Nguồn dữ liệu tiếng Việt mở phổ biến gồm Wikipedia tiếng Việt (giấy phép CC BY-SA, dùng được kể cả thương mại nhưng phải ghi công và chia sẻ lại theo cùng giấy phép khi phân phối tác phẩm phái sinh), Common Voice của Mozilla (giọng nói, CC0, gần như không ràng buộc), các kho văn bản trích từ Common Crawl như OSCAR hay mC4 (mỗi kho một điều khoản, nội dung gốc vẫn thuộc chủ trang web), và dữ liệu từ các cuộc thi chia sẻ như chuỗi VLSP (thường kèm thoả thuận chỉ dùng cho nghiên cứu). "Tải về được" không có nghĩa "được dùng cho mọi việc".
Câu hỏi thực tế mà nhóm làm sản phẩm hay gặp là: bộ dữ liệu này có được dùng để huấn luyện mô hình thương mại không, phải ghi công thế nào, và nếu phát hành lại bộ dữ liệu đã làm sạch thì theo giấy phép gì. Bài này giải thích các loại giấy phép hay gặp, đặc điểm từng nguồn tiếng Việt quen thuộc ở mức đã biết chắc, và một quy trình kiểm tra quyền trước khi đưa dữ liệu vào dự án. Bài không thay cho tư vấn pháp lý; với dự án thương mại lớn, nên hỏi luật sư sở hữu trí tuệ.
Đọc nhanh các giấy phép Creative Commons thường gặp
Phần lớn dữ liệu mở dùng bộ giấy phép Creative Commons. Mỗi giấy phép là tổ hợp vài điều kiện viết tắt: BY là ghi công, SA là chia sẻ cùng giấy phép, NC là phi thương mại, ND là không phái sinh.
| Giấy phép | Thương mại | Sửa đổi, phái sinh | Điều kiện chính |
|---|---|---|---|
| CC0 | Được | Được | Tác giả từ bỏ quyền ở mức luật cho phép, không bắt ghi công |
| CC BY | Được | Được | Ghi công tác giả và nêu giấy phép, ghi rõ nếu đã sửa |
| CC BY-SA | Được | Được | Ghi công, tác phẩm phái sinh khi phân phối phải theo cùng giấy phép |
| CC BY-NC | Không | Được | Ghi công, chỉ dùng phi thương mại |
| CC BY-ND | Được | Không phân phối bản sửa | Ghi công, chỉ phân phối nguyên bản |
| CC BY-NC-SA | Không | Được | Ghi công, phi thương mại, phái sinh theo cùng giấy phép |
Điểm còn tranh luận là một mô hình huấn luyện trên dữ liệu CC BY-SA có phải "tác phẩm phái sinh" của dữ liệu đó không. Chưa có câu trả lời thống nhất giữa các nước, và giới luật học vẫn bàn. Cách thận trọng là tách hai việc: phát hành lại bộ dữ liệu đã làm sạch thì chắc chắn phải theo điều kiện SA; còn dùng để huấn luyện thì ghi công nguồn đầy đủ trong thẻ dữ liệu và thẻ mô hình, theo dõi diễn biến pháp lý.
Giấy phép NC là bẫy hay gặp nhất: nhóm khởi nghiệp dùng dữ liệu NC để "thử nghiệm", rồi sản phẩm ra thị trường vẫn dùng mô hình đó. Từ ngày đầu nên gắn cờ mọi nguồn NC trong nhật ký để tách ra khi chuyển sang thương mại.
Những nguồn tiếng Việt quen thuộc và điều cần biết
Wikipedia tiếng Việt. Văn bản bách khoa, chính tả tương đối chuẩn, giấy phép CC BY-SA. Điểm yếu đã biết: một phần lớn bài viết là bài sơ khai được tạo hàng loạt bằng công cụ tự động (nhiều nhất là bài về loài sinh vật và địa danh nước ngoài), nên nếu lấy nguyên kho, mô hình sẽ thấy rất nhiều câu cùng một khuôn. Lọc bài quá ngắn, bài cùng khuôn là bước nên làm. Thông tin địa giới hành chính trong nhiều bài có thể chưa cập nhật theo sắp xếp tỉnh thành từ 1/7/2025.
Common Voice. Dự án thu giọng nói tình nguyện của Mozilla, dữ liệu phát hành theo CC0, có tiếng Việt. Người đóng góp đọc câu cho sẵn nên giọng đọc khác giọng nói tự nhiên, và số giờ tiếng Việt khiêm tốn so với các ngôn ngữ lớn. Phù hợp để thử nghiệm và đánh giá, ít khi đủ một mình cho sản phẩm.
Kho trích từ Common Crawl. Common Crawl là kho cào web công khai rất lớn; các kho như OSCAR, mC4, CC100 lọc ra phần theo ngôn ngữ, trong đó có tiếng Việt. Điều khoản của các kho này áp lên việc phân phối bộ trích, còn bản quyền nội dung gốc vẫn thuộc các trang web. Chất lượng không đều: lẫn quảng cáo, văn bản máy sinh, nội dung người lớn, bài sao chép.
Dữ liệu từ các cuộc thi và hội thảo. Chuỗi hội thảo và cuộc thi chia sẻ VLSP về xử lý tiếng nói và ngôn ngữ tiếng Việt đã phát hành nhiều bộ dữ liệu cho từng nhiệm vụ. Nhiều bộ yêu cầu đăng ký và ký thoả thuận sử dụng, thường giới hạn cho nghiên cứu. Đọc kỹ thoả thuận của từng bộ trước khi dùng vào sản phẩm.
Bộ dữ liệu công bố kèm bài báo khoa học. Nhiều bài báo về xử lý tiếng Việt công bố dữ liệu trên các kho mã nguồn hoặc kho dữ liệu. Giấy phép có khi ghi rõ, có khi bỏ trống; bỏ trống không có nghĩa là tự do dùng mà là chưa được cấp quyền, nên liên hệ tác giả.
Văn bản pháp luật, tin tức, sách: mỗi loại một quy chế
Luật Sở hữu trí tuệ của Việt Nam (Điều 15) xếp một số đối tượng vào nhóm không thuộc phạm vi bảo hộ quyền tác giả, trong đó có văn bản quy phạm pháp luật, văn bản hành chính và bản dịch chính thức của chúng, cùng tin tức thời sự thuần tuý đưa tin. Vì vậy văn bản luật, nghị định, thông tư là nguồn tiếng Việt chuẩn mực rất đáng dùng. Lưu ý văn bản thuần tuý đưa tin khác với bài báo có phân tích, bình luận, phóng sự: những bài đó vẫn được bảo hộ như tác phẩm.
Báo điện tử là nguồn văn bản tiếng Việt chất lượng, cập nhật, nhiều lĩnh vực, nhưng phần lớn nội dung có bản quyền của cơ quan báo chí. Dùng để huấn luyện mô hình thương mại mà không có thoả thuận là vùng rủi ro, và ở nhiều nước đã có tranh chấp giữa báo chí và hãng AI. Nếu dự án cần văn phong báo chí, cách sạch là thoả thuận cấp phép với cơ quan báo hoặc thuê người viết mới.
Sách đã hết thời hạn bảo hộ quyền tác giả là nguồn tốt cho văn học và tiếng Việt giai đoạn trước, nhưng phải xác định đúng thời hạn theo luật hiện hành và năm mất của tác giả. Sách quét từ thư viện số còn phải xem điều khoản của thư viện đối với bản số hoá. Khi không chắc, ghi "chưa xác định quyền" và tách riêng.
Quy trình kiểm quyền trước khi đưa một nguồn vào dự án
Quy trình dưới đây gọn đủ để một người làm trong vài phút cho mỗi nguồn, và để lại dấu vết khi cần giải trình.
- Ghi tên nguồn, địa chỉ tải, ngày tải, phiên bản. Giấy phép có thể đổi giữa các phiên bản của cùng một bộ dữ liệu.
- Tìm văn bản giấy phép hoặc điều khoản sử dụng, lưu một bản sao vào thư mục dự án. Trang web có thể đổi điều khoản sau này.
- Trả lời bốn câu: có được dùng thương mại không, có được sửa đổi không, có phải ghi công không, có phải chia sẻ lại theo cùng giấy phép không.
- Kiểm xem nguồn có chứa dữ liệu của bên thứ ba không (ví dụ bộ dữ liệu bình luận lấy từ mạng xã hội). Giấy phép của người tổng hợp không xoá được quyền của người viết gốc hay điều khoản của nền tảng.
- Kiểm thông tin cá nhân: bộ dữ liệu mở vẫn có thể chứa tên, số điện thoại, ảnh người. Dùng lại vẫn phải che theo quy định bảo vệ dữ liệu cá nhân.
- Gắn nhãn nguồn trong nhật ký: xanh (dùng được cho mọi mục đích của dự án), vàng (dùng được có điều kiện, ghi điều kiện), đỏ (chỉ nghiên cứu hoặc chưa rõ quyền).
- Khi phát hành mô hình hay bộ dữ liệu, xuất danh sách ghi công từ nhật ký thay vì viết tay lúc cuối.
Quy trình này không làm dữ liệu "hợp pháp" một cách tự động, nhưng giúp nhóm biết mình đang đứng ở đâu và phát hiện sớm nguồn rủi ro trước khi chúng đã trộn vào mọi thứ.
Dữ liệu từ mạng xã hội và diễn đàn: hấp dẫn nhưng nhiều ràng buộc
Bình luận Facebook, bài diễn đàn, đánh giá trên sàn thương mại điện tử là nơi có tiếng Việt đời thường nhất: không dấu, viết tắt, tiếng lóng, giọng vùng miền. Với mô hình đọc ý kiến khách hàng, đây là dữ liệu sát thực tế nhất. Nhưng chúng bị ràng buộc bởi ba lớp: điều khoản của nền tảng (thường cấm cào tự động), quyền của người viết, và dữ liệu cá nhân (tên tài khoản, ảnh, thông tin tự kể về bản thân).
Cách làm thận trọng hơn là dùng chính phản hồi khách hàng mà tổ chức đã thu qua kênh của mình, với thông báo và căn cứ xử lý rõ ràng; hoặc thuê người viết lại bình luận theo phong cách đời thường dựa trên tình huống mô tả. Văn bản viết lại không hoàn toàn giống thật, nhưng sạch về quyền, và có thể kiểm soát độ phủ các tình huống hiếm.
Với các bộ dữ liệu bình luận đã được công bố cho nghiên cứu, thường người công bố đã ẩn danh và đã giới hạn mục đích sử dụng. Đọc kỹ giới hạn đó; nhiều bộ chỉ cho phép dùng để đánh giá học thuật.
Ghi công và phát hành lại sao cho đúng
Ghi công không chỉ là lịch sự mà là điều kiện của giấy phép BY. Một cách làm gọn là tạo tệp ghi công đi kèm bộ dữ liệu và mô hình, liệt kê từng nguồn, giấy phép, tác giả hoặc tổ chức, đường dẫn gốc và việc đã sửa đổi (lọc trùng, chuẩn hoá, cắt đoạn). Với Wikipedia, ghi công thường dẫn về trang lịch sử sửa đổi hoặc nêu "các tác giả Wikipedia" kèm giấy phép.
Khi phát hành lại bộ dữ liệu đã làm sạch có chứa phần CC BY-SA, cả phần đó phải theo CC BY-SA. Nếu muốn phát hành phần còn lại theo giấy phép khác, tách thành các tệp riêng theo nguồn thay vì trộn chung. Phần NC không được đưa vào bộ phát hành cho mục đích thương mại.
Với giấy phép CC0 như Common Voice, không bắt buộc ghi công, nhưng vẫn nên ghi để người dùng sau truy được nguồn gốc và kiểm được phiên bản. Ghi công đầy đủ còn có lợi thực tế: khi một nguồn bị phát hiện có vấn đề (chứa dữ liệu cá nhân, chứa nội dung sao chép trái phép), nhóm biết ngay mô hình nào, phiên bản dữ liệu nào bị ảnh hưởng.
Một thói quen tốt nữa là để lại kênh nhận yêu cầu gỡ bỏ: chủ nội dung phát hiện văn bản của mình trong bộ dữ liệu có thể yêu cầu loại ra ở phiên bản sau. Thói quen này giảm xung đột và là dấu hiệu bộ dữ liệu được làm nghiêm túc.
Câu hỏi thường gặp
Dữ liệu tải được công khai trên mạng có phải là dữ liệu mở không?
Không. Dữ liệu mở là dữ liệu đi kèm giấy phép cho phép dùng lại. Nội dung công khai nhưng không có giấy phép vẫn thuộc quyền của tác giả hoặc chủ trang, và điều khoản trang web có thể cấm thu thập tự động.
Dùng dữ liệu CC BY-SA để huấn luyện thì mô hình có phải theo CC BY-SA không?
Đây là câu hỏi pháp lý chưa ngã ngũ. Việc phát hành lại chính bộ dữ liệu thì phải theo CC BY-SA; còn mô hình có bị coi là tác phẩm phái sinh hay không thì chưa có câu trả lời thống nhất. Nên ghi công đầy đủ và theo dõi quy định, án lệ mới.
Văn bản luật có dùng tự do để huấn luyện mô hình được không?
Văn bản quy phạm pháp luật thuộc nhóm không được bảo hộ quyền tác giả theo Điều 15 Luật Sở hữu trí tuệ, nên là nguồn sạch về quyền. Tuy vậy, bản tổng hợp, chú giải, phân tích của các trang luật có thể là tác phẩm riêng, cần kiểm điều khoản nơi lấy.
Bộ dữ liệu trên kho mã nguồn không ghi giấy phép thì sao?
Không có giấy phép nghĩa là chưa được cấp quyền dùng lại, không phải tự do. Nên liên hệ tác giả xin xác nhận bằng văn bản, hoặc không dùng cho mục đích thương mại.
Common Voice có đủ để làm hệ thống nhận dạng giọng nói tiếng Việt không?
Thường là không đủ một mình. Số giờ tiếng Việt khiêm tốn và chủ yếu là giọng đọc câu cho sẵn. Phù hợp để thử nghiệm, đánh giá hoặc bổ sung bên cạnh dữ liệu khác có độ phủ giọng tự nhiên, vùng miền rộng hơn.
Có cần lưu bản sao giấy phép không, khi trang gốc vẫn còn?
Nên lưu. Điều khoản và giấy phép có thể thay đổi theo phiên bản hoặc trang có thể biến mất. Bản sao kèm ngày tải là bằng chứng nhóm đã dùng dữ liệu theo đúng điều kiện tại thời điểm thu thập.