Nhận dạng giọng nói tiếng Việt có hai cách chạy chính: trên máy của bạn (máy tính, điện thoại, máy chủ nội bộ) hoặc gửi âm thanh lên dịch vụ đám mây của bên cung cấp. Chạy trên máy giữ âm thanh trong tay bạn, không phụ thuộc mạng, nhưng cần phần cứng đủ mạnh và người biết cài đặt; dùng đám mây tiện, thường có nhiều tính năng đi kèm, nhưng bạn phải tin vào chính sách dữ liệu của bên cung cấp và phụ thuộc kết nối. Không cách nào tốt hơn tuyệt đối; lựa chọn phụ thuộc độ nhạy cảm của nội dung, khối lượng và năng lực kỹ thuật của bạn.
Vài năm gần đây, các mô hình nhận dạng giọng nói mở, có thể tải về và chạy trên máy riêng, đã khiến lựa chọn thứ nhất thực tế hơn nhiều với tiếng Việt. Bài này so sánh hai cách theo các tiêu chí cụ thể, giới thiệu trung tính một số mô hình mở được biết đến rộng rãi, và nhấn vào phần thường bị bỏ quên: đồng ý của người được ghi âm và cách giữ an toàn cho tệp giọng nói dù chạy ở đâu.
So sánh hai cách chạy theo từng tiêu chí
Bảng dưới so sánh ở mức nguyên lý. Từng sản phẩm cụ thể có thể khác, cần kiểm tính năng và điều khoản hiện hành.
| Tiêu chí | Chạy trên máy riêng | Dùng dịch vụ đám mây |
|---|---|---|
| Dữ liệu âm thanh | Không rời khỏi máy của bạn | Gửi lên máy chủ bên cung cấp, lưu theo chính sách của họ |
| Cần mạng | Không | Có, chất lượng phụ thuộc kết nối |
| Phần cứng | Cần máy đủ mạnh, mô hình lớn cần card đồ hoạ | Không cần, chỉ cần thiết bị gửi tệp |
| Công sức cài đặt | Cần người biết cài, cập nhật, xử lý lỗi | Gần như không, đăng ký là dùng |
| Chi phí | Chi phí máy và điện, không trả theo phút | Thường trả theo lượng sử dụng hoặc theo gói |
| Tính năng đi kèm | Tuỳ công cụ, thường phải ghép thêm | Thường có sẵn tách người nói, chấm câu, từ điển riêng |
| Tinh chỉnh theo dữ liệu riêng | Làm được với mô hình mở nếu có kỹ năng | Tuỳ dịch vụ, nhiều nơi chỉ cho khai từ điển |
Nhìn bảng, chạy trên máy hợp với nội dung nhạy cảm, khối lượng lớn đều đặn và đội có người kỹ thuật; đám mây hợp với cá nhân, đội nhỏ, nhu cầu thất thường và cần tính năng đầy đủ ngay. Nhiều tổ chức dùng kết hợp: nội dung nhạy cảm chạy nội bộ, còn lại dùng dịch vụ.
Mô hình mở cho tiếng Việt: biết tên, hiểu bản chất
Mô hình mở là mô hình được công bố trọng số để người khác tải về chạy, với giấy phép quy định cách dùng. Một ví dụ được biết đến rộng rãi là Whisper, do OpenAI công bố năm 2022, huấn luyện trên lượng lớn âm thanh nhiều thứ tiếng thu thập từ mạng, trong đó có tiếng Việt. Nó có nhiều cỡ, từ nhỏ chạy được trên máy tính thường đến lớn cần card đồ hoạ. Một hướng khác là các mô hình học tự giám sát từ âm thanh chưa gán nhãn rồi tinh chỉnh cho từng ngôn ngữ, mở đầu bằng wav2vec 2.0 do nhóm nghiên cứu của Facebook (nay là Meta) công bố năm 2020; cộng đồng đã công bố nhiều bản tinh chỉnh cho tiếng Việt.
Điều cần hiểu là “mô hình mở” không đồng nghĩa với “tốt cho tiếng Việt” hay “tệ cho tiếng Việt”. Chất lượng với tiếng Việt phụ thuộc lượng dữ liệu tiếng Việt mô hình được thấy, cỡ mô hình và có được tinh chỉnh thêm không. Mô hình đa ngôn ngữ cỡ lớn thường xử lý tiếng Việt phổ thông ở mức dùng được, nhưng có thể yếu với giọng vùng ít dữ liệu, với âm thanh điện thoại, và đôi khi bịa chữ khi gặp đoạn im lặng hoặc nhạc. Bản tinh chỉnh riêng cho tiếng Việt có thể tốt hơn trên dữ liệu giống dữ liệu tinh chỉnh, nhưng chưa chắc tốt hơn ở mọi nơi.
Trang này không xếp hạng mô hình. Cách đáng tin duy nhất là thử trên dữ liệu của chính bạn, theo cách đã trình bày ở các bài về WER và bài tự thử sáu đoạn trong danh mục này. Và luôn đọc giấy phép: có mô hình cho dùng thương mại, có mô hình chỉ cho nghiên cứu.
Chạy trên máy riêng: những điều cần biết trước
Phần cứng quyết định cỡ mô hình. Mô hình nhỏ chạy được trên máy tính xách tay thường, kể cả không có card đồ hoạ rời, nhưng chậm và kém chính xác hơn. Mô hình lớn cần card đồ hoạ có bộ nhớ đủ lớn để chạy nhanh. Trước khi mua máy, thử chạy trên máy sẵn có để biết khoảng cách.
Tốc độ đo bằng hệ số thời gian thực. Nếu một giờ âm thanh chạy mất nửa giờ, hệ số là 0,5. Với việc chép theo tệp không gấp, chậm hơn thời gian thực vẫn chấp nhận được; với chép trực tiếp, cần nhanh hơn thời gian thực rõ rệt.
Phải ghép thêm các mảnh. Mô hình nhận dạng thường chỉ ra chữ. Tách người nói, chấm câu, chuẩn hoá số, giao diện để sửa là những mảnh phải ghép thêm bằng công cụ mở khác hoặc tự làm. Có những ứng dụng cộng đồng đóng gói sẵn, nhưng chất lượng và mức bảo trì khác nhau.
Bảo trì là việc lâu dài. Cập nhật phiên bản, vá lỗi, kiểm lại chất lượng sau mỗi lần cập nhật, sao lưu cấu hình. Đội không có người phụ trách lâu dài thì hệ thống tự chạy dễ thành “hộp đen” không ai dám đụng.
Máy riêng cũng phải bảo mật. Dữ liệu không rời khỏi tổ chức không có nghĩa là an toàn. Máy chủ nội bộ chứa hàng nghìn giờ ghi âm họp là mục tiêu hấp dẫn; cần phân quyền, mã hoá ổ đĩa và nhật ký truy cập như mọi kho dữ liệu nhạy cảm.
Dùng dịch vụ đám mây: đọc điều khoản trước khi tải tệp lên
Với dịch vụ đám mây, phần quan trọng nhất không nằm ở công nghệ mà ở điều khoản dữ liệu. Các câu hỏi dưới đây nên có câu trả lời trước khi tải tệp đầu tiên.
- Tệp âm thanh và bản chép được lưu bao lâu sau khi xử lý xong? Có tự xoá không, hay phải tự xoá?
- Dịch vụ có dùng dữ liệu của bạn để huấn luyện hoặc cải thiện mô hình không? Có tuỳ chọn tắt không, tuỳ chọn đó mặc định bật hay tắt?
- Máy chủ đặt ở đâu, dữ liệu có được chuyển ra nước ngoài không? Điều này liên quan tới quy định về chuyển dữ liệu cá nhân ra nước ngoài của Việt Nam.
- Ai trong phía bên cung cấp có thể truy cập dữ liệu, trong trường hợp nào?
- Khi muốn ngừng dùng, làm sao lấy lại và xoá toàn bộ dữ liệu?
- Với tổ chức, dịch vụ có hợp đồng xử lý dữ liệu hoặc cam kết bằng văn bản phù hợp với quy định không?
Nếu không tìm được câu trả lời rõ cho các câu hỏi này, coi như dịch vụ không phù hợp cho nội dung nhạy cảm. Với nội dung thông thường, vẫn nên chọn tuỳ chọn lưu ngắn nhất và tắt dùng dữ liệu để huấn luyện nếu có.
Đồng ý của người được ghi âm: phần không công nghệ nào thay được
Dù chạy trên máy hay trên đám mây, âm thanh bạn đưa vào máy nhận dạng thường chứa giọng của người khác. Giọng nói là dữ liệu cá nhân; khi được xử lý để nhận diện một người, nó thuộc nhóm dữ liệu sinh trắc học được bảo vệ chặt hơn theo các quy định bảo vệ dữ liệu cá nhân của Việt Nam. Khung pháp lý về dữ liệu cá nhân đã có những thay đổi đáng kể trong vài năm gần đây, nên hãy tra văn bản hiện hành hoặc hỏi bộ phận pháp chế trước khi triển khai ở quy mô tổ chức.
Ở mức thực hành, có thể tóm thành bốn việc. Báo trước và xin đồng ý của những người sẽ có mặt trong bản ghi, nói rõ mục đích. Chỉ dùng bản ghi và bản chép cho đúng mục đích đó. Giới hạn người được truy cập và thời gian lưu. Cho phép người được ghi âm yêu cầu xem, sửa hoặc xoá phần liên quan tới mình khi hợp lý.
Riêng với dữ liệu giọng dùng để tinh chỉnh mô hình, cần đồng ý rõ ràng riêng cho việc đó, vì nó khác hẳn mục đích “chép lời cuộc họp”. Đồng ý cho chép biên bản không có nghĩa là đồng ý cho giọng mình được dùng huấn luyện máy. Với trẻ em, đồng ý thuộc về cha mẹ hoặc người giám hộ, và nên tránh dùng giọng trẻ em để huấn luyện trừ khi có lý do chính đáng và quy trình chặt chẽ.
Chọn cách chạy cho tình huống của bạn
Các bước sau giúp ra quyết định có căn cứ thay vì theo thói quen hay theo lời giới thiệu.
- Phân loại nội dung sẽ chép: công khai (bài giảng mở, hội thảo công khai), nội bộ thông thường, nhạy cảm (khách hàng, nhân sự, sức khoẻ, tài chính, pháp lý).
- Ước lượng khối lượng: vài giờ mỗi tháng hay hàng trăm giờ, đều đặn hay thất thường.
- Đánh giá năng lực kỹ thuật: có người cài đặt, bảo trì mô hình trên máy không, có máy đủ mạnh không.
- Với nội dung nhạy cảm, ưu tiên chạy nội bộ hoặc dịch vụ có cam kết dữ liệu bằng văn bản phù hợp quy định.
- Thử hai lựa chọn, một trên máy và một trên đám mây, với cùng bộ tệp thử của bạn, so độ chính xác, tốc độ, công sức.
- Quyết định, ghi lại lý do, và hẹn ngày xem lại sau vài tháng vì công nghệ và giá thay đổi nhanh.
Bước ghi lại lý do giúp người kế nhiệm hiểu vì sao hệ thống được chọn như vậy, và giúp chính bạn nhận ra khi điều kiện thay đổi đủ để chọn lại. Một quyết định đúng hôm nay có thể không còn đúng sau một năm khi mô hình mở tốt hơn hoặc nội dung cần chép nhạy cảm hơn.
Điện thoại: chạy trên máy đã ở ngay trong túi
Nhiều điện thoại đời mới đã có nhận dạng giọng nói chạy ngay trên máy cho một số ngôn ngữ, dùng cho gõ bằng giọng nói, chép ghi âm, phụ đề trực tiếp. Tiếng Việt có được hỗ trợ chạy trên máy hay phải gửi lên máy chủ phụ thuộc hãng, đời máy và phiên bản phần mềm; thông tin này thay đổi theo từng bản cập nhật, nên kiểm trong phần cài đặt của chính thiết bị.
Một cách kiểm đơn giản là bật chế độ máy bay rồi thử gõ bằng giọng nói tiếng Việt. Nếu vẫn chép được, phần nhận dạng đang chạy trên máy. Nếu không, âm thanh của bạn đang được gửi đi khi có mạng, và nên đọc chính sách quyền riêng tư của bàn phím hoặc ứng dụng ghi âm đang dùng.
Với người dùng cá nhân, đây thường là lựa chọn cân bằng tốt nhất: tiện như đám mây, riêng tư như chạy nội bộ, không phải cài đặt gì. Giới hạn là mô hình trên điện thoại thường nhỏ hơn, có thể kém chính xác hơn bản chạy trên máy chủ với đoạn ghi âm khó.
Câu hỏi thường gặp
Máy tính xách tay thường có chạy được nhận dạng giọng nói tiếng Việt không?
Chạy được với các mô hình cỡ nhỏ và vừa, nhất là cho việc chép theo tệp không gấp. Tốc độ phụ thuộc bộ xử lý và có card đồ hoạ hay không. Hãy thử với một tệp ghi âm mười phút để biết máy mất bao lâu trước khi quyết định đầu tư thêm.
Mô hình mở có miễn phí dùng cho công ty không?
Tuỳ giấy phép của từng mô hình. Có mô hình cho phép dùng thương mại, có mô hình chỉ cho nghiên cứu hoặc có điều kiện kèm theo. Đọc kỹ giấy phép của cả mô hình lẫn bộ dữ liệu dùng để tinh chỉnh nếu có, và hỏi bộ phận pháp chế khi dùng cho sản phẩm.
Chạy trên máy riêng có chính xác bằng dịch vụ đám mây không?
Không có câu trả lời chung. Một mô hình mở cỡ lớn chạy trên máy mạnh có thể ngang hoặc hơn một số dịch vụ với một loại âm thanh, và kém hơn với loại khác. Dịch vụ đám mây thường có thêm các bước hậu kỳ. Thử trên chính dữ liệu của bạn là cách duy nhất biết chắc.
Tự tinh chỉnh mô hình cho giọng địa phương có khó không?
Cần dữ liệu âm thanh kèm bản chép chính xác, có đồng ý của người nói, kiến thức kỹ thuật cơ bản về huấn luyện mô hình và máy có card đồ hoạ. Phần khó nhất thường là làm dữ liệu sạch và nhất quán, không phải chạy huấn luyện. Luôn đo lại trên bộ thử giữ riêng sau khi tinh chỉnh.
Mô hình nhận dạng có tự bịa chữ không?
Có thể. Một số mô hình, nhất là loại sinh chữ tuần tự, đôi khi chép ra câu không có trong âm thanh khi gặp im lặng dài, nhạc nền hoặc tiếng ồn. Lọc các đoạn không có tiếng nói trước khi nhận dạng và soát các đoạn bất thường giúp giảm rủi ro này.
Gửi ghi âm cuộc họp lên chatbot để tóm tắt có giống dùng dịch vụ nhận dạng không?
Về dữ liệu thì giống: âm thanh và nội dung được gửi lên máy chủ bên cung cấp và lưu theo chính sách của họ. Thêm vào đó, chatbot có thể tóm tắt sai hoặc bỏ sót ý. Che thông tin nhạy cảm, xin đồng ý của người dự họp và soát bản tóm tắt với bản ghi gốc.