Máy nhận dạng giọng nói tiếng Việt thường nghe giọng Hà Nội và giọng Sài Gòn tốt hơn giọng Bắc Trung Bộ, giọng Huế, giọng Quảng hay giọng miền Tây sâu, vì hai lý do chính: dữ liệu huấn luyện có nhiều giọng thành thị hơn hẳn, và chữ quốc ngữ ghi theo một chuẩn chính tả mà không vùng nào phát âm khớp hoàn toàn. Mỗi vùng “lệch” khỏi chữ viết ở những chỗ khác nhau, nên máy phải học riêng cho từng kiểu lệch.
Điều này không có nghĩa giọng nào “khó nghe” hay “sai”. Một người Nghệ An nghe giọng mình rõ ràng như người Hà Nội nghe giọng Hà Nội; máy kém đơn giản vì nó ít được nghe giọng đó. Bài này đi qua từng nhóm hiện tượng phát âm mà máy hay vấp, giải thích vì sao dữ liệu lệch lại thành lỗi, và những cách bù mà người làm sản phẩm hoặc người dùng thường có thể áp dụng. Chuyện giải nghĩa từ địa phương ở góc văn hoá thuộc về các trang văn hoá; ở đây chỉ bàn phương ngữ trong bài toán nghe thành chữ.
Chữ viết là một chuẩn, giọng nói là nhiều chuẩn
Bản chép lời của máy phải đúng chính tả: “rau” vẫn là “rau” dù người nói phát âm như “dau”, “trăng” vẫn là “trăng” dù người nói đọc như “chăng”. Tức là máy không chỉ nghe, mà còn phải dịch từ cách phát âm của vùng mình sang chữ viết chuẩn. Người nghe thành thạo làm việc đó vô thức; máy phải học từ ví dụ.
Với giọng Bắc, chữ “d”, “gi” và “r” thường được đọc gần như cùng một âm, “s” và “x” nhập làm một, “tr” và “ch” cũng vậy. Máy nghe một âm đầu nhưng phải chọn một trong vài cách viết, và chỉ ngữ cảnh mới giúp được. Với nhiều người giọng Nam, sự phân biệt ở phần cuối âm tiết lại mờ: “-n” và “-ng”, “-t” và “-c” có xu hướng nhập lại, thanh hỏi và thanh ngã không tách bạch. Còn “v” ở nhiều vùng phía Nam được đọc gần với âm “d” mềm. Giọng Trung lại có hệ thanh điệu và cách phát âm nguyên âm riêng, nhiều chỗ khác cả Bắc lẫn Nam.
Mỗi vùng vì thế tạo ra một bộ “câu đố chính tả” riêng cho máy. Mô hình học nhiều giọng Bắc sẽ giỏi giải câu đố của giọng Bắc, và có thể lúng túng với câu đố của vùng khác.
Những hiện tượng phát âm hay làm máy chép sai
Bảng dưới gom các hiện tượng phổ biến, mô tả ở mức khái quát. Trong thực tế mỗi người nói có thể giữ hoặc không giữ từng hiện tượng, và giọng ở thành phố lớn đang pha trộn nhiều.
| Hiện tượng | Thường gặp ở | Kiểu lỗi chép lời |
|---|---|---|
| d, gi, r đọc như nhau | Nhiều giọng Bắc | “rừng” thành “dừng”, “giá” thành “dá” |
| s và x, tr và ch không tách | Nhiều giọng Bắc, một phần giọng Trung | “sinh” thành “xinh”, “trung” thành “chung” |
| -n và -ng, -t và -c nhập lại | Nhiều giọng Nam | “bàn” thành “bàng”, “mắt” thành “mắc” |
| Hỏi và ngã không phân biệt | Nhiều giọng Nam, một phần giọng Trung | “nghĩ” thành “nghỉ” |
| v đọc gần như d mềm | Nhiều giọng Nam | “vui” thành “dui” |
| Đường nét thanh khác giọng chuẩn | Bắc Trung Bộ, Huế, Nam Trung Bộ | Nhầm thanh hàng loạt, nhất là sắc, nặng, ngã |
| Từ địa phương ít gặp trong văn viết | Mọi vùng | Từ bị “sửa” thành từ phổ thông gần âm |
Có hai nhóm lỗi khác hẳn nhau trong bảng. Nhóm đầu là máy nghe đúng âm nhưng chọn sai cách viết, sửa được bằng mô hình ngôn ngữ tốt hơn hoặc bước hậu kỳ. Nhóm sau là máy nghe sai âm vì chưa quen đường nét giọng, chỉ sửa được bằng dữ liệu giọng vùng đó.
Dữ liệu lệch biến thành lỗi như thế nào
Mô hình nhận dạng học bằng cách xem rất nhiều cặp “âm thanh và bản chép lời đúng”. Nguồn dữ liệu dễ gom nhất thường là video trên mạng, tin tức truyền hình, sách nói, bản ghi do người đọc theo kịch bản. Những nguồn này nghiêng về giọng phát thanh viên, giọng thành thị, giọng người trẻ, nói rõ trong phòng yên tĩnh. Giọng người lớn tuổi ở nông thôn, nói tự nhiên ngoài chợ, ngoài đồng xuất hiện ít hơn nhiều.
Khi một giọng chiếm phần nhỏ trong dữ liệu, mô hình vẫn học được, nhưng nó tối ưu theo số đông. Một thay đổi giúp tỷ lệ lỗi trung bình giảm đôi chút có thể làm giọng thiểu số tệ hơn mà con số trung bình không lộ ra. Đây là dạng thiên lệch dữ liệu điển hình, giống chuyện nhận diện khuôn mặt kém với nhóm người ít xuất hiện trong ảnh huấn luyện.
Ngoài giọng, còn chuyện từ vựng. Người miền Tây nói “mần”, “bển”, “quẹo”; người Nghệ nói “mô”, “tê”, “răng”, “rứa”; người Huế nói “o”, “mệ”. Những từ này ít xuất hiện trong văn bản viết mà mô hình ngôn ngữ được học, nên ngay cả khi phần nghe đúng, phần ngôn ngữ vẫn có xu hướng thay bằng từ phổ thông nghe gần giống. Ví dụ giả định: “răng rứa” có thể bị chép thành “rằng rứa” hoặc “răng rưa”.
Đo cho công bằng: tách tỷ lệ lỗi theo vùng
Không dùng một con số trung bình. Nếu bộ thử có 80% giọng Bắc và Nam thành thị, con số tổng gần như chỉ phản ánh hai nhóm đó. Cần tính tỷ lệ lỗi từ riêng cho từng nhóm giọng và báo cáo cả nhóm kém nhất.
Chia nhóm theo hiện tượng, không chỉ theo tỉnh. Từ sau sáp nhập tháng 7/2025, cả nước còn 34 tỉnh, thành, nhiều tỉnh mới gộp các vùng giọng khác nhau. Gán nhãn “tỉnh” không còn nói nhiều về giọng. Mô tả theo vùng phương ngữ (Bắc, Bắc Trung Bộ, Trung Trung Bộ, Nam Trung Bộ, Nam Bộ) và theo lứa tuổi thường hữu ích hơn.
Tách lỗi âm và lỗi chính tả. Đếm riêng những lỗi chỉ sai cách viết (s và x, -n và -ng) và những lỗi sai hẳn chữ. Nhóm thứ nhất cho thấy phần ngôn ngữ cần cải thiện, nhóm thứ hai cho thấy cần thêm dữ liệu giọng.
Dùng lời nói tự nhiên, không chỉ đọc kịch bản. Khi đọc một đoạn văn in sẵn, người ta có xu hướng nói gần giọng chuẩn hơn. Muốn biết máy nghe giọng thật ra sao, cần cả đoạn hội thoại tự do.
Người làm sản phẩm bù cho giọng vùng miền thế nào
Không phải đội nào cũng huấn luyện được mô hình riêng. Dưới đây là các cách bù xếp từ dễ đến khó.
- Khai từ điển riêng: tên địa danh, tên sản phẩm, từ địa phương mà khách hàng hay dùng. Nhiều dịch vụ có chức năng gợi ý từ vựng, kiểm phiên bản hiện hành để biết cách khai.
- Thêm bước sửa lỗi sau nhận dạng có tính đến các cặp hay lẫn theo vùng, ví dụ khi biết khách hàng chủ yếu ở Nam Bộ thì soát kỹ -n và -ng, -t và -c.
- Cho người dùng chọn hoặc hệ thống tự đoán vùng giọng, rồi chọn mô hình hoặc cấu hình phù hợp nếu dịch vụ có nhiều lựa chọn.
- Gom dữ liệu giọng của chính người dùng, có đồng ý rõ ràng bằng văn bản, che thông tin cá nhân trong nội dung, rồi tinh chỉnh mô hình mở trên dữ liệu đó.
- Luôn có đường lui cho người dùng: sửa tay bản chép, gõ phím thay vì nói, chuyển sang nhân viên thật ở tổng đài.
Bước cuối nghe có vẻ không liên quan kỹ thuật, nhưng lại quan trọng nhất với trải nghiệm. Một người lớn tuổi nói giọng quê, ba lần bị máy nghe sai mà không có lối thoát, sẽ bỏ hẳn dịch vụ.
Tình huống giả định: tổng đài giao hàng nhận cuộc gọi ba miền
Hình dung một công ty giao hàng cỡ vừa (ví dụ giả định) dùng máy nhận dạng giọng nói để chép lại cuộc gọi khách khiếu nại, rồi tự động gắn nhãn “giao trễ”, “hàng hỏng”, “đổi địa chỉ”. Thử nghiệm nội bộ với giọng nhân viên văn phòng ở Hà Nội và TP.HCM cho kết quả tốt, nên công ty triển khai toàn quốc. Vài tuần sau, đội chăm sóc khách hàng nhận thấy nhãn tự động ở các cuộc gọi từ Bắc Trung Bộ và Nam Trung Bộ sai nhiều hơn hẳn, nhiều phiếu bị xếp vào nhóm “không xác định”.
Đọc lại bản chép lời, nguyên nhân hiện ra khá rõ. Tên phường, xã và tên đường bị chép thành từ phổ thông gần âm, nên bước tách địa chỉ thất bại. Các từ như “răng”, “rứa”, “ni” bị thay bằng từ khác, làm câu mất nghĩa với bước phân loại. Một số cuộc gọi từ vùng sóng yếu bị nén mạnh, lỗi thanh điệu chồng lên lỗi phương ngữ.
Cách công ty xử lý trong tình huống này là cách thường gặp và hợp lý: tách tỷ lệ lỗi theo vùng để thấy rõ khoảng chênh, khai danh sách địa danh mới sau sáp nhập vào từ điển riêng, thêm bước kiểm khi điểm tin cậy thấp thì chuyển phiếu cho nhân viên đọc, và bắt đầu gom có đồng ý một lượng cuộc gọi đã che thông tin cá nhân để tinh chỉnh về sau. Bài học chính không nằm ở công nghệ, mà ở chỗ thử nghiệm ban đầu chỉ dùng giọng của chính đội làm sản phẩm.
Góp giọng của vùng mình cho dữ liệu mở
Một phần lời giải cho thiên lệch nằm ở dữ liệu mở có nhiều giọng. Dự án Common Voice của Mozilla là ví dụ được biết đến rộng rãi: người tình nguyện đọc các câu ngắn và nghe kiểm bản ghi của người khác, dữ liệu phát hành công khai, trong đó có tiếng Việt. Ở trong nước, chuỗi hội thảo về xử lý ngôn ngữ và tiếng nói tiếng Việt (VLSP) từng tổ chức các bài toán chia sẻ về nhận dạng tiếng nói, nơi các nhóm cùng thử trên một bộ dữ liệu chung.
Nếu muốn góp giọng, hãy đọc kỹ điều khoản: dữ liệu được phát hành theo giấy phép nào, có được dùng cho mục đích thương mại hay không, có thể rút lại không. Không đọc thay giọng người khác, không tải lên bản ghi của người thân khi họ chưa đồng ý. Với trẻ em, quyết định thuộc về cha mẹ, và nhiều dự án không nhận giọng trẻ vị thành niên.
Đóng góp nhỏ của từng người ở Thanh Hoá, Quảng Trị, Bình Định hay Cà Mau cộng lại là thứ khó mua được bằng tiền, vì giọng tự nhiên của vùng không thể tạo ra trong phòng thu.
Với người làm sản phẩm, dữ liệu mở có nhiều giọng còn có một công dụng ít được nhắc: làm bộ thử công bằng. Ngay cả khi không huấn luyện gì, chỉ cần lọc ra các bản ghi theo vùng giọng (nếu bộ dữ liệu có nhãn đó) là đã có cách kiểm xem công cụ mình chọn có bỏ rơi nhóm người dùng nào không.
Câu hỏi thường gặp
Có công cụ nhận dạng nào nghe tốt giọng miền Trung không?
Không có cách trả lời chung, vì chất lượng phụ thuộc mô hình, phiên bản và cả từng giọng cụ thể trong miền Trung vốn rất đa dạng. Cách chắc nhất là ghi vài phút giọng thật của người dùng mục tiêu, cho từng công cụ chép lời và tự đếm lỗi, thay vì tin vào lời giới thiệu.
Nói chậm và rõ hơn có giúp máy nghe giọng địa phương tốt hơn không?
Có giúp, vì âm tiết dài hơn thì đường nét thanh và phụ âm cuối rõ hơn. Nhưng không cần cố đổi giọng. Nói chậm vừa phải, ngắt câu rõ, đặt micro gần là đủ. Cố bắt chước giọng khác thường làm lời nói gượng và có khi lại khó nghe hơn.
Sáp nhập tỉnh năm 2025 có ảnh hưởng gì đến nhận dạng giọng nói không?
Không ảnh hưởng tới cách nói, nhưng ảnh hưởng tới cách đặt tên và chia nhóm dữ liệu. Tên tỉnh, phường mới xuất hiện nhiều trong lời nói hằng ngày; mô hình ngôn ngữ huấn luyện trước đó có thể chưa quen các tên mới hoặc tên đã bỏ cấp huyện, cần khai từ điển và kiểm lại.
Máy có tự đoán được người nói đến từ vùng nào không?
Về kỹ thuật, có những mô hình phân loại giọng theo vùng với độ chính xác nhất định. Nhưng đoán vùng quê của ai đó từ giọng là thông tin nhạy cảm, có thể dẫn tới phân biệt đối xử. Nếu sản phẩm cần, nên hỏi người dùng tự chọn và giải thích rõ mục đích.
Giọng người lớn tuổi có bị nhận dạng kém hơn không?
Thường có, vì giọng người cao tuổi ít xuất hiện trong dữ liệu, hay giữ đặc điểm vùng miền đậm hơn, đôi khi giọng run hoặc yếu. Sản phẩm phục vụ người cao tuổi nên thử riêng với nhóm này, cho phép nói chậm, nghe lại và sửa dễ dàng.
Có nên chuẩn hoá giọng địa phương thành chữ phổ thông trong bản chép không?
Tuỳ mục đích. Biên bản họp, hồ sơ hành chính cần chữ chuẩn chính tả, nên “dui” phải về “vui”. Nhưng từ địa phương như “mô”, “tê” là từ thật, không phải lỗi; ép đổi thành “đâu”, “kia” là làm sai lời người nói. Nghiên cứu phương ngữ thì cần giữ nguyên.