Common Voice là dự án của Mozilla thu thập giọng nói nhiều ngôn ngữ do tình nguyện viên đóng góp và phát hành kho dữ liệu theo giấy phép CC0, tức gần như ai cũng được dùng cho mọi mục đích; với tiếng Việt, bạn có thể góp bằng bốn cách: đọc to câu hiển thị, nghe kiểm bản ghi của người khác, góp câu tiếng Việt không vướng bản quyền, và khai báo tự nguyện giọng vùng miền của mình. Trước khi góp, nên hiểu rõ giọng của bạn sẽ được công khai và không rút lại được khỏi các bản dữ liệu đã phát hành.
Dữ liệu giọng nói có giấy phép rõ ràng là nút thắt lớn của nhận dạng giọng nói tiếng Việt, nhất là với giọng miền Trung, giọng người cao tuổi, giọng các vùng phương ngữ đậm. Góp giọng là một trong số ít cách mà người không làm kỹ thuật cũng trực tiếp giúp máy nghe tiếng Việt tốt hơn. Bài này hướng dẫn cách làm cho đúng và giúp bạn cân nhắc phần quyền riêng tư một cách tỉnh táo.
Common Voice hoạt động thế nào
Mô hình của Common Voice khá đơn giản. Một kho câu văn bản cho từng ngôn ngữ được cộng đồng góp và duyệt. Người tham gia vào trang của dự án, chọn ngôn ngữ, được hiển thị từng câu để đọc to và ghi âm bằng micro của máy tính hay điện thoại. Mỗi bản ghi sau đó được những người khác nghe và bỏ phiếu xem có khớp với câu không. Bản ghi đủ phiếu đồng ý được coi là hợp lệ; bản ghi bị từ chối vì đọc sai, ồn quá, hay cắt cụt thì bị loại khỏi phần dữ liệu đã kiểm.
Định kỳ, dự án phát hành bộ dữ liệu cho từng ngôn ngữ gồm các tệp âm thanh, câu văn tương ứng và thông tin người nói đã khai báo tự nguyện như nhóm tuổi, giới, giọng. Tên tài khoản và email không nằm trong bộ dữ liệu; mỗi người nói được thay bằng một mã ẩn danh. Bộ dữ liệu được dùng rộng rãi trong nghiên cứu nhận dạng giọng nói đa ngôn ngữ, và cũng là một trong những kho giọng nói mở hiếm hoi có phần tiếng Việt.
Quy mô phần tiếng Việt thay đổi theo từng bản phát hành và nhỏ hơn nhiều so với các ngôn ngữ có cộng đồng đông như tiếng Anh. Bạn có thể xem số giờ đã ghi và đã kiểm của tiếng Việt ngay trên trang thống kê của dự án; bài này không nêu con số vì nó lỗi thời rất nhanh. Điều chắc chắn là mỗi giờ ghi âm đã được kiểm đều có ích, nhất là khi đến từ nhóm giọng còn thiếu.
Góp giọng giúp được máy đến đâu, và không giúp được gì
Cần nói thật về tác dụng để người góp không kỳ vọng sai. Các hệ thống nhận dạng giọng nói thương mại lớn được huấn luyện trên lượng dữ liệu vượt xa kho mở của cộng đồng, nên vài trăm giờ tiếng Việt từ Common Voice không tự làm một trợ lý ảo nào đó nghe tốt hơn ngay. Giá trị của kho mở nằm ở chỗ khác.
Thứ nhất, nó cho nhóm nghiên cứu nhỏ, sinh viên, công ty khởi nghiệp một điểm xuất phát hợp pháp để tinh chỉnh mô hình mở cho tiếng Việt, thay vì phải tự thu từ đầu hay dùng dữ liệu không rõ quyền. Thứ hai, và có lẽ quan trọng hơn, nó cho phép đo: một tập kiểm tra công khai, có thông tin vùng giọng, tuổi, giới, giúp bất kỳ ai kiểm xem một mô hình nghe nhóm người nào kém. Đánh giá công khai tạo áp lực cải thiện cho cả các hệ thống đóng.
Giới hạn cũng rõ: đây là giọng đọc câu cho sẵn, khác với giọng nói tự nhiên có ngập ngừng, nói chen, từ đệm, nói tắt. Mô hình chỉ học từ giọng đọc sẽ vẫn vấp với ghi âm cuộc họp hay cuộc gọi thật. Vì vậy dữ liệu giọng đọc là một mảnh của bức tranh, cần thêm các kho giọng nói tự nhiên được thu có đồng ý. Danh mục "Nhận dạng giọng nói tiếng Việt" của trang bàn kỹ hơn về khác biệt này.
Đọc câu: làm sao cho bản ghi dùng được
Bản ghi tốt không cần giọng hay, chỉ cần rõ, đúng câu và ít tạp âm. Vài điều giúp bản ghi của bạn được chấp nhận và có ích:
- Chọn chỗ yên tĩnh, tắt quạt, đóng cửa sổ phía đường. Ngồi trong phòng nhỏ nhiều đồ vải ít vang hơn phòng trống nhiều mặt kính.
- Giữ micro cách miệng khoảng một gang tay, hơi lệch sang bên để tránh tiếng thổi hơi ở các phụ âm bật.
- Đọc lướt câu một lần trong đầu trước khi bấm ghi. Câu tiếng Việt có tên riêng hay từ lạ dễ vấp nếu đọc ngay.
- Nói bằng giọng tự nhiên hằng ngày của bạn, đúng phương ngữ của bạn. Đừng cố "đọc chuẩn" theo giọng phát thanh: máy cần học chính sự đa dạng ấy.
- Đọc đúng từng chữ trong câu, kể cả khi câu hơi lạ. Nếu câu có lỗi chính tả hay từ không đọc được, bỏ qua câu đó và báo lỗi câu thay vì tự sửa khi đọc.
- Nghe lại bản ghi trước khi gửi. Bị cắt đầu, cắt cuối, có tiếng người khác chen vào thì ghi lại.
Một buổi mười lăm phút, đọc vài chục câu, là đóng góp có ý nghĩa. Đọc đều đặn nhiều buổi ngắn tốt hơn một buổi dài mỏi giọng, vì giọng mệt thì phát âm thanh điệu kém rõ.
Nghe kiểm: công việc ít người làm nhưng rất cần
Vì sao nghe kiểm quan trọng. Bản ghi chỉ thành dữ liệu hợp lệ khi đủ người nghe xác nhận. Với ngôn ngữ ít người tham gia như tiếng Việt, số bản ghi chờ kiểm có lúc tồn đọng nhiều hơn số bản ghi mới. Nghe kiểm không cần micro, làm được trên điện thoại lúc đi xe buýt có tai nghe.
Đồng ý khi nào. Khi người đọc nói đúng các chữ trong câu, nghe rõ được. Giọng vùng miền khác bạn, giọng người lớn tuổi, nói hơi chậm hay hơi nhanh, có chút tạp âm nền nhưng vẫn nghe rõ chữ: đều nên đồng ý. Đừng từ chối chỉ vì giọng không giống giọng mình.
Từ chối khi nào. Khi đọc sai chữ, đọc thiếu hay thừa từ, bản ghi im lặng, bị cắt mất chữ, tạp âm lấn át giọng, hoặc đọc một câu khác. Phát âm theo phương ngữ không phải là đọc sai: "giăng" đọc gần "dăng", "tr" và "ch" không phân biệt ở một số vùng là đặc điểm giọng, không phải lỗi.
Không chắc thì bỏ qua. Nếu không nghe rõ vì tai nghe kém hay vì bạn không quen giọng đó, chọn bỏ qua thay vì đoán. Một phiếu sai còn hại hơn không có phiếu.
Góp câu tiếng Việt: điều kiện bản quyền và cách viết câu dễ đọc
Kho câu tiếng Việt cũng cần bổ sung, vì đọc đi đọc lại một nhóm câu nhỏ làm dữ liệu kém đa dạng. Điều kiện quan trọng nhất: câu góp phải thuộc phạm vi công cộng hoặc do chính bạn viết và đồng ý phát hành theo CC0. Không chép câu từ báo, sách, bài hát, trang web còn bản quyền. Văn bản đã hết thời hạn bảo hộ hoặc câu bạn tự đặt là an toàn nhất.
Hướng dẫn của dự án khuyên câu ngắn, đọc được trong vài giây, tự nhiên như văn nói. Với tiếng Việt, thêm vài lưu ý thực tế: tránh chữ số và chữ viết tắt, vì "2/9" hay "TP.HCM" mỗi người đọc một kiểu và bản ghi sẽ không khớp với chữ; viết thành chữ đầy đủ. Tránh tên người thật còn sống ngoài đời, tránh nội dung xúc phạm, chính trị nhạy cảm. Dùng chính tả thống nhất và Unicode dựng sẵn để công cụ xử lý không hiểu nhầm.
Câu tốt nên phủ được nhiều âm tiết, nhiều thanh điệu, nhiều tổ hợp phụ âm đầu và vần của tiếng Việt. Câu đời thường về chợ búa, thời tiết, đường sá, gia đình, công việc giúp mô hình nghe tốt hơn ở những tình huống thật mà người dùng hay gặp. Các câu góp vào thường được người khác duyệt trước khi đưa vào kho đọc.
Khai báo giọng vùng miền: một ô nhỏ có giá trị lớn
Khi tạo hồ sơ, bạn có thể khai báo tự nguyện nhóm tuổi, giới và giọng hay biến thể ngôn ngữ. Với tiếng Việt, thông tin giọng vùng miền đặc biệt có giá trị. Nó cho phép nhà nghiên cứu đo xem mô hình nghe giọng nào kém, chia tập kiểm tra theo vùng, và nhận ra khi dữ liệu lệch hẳn về một vùng. Không có thông tin này, câu hỏi "máy có nghe giọng Huế kém hơn giọng Hà Nội không" rất khó trả lời bằng số liệu.
Khai báo hay không là quyền của bạn. Nếu khai, hãy khai đúng giọng bạn đang nói thường ngày, không phải quê gốc nếu bạn đã đổi giọng nhiều năm. Nếu ô lựa chọn sẵn không khớp, nhiều ngôn ngữ cho phép nhập mô tả riêng; mô tả ngắn và rõ như "giọng Nghệ An" hay "giọng miền Tây Nam Bộ" có ích hơn mô tả chung chung.
Nên nhớ thông tin tự khai càng chi tiết thì nguy cơ nhận diện người nói càng tăng, nhất là với nhóm giọng ít người. Cân nhắc khai ở mức vừa đủ nếu bạn lo ngại.
Quyền riêng tư: hiểu rõ trước khi bấm ghi
Giấy phép CC0 có nghĩa là bất kỳ ai cũng có thể tải bộ dữ liệu và dùng cho mục đích của họ, kể cả thương mại, mà không cần xin phép. Giọng nói là dữ liệu gắn với con người: người quen có thể nhận ra, và về nguyên tắc, các công nghệ nhân bản giọng hiện nay có thể học từ vài phút ghi âm. Các bản ghi Common Voice là câu rời rạc, ngắn, nhưng tổng thời lượng của một người đóng góp nhiều có thể đáng kể.
Dự án cho phép bạn xoá tài khoản và yêu cầu xoá bản ghi khỏi các bản phát hành sau. Nhưng các bộ dữ liệu đã phát hành trước đó đã nằm trong tay người khác và không thể thu hồi. Vì vậy, quyết định góp giọng nên được đưa ra như quyết định đăng một đoạn ghi âm công khai lâu dài.
Một số lưu ý thực tế: không đọc thông tin cá nhân của mình hay người khác dù câu có vẻ cho phép; không ghi âm khi có người khác nói chuyện phía sau mà họ không biết; trẻ em và người chưa đủ tuổi nên hỏi ý cha mẹ và đọc điều khoản về độ tuổi của dự án. Nếu công việc của bạn đòi hỏi giọng nói được bảo vệ đặc biệt, chẳng hạn bạn dùng giọng để xác thực ở ngân hàng, hãy cân nhắc góp bằng cách nghe kiểm hoặc góp câu thay vì góp giọng. Chuyện lừa đảo bằng giọng giả được nói kỹ hơn ở trang AI Bảo Mật.
Câu hỏi thường gặp
Có cần tạo tài khoản mới góp giọng được không?
Dự án có thể cho đóng góp mà không đăng nhập, nhưng tạo tài khoản giúp lưu tiến độ, khai báo thông tin giọng một lần và yêu cầu xoá dữ liệu sau này. Cách vận hành có thể thay đổi theo thời gian, nên kiểm trên trang của dự án ở thời điểm bạn tham gia.
Nói ngọng hay lẫn l với n thì có nên góp giọng không?
Nên, nếu bạn nói rõ và đọc đúng các chữ trong câu. Các đặc điểm như lẫn l và n hay không phân biệt một số vần là thứ mô hình nhận dạng cần gặp để phục vụ đúng người dùng thật. Chỉ cần tránh đọc sai chữ so với câu, còn cách phát âm theo thói quen là dữ liệu quý.
Dữ liệu Common Voice có được dùng để làm giọng tổng hợp không?
Giấy phép CC0 không cấm việc đó. Tuy vậy, bản ghi Common Voice thường thu bằng micro phổ thông trong môi trường khác nhau, nên phù hợp cho nhận dạng giọng nói hơn là dựng giọng đọc chất lượng cao. Dù vậy, bạn vẫn nên coi giọng đã góp là công khai.
Một người nên đọc bao nhiêu câu là vừa?
Không có giới hạn bắt buộc, nhưng dữ liệu tốt cần nhiều người nói khác nhau hơn là một vài người đọc thật nhiều. Nếu bạn đã đọc vài trăm câu, chuyển sang nghe kiểm hoặc rủ người thân ở vùng giọng khác tham gia sẽ có ích cho sự đa dạng hơn.
Câu do AI viết có góp vào kho câu được không?
Nên đọc quy định hiện hành của dự án về nguồn câu. Ngoài chuyện quyền, câu do máy sinh thường lặp cấu trúc, ít tự nhiên và có khi sai chính tả tinh vi. Tự viết câu đời thường hoặc lấy từ văn bản thuộc phạm vi công cộng vẫn là cách an toàn và hữu ích hơn.
Trường học có thể tổ chức cho học sinh cùng góp giọng không?
Có thể, nhưng cần sự đồng ý của phụ huynh với học sinh chưa đủ tuổi, giải thích rõ giọng sẽ được công khai theo giấy phép CC0, và không bắt buộc ai tham gia. Một buổi như vậy cũng là dịp tốt để học về dữ liệu, quyền riêng tư và cách AI học nghe tiếng Việt.