Muốn máy nhận dạng giọng nói tiếng Việt chép chính xác, việc có hiệu quả nhất thường không phải đổi công cụ mà là ghi âm tốt hơn: đặt micro gần người nói (trong khoảng một gang tay đến một cánh tay), giảm tiếng ồn nền và tiếng vang, tránh nói chồng, và giữ tệp ở định dạng không nén quá mạnh. Cùng một mô hình, bản ghi tốt và bản ghi kém có thể cho tỷ lệ lỗi chênh nhau nhiều lần.
Với tiếng Việt, ghi âm kém còn gây thêm một tầng lỗi riêng: thanh điệu và phụ âm cuối là những tín hiệu nhỏ, dễ bị tiếng ồn che hoặc tiếng vang làm nhoè. Bài này giải thích những thứ ảnh hưởng tới chất lượng ghi âm theo góc nhìn của máy, kèm hướng dẫn cụ thể cho ba tình huống hay gặp: họp trong phòng, ghi bài giảng, và ghi cuộc gọi. Các vấn đề về đồng ý của người được ghi âm được nhắc ở cuối và bàn kỹ hơn trong bài về chạy trên máy hay trên đám mây.
Máy “nghe” bản ghi âm như thế nào
Trước khi vào mô hình, âm thanh được chuyển thành phổ: một bức tranh thể hiện năng lượng ở từng dải tần theo thời gian. Mô hình học cách đọc bức tranh đó thành chữ. Mọi thứ không phải giọng người nói chính, như tiếng quạt, tiếng xe, tiếng người khác, tiếng vang dội lại từ tường kính, đều in lên cùng bức tranh và làm nó rối.
Thước đo đơn giản nhất cho độ rối là tỷ lệ tín hiệu trên nhiễu (SNR): giọng to hơn tiếng ồn bao nhiêu. Tai người chịu được SNR khá thấp nhờ biết chú ý vào một giọng, còn máy thì giảm chất lượng dần khi SNR giảm, và giảm nhanh hơn với những giọng hoặc từ nó ít gặp. Một cách nhớ thực tế: mỗi lần khoảng cách từ miệng tới micro tăng gấp đôi, cường độ giọng tới micro giảm khoảng bốn lần (theo quy luật nghịch đảo bình phương trong không gian mở), trong khi tiếng ồn phòng thì gần như giữ nguyên.
Tiếng vang là kẻ thù khác. Trong phòng nhiều kính, gạch men, trần thấp, mỗi âm tiết dội lại và chồng lên âm tiết sau. Với tiếng Việt, phần đuôi của âm tiết mang thanh điệu và phụ âm cuối bị chính phần vang của âm tiết trước che lấp. Kết quả hay thấy là lỗi dấu và lỗi “-n” thành “-ng” tăng lên trong phòng vang, dù người nói rõ ràng.
Những yếu tố ảnh hưởng tới bản chép lời
Bảng dưới xếp các yếu tố từ thường gặp nhất, kèm cách xử lý rẻ nhất.
| Yếu tố | Tác động lên bản chép | Cách xử lý rẻ |
|---|---|---|
| Micro xa người nói | Giọng nhỏ, ồn và vang lấn át; lỗi tăng mạnh | Đưa micro lại gần, dùng micro cài áo hoặc tai nghe có micro |
| Tiếng ồn nền đều (quạt, điều hoà) | Che bớt âm cao, phụ âm “s”, “x” | Tắt bớt, đặt micro xa nguồn ồn |
| Tiếng ồn đột ngột (xe, chuông, gõ bàn) | Lỗi chèn chữ thừa, mất chữ | Đóng cửa, đặt micro trên lớp vải |
| Tiếng vang | Nhoè thanh điệu và phụ âm cuối | Rèm, thảm, ngồi gần micro |
| Nói chồng | Mất cả hai câu hoặc ghép lẫn | Quy ước nói lần lượt, người chủ trì nhắc |
| Nén tệp quá mạnh | Mất chi tiết tần số cao | Giữ định dạng ít nén hoặc tốc độ bit cao |
| Âm lượng quá to bị vỡ tiếng | Méo, máy nghe sai cả đoạn | Giảm độ nhạy micro, thử trước |
Phần lớn cách xử lý trong bảng không tốn tiền. Một chiếc điện thoại đặt giữa bàn họp nhỏ, trong phòng có rèm, mọi người nói lần lượt, thường cho bản chép tốt hơn một micro đắt tiền đặt ở góc phòng vang.
Định dạng tệp và thông số: biết vừa đủ
Tần số lấy mẫu. Phần lớn mô hình nhận dạng giọng nói làm việc ở 16 kHz, tức 16.000 mẫu mỗi giây, đủ để giữ dải tần quan trọng của giọng nói. Ghi ở 44,1 kHz hay 48 kHz không hại gì vì công cụ sẽ tự hạ xuống; ghi ở 8 kHz như điện thoại truyền thống thì mất bớt chi tiết.
Một kênh hay hai kênh. Nhận dạng thường chỉ cần một kênh (mono). Ngoại lệ hữu ích: khi ghi cuộc gọi, nếu tách được giọng mỗi bên vào một kênh riêng, việc phân biệt ai nói câu nào trở nên dễ hơn nhiều.
Nén hay không nén. Định dạng không nén như WAV giữ nguyên tín hiệu nhưng tệp lớn. Định dạng nén như MP3, M4A, OGG nhỏ hơn nhiều; ở tốc độ bit vừa phải, ảnh hưởng tới nhận dạng thường nhỏ. Tránh nén nhiều lần liên tiếp, ví dụ tải lên mạng xã hội rồi tải xuống rồi chuyển định dạng.
Khử ồn trước khi nhận dạng. Bộ khử ồn làm bản ghi dễ nghe hơn với tai người nhưng đôi khi để lại méo tiếng mà máy không thích. Nếu dùng, hãy thử cả bản gốc và bản đã khử ồn trên vài phút và so tỷ lệ lỗi, đừng mặc định bản khử ồn tốt hơn.
Ghi âm cuộc họp trong phòng
Tình huống phổ biến nhất. Các bước dưới đây giả định một phòng họp nhỏ, sáu đến mười người.
- Thông báo rõ từ đầu là cuộc họp được ghi âm để chép lời, nói mục đích và thời gian giữ tệp; ai không đồng ý thì có quyền đề nghị dừng ghi phần của mình.
- Đặt thiết bị ghi ở giữa bàn, trên một lớp vải hoặc khăn để giảm tiếng gõ bàn. Với bàn dài, dùng hai thiết bị ở hai đầu.
- Tắt thông báo trên điện thoại ghi âm, bật chế độ máy bay nếu không cần mạng.
- Thử ghi 30 giây, nghe lại bằng tai nghe xem có rè, vỡ hay quá nhỏ không.
- Người chủ trì nhắc mọi người nói lần lượt, xưng tên khi bắt đầu phát biểu nếu cuộc họp đông.
- Với họp trực tuyến, ưu tiên ghi qua chức năng ghi của nền tảng họp hoặc ghi trực tiếp tín hiệu số, tránh ghi qua loa phát ra phòng.
- Lưu tệp gốc ở nơi có kiểm soát truy cập, đặt tên có ngày và chủ đề, xoá theo thời hạn đã thông báo.
Bước xưng tên nghe có vẻ thừa, nhưng nó giúp cả người lẫn máy gắn đúng người nói khi lập biên bản, nhất là khi giọng hai người giống nhau.
Ghi bài giảng và ghi cuộc gọi
Với bài giảng, nguồn giọng chính là giảng viên, thường đi lại và nói qua loa phòng. Ghi từ cuối lớp sẽ nhận nhiều tiếng vang và tiếng học sinh. Nếu được phép, cách tốt nhất là xin ghi từ dây ra của bộ khuếch đại hoặc đặt thiết bị ghi gần bục giảng. Nếu chỉ ngồi được ở chỗ của mình, chọn hàng đầu và đặt điện thoại hướng về giảng viên. Luôn xin phép giảng viên trước, dùng bản ghi cho việc học của mình.
Với cuộc gọi, chất lượng bị giới hạn bởi đường truyền. Cuộc gọi qua mạng di động truyền thống hay gọi qua ứng dụng đều có nén, và mức nén thay đổi theo sóng. Nếu tổ chức của bạn ghi cuộc gọi tổng đài để chép lời, nên ghi ở phía hệ thống tổng đài với định dạng tốt nhất có thể và tách hai kênh khách và nhân viên. Thông báo ghi âm đầu cuộc gọi là thực hành phổ biến và cần thiết.
Với phỏng vấn qua điện thoại hoặc qua ứng dụng họp, nếu được người kia đồng ý, nên nhờ mỗi bên tự ghi giọng mình bằng điện thoại đặt gần miệng rồi gửi tệp cho nhau sau buổi nói chuyện. Kỹ thuật này hay được dùng trong làm podcast từ xa: mỗi giọng có một bản ghi sạch, không bị nén qua đường truyền, máy chép lời từng bên rồi ghép theo thời gian. Bản chép thu được thường tốt hơn hẳn bản ghi từ loa.
Trong cả hai trường hợp, đừng kỳ vọng công cụ nhận dạng “cứu” được bản ghi quá kém. Nếu chính bạn nghe lại cũng phải căng tai, máy gần như luôn sai nhiều, và tệ hơn, có thể bịa chữ cho câu nghe trơn.
Ghi ngoài hiện trường: chợ, công trường, trên xe
Chắn gió trước tiên. Gió thổi thẳng vào micro tạo tiếng ù trầm che mất cả câu, và bộ khử ồn khó cứu. Một miếng mút chắn gió, hoặc đơn giản là quay lưng về hướng gió và che micro bằng bàn tay khum, cải thiện rõ rệt.
Đưa micro sát người nói hơn bình thường. Ngoài trời không có tường để giọng dội lại, nhưng tiếng xe, tiếng rao, tiếng máy móc dày đặc. Khoảng cách gần là cách duy nhất để giọng lấn được ồn; micro cài áo hoặc tai nghe có micro hiệu quả hơn hẳn điện thoại cầm tay.
Tránh ghi khi xe đang chạy nếu có thể. Tiếng động cơ và tiếng lốp trên đường là tiếng ồn tần số thấp kéo dài, cộng tiếng còi đột ngột. Nếu phải ghi trên xe, đóng cửa kính, tắt nhạc, đặt thiết bị gần người nói và xa loa.
Ghi dự phòng. Ở hiện trường không thể làm lại. Ghi đồng thời bằng hai thiết bị đặt ở hai chỗ khác nhau, đoạn nào hỏng ở máy này còn máy kia.
Ghi chú tay các tên riêng ngay tại chỗ. Tên người, tên địa điểm, con số nghe được ở hiện trường nên ghi nhanh ra giấy. Khi soát bản chép, danh sách này giúp sửa đúng những chữ quan trọng mà máy hay sai nhất trong môi trường ồn.
Đồng ý của người được ghi âm và an toàn tệp
Giọng nói là dữ liệu cá nhân; khi được dùng để nhận diện một người, nó có thể được coi là dữ liệu sinh trắc học, nhóm nhạy cảm theo các quy định bảo vệ dữ liệu cá nhân của Việt Nam. Nội dung cuộc họp hay cuộc gọi còn có thể chứa bí mật kinh doanh, thông tin sức khoẻ, tài chính của người khác. Văn bản pháp luật liên quan đã có thay đổi trong mấy năm gần đây, hãy tra bản hiện hành hoặc hỏi bộ phận pháp chế của tổ chức trước khi triển khai ghi âm có hệ thống.
Ở mức thực hành, ba nguyên tắc dùng được ngay: báo trước và có đồng ý, chỉ ghi phần cần thiết, và giới hạn người được nghe, được tải tệp. Khi gửi tệp lên dịch vụ chép lời trực tuyến, đọc điều khoản xem dịch vụ có giữ tệp hay dùng để huấn luyện không, có tuỳ chọn tắt không. Những cuộc họp chứa thông tin rất nhạy cảm nên cân nhắc công cụ chạy trên máy riêng.
Chuyện bảo mật trước các trò lừa đảo dùng giọng giả thuộc chủ đề của trang AI Bảo Mật; còn quyền với dữ liệu sinh trắc giọng nói được bàn ở trang AI Định Danh.
Câu hỏi thường gặp
Dùng điện thoại ghi âm có đủ tốt cho máy chép lời không?
Với họp nhỏ và người nói gần, điện thoại đời mới thường đủ tốt. Điều quan trọng hơn là vị trí đặt máy, độ ồn và độ vang của phòng. Điện thoại đặt cách người nói một cánh tay trong phòng yên tĩnh thường cho kết quả tốt hơn micro đắt tiền đặt xa.
Có nên dùng micro cài áo cho từng người không?
Micro cài áo cho mỗi người cho chất lượng tốt nhất và giúp tách người nói dễ dàng, nhưng tốn thiết bị và phức tạp khi ghép kênh. Phù hợp cho phỏng vấn, tọa đàm, ghi hình. Họp nội bộ thường ngày thì một hai micro đặt bàn là đủ.
Bản ghi bị ồn rồi thì có cách nào cứu không?
Có thể thử khử ồn rồi chép lại, so với bản gốc xem bản nào ít lỗi hơn. Với đoạn quan trọng, cắt riêng và nghe bằng tai nghe để chép tay. Không nên trông chờ công cụ đoán ra những gì chính người nghe cũng không rõ, vì máy có thể bịa chữ cho khớp ngữ cảnh.
Ghi âm lén cuộc nói chuyện để chép lời có được không?
Ghi âm và sử dụng giọng nói, nội dung cuộc nói chuyện của người khác khi họ không biết có thể vi phạm quyền riêng tư và quy định bảo vệ dữ liệu cá nhân, tuỳ hoàn cảnh. Cách đúng là báo trước và xin đồng ý. Trường hợp liên quan tranh chấp, hỏi luật sư thay vì tự xử lý.
Tệp ghi âm dài vài tiếng có nên cắt nhỏ trước khi chép không?
Nhiều công cụ tự chia đoạn bên trong nên không bắt buộc. Nhưng nếu công cụ giới hạn độ dài hoặc hay lỗi giữa chừng, cắt ở chỗ nghỉ tự nhiên thành đoạn khoảng mười đến ba mươi phút giúp xử lý ổn định hơn, và nếu lỗi chỉ phải chạy lại một đoạn.
Âm nhạc nền trong video có làm máy chép sai không?
Có, nhạc có lời đặc biệt dễ bị chép thành chữ, nhạc không lời thì gây lỗi chèn hoặc làm mất chữ của người nói. Nếu có thể, dùng bản âm thanh chỉ có giọng nói trước khi trộn nhạc. Nếu không, dùng công cụ tách giọng rồi thử chép trên phần giọng đã tách.