Cách nhanh nhất để biết một công cụ chuyển giọng nói thành chữ có hợp với bạn không là thử nó với chính giọng của bạn, trong đúng hoàn cảnh bạn sẽ dùng, bằng một bộ sáu đoạn ghi âm ngắn: một đoạn đọc chuẩn, một đoạn nói tự do, một đoạn nhiều số và ngày, một đoạn nhiều tên riêng, một đoạn có tiếng ồn và một đoạn nói nhanh. Cả bài thử mất khoảng 30 phút cho mỗi công cụ, và cho kết quả đáng tin hơn bất kỳ lời quảng cáo hay bảng xếp hạng nào.
Lý do đơn giản: độ chính xác của nhận dạng giọng nói tiếng Việt thay đổi nhiều theo giọng vùng miền, theo thiết bị, theo kiểu nội dung. Một công cụ rất tốt với giọng phát thanh viên đọc tin có thể vấp với giọng bạn kể chuyện ngoài quán cà phê. Bài này đưa ra kịch bản thử cụ thể, cách chấm không cần công thức và những tiêu chí ngoài độ chính xác mà người dùng hay quên. Phần tính tỷ lệ lỗi từ một cách bài bản được trình bày ở bài riêng về WER.
Trước khi thử: xác định bạn cần chép lời để làm gì
Cùng là “chuyển giọng nói thành chữ” nhưng nhu cầu rất khác nhau. Một sinh viên muốn chép bài giảng để ôn thi cần bản chép đọc hiểu được, chấp nhận lỗi nhỏ. Một nhà báo gỡ băng phỏng vấn cần đúng từng chữ trong phần trích dẫn. Một người lớn tuổi muốn nói thay vì gõ tin nhắn cần công cụ nghe giọng mình ổn và dễ sửa. Một nhân viên văn phòng chép biên bản họp cần tách người nói và chép đúng thuật ngữ.
Viết ra một câu duy nhất mô tả việc của bạn, ví dụ “chép cuộc họp tuần 45 phút, sáu người, có nhiều từ tiếng Anh, để làm biên bản gửi sếp”. Câu đó quyết định đoạn ghi âm nào trong bài thử quan trọng nhất với bạn, và tiêu chí nào đáng điểm cao hơn. Không có công cụ tốt nhất cho mọi người; chỉ có công cụ hợp nhất với việc của bạn.
Đồng thời, quyết định trước giới hạn về dữ liệu. Nếu nội dung bạn định chép có thông tin nhạy cảm (khách hàng, sức khoẻ, tài chính), chỉ nên thử với công cụ có chính sách dữ liệu rõ ràng hoặc chạy được trên máy của bạn, và trong bài thử chỉ dùng nội dung giả định.
Sáu đoạn ghi âm cho bài thử
Mỗi đoạn dài khoảng một phút. Ghi bằng chính thiết bị bạn sẽ dùng, ở nơi bạn hay dùng. Nội dung dưới đây là gợi ý, bạn nên tự viết lại cho gần với việc của mình.
- Đoạn đọc chuẩn: đọc một đoạn văn bản tin tức hoặc tài liệu khoảng 150 âm tiết, tốc độ bình thường. Đây là mức “dễ nhất”, cho biết trần trên của công cụ với giọng bạn.
- Đoạn nói tự do: kể lại một việc bạn làm hôm qua, không chuẩn bị, có ngập ngừng, sửa câu. Đây là cách người ta nói thật.
- Đoạn số và ngày giờ: nói một lịch hẹn, một số tiền giả định, tỷ lệ phần trăm, một năm, một ngày âm lịch. Ví dụ “hẹn mùng tám tháng chạp, chi phí dự kiến mười hai triệu rưỡi, giảm ba phẩy năm phần trăm”.
- Đoạn tên riêng: nhắc năm tên người có dấu khó (Nguyễn Thị Ngọc Hân, Đặng Hữu Thuỷ…), hai tên địa danh mới sau sáp nhập, hai tên sản phẩm hoặc thuật ngữ tiếng Anh bạn hay dùng.
- Đoạn có tiếng ồn: nói ở nơi bạn thực sự sẽ dùng: quán cà phê, trên xe đã dừng, cạnh quạt máy, hoặc bật tiếng ồn nền vừa phải.
- Đoạn nói nhanh: đọc lại đoạn đầu với tốc độ nhanh hơn bình thường, giống khi bạn đang vội.
Lưu cả sáu tệp và văn bản gốc của các đoạn có kịch bản. Với đoạn nói tự do, sau khi ghi hãy nghe lại và tự chép đúng từng chữ để làm bản so. Khi thử công cụ thứ hai, dùng lại đúng sáu tệp này, không ghi mới, để so sánh công bằng.
Chấm điểm không cần công thức
Không cần tính tỷ lệ lỗi chính xác. Với mỗi đoạn, đọc bản chép của công cụ cạnh bản gốc và chấm theo thang đơn giản dưới đây.
| Mức | Mô tả | Ý nghĩa thực tế |
|---|---|---|
| Dùng ngay | Sai vài chữ, không đổi nghĩa, sửa trong một phút | Có thể tin cho việc thường ngày |
| Sửa được | Sai nhiều dấu hoặc thuật ngữ nhưng đọc vẫn hiểu | Dùng được nếu chịu soát |
| Sửa mệt | Nhiều câu sai nghĩa, phải nghe lại để sửa | Nhanh hơn gõ tay không nhiều |
| Bỏ | Thiếu cả câu, chữ vô nghĩa, bịa nội dung | Không dùng cho loại nội dung này |
Ngoài mức chung, đánh dấu riêng ba thứ: có chỗ nào đổi nghĩa không (nhất là phủ định, con số), tên riêng sai bao nhiêu, và công cụ có tự thêm chữ ở đoạn ồn không. Ba thứ này quan trọng hơn tổng số lỗi, vì một chữ sai ở con số hay chữ “không” có thể gây hậu quả lớn hơn hai mươi lỗi dấu nhỏ.
Nếu muốn có con số, có thể đếm số chữ sai trên số chữ của đoạn đọc chuẩn và đoạn nói tự do. Hai con số này đặt cạnh nhau cho biết công cụ “giảm phong độ” bao nhiêu khi bạn nói tự nhiên.
Tiêu chí ngoài độ chính xác mà người dùng hay quên
Sửa có dễ không. Bản chép tốt đến đâu cũng phải sửa. Công cụ cho bấm vào chữ để nghe lại đúng đoạn âm thanh đó tiết kiệm rất nhiều thời gian so với phải tua tìm.
Tốc độ và giới hạn. Tệp một giờ chép mất bao lâu, có giới hạn độ dài hay dung lượng không, có chép trực tiếp trong lúc nói không.
Xuất ra dạng gì. Văn bản thường, tệp phụ đề có mốc thời gian, tài liệu có tên người nói. Nếu bạn cần phụ đề, công cụ chỉ xuất văn bản thường sẽ bắt bạn làm thêm nhiều bước.
Chính sách dữ liệu. Tệp của bạn được lưu bao lâu, có dùng để huấn luyện không, có tắt được không, xoá thế nào. Với nội dung nhạy cảm, đây là tiêu chí loại ngay từ đầu.
Chạy ở đâu. Trên máy của bạn hay gửi lên máy chủ. Chạy trên máy riêng giữ dữ liệu trong tay nhưng cần máy đủ mạnh; gửi lên máy chủ thì tiện nhưng phụ thuộc mạng và chính sách của bên cung cấp.
Từ điển riêng. Có cho khai tên riêng, thuật ngữ không. Với người làm văn phòng hay chuyên ngành, chức năng này có khi đáng giá hơn vài điểm phần trăm chính xác.
Hoạt động khi mất mạng. Nếu bạn hay ghi ở nơi sóng yếu, như công trường, vùng ven, trên tàu xe, hãy thử tắt mạng xem công cụ còn chép được không, hay chỉ lưu tệp chờ gửi sau.
Đọc kết quả và quyết định
Sau khi chấm hai hoặc ba công cụ, bảng điểm thường đã cho thấy lựa chọn. Các bước dưới đây giúp quyết định không bị cảm tính.
- Loại ngay công cụ nào ở mức “Bỏ” với đoạn quan trọng nhất theo câu mô tả việc của bạn.
- Loại công cụ có chính sách dữ liệu không phù hợp với nội dung bạn sẽ chép.
- Trong số còn lại, so điểm ở đoạn nói tự do và đoạn có tiếng ồn, hai đoạn giống thực tế nhất.
- Nếu hai công cụ ngang nhau, chọn cái dễ sửa hơn và có từ điển riêng.
- Dùng thử công cụ được chọn trong một hai tuần với việc thật, ghi lại các lỗi lặp lại để khai vào từ điển.
- Thử lại bài thử sáu đoạn mỗi khi công cụ cập nhật lớn hoặc bạn đổi thiết bị.
Đừng bỏ qua bước cuối. Công cụ nhận dạng giọng nói được cập nhật thường xuyên, và một bản cập nhật có thể làm tốt hơn ở chỗ này nhưng kém đi ở chỗ khác. Bộ sáu tệp ghi âm của bạn là thước đo riêng, dùng lại được mãi.
Ví dụ giả định: một giáo viên chọn công cụ chép bài giảng
Cô Lan (nhân vật giả định) dạy Ngữ văn ở một trường trung học tại Huế, muốn ghi lại bài giảng để học sinh vắng có thể đọc lại. Câu mô tả việc của cô: “chép bài giảng 45 phút, giọng Huế, có trích thơ và tên tác giả, để học sinh đọc, không cần đúng từng chữ nhưng không được sai tên và câu thơ”. Như vậy hai đoạn quan trọng nhất là đoạn nói tự do và đoạn tên riêng; đoạn số ít quan trọng.
Cô thử hai công cụ với sáu tệp ghi trong lớp lúc vắng học sinh. Công cụ thứ nhất cho đoạn đọc chuẩn gần như hoàn hảo nhưng đoạn nói tự do rơi xuống mức “sửa mệt”: nhiều thanh hỏi, ngã và các từ địa phương bị đổi. Công cụ thứ hai ở đoạn đọc chuẩn kém hơn một chút nhưng đoạn nói tự do ở mức “sửa được”, và cho khai danh sách tên tác giả, tên tác phẩm. Cả hai đều chép sai một câu thơ ở đoạn có tiếng ồn sân trường.
Cô chọn công cụ thứ hai, khai danh sách tên riêng theo chương trình học, và quyết định luôn gõ tay các câu thơ trích dẫn vào bản chép thay vì tin máy. Quyết định đó không dựa vào việc công cụ nào “tốt hơn” nói chung, mà dựa vào đúng hai đoạn quan trọng với việc của cô. Đó là điều bài thử sáu đoạn muốn đạt được.
Thử cho người khác: cha mẹ, đồng nghiệp, khách hàng
Nếu bạn chọn công cụ cho người khác dùng, như cài gõ bằng giọng nói cho cha mẹ, hay chọn công cụ chép biên bản cho cả phòng, bài thử phải làm với giọng của họ, không phải giọng của bạn. Một người con ở thành phố thấy công cụ nghe giọng mình rất tốt, cài cho mẹ ở quê, và mẹ bỏ sau hai ngày vì máy không hiểu giọng, là chuyện thường gặp.
Với người lớn tuổi, rút gọn bài thử còn hai đoạn: nói tự do một câu chuyện ngắn, và đọc một tin nhắn họ hay gửi. Quan sát thêm họ có tự sửa được chữ sai không, có biết bấm nút nói lại không. Với đồng nghiệp, mỗi người ghi một đoạn nói tự do kèm thuật ngữ của phòng. Với khách hàng ở tổng đài, chỉ dùng cuộc gọi đã được thông báo ghi âm và đã che thông tin cá nhân.
Luôn xin phép trước khi ghi giọng người khác, nói rõ ghi để làm gì, và xoá các tệp thử sau khi xong. Giọng nói của mỗi người là dữ liệu cá nhân, kể cả khi chỉ dùng để thử công cụ.
Câu hỏi thường gặp
Gõ bằng giọng nói trên bàn phím điện thoại có cần thử như vậy không?
Nên thử, nhưng bài thử có thể ngắn hơn: đọc ba tin nhắn bạn hay gửi, một tin có số và tên riêng, một tin nói nhanh. Bàn phím điện thoại thường có cả chế độ xử lý trên máy và chế độ gửi lên máy chủ, chất lượng có thể khác nhau, kiểm cài đặt hiện hành.
Thử bằng một đoạn văn mẫu đọc lên có đủ không?
Không đủ. Đọc văn mẫu là trường hợp dễ nhất, vì câu trọn vẹn, từ phổ biến, người đọc nói rõ hơn bình thường. Công cụ nào cũng có vẻ tốt ở đoạn này. Khác biệt thật giữa các công cụ lộ ra ở đoạn nói tự do, đoạn ồn và đoạn có tên riêng.
Công cụ miễn phí và trả phí có khác nhau nhiều về độ chính xác không?
Không có quy luật chung. Có công cụ miễn phí dựa trên mô hình mở khá tốt, có bản trả phí mạnh về tính năng như tách người nói, từ điển riêng, chính sách dữ liệu. Bài thử sáu đoạn giúp bạn so trên chính nhu cầu của mình thay vì đoán theo giá.
Nếu kết quả thử tệ, có phải do giọng của mình không chuẩn?
Không nên nghĩ vậy. Giọng nào cũng là giọng thật, máy kém thường là do ít được học giọng đó. Có thể cải thiện bằng cách ghi gần micro hơn, nói chậm vừa phải, khai từ điển riêng, hoặc thử công cụ khác. Không cần đổi giọng của mình cho vừa máy.
Có nên dùng tệp ghi âm thật của công việc để thử không?
Chỉ khi nội dung không nhạy cảm và mọi người trong bản ghi đã đồng ý, đồng thời công cụ có chính sách dữ liệu bạn chấp nhận được. Nếu không chắc, hãy tự soạn nội dung giả định giống phong cách công việc rồi ghi lại, kết quả thử vẫn có giá trị.
Bao lâu nên thử lại một lần?
Mỗi khi công cụ có bản cập nhật lớn, khi bạn đổi điện thoại hoặc micro, hoặc khi thấy chất lượng giảm rõ. Ngoài ra, khoảng vài tháng một lần chạy lại bộ sáu tệp là thói quen tốt, vì công cụ thay đổi âm thầm mà người dùng ít khi được báo chi tiết.