Một kỹ thuật biến đổi giọng người nói hiệu quả sử dụng kỹ thuật phân rã tiếng nói theo thời gian

Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-2, Số 16 (36), tháng 12/2016 
- 5 - 
Một kỹ thuật biến đổi giọng ngƣời nói hiệu quả 
sử dụng kỹ thuật phân rã tiếng nói theo thời gian 
An Efficient Approach for Voice Transformation 
using Temporal Decomposition 
Phùng Trung Nghĩa 
Abstract: Voice transformation is an important 
issue in speech synthesis when we need to synthesize 
multiple output voices but do not want to rebuid the 
synthesis system. Speech transformed by the 
conventional method using Gaussian Mixture Model 
(GMM) is not high-quality due to the oversmoothness 
of GMM. Therefore, a number of methods have been 
proposed to overcome the disadvantages of the 
conventional method using GMM. Among them, 
Hidden Markov Model Trajectory Tiling (HTT) and 
Temporal Decomposition – GMM (TD-GMM) 
improve the effectiveness of voice transformation. 
However, they still have drawbacks. In this paper, a 
voice transformation method using the modified 
restricted TD (MRTD) is proposed. The experimental 
results with Vietnamese and English corpus confirm 
the effectiveness of the proposed method compared 
with HTT and TD-GMM. 
Keyword: Voice transformation, voice conversion, 
speech synthesis, temporal decomposition. 
I. GIỚI THIỆU 
Hầu hết các hệ thống xử lý tiếng nói truyền thống 
tập trung vào xử lý các thông tin ngôn ngữ để đảm bảo 
tiếng nói sau xử lý có thể hiểu được [1]. Tuy nhiên để 
các ứng dụng xử lý tiếng nói trong máy tính có thể 
được áp dụng rộng rãi trong thực tế, tính tự nhiên của 
tiếng nói được xử lý cũng cần được quan tâm [2]. Để 
đảm bảo tiếng nói sau xử lý (như tiếng nói được tổng 
hợp) được tự nhiên, một trong những vấn đề quan 
trọng cần đảm bảo là thông tin về người nói, bao gồm 
cả các thông tin chung về người nói như giới tính, độ 
tuổi,, đến các thông tin chi tiết như thông tin nhận 
danh chính xác người nói [3-7]. Các hệ thống tổng 
hợp tiếng nói nhân tạo thường chỉ có thể tổng hợp ra 
tiếng nói của một số giọng nói đã được thu sẵn và 
huấn luyện trước cho máy tính. Để có thể tổng hợp ra 
nhiều giọng nói đầu ra mà không cần xây dựng lại hệ 
thống tổng hợp tiếng nói cần đến các hệ thống biến 
đổi giọng người nói [3-6]. 
Trên thế giới đã có nhiều nghiên cứu về biến đổi 
giọng người nói trong tiếng nói [3-6]. Phương pháp 
truyền thống là phương pháp sử dụng học máy thống 
kê dùng mô hình Gaussian hỗn hơn GMM [3]. Do 
chất lượng tiếng nói tổng hợp / tái tạo bằng các mô 
hình thống kê như GMM có xu hướng bị trung bình 
hóa, quá trơn và chất lượng không cao, nhiều nghiên 
cứu đã đề xuất các phương pháp biến đổi giọng người 
nói khác khắc phục các nhược điểm của phương pháp 
GMM truyền thống. Trong số đó hai phương pháp có 
kết quả nổi bật là phương pháp lai giữa GMM và kỹ 
thuật phân rã tiếng nói theo thời gian TD có tên gọi 
TD-GMM [4], và phương pháp ghép nối / thay thế 
khung có tên gọi HTT [5]. 
Nghiên cứu này đề xuất phương pháp biến đổi 
giọng người nói trong tiếng nói lai giữa hai phương 
pháp TD-GMM [4] và phương pháp thay thế khung 
HTT [5], sử dụng kỹ thuật phân rã tiếng nói theo thời 
gian cải tiến MRTD [8]. Phương pháp đề xuất cũng 
như hai phương pháp TD-GMM và HTT được cài đặt 
và đánh giá thực nghiệm với cơ sở dữ liệu tiếng nói 
tiếng Anh và tiếng Việt. 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-2, Số 16 (36), tháng 12/2016 
- 6 - 
II. PHƢƠNG PHÁP BIẾN ĐỔI TD-GMM 
Phương pháp biến đổi giọng người nói kinh điển là 
phương pháp sử dụng mô hình GMM để huấn luyện 
cặp người nói nguồn – đích với tập dữ liệu huấn luyện 
song song kích cỡ nhỏ, sau đó sử dụng hàm biến đổi 
đã được huấn luyện để biến đổi tiếng nói giọng nguồn 
thành tiếng nói giọng đích [3]. 
Mặc dù phương pháp GMM đã chứng tỏ được hiệu 
quả trong nhiều nghiên cứu, đặc biệt có ưu điểm chỉ 
sử dụng một lượng nhỏ dữ liệu huấn luyện, nó vẫn có 
nhiều hạn chế. Do cấu trúc phổ được ước lượng bởi 
mô hình GMM ứng với phổ trung bình của tất cả dữ 
liệu trong tập dữ liệu huấn luyện (do mô hình GMM 
sử dụng vector kỳ vọng trung bình làm cơ sở), nên 
tiếng nói được biến đổi bằng mô hình GMM thường 
quá trung bình, hay quá trơn (over-smooth). Việc tiếng 
nói bị biến đổi quá trơn sẽ làm những đặc trưng chi 
tiết của tiếng nói vốn mang nhiều thông tin người nói 
sẽ bị mất đi trong quá trình biến đổi. 
Trong [4] đã sử dụng kỹ thuật phân rã tiếng nói 
theo thời gian TD kết hợp với mô hình GMM dựa trên 
dữ liệu đã gán nhãn ở mức âm vị trong phương pháp 
tên gọi TD-GMM để khắc phục hạn chế biến đổi tiếng 
nói quá trơn và bị mất thông tin người nói của phương 
pháp biến đổi giọng người nói bằng GMM. 
TD được sử dụng để phân tích tiếng nói thành hai 
thành phần độc lập, thành phần “động”- hàm sự kiện 
(event functions) để đảm bảo cho tiếng nói có độ trơn 
cần thiết còn thành phần “tĩnh”- điểm sự kiện (event 
targets) giúp tiếng nói vẫn giữ được thông tin chi tiết 
để tiếng nói tái tạo từ hai thành phần này có mức độ 
trơn phù hợp, không bị quá trơn [4]. 
Một số nghiên cứu cũng đã chỉ ra rằng, hàm sự 
kiện TD mang các thông tin ngôn ngữ vốn quan trọng 
để hiểu tiếng nói, còn các điểm sự kiện mang thông tin 
phi ngôn ngữ như thông tin người nói hay cảm xúc nói 
[4, 8]. 
Do vậy, trong phương pháp TD-GMM, chỉ thành 
phần điểm sự kiện được huấn luyện và biến đổi như 
trong Hình 1, trong khi thành phần hàm sự kiện được 
giữ nguyên, khác với việc biến đổi tất cả các khung 
như trong phương pháp biến đổi GMM truyền thống 
với mong muốn biến đổi được các giọng người nói 
một cách hiệu quả trong khi tiếng nói được biến đổi 
vẫn có độ trơn phù hợp. Các kết quả thực nghiệm cho 
thấy TD-GMM cho kết quả tốt hơn phương pháp 
GMM truyền thống về mặt chất lượng tiếng nói biến 
đổi [4]. 
Mặc dù cho kết quả tốt hơn mô hình biến đổi 
GMM truyền thống, việc vẫn sử dụng mô hình GMM 
để huấn luyện và biến đổi dẫn tới tiếng nói biến đổi 
bằng TD-GMM vẫn có xu hướng hơi quá trơn s ... ng bình và độ lệch chuẩn của các khoảng cách của 
các mẫu. 
Trong phần cài đặt, quá trình lựa chọn điểm sự 
kiện đích để thay thế được giám sát bằng nhãn dữ liệu 
tiếng nói trong từng âm vị để đảm bảo độ chính xác và 
giảm thời gian tìm kiếm, trong đó mỗi điểm sự kiện 
với thứ tự xác định trong một âm vị được thay thế 
bằng điểm sự kiện đích có cùng thứ tự trong cùng âm 
vị của giọng đích. 
Trong pha offline, cơ sở dữ liệu tiếng nói với giọng 
đích được chuẩn bị trước với hai bước. Trong bước 
thứ nhất, tất cả các câu tiếng nói đã gán nhãn mức âm 
vị được phân tích bằng MRTD. Trong bước thứ hai, 
các điểm sự kiện của các câu tiếng nói đã phân tích 
được trích xuất và lưu trữ theo từng âm vị riêng để 
tăng tốc độ tìm kiếm trong pha online. 
V. ĐÁNH GIÁ VÀ THẢO LUẬN 
V.1. Tiêu chí đánh giá 
V.1.1. Đánh giá khách quan 
Phương pháp đánh giá khách quan được sử dụng 
phổ biến trong các hệ thống biến đổi giọng người nói 
là phương pháp chỉ số hiệu năng PI (Performance 
Index) [4]. PI với tham số phổ đường LSF được tính 
bằng công thức (9). 
ˆ( ( ), ( ))
1
( ( ), ( ))
LSF
LSF
LSF
E t n t n
PI
E t n s n
 (9) 
Trong đó, t(n) biểu diễn mẫu tiếng nói giọng đích, 
s(n) biểu diễn mẫu tiếng nói giọng nguồn, ˆ( )t n biểu 
diễn mẫu tiếng nói được chuyển đổi từ nguồn thành 
đích. LSFE là sai số LSF trung bình được tính bằng 
công thức (10). 
, , 2
1 1
1 1
( , ) ( )
L P
l i l i
LSF A B
l i
E A B LSF LSF
L P 
  
(10) 
Với L là tổng số khung tiếng nói (sau khi đã căn 
thời gian để tổng số khung trùng khớp), P là số hệ số 
LSF. 
LSFPI = 0 chỉ ra rằng hệ thống chuyển đổi không 
giống hệ thống đích chút nào còn LSFPI = 1 chỉ ra 
rằng hệ thống chuyển đổi hoàn toàn giống hệ thống 
đích. 
V.1.2. Đánh giá chủ quan 
Trong các phương pháp đánh giá chủ quan, phương 
pháp được áp dụng rộng rãi trong các hệ thống biến 
đổi giọng nói là phương pháp ABX [4]. Trong đó A là 
tiếng nói với giọng người nói nguồn, B là tiếng nói với 
giọng người nói đích, X là tiếng nói với giọng chuyển 
đổi từ A thành B. Người nghe sẽ được nghe thử tiếng 
nói với giọng nguồn A và giọng đích B trước. Sau đó 
khi đánh giá sẽ nghe các mẫu đã biến đổi giọng X xem 
giống A hay giống B theo thang điểm trung bình MOS 
(Mean Opinion Score) từ 1 đến 5. Điểm là 1 tức là 
giọng biến đổi rất giống giọng nguồn A, điểm là 5 tức 
là giọng biến đổi rất giống giọng đích B. 
V.2. Cơ sở dữ liệu đánh giá 
Với tiếng Việt, chưa có cơ sở dữ liệu nhiều người 
nói với kịch bản giống nhau được gán nhãn. Do vậy, 
chúng tôi đã sử dụng bộ cơ sở dữ liệu DEMEN567 
(còn gọi là cơ sở dữ liệu VNSpeech) có kích cỡ trung 
bình gồm 567 câu, người nữ nói, làm cơ sở dữ liệu 
giọng đích [10]. DEMEN567 được gán nhãn ở mức 
âm vị và bao phủ gần như 100% các âm vị tiếng Việt. 
Cơ sở dữ liệu giọng nguồn được chúng tôi tổng hợp 
nhân tạo bằng phương pháp HMM [11] với kịch bản 
nói giống như DEMEN567 sử dụng dữ liệu huấn 
luyện là cơ sở dữ liệu VOV [12], người nữ nói, kết 
hợp trích xuất nhãn ở mức âm vị tự động. 
Với tiếng Anh, chúng tôi sử dụng 460 câu trong bộ 
cơ sở dữ liệu MOCHA-TIMIT [13] gồm nhiều người 
nói với các kịch bản giống nhau và chọn một người 
nói nữ nguồn và một người nói nữ đích. MOCHA-
TIMIT chưa phải là cơ sở dữ liệu lớn như cơ sở dữ 
liệu sử dụng với HTT trong [5], đây là bộ cơ sở dữ 
liệu có kích cỡ trung bình, được gán nhãn ở mức âm vị 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-2, Số 16 (36), tháng 12/2016 
- 11 - 
và bao phủ gần như toàn bộ các âm tiết tiếng Anh 
[13]. 
Do các phương pháp TD-GMM, HTT và phương 
pháp đề xuất đều tập trung vào biến đổi đặc trưng phổ 
thay vì đặc trưng F0, chúng tôi chọn lựa trước giọng 
nguồn và giọng đích có mức cao độ trung bình tương 
đương để dễ dàng phân biệt sự thay đổi về đặc trưng 
phổ trong quá trình biến đổi. 
V.3. Thực nghiệm các phƣơng pháp 
Phương pháp đề xuất được thực nghiệm và so sánh 
với phương pháp HTT và TD-GMM. Các tham số 
thực nghiệm sử dụng trong các phương pháp được cho 
trong Bảng 1. 
Bảng 1. Các tham số thực nghiệm 
Tần số lấy mẫu DEMEN và VOV-
HMM được lấy mẫu lại 
11025 Hz 
Tần số lấy mẫu MOCHA-TIMIT 16000 Hz 
Chiều dài khung 5 ms 
Độ dịch khung 1 ms 
Số chiều LSF 20 
Số thành phần GMM 20 
Số điểm sự kiện / âm vị 3 
Khi thực nghiệm cả ba phương pháp với cơ sở dữ 
liệu tiếng Việt (DEMEN/VOV-HMM) và tiếng Anh 
(MOCHA-TIMIT), 400/567 cặp câu tiếng Việt và 
400/460 cặp câu tiếng Anh được sử dụng để huấn 
luyện (với TD-GMM) và tìm kiếm / thay thế (với HTT 
và phương pháp đề xuất). 30 cặp câu không có trong 
tập dữ liệu huấn luyện và tập dữ liệu để tìm kiếm / 
thay thế được sử dụng để đánh giá. Phân tích mức độ 
bao phủ về mặt âm vị giữa các câu trong tập huấn 
luyện và các câu trong tập đánh giá cho thấy 100% các 
âm vị trong tập đánh giá (30 câu) nằm trong tập âm vị 
của tập dữ liệu huấn luyện cũng như tập dữ liệu tìm 
kiếm / thay thế (400 câu tiếng Việt, 400 câu tiếng 
Anh). 
Phương pháp đánh giá khách quan PI được tính tự 
động theo công thức (9). Phương pháp đánh giá chủ 
quan được thực hiện với 05 người đánh giá người Việt 
là các sinh viên độ tuổi 18 đến 20, có khả năng nghe 
bình thường. Do mục đích của phần đánh giá chủ quan 
ABX là đánh giá giọng nói X giống với người nguồn 
A hay người đích B là vấn đề độc lập ngôn ngữ, không 
cần người đánh giá phải hiểu được ngữ nghĩa của các 
mẫu tiếng nói đánh giá. Chính vì vậy, 05 sinh viên 
người Việt được lựa chọn để thực hiện đánh giá ABX 
với cả phần dữ liệu tiếng Việt và tiếng Anh. Điểm 
MOS đánh giá là điểm ABX trung bình của tất cả các 
mẫu đánh giá. 
V.4. Kết quả đánh giá 
Bảng 2. Kết quả đánh giá khách quan với tiếng Anh 
Phương pháp PILSF 
Thay thế khung HTT 0.714 
TD-GMM 0.525 
Phương pháp đề xuất 0.706 
Bảng 3. Kết quả đánh giá khách quan với tiếng Việt 
Phương pháp PILSF 
Thay thế khung HTT 0.663 
TD-GMM 0.468 
Phương pháp đề xuất 0.612 
Bảng 4. Kết quả đánh giá chủ quan ABX với tiếng Anh 
Phương pháp MOS 
Thay thế khung HTT 4.0 
TD-GMM 3.2 
Phương pháp đề xuất 4.0 
Bảng 5. Kết quả đánh giá chủ quan ABX với tiếng Việt 
Phương pháp MOS 
Thay thế khung HTT 3.8 
TD-GMM 3.2 
Phương pháp đề xuất 3.8 
Kết quả đánh giá trong các Bảng 2, 3, 4, 5 cho thấy 
hiệu quả biến đổi giọng người nói của phương pháp đề 
xuất cao hơn phương pháp TD-GMM và gần như 
tương đương với HTT (đặc biệt với đánh giá chủ 
quan) với các cơ sở dữ liệu kích cỡ trung bình tiếng 
Anh và tiếng Việt được thử nghiệm. 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-2, Số 16 (36), tháng 12/2016 
- 12 - 
V.5. Thảo luận 
Phương pháp biến đổi giọng người nói đề xuất đã 
cố gắng tận dụng ưu điểm của 2 phương pháp HTT và 
TD-GMM. 
So với TD-GMM, phương pháp đề xuất có chất 
lượng tiếng nói chuyển đổi cao hơn hẳn đối với các cơ 
sở dữ liệu vừa phải được lựa chọn để đánh giá thực 
nghiệm do thay thế phương pháp huấn luyện / biến đổi 
thống kê với GMM bằng phương pháp thay thế vật lý 
trực tiếp. Cả TD-GMM và phương pháp đề xuất đều 
sử dụng cơ sở dữ liệu tiếng nói đích đã gán nhãn ở 
mức âm vị và yêu cầu cơ sở dữ liệu đích bao phủ hết 
các âm vị. 
So với HTT, mặc dù chỉ tương đương về hiệu quả 
chuyển đổi giọng nói, phương pháp đề xuất đã thể 
hiện 03 ưu điểm nổi bật sau. 
Thứ nhất, HTT yêu cầu một bộ dữ liệu đích phải 
rất lớn mới đảm bảo độ trơn của tiếng nói sau khi thay 
thế và ghép nối. Trong khi đó, độ trơn của tiếng nói 
sau thay thế trong phương pháp đề xuất được đảm bảo 
do các hàm sự kiện nguồn vốn đã trơn được giữ 
nguyên, không thay đổi trong quá trình thay thế. Do 
đó, yêu cầu về độ lớn bộ dữ liệu đích với phương pháp 
đề xuất nhỏ hơn HTT. 
Thứ hai, do chỉ yêu cầu cơ sở dữ liệu người nói 
đích vừa phải và các điểm sự kiện là một vector thưa 
với độ dài ngắn hơn rất nhiều so với vector khung 
tiếng nói (K<<N như mô tả trong phần 4.2), nên kích 
thước của dữ liệu đích phải lưu trữ trong phương pháp 
đề xuất là nhỏ hơn rất nhiều so với HTT. 
Thứ ba, thời gian tìm kiếm các khung ngắn 5ms 
trong toàn bộ cơ sở dữ liệu đích lớn trong HTT là rất 
lớn so với thời gian tìm kiếm các điểm sự kiện với số 
lượng ít hơn trong một cơ sở dữ liệu đích nhỏ hơn 
trong phương pháp đề xuất. 
Nói tóm lại, trong điều kiện cơ sở dữ liệu người 
đích có gán nhãn ở mức âm vị, phương pháp đề xuất 
đã chứng tỏ sự hiệu quả so với hai phương pháp TD-
GMM và HTT nếu xét tổng hợp trên nhiều phương 
diện: hiệu quả chuyển đổi, mức độ yêu cầu về dữ liệu 
đích, kích cỡ dữ liệu lưu trữ online, thời gian tìm kiếm 
mẫu. Điểm yếu của phương pháp đề xuất cũng như cả 
TD-GMM và HTT nói chung là khi chỉ có cơ sở dữ 
liệu đích nhỏ thì không sử dụng được. Trong trường 
hợp này, phương pháp GMM kinh điển [3] vẫn sẽ là 
một lựa chọn chấp nhận được. Khi có cơ sở dữ liệu 
đích rất lớn như trong [5], mặc dù nghiên cứu này 
chưa có điều kiện thực nghiệm, có thể khẳng định 
HTT sẽ cho chất lượng chuyển đổi giọng nói vượt trội 
hơn phương pháp đề xuất do việc sử dụng kỹ thuật TD 
luôn đi kèm với lỗi nội suy và lỗi tái tạo trong khi 
HTT sẽ luôn lựa chọn được những khung thay thế 
hoàn hảo để ghép nối trực tiếp với dữ liệu đích lớn mà 
không cần sử dụng bộ tổng hợp/tái tạo tiếng nói nào. 
Tuy nhiên yêu cầu có bộ cơ sở dữ liệu đích lớn như 
trong [5] về cơ bản là không khả thi trong thực tế. 
VI. KẾT LUẬN 
Để đảm bảo tiếng nói sau xử lý (như tiếng nói được 
tổng hợp) được tự nhiên, một trong những vấn đề 
quan trọng cần đảm bảo là thông tin về người nói. 
Trong bài báo này, chúng tôi đề xuất một phương 
pháp biến đổi giọng người nói dùng kỹ thuật phân rã 
tiếng nói theo thời gian cải tiến MRTD. Các phân tích 
lý thuyết và các kết quả đánh giá thực nghiệm trên cả 
tiếng Anh và tiếng Việt cho thấy phương pháp đề xuất 
có hiệu quả hơn hai phương pháp TD-GMM và HTT, 
là hai phương pháp được nhiều nhà nghiên cứu trên 
thế giới sử dụng, trong điều kiện bộ cơ sở dữ liệu 
người nói đích có kích cỡ trung bình được gán nhãn ở 
mức âm vị và bao phủ tất cả các âm vị tiếng nói, xét 
trên tập các tiêu chí chất lượng biến đổi giọng, thời 
gian tìm kiếm, và kích cỡ dữ liệu đích phải lưu trữ 
online. 
Do điều kiện thực tế không có các bộ cơ sở dữ liệu 
nhiều người nói cùng kịch bản nói lớn, các kết quả 
đánh giá thực nghiệm trong nghiên cứu này mới chỉ 
dừng lại với hai bộ cơ sở dữ liệu trung bình vừa đủ 
bao phủ tập các âm vị tiếng Anh và tiếng Việt. Trong 
các nghiên cứu tiếp theo, chúng tôi cũng sẽ tiếp tục so 
sánh thực nghiệm phương pháp đề xuất với một số 
phương pháp chuyển đổi giọng nói khác. Khi có các 
bộ cơ sở dữ liệu lớn hơn để thực nghiệm, chúng tôi sẽ 
Các công trình nghiên cứu, phát triển và ứng dụng CNTT-TT Tập V-2, Số 16 (36), tháng 12/2016 
- 13 - 
đánh giá với tập dữ liệu đánh giá lớn hơn, chia cặp dữ 
liệu huấn luyện / đánh giá theo từng mức dựa trên 
phân tích chi tiết về mật độ âm vị giữa các mức để 
đảm bảo kết quả đánh giá thực nghiệm được tin cậy và 
khách quan hơn. 
TÀI LIỆU THAM KHẢO 
[1] Jurafsky. Daniel, James H. Martin. Speech 
and Language Processing: An Introduction to Natural 
Language Processing, Computational Linguistics and 
Speech Recognition, 1st Edition, 577-583, 2000. 
[2] Akagi Masato, "Analysis of Production and 
Perception Characteristics of Non-linguistic 
Information in Speech and Its Application to Inter-
language Communications", Proceedings APSIPA ASC 
2009. 
[3] Kain Alexander, Michael W. Macon, 
"Spectral voice conversion for text-to-speech 
synthesis", Proceedings of the IEEE International 
Conference on Acoustics, Speech and Signal 
Processing, 1998. 
[4] Phu Nguyen Binh, Masato Akagi, "Phoneme-
based spectral voice conversion using temporal 
decomposition and Gaussian mixture model", Second 
IEEE International Conference Communications and 
Electronics, ICCE 2008, 2008. 
[5] Qian Yao, Frank K. Soong, Zhi-Jie Yan, "A 
unified trajectory tiling approach to high quality speech 
rendering", IEEE Transactions on Audio, Speech, and 
Language Processing, 21.2, 280-290, 2013. 
[6] Fujii Kei, Jun Okawa, Kaori Suigetsu, "High 
individuality voice conversion based on concatenative 
speech synthesis", World Academy of Science, 
Engineering and Technology, 2.1, 2007. 
[7] Nghia Phung Trung, et al., "A robust wavelet-
based text-independent speaker identification”, 
International Conference on Conference on 
Computational Intelligence and Multimedia 
Applications, Vol. 2, 2007. 
[8] Nguyen Phu Chien, Ochi Takao, and 
Masato Akagi, "Modified restricted temporal 
decomposition and its application to low rate speech 
coding", IEICE Transactions on Information and 
Systems 86.3, 397-405, 2003. 
[9] Kawahara Hideki, "STRAIGHT, exploitation of 
the other aspect of VOCODER: Perceptually 
isomorphic decomposition of speech sounds", 
Acoustical science and technology 27.6 , 349-353, 2006. 
[10] L.C. Mai, D.N. Duc, “Design of Vietnamese speech 
corpus and current status", Proc. ISCSLP-06, pp. 748-
758, 2006. 
[11] TT. Vu, MC. Luong, S. Nakamura, “An HMM-
based Vietnamese speech synthesis system, Speech 
Database and Assessments”, Proc. COCOSDA-2009, 
pp. 116-121, 2009. 
[12] BẠCH HƯNG KHANG, Báo cáo tổng kết khoa học và 
kỹ thuật đề tài nghiên cứu phát triển công nghệ nhận 
dạng, tổng hợp và xử lý ngôn ngữ tiếng Việt KC01-03, 
trang 26, 2004. 
[13] A. Wrench, “The MOCHA-TIMIT articulatory 
database,” Queen Margaret University College, 
 1999. 
Nhận bài ngày: 03/10/2015 
SƠ LƢỢC VỀ TÁC GIẢ 
PHÙNG TRUNG NGHĨA 
Sinh năm 1980. 
Tốt nghiệp Trường ĐH Bách 
Khoa Hà Nội năm 2002. Nhận 
bằng thạc sĩ năm 2007 tại ĐH 
Quốc Gia Hà Nội. Nhận bằng 
tiến sĩ năm 2013 tại Viện KHCN 
tiên tiến Nhật Bản (JAIST). 
Hiện công tác tại Trường ĐH CNTT và Truyền thông, 
Đại học Thái Nguyên. 
Lĩnh vực nghiên cứu bao gồm Xử lý tín hiệu (âm 
thanh, tiếng nói, y sinh), Học máy trong xử lý tín hiệu. 
Email: ptnghia@ictu.edu.vn