Thu thập dữ liệu tiếng Việt theo vùng miền nghĩa là thiết kế trước tỷ lệ người nói, người viết đến từ các vùng phương ngữ (Bắc, Bắc Trung Bộ, Trung Trung Bộ, Nam Trung Bộ, Nam Bộ và các vùng chuyển tiếp), ghi siêu dữ liệu về quê gốc chứ không chỉ nơi ở hiện tại, và thống nhất một quy ước chép: từ địa phương giữ nguyên theo chính tả của chính từ đó, còn biến âm thì chép theo chính tả chuẩn. Thiếu ba điều này, bộ dữ liệu sẽ nghiêng về giọng của nơi dễ thu nhất, thường là hai thành phố lớn.
Đây là nguyên nhân phổ biến khiến hệ thống nhận dạng giọng nói hay mô hình đọc bình luận hoạt động tốt với người này mà kém hẳn với người khác. Bài này bàn phần làm dữ liệu: lấy mẫu, phiếu thông tin, đồng ý, quy ước chép lời và kiểm tra độ phủ. Phần công nghệ nhận dạng giọng ba miền và cách đọc tỷ lệ lỗi từ có ở chuyên mục nhận dạng giọng nói; phần giải nghĩa từ địa phương ở góc văn hoá thuộc về trang AI Văn Hoá.
Phương ngữ khác nhau ở đâu, và vì sao máy để ý
Các nhà ngôn ngữ học thường chia tiếng Việt thành ba vùng phương ngữ lớn là Bắc, Trung, Nam, với nhiều cách chia nhỏ hơn và các vùng chuyển tiếp. Khác biệt nằm ở ba tầng. Tầng ngữ âm: số thanh điệu phân biệt được (giọng Nam Bộ không phân biệt thanh hỏi và thanh ngã; ở một số vùng Bắc Trung Bộ, thanh ngã và thanh nặng gần nhau), phụ âm đầu (giọng Bắc thường không phân biệt "tr/ch", "s/x", "r/d/gi"; nhiều nơi miền Nam đọc "v" gần với "d" hoặc "gi"), vần cuối (miền Nam hay nhập "-n" với "-ng", "-t" với "-c").
Tầng từ vựng: "mô, tê, răng, rứa" ở Bắc Trung Bộ; "bển, hổng, quá trời, dữ thần" ở Nam Bộ; "ốm" nghĩa là bệnh ở Bắc nhưng là gầy ở Nam; "heo" và "lợn", "trái" và "quả", "chén" và "bát". Tầng ngữ pháp và tiểu từ: "nghen, nha, hen, ha, hỉ, rứa hè" mang sắc thái khác nhau, đặt ở cuối câu.
Với hệ thống nhận dạng giọng nói, tầng ngữ âm là khó nhất: một chuỗi âm thanh có thể ứng với nhiều chữ khác nhau tuỳ vùng. Với mô hình đọc văn bản, tầng từ vựng là khó nhất: "ốm" sai nghĩa có thể làm hỏng cả câu phân loại. Cả hai chỉ học được khi dữ liệu có đủ mẫu của từng vùng, có nhãn vùng để kiểm, và có quy ước chép nhất quán.
Thiết kế mẫu: đừng để "dễ thu" quyết định "thu ai"
Bộ dữ liệu thu theo kiểu "ai đến trước được trước" sẽ phản ánh nơi nhóm làm dữ liệu sống và mạng lưới quen biết của họ. Cách làm có chủ đích là lập bảng hạn ngạch trước: chia theo vùng phương ngữ, trong mỗi vùng chia theo giới, nhóm tuổi, môi trường (thành thị, nông thôn), và đặt số người tối thiểu cho mỗi ô. Không cần cân bằng tuyệt đối, nhưng không ô nào được trống hay gần trống.
Đơn vị lấy mẫu nên là người nói hoặc người viết, không phải số câu. Một trăm giờ ghi âm từ mười người kém giá trị hơn nhiều so với một trăm giờ từ năm trăm người, vì mô hình sẽ học giọng riêng của mười người đó. Đặt trần thời lượng hoặc số mẫu cho mỗi người để tránh một vài người nhiệt tình chiếm phần lớn dữ liệu.
Người cao tuổi, người ở vùng xa, người dân tộc thiểu số nói tiếng Việt là ngôn ngữ thứ hai thường thiếu nhất trong dữ liệu, vì họ ít dùng các kênh thu trực tuyến. Muốn có họ phải đi thu tận nơi, qua cộng tác viên địa phương, và chuẩn bị thời gian, kinh phí tương xứng. Đó cũng là nhóm mà sản phẩm giọng nói, như tổng đài tự động hay trợ lý cho người lớn tuổi, cần phục vụ tốt nhất.
Siêu dữ liệu: ghi quê gốc, không chỉ nơi ở
Quê gốc và nơi lớn lên. Giọng nói đi theo nơi người ta lớn lên, không theo địa chỉ hiện tại. Một người Nghệ An sống ở Thành phố Hồ Chí Minh hai mươi năm vẫn có thể giữ nhiều nét giọng quê. Phiếu thông tin nên hỏi nơi sống từ nhỏ đến khoảng mười lăm tuổi, nơi ở hiện tại, và người đó tự nhận giọng mình là giọng vùng nào.
Đơn vị hành chính mới và vùng phương ngữ là hai trường khác nhau. Từ 1/7/2025 cả nước còn 34 tỉnh, thành phố và bỏ cấp huyện. Nhiều tỉnh mới gộp các vùng giọng khác nhau: tỉnh Gia Lai mới gồm cả Gia Lai cũ ở Tây Nguyên và Bình Định cũ ven biển; tỉnh Lâm Đồng mới gồm Lâm Đồng, Đắk Nông và Bình Thuận cũ; tỉnh Quảng Trị mới gồm cả Quảng Bình cũ. Nếu chỉ ghi tên tỉnh mới, thông tin vùng giọng bị nhoè. Nên ghi tỉnh mới, xã hoặc phường, và thêm trường "vùng phương ngữ" riêng; với dữ liệu thu trước tháng 7/2025, giữ tên đơn vị cũ và thêm cột quy đổi.
Thông tin khác ảnh hưởng đến giọng. Nhóm tuổi, giới, ngôn ngữ mẹ đẻ (với người dân tộc thiểu số), thiết bị ghi âm, môi trường (phòng yên tĩnh, ngoài đường, quán cà phê). Chỉ hỏi những gì thật sự dùng để phân tích; mỗi trường thêm vào là thêm dữ liệu cá nhân phải bảo vệ.
Ghi theo nhóm, không theo con số chính xác. Ghi "30–44 tuổi" thay vì năm sinh, "xã thuộc tỉnh X" thay vì địa chỉ nhà. Nhóm thô vẫn đủ cho phân tích độ phủ và giảm nguy cơ nhận ra người cụ thể.
Đồng ý của người được ghi âm và quyền rút lại
Giọng nói là dữ liệu cá nhân, và khi được dùng để nhận diện một người thì có thể được xếp vào nhóm dữ liệu sinh trắc học, nhóm được bảo vệ chặt hơn theo quy định về dữ liệu cá nhân nhạy cảm. Mức nghĩa vụ cụ thể cần đối chiếu Luật Bảo vệ dữ liệu cá nhân (có hiệu lực từ 1/1/2026) và văn bản hướng dẫn hiện hành; trang AI Bảo Mật có phần thực hành chi tiết hơn.
Phiếu đồng ý nên viết bằng tiếng Việt dễ hiểu, không phải bản dịch điều khoản pháp lý, và nói rõ: thu để làm gì, ai được dùng, có công bố công khai không, có dùng cho mục đích thương mại không, giữ bao lâu, có dùng để tạo giọng tổng hợp không, và người tham gia rút lại như thế nào. Mục "dùng để tạo giọng tổng hợp" đặc biệt quan trọng vì nhiều người sẵn lòng góp giọng cho nhận dạng nhưng không muốn giọng mình bị nhân bản.
Với người cao tuổi hay người ít quen công nghệ, đọc phiếu cho họ nghe và ghi âm lại lời đồng ý. Với trẻ em, cần đồng ý của cha mẹ hoặc người giám hộ và cân nhắc kỹ có thật sự cần dữ liệu của trẻ không. Lưu phiếu đồng ý tách khỏi dữ liệu nhưng có mã liên kết, để khi một người rút lại có thể xoá đúng các bản ghi của họ.
Quy ước chép lời cho dữ liệu nhiều phương ngữ
Quy ước chép là nơi các dự án hay vấp nhất: mỗi người chép một kiểu và bộ dữ liệu trở thành hỗn hợp không nhất quán. Bảng dưới là một bộ quy ước mẫu; điều quan trọng không phải chọn đúng từng dòng mà là chọn và áp nhất quán.
| Hiện tượng | Ví dụ khi nói | Quy ước chép mẫu | Lý do |
|---|---|---|---|
| Từ địa phương có chính tả riêng | "vô", "hổng", "răng", "mô" | Giữ nguyên từ đó: vô, hổng, răng, mô | Đó là từ khác, không phải cách đọc khác của từ chuẩn |
| Biến âm của cùng một từ | "dzô" cho "vô", "zui" cho "vui" | Chép theo chính tả chuẩn: vô, vui | Tránh mỗi người phiên âm một kiểu |
| Thanh hỏi, ngã nghe như nhau | Giọng Nam đọc "đã" gần "đả" | Chép đúng chính tả: đã | Người chép phải nắm chính tả, không chép theo tai |
| Chêm tiếng Anh | "check lại cái file" | Giữ nguyên chữ tiếng Anh theo chính tả gốc | Thống kê được mức trộn mã |
| Ngập ngừng, lặp từ | "ờ… cái… cái này" | Ghi theo tập ký hiệu quy định hoặc bỏ, thống nhất một cách | Tuỳ bài toán cần lời nói thật hay văn bản gọn |
| Đoạn nghe không rõ | Tiếng ồn, nói chồng | Đánh dấu bằng ký hiệu riêng, không đoán | Đoán sai thành nhãn sai |
Người chép nên được kiểm chính tả trước khi vào việc, nhất là với dữ liệu giọng Nam Bộ và Bắc Trung Bộ, nơi tai nghe không phân biệt được hỏi ngã hay một số phụ âm đầu. Một bộ dữ liệu mà người chép viết sai chính tả theo giọng mình sẽ dạy mô hình viết sai theo.
Kiểm độ phủ và báo cáo theo vùng
Sau khi thu, lập bảng thống kê theo các trường siêu dữ liệu: số người, số giờ hoặc số mẫu theo vùng phương ngữ, giới, nhóm tuổi, môi trường. So với hạn ngạch ban đầu, ô nào thiếu thì thu bổ sung trước khi chuyển sang gán nhãn hàng loạt.
Khi chia tập huấn luyện và kiểm tra, chia theo người nói và giữ tỷ lệ vùng trong từng tập. Tập kiểm tra nên đủ lớn ở mỗi vùng để tính chỉ số riêng; một hệ thống nhận dạng có tỷ lệ lỗi trung bình đẹp nhưng gấp đôi ở giọng Bắc Trung Bộ là một hệ thống có vấn đề, và chỉ báo cáo theo vùng mới cho thấy điều đó.
Cuối cùng, ghi rõ giới hạn trong thẻ dữ liệu: vùng nào ít mẫu, nhóm tuổi nào thiếu, dữ liệu là giọng đọc câu cho sẵn hay giọng nói tự nhiên. Giọng đọc và giọng nói tự nhiên khác nhau nhiều về tốc độ, ngữ điệu và độ rõ; mô hình chỉ học giọng đọc thường vấp khi gặp người gọi tổng đài nói nhanh, nói tắt.
Văn bản vùng miền: bình luận, tin nhắn và chữ viết đời thường
Phương ngữ không chỉ có trong giọng nói. Người viết bình luận, tin nhắn, bài đăng diễn đàn thường viết như nói: "hông biết nữa", "răng mà lâu rứa", "ổng nói bển hết hàng rồi". Bộ dữ liệu văn bản cho mô hình đọc ý kiến hay chatbot chăm sóc khách hàng cũng cần độ phủ vùng miền như dữ liệu giọng nói, chỉ là khó đo hơn vì người viết thường không để lại thông tin quê quán.
Có ba cách xử lý. Một là thu có chủ đích: thuê người từ các vùng viết lại các tình huống bằng cách nói quen thuộc của mình, ghi vùng của người viết. Hai là gắn nhãn vùng ước đoán cho văn bản sẵn có dựa trên từ địa phương xuất hiện trong câu, chấp nhận độ chính xác không cao, dùng để thống kê độ phủ chứ không để kết luận về từng người. Ba là xây một tập kiểm tra nhỏ nhưng có nhãn vùng chắc chắn, để ít nhất đo được mô hình kém đến đâu với từng vùng.
Dù chọn cách nào, đừng để bước làm sạch xoá mất văn bản vùng miền vì bộ lọc chính tả coi "hổng" hay "rứa" là lỗi. Đây là lỗi hay gặp và chỉ phát hiện được khi kiểm phần dữ liệu bị loại.
Câu hỏi thường gặp
Có cần thu đủ giọng của cả 34 tỉnh, thành không?
Không nhất thiết theo từng tỉnh, vì giọng đi theo vùng phương ngữ và không trùng ranh giới hành chính. Nên đặt hạn ngạch theo vùng phương ngữ và các vùng chuyển tiếp, rồi kiểm xem trong mỗi vùng có đủ đa dạng địa phương không.
Nên chép "dzô" hay "vô" khi người nói giọng Nam?
Theo quy ước mẫu, "vô" là từ địa phương có chính tả riêng nên giữ "vô", còn cách phát âm "dzô" là biến âm nên không phiên âm theo tai. Quan trọng nhất là cả nhóm áp một quy ước và ghi vào hướng dẫn.
Dữ liệu thu trước tháng 7/2025 có phải sửa tên tỉnh không?
Không nên ghi đè. Giữ tên đơn vị hành chính tại thời điểm thu và thêm cột quy đổi sang đơn vị mới. Như vậy vừa đúng với thời điểm, vừa dùng được cho thống kê theo địa giới hiện hành.
Giọng đọc câu cho sẵn có thay được giọng nói tự nhiên không?
Chỉ một phần. Giọng đọc rõ, chậm, ít ngập ngừng, khác hẳn giọng nói trong cuộc gọi hay cuộc họp. Nên có cả hai loại, ghi nhãn loại cho từng bản ghi, và đánh giá riêng trên giọng nói tự nhiên.
Có nên trả tiền cho người góp giọng không?
Trả công hợp lý giúp thu được người từ nhiều nhóm hơn, nhất là người ở xa phải bỏ thời gian. Dù trả hay không, phiếu đồng ý vẫn phải rõ mục đích và quyền rút lại. Trả tiền không thay cho đồng ý về việc nhân bản giọng.
Thu giọng người dân tộc thiểu số nói tiếng Việt cần lưu ý gì?
Ghi ngôn ngữ mẹ đẻ trong siêu dữ liệu, làm việc qua cộng tác viên địa phương, giải thích mục đích bằng ngôn ngữ người tham gia hiểu rõ, và tôn trọng quyền từ chối. Đây là nhóm thường thiếu nhất trong dữ liệu nên cần kế hoạch riêng.