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 n
Trang 1BỘ CÔNG THƯƠNGTRƯỜNG ĐẠI HỌC CÔNG NGHIỆP THỰC PHẨM TP HCM
KHOA: CÔNG NGHỆ THÔNG TIN
Trang 2Trong 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 kiệnthời 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
Trang 3MỤC LỤC
LỜI MỞ ĐẦU
MỤC LỤC _3 DANH SÁCH HÌNH ẢNH 4
I GIỚI THIỆU VỀ CÔNG NGHỆ NHẬN DIỆN GIỌNG NÓI _5
1 Giới thiệu về nền công nghiệp 4.0 và tầm ảnh hưởng 5
2 Sơ lược về lịch sử công nghệ nhận diện giọng nói _5
3 Giới thiệu về công nghệ nhận diện giọng nói _7
a Công nghệ nhận diện giọng nói là gì? _7
b Cách thức hoạt động của công nghệ nhận diện giọng nói _8
c Ưu, nhược điểm của công nghệ nhận diện giọng nói _8
d Một số thư viện hỗ trợ cho công nghệ nhận diện giọng nói 9
II TỔNG QUAN VỀ CÔNG NGHỆ NHẬN DIỆN GIỌNG NÓI _10
1 Mô hình triển khai công nghệ nhận diện giọng nói _10
2 Các kỹ thuật được áp dụng trong công nghệ nhận diện giọng nói _10
a Kỹ thuật xử lý ngôn ngữ tự nhiên (Natural Language Processing) _11
b Chuyển âm thanh thành số _12
c Kỹ thuật tiền xử lý dữ liệu mẫu âm thanh _13
d Kỹ thuật nhận diện ký tự từ đoạn âm ngắn _16
e Áp dụng Machine Learning tự xây dựng hệ thống nhận diện giọng nói
18
f Giao diện giọng nói người dùng (Voice user interface) _18
3 Công dụng của công nghệ nhận diện giọng nói 18
4 Sự cần thiết của công nghệ nhận diện giọng nói trong cuộc sống 19
5 Ngôn ngữ lập trình được sử dụng cho nhận diện giọng nói 19
a Ngôn ngữ C# _19
b Ngôn ngữ Java _20
c Ngôn ngữ PHP _20
d Ngôn ngữ Perl 20 III MỘT SỐ ỨNG DỤNG VỀ CÔNG NGHỆ NHẬN DIỆN GIỌNG NÓI_21
IV KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 23
Trang 4TÀI LIỆU THAM KHẢO _24
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
Trang 5I 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 hệthống 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
Trang 6 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 bởimột 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 đãđánh 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 muathuốc 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 dànhcho Iphone
Trang 7 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
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 thôngminh, 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
Trang 8Speech 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 sốkhác 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 họkhông 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
Trang 9- Tốc độ nhanh: Phần mềm nhận dạng giọng nói có thể nắm bắt giọng nóicủa người dùng với tốc độ nhanh hơn so với khi nhập liệu bằng bàn phím, vì vậytốc 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 khiếnngười 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 bộnguồn 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
Trang 10II 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 luônkết 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 phảikết 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
Trang 112 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 lắngnghe, 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 caothì 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 làlàm 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 thêmmột 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
Trang 12không bắt buộc họ phải nói theo một cấu trúc câu định sẵn Nhiều năm trước khimuốn 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 lênđến 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