Đề tài Tìm hiểu công nghệ nhận diện giọng nói

gày càng phát triển cùng với những tiến bộ vượt bậc của khoa học kỹ thuật nói chung, có rất nhiều công nghệ mới được cho ra mắt. Hơn một thập kỷ qua, với sự phát triển mạnh mẽ của công nghệ thông tin, công nghệ xử lý tiếng nói như mã hoá, nhận dạng tiếng nói, chuyển lời nói thành văn bản, chuyển chữ viết thành lời nói, đã trở thành vấn đề nghiên cứu trọng điểm được nhiều nhà khoa học quan tâm ở nhiều lĩnh vực khác nhau như: tin học, toán học, điều khiển, điện tử, sinh học, Trong thời gian gần đây, các nhà nghiên cứu đang tập trung vào công nghệ nhận dạng giọng nói và đã có một số thành công đối với việc nhận dạng tiếng Anh và một số ngôn ngữ khác. Đã có nhiều công trình nghiên cứu về lĩnh vực nhận dạng giọng nói (Speech recognition) trên cơ sở lý thuyết các hệ thống thông minh nhân tạo, nhiều kết quả đã trở thành sản phẩm như Via Voice Gold của hãng IBM, Dragon Natural Speaking của Dragon System, Speech SDK của Microsoft, Triển khai những công trình nghiên cứu và đưa vào thực tế ứng dụng vấn đề này là một việc làm hết sức có ý nghĩa trong giai đoạn công nghiệp hoá, hiện đại hoá của nước nhà. Vì thế, nhóm em đã chọn đề tài “Tìm hiểu Công nghệ nhận diện giọng nói” để tìm hiểu và trình bày về nội dung cũng như tổng quan về công nghệ. Tuy đã rất cố gắng học hỏi và tìm hiểu tài liệu từ nhiều nguồn thông tin nhưng điều kiện thời gian và khả năng có hạn nên cũng không tránh được thiếu sót. Kính mong được sự đóng góp ý kiến từ cô và các bạn để nhóm em có thể hoàn thiện hơn về bài báo cáo công nghệ này. Nhóm em xin chân thành cảm ơn. Thành phố Hồ Chí Minh, ngày 28 tháng 02 năm 2021 MỤC LỤC DANH SÁCH HÌNH ẢNH Hình 1. Mô hình công nghệ nhận diện giọng nói 11 Hình 2. Input và output của Công nghệ nhận diện giọng nói 12 Hình 3. Ví dụ về lấy mẫu sampling 1 13 Hình 4. Ví dụ về lấy mẫu sampling 2 13 Hình 5. Ví dụ về lấy mẫu sampling 3 14 Hình 6. Ví dụ về lấy mẫu sampling 4 14 Hình 7. 320 mẫu âm thanh trong 20ms 15 Hình 8. Âm thanh gốc trong chu kỳ 20ms 15 Hình 9. Bảng số thể hiện độ năng lượng của mỗi khoảng tần số 16 Hình 10. Đồ thị thể hiện độ năng lượng của mỗi khoảng tần số 16 Hình 11. Quang phổ cho năng lượng của mỗi khoảng tần số khi lặp lại quá trình 16 Hình 12. Mô hình trạng thái 17 Hình 13. Bản đồ kết nối của từ "HELLO" 18 Hình 14. Phần mềm Gboard 21 Hình 15. Phần mềm ListNote Speech-to-Text Notes 22 Hình 16. Phần mềm Voice Text 22 I. GIỚI THIỆU VỀ CÔNG NGHỆ NHẬN DIỆN GIỌNG NÓI 1. Giới thiệu về nền công nghiệp 4.0 và tầm ảnh hưởng Công nghiệp 4.0 tập trung vào công nghệ kỹ thuật số từ những thập kỷ gần đây lên một cấp độ hoàn toàn mới với sự trợ giúp của kết nối thông qua Internet vạn vật, truy cập dữ liệu thời gian thực và giới thiệu các hệ thống vật lý không gian mạng. Công nghiệp 4.0 cung cấp một cách tiếp cận toàn diện hơn, liên kết và toàn diện hơn cho sản xuất. Nó kết nối vật lý với kỹ thuật số và cho phép cộng tác và truy cập tốt hơn giữa các bộ phận, đối tác, nhà cung cấp, sản phẩm và con người. Công nghiệp 4.0 trao quyền cho các chủ doanh nghiệp kiểm soát và hiểu rõ hơn mọi khía cạnh hoạt động của họ và cho phép họ tận dụng dữ liệu tức thời để tăng năng suất, cải thiện quy trình và thúc đẩy tăng trưởng. Công nghiệp 4.0 cho phép các nhà máy thông minh, sản phẩm thông minh và chuỗi cung ứng cũng thông minh, và làm cho các hệ thống sản xuất và dịch vụ trở nên linh hoạt, linh hoạt và đáp ứng khách hàng hơn. Các thuộc tính của hệ thống sản xuất và dịch vụ với Công nghiệp 4.0 đã được nêu bật và những lợi ích mà Công nghiệp 4.0 mang lại cho các doanh nghiệp đã được thảo luận. Trong tương lai, khoa học và công nghệ tiếp tục phát triển và đóng vai trò ngày càng quan trọng đối với quá trình phát triển kinh tế xã hội của mỗi quốc gia. Tri thức được xác định là lực lượng sản xuất trực tiếp và là động lực phát triển hàng đầu đối với mọi quốc gia. Để phát triển bền vững, các quốc gia phải tiếp tục đẩy mạnh đầu tư phát triển khoa học và công nghệ nhằm ứng dụng thành tựu khoa học và công nghệ vào sản xuất, đặc biệt là những thành tựu của cách mạng công nghiệp lần thứ tư nhằm tạo ra các sản phẩm và công nghệ sản xuất mới. Tới đó công nghệ nhận diện và giả lập giọng nói được ra đời để đáp nhu cầu phát triển của con người. 2. Sơ lược về lịch sử công nghệ nhận diện giọng nói Trước đây, việc điều khiển một cỗ máy bằng cách nói chuyện với chúng chỉ là những câu chuyện trong khoa học viễn tưởng. Nhưng viễn tưởng này đang dần trở thành hiện thực với sự phát triển vượt bậc về công nghệ, đặc biệt là sự phát triển của Trí tuệ nhân tạo (AI) và những nền tảng khác để tạo ra một giao diện người dùng cho phép sử dụng giọng nói để điều khiển các thiết bị công nghệ. Năm 1877, ứng dụng nhận diện giọng nói đầu tiên được tạo ra khi Thomas Edison phát minh ra máy ghi âm, thiết bị đầu tiên ghi và tái tạo âm thanh. Năm 1952, các kỹ sư tại Bell Labs đã phát triển một bộ nhận dạng chữ số tự động có tên Audrey. Audrey cao 6 feet, có nhiều tín hiệu tương tự với tụ điện, bộ khuếch đại và bộ lọc, chỉ nhận ra 10 chữ số được nói bởi một giọng nói duy nhất. Mặc dù thiết bị có thể nhận ra đầu vào bằng giọng nói với độ chính xác 97-99% nhưng chính vì kích thước lớn, chi phí cao và thiết bị điện tử phức tạp nên nó đã không thể trở thành một sản phẩm được thương mại hóa. Tuy nhiên, thiết bị Audrey này cũng đã đánh dấu sự khởi đầu của công nghệ nhận dạng giọng nói và tiếp tục cho những nghiên cứu sau đó. Hệ thống Audrey còn được xem là thiết bị nhận dạng giọng nói đầu tiên. Năm 1962, máy Shoe box được IBM phát triển, có thể nhận ra 16 từ tiếng anh, 10 chữ số và 6 lệnh số học Từ những năm 1971 – 1976, Bộ Quốc phòng Mỹ đã tài trợ cho chương trình DARPA SUR (Nghiên cứu hiểu về lời nói), dẫn đến sự phát triển của Harpy tạo ra bởi Carnegie Mellon có thể hiểu được 1011 từ. Vào năm 1984, Công nghệ nhận dạng giọng nói thế hệ đầu tiên được SpeechWorks và Nuance giới thiệu thông qua các hệ thống tổng đài trả lời tự động (IVR). Những IVR này có thể nhận ra giọng nói của con người qua cuộc gọi và thực hiện các nhiệm vụ được giao cho chúng. Bất cứ ai có điện thoại đều có thể nhận được tất cả thông tin như tìm thời gian chiếu phim địa phương, nghe thông tin giao thông, báo giá cổ phiếu, đặt chuyến bay máy bay, chuyển tiền giữa các tài khoản, đặt mua thuốc theo toa,.. Mọi thứ chỉ xoay quanh chiếc điện thoại cầm tay và giọng nói của con người. Các hệ thống IVR đã trở thành xu hướng chủ đạo trong những năm 2000 và là một phần chính của các dịch vụ chăm sóc và hỗ trợ khách hàng ngày nay. Năm 1992, Apple cũng sản xuất hệ thống nhận dạng giọng nói liên tục theo thời gian thực hiện, có thể nhận ra lên đến 20.000 từ. Năm 2006, Apple đã giới thiệu khái niệm về Siri, cho phép người dùng tương tác với các máy sử dụng giọng nói. Sau đó, Google đã giới thiệu một nghiên cứu hỗ trợ giọng nói vào năm 2007. Những gã khổng lồ công nghệ như Microsoft, Apple và Google sau đó đã tung ra trợ lý giọng nói cho thiết bị di động. Đến năm 2008, Google nổi lên với ứng dụng Google Voice Search dành cho Iphone Năm 2010, Google đã giới thiệu và nhận dạng được cá nhân hoá, các thiết bị Android sẽ ghi lại các truy vấn giọng nói của người dùng khác nhau để phát triển một mô hình giọng nói nâng cao. Nó bao gồm 230 tỷ từ tiếng anh Năm 2011, cuối cùng Siri của Apple đã được triển khai trong Iphone 4S, cũng dựa trên điện toán đám mây Năm 2014 Amazon đã giới thiệu Amazon Echo, một loa thông minh tích hợp với trợ lý ảo (Alex, Siri...). Những lời này có thể được kết hợp với các ứng dụng di động thông qua kỹ năng Alexa. Tương tự, các đối thủ cạnh tranh để giới thiệu Google home, Apple Homepod để cải thiện trải nghiệm người dùng khi họ ở văn phòng, nhà hoặc thậm chí tại trung tâm mua sắm. Năm 2015, Microsoft đã công bố sự sẵn có của Cortana cho máy tính để bàn và thiết bị di động Windows 10 như một phần của việc hợp nhất Windows Phone vào hệ điều hành nói chung. Vào tháng 5 năm 2016, Trợ lý Google (Google Assistant) là một trợ lý cá nhân ảo được phát triển bởi Google cho thiết bị di động và nhà thông minh, được ra mắt lần đầu tại hội nghị nhà phát triển của hãng. Không như Google Now, Trợ lý Google có thể tham gia các cuộc trò chuyện hai chiều. Trợ lý Google được đưa vào ứng dụng nhắn tin Google Allo, và loa thông minh Google Home. năm 2017, Google Assistant đã và đang được tiếp tục mở rộng hỗ trợ cho một lượng lớn thiết bị, bao gồm cả xe hơi và các thiết bị nhà thông minh. Các chức năng của Assistant cũng có thể được bổ sung bởi các nhà phát triển bên thứ ba. 3. Giới thiệu về công nghệ nhận diện giọng nói a. Công nghệ nhận diện giọng nói là gì? Công nghệ nhận diện giọng nói là một bộ máy hoặc hệ thống có khả năng nhận và dịch (hoặc hiểu và thực hiện) các lệnh thu được từ giọng nói con người. Nó được sử dụng rất nhiều trong lĩnh vực trí tuệ nhân tạo (AI), Google Assistant là một ví dụ điển hình. Đây là một bộ máy hoặc hệ thống có khả năng nhận và dịch (hoặc hiểu và thực hiện) các lệnh thu được từ giọng nói con người. Nhận diện giọng nói gồm 2 thuật ngữ: Voice recognition và Speech recognition. Voice recognition liên quan đến việc xác định giọng nói chính xác của một cá nhân nào đó, tương tự một phương pháp nhận diện sinh trắc học. Speech recognition là việc xác định những từ ngữ trong câu nói rồi dịch chúng sang ngôn ngữ máy tính. b. Cách thức hoạt động của công nghệ nhận diện giọng nói Để chuyển giọng nói sang văn bản hoặc câu lệnh máy tính, hệ thống phải thực hiện một quá trình gồm nhiều bước phức tạp. Khi nói, bạn sẽ tạo ra những rung động trong không khí. Bộ chuyển đổi tín hiệu tương tự sang số (Analog-to-Digital Converter, ADC) chuyển các sóng tương tự (analog) này thành dữ liệu mà máy tính có thể hiểu được. Để làm điều này, hệ thống thu thập các mẫu (hoặc số hóa) âm thanh bằng cách đo chính xác sóng âm ở các khoảng thời gian gần nhau, sau đó lọc âm thanh đã được số hoá để loại bỏ tiếng ồn, đôi khi tách chúng thành các dải tần số khác nhau. Nó cũng "bình thường hóa" hoặc tinh chỉnh âm thanh đến một mức âm lượng không thay đổi hoặc sắp xếp theo thời gian. Không phải lúc nào con người cũng nói với tốc độ như nhau nên âm thanh phải được điều chỉnh cho phù hợp với tốc độ mà âm thanh mẫu được ghi nhận trong bộ nhớ máy. Tiếp theo, tín hiệu được chia thành nhiều phần nhỏ (thời gian khoảng vài phần trăm giây, thậm chí là phần ngàn giây trong trường hợp có phụ âm cuối khó phân biệt như "p" hoặc "t"). Chương trình sau đó đặt những phần âm thanh này vào các âm vị có sẵn trong ngôn ngữ thích hợp. Với sự phát triển của công nghệ, ứng dụng nhận dạng giọng nói ngày càng được hoàn thiện với tính chính xác cao hơn. Thay vì nhận dạng từng chữ cái, công nghệ này còn có khả năng nhận dạng được theo ngữ nghĩa của câu nói để giảm thiểu sai sót trong quá trình nhận dạng. c. Ưu, nhược điểm của công nghệ nhận diện giọng nói Ưu điểm của phần mềm nhận diện giọng nói: - Khả năng truy cập: Đây là một thuận lợi đối với người khuyết tất khi họ không thể dùng chuột hay bàn phím, nhưng có thể dùng giọng nói để hệ thống chuyển thành văn bản, giúp nhập liệu hay điều khiển một cách dễ dàng. - Kiểm tra chính tả: Người dùng có thể truy cập vào các công cụ chỉnh sửa tương tự một giải pháp xử lý văn bản chuẩn. Đương nhiên mọi thứ sẽ không chính xác 100% nhưng phần mềm có thể nhận diện và xử lý phần lớn lỗi chính tả, ngữ pháp. - Tốc độ nhanh: Phần mềm nhận dạng giọng nói có thể nắm bắt giọng nói của người dùng với tốc độ nhanh hơn so với khi nhập liệu bằng bàn phím, vì vậy tốc độ khi nhập liệu bằng giọng nói sẽ cải thiện đáng kể. Nhược điểm của phần mềm nhận diện giọng nói: - Thiết lập và "dạy": Mặc dù tất cả phần mềm nhận dạng giọng nói hiện nay đều hứa hẹn có thể hoạt động sau vài phút thiết lập, nhưng thực sự quá trình ghi nhận, làm quen với giọng nói, âm điệu và tốc độ nói của người dùng có đôi chút phức tạp và tốn thời gian. Một số phần mềm nhận dạng giọng nói còn bắt người dùng nói lại, thậm chí không thể nhận diện được bạn đang nói gì. - Chưa thực sự ổn định: Việc đang nói mà bị ngắt giữa chừng có thể khiến người dùng cảm thấy khó chịu. Đặc biệt, một số người không thích phần mềm nhận dạng giọng nói vì nó gây bối rối cho người dùng khi lên xuống giọng hay bỗng dưng nói nhỏ lại. - Kho từ vựng hạn chế: Người dùng phải sẵn sàng chấp nhận trường hợp phần mềm xử lý quá lâu vì những từ vừa nói không nằm trong từ điển có sẵn. Đó là điều các nhà nghiên cứu đang cố gắng cải tiến ở phần mềm nhận dạng giọng nói hiện nay. d. Một số thư viện hỗ trợ cho công nghệ nhận diện giọng nói Nuance là cái tên được nhắc đến nhiều nhất trong việc cung cấp thư viện giọng nói cho app di động. Chính nhờ vào những thư viện như thế này mà lập trình viên không cần phải tự mình thiết kế hệ thống nhận dạng, phiên dịch cho app mà chỉ cần xài lại cái có sẵn, tiết kiệm được nhiều thời gian, công sức và tiện bạc. Nuance có hỗ trợ cho tiếng Việt trong ứng dụng Dragon Dictation do chính hãng này phát triển. OpenEars cũng là một thư viện khác nhưng nó thuộc dạng nguồn mở và hoạt động offline, hạn chế là chỉ hỗ trợ tiếng Anh và Tây Ban Nha. Vài cái tên khác có thể kể đến như Ivona, iSpeech, Vocalkit and Acapela. Một cách khác mà nhiều phần mềm hiện cũng đang xài đó là tận dụng bộ nguồn nhận dạng có sẵn trên các hệ điều hành di động. Người dùng có thể kích hoạt tính năng này ở những chỗ cần nhập văn bản. Từ iOS 7 về trước thì tính năng này không hỗ trợ tiếng Việt, phải lên iOS 8 mới có. Google thì bắt đầu hỗ trợ nhập liệu tiếng Việt cho Android khoảng một năm về trước. Ngoài ra, Apple, Google cũng có cung cấp các hàm API giúp app của lập trình viên biết nói chỉ với vài dòng mã nguồn. II. TỔNG QUAN VỀ CÔNG NGHỆ NHẬN DIỆN GIỌNG NÓI 1. Mô hình triển khai công nghệ nhận diện giọng nói Hình 1. Mô hình công nghệ nhận diện giọng nói Có nhiều cách thức mà các công ty hiện nay đang triển khai, có thể kể đến 2 phương pháp phổ biến như sau: Điện toán đám mây: Trong trường hợp này, việc nhận dạng, xử lý ngôn ngữ sẽ diễn ra trên máy chủ của các công ty cung cấp dịch vụ. Phương pháp đám mây giúp việc nhận dạng được chính xác hơn, ứng dụng thì có dung lượng nhỏ, nhưng bù lại thì thiết bị ở phía người dùng phải luôn kết nối với Internet. Độ trễ trong quá trình gửi giọng nói từ máy lên server rồi trả kết quả từ server về lại máy cũng là những thứ đáng cân nhắc. Tích hợp thẳng vào app: Với phương thức này, quá trình xử lý giọng nói sẽ diễn ra trong nội bộ ứng dụng, không cần giao tiếp với bên ngoài, chính vì thế tốc độ sẽ nhanh hơn. Người dùng cũng không bắt buộc phải kết nối vào mạng thường trực. Tuy nhiên, giải pháp này gặp nhược điểm đó là khi có cập nhật hoặc thay đổi gì đó về bộ máy nhận dạng, nhà sản xuất sẽ phải cập nhật lại cả một app, trong khi với phương thức đám mây thì những thay đổi đó chỉ cần làm ở phía server. Kích thước ứng dụng cũng sẽ tăng lên, có thể lên tới cả vài trăm MB. 2. Các kỹ thuật được áp dụng trong công nghệ nhận diện giọng nói Thoạt nhìn thì việc triển khai công nghệ nhận dạng giọng nói khá đơn giản, nhưng thực chất thì không phải như thế: - Thứ nhất, các nhà phát triển phải xây dựng nên một công nghệ có thể lắng nghe, phân tích và phiên dịch một cách chính xác giọng nói của người dùng. Nếu không thì làm sao app biết bạn đang nói gì, còn nếu độ chính xác không cao thì cũng như không. - Thứ hai, vấn đề bản địa hóa (localization) cũng là một chuyện làm đau đầu các lập trình viên. Mỗi quốc gia sẽ có ngôn ngữ của riêng mình, vấn đề đó là làm thế nào để có thể hỗ trợ càng nhiều ngôn ngữ càng tốt. Hiện nay hầu hết những dịch vụ giọng nói đều hỗ trợ tiếng Anh, Google Voice Input trong Android và Voice Dictation trong iOS 8 thì có hỗ trợ tiếng Việt nhưng cũng còn nhiều hạn chế. Đó là chưa nói đến việc mỗi vùng miền lại có cách nói, giọng điệu khác nhau mặc dù họ sử dụng cùng một ngôn ngữ. Tuy nhiên, với cách các máy dịch thuật hiện nay đang hoạt động, chúng ta chỉ cần truyền đoạn ghi âm vào mạng nơron và đào tạo nó để tạo ra "bản dịch", đó cũng là điều mà nhận diện giọng nói với deep learning hướng tới: Hình 2. Input và output của Công nghệ nhận diện giọng nói Vấn đề lớn nhất chính là tốc độ nói biến thiên. Một người có thể nói "Hello" rất nhanh và người khác nói "heeeellllllloooooo!" cực chậm, tạo ra âm thanh dài hơn với nhiều dữ liệu hơn. Cả 2 âm đều nên được nhận dạng chính xác là từ một - "hello!". Tự động chỉnh file âm thanh với nhiều biến thể độ dài khác nhau của từng từ để tạo ra văn bản đồng nhất lại khá khó. Để xử lý vấn đề này, chúng ta sẽ sử dụng một số kỹ thuật đặc biệt và thêm một vài bước vào mạng deep learning. a. Kỹ thuật xử lý ngôn ngữ tự nhiên (Natural Language Processing) Xử lý ngôn ngữ tự nhiên (Natural Language Processing – NLP) là tập hợp của nhiều thuận toán phức tạp nhằm phân tích mệnh lệnh của người dùng nhưng không bắt buộc họ phải nói theo một cấu trúc câu định sẵn. Nhiều năm trước khi muốn điều khiển bằng giọng nói, bạn chỉ có thể nói những thứ như "Mở bản đồ, "Báo thức lúc 5 giờ sáng". Còn bây giờ thì nhờ có NLP, ta có thể nói các câu như "Siri, hãy đánh thức tôi lúc 5 giờ sáng ngày mai". NLP cũng không phải là đơn giản để phát triển. Cả Apple, Google và Microsoft đều phải đầu tư rất nhiều tiền bạc và nguồn lực để có thể đưa NLP lên đến mức tiến bộ như hiện nay. Mặc dù vậy, các công ty vẫn phải tiếp tục nghiên cứu để cải thiện độ chính xác cũng như hỗ trợ thêm nhiều ngôn ngữ khác nhau. b. Chuyển âm thanh thành số Bước đầu tiên trong nhận diện giọng nói khá rõ ràng - chúng ta cần truyền sóng âm vào máy tính, xem hình ảnh là tập hợp giá trị, với mỗi giá trị đại diện cho độ sáng của điểm ảnh, để truyền vào mạng nơron. Sóng âm có một chiều dữ liệu. Ở mỗi thời điểm, chúng có một giá trị cao độ. Để chuyển sóng âm thành số, chúng ta chỉ cần ghi lại độ cao của sóng ở từng khoảng: Hình 3. Ví dụ về lấy mẫu sampling 1 Hình 4. Ví dụ về lấy mẫu sampling 2 Hình 5. Ví dụ về lấy mẫu sampling 3 Hình 6. Ví dụ về lấy mẫu sampling 4 Phương pháp này gọi là sampling - lấy mẫu. Chúng ta đọc mẫu mỗi 1/1000s và ghi lại con số đại diện chiều cao cùa sóng âm. Đây chính là file .wav khi không bị nén. Những âm thanh chất lượng tốt được ghi ở tần số 44.1khz (44,100 lần đọc mỗi giây). Nhưng với nhận diện giọng nói, tốc độ lấy mẫu ở 16khz (16,000 mẫu mỗi giây) là quá đủ. Lấy mẫu chỉ tạo ra đồ thị xấp xỉ so với sóng âm, bởi vì nó chỉ đọc dữ liệu theo từng khoảng. Vì thế, để tránh bị mất dữ liệu mỗi lần đọc, ta áp dụng lý thuyết Nyquist, chúng ta có thể sử dụng toán học để tái tạo chính xác sóng âm gốc từ những mẫu tách biệt - miễn là chúng ta lấy mẫu với tần số gấp đôi tần số âm chúng ta muốn ghi lại. Không phải cứ lấy mẫu với tần số càng cao thì chất lượng âm thanh càng tốt. c. Kỹ thuật tiền xử lý dữ liệu mẫu âm thanh Ta có thể truyền những số này vào mạng nơron, nhưng cố gắng nhận diện cấu trúc âm thanh trực tiếp bằng những mẫu này rất khó. Thay vào đó, chúng ta giải quyết vấn đề dễ hơn bằng cách tiền xử lý dữ liệu. Đầu tiên, hãy bắt đầu nhóm mẫu âm thanh trong khoảng 20ms: Hình 7. 320 mẫu âm thanh trong 20ms Ghi lại những con số này trong đồ thị giúp chúng ta có ước lượng xấp xỉ về âm thanh gốc trong chu kỳ 20ms: Hình 8. Âm thanh gốc trong chu kỳ 20ms Bản ghi âm này chỉ khoảng 1/50s. Nhưng thậm chí một đoạn ghi âm rất ngắn là một mớ hỗn độn cao độ âm khác nhau. Có những âm thấp, âm trung và thậm chí cả âm cao. Nhưng cùng với nhau, những âm này tạo lên giọng nói. Để giúp mạng nơron xử lý dữ liệu dễ hơn, ta tách sóng âm phức tạp này thành từng phần: phần chứa âm thấp, âm cao hơn, cao hơn nữa... Sau đó, ta tính tổng năng lượng ở những những dải tần số (từ thấp đến cao) và kết nối lại tạo ra fingerprint - nhận dạng duy nhất cho từng đoạn trích âm thanh. Chúng ta làm điều đó nhờ vào việc sử dụng Fourier transform trong toán học. Nó chia nhỏ những sóng âm phức tạp thành sóng âm đơn tạo ra nó, và ta có thể tính tổng năng lượng ở mỗi đơn âm. Sau khi sử dụng lý thuyết Nyquist ở trên, sóng âm đã trở thành một dải liên tục. Và sử dụng Fourier transform, chúng ta lại tách dải liên tục đó ra thành các notes riêng biệt (được tính toán bởi thuật toán Fourier) để tìm ra tổng năng lượng ở từng note. Kết quả cuối cùng là một bảng số thể hiện độ năng lượng của mỗi khoảng tần số, từ âm thấp tới âm cao. Mỗi số dưới đây đại diện cho năng lượng dải 50hz trong clip 20ms: Hình 9. Bảng số thể hiện độ năng lượng của mỗi khoảng tần số Nhưng sẽ dễ dàng hơn nhiều khi ta biểu diễn dãy số trên trên đồ thị: Hình 10. Đồ thị thể hiện độ năng lượng của mỗi khoảng tần số Ta có thể thấy dài tần số này có rất nhiều năng lượng tần số thấp, và ít năng lượng tần số cao. Đây là một giọng nam điển hình. Nếu chúng ta lặp lại quá trình trên cho mỗi khoảng 20ms, chúng ta sẽ có quang phổ (mỗi cột từ trái qua phải là một khoảng 20ms): Hình 11. Quang phổ cho năng lượng của mỗi khoảng tần số khi lặp lại quá trình Tạo ra quang phổ giúp chúng ta thực sự nhìn thấy âm thanh và cấu trúc độ cao của nó. Mạng nơron có thể tìm những cấu trúc trong dữ liệu này dễ dàng hơn so với sóng âm thô. Do đó, đây chính là đặc trưng mà ta truyền vào mạng nơron. Qua đó ta thấy, hầu hết dữ liệu thô đều chứa nhiều nhiễu và khó xử lý trong cả ảnh và âm thanh. Một cách giúp hạn chế nhiễu là tổng quát hóa: như trong mạng CNN là trích lọc đặc trưng thông qua convolution - tích chập và max pooling - tách lọc lớn nhất, hay ở trong xử lý âm thanh là lấy tổng năng lượng theo từng âm. Việc tổng quát hóa giúp giảm chiều dữ liệu và hạn chế ảnh hưởng từ nhiễu. Chú ý là nếu quá tổng quát hóa thì lại có thể làm tiêu biến đặc trưng, khiến học máy không thể tìm ra lời giải. d. Kỹ thuật nhận diện ký tự từ đoạn âm ngắn Ta truyền từng dải âm 20ms vào mạng nơron đa lớp. Với mỗi mảng cắt âm thanh, chúng ta cố gắng tìm ra ký tự đại diện cho âm thanh phát ra. Hình 12. Mô hình trạng thái Chúng ta sử dụng Recurrent Neural Network - RNN - mạng nơron hồi quy: kết quả tiên đoán quá khứ có ảnh hưởng tới kết quả tiên đoán trong tương lai. Đó là bởi vì các ký tự có sự liên quan đến nhau. Ví dụ chúng ta đã tìm ra "HEL", thì rất có khả năng chúng ta sẽ nói tiếp "LO". Vì thế, những dự đoán trong quá khứ sẽ giúp dự đoán tương lai được tốt hơn. Sau khi chạy toàn bộ âm thanh thông qua mạng nơron, chúng ta kết nối mỗi dải âm với một ký tự có khả năng được nói cao nhất. Đây là bản đồ kết nối của từ "HELLO": Hình 13. Bản đồ kết nối của từ "HELLO" Mạng nơron trên dự đoán từ được nói là “HHHEE_LL_LLLOOO”, nhưng nó cũng nghĩ có khả năng từ đó là “HHHUU_LL_LLLOOO”, hoặc thậm chí là “AAAUU_LL_LLLOOO”. Chúng ta có thêm một vài bước để làm sạch kết quả. Đầu tiên, chúng ta bỏ đi những ký tự bị lặp, rồi bỏ đi khoảng trống: HHHEE_LL_LLLOOO => HE_L_LO => HELLO HHHUU_LL_LLLOOO => HU_L_LO => HULLO AAAUU_LL_LLLOOO => AU_L_LO => AULLO Như vậy, ta có 3 khả năng phân âm là "Hello", "Hullo" và "Aullo". Nếu ta nói chúng thật to, cả 3 đều nghe giống với "Hello". Bởi vì dự đoán từng ký tự một, mạng nơron tìm ra cách đọc các âm chứ không phải cách viết. Ví dụ: nếu ta nói "He would not go", máy có thể dịch là "He wud net go". Thủ thuật ở đây là kết hợp những dự đoán phiên âm này với khả năng xuất hiện trong các văn bản (sách, bài bảo...). Ta sẽ loại bỏ đi những phiên âm ít có khả năng ngoài thực tế và giữ phiên âm thực tế nhất. Và trong 3 từ "Hello", Hullo" và "Aullo". Rõ ràng, "Hello" có tần xuất cao hơn rất rất nhiều, và đây chính là bản phiên âm chúng ta lựa chọn. e. Áp dụng Machine Learning tự xây dựng hệ thống nhận diện giọng nói Machine learning sử dụng các thuật toán lặp để học từ dữ liệu và cho phép máy tính tìm thấy những thông tin, giá trị ẩn sâu mà không được lập trình một cách rõ ràng nơi để tìm. Khía cạnh lặp lại của Machine learning là quan trọng bởi khi các mô hình này được tiếp xúc với dữ liệu mới thì chúng có thể thích ứng một cách độc lập. Các hệ thống Machine Learning có thể nhanh chóng áp dụng kiến thức và đào tạo từ các bộ dữ liệu lớn để thực hiện các công việc về nhận diện giọng nói một cách xuất sắc. Nhận diện ngôn ngữ là một vấn đề khó, ta phải chấp nhận những vấn đề như: chất lượng micro kém, môi trường ghi âm ồn, tiếng dội lại, giọng điệu khác nhau... Tất cả những vấn đề này hiện hữu trong quá trình đào tạo, khiến mạng nơron không có độ chính xác cao. Và để xử lý tiếng ồn, ta cần dữ liệu đào tạo giống như khi mà mọi người đang gào thét vào mặt người nói. Để xây dựng hệ thống nhận diện âm thanh đạt tới trình độ của Siri, Google Now! hay Alexa, ta cần rất nhiều dữ liệu. Không một ai muốn hệ thống nhận diện chỉ đạt 80% độ chính xác. Vì vậy, chỉ cần cho máy tự động lưu và học (train data) một lượng lớn dữ liệu do người dùng tự cung cấp. Ta sẽ tạo lên hệ thống nhận diện giọng nói hoàn chỉnh. f. Giao diện giọng nói người dùng (Voice user interface) Giao diện giọng nói người dùng (Tiếng anh: Voice user interface, viết tắt: VUI) là công nghệ nhận dạng giọng nói, cho phép người dùng tương tác với hệ thống và các thiết bị như máy tính, điện thoại thông minh và các thiết bị khác thông qua các lệnh thoại hoặc giọng nói. Điều làm nên sự độc đáo của VUI là nó sử dụng giọng nói làm tương tác chính, không dùng tay hay mắt và trái ngược với sự tương tác giữa bàn phím - chuột - màn hình hoặc màn hình cảm ứng. Cách tiếp cận bằng giọng nói này có thể cho phép người dùng bắt đầu các thao tác dịch vụ tự động và thực hiện các tác vụ hàng ngày của họ theo cách nhanh hơn hơn trong khi vẫn có thể tập trung làm việc khác. 3. Công dụng của công nghệ nhận diện giọng nói Tốc độ là điều đầu tiên người ta nhắc đến khi được đề cập đến câu hỏi này. Thay vì phải ngồi nhập tay email, soạn văn bản, đặt lịch hẹn, trên điện thoại hoặc máy tính gây tốn thời gian, thậm chí sai sót. Giờ đây chúng ta có thể sử dụng giọng nói như một phương thức để nhập liệu. Nó nhanh chóng, đơn giản, thuận tiện và vô cùng dễ dàng. Không chỉ dừng lại ở việc nhập liệu, nhận dạng giọng nói còn được ứng dụng như một hệ thống điều khiển trong hệ sinh thái smarthome. Nhận diện giọng nói còn được sử dụng rất nhiều trong lĩnh vực trí tuệ nhân tạo (Artificial Intelligence). Siri hay Google Assistant là những ví dụ điển hình. Ngoài ra, công nghệ nhận dạng giọng nói cũng được đánh giá là một sản phẩm tuyệt vời dành cho người khiếm thị. Những người khiếm thị có thể tận hưởng những tiến bộ công nghệ tương tự như những gì mà một người bình thường có thể làm, không còn khoảng cách xuất hiện do những khiếm khuyết về giác quan. 4. Sự cần thiết của công nghệ nhận diện giọng nói trong cuộc sống Có cả trăm, cả nghìn ứng dụng cho phép người dùng tìm kiếm, viết email, ghi chú và đặt lịch hẹn trên smartphone. Thế nhưng, với một số người, việc sử dụng bàn phím nhỏ xíu trên điện thoại là không tiện lợi, thậm chí là rất khó chịu. Tốc độ gõ của bạn có thể rất nhanh và chính xác, nhưng cũng có những người như nổi điên lên khi phải xóa đi viết lại chỉ một chữ duy nhất chỉ vì họ bấm nhầm sang những phím bên cạnh. Giọng nói là giải pháp hợp lý nhất tính đến thời điểm hiện tại. Người dùng không chỉ xài giọng nói của mình như một phương thức nhập liệu mà chính bản thân thiết bị cũng có thể xài giọng nói để đọc ra những thông tin cần thiết. Đó là chưa kể đến lợi ích to lớn mà những phần mềm dựa trên giọng nói có thể mang lại cho những người khiếm thị. Họ có thể tận hưởng những tiến bộ công nghệ tương tự như những gì mà một người bình thường có thể làm, không còn khoảng cách xuất hiện do những khiếm khuyết về giác quan. Tất nhiên, hiện nay công nghệ giọng nói vẫn chỉ mới ở giai đoạn đầu chứ chưa thể nào thay thế hoàn toàn bàn phím ảo/vật lý hoặc các nút trên màn hình. Tuy nhiên, chúng ta đang dần tiến đến một kỉ nguyên hiện đại hơn, các ứng dụng giọng nói cũng dần dần được hoàn thiện. 5. Ngôn ngữ lập trình được sử dụng cho nhận diện giọng nói Thuật toán nhận dạng giọng nói hoạt động thông qua mô hình âm thanh và ngôn ngữ. Mô hình âm thanh được đặc trưng bởi sự kết hợp của các đơn vị ngôn ngữ của tín hiệu giọng nói và âm thanh. Mô hình ngôn ngữ khớp các âm với trình tự của một từ để giúp phân biệt giữa các từ có âm tương tự. Để nhận dạng một mẫu thời gian trong lời nói và để cải thiện độ chính xác của hệ thống, ta dùng Mô hình Markov ẩn cùng với một số ngôn ngữ sau: a. Ngôn ngữ C# C# là ngôn ngữ mã nguồn mở và chạy trên Windows, Mac và Linux. Ngôn ngữ này giúp phát triển ứng dụng cửa hàng Windows, ứng dụng Android và ứng dụng IOS. Nó cũng có thể hữu ích để xây dựng khung và thư viện phụ trợ và trung cấp. Nó hỗ trợ khả năng tương tác ngôn ngữ, nghĩa là C# có thể truy cập mã được viết bằng bất kỳ ngôn ngữ tuân thủ .NET nào. C# chạy trên nhiều nền tảng máy tính khác nhau để nhà phát triển có thể dễ dàng thực hiện tái sử dụng mã hóa. C# hỗ trợ nạp chồng toán tử và chỉ thị tiền xử lý sẽ giúp cho ngữ pháp nhận dạng giọng nói. Với ngôn ngữ này, ta có thể dễ dàng xử lý sự kiện nhận dạng giọng nói. b. Ngôn ngữ Java Java là ngôn ngữ lập trình hướng đối tượng được yêu cầu cao. Nó có nhu cầu cao vì các tính năng mở rộng của nó. Để phát triển khái niệm nhận dạng giọng nói, Java tạo ra một API Java Speech. Nó là tập hợp các lớp trừu tượng và giao diện sử dụng mà nhà phát triển Java tạo ra một khung nhìn của công cụ lời nói. Nó có khả năng tuyệt vời để học các mẫu giọng nói của bạn và công cụ này có thể xử lý mọi tình huống không được hỗ trợ một cách lưu loát. Vì Java hỗ trợ tính năng tuyệt vời là trung lập về kiến ​​trúc nên nhà phát triển có thể chạy trên bất kỳ bộ xử lý nào có sẵn trong thế giới thực mà không cần nghĩ đến việc phát triển và biên dịch. c. Ngôn ngữ PHP PHP là một ngôn ngữ lập trình hướng tính năng và phổ biến. PHP là ngôn ngữ cấp cao và cú pháp của nó tương tự như ngôn ngữ C, vì vậy rất dễ dàng cho người mới bắt đầu tạo phần mềm nhận dạng giọng nói. PHP được hỗ trợ trên nhiều hệ điều hành nên nhà phát triển sẽ dễ dàng di chuyển ứng dụng được viết bằng PHP từ máy chủ Windows gốc sang máy chủ Linux mà không cần sửa đổi. PHP hỗ trợ một số lớp mã nguồn mở có thể hữu ích cho việc tạo ứng dụng nhận dạng giọng nói và do đó ta cũng có thể cung cấp ứng dụng đã tạo miễn phí. Việc tạo ứng dụng 'chuyển lời nói thành văn bản' hoặc 'chuyển văn bản thành giọng nói' rất dễ dàng vì giao diện ứng dụng và dịch vụ lưu trữ web rẻ. d. Ngôn