIẾNG NÓI TIẾNG VIỆT TỪ VĂN BẢN

KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY

Ngành: Công nghệ thông tin

Cán bộ hướng dẫn: TS. Bùi Thế Duy

HÀ NỘI - 2009

Lời cảm ơn

Trước tiên, tôi muốn gửi lời cảm ơn sâu sắc nhất đến thầy giáo chủ nhiệm, TS.

Bùi Thế Duy, người đã tận tình hướng dẫn em trong suốt quá trình nghiên cứu khóa

luận tốt nghiệp cũng quá trình học tập tại Đại học Công nghệ.

Tôi xin gửi lời cảm ơn sâu sắc đến tất những thầy cô giáo của trường đại học

Công nghệ, những kiến thức và kinh nghiệm quý báu mà tôi nhận được từ thầy cô

trong suốt bốn năm ngồi trên giảng đường sẽ là hành trang tốt nhất giúp tôi vững bước

trong sự nghiệp của mình.

Tôi cũng gửi lời cảm ơn đến tất cả các bạn bè, những người đã luôn đồng hành,

động viên, giúp đỡ tôi trong suốt bốn năm đại học.

Với các bạn K50CA, K50KHMT và các bạn trong phòng thí nghiệm tương tác

người máy, những trao đổi, góp ý của các bạn về khóa luận này thực sự đã giúp tôi rất

nhiều.

Cuối cùng, xin gửi những lời tri ân đến gia đình, những người thân yêu nhất của

tôi, luôn quan tâm, tạo điều kiện cho tôi.

Sinh viên

Lê Đôn Khuê

- i -

Tóm tắt

Kể từ khi ra đời, máy tính đã là một công cụ giúp đỡ con người vô cùng hữu ích.

Mục tiêu biến máy tính thành một con người làm việc không biết mệt mỏi đang được

dần hoàn thiện. Một trọng những yêu cầu để thực hiện được mục tiêu đó là khả năng

máy tính có thể đọc được các văn bản hay được gọi là tổng hợp tiếng nói. Trong

những năm qua, đã có nhiều nghiên cứu xung quanh đề tài tổng hợp tiếng nói. Từ đây,

một số hệ thống tổng hợp tiếng nói đã ra đời và đạt hiệu quả rất tốt. Tuy vậy, những hệ

thống này chủ yếu phục vụ cho các ngôn ngữ thông dụng như tiếng Anh, tiếng Pháp,

… còn đối với tiếng Việt, các hệ thống tổng hợp tiếng nói chưa được phát triển nhiều.

Trong khóa luận này, tôi muốn thử nghiệm một hệ thống tổng hợp tiếng nói dành

cho tiếng Việt.

- ii -

Mục lục

Lời cảm ơn...........................................................................................................i

Tóm tắt................................................................................................................ii

Mục lục............................................................................................................. iii

Danh mục hình ảnh .............................................................................................v

Danh mục bảng biểu...........................................................................................vi

Chương 1 Tổng quan về hệ thống tổng hợp tiếng nói ..........................................1

1.1 Giới thiệu...............................................................................................1

1.2 Ý nghĩa của TTS ....................................................................................1

1.3 Quá trình phát triển của TTS trên thế giới ..............................................2

1.4 TTS ở Việt Nam.....................................................................................2

1.5 Mục đích của khóa luận..........................................................................3

1.6 Cấu trúc của khóa luận ...........................................................................3

Chương 2 Các phương pháp tổng hợp tiếng nói...................................................4

2.1 Mô hình chung của một hệ thống TTS....................................................4

2.1.1 Phân tích văn bản............................................................................4

2.1.2 Phân tích cách đọc...........................................................................5

2.1.3 Tạo ra sóng âm thanh ......................................................................6

2.2 Phương pháp tổng hợp Formant .............................................................6

2.3 Các phương pháp tổng hợp bằng ghép nối..............................................8

2.3.1 Phương pháp tổng hợp bằng ghép nối các tiếng...............................8

2.3.2 Phương pháp tổng hợp bằng ghép nối các phone.............................9

2.3.3 Phương pháp tổng hợp bằng ghép nối diphone ................................9

2.3.3.1 Điểm pitch...............................................................................10

2.3.3.2 Đồng bộ điểm pitch theo miền thời gian TD-PSOLA ..............11

2.4 Phương pháp mô phỏng phát âm ..........................................................12

- iii -

2.5 Đặc điểm của tiếng Việt .......................................................................13

2.6 Kết luận................................................................................................14

Chương 3 Xây dựng TTS tiếng Việt sử dụng phương pháp ghép nối diphone ...16

3.1 Các công cụ thực hiện ..........................................................................16

3.2 Cài đặt và tạo ra các file khuôn mẫu.....................................................17

3.3 Định nghĩa tập phone tiếng Việt ...........................................................17

3.4 Xây dựng tập các diphone: ...................................................................22

3.4.1 Diphone giữa âm câm và phụ âm: .................................................23

3.4.2 Diphone giữa âm câm và nguyên âm.............................................23

3.4.3 Diphone giữa phụ âm và âm câm ..................................................24

3.4.4 Diphone giữa nguyên âm và âm câm.............................................24

3.4.5 Diphone giữa phụ âm – nguyên âm ...............................................25

3.4.6 Diphone giữa nguyên âm – phụ âm ...............................................26

3.5 Carrier và ý nghĩa của nó......................................................................26

3.6 Ánh xạ các phone tiếng Việt sang tiếng Anh ........................................28

3.7 Thu âm.................................................................................................29

3.8 Đánh nhãn các diphone ........................................................................30

3.9 Tìm pitchmark......................................................................................30

3.9.1 Các bước để lấy pitchmark tốt.......................................................31

3.10

3.11

Kiểm thử...........................................................................................32

Thêm dấu cho tiếng Việt...................................................................32

Chương 4 Tổng kết............................................................................................34

4.1 Kết quả thu được..................................................................................34

4.2 Các khó khăn thách thức ......................................................................34

4.3 Các hướng nghiên cứu phát triển tiếp theo............................................35

Tài liệu tham khảo.............................................................................................36

- iv -

Danh mục hình ảnh

Hình 1 Mô hình một hệ thống tổng hợp tiếng nói.........................................................4

Hình 2 Mô hình 3 formant nối tiếp...............................................................................7

Hình 3 Mô hình 5 formant của Klatt ............................................................................8

Hình 4 Điểm pitch trong phone..................................................................................10

Hình 5 Ghép nối hai diphone .....................................................................................11

Hình 6 Thuật toán TD-PSOLA ..................................................................................12

Hình 7 Sự thay đổi giá trị F0 của các thanh................................................................14

Hình 8 Sự thay đổi giá trị F0 khi các thanh đi với chữ "chi".......................................14

Hình 9 Biểu diễn dạng sóng của một carrier và đánh nhãn diphone............................30

Hình 10 Pitchmark của sóng "taa taa taa"...................................................................32

- v -

Danh mục bảng biểu

Bảng 1 Các nguyên âm đơn tiếng Việt và tính chất....................................................18

Bảng 2 Các nguyên âm đôi của tiếng Việt và tính chất...............................................19

Bảng 3 Các phụ âm tiếng Việt và tính chất ................................................................21

Bảng 4 Một cách liệt kê các diphone..........................................................................22

Bảng 5 Phân loại các phone .......................................................................................22

Bảng 6 Diphone âm câm – phụ âm ............................................................................23

Bảng 7 Diphone âm câm – nguyên âm.......................................................................23

Bảng 8 Diphone phụ âm – âm câm ............................................................................24

Bảng 9 Diphone nguyên âm – âm câm.......................................................................24

Bảng 10 Diphone phụ âm – nguyên âm 1...................................................................25

Bảng 11 Diphone phụ âm – nguyên âm 2...................................................................25

Bảng 12 Diphone nguyên âm – phụ âm......................................................................26

Bảng 13 Khai báo các carrier.....................................................................................27

Bảng 14 Ví dụ ánh xạ phone tiếng Việt sang phone tiếng Anh...................................28

- vi -

Chương 1 Tổng quan về hệ thống tổng hợp tiếng nói

1.1 Giới thiệu

Tổng hợp tiếng nói là việc tạo ra tiếng nói của con người một cách nhân tạo. Một

hệ thống máy tính thực hiện mục đích này được gọi là một hệ thống tổng hợp tiếng

nói. Tổng hợp tiếng nói có thể được thực hiện bằng bằng phần mềm hay nhúng vào

phần cứng của máy tính.

Việc tổng hợp tiếng nói có thể được thực hiện bằng nhiều phương pháp. Phương

pháp phổ biển nhất hiện nay là phương pháp tổng hợp bằng cách ghép nối các đoạn

tiếng nói nhỏ hơn được lưu trữ trong cơ sở dữ liệu. Việc lưu trữ cơ sở dữ liệu nhiều

hay ít làm ảnh hưởng rất lớn đến kết quả thu được tốt hay không. Đôi khi, vì mục đích

cần phải giảm độ lớn của cơ sở dữ liệu, người ta chấp nhận làm giảm chất lượng của

tiếng nói thu được trong một mức cho phép.

Chất lượng của một hệ thống tổng hợp tiếng nói được đánh giá dựa trên độ

“giống” đối với tiếng nói của người thật và khả năng để người nghe có thể hiểu được

hết ý nghĩa của văn bản.

Một hệ thống chuyển văn bản thành tiếng nói (tiếng Anh là Text To Speech,

trong khóa luận này sẽ được viết tắt là TTS) là một hệ thống có đầu vào là một văn

bản và đầu ra là một sóng âm thanh.

1.2 Ý nghĩa của TTS

Bài toán này có rất nhiều ý nghĩa thực tiễn. Trên thế giới, TTS tiếng Anh có

những ứng dụng hết sức thành công:

 Giúp đỡ người tàn tật: Đây là ứng dụng có ý nghĩa lớn nhất của TTS.

Trước đây, người ta đã từng có các loại băng ghi âm các cuốn truyện hay

sách dành cho người tàn tật. Tuy nhiên số lượng những loại sách, truyện

này không nhiều vì công việc được hiện một cách thủ công và tốn rất

nhiều thời gian. Với sự giúp đỡ của các hệ thống TTS, công việc được làm

tự động và cho hiệu quả rất cao.

 Các thiết bị truyền thông đa phương tiện: Với sự phát triển và thành công

vượt bậc của TTS cho tiếng Anh, các phần mềm để học tiếng Anh hay các

từ điển điện tử cũng đã sử dụng các hệ thống TTS. Ngoài ra, các trò chơi

- 1 -

điện tử hiện này đã ứng dụng công nghệ này rất rộng rãi.

 Trong truyền thông: Một trong những nguyên nhân gây ra nhiều tai nạn xe

hơi là tài xế vừa lái xe vừa đọc tin nhắn. Sự với sự hỗ trợ của TTS, người

lái xe hoàn toàn có thể tập trung vào việc lái xe mà vẫn nghe được tin

nhắn mình nhận được. Ngoài ra, khi công nghệ GPRS chưa phát triển thì

việc check email khi phải đi công tác tới một khu vực chưa phát triển gặp

rất nhiều khó khắn. Khi đó người ta đã có những phần mềm sử dụng TTS

để check email qua điện thoại di động.

 Hiện nay, ở Việt Nam việc sử dụng các hệ thống TTS vẫn còn chưa nhiều.

Chủ yếu là việc đọc các thông báo tại các nhà ga, sân bay hay tại cơ quan

nhà nước có hệ thống xếp hàng.

1.3 Quá trình phát triển của TTS trên thế giới

Tiếng nói nhân tạo đã được nghiên cứu trong một thời gian dài và có sự tham gia

của nhiều nhà khoa học. Những người đầu tiên có ý tưởng về một chiếc máy có khả

năng nói được là Gerbert of Aurillac, Albertus Magnus (1198 – 1280) và Roger Bacon

(1214 – 1294). [18]

Tuy vậy phải tới năm 1779, nhà khoa học người Đan Mạch Christian

Kratzenstein mới xây dựng thành công mô hình cơ khí tổng hợp 5 âm /a/, /e/, /i/, /o/,

/u/. Thiết bị này vẫn chưa tổng hợp được một câu nói hoàn chỉnh.

Thiết bị đầu tiên được xem như một bộ tổng hợp tiếng nói là VODER (Voice

Operating Demonstrator) được nhà khoa học người Mỹ Homer Dulley giới thiệu năm

1939 tại New York. Hệ thống này có thể tổng hợp các câu đơn giản những cần sự điều

khiển hết sức phức tạp. [14]

Trong mấy thập kỷ qua, các hệ thống TTS đã có những bước phát triển vượt bậc.

Chất lượng của những hệ thống TTS được phát triển ngày càng cao và đã được ứng

dụng với các mục đích thương mại. Đa số các hệ thống này dành cho tiếng Anh. Ngoài

ra, cũng có một số các ngôn ngữ khác như tiếng Trung, tiếng Tây Ban Nha, … nhưng

tiếng Anh vẫn được nghiên cứu nhiều nhất vì vậy tiếng Anh có hệ thống TTS chuẩn

mực hơn cả.

1.4 TTS ở Việt Nam

TTS ở Việt Nam cũng đã được nghiên cứu từ khá lâu. Hiện nay có 2 chương

- 2 -

trình thành công hơn cả là VnSpeech và VietSound.

Phần mềm VnSpeech là hệ thống tổng hợp tiếng nói đầu tiên của Tiếng Việt,

phần mềm này sử dụng phương pháp tổng hợp Formant. Hệ thống này có thể đọc được

hầu hết các âm tiết tiếng Việt ở mức nghe rõ tuy vậy, mức độ tự nhiên không cao.

Phần mềm VietSound là phần mềm được phát triển tại đại học Bách Khoa Thành

phố Hồ Chí Minh. Phần mềm này sử dụng giải thuật TD-PSOLA dùng để tổng hợp các

nguyên âm đơn và phương pháp tổng hợp FORMANT để tổng hợp các phụ âm,

nguyên âm và âm vần đơn giản. Phần mềm này cũng chưa đạt đến mức độ tự nhiên

gần giống với tiếng nói con người. [2]

Cả hai phần mềm trên đều có nhược điểm là âm thanh thu được rời rạc, thiếu tự

nhiên.

1.5 Mục đích của khóa luận

Mục đích của khóa luận này là tìm hiểu và xây dựng hệ thống tổng hợp tiếng nói

tiếng Việt dựa trên phương pháp ghép nối diphone. Hệ thống cần có khả năng tổng

hợp một tiếng nói có độ liền mạch và có khả năng nghe hiểu được.

1.6 Cấu trúc của khóa luận

Khóa luận này được trình bày thành 4 chương. Chương 2 sẽ nêu ra lý thuyết một

hệ thống tổng hợp tiếng nói; các phương pháp tổng hợp tiếng nói thông dụng hiện nay.

Dựa trên đặc điểm riêng của tiếng Việt, chúng ta có thể so sánh và có sự lựa chọn

phương pháp tổng hợp tiếng nói cho tiếng Việt phù hợp nhất. Chương 3 sẽ là các bước

cụ thể để có thể xây dựng được một hệ thống tổng hợp tiếng nói bằng phương pháp

ghép nối diphone. Chương 4 sẽ là tổng kết cho toàn bộ quá trình thử nghiệm phương

pháp này.

- 3 -

Chương 2 Các phương pháp tổng hợp tiếng nói

2.1 Mô hình chung của một hệ thống TTS

Thông thường, hệ thống TTS bao gồm 3 bước:

 Phân tích văn bản

 Phân tích cách đọc

 Tạo ra sóng âm thanh

Chia các cụm từ

Ngữ điệu

Văn bản

Tiếng nói

Tạo

Phân tích

Độ dài ngắn

sóng âm

văn bản

Phân tích

cách đọc

Hình 1 Mô hình một hệ thống tổng hợp tiếng nói

2.1.1 Phân tích văn bản

Phân tích văn bản là việc chuyển các kí hiệu, các số, các chữ viết tắt ra thành các

câu chữ đầy đủ. Ví dụ như câu “Phong trào sinh viên tình nguyện do TW Đoàn TNCS

Hồ Chí Minh phát động đã được hưởng ứng của hơn 10000 sinh viên trên cả nước”

cần phải được chuyển thành “Phong trào sinh viên tình nguyện do Trung Ương Đoàn

Thanh niên Cộng sản Hồ Chí Minh phát động đã được hưởng ứng của hơn mười nghìn

sinh viên trên cả nước”.

Để thực hiện việc phân tích văn bản tốt, ta cần có:

 Một module chuyển số thành dạng chữ viết.

 Một cơ sở dữ liệu các chữ viết tắt thông dụng.

- 4 -

 Một cơ sở dữ liệu các khuôn dạng thông dụng như ngày tháng, giờ, …

Tuy vậy, ta cũng sẽ gặp phải nhiều khó khăn do những tình huống nhập nhằng.

Ví dụ như cụm “1/2” có thể được hiểu là “ngày mùng một tháng hai” hoặc “một phần

hai”. Một ví dụ khác là khi ta gặp một dãy số “38533580”, ta cần phải xác định xem

đây là số đếm (ba mươi tám triệu năm trăm ba mươi ba ngàn năm trăm tám mươi) hay

đây là số điện thoại (ba tám năm ba ba năm tám không). Những trường hợp như thế

này đỏi hỏi ta phải xác định được văn cảnh của văn bản đầu vào.

2.1.2 Phân tích cách đọc

Việc phân tích cách đọc thực chất chính là quá trình tiền xử lý cho việc tổng hợp

tiếng nói. Vì vậy, quá trình này còn phụ thuộc vào việc chúng ta sẽ sử dụng phương

pháp nào để thực hiện việc tổng hợp tiếng nói.

Cũng phải nói thêm rằng tiếng Việt có một thuận lợi rất lớn là mỗi cách viết chỉ

có một cách đọc không như tiếng Anh một cách viết có thể có nhiều cách đọc phụ

thuộc vào ngữ cảnh.

Nếu việc tổng hợp tiếng nói được thực hiện bằng các phương pháp ghép nối, thì

việc bắt buộc đối với chúng ta là phải phân chia câu cần tổng hợp thành các đơn vị đã

có sẵn trong cơ sở dữ liệu của chúng ta. Hãy xét ví dụ ta cần tổng hợp câu “Xin chào”

bằng phương pháp ghép nối diphone. Các diphone đã có trong cơ sở dữ liệu là “âm

câm – x”, “x – i”, “i – n”, “n – âm câm”, “âm câm – ch”, “ch – à”, “à – o”. Khi đó ta

cần tách đoạn text “Xin chào” thành “âm câm – x – i – n – âm câm – ch – à – o – âm

câm”.

Để tiếng nói tổng hợp được thu được chất lượng tốt thì phân tích ngôn điệu là vô

cùng quan trọng. Ngôn điệu gồm: độ cao thấp, độ dài ngắn, cường độ.

Độ cao thấp (pitch) hay tần số trên một câu phụ thuộc vào nhiều yếu tố trong đó

có loại câu (câu kể, câu hỏi, câu cảm thán); người nói (giới tính, trạng thái cảm xúc).

Ví dụ câu kể thường thấp giọng ở cuối câu còn câu hỏi lại cao giọng ở cuối câu. Người

nói là nam thường nói với độ cao thấp hơn.

Độ dài ngắn (duration) là đặc điểm về thời gian phát âm một từ hay một âm vị.

Thông thường hai tiếng liên tiếp mà tạo thành từ khoảng nghỉ giữa hai tiếng sẽ ngắn

hơn hai tiếng liên tiếp những không tạo thành một từ. Đôi khi, độ dài ngắn cũng được

thể hiện khi người nói muốn nhấn mạnh một từ nào đó trong câu. [2]

Cường độ thể hiện ở độ to nhỏ của tiếng nói. Ở mức âm tiết, các nguyên âm

- 5 -

thường có cường độ mạnh hơn phụ âm. Ở mức cụm, các âm tiết ở phần cuối của cách

phát âm có thể có cường độ yếu hơn.

Một hệ thống TTS cần phân tích được cách đọc ở mức càng gần với thực tế càng

tốt. Đây là mục tiêu của mọi hệ thống TTS cho các ngôn ngữ khác nhau, tuy vậy chưa

có một hệ thống nào có thể thực hiện hoàn hảo điều này.

2.1.3 Tạo ra sóng âm thanh

Đây là quá trình trực tiếp tạo ra tín hiệu âm thanh. Chất lượng tiếng nói tổng hợp

được phụ thuộc rất nhiều vào phần này. Trên thế giới đã có rất nhiều phương pháp

được đưa ra để tổng hợp tiếng nói như phương pháp tổng hợp Formant, phương pháp

ghép nối Diphone, …

Các phương pháp có thể được chia làm 4 nhóm:

 Phương pháp tổng hợp dựa trên hệ luật: phương pháp Formant

 Phương pháp tổng hợp bằng ghép nối:

o Phương pháp tổng hợp bằng ghép nối phones

o Phương pháp tổng hợp bằng ghép nối nửa phones

o Phương pháp tổng hợp bằng ghép nối diphone

 Phương pháp tổng hợp dựa trên các mô hình:

o Phương pháp tổng hợp dựa trên mô hình Markov ẩn (HMM)

o Phương pháp tổng hợp dựa trên mô hình âm tiếng nói và nhiễu

(Harmonic plus Noise – HNM)

 Phương pháp tổng hợp dựa trên mô phỏng phát âm

2.2 Phương pháp tổng hợp Formant

Phương pháp này còn có tên gọi khác là phương pháp tổng hợp dựa trên hệ luật

(rule-based). Đây là phương pháp không dựa vào những đoạn tiếng nói đã thu sẵn của

con người. Phương pháp tổng hợp Formant sẽ sử dụng tiếng nói tổng hợp được tạo ra

dựa trên cơ sở lý thuyết âm học của quá trình tạo tiếng nói. Phổ biến nhất hiện nay

chính là mô hình nguồn âm bộ lọc ( source-filter model) để tạo ra được tín hiệu tiếng

nói.

Formant là một sự cộng hưởng âm thanh. Ở đây chúng ta có thể hiểu tín hiệu

- 6 -

tiếng nói là kết quả của nguồn kích hữu thanh hoặc vô thanh được cộng hưởng hay

phản cộng hưởng của tuyến âm, sau đó ảnh hưởng bởi sự tán xạ của tiếng nói qua môi

và mũi.

Phương pháp tổng hợp Formant đầu tiên được Walter Lawrence đưa ra vào năm

1953, phương pháp này sử dụng 3 formant được nối song song. 3 formant cũng là số

lượng formant tối thiểu để có thể tạo ra được một tiếng nói nghe được. Dưới đây là

một mô hình 3 formant được nối nối tiếp [14]:

Hình 2 Mô hình 3 formant nối tiếp

Đầu vào của mô hình này là 12 tham số: tần số chung (F0), 3 tần số của các

Formant và 3 biên độ của các Formant, cường độ của tần số thấp, cường độ của tần số

cao, … Do có nhiều tham số nên việc điều khiển là rất phức tạp. Tuy vậy, phương

pháp này mới chỉ đưa ra được một tiếng nói với chất lượng nghe được. Tiếng nói vẫn

còn rời rạc, không trơn chu, liền mạch hay nói cách khác là không tự nhiên.

Năm 1980, Dennis Klatt đã đưa ra một mô hình phức tạp gồm 5 formant và cần

tới 39 tham số điều khiển và được cập nhật 5 mili giây một lần. Dưới đây là mô hình

được Klatt đưa ra [14]:

- 7 -

Hình 3 Mô hình 5 formant của Klatt

Cho đến nay, đây vẫn là mô hình tốt nhất cho phương pháp này. Phương pháp

formant có những đặc điểm nổi trội so với các phương pháp khác là không cần phải

lưu trữ cơ sở dữ liệu, thời gian tổng hợp là rất nhanh. Đây là phương pháp hiện nay rất

thích hợp cho những ứng dụng trên các thiết bị như PDA, PC Pocket vì đặc điểm của

những thiết bị này là phần cứng yếu.

Tuy nhiên, phương pháp này về mặt chất lượng của tiếng nói vẫn không tốt.

Tiếng nói vẫn bị rời rạc, không tự nhiên. Hơn nữa, phương pháp này rất khó xây dựng.

Ta cần phải có một sự hiểu biết sâu sắc về mặt âm học mới có thể thực hiện được

phương pháp này.

2.3 Các phương pháp tổng hợp bằng ghép nối

Trong các phương pháp này, tiếng nói sẽ được tổng hợp từ các đoạn tiếng nói

nhỏ hơn đã được lưu trữ sẵn trong cơ sở dữ liệu. Đối với tiếng Việt, đó có thể là:

phone, diphone, tiếng, …

2.3.1 Phương pháp tổng hợp bằng ghép nối các tiếng

Rõ ràng đây là một phương án không khả thi, đối với tiếng Việt, số lượng tiếng là

rất lớn, điều này làm cho cơ sở dữ liệu phải lưu trữ là rất lớn. Một nhược điểm nữa của

cách làm này là giữa các tiếng sẽ không có độ trơn, do các tiếng được thu riêng biệt tại

- 8 -

các thời điểm khác nhau.

2.3.2 Phương pháp tổng hợp bằng ghép nối các phone

Phone: Là âm vị hay chính là đơn vị âm nhỏ nhất tạo ra tiếng nói. Thông thường

đối với mỗi ngôn ngữ thì mỗi chữ cái trong bảng chữ cái là một phone. Trong tiếng

Việt, ngoài các phone là chữ cái ra còn có các phone là tổ hợp của các chữ cái như: th;

gh; kh; gi; nh; ng; ngh… Âm câm (silence) có thể coi là một phone đặc biệt. Thông

thường mỗi âm vị có một cách đọc riêng, tuy nhiên không phải mỗi cách đọc chỉ tương

ứng với một âm vị. Trong tiếng Việt, một số âm vị có cách đọc giống nhau tuy cách

viết khác nhau (chẳng hạn: ng và ngh, i và y, g và gh… ).

Số lượng phone của tiếng Việt có dấu là 95 phone và cơ sở dữ liệu của ta chỉ cần

bao gồm 95 phone này. Có thể thấy ngay cơ sở dữ liệu nhỏ là một ưu điểm lớn của

phương pháp này.

Tuy vậy, chất lượng tiếng nói tổng hợp của phương pháp này lại không cao. Hãy

xét ví dụ cần tổng hợp câu “Hai bạn đó hát hay”. Từ “hai” được ghép từ các phone

“h”, “a”, “i”. Từ “hay” được ghép từ các phone “h”, “a”, “y”. Rõ ràng trong cơ sở dữ

liệu cách đọc các phone, “h”, “a”, “i”, “y” thì phone “i” và phone “y” có cách đọc

giống hệt nhau nhưng khi ghép với các phone khác lại cho ta hai cách đọc hoàn toàn

khác nhau. Cách tổng hợp này đã không đạt được yêu cầu đầu tiên của một hệ thống

tổng hợp tiếng nói là “tiếng nói sinh ra phải hiểu được”, nó đã làm thay đổi hoàn toàn

ý nghĩa của văn bản.

2.3.3 Phương pháp tổng hợp bằng ghép nối diphone

Đây là phương pháp được phát triển từ những năm 70 của thế kỷ trước. Cho tới

nay, phương pháp này là một trong những phương pháp hiệu quả nhất và đã được ứng

dụng rộng rãi cho nhiều ngôn ngữ.

Diphone: Một diphone được bắt đầu từ điểm giữa của phone trước đến điểm giữa

của phone sau trong hai phone đứng cạnh nhau của một cặp phone. Với một từ có thể

có một, hai hoặc nhiều diphone. Ví dụ như từ ba chỉ có một diphone là b – a nhưng từ

ban có hai diphone là b – a và a – n. Các từ chỉ có một phone được coi là một diphone

của phone đó với âm câm, chẳng hạn từ a được coi là một diphone của asilence.

Phương pháp tổng hợp diphone được thực hiện theo 4 bước:

 Liệt kê tất cả các phone và các đặc tính của các phone này.

- 9 -

 Liệt kê tất cả các cách ghép nối các cặp phone-phone để tạo thành

diphone. Do có những cặp phone-phone không xuất hiện nên số lượng

diphone không bao giờ quá bình phương số lượng phone.

 Xây dựng cơ sở dữ liệu cách đọc cho các diphone này.

 Ghép nối các diphone: đây chính là quá trình quan trọng nhất của phương

pháp này. Ở đây, thuật toán thường dùng nhất là đồng bộ điểm pitch.

2.3.3.1 Điểm pitch

Điểm pitch (pitch mark) là điểm có tần số là cực đại địa phương trên một sóng

âm. Dưới đây là hình ảnh ví dụ về điểm pitch trong phone /u/.[15]

Hình 4 Điểm pitch trong phone

Giữa hai diphone gần ghép nối với nhau, bao giờ ta cũng có một phone giống

nhau ví dụ như “a – b” và “b – c”. Việc chúng ta cần làm là chỉnh sửa sóng âm của

phone “b” ở diphone thứ nhất hoặc diphone thứ hai hoặc cả hai diphone sau cho chúng

có thể chồng khít được lên nhau.[15]

- 10 -

Hình 5 Ghép nối hai diphone

Việc ghép nối hai diphone có thể được thực hiện bằng thuật toán PSOLA (pitch

synchronous overlap – add) được gọi là đồng bộ điểm pitch.

2.3.3.2 Đồng bộ điểm pitch theo miền thời gian TD-PSOLA

Người ta đã phát triển nhiều phiên bản của thuật toán PSOLA như: TD-PSOLA

(time domain pitch synchronous overlap – add), MBROLA (multi band overlap add),

LP-PSOLA (linear pitch synchronous overlap – add). Tất cả các phiên bản này đều có

một ý tưởng chung là sửa đổi trực tiếp sóng âm thanh mà không sử dụng các thông số

nào của nó.

Thuật toán TD-PSOLA được hãng truyền thông Pháp phát triển vào đầu những

năm 1990 và dựa trên ý tưởng: “Nếu x(n) tuần hoàn trong khoảng [−∞, +∞] thì ta có

thể tạo ra một sóng mới s(n) từ x(n) với các điểm pitch đã được dịch chuyển từ T₀về T

mà ta mong muốn. Thuật toán được thể hiện bởi công thức biến đổi:

s_i(n)  x(n)w(n iT₀)



s(n) 

s (n i(T T )



i

0

i

Ở đây w(x) là một “cửa sổ” được chọn. Có thể hiểu rằng, s(P) mới phụ thuộc vào

các điểm nằm trong “cửa số” của x(P0) cũ mà P0 và P là hai điểm tương ứng của sóng

cũ và sóng mới. Cách làm này người ta đã chứng minh được là biên độ sóng không bị

thay đổi trong quá trình biến đổi sóng. [14]

- 11 -

Hình 6 Thuật toán TD-PSOLA

Trong hình trên, tín hiệu ở phía bên trái được đã giãn ra để khớp với các điểm

pitch mong muốn. Các hình bên phải là biên động số tương ứng và ta có thể nhận thấy

là biên độ này không bị thay đổi.

2.4 Phương pháp mô phỏng phát âm

Tổng hợp mô phỏng phát âm là các kỹ thuật tổng hợp giọng nói dựa trên mô hình

máy tính của cơ quan phát âm của người và quá trình phát âm xảy ra tại đó. Hệ thống

tổng hợp mô phỏng phát âm đầu tiên là ASY được phát triển ở phòng thí nghiệm

Haskins vào giữa những năm 1970 bởi Philip Rubin, Tom Baer, và Paul Mermelstein.

Tổng hợp mô phỏng phát âm đã từng chỉ là hệ thống dành cho nghiên cứu khoa học

cho mãi đến những năm gần đây. Lý do là rất ít mô hình tạo ra âm thanh chất lượng đủ

cao hoặc có thể chạy hiệu quả trên các ứng dụng thương mại. Một ngoại lệ là hệ thống

dựa trên NeXT; vốn được phát triển và thương mại hóa bởi Trillium Sound Research

Inc, Canada. Hệ thống tạo ra một máy tổng hợp giọng nói dựa trên mô phỏng phát âm

hoàn chỉnh, dựa trên mô hình ống dẫn sóng tương đương với cơ quan phát âm của

người. Nó được điều khiển bởi Mô hình Phần Riêng biệt của Carré; bản thân mô hình

này lại dựa trên công trình của Gunnar Fant và các người khác ở Phòng thí nghiệm

Công nghệ Giọng nói Stockholm thuộc Viện Cộng nghệ Hoàng gia Thụy Điển về tổng

hợp giọng nói cộng hưởng tần số. Công trình này cho thấy các cộng hưởng tần số

trong ống cộng hưởng có thể được điều khiển bằng cách thay đổi tám tham số tương

đồng với các cách phát âm tự nhiên của cơ quan phát âm của người. Hệ thống bao gồm

- 12 -

một từ điển phát âm cùng với các quy tắc phát âm tùy thuộc ngữ cảnh để giúp ghép nối

âm điệu và tạo ra các tham số phát âm; mô phỏng theo nhịp điệu và ngữ điệu thu được

từ các kết quả nghiên cứu ngữ âm học. [18]

Để có thể thực hiện được phương pháp này đòi hỏi thời gian, chi phí và công

nghệ. Phương pháp này khó có thể ứng dụng tại Việt Nam trong thời điểm hiện nay.

2.5 Đặc điểm của tiếng Việt

Đối với bài toán TTS, tiếng Việt so với các ngôn ngữ khác có rất nhiều thuận lợi.

Mỗi cách viết chỉ có duy nhất một cách đọc. Tuy nhiên, một trong những khó khăn lớn

nhất của tiếng Việt chính là vấn đề thanh điệu. Việc mỗi nguyên âm có 6 thanh

(ngang, sắc, huyền, ngã, hỏi, nặng) lại làm cho việc tổng hợp gặp những khó khăn

khác. Việc đọc không dấu chúng ta hầu hết có thể hiểu được nhưng như vậy vẫn có thể

gây ra những hiểu lầm. Tuy nhiên, nếu ta đã sinh được sóng âm cho tiếng Việt không

dấu, thì ta có thể biến đổi sóng âm đó để thu được sóng âm thể hiện tiếng Việt có dấu.

Một âm tiết tiếng Việt khi đọc có 5 loại âm thanh: âm đầu (phụ âm), âm trung

bình (bán nguyên âm), âm trung tâm (nguyên âm hoặc nguyên âm đôi), âm cuối

(nguyên âm hoặc bán nguyên âm) và thanh điệu (dấu). Khi thay các thanh điệu vào

cùng từ, giá trị F0 thay đổi như sau: [3]

 Với thanh ngang, giá trị F0 bắt đầu lớn nhất và duy trì cho tới khi kết thúc

âm tiết.

 Thanh huyền giá trị F0 bắt đầu thấp hơn thanh ngang, thanh sắc và thanh

ngã.

 Thanh ngã giá trị F0 bắt đầu cao, tới giữa âm tiết thì giảm xuống, và tăng

lên cao nhất khi đến cuối âm tiết. Trong hầu hết các trường hợp, các âm

tiết có thanh ngã có giá trị F0 cực tiểu rơi vào khoảng giữa đến 2/3 của F0

tại thời điểm ban đầu.

 Thanh hỏi giá trị F0 giảm dần đến khoảng 2/3 giá trị F0 ban đầu rồi tăng

trở lại.

 Thanh sắc giá trị F0 giữ ổn định trong khoảng 2/3 thời gian của âm tiết rồi

sau đó tăng nhanh.

 Thanh nặng giá trị F0 giảm nhanh và thời gian kéo dài thường chỉ bằng

2/3 thời gian các thanh khác.

- 13 -

Dưới đây là đồ thị mô tả sự biến thiên của giá trị F0 các thanh và ví dụ với việc

ghi âm chữ “chi” cùng với 6 thanh lần lượt là ngang, huyền, ngã, hỏi, sắc, nặng.[9]

Hình 7 Sự thay đổi giá trị F0 của các thanh

Hình 8 Sự thay đổi giá trị F0 khi các thanh đi với chữ "chi"

2.6 Kết luận

Với mục đích xây dựng được một hệ thống tổng hợp tiếng nói mà âm thanh thu

- 14 -

được phải có độ trơn, độ tự nhiên cao nhất, phương pháp ghép nối bằng diphone là

vượt trội hơn cả. Yêu cầu về độ trơn và độ tự nhiên của tiếng nói chính là điểm mạnh

của phương pháp này. Các phương pháp khác đều không so sánh được với phương

pháp ghép nối diphone ở tiêu chí này. Hơn nữa, phương pháp này lại có ưu điểm là

việc xây dựng không phức tạp. Vì vậy, tôi quyết định lựa chọn phương pháp ghép nối

diphone để xây dựng hệ thống TTS tiếng Việt.

Cùng với những đặc điểm của tiếng Việt ở trên, tôi quyết định áp dụng phương

pháp này với tiếng Việt không dấu và thay đổi tần số chung F0 để tạo ra thanh điệu

(dấu) cho tiếng nói được tổng hợp.

- 15 -

Chương 3 Xây dựng TTS tiếng Việt sử dụng phương

pháp ghép nối diphone

3.1 Các công cụ thực hiện

Tôi xây dựng hệ thống TTS tiếng Việt dựa trên bộ công cụ:

 Speech Tools Library 2.0: Đây là một tập hợp các lớp, hàm, đối tượng

được viết bằng ngôn ngữ C++ cần thiết đối với xử lý âm thanh. Thư viện

này giúp ta có khả năng đọc, ghi, thay đổi các sóng âm. Thư viện cũng

cung cấp nhiều định dạng khác nhau các file chỉ số như (LPC, ceptra, F0)

và các hàm cần thiết để chuyển đổi giữa các định dạng đó. Thư viện này

được phát triển tại trung tâm nghiên cứu tiếng nói thuộc đại học

Edinburgh, Anh. [6]

 Festvox 2.1 là bộ công cụ chủ yếu được viết bằng shell Linux và ngôn ngữ

PERL hỗ trợ việc xây dựng cơ sở dữ liệu phục vụ cho việc tổng hợp tiếng

nói. Cơ sở dữ liệu được xây dựng trên Festvox đảm bảo được sự tương

thích với hệ thống tổng hợp tiếng nói Festival. Bộ công cụ này được phát

triển tại đại học Carnegie Mellon, Hoa Kỳ. Mục đích phát triển của hệ

thống này là giúp cho việc xây dựng một giọng đọc mới hay một ngôn

ngữ mới trở nên dễ dàng hơn và mọi người có thể tự xây dựng một giọng

đọc cho riêng mình. [7]

 Festival 1.96 được viết bằng C++ có thể coi là một frame work tổng hợp,

cho phép xây dựng các hệ thống tổng hợp tiếng nói bằng các phương pháp

khác nhau. Nhân của hệ thống này có thể nói chính là thư viện Speech

Tools. Festival đồng thời con cung cấp sẵn những giọng đọc chuẩn tiếng

Anh giúp cho những người sử dụng rất thuận lợi trong việc xây dựng một

hệ thống TTS cho ngôn ngữ khác. Hệ thống này ban đầu được phát triển

tại trung tâm nghiên cứu tiếng nói thuộc đại học Edinburgh, Anh. Hiện

nay, hệ thống này còn được phát triển đồng thời bởi trường đại học

Carnegie Mellon, Hoa Kỳ. [5]

Cả 3 công cụ trên đều là những phần mềm mã nguồn mở, được phát triển để sử

dụng trên Linux. Đây là một bộ công cụ tổng hợp hoàn chỉnh dành cho tiếng Anh.

- 16 -

3.2 Cài đặt và tạo ra các file khuôn mẫu

Việc cài đặt các công cụ này cũng cần có chú ý:

 Cần cài bản gcc cũ 2.7.2 để biên dịch Speech Tools Library.

 Cần cài đặt Speech Tools trước, sau đó đến Festvox rồi mới đến Festival.

 Cần chỉnh lại đường dẫn mặc định của Festvox và Speech Tools.

Sau khi việc cài đặt hoàn tất, chúng ta có thể bắt đầu xây dựng hệ thống TTS

tiếng Việt bằng lệnh: “$FESTVOXDIR/src/diphones/setup_diphone vnu vn ldk” để

tạo ra các thư mục và file khuôn mẫu phục vụ cho việc thực hiện. Trong đó vnu là tên

đơn vị, vn là tên ngôn ngữ, ldk là tên người đọc. Sau khi thực hiện lệnh này, ta sẽ có

một thư mục làm việc là “~/data/vnu_vn_ldk_diphone”. Tất cả các công việc tiếp theo

của chúng ta đều thực hiện từ thư mục này.

3.3 Định nghĩa tập phone tiếng Việt

Công việc tiếp theo của chúng ta là định nghĩa tập phone tiếng Việt trong

festvox/vnu_vn_ldk_phoneset:

Chúng ta sẽ sử dụng một phone đặc biệt là âm câm (tiếng Anh âm là silence,

trong danh sách của ta sẽ được kí hiệu là pau).

Tiếng Việt còn gồm có 24 phụ âm tính cả phụ âm đơn và đôi là b, c(k), ch, d, đ,

g, gi, h, kh, l, m, n, ng(ngh), nh, p, ph, q, r, s, t, tr, th, v, x. Ở đây, 2 cặp phone k và c,

ng và ngh có cách phát âm giống nhau, nên ta sẽ chỉ định nghĩa một lần.

Ngoài ra, tiếng Việt bao gồm 12 nguyên âm đơn a, ă, â, e, ê, i, o, ô, ơ, u, ư, y.

Như đã nói ở mục 2.6, chúng ta sẽ chỉ thực hiện việc tổng hợp tiếng nói cho tiếng Việt

không dấu.

Để tăng chất lượng của tiếng nói được tổng hợp, tôi cho rằng chúng ta có thể coi

cả các nguyên âm đôi ví dụ như ao, au, oi, ưu … là một phone mặc dù chúng có thể

được tổng hợp từ những nguyên âm đơn. Cách làm này sẽ không làm giảm đi chất

lượng của tiếng nói (độ trơn) do các từ vẫn được ghép nhờ âm câm.

Ở đây, tôi kí hiệu các phone theo cách gõ tiếng Việt TELEX. Các chữ cái chỉ dấu

sẽ được viết thường, còn lại viết hoa. Ví dụ như phone “ưu” gõ theo cách gõ TELEX

là uwu nên sẽ được kí hiệu là UwU.

Đối với mỗi phone, ta cần biết các thông số về phone là:

- 17 -

 Loại phone: nguyên âm hay phụ âm tương ứng là + hoặc –. Ở đây chúng

ta phải lưu ý răng ta chia phone là nguyên âm hay phụ âm dựa trên cách

phát âm của chúng (âm học). Nguyên âm là âm mà khi phát âm, dòng

không khí sau khi đi qua thanh quản đi thẳng ra ngoài, không gặp vật cản.

Phụ âm là âm mà khi phát âm, dòng không khí sau khi đi qua thanh quản

gặp vật cản trên đường đi ví dụ như vòm miệng, răng, môi. Với cách định

nghĩa như trên, phone “y” trong tiếng Việt được coi là nguyên âm.

 Độ dài của phone nếu là nguyên âm: dài, ngắn hay là nguyên âm đôi

tương ứng là l, s, d

 Nếu là nguyên âm, độ cao của phone (vheight): cao, trung bình, thấp

tương ứng là 1 2 3

 Nếu là nguyên âm, phone có phát âm tròn miệng không (vrnd) (+ -)

 Nếu phone là phụ âm (ctype), phone là loại âm gì: âm mũi (n), âm xát (f),

âm nước (l), âm dừng (s), âm dừng và xát (a).

 Nếu là phụ âm vị trí gặp vật cản (cplace): môi (l), vòm miệng (p), răng (a,

d, v), cả môi và răng (b).

Tôi đã xây dựng bảng phone tiếng Việt cho các nguyên âm và phụ âm như sau:

Bảng 1 Các nguyên âm đơn tiếng Việt và tính chất

Thứ tự Phone

Ký hiệu

Độ dài

Dài

Độ cao Phát âm tròn miệng

1.

2.

3.

4.

5.

6.

7.

a

ă

â

e

ê

i

A

Aw

Aa

E

Thấp

Cao

Thấp

Cao

TB

Không

Có

Ngắn

Dài

Ee

I

Ngắn

o

O

- 18 -

8.

ô

ơ

u

ư

y

Oo

Ow

U

Ngắn

Dài

TB

Có

9.

Không

Có

10.

11.

12.

Cao

Uw

Y

Không

Ngắn

Bảng 2 Các nguyên âm đôi của tiếng Việt và tính chất

Thứ tự Phone

Kí hiệu

AI

Độ dài

Độ cao Phát âm tròn miệng

1.

ai

ao

au

ay

âu

ây

eo

êu

ia

Nguyên âm đôi

Cao

TB

Không

Có

2.

AO

3.

AU

TB

Có

4.

AY

TB

Có

5.

AaU

AaY

EO

Thấp

Cao

TB

Có

6.

Không

Có

7.

8.

EeU

IA

Cao

TB

Không

9.

10.

11.

12.

13.

iê

IEe

TB

iêu

iu

IEeU

IU

TB

Cao

TB

oa

OA

- 19 -

14.

15.

16.

17.

18.

19.

20.

21.

22.

23.

24.

25.

26.

27.

28.

29.

30.

31.

32.

33.

34.

oă

oe

OAw

OE

Nguyên âm đôi

Cao

TB

Không

Có

oi

OI

oo

ôi

OO

OoI

TB

Không

Có

ơi

OwI

UA

TB

ua

TB

uâ

UAa

UEe

UI

Cao

TB

uê

ui

Cao

TB

uyê

uô

uôi

uơ

uy

uya

ưa

ưi

UYEe

UOo

UOoI

UOw

UY

TB

Không

Có

TB

Cao

TB

UYA

UwA

UwI

UwOw

ươ

ươu

ưu

UwOwU Nguyên âm đôi

TB

UwU

Nguyên âm đôi

TB

Có

- 20 -

Bảng 3 Các phụ âm tiếng Việt và tính chất

Thứ tự Phone

Kí hiệu

B

Loại phụ âm

Âm dừng

Âm xát

Vị trí cản

Môi

1.

b

c

2.

C

Môi

3.

ch

d

CH

D

Môi

4.

Răng

Môi

5.

đ

Dd

G

6.

g

7.

gi

h

GI

H

8.

9.

kh

l

KH

L

Âm dừng

Âm nước

Âm mũi

10.

11.

12.

13.

14.

15.

16.

17.

18.

Răng

Môi

m

n

M

N

Âm mũi

Răng

Môi

ng

nh

p

NG

NH

P

Âm mũi

Âm dừng

Âm xát

Môi

ph

q

PH

Q

Môi

Răng

r

R

- 21 -

19.

20.

21.

22.

23.

24.

s

t

S

T

Âm xát

Âm dừng

Âm xát

Răng

tr

th

v

x

TR

TH

V

Răng

Âm xát

Môi và răng

Vòm miệng

X

Âm xát

Từ bảng tổng hợp trên, tôi đã định nghĩa các phone tiếng Việt trong file

festvox/vnu_vn_ldk_phoneset.scm.

3.4 Xây dựng tập các diphone:

Đây là quá trình liệt kê tất cả các khả năng ghép của các phone với nhau. Một

cách đơn giản chúng ta có thể viết đoạn chương trình:

Bảng 4 Một cách liệt kê các diphone

for (phone u trong tập phone)

for (phone v trong tập phone)

tập diphone kết quả = add(diphone(u – v))

Trong tiếng Việt không phải cặp phone – phone nào cũng tồn tại, vì vậy, cách

làm này gây ra sự lãng phí về cơ sở dữ liệu phải lưu trữ, tuy không ảnh hưởng đến chất

lượng tiếng nói tổng hợp thu được sau cùng nhưng làm cho cơ sở dữ liệu bị tăng lên

nhiều lần. Theo cách định nghĩa các phone như trên, sẽ không tồn tại các diphone dạng

nguyên âm – nguyên âm hoặc phụ âm – phụ âm. Tôi sẽ chỉ định nghĩa những diphone

có tồn tại. Để dễ dàng hơn cho việc xây dựng, tôi chia các phone vào 5 tập:

Bảng 5 Phân loại các phone

Các tập dữ liệu

Các phần tử

8 phone phụ âm có thể đứng cuối

C, CH, M, N, NG, NH, P, T

(consonants_can_stay_last)

- 22 -