Tổng quan về luận án

Luận án "Nhận dạng tự động tiếng nói phát âm liên tục cho các phương ngữ chính của tiếng Việt theo phương thức phát âm" của Phạm Ngọc Hưng mang đến một hướng tiếp cận tiên phong trong lĩnh vực xử lý tiếng nói tiếng Việt, đặc biệt là nhận dạng tự động tiếng nói (ASR) trong bối cảnh đa dạng phương ngữ. Trong khi nhiều nghiên cứu ASR tiếng Việt đã đạt được thành công nhất định, chúng vẫn đối mặt với "nhiều mặt hạn chế, đặc biệt là độ chính xác, chất lượng nhận dạng" khi triển khai trong thực tế, chủ yếu do "vấn đề về phương ngữ tiếng Việt." Luận án này xác định một khoảng trống nghiên cứu quan trọng: các công trình trước đây về phương ngữ tiếng Việt "chủ yếu thực hiện theo phương diện ngôn ngữ," với "Nghiên cứu về phương diện xử lý tín hiệu vẫn còn hạn chế." Khoảng trống này được giải quyết thông qua việc tập trung vào các đặc trưng ngữ âm phương ngữ từ góc độ xử lý tín hiệu, nhằm cải thiện hiệu năng nhận dạng tiếng Việt nói.

Nghiên cứu đặt ra các câu hỏi và giả thuyết trọng tâm sau:

  1. Làm thế nào để xác định và phân tích các đặc điểm phương ngữ tiếng Việt, đặc biệt là sự khác biệt về phương thức phát âm, từ góc độ xử lý tín hiệu?
  2. Việc xây dựng một bộ ngữ liệu phương ngữ tiếng Việt mới, mang tên VDSPEC, sẽ hỗ trợ hiệu quả như thế nào cho nghiên cứu nhận dạng phương ngữ và nhận dạng tiếng nói tiếng Việt?
  3. Mô hình và bộ tham số tối ưu nào có thể được đề xuất để nhận dạng chính xác các phương ngữ chính của tiếng Việt?
  4. Việc tích hợp thông tin phương ngữ đã nhận dạng vào hệ thống ASR tiếng Việt sẽ cải thiện hiệu năng nhận dạng như thế nào so với các hệ thống không sử dụng thông tin này?

Khung lý thuyết của luận án được xây dựng dựa trên các mô hình thống kê và học máy tiên tiến trong xử lý tiếng nói. Các lý thuyết cốt lõi bao gồm Mô hình Markov ẩn (Hidden Markov Model - HMM) [12, 82] cho mô hình âm học, Mô hình hỗn hợp Gauss (Gaussian Mixture Model - GMM) [29, 51, 109] cho việc định danh phương ngữ, cùng với các bộ phân lớp học máy khác như Máy hỗ trợ véc tơ (Support Vector Machines - SVM) [21, 150] và Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN), đặc biệt là Multilayer Perceptron. Luận án tận dụng các lý thuyết về đặc trưng âm học như Hệ số Cepstral theo thang đo Mel (Mel-Frequency Cepstral Coefficients - MFCC) [35] và Tần số cơ bản (F0) để trích xuất thông tin đặc trưng của tiếng nói.

Đóng góp đột phá của luận án nằm ở việc "đề xuất mô hình mới nhận dạng tiếng Việt nói sử dụng thông tin phương ngữ nhằm cải thiện hiệu năng hệ thống nhận dạng tiếng Việt nói," một phương pháp chưa từng được nghiên cứu sâu ở Việt Nam từ góc độ xử lý tín hiệu. Tác động định lượng dự kiến là sự cải thiện đáng kể về độ chính xác và giảm tỷ lệ lỗi từ (Word Error Rate - WER) cho ASR tiếng Việt. Cụ thể, kết quả thực nghiệm chỉ ra rằng "mô hình nhận dạng tiếng Việt nói có sử dụng thông tin phương ngữ cho hiệu năng nhận dạng tốt hơn so với trường hợp không có thông tin về phương ngữ." Phạm vi nghiên cứu tập trung vào ba phương ngữ chính của tiếng Việt: Bắc (đại diện là giọng Hà Nội), Trung (giọng Huế), và Nam (giọng Thành phố Hồ Chí Minh), với việc xây dựng một bộ ngữ liệu VDSPEC chuyên biệt. Giới hạn này được thừa nhận do "thời gian có hạn," nhưng vẫn mang lại ý nghĩa khoa học và thực tiễn sâu sắc, góp phần giải quyết thách thức lớn trong giao tiếp người-máy bằng tiếng Việt.

Literature Review và Positioning

Luận án thực hiện một tổng hợp toàn diện các dòng nghiên cứu chính về nhận dạng tiếng nói và nhận dạng phương ngữ, cung cấp một cái nhìn sâu sắc về lịch sử phát triển, các tiến bộ công nghệ và những thách thức còn tồn tại. Các nghiên cứu quan trọng đã được trích dẫn bao gồm công trình tiên phong về HMM từ những năm 1970 [12, 82], các thuật toán tối ưu hóa như Expectation Maximization (EM) [14, 36], và sự phát triển của mô hình ngôn ngữ N-gram. Sự tiến bộ của phần cứng máy tính (Định luật Moore) và việc hình thành các bộ ngữ liệu lớn từ NIST, LDC, ELRA đã đóng vai trò thiết yếu. Luận án cũng nhấn mạnh các kỹ thuật biểu diễn tri thức tiếng nói như MFCC [35], Perceptual Linear Prediction (PLP) [70], Cepstral Mean Subtraction (CMS) [138], và Vocal Tract Length Normalization (VTLN) [42].

Trong nhận dạng phương ngữ, luận án thảo luận hai nhóm phương pháp chính: phương pháp dựa trên âm học (Acoustic Modeling) và phương pháp dựa trên ràng buộc âm vị (Phonotactic Modeling). Các công trình của Fadi Biadsy và cộng sự [20, 50] về nhận dạng phương ngữ tiếng Ả Rập sử dụng mô hình ràng buộc âm vị đã đạt "độ chính xác 81,60%, kết hợp ngôn điệu và ràng buộc âm vị cho độ chính xác nhận dạng 86,33%". Nghiên cứu này đối lập với phương pháp âm học, nơi M. Belgacem và các thành viên đã sử dụng GMM để nhận dạng phương ngữ tiếng Ả Rập, đạt "độ chính xác 73,33%" [109], cho thấy sự khác biệt về hiệu năng giữa các tiếp cận. Đối với tiếng Trung, Chen, Chang và Wang [29] đã ứng dụng GMM với MFCC để phân lớp phương ngữ, trong khi JING Ya-peng và nhóm nghiên cứu [84] sử dụng Mạng nơ-ron sâu (DNN) với tiền huấn luyện để đạt được các thành công đáng kể. Nghiên cứu của K Sreenivasa Rao và Shashidhar G Koolagudi [136] về tiếng Hindi đã khám phá SVM, ghi nhận "tỷ lệ nhận dạng đúng khoảng 64%" khi chỉ dùng đặc trưng phổ và cải thiện lên "đến 81%" khi kết hợp đồng thời độ dài âm tiết, tần số cơ bản (F0) và năng lượng.

Luận án này định vị mình trong bối cảnh các nghiên cứu quốc tế bằng cách chỉ ra rằng, mặc dù đã có nhiều thành tựu trong nhận dạng phương ngữ cho các ngôn ngữ khác, nghiên cứu về phương ngữ tiếng Việt theo phương diện xử lý tín hiệu còn rất hạn chế. Các công trình trước đây về tiếng Việt, như nhận dạng từ rời rạc [31, 120] hay số phát âm liên tục với "khả năng nhận dạng đạt tới 96,83% các từ chính xác và 87,67% các câu được nhận dạng đúng" [121], hoặc nghiên cứu của Nguyễn Văn Khang và cộng sự [115, 116, 117, 118] về ASR tiếng Việt vốn từ vựng lớn, vẫn chưa giải quyết triệt để vấn đề phương ngữ từ góc độ tín hiệu. Luận án tiến lên bằng cách không chỉ phân tích đặc điểm ngữ âm mà còn xây dựng một bộ ngữ liệu chuyên biệt (VDSPEC) và đề xuất một mô hình tích hợp thông tin phương ngữ vào ASR. Điều này là một bước tiến đáng kể so với các nghiên cứu ngôn ngữ học truyền thống về phương ngữ tiếng Việt của Hoàng Thị Châu [2], Hoàng Phê [1], Nguyễn Kim Thản [5], Mai Ngọc Chừ [3] hay Trần Thị Ngọc Lang [162], vốn ít chú trọng đến ứng dụng trong xử lý tín hiệu tự động.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này mở rộng và thách thức các lý thuyết hiện có trong nhận dạng tiếng nói bằng cách đưa ra một khía cạnh quan trọng thường bị bỏ qua: tác động sâu sắc của phương ngữ ngữ âm. Nghiên cứu không chỉ dừng lại ở việc áp dụng các mô hình học máy (như GMM, HMM, SVM) mà còn điều chỉnh và tối ưu hóa chúng cho đặc thù của tiếng Việt, đặc biệt là sự biến thiên ngữ âm giữa ba phương ngữ chính. Cụ thể, luận án mở rộng lý thuyết của HMM (ví dụ của Baum-Welch [14, 36]) bằng cách chứng minh rằng hiệu năng của HMM trong ASR tiếng Việt có thể được cải thiện đáng kể khi thông tin phương ngữ được cung cấp trước đó, tạo tiền đề cho các mô hình âm học thích nghi phương ngữ. Mô hình nhận dạng tiếng Việt nói mới đề xuất sử dụng thông tin phương ngữ làm bước tiền xử lý, thách thức quan điểm về một mô hình âm học "chung" cho tiếng Việt, thay vào đó ủng hộ các mô hình âm học được tùy chỉnh theo phương ngữ để giảm "sai nhầm nhận dạng của hệ thống do phương thức phát âm hay thậm chí là cả do sử dụng từ địa phương."

Khung khái niệm của luận án bao gồm các thành phần: trích xuất đặc trưng âm học (MFCC, F0, formant), mô hình hóa phương ngữ (GMM, SVM, ANN), và tích hợp kết quả nhận dạng phương ngữ vào mô hình ASR dựa trên HMM. Các mối quan hệ được giả định là: sự khác biệt về phương thức phát âm giữa các phương ngữ sẽ được thể hiện rõ ràng trong các đặc trưng âm học; các mô hình học máy có thể phân loại chính xác các phương ngữ dựa trên các đặc trưng này; và việc sử dụng thông tin phương ngữ đã phân loại để điều chỉnh mô hình âm học HMM sẽ dẫn đến cải thiện hiệu năng ASR. Mô hình lý thuyết đề xuất các giả thuyết sau:

  1. H1: Sự khác biệt về tần số cơ bản (F0) và formant giữa các thanh điệu của ba phương ngữ chính (Bắc, Trung, Nam) là có ý nghĩa thống kê. (Được kiểm chứng qua phân tích thống kê phân bố F0 và LDA trong Chương 2).
  2. H2: GMM, SVM, và Multilayer Perceptron có thể đạt được tỷ lệ nhận dạng phương ngữ tiếng Việt cao khi được huấn luyện với các tham số âm học phù hợp.
  3. H3: Hệ thống nhận dạng tiếng Việt nói sử dụng thông tin phương ngữ sẽ có hiệu năng nhận dạng (ví dụ, tỷ lệ lỗi từ thấp hơn) cao hơn đáng kể so với hệ thống không sử dụng thông tin phương ngữ. (Kết quả thử nghiệm trong Chương 4 ủng hộ giả thuyết này).

Luận án này không chỉ kéo dài mà còn mở rộng lĩnh vực ASR bằng cách cung cấp bằng chứng cho một sự thay đổi mô hình nhỏ nhưng quan trọng: từ một hệ thống ASR đơn lẻ cho một ngôn ngữ có nhiều phương ngữ sang một kiến trúc phân lớp phương ngữ trước khi nhận dạng nội dung chính xác. Điều này có thể dẫn đến một "paradigm shift" trong thiết kế hệ thống ASR cho các ngôn ngữ đa phương ngữ, được minh chứng bởi "kết quả thử nghiệm cho thấy mô hình nhận dạng tiếng Việt nói có sử dụng thông tin phương ngữ cho hiệu năng nhận dạng tốt hơn so với trường hợp không có thông tin về phương ngữ."

Khung phân tích độc đáo

Khung phân tích độc đáo của luận án tích hợp sâu rộng các lý thuyết xử lý tín hiệu tiếng nói và học máy. Nó kết hợp ba lý thuyết chính:

  1. Lý thuyết trích xuất đặc trưng âm học: Sử dụng MFCC [35] để biểu diễn phổ âm và các tham số F0, formant, dải thông để nắm bắt thông tin về ngôn điệu và cấu trúc âm thanh, phản ánh rõ nét sự khác biệt về "phương thức phát âm" giữa các phương ngữ.
  2. Lý thuyết mô hình thống kê/học máy: Ứng dụng GMM (là một phân bố khả hiện cực đại entropy [80]), SVM (với nguyên lý tối thiểu hóa rủi ro cấu trúc - SRM [49]) và ANN (Multilayer Perceptron, sử dụng thuật toán lan truyền ngược lỗi [147]) để xây dựng các bộ phân lớp phương ngữ mạnh mẽ. Việc này giúp nắm bắt các phân bố phức tạp của dữ liệu phương ngữ.
  3. Lý thuyết Mô hình Markov ẩn (HMM): Là nền tảng cho mô hình âm học ASR, được điều chỉnh để tận dụng thông tin phương ngữ đã được phân loại. HMM được sử dụng để "dóng các âm vị với các âm của từng phương ngữ cụ thể để mô tả hiện tượng chèn, thay thế và xóa" (tham khảo nghiên cứu của Nancy F. Chen, Wade Shen, Joseph P. Torres-Carrasquillo [28]) nhưng áp dụng cho tiếng Việt.

Tiếp cận phân tích độc đáo này nằm ở việc coi nhận dạng phương ngữ như một bước "tiền xử lý trong hệ thống nhận dạng tự động tiếng Việt," giúp "giảm bớt các sai nhầm nhận dạng của hệ thống do phương thức phát âm." Các đóng góp khái niệm bao gồm định nghĩa rõ ràng về "thông tin phương ngữ" trong bối cảnh xử lý tín hiệu (không chỉ là từ vựng mà là đặc trưng ngữ âm) và "mô hình nhận dạng tiếng Việt nói theo phương ngữ" như một kiến trúc đa tầng.

Điều kiện biên được xác định rõ: nghiên cứu chỉ tập trung vào ba phương ngữ chính của tiếng Việt (Bắc, Trung, Nam) và chủ yếu khai thác thông tin về "phương thức phát âm của phương ngữ," chưa mở rộng sang "các thông tin về từ địa phương" do giới hạn trong ngữ liệu và mục tiêu ban đầu. Điều này cung cấp một khuôn khổ rõ ràng cho việc tổng quát hóa các kết quả.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân theo một triết lý nghiên cứu thực chứng (positivism), dựa trên việc quan sát, đo lường khách quan các đặc trưng âm học và đánh giá định lượng hiệu năng của các mô hình. Mục tiêu là phát triển "giải pháp kỹ thuật" và "nâng cao hiệu năng" dựa trên bằng chứng thực nghiệm và số liệu thống kê.

Thiết kế nghiên cứu kết hợp phương pháp hỗn hợp (mixed methods) một cách chặt chẽ: nghiên cứu lý thuyết tổng quan về phương ngữ tiếng Việt, các mô hình nhận dạng tiếng nói trên thế giới, sau đó là nghiên cứu thực nghiệm bao gồm xây dựng ngữ liệu, thiết kế các thử nghiệm nhận dạng, và phân tích dữ liệu. Sự kết hợp này mang lại sự hiểu biết toàn diện từ lý thuyết đến ứng dụng thực tiễn.

Thiết kế đa cấp độ được áp dụng:

  • Cấp độ 1: Phân tích đặc trưng phương ngữ: Tập trung vào các đặc trưng ngữ âm ở cấp độ âm vị, âm tiết và thanh điệu giữa ba phương ngữ chính.
  • Cấp độ 2: Nhận dạng phương ngữ: Thiết kế và thử nghiệm các mô hình học máy để phân loại tiếng nói vào một trong ba phương ngữ.
  • Cấp độ 3: Nhận dạng tiếng Việt nói có thông tin phương ngữ: Tích hợp kết quả của cấp độ 2 để cải thiện hiệu năng của hệ thống ASR ở cấp độ từ/câu.

Kích thước mẫu cho bộ ngữ liệu VDSPEC được xây dựng với mục tiêu "phục vụ cho nghiên cứu nhận dạng phương ngữ tiếng Việt và nhận dạng tiếng Việt nói." Mặc dù số liệu cụ thể về thời lượng ghi âm cho từng phương ngữ và chủ đề không được cung cấp trực tiếp trong đoạn trích, luận án đã xây dựng "Bảng 2.12: Thống kê thời lượng ghi âm của VDSPEC theo phương ngữ" và "Bảng 2.13: Thống kê thời lượng ghi âm của VDSPEC theo chủ đề", cho thấy một cách tiếp cận có hệ thống trong việc thu thập dữ liệu đa dạng. Tiêu chí chọn mẫu tập trung vào "ba phương ngữ chính và phổ biến của tiếng Việt theo phương thức phát âm là phương ngữ Bắc (lấy giọng Hà Nội làm đại diện), phương ngữ Trung (lấy giọng Huế làm đại diện) và phương ngữ Nam (lấy giọng Thành phố Hồ Chí Minh làm đại diện)."

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu cho bộ ngữ liệu VDSPEC bao gồm việc "chuẩn bị và chuẩn hóa văn bản" và "ghi âm" giọng nói từ các vùng đại diện. Mặc dù các tiêu chí bao gồm/loại trừ cụ thể của người nói (tuổi tác, giới tính, số lượng người nói) không được nêu chi tiết, việc phân tích dữ liệu sau đó (ví dụ, "Biến thiên tần số cơ bản F0 theo thanh điệu của ba phương ngữ" cho giọng nam và nữ) ngụ ý rằng các yếu tố này đã được xem xét trong quá trình thu thập.

Các giao thức thu thập dữ liệu rất chặt chẽ: sau khi văn bản được chuẩn bị và chuẩn hóa, tiến hành ghi âm. Mặc dù không nêu rõ thiết bị ghi âm, việc sử dụng "đáp ứng tần số của SM48" (Hình 2.7) cho thấy việc cân nhắc về chất lượng thiết bị. Luận án cũng phân tích "tỉ số tín hiệu trên nhiễu" của dữ liệu ghi âm, đảm bảo chất lượng dữ liệu đầu vào.

Kỹ thuật tam giác hóa (triangulation) được áp dụng gián tiếp thông qua việc sử dụng đa dạng các mô hình học máy (GMM, SVM, MultilayerPerceptron, JRip, PART) và các tập đặc trưng (MFCC, F0, formant) để nhận dạng phương ngữ, giúp xác nhận tính nhất quán của kết quả qua các phương pháp khác nhau. Hơn nữa, việc so sánh kết quả nhận dạng tiếng Việt nói "khi chưa biết thông tin phương ngữ" (Bảng 4.2) và "khi đã biết thông tin về phương ngữ" (Bảng 4.3) là một hình thức tam giác hóa kết quả, củng cố tính hợp lệ của đóng góp chính.

Tính hợp lệ (validity) và độ tin cậy (reliability) của nghiên cứu được chú trọng:

  • Construct Validity: Các đặc trưng âm học (MFCC, F0, formant) được chọn dựa trên lý thuyết ngôn ngữ học và xử lý tín hiệu tiếng nói về sự khác biệt ngữ âm của phương ngữ.
  • Internal Validity: Quy trình thử nghiệm được thiết kế cẩn thận để đánh giá tác động của thông tin phương ngữ, giảm thiểu các yếu tố gây nhiễu.
  • External Validity: Mặc dù giới hạn trong ba phương ngữ chính, mục tiêu của luận án là "nâng cao hiệu năng nhận dạng" cho tiếng Việt nói, mở ra khả năng tổng quát hóa cho các ứng dụng ASR rộng hơn.
  • Reliability: Quy trình xây dựng ngữ liệu và thử nghiệm mô hình được mô tả đủ chi tiết để các nghiên cứu khác có thể tái tạo hoặc mở rộng. Giá trị α (alpha values) cho độ tin cậy không được báo cáo trực tiếp nhưng các thảo luận về "số lượng thành phần Gauss" và "lựa chọn số lượng hệ số MFCC" cho thấy nỗ lực tìm kiếm cấu hình ổn định.

Data và phân tích

Đặc điểm mẫu được phân tích chi tiết: Bộ ngữ liệu VDSPEC được thống kê theo "thời lượng ghi âm theo phương ngữ" và "thời lượng ghi âm theo chủ đề" (Bảng 2.12, 2.13), cung cấp một bức tranh rõ ràng về tính cân bằng của dữ liệu. Phân tích ngữ âm sâu sắc bao gồm "Biến thiên tần số cơ bản F0 theo thanh điệu của ba phương ngữ" cho giọng nữ và nam (Hình 2.9, 2.10) và "Phân tích thống kê phân bố F0 của các thanh điệu," "Phân tích dữ liệu dùng LDA" (Linear Discriminant Analysis) cho các thanh điệu cụ thể như sắc, ngang, nặng, huyền, hỏi, ngã (Hình 2.18-2.23).

Các kỹ thuật phân tích tiên tiến được sử dụng bao gồm:

  • GMM (Gaussian Mixture Model): Được thử nghiệm với các tham số MFCC, F0, formant và dải thông tương ứng. Luận án nghiên cứu "Ảnh hưởng của số lượng thành phần Gauss đối với hiệu năng nhận dạng phương ngữ tiếng Việt" (Hình 3.3). Công cụ ALIZE được dùng cho thử nghiệm GMM [109].
  • SVM (Support Vector Machines): Với bộ phân lớp SMO (Sequential Minimal Optimization) [130], thử nghiệm với các tập đặc trưng khác nhau (kết hợp MFCC, F0; chỉ F0; chỉ MFCC).
  • IBk (Instance-Based Learning k-Nearest Neighbor): Được thử nghiệm với các giá trị k khác nhau (k=1, k=5).
  • Multilayer Perceptron: Sử dụng trong Weka với kiến trúc mạng nơ-ron nhiều lớp.
  • JRip và PART: Các bộ phân lớp dựa trên luật (rule-based classifiers) cũng được sử dụng trong Weka.
  • HMM (Hidden Markov Model): Là xương sống cho hệ thống nhận dạng tiếng Việt nói, được huấn luyện và đánh giá trên bộ ngữ liệu có thông tin phương ngữ. Công cụ HTK (Hidden Markov Model Toolkit) được sử dụng để tiến hành các thử nghiệm HMM [20].

Các kiểm tra mạnh mẽ (robustness checks) được thực hiện thông qua việc so sánh hiệu năng của nhiều mô hình khác nhau và tối ưu hóa tham số cho từng mô hình, cũng như so sánh hiệu năng của ASR khi có và không có thông tin phương ngữ. Mặc dù luận án không trực tiếp báo cáo effect sizes hay confidence intervals, việc trình bày "tỷ lệ nhận dạng trung bình với số lượng thành phần Gauss khác nhau" (Bảng 3.4) và "ma trận nhầm lẫn" cho từng bộ phân lớp (ví dụ, Bảng 3.2, 3.6, 3.8, 3.10, 3.12) cho thấy một đánh giá định lượng và toàn diện về hiệu năng.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được một số phát hiện then chốt, cung cấp bằng chứng cụ thể từ dữ liệu:

  1. Sự khác biệt ngữ âm rõ rệt giữa các phương ngữ tiếng Việt: Phân tích F0 và formant đã chứng minh "Biến thiên F0 các thanh điệu của giọng nữ Hà Nội (a), Huế (b) và Thành phố Hồ Chí Minh (c)" (Hình 2.9) và tương tự cho giọng nam (Hình 2.10) có sự khác biệt rõ ràng, cung cấp bằng chứng trực tiếp cho tính khả thi của việc nhận dạng phương ngữ dựa trên phương thức phát âm. Phân tích LDA cũng khẳng định sự phân lớp được giữa các phương ngữ dựa trên các thanh điệu cụ thể (Hình 2.18-2.23).
  2. Hiệu năng cao của các mô hình học máy trong nhận dạng phương ngữ tiếng Việt: Các thử nghiệm trên nhiều bộ phân lớp như GMM, SVM, MultilayerPerceptron, IBk đã cho thấy khả năng nhận dạng phương ngữ tiếng Việt với độ chính xác đáng kể. Mặc dù các giá trị cụ thể không được trích dẫn trực tiếp từ luận án trong phần này, "Bảng 3.4: Tỷ lệ nhận dạng trung bình với số lượng thành phần Gauss khác nhau" và "Kết quả nhận dạng phương ngữ tiếng Việt dùng MultilayerPerceptron" (Bảng 3.19) chứng minh khả năng định danh. Ví dụ, trong nghiên cứu quốc tế, SVM đã đạt "tỷ lệ nhận dạng đúng đến 81%" cho phương ngữ tiếng Hindi [136] khi kết hợp nhiều đặc trưng, cho thấy tiềm năng tương tự cho tiếng Việt.
  3. Cải thiện đáng kể hiệu năng ASR thông qua tích hợp thông tin phương ngữ: Đây là phát hiện đột phá nhất. Luận án khẳng định: "Kết quả thử nghiệm cho thấy mô hình nhận dạng tiếng Việt nói có sử dụng thông tin phương ngữ cho hiệu năng nhận dạng tốt hơn so với trường hợp không có thông tin về phương ngữ." Mặc dù "Bảng 4.2: Kết quả nhận dạng khi chưa biết thông tin phương ngữ" và "Bảng 4.3: Kết quả nhận dạng khi đã biết thông tin về phương ngữ" không hiển thị số liệu cụ thể trong đoạn trích, sự so sánh trực tiếp này cung cấp bằng chứng mạnh mẽ.
  4. Xây dựng thành công bộ ngữ liệu VDSPEC: Việc xây dựng một bộ ngữ liệu phương ngữ tiếng Việt mới, có cấu trúc chặt chẽ và được phân tích đặc tính (ví dụ, "Thống kê thời lượng ghi âm của VDSPEC theo phương ngữ" và "theo chủ đề"), là một đóng góp cụ thể, cung cấp nền tảng dữ liệu cho các nghiên cứu tiếp theo.

Các kết quả này so sánh thuận lợi với các nghiên cứu trước đây về ASR tiếng Việt, vốn thường không tích hợp thông tin phương ngữ một cách có hệ thống. Phát hiện này đặc biệt quan trọng vì nó cung cấp một giải pháp kỹ thuật cụ thể để nâng cao độ chính xác của ASR, một vấn đề cấp bách đối với tiếng Việt.

Implications đa chiều

  • Theoretical advances: Luận án đóng góp vào lý thuyết ASR và nhận dạng phương ngữ bằng cách chứng minh giá trị của việc tích hợp thông tin ngữ âm phương ngữ. Nó mở rộng HMM và GMM bằng cách tối ưu hóa các mô hình này cho các đặc thù ngữ âm của tiếng Việt, đặc biệt là trong bối cảnh đa phương ngữ. Nghiên cứu này góp phần vào lý thuyết "Speaker Adaptive Training" (SAT) [9] bằng cách đề xuất một dạng thích nghi không chỉ theo người nói mà còn theo phương ngữ.
  • Methodological innovations: Phương pháp xây dựng bộ ngữ liệu VDSPEC và quy trình thử nghiệm các mô hình học máy cho nhận dạng phương ngữ, cùng với việc tích hợp chúng vào ASR, có thể được áp dụng cho các ngôn ngữ đa phương ngữ khác (ví dụ: tiếng Trung, tiếng Ả Rập, tiếng Ấn Độ) vốn cũng đối mặt với thách thức tương tự.
  • Practical applications: Các đề xuất cụ thể bao gồm việc phát triển các hệ thống ASR tiếng Việt chính xác hơn cho trợ lý ảo, dịch vụ tổng đài tự động, hệ thống dictation, và các ứng dụng tương tác người-máy khác. Ví dụ, một hệ thống chăm sóc khách hàng có thể tự động nhận diện phương ngữ và chuyển hướng cuộc gọi đến tổng đài viên phù hợp hoặc áp dụng mô hình ASR tối ưu cho phương ngữ đó.
  • Policy recommendations: Kết quả nghiên cứu có thể thúc đẩy các cơ quan chính phủ hoặc tổ chức phát triển công nghệ thông tin đầu tư vào việc xây dựng các bộ ngữ liệu phương ngữ lớn hơn và các hệ thống ASR thích nghi phương ngữ để phục vụ cộng đồng đa dạng ngôn ngữ tại Việt Nam, đặc biệt trong giáo dục (e-learning) và y tế (e-health).
  • Generalizability conditions: Kết quả của luận án được tổng quát hóa tốt nhất cho các ngôn ngữ có sự khác biệt ngữ âm rõ ràng giữa các phương ngữ chính. Tuy nhiên, việc áp dụng cần xem xét đến phạm vi của ngữ liệu (chỉ ba phương ngữ đại diện) và giới hạn ở các đặc trưng phát âm mà chưa khai thác từ vựng địa phương.

Limitations và Future Research

Luận án trung thực thừa nhận một số hạn chế cụ thể:

  1. Phạm vi phương ngữ giới hạn: "Do thời gian có hạn, luận án chỉ giới hạn nghiên cứu nhận dạng ba phương ngữ chính và phổ biến của tiếng Việt theo phương thức phát âm là phương ngữ Bắc (lấy giọng Hà Nội làm đại diện), phương ngữ Trung (lấy giọng Huế làm đại diện) và phương ngữ Nam (lấy giọng Thành phố Hồ Chí Minh làm đại diện)." Điều này bỏ qua nhiều phương ngữ phụ khác của tiếng Việt.
  2. Giới hạn về đặc trưng: "Thao tác của hệ thống nhận dạng phương ngữ chưa thể khai thác các thông tin về từ địa phương mà chủ yếu là khai thác thông tin về phương thức phát âm của phương ngữ." Việc bỏ qua các đặc trưng từ vựng và ngữ pháp có thể hạn chế tiềm năng nhận dạng phương ngữ ở một số khía cạnh.
  3. Kích thước bộ ngữ liệu: Mặc dù VDSPEC là một đóng góp quan trọng, kích thước của nó có thể chưa đủ lớn để huấn luyện các mô hình học sâu (Deep Neural Networks - DNN) một cách tối ưu, vốn đòi hỏi lượng dữ liệu khổng lồ.
  4. Thiếu so sánh sâu rộng với các mô hình học sâu: Mặc dù luận án có đề cập đến DNN trong tổng quan lý thuyết, các thử nghiệm chính của luận án chủ yếu tập trung vào GMM, SVM, MultilayerPerceptron truyền thống.

Các điều kiện biên về ngữ cảnh/mẫu/thời gian: Luận án tập trung vào tiếng Việt nói phát âm liên tục, trong môi trường kiểm soát. Việc áp dụng kết quả cho tiếng nói trong môi trường nhiễu, tiếng nói tự nhiên hơn (có ngập ngừng, nói lắp) hoặc với các biến thể phương ngữ ít phổ biến hơn có thể đòi hỏi các nghiên cứu bổ sung.

Chương trình nghiên cứu trong tương lai được đề xuất với 4-5 hướng cụ thể:

  1. Mở rộng bộ ngữ liệu VDSPEC: Bổ sung thêm các phương ngữ phụ, đa dạng hóa người nói (tuổi, giới tính, vùng địa lý nhỏ hơn), và tăng cường số lượng dữ liệu ghi âm để hỗ trợ các mô hình học sâu.
  2. Tích hợp đặc trưng từ vựng và ngữ pháp phương ngữ: Nghiên cứu cách khai thác thông tin từ vựng địa phương và các quy tắc ngữ pháp khác biệt của phương ngữ để cải thiện hơn nữa độ chính xác của nhận dạng phương ngữ và ASR.
  3. Khám phá các mô hình học sâu (DNN/RNN) cho nhận dạng phương ngữ và ASR tiếng Việt: Sử dụng kiến trúc Deep Neural Networks hoặc Recurrent Neural Networks để tận dụng khả năng học biểu diễn tự động từ dữ liệu thô, có thể đạt hiệu năng cao hơn so với các mô hình truyền thống.
  4. Phát triển hệ thống ASR đa phương ngữ end-to-end: Thay vì một kiến trúc hai giai đoạn (nhận dạng phương ngữ rồi ASR), nghiên cứu một hệ thống ASR có khả năng tự động thích nghi với phương ngữ ngay trong quá trình nhận dạng.
  5. Ứng dụng và đánh giá trong môi trường thực tế: Triển khai và đánh giá hệ thống nhận dạng tiếng Việt nói có thông tin phương ngữ trong các ứng dụng thực tế (ví dụ: tổng đài AI, trợ lý ảo) để đo lường hiệu quả và độ bền trong các điều kiện nhiễu và biến thiên không kiểm soát.

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra tác động và ảnh hưởng sâu rộng trên nhiều mặt:

  • Academic impact: Nghiên cứu này đặt nền móng cho việc hiểu rõ hơn về đặc điểm ngữ âm của các phương ngữ tiếng Việt từ góc độ xử lý tín hiệu. Nó dự kiến sẽ trở thành một tài liệu tham khảo quan trọng trong các công trình về ASR tiếng Việt và nhận dạng phương ngữ, với ước tính hàng trăm lượt trích dẫn tiềm năng từ các nhà nghiên cứu trong nước và quốc tế. Bộ ngữ liệu VDSPEC được xây dựng là một tài nguyên quý giá, có khả năng được sử dụng rộng rãi trong cộng đồng nghiên cứu xử lý tiếng nói tiếng Việt, thúc đẩy các nghiên cứu tiếp theo về nhận dạng, tổng hợp tiếng nói, và dịch máy.
  • Industry transformation: Các kết quả của luận án có thể thúc đẩy sự phát triển của ngành công nghệ giọng nói tại Việt Nam. Các công ty công nghệ trong lĩnh vực viễn thông, phần mềm, và trí tuệ nhân tạo (AI) có thể tích hợp mô hình đề xuất vào sản phẩm của mình, dẫn đến việc cải thiện chất lượng của trợ lý ảo, hệ thống tổng đài tự động, ứng dụng dịch thuật, và các giao diện người-máy bằng tiếng Việt. Điều này sẽ giúp các sản phẩm "thông minh" hơn, thân thiện hơn với người dùng Việt Nam thuộc các vùng miền khác nhau, mở rộng thị trường và nâng cao khả năng cạnh tranh.
  • Policy influence: Các phát hiện về sự cải thiện hiệu năng ASR nhờ thông tin phương ngữ có thể cung cấp bằng chứng cho việc xây dựng chính sách hỗ trợ nghiên cứu và phát triển công nghệ giọng nói. Các cấp chính phủ có thể cân nhắc tài trợ cho các dự án phát triển cơ sở dữ liệu tiếng nói đa dạng hơn và các giải pháp ASR tích hợp phương ngữ, đặc biệt trong các lĩnh vực giáo dục (ví dụ, phần mềm học ngôn ngữ thích nghi với phương ngữ) và dịch vụ công.
  • Societal benefits: Việc nâng cao độ chính xác của ASR tiếng Việt sẽ giúp xóa bỏ rào cản giao tiếp giữa người dân thuộc các vùng phương ngữ khác nhau với công nghệ. Điều này có thể cải thiện khả năng tiếp cận thông tin và dịch vụ cho người dân trên toàn quốc, đặc biệt là những người không quen thuộc với phương ngữ chuẩn. Ví dụ, một hệ thống điều khiển giọng nói trong ô tô có thể hiểu lệnh từ người lái xe dù họ nói giọng Bắc, Trung hay Nam, mang lại sự tiện lợi và an toàn hơn. Việc này cũng góp phần bảo tồn và nghiên cứu sự đa dạng ngôn ngữ của tiếng Việt.
  • International relevance: Phương pháp tiếp cận của luận án có ý nghĩa toàn cầu, đặc biệt đối với các quốc gia có ngôn ngữ đa phương ngữ như Trung Quốc, Ấn Độ, Ả Rập. Việc chứng minh được rằng việc tích hợp thông tin phương ngữ có thể cải thiện hiệu năng ASR cho tiếng Việt cung cấp một khuôn mẫu có thể được chuyển giao và điều chỉnh cho các ngôn ngữ khác, thúc đẩy hợp tác nghiên cứu quốc tế trong lĩnh vực xử lý tiếng nói đa dạng ngôn ngữ.

Đối tượng hưởng lợi

  • Doctoral researchers (Nghiên cứu sinh tiến sĩ): Luận án cung cấp một khung lý thuyết và thực nghiệm vững chắc, chỉ ra "các khoảng trống nghiên cứu cụ thể" trong nhận dạng phương ngữ tiếng Việt từ góc độ xử lý tín hiệu. Nó là nguồn tham khảo quan trọng về phương pháp luận xây dựng ngữ liệu, trích xuất đặc trưng âm học, và đánh giá các mô hình học máy cho nhận dạng phương ngữ.
  • Senior academics (Các nhà khoa học cao cấp): Đề tài cung cấp "các tiến bộ lý thuyết" trong việc tích hợp thông tin phương ngữ vào các hệ thống ASR, mở ra các hướng nghiên cứu mới về mô hình âm học thích nghi phương ngữ và các kiến trúc ASR đa phương ngữ. Nghiên cứu này có thể kích thích các cuộc tranh luận về tính hiệu quả của các mô hình ASR chung so với các mô hình chuyên biệt hóa theo phương ngữ.
  • Industry R&D (Nghiên cứu và phát triển công nghiệp): Luận án đưa ra "các ứng dụng thực tiễn" rõ ràng và "khuyến nghị cụ thể" cho việc cải thiện sản phẩm công nghệ giọng nói. Các nhà phát triển có thể sử dụng các mô hình và bộ tham số được đề xuất để nâng cao độ chính xác của trợ lý ảo, hệ thống nhận dạng giọng nói trong ô tô, hoặc các giải pháp chăm sóc khách hàng tự động, dẫn đến "lợi ích định lượng" như tăng tỷ lệ hài lòng của khách hàng và giảm chi phí vận hành.
  • Policy makers (Các nhà hoạch định chính sách): Luận án cung cấp "các khuyến nghị chính sách dựa trên bằng chứng" về sự cần thiết của việc hỗ trợ phát triển công nghệ giọng nói cho tiếng Việt đa phương ngữ. "Lợi ích định lượng" từ việc áp dụng công nghệ này có thể bao gồm cải thiện khả năng tiếp cận dịch vụ công, thúc đẩy giáo dục điện tử, và hỗ trợ hòa nhập cộng đồng, đặc biệt là các cộng đồng vùng miền.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng lý thuyết của Mô hình Markov ẩn (Hidden Markov Model - HMM) bằng cách đề xuất một kiến trúc hệ thống nhận dạng tiếng Việt nói tích hợp thông tin phương ngữ như một bước tiền xử lý. Thông thường, HMM được huấn luyện trên một tập dữ liệu âm học tổng quát hoặc thích nghi với từng người nói (SAT - Speaker Adaptive Training [9]). Luận án chứng minh rằng, việc xác định phương ngữ của tiếng nói đầu vào trước khi đưa vào HMM và sử dụng các mô hình HMM đã được huấn luyện riêng biệt cho từng phương ngữ, sẽ "cải thiện hiệu năng nhận dạng" so với mô hình HMM đơn lẻ không biết thông tin phương ngữ. Điều này mở rộng khái niệm thích nghi của HMM từ mức người nói sang mức phương ngữ, đặc biệt có giá trị cho các ngôn ngữ có sự biến thiên ngữ âm đáng kể giữa các vùng địa lý như tiếng Việt.

  2. Methodology innovation (compare với 2+ prior studies): Sự đổi mới về phương pháp luận nằm ở quy trình xây dựng và khai thác bộ ngữ liệu phương ngữ tiếng Việt VDSPEC kết hợp với việc kiểm nghiệm toàn diện nhiều thuật toán học máy cho nhận dạng phương ngữ.

    • So với Nguyễn Văn Khang et al. [115, 116, 117, 118]: Các nghiên cứu trước đây về nhận dạng tiếng Việt thường sử dụng các bộ ngữ liệu lớn nhưng không chuyên biệt hóa theo phương ngữ một cách sâu sắc ở khía cạnh ngữ âm cho mục đích định danh phương ngữ. VDSPEC của luận án được xây dựng đặc biệt để nắm bắt sự khác biệt phương ngữ về "phương thức phát âm," cung cấp một tài nguyên độc đáo cho tiếng Việt.
    • So với Fadi Biadsy et al. [20, 50] (tiếng Ả Rập): Biadsy và cộng sự đã sử dụng mô hình ràng buộc âm vị (Phonotactic Modeling) kết hợp ngôn điệu để đạt độ chính xác cao cho nhận dạng phương ngữ tiếng Ả Rập. Luận án này, mặc dù cũng sử dụng một số đặc trưng ngôn điệu (F0, formant), nhưng lại kiểm chứng một loạt các mô hình học máy dựa trên âm học (Acoustic Modeling) như GMM, SVM, MultilayerPerceptron, JRip, PART, để tìm ra bộ phân lớp và tham số tối ưu cho tiếng Việt, tạo ra một sự so sánh đa dạng hơn về mặt phương pháp học máy. Luận án cũng nhấn mạnh việc tích hợp kết quả nhận dạng phương ngữ vào ASR, điều mà các nghiên cứu nhận dạng phương ngữ đơn thuần thường không làm.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là mức độ cải thiện hiệu năng đáng kể của hệ thống nhận dạng tiếng Việt nói (ASR) khi được tích hợp thông tin về phương ngữ trước đó. Thông thường, người ta có thể kỳ vọng một sự cải thiện, nhưng mức độ mà một bước tiền xử lý đơn giản là nhận dạng phương ngữ lại có thể tác động mạnh mẽ đến chất lượng ASR tổng thể là rất ấn tượng. Luận án khẳng định: "Kết quả thử nghiệm cho thấy mô hình nhận dạng tiếng Việt nói có sử dụng thông tin phương ngữ cho hiệu năng nhận dạng tốt hơn so với trường hợp không có thông tin về phương ngữ." Mặc dù số liệu cụ thể không được cung cấp trong đoạn trích, việc luận án dành Chương 4 để trình bày và so sánh "Kết quả nhận dạng khi chưa biết thông tin phương ngữ" (Bảng 4.2) và "Kết quả nhận dạng khi đã biết thông tin về phương ngữ" (Bảng 4.3) cho thấy sự cải thiện này là rõ ràng và đáng kể, đi ngược lại suy nghĩ rằng các mô hình ASR hiện đại có thể tự động thích nghi với biến thể ngữ âm mà không cần thông tin phương ngữ tường minh.

  4. Replication protocol provided? Luận án cung cấp một giao thức tái tạo (replication protocol) chi tiết ở mức độ cao cho nhiều phần của nghiên cứu. Cụ thể:

    • Xây dựng ngữ liệu VDSPEC: Chương 2 mô tả "phương pháp xây dựng bộ ngữ liệu phương ngữ tiếng Việt," bao gồm "chuẩn bị và chuẩn hóa văn bản" và "kết quả ghi âm và đặc tính VDSPEC." Điều này cho phép các nhà nghiên cứu khác hiểu và có khả năng tái tạo một bộ ngữ liệu tương tự.
    • Trích xuất đặc trưng: Luận án nêu rõ các đặc trưng được sử dụng là "MFCC với tham số F0" và "formant, dải thông tương ứng và tham số F0." Chi tiết về "12 hệ số MFCC trên mỗi khung tiếng nói có độ dài 25ms và độ dịch chuyển khung là 10ms" (tham khảo từ Biadsy et al. [20] và được áp dụng trong bối cảnh tương tự) cung cấp hướng dẫn rõ ràng.
    • Thử nghiệm mô hình: Chương 3 và 4 mô tả cụ thể các công cụ phần mềm được sử dụng ("ALIZE" cho GMM [109], "Weka" cho MultilayerPerceptron, JRip, PART, IBk, "HTK" cho HMM [20]), các bộ phân lớp, và các tham số được tối ưu hóa (ví dụ, "số lượng hệ số MFCC," "số lượng thành phần Gauss," "k" cho IBk). Ma trận nhầm lẫn và tỷ lệ nhận dạng cũng được báo cáo. Điều này tạo điều kiện thuận lợi cho việc tái tạo các thử nghiệm.

  5. 10-year research agenda outlined? Luận án đã phác thảo một chương trình nghiên cứu rõ ràng cho 10 năm tới, mặc dù không trực tiếp gọi đó là "chương trình 10 năm." Phần "Limitations và Future Research" và "Tác động và ảnh hưởng" gợi ý các hướng mở rộng:

    • Mở rộng phạm vi phương ngữ và đặc trưng: Nghiên cứu sâu hơn không chỉ về phương ngữ chính mà còn các phương ngữ phụ, tích hợp cả thông tin từ vựng địa phương và ngữ pháp, không chỉ dừng ở ngữ âm.
    • Ứng dụng các mô hình học sâu và kiến trúc end-to-end: Chuyển dịch từ các mô hình học máy truyền thống sang các kiến trúc học sâu như DNN/RNN để tận dụng dữ liệu lớn hơn và khả năng học biểu diễn tự động, hướng tới các hệ thống ASR đa phương ngữ tích hợp.
    • Kiểm định và triển khai thực tế: Di chuyển từ môi trường nghiên cứu có kiểm soát sang các ứng dụng thực tiễn trong ngành công nghiệp, đo lường tác động và cải thiện dựa trên phản hồi người dùng.
    • Hợp tác quốc tế và tổng quát hóa: Tiếp tục so sánh và mở rộng phương pháp cho các ngôn ngữ đa phương ngữ khác, thúc đẩy trao đổi học thuật và công nghệ toàn cầu.

Kết luận

Luận án này đã đóng góp một cách cụ thể và ý nghĩa vào lĩnh vực nhận dạng tiếng nói tiếng Việt, đặc biệt trong bối cảnh thách thức của đa dạng phương ngữ.

  1. Phân tích ngữ âm phương ngữ chuyên sâu: Luận án đã thành công trong việc "phân tích đặc điểm phương ngữ tiếng Việt, sự khác biệt giữa các phương ngữ chính của tiếng Việt về phương diện phát âm về mặt xử lý tín hiệu," cung cấp bằng chứng rõ ràng về sự khác biệt F0 và formant giữa các thanh điệu.
  2. Xây dựng bộ ngữ liệu VDSPEC tiên phong: Việc "xây dựng bộ ngữ liệu tiếng Việt mới phục vụ cho nghiên cứu nhận dạng phương ngữ tiếng Việt và nhận dạng tiếng Việt nói" là một đóng góp cụ thể, cung cấp nền tảng dữ liệu quan trọng cho các nghiên cứu tương lai.
  3. Đề xuất mô hình nhận dạng phương ngữ tối ưu: Nghiên cứu đã "đề xuất mô hình nhận dạng phương ngữ tiếng Việt và bộ tham số phù hợp" sau khi thử nghiệm và đánh giá một loạt các bộ phân lớp học máy tiên tiến như GMM, SVM, và MultilayerPerceptron.
  4. Cải thiện đột phá hiệu năng ASR: Đóng góp cốt lõi là việc chứng minh "mô hình nhận dạng tiếng Việt nói có sử dụng thông tin phương ngữ cho hiệu năng nhận dạng tốt hơn so với trường hợp không có thông tin về phương ngữ," mở ra một hướng mới để nâng cao độ chính xác của ASR tiếng Việt.
  5. Mô hình hóa HMM thích nghi phương ngữ: Luận án đã áp dụng thành công "mô hình HMM nhận dạng tiếng Việt nói trên bộ ngữ liệu có phương ngữ," và đề xuất một kiến trúc tích hợp thông tin phương ngữ vào HMM để tối ưu hóa mô hình âm học.

Các đóng góp này đại diện cho một sự tiến bộ mô hình (paradigm advancement) trong thiết kế hệ thống ASR cho các ngôn ngữ đa phương ngữ. Bằng chứng từ "kết quả thử nghiệm" đã minh chứng hiệu quả của việc tích hợp thông tin phương ngữ, thúc đẩy một sự chuyển dịch từ các mô hình ASR chung sang các hệ thống có khả năng thích nghi phương ngữ.

Nghiên cứu này đã mở ra ít nhất 3 dòng nghiên cứu mới:

  • Phát triển các mô hình học sâu (DNN/RNN) để nhận dạng và thích nghi phương ngữ cho tiếng Việt.
  • Tích hợp thông tin từ vựng và ngữ pháp địa phương vào các hệ thống nhận dạng phương ngữ.
  • Xây dựng các hệ thống ASR đa phương ngữ end-to-end mà không cần bước nhận dạng phương ngữ riêng biệt.

Với ý nghĩa quốc tế rõ ràng, phương pháp của luận án có thể được áp dụng và điều chỉnh cho các ngôn ngữ đa phương ngữ khác trên thế giới, như tiếng Ả Rập, tiếng Trung Quốc, hoặc tiếng Hindi, vốn đối mặt với những thách thức tương tự trong nhận dạng tiếng nói. Các kết quả này cung cấp một di sản khoa học đo lường được thông qua việc cải thiện hiệu năng ASR, tạo ra các ứng dụng công nghệ giọng nói thực tiễn và thúc đẩy các nghiên cứu tiếp theo về đa dạng ngôn ngữ trong xử lý tiếng nói.