Trích chọn các tham số đặc trưng tiếng nói cho hệ thống tổng hợp Tiếng Việt dựa vào mô hình Markow ẩn

thông tin ngữ cảnh như thanh điệu, âm tiết, từ, cụm từ và
câu nói để làm đầu vào cho quá trình huấn luyện các mô hình và tái tạo tiếng nói từ các mô
hình này [2].
Bố cục bài báo gồm: Mục 1 giới thiệu tổng quan, Mục 2 mô tả sơ lược hệ thống tổng hợp
tiếng nói áp dụng cho tiếng Việt dựa trên HTS. Các kết quả thử nghiệm tổng hợp tiếng Việt
được đề cập đến trong Mục 3, chất lượng tiếng nói tổng hợp được so sánh, đánh giá trong
Mục 4, và cuối cùng là kết luận và định hướng nghiên cứu.
2. HỆ THỐNG TỔNG HỢP TIẾNG NÓI THAM SỐ THỐNG KÊ DỰA
TRÊN HMM
Về mặt lý thuyết, tín hiệu tiếng nói có thể được tổng hợp từ các vectơ đặc trưng. Trong
HTS, các vectơ đặc trưng bao gồm các tham số phổ (các MFCC như thanh điệu, trường độ,
các tần số khác) và các tham số nguồn kích thích (tần số cơ bản F0).
Hình 1 mô tả pha huấn luyện của hệ thống tổng hợp tiếng nói tiếng Việt, trong phần này,
TRÍCH CHỌN CÁC THAM SỐ ĐẶC TRƯNG TIẾNG NÓI CHO HỆ THỐNG TỔNG HỢP TIẾNG VIỆT... 57
Hình 1. Pha huấn luyện của hệ thống tổng hợp tiếng nói dựa trên HMM
các tham số phổ (MFCC) và tham số nguồn kích thích (tần số cơ bản) được trích chọn từ cơ
sở dữ liệu tiếng nói, sau đó chúng được mô hình bởi các HMM phụ thuộc ngữ cảnh.
Hình 2. Pha tổng hợp của hệ thống tổng hợp tiếng nói dựa trên HMM
Hình 2 minh họa pha tổng hợp của hệ thống tổng hợp tiếng Việt, tại pha này, từ chuỗi các
nhãn phụ thuộc ngữ cảnh của văn bản cần tổng hợp mà chuỗi các HMM phụ thuộc ngữ cảnh
tương ứng chúng được chọn từ cơ sở dữ liệu các HMM. Sau đó, các tham số phổ, tham số
trường độ và tham số kích thích sẽ được sinh ra từ các chuỗi HMM bằng cách sử dụng thuật
toán sinh tham số [5]. Cuối cùng, thông qua một bộ lọc tổng hợp, các tham số này được tổng
hợp thành tín hiệu tiếng nói ở dạng sóng [6]. Tham số phổ, tham số trường độ và nguồn kích
thích là các tham số cần thiết cho mọi bộ lọc tổng hợp, do vậy các tham số này đều phải được
mô hình đồng thời bởi các HMM. Chi tiết các phần huấn luyện và tổng hợp áp dụng cho tổng
hợp tiếng nói tiếng Việt được miêu tả như sau:
A. Pha huấn luyện
58 PHAN THANH SƠN, DƯƠNG TỬ CƯỜNG
Trong phần huấn luyện, đầu vào là các câu nói được thu âm sẵn và các mô tả mức âm
vị của chúng, tiếp đó các HMM phụ thuộc ngữ cảnh của từng âm vị được huấn luyện từ các
tham số phổ và nguồn kích thích cùng với các đặc trưng động của chúng. Các tham số phổ
được mô hình thông qua việc sử dụng các HMM phân bố liên tục [7], trong khi đó các tham
số kích thích lại được mô hình bằng cách sử dụng các HMM phân bố xác suất đa không gian
(Multi-Space probability Distribution HMMs, MSD-HMM) để khắc phục sự đan xen của các
âm hữu thanh và vô thanh [8]. Đồng thời các mật độ thời gian trạng thái cũng được mô hình
bởi các phân bố Gaussian đơn [4].
Quá trình huấn luyện các HMM âm vị sử dụng đồng thời các tham số phổ, tham số trường
độ và tham số kích thích trong cùng một cơ chế thống nhất thông qua việc sử dụng các
MSD-HMM và các phân bố Gauss đa chiều [8]. Trong khi đó, quá trình huấn luyện các HMM
phụ thuộc ngữ cảnh sử dụng đồng thời tần số cơ bản F0 và MFCC. Quá trình phân cụm phụ
thuộc ngữ cảnh của các phân bố Gauss được thực hiện độc lập với phổ, tần số cơ bản và thời
gian trạng thái do hệ số phâm cụm khác nhau.
1) Mô hình hóa phổ tín hiệu
Trong cách tiếp cận của bài báo này, các MFCC gồm các tham số thanh điệu, thời gian
trạng thái và các hệ số delta và delta-delta tương ứng của chúng được sử dụng như là các
tham số phổ. Các hệ số delta và delta-delta tương ứng với các tham số thanh điệu, thời gian
trạng thái được tính toán nhằm phản ánh sự biến thiên tiếng nói theo thời gian. Các giá trị
delta được tính toán dựa trên các giá trị MFCC của các khung tín hiệu lân cận. Ngoài ra giá
trị delta của delta (hay còn gọi là acceleration) cũng có thể được tính toán từ các giá trị delta
tính toán ở trên.
Các chuỗi vectơ MFCC (trích chọn từ cơ sở dữ liệu tiếng nói), được mô hình bởi các HMM
mật độ liên tục. Kỹ thuật phân tích cho phép tổng hợp tiếng nói từ các MFCC nhờ sử dụng
bộ lọc Mel Log Spectral Approximation (MLSA) [10]. Các MFCC được trích chọn thông qua
phân tích Mel-cepstral bậc 24 (giá trị tối ưu rút ra từ thực nghiệm với nhiều ngôn ngữ khác
nhau), sử dụng cửa sổ Hamming 40 ms, độ dịch khung là 8 ms. Các xác suất đầu ra của các
MFCC tương ứng với các phân bố Gauss đa biến [2].
2) Mô hình hóa nguồn kích thích
Các tham số nguồn kích thích bao gồm các logarit của tần số cơ bản (logF0) và các hệ số
delta và delta-delta tương ứng của chúng. Chuỗi tham số logF0 của các vùng âm vô thanh
được mô hình bởi một HMM dựa trên phân bố xác suất đa không gian [8].
3) Mô hình hóa thời gian trạng thái
Mật độ thời gian trạng thái được mô hình thông qua phân bố Gauss đơn [4]. Chiều của
các mật độ này chính là số trạng thái của HMM, và chiều thứ n của mật độ thời gian trạng
thái tương ứng với trạng thái thứ n của HMM. Cấu trúc các HMM bao gồm các trạng thái
trái sang phải, không bỏ qua trạng thái.
Hiện nay, có nhiều kỹ thuật huấn luyện HMM sử dụng mật độ thời gian trạng thái đồng
thời. Tuy nhiên, những kỹ thuật này đòi hỏi không gian lưu trữ lớn và khả năng tính toán
của hệ thống. Trong bài báo này, mật độ thời gian trạng thái được ước lượng bằng cách sử
dụng các xác suất xuất hiện trạng thái nhận được tại lần lặp cuối cùng của quá trình tái ước
lượng nhúng [4].
TRÍCH CHỌN CÁC THAM SỐ ĐẶC TRƯNG TIẾNG NÓI CHO HỆ THỐNG TỔNG HỢP TIẾNG VIỆT... 59
4) Các yếu tố ngữ cảnh phụ thuộc ngôn ngữ
Có nhiều yếu tố ngữ cảnh (ví dụ như: nhận dạng âm tố, trọng âm, phương ngữ, thanh
điệu) có ảnh hưởng đến phổ, cao độ và thời gian trạng thái. Chú ý là mỗi HMM phụ thuộc
ngữ cảnh tương ứng với một âm vị.
Các yếu tố ngữ cảnh phụ thuộc ngôn ngữ sử dụng trong HTS chính là các nhãn ngữ cảnh
và các yếu tố phân cụm ngữ cảnh. Do tiếng Việt là ngôn ngữ có thanh điệu, nên cần có một
tập phát âm phụ thuộc thanh điệu và tập ngữ âm và yếu tố điệu tính tương ứng để xây dựng
cây quyết định. Vấn đề phân cụm ngữ cảnh dựa vào cây được thiết kế để có được thanh điệu
chính xác là vấn đề rất quan trọng trong bài toán tổng hợp các ngôn ngữ thanh điệu, trong
đó có tiếng Việt [11, 12].
Một số thông tin ngữ cảnh cần thiết cho quá trình gán nhãn trong dữ liệu tiếng nói tiếng
Việt có thể kể đến là [2]:
a) Mức âm vị:
• Âm vị trước, âm vị hiện tại, hai âm vị phía sau;
• Vị trí hiện tại của âm vị trong âm tiết (tính từ đầu và từ cuối âm tiết);
b) Mức âm tiết:
• Thanh điệu của âm tiết trước, âm tiết hiện tại, âm tiết phía sau;
• Số lượng âm vị trong âm vị trước, âm vị hiện tại, âm vị sau;
• Vị trí của âm tiết trong từ hiện tại (tính từ đầu và từ cuối từ);
• Mức độ trọng âm (thể hiện điệu tính);
• Khoảng cách đến âm tiết có trọng âm trước và đến âm tiết có trọng âm sau;
c) Mức từ:
• Loại từ (Part-of-speech) của từ trước, từ hiện tại và từ phía sau;
• Số lượng âm tiết trong từ trước, từ hiện tại và từ phía sau;
• Vị trí của từ trong cụm từ;
• Số lượng từ trong nhóm từ {trước, sau} tính từ vị trí hiện tại;
• Khoảng cách đến từ trước và từ sau tính từ vị trí hiện tại;
d) Mức cụm từ:
• Số lượng âm tiết, từ trong cụm từ trước, cụm từ hiện tại và cụm từ phía sau;
• Vị trí của cụm từ hiện tại trong câu nói;
e) Mức câu nói:
• Số lượng âm tiết, từ, cụm từ trong câu nói;
5) Phân cụm ngữ cảnh dựa vào cây quyết định
Trong một số trường hợp, dữ liệu tiếng nói không có đủ số mẫu ngữ cảnh hoặc sinh ra
nhãn ngữ cảnh không tương ứng với HMM trong tập mô hình huấn luyện. Vì vậy, để khắc
phục vấn đề này, kỹ thuật phân cụm ngữ cảnh dựa vào cây quyết định được áp dụng vào các
phân bố của các tham số phổ, tần số cơ bản và thời gian trạng thái.
Để thực hiện phân cụm ngữ cảnh dựa trên cây quyết định, một số yếu tố quyết định cần
phải được xây dựng và tuân theo để phân cụm các âm vị. Sau đó, những yếu tố quyết định
này được mở rộng dần để bao hàm tất cả thông tin ngữ cảnh, chẳng hạn như là thanh điệu,
âm tiết, từ, cụm từ và câu nói. Các yếu tố quyết định trong pha huấn luyện của HTS được
phân chia theo đặc tính ngữ âm của các thanh điệu, nguyên âm, bán nguyên âm, âm đôi và
60 PHAN THANH SƠN, DƯƠNG TỬ CƯỜNG
phụ âm. Các âm vị và thanh điệu được phân lớp để xây dựng các yếu tố quyết định và áp
dụng vào quá trình sinh ra các cây quyết định.
Hình 3. Phân cụm ngữ cảnh dựa vào cây quyết định
Hình 3 minh họa các cây quyết định của phổ, F0 và thời gian trạng thái trước khi chúng
được sử dụng trong pha tổng hợp.
B. Pha tổng hợp
Trong pha tổng hợp, các tham số tiếng nói được sinh ra từ tập các HMM phụ thuộc ngữ
cảnh thứ tự theo chuỗi nhãn ngữ cảnh tương ứng với phát âm của văn bản cần tổng hợp. Các
tham số kích thích và Mel-cepstral sinh ra được sử dụng để tạo ra tín hiệu tiếng nói dạng sóng
thông qua một mô hình nguồn lọc (bộ lọc tổng hợp). Ưu điểm của phương pháp tiếp cận này
là trích rút được những đặc trưng âm thanh của các phát âm phụ thuộc ngữ cảnh trong kho
ngữ liệu tiếng nói. Các đặc tính của tiếng nói tổng hợp có thể dễ dàng thay đổi bằng cách
điều chỉnh các tham số HMM và hệ thống cũng hoàn toàn có thể áp dụng cho một ngôn ngữ
khác.
Pha tổng hợp của HTS được mô tả trong Hình 4. Trong phần này, một đoạn văn bản
tùy ý được phân tích và chuyển đổi thành chuỗi các nhãn phụ thuộc ngữ cảnh. Sau đó, tùy
thuộc vào chuỗi nhãn này mà một câu HMM sẽ được sinh ra bằng cách ghép nối các HMM
phụ thuộc ngữ cảnh lại với nhau. Các mô hình thời gian trạng thái của câu HMM được xác
định để cực đại hóa lân cận các mật độ thời gian trạng thái [6]. Tùy thuộc vào các thời gian
trạng thái mà chuỗi các MFCC và các giá trị tham số kích thích (bao gồm âm hữu thanh và
vô thanh) được tạo ra từ câu HMM bằng cách sử dụng thuật toán sinh tham số tiếng nói [5].
Cuối cùng, tiếng nói được tổng hợp trực tiếp từ các MFCC và các giá trị tham số kích thích
thông qua bộ lọc MLSA [10].
TRÍCH CHỌN CÁC THAM SỐ ĐẶC TRƯNG TIẾNG NÓI CHO HỆ THỐNG TỔNG HỢP TIẾNG VIỆT... 61
Hình 4. Phần tổng hợp của hệ thống
3. THỬ NGHIỆM
Ở đây, ta sử dụng hai bộ ngữ liệu tiếng Việt của Phòng Nhận dạng và công nghệ tri thức
để tiến hành thử nghiệm và đánh giá kết quả của hệ thống tổng hợp thống kê dựa trên HMM.
Tất cả dữ liệu tiếng nói thu âm đều được lấy mẫu ở 48 kHz, kênh đơn (mono chanel) và mã
hóa ở định dạng PCM 16 bit, sau đó tín hiệu tiếng nói được chuyển đổi về tần số lấy mẫu ở
16 kHz, định khung 40 ms với cửa sổ Hamming và độ dịch khung là 8ms trước khi đưa vào
hệ thống để huấn luyện. Hai bộ dữ liệu tiếng Việt: 500 câu giọng nam (trong 568 câu giọng
miền Nam) và 500 câu giọng nữ (trong 567 câu giọng miền Bắc) được sử dụng riêng biệt cho
quá trình huấn luyện các HMM phụ thuộc ngữ cảnh. Các MFCC và F0 được tính toán cho
từng câu nói thu âm nhờ sử dụng bộ công cụ SPTK [14]. Các vectơ đặc trưng như phổ, thanh
điệu và các vectơ tham số cao độ (F0) bao gồm các MFCC bậc 24 (giá trị này được cho là
hiệu quả nhất với các tín hiệu lấy mẫu ở tần số 16 kHz thông qua rất nhiều thực nghiệm),
các giá trị logarit của F0 (mục đích để chuyển các giá trị F0 sang một miền khác mà các giá
trị tương ứng của chúng dễ biểu diễn và đồng thời các phép tính cũng được chuyển từ phép
nhân sang phép cộng), các hệ số delta và delta-delta của chúng. Qua nhiều thực nghiệm có
thay đổi tham số và tham khảo từ các công trình tương tự của các tác giả trên thế giới, cuối
cùng chúng tôi chọn sử dụng hình trạng các HMM 5 trạng thái trái sang phải với các phân
bố Gauss đơn, huấn luyện nhúng sử dụng thuật toán cực đại hóa kỳ vọng (EM – expectation
maximization, là phương pháp lặp để tìm khả năng cực đại các ước lượng hậu nghiệm, MAP,
cực đại) được lặp 20 lần để tạo ra các tham số tiếng nói, phạm vi tần số trích chọn tham số
F0 trong khoảng từ 80-450 Hz (bao hàm cả giọng nam và giọng nữ). Các nhãn phụ thuộc ngữ
cảnh của hai bộ dữ liệu tiếng nói tiếng Việt được sinh ra tự động từ các văn bản tương ứng
nhờ sử dụng bộ phân tích văn bản tiếng Việt [2]. Ngoài ra, chúng tôi sử dụng kỹ thuật phân
cụm ngữ cảnh dựa trên cây quyết định để huấn luyện các HMM phụ thuộc ngữ cảnh tương
62 PHAN THANH SƠN, DƯƠNG TỬ CƯỜNG
ứng với từng tham số phổ, F0 và các thành phần tuần hoàn khác.
Trong phần tổng hợp và đánh giá, chúng tôi sử dụng phần dữ liệu còn lại (68 câu giọng
nam và 67 câu giọng nữ) trong bộ ngữ liệu đã nói ở trên. Quá trình tổng hợp được thực hiện
ở cả 4 trường hợp:
a) Tổng hợp giọng nam trên phần dữ liệu giọng nam
Các HMM phụ thuộc ngữ cảnh thu được sau quá trình huấn luyện 500 câu nói giọng nam
(giọng miền Nam), sau đó các HMM này được kết hợp với 68 chuỗi văn bản cần tổng hợp đã
gán nhãn (phân tích văn bản và gán nhãn được thực hiện theo [2] và [13]). Từ các mô hình
này, sử dụng thuật toán sinh tham số để tạo ra các tham số vectơ phổ MFCC và các tham số
nguồn kích thích (F0 hay cao độ). Cuối cùng, các tham số này được tổng hợp thành tiếng nói
dưới dạng sóng thông qua một bộ lọc tổng hợp (MLSA).
b) Tổng hợp giọng nữ trên phần dữ liệu giọng nữ
Tương tự như đối với quá trình huấn luyện và tổng hợp giọng nam ở trên, 500 câu nói
giọng nữ (miền Bắc) được sử dụng để huấn luyện các HMM phụ thuộc ngữ cảnh, sau đó kết
hợp với chuỗi nhãn của 67 câu còn lại để sinh ra các vectơ tham số cần thiết cho quá trình
tổng hợp tiếng nói.
c) Tổng hợp giọng nam trên phần dữ liệu giọng nữ Một mở rộng của phần tổng hợp và đánh
giá kết quả khác là chúng tôi sử dụng các HMM của giọng nam đã huấn luyện để tổng hợp
67 câu văn bản đã gán nhãn trong phần còn lại của bộ dữ liệu giọng nữ. Kết quả này cũng
được so sánh, đánh giá với kết quả của phần b và các câu nói thu âm gốc trong bộ dữ liệu.
d) Tổng hợp giọng nữ trên phần dữ liệu giọng nam
Tương tự như phần c), các HMM thu được sau khi huấn luyện giọng nữ được sử dụng để
tổng hợp 68 câu văn bản đã gán nhãn còn lại của bộ dữ liệu giọng nam. Sau đó, so sánh, đánh
giá kết quả này với kết quả của phần a) và dữ liệu gốc.
4. ĐÁNH GIÁ KẾT QUẢ
Trong phần này sẽ thực hiện so sánh, đánh giá khách quan về chất lượng tiếng nói tổng
hợp sử dụng phương pháp thống kê trên cơ sở HMM. Đánh giá chủ quan được thực hiện thông
qua phương pháp so sánh sự tương đồng giữa ảnh phổ (spectrogram) và đường bao cao độ
của các kết quả tổng hợp và dữ liệu gốc.
Do quá trình sinh tham số sử dụng các giá trị trung bình của các mô hình thời gian trạng
thái, nên trường độ (khoảng thời gian nghỉ giữa các âm tiết) của các câu nói tổng hợp có thể
khác với trường độ trong câu nói trong dữ liệu gốc. Trong phần thử nghiệm, sử dụng chuỗi
các trạng thái (thu được từ quá trình force-align) cùng với các mô hình phổ và cao độ, để
sinh tham số tiếng nói. Vì thế, có thể đánh giá kết quả thử nghiệm thông qua so sánh tín
hiệu tiếng nói tổng hợp và tiếng nói thu âm gốc mà không quan tâm đến đặc trưng trường độ
trong câu kết quả.
Hình 5 so sánh ảnh phổ của các câu nói: (a) tổng hợp từ mô hình giọng nữ miền Bắc, (b)
tổng hợp từ giọng nam miền Nam và (c) thu âm gốc của văn bản “Lại phải đánh nhau thôi”
(trích trong truyện đọc “Dế mèn phiêu lưu ký của nhà văn Tô Hoài”, thu âm giọng nữ). Chú
ý trục thời gian, ta sẽ thấy cho sự khác nhau về trường độ của các kết quả tổng hợp và câu
nói thu âm gốc.
TRÍCH CHỌN CÁC THAM SỐ ĐẶC TRƯNG TIẾNG NÓI CHO HỆ THỐNG TỔNG HỢP TIẾNG VIỆT... 63
Hình 5. Ảnh phổ của các câu nói: (a) tổng hợp từ mô hình giọng nữ miền Bắc, (b) tổng hợp
từ mô hình giọng nam miền Nam và (c) thu âm gốc của văn bản “Lại phải đánh nhau thôi”
Hình 6 minh họa sự tương đồng của đường bao cao độ của các câu nói: (a) tổng hợp từ
mô hình giọng nữ miền Bắc, (b) tổng hợp từ mô hình giọng nam miền Nam và (c) thu âm gốc
của văn bản “Lại phải đánh nhau thôi”.
Trong hình 6, có thể nhận thấy có sự đồng dạng tương đối về đường bao cao độ của các
kết quả và dữ liệu gốc. Chú ý trục tần số, ta sẽ thấy có sự khác nhau về tần số cơ bản (F0)
giữa giọng nam và giọng nữ.
5. KẾT LUẬN
Bài báo đã đề xuất một hệ thống tổng hợp tiếng nói thống kê dựa trên HMM, phát triển
cho tổng hợp tiếng Việt. Trong đó, tập trung trích chọn các tham số đặc trưng phổ, thanh
điệu, thời gian trạng thái và tần số cơ bản để mô hình hóa đồng thời sử dụng HMM. Thông
tin ngữ cảnh và các lựa chọn cho việc phân cụm ngữ cảnh trên cây quyết định, sử dụng để
huấn luyện các HMM, được xây dựng dựa vào tập các âm có thanh điệu, kết hợp với tập các
lựa chọn ngữ âm và ngữ điệu trong các cây quyết định tương ứng. Hệ thống tổng hợp tiếng
nói dựa trên HMM được thử nghiệm trên hai bộ dữ liệu được huấn luyện với thời gian hơn
5 tiếng. Kết quả tiếng nói được hệ thống tổng hợp được tiến hành đánh giá sơ bộ dựa trên
64 PHAN THANH SƠN, DƯƠNG TỬ CƯỜNG
Hình 6. Đường bao cao độ của các câu nói: (a) tổng hợp từ mô hình giọng nữ miền Bắc,
(b) tổng hợp từ mô hình giọng nam miền Nam và (c) thu âm gốc của văn bản “Lại phải
đánh nhau thôi”
đánh giá và cảm nhận của người nghe, và mang tính chất chủ quan, dựa trên việc so sánh các
ảnh phổ và đường bao cao độ (thực chất là F0). Kết quả đánh giá cho thấy rằng hệ thống đề
xuất ở đây có thể tổng hợp tiếng nói tiếng Việt với chất lượng khá gần với tiếng nói tự nhiên.
Tóm lại, với hệ thống này, có thể tổng hợp được tiếng nói với các đặc điểm giọng nói khác
nhau, ví dụ như cảm xúc, trọng âm, bằng phương pháp thích nghi người nói hoặc kỹ thuật
nội suy người nói. Trong tương lai, việc tập trung nghiên cứu, áp dụng các yếu tố ngữ cảnh
và điều kiện phân cụm ngữ cảnh, cải tiến quá trình xử lý văn bản và đánh giá tiếng nói tổng
hợp để đạt được mục tiêu chất lượng tiếng nói tổng hợp tốt hơn và tổng hợp tiếng nói với các
đặc tính âm học khác nhau.
TÀI LIỆU THAM KHẢO
[1] H. Zen, K. Tokuda, A. W. Black, Statistical parametric speech synthesis, Speech Communica-
tion 51 (11) (2009) 1039–1064.
[2] Thang Tat Vu, Mai Chi Luong, Satoshi Nakamura, An HMM-based Vietnamese speech synthesis
system, Proc. Oriental COCOSDA, Urumqi, China, 2009.
[3] K. Tokuda, T. Masuko, N. Miyazaki and T. Kobayashi, Hidden Markov models based on multi-
space probability distribution for pitch pattern modeling, Proc. of ICASSP, Phoenix, Arizona,
USA, 1999.
[4] T. Yoshimura, K. Tokuda, T. Masuko, T. Kobayashi, and T. Kitamura, Duration modeling in
HMM-based speech synthesis system, Proc. of ICSLP, tập 2, Sydney, Australia, 1998 (29—32).
[5] K. Tokuda, T. Yoshimura, T. Masuko, T. Kobayashi, and T. Kitamura, Speech parameter gener-
ation algorithms for HMM-based speech synthesis, Proc.ICASSP 2000, Orlando, Florida, USA,
June 2000 (1315—1318).
TRÍCH CHỌN CÁC THAM SỐ ĐẶC TRƯNG TIẾNG NÓI CHO HỆ THỐNG TỔNG HỢP TIẾNG VIỆT... 65
[6] T. Yoshimura, “Simultaneous modeling of phonetic and prosodic parameters, and characteristic
conversion for HMM-based text-to-speech systems", Doctoral Dissertation, Nagoya Institute of
Technology, January 2002.
[7] K. Tokuda, H. Zen, and A. Black, An HMM-based speech synthesis system applied to English,
IEEE Speech Synthesis Workshop, Santa Monica, USA, 2002.
[8] K. Tokuda, T. Masuko, N. Miyazaki, and T. Kobayashi, Multi-space probability distribution
HMM, IEICE 85-d (3) (2002).
[9] T. Fukada, K. Tokuda, T. Kobayashi, and S. Imai, An adaptive algorithm for Mel-cepstral
analysis of speech, Proc. of ICASSP, tập 1, San Francisco, California, 1992 (137—140).
[10] S. Imai, Cepstral analysis synthesis on the mel frequency scale, Proc. of ICASSP, Boston
Massachusetts, 1983 (93—96).
[11] T.T Vu, T.K. Nguyen, H.S. Le, C.M. Luong, Vietnamese tone recognition based on MLP neural
network, Proc. Oriental COCOSDA, Kyoto, Japan, 2008.
[12] H. Mixdorff, H. B. Nguyen, H. Fujisaki, C. M. Luong, Quantitative analysis and synthesis of
syllabic tones in Vietnamese, Proc. EUROSPEECH, Geneva, 2003 (177-180).
[13] Phan Thanh Son, Vu Tat Thang, HMM-based Speech Synthesis for Vietnamese language, Kỷ
yếu Hội nghị Khoa học kỷ niệm 45 năm thành lập trường Đại học Điện lực, Hà Nội,
10-2011.
[14] Department of Computer Science, Nagoya Institute of Technology, “Speech Signal Processing
Toolkit, SPTK 3.0. Reference manual”, ˜okuda/SPTK/, Japan, 12-
2003. [cập nhật 28-4-2011].
Ngày nhận bài 17 - 8 - 2012
Ngày lại sau sửa ngày 13 - 3 - 2013