Nhận dạng tín hiệu giọng nói đơn giản bằng mạng nơ-ron nhân tạo

1. Tính cấp thiết của đề tài

Trong thời đại của cách mạng công nghiệp 4.0, công nghệ nhận dạng giọng nói đang đóng vai trò quan trọng trong nhiều ứng dụng như trợ lý ảo, thiết bị điều khiển bằng giọng nói, hệ thống an ninh và chăm sóc sức khỏe. Đặc biệt, với sự phát triển của trí tuệ nhân tạo (AI), việc sử dụng mạng nơ-ron nhân tạo (Artificial Neural Networks - ANN) trong xử lý và nhận dạng tín hiệu giọng nói trở nên khả thi và hiệu quả. Do đó, nghiên cứu và xây dựng một mô hình đơn giản có khả năng nhận diện tín hiệu giọng nói là cần thiết để phục vụ cho giáo dục, nghiên cứu, cũng như đặt nền móng cho các ứng dụng thực tế phức tạp hơn.

2. Mục tiêu của đề tài

• Tìm hiểu nguyên lý xử lý tín hiệu giọng nói và các đặc trưng quan trọng như MFCC, năng lượng, tần số,...

• Ứng dụng mạng nơ-ron nhân tạo để huấn luyện và nhận dạng một số lệnh nói đơn giản (ví dụ: "Bật", "Tắt", "Trái", "Phải").

• Xây dựng mô hình mô phỏng nhận dạng giọng nói bằng phần mềm Python (dùng TensorFlow/Keras hoặc PyTorch).

• Đánh giá độ chính xác của mô hình nhận dạng.

3. Tổng quan tình hình nghiên cứu

Nhận dạng giọng nói đã được nghiên cứu từ nhiều thập kỷ trước, tuy nhiên, các mô hình truyền thống như HMM (Hidden Markov Model) hoặc GMM (Gaussian Mixture Model) gặp nhiều hạn chế về độ chính xác và khả năng thích nghi.
Với sự phát triển của học sâu, các mô hình ANN, CNN, và RNN đã cho kết quả vượt trội trong các bài toán nhận dạng tiếng nói, đặc biệt là các nghiên cứu sử dụng MFCC làm đầu vào kết hợp với mạng DNN hoặc LSTM đã được ứng dụng thành công trong nhiều hệ thống nhận diện tiếng nói của Google, Amazon, Apple, v.v.

4. Ý nghĩa khoa học và thực tiễn

• Về mặt khoa học: Giúp sinh viên nắm vững kiến thức về xử lý tín hiệu số, học máy và mạng nơ-ron nhân tạo.

• Về mặt thực tiễn: Là nền tảng để phát triển các ứng dụng điều khiển thiết bị bằng giọng nói, trợ lý ảo trong tiếng Việt, hoặc hệ thống điều khiển thông minh trong nhà ở, xe hơi,...

• Góp phần xây dựng nguồn tài nguyên nghiên cứu tiếng Việt trong lĩnh vực nhận dạng tiếng nói – một lĩnh vực còn hạn chế so với tiếng Anh.

5. Đối tượng và phạm vi nghiên cứu

• Đối tượng nghiên cứu: Tín hiệu giọng nói đơn giản do người dùng nói trực tiếp, xử lý tín hiệu, và mô hình học máy ANN.

• Phạm vi:

  • Nhận diện một số câu/lệnh ngắn đơn giản (2–4 từ).

  • Giới hạn số người thu âm ban đầu (ví dụ: 5–10 người).

  • Không xét đến các yếu tố như nhiễu môi trường phức tạp hoặc ngôn ngữ tự nhiên phức tạp.

6. Phương pháp nghiên cứu

• Thu thập dữ liệu: Ghi âm các lệnh đơn giản từ nhiều người với môi trường ổn định.

• Xử lý dữ liệu: Tiền xử lý tín hiệu (lọc nhiễu, chuẩn hóa) và trích xuất đặc trưng giọng nói (MFCC).

• Huấn luyện mô hình: Xây dựng mạng nơ-ron nhân tạo để huấn luyện với tập dữ liệu trên.

• Đánh giá mô hình: Sử dụng tập kiểm tra để đo độ chính xác và hiệu suất.

• Công cụ: Python, thư viện NumPy, Librosa (xử lý tín hiệu âm thanh), TensorFlow/Keras (huấn luyện mô hình).