Tiếng Việt dùng từ chỉ quan hệ họ hàng như anh, chị, em, cô, chú, bác, ông, bà, con, cháu làm đại từ, và cùng một từ có thể chỉ người nói, người nghe hoặc người được nhắc tới. Trong câu “Anh về rồi đây”, “anh” là người nói; trong “Anh ăn cơm chưa?”, “anh” là người nghe; trong “Anh ấy về rồi”, “anh” là người thứ ba. Thêm vào đó, câu tiếng Việt rất hay bỏ chủ ngữ: “Ăn cơm chưa?” – “Rồi”. Người Việt hiểu ngay nhờ biết ai đang nói với ai; máy phải đoán điều đó từ chữ.
Đây là một trong những chỗ AI xử lý tiếng Việt dễ trượt nhất, và hậu quả hiện ra ở những việc rất thường ngày: bản tóm tắt cuộc họp gán lời nói cho nhầm người, bản dịch sang tiếng Anh đổi “anh” thành “he” trong khi phải là “I”, chatbot chăm sóc khách hàng giữa chừng đổi cách xưng. Bài này giải thích cơ chế, những kiểu câu máy hay hiểu sai, và cách kiểm một hệ thống trước khi dùng cho hội thoại thật.
Một từ, ba ngôi: cơ chế xưng hô bằng từ thân tộc
Ngôn ngữ như tiếng Anh có bộ đại từ cố định theo ngôi: I, you, he, she. Tiếng Việt có những đại từ như vậy (“mày”, “tao”, “nó”, “họ”, “mình”), nhưng trong giao tiếp lịch sự và thân mật, người Việt chủ yếu xưng hô bằng từ thân tộc. Người nói chọn một cặp từ thể hiện quan hệ tuổi tác, vai vế, mức thân: một người đàn ông nói với em gái thì xưng “anh”, gọi “em”; nói với mẹ thì xưng “con”, gọi “mẹ”; nói với người bán hàng lớn tuổi thì có thể gọi “cô” hay “chú” và xưng “cháu”.
Vì từ thân tộc chỉ vai trong quan hệ chứ không chỉ ngôi, nên cùng một từ trôi qua lại giữa các ngôi tuỳ ai đang mở miệng. Trong một đoạn hội thoại giữa hai vợ chồng, “anh” lúc thì là người nói (chồng tự xưng), lúc thì là người nghe (vợ gọi chồng). Muốn biết “anh” chỉ ai, máy phải biết lượt lời đó của ai. Trong văn bản ghi chép không đánh dấu người nói, thông tin này hoàn toàn phải suy ra.
Thêm một tầng: từ thân tộc dùng cho người thứ ba thường đi kèm “ấy”, “ta”, “kia” (“anh ấy”, “bà ta”), nhưng trong khẩu ngữ, người nói hay bỏ phần này. “Hôm qua chị gặp anh Nam, anh bảo tuần sau mới xong” — chữ “anh” thứ hai là anh Nam, ngôi thứ ba, không có “ấy”. Máy chỉ nhìn chữ thì dễ hiểu đó là người nghe.
Cuối cùng là các từ đa nghĩa riêng. “Mình” có thể là ngôi thứ nhất số ít (“mình đi trước nhé”), ngôi thứ nhất số nhiều gồm cả người nghe (“mình cùng làm”), và còn là cách vợ chồng gọi nhau. “Nó” dùng cho người nhỏ tuổi, cho con vật, cho đồ vật, cho cả một sự việc (“nó khó lắm”). “Chúng ta” gồm người nghe, “chúng em” thì không. Mỗi lựa chọn đều mang thông tin mà bản dịch hay bản tóm tắt phải giữ.
Câu vắng chủ ngữ: phần thông tin không nằm trên mặt chữ
Tiếng Việt cho phép, và trong khẩu ngữ là ưa chuộng, việc bỏ chủ ngữ khi ngữ cảnh đã rõ. “Đã nhận được hàng, cảm ơn shop” không nói ai nhận. “Mai đi sớm nhé” không nói ai đi. “Xong chưa?” không nói cái gì xong. Ngôn ngữ học gọi hiện tượng này là đại từ zero hay chủ ngữ ẩn; nhiều ngôn ngữ Đông Á có đặc điểm tương tự.
Với người đọc, phần ẩn này được lấp tức thì từ tình huống. Với máy, có ba khó khăn. Thứ nhất, muốn dịch sang tiếng Anh, máy buộc phải điền một chủ ngữ vì câu tiếng Anh cần có, và mỗi lần điền là một lần đoán. Thứ hai, muốn tóm tắt hay trích xuất “ai cam kết làm gì” từ biên bản họp, máy phải biết câu “Thứ Sáu sẽ gửi” là lời của ai. Thứ ba, khi phân tích phản hồi khách hàng, câu “Chờ ba ngày chưa thấy ai gọi lại” cần được hiểu là khách chờ, không phải nhân viên chờ.
Câu vắng chủ ngữ càng khó khi kết hợp với lượt lời không được đánh dấu. Một đoạn chat dán vào chatbot dưới dạng một khối chữ, không ghi ai gõ dòng nào, gần như buộc máy đoán ở mọi câu. Kết quả có thể rất tự tin mà sai.
Mô hình ngôn ngữ lớn xử lý chuyện này tốt hơn nhiều so với hệ thống cũ, vì chúng giỏi suy luận từ ngữ cảnh dài. Nhưng giỏi hơn không có nghĩa là luôn đúng; với hội thoại ba bên trở lên, hội thoại có nhiều người cùng xưng “em”, hay đoạn trích bị cắt mất phần đầu, tỷ lệ gán sai vẫn đáng kể. Khi kết quả được dùng để giao việc, ghi nhận cam kết hay xử lý khiếu nại, sai một chủ ngữ là sai cả quyết định.
Những kiểu câu máy hay hiểu sai
Bảng dưới gom các mẫu câu thường gặp, kèm cách hiểu đúng trong ngữ cảnh và lỗi máy hay mắc. Ví dụ là câu giả định, viết để minh hoạ.
| Câu ví dụ | Ngữ cảnh | Cách hiểu đúng | Lỗi máy hay mắc |
|---|---|---|---|
| “Anh về muộn, em ăn trước đi.” | Chồng nhắn vợ | “anh” là người nói, “em” là người nghe | Dịch thành “He is coming home late, you eat first” |
| “Chị bảo em gửi rồi mà.” | Nhân viên nói với trưởng phòng | “chị” là người nghe, “em” là người nói | Tóm tắt thành “chị gửi cho em”, đảo vai |
| “Bác sĩ dặn con nhịn ăn.” | Con kể với mẹ | “con” là người nói | Hiểu “con” là đứa con được nhắc tới, ngôi thứ ba |
| “Mình làm xong rồi, nộp thôi.” | Hai bạn cùng nhóm | “mình” có thể là cả hai người | Dịch thành “I”, mất nghĩa “cùng làm” |
| “Nó hỏng từ tuần trước.” | Khách nói về máy giặt | “nó” là đồ vật | Hiểu “nó” là một người, ra câu khiếu nại kỳ quặc |
| “Thứ Sáu gửi bản cuối.” | Biên bản họp không ghi tên | Chủ ngữ là một người cụ thể trong cuộc họp | Gán cho người nói câu ngay trước đó |
Điểm chung: lỗi không hiện ra như một câu vô nghĩa. Bản dịch, bản tóm tắt vẫn trôi chảy, chỉ có điều nó nói sai ai làm gì. Người không có mặt trong cuộc trò chuyện gốc khó phát hiện.
Máy giải bài toán này bằng cách nào
Luật và từ điển quan hệ. Hệ thống thời trước dùng luật: “anh ấy” là ngôi ba, “anh” đứng đầu câu hỏi là ngôi hai… Luật bao được trường hợp đơn giản, gãy ngay ở khẩu ngữ.
Mô hình đồng tham chiếu. Đồng tham chiếu (coreference) là bài toán tìm mọi cách nhắc tới cùng một đối tượng trong văn bản: “anh Nam”, “anh”, “ổng” đều chỉ một người. Các mô hình được huấn luyện trên văn bản có nhãn để nối các lần nhắc. Với tiếng Việt, dữ liệu có nhãn kiểu này ít hơn nhiều so với tiếng Anh, nên chất lượng thường kém hơn.
Mô hình ngôn ngữ lớn suy luận từ ngữ cảnh. Mô hình lớn không có bước đồng tham chiếu riêng; nó đọc cả đoạn và suy ra quan hệ như một phần của việc hiểu. Cách này linh hoạt, xử lý được nhiều tình huống chưa từng có luật. Điểm yếu là khó biết khi nào nó đang đoán.
Đánh dấu người nói từ đầu. Cách hiệu quả nhất lại không nằm ở mô hình mà ở dữ liệu đầu vào: hệ thống ghi âm cuộc họp có tách người nói, phần mềm chat xuất kèm tên người gửi. Khi mỗi lượt lời có nhãn, phần lớn sự nhập nhằng của “anh”, “em” biến mất. Đầu tư vào khâu này thường đáng hơn chờ một mô hình giỏi hơn.
Khi AI là người nói: giữ xưng hô nhất quán qua nhiều lượt
Chiều ngược lại cũng là bài toán: khi chatbot trả lời bằng tiếng Việt, nó phải chọn một cặp xưng hô và giữ nguyên qua cả cuộc trò chuyện. Mô hình học từ văn bản đủ mọi kiểu, nên nếu không được dặn, nó có thể mở đầu bằng “bạn” rồi giữa chừng chuyển sang “anh/chị”, hoặc tự xưng “mình” ở câu này, “em” ở câu sau. Người Việt nhận ra sự trôi dạt này ngay và thấy thiếu chuyên nghiệp.
Nguyên nhân kỹ thuật là mô hình không có “trạng thái xưng hô” cố định; mỗi câu nó sinh ra chịu ảnh hưởng của những gì gần nhất trong ngữ cảnh. Nếu người dùng đổi cách xưng, hoặc đoạn tài liệu dán vào dùng cách xưng khác, mô hình dễ bị kéo theo. Với các trợ lý chạy lâu, khi phần đầu cuộc trò chuyện bị cắt bớt để tiết kiệm ngữ cảnh, chỉ dẫn xưng hô ban đầu cũng có thể rơi mất.
Với người làm sản phẩm, cách làm chắc là đặt quy tắc xưng hô trong phần chỉ dẫn hệ thống, kèm ví dụ cụ thể, và kiểm bằng những kịch bản dài nhiều lượt chứ không chỉ một hai câu. Với vùng miền, cần quyết định có cho trợ lý đổi theo cách xưng của khách hay không; đổi theo thì thân thiện nhưng khó kiểm soát. Phần mẹo dặn chatbot xưng hô cho tin nhắn cá nhân là chuyện thao tác hằng ngày, có ở các trang hướng dẫn dùng AI; ở đây chỉ nhấn mạnh: xưng hô là một thuộc tính phải thiết kế và kiểm thử, không phải chi tiết trang trí.
Một lưu ý về giới: từ thân tộc tiếng Việt mang giới tính (anh và chị, chú và cô). Khi chatbot phải gọi một người chưa biết giới, chọn “anh/chị” hoặc “bạn” an toàn hơn đoán theo tên, vì đoán giới theo tên là nguồn thiên lệch và dễ gây khó chịu.
Kiểm một hệ thống tóm tắt hay dịch hội thoại tiếng Việt
Trước khi dùng một công cụ tóm tắt cuộc họp, dịch tin nhắn hay phân tích hội thoại cho việc thật, có thể tự làm một bài kiểm nhỏ như sau.
- Soạn năm đến mười đoạn hội thoại ngắn giả định, mỗi đoạn có ít nhất một chỗ dùng từ thân tộc đổi ngôi (ví dụ vợ chồng, sếp và nhân viên, khách và người bán) và một câu vắng chủ ngữ.
- Với mỗi đoạn, tự viết trước đáp án: ai nói câu nào, ai làm việc gì, ai cam kết điều gì.
- Đưa từng đoạn vào công cụ hai lần: một lần có ghi tên người nói ở đầu mỗi dòng, một lần không ghi. So kết quả với đáp án.
- Đếm số chỗ gán sai người. Ví dụ giả định: không ghi tên người nói thì sai 4 trên 10 đoạn, có ghi tên thì sai 1. Con số đó cho biết nên đầu tư vào khâu ghi nhãn người nói hay không.
- Với công cụ dịch, kiểm riêng các câu có “mình”, “chúng ta”, “nó” để xem nghĩa số nhiều, nghĩa gồm người nghe, nghĩa chỉ vật có được giữ không.
- Khi dùng hội thoại thật để kiểm, che tên người, số điện thoại, nội dung nhạy cảm; tốt nhất dùng hội thoại tự soạn.
Bài kiểm này mất khoảng một buổi nhưng cho biết công cụ có đáng tin cho việc ghi nhận cam kết và phân việc không. Với những việc như vậy, kể cả công cụ qua bài kiểm vẫn nên có người đọc lại bản tóm tắt trước khi gửi đi.
Câu hỏi thường gặp
Vì sao dịch máy hay dịch “anh” thành “he”?
Vì trong dữ liệu song ngữ, “anh ấy” và “anh” ở ngôi thứ ba thường tương ứng với “he”, và máy chọn cách dịch phổ biến khi ngữ cảnh không đủ rõ. Khi “anh” là người nói hoặc người nghe, máy cần hiểu ai đang nói với ai. Cung cấp thêm ngữ cảnh, ghi rõ người nói, sẽ giảm lỗi này đáng kể.
Tiếng Việt có đại từ ngôi thứ nhất trung tính như tiếng Anh không?
Có những từ gần trung tính dùng trong văn viết và tình huống trang trọng, nhưng trong giao tiếp hằng ngày người Việt ưu tiên từ thân tộc hoặc “mình”, “tớ”, “em” tuỳ quan hệ. Không có lựa chọn nào hợp với mọi tình huống, nên máy luôn phải chọn và mỗi lựa chọn mang sắc thái riêng.
Ghi âm cuộc họp rồi cho AI tóm tắt có đáng tin không?
Đáng tin ở mức nắm ý chung, kém tin hơn ở chi tiết ai nói gì, nhất là khi bản ghi không tách người nói. Với nội dung có cam kết, giao việc, hạn chót, cần người tham dự đọc lại bản tóm tắt. Ngoài ra phải xin đồng ý của người tham gia trước khi ghi âm và che thông tin nhạy cảm trước khi đưa lên công cụ.
Câu vắng chủ ngữ có phải là câu sai ngữ pháp không?
Không. Bỏ chủ ngữ khi ngữ cảnh đã rõ là đặc điểm bình thường của tiếng Việt, nhất là trong khẩu ngữ và tin nhắn. Văn bản hành chính, hợp đồng thì nên viết đủ chủ ngữ để tránh hiểu nhầm, nhưng trong giao tiếp thường ngày, câu vắng chủ ngữ hoàn toàn tự nhiên với người Việt.
Có nên để chatbot tự đổi cách xưng hô theo khách không?
Tuỳ sản phẩm. Đổi theo khách giúp cuộc trò chuyện tự nhiên, gần gũi hơn, nhưng khó kiểm soát và dễ trôi dạt giữa chừng. Nhiều đơn vị chọn một cặp xưng hô cố định, lịch sự, rồi chỉ cho đổi trong vài trường hợp rõ ràng. Quyết định nào cũng cần kiểm bằng kịch bản dài nhiều lượt.
Mô hình chuyên tiếng Việt có xử lý xưng hô tốt hơn mô hình đa ngôn ngữ không?
Không có câu trả lời chung. Mô hình chuyên tiếng Việt có thể quen cách xưng hô hơn nhờ dữ liệu tiếng Việt chiếm phần lớn, nhưng mô hình đa ngôn ngữ lớn thường suy luận ngữ cảnh mạnh hơn. Cách duy nhất để biết là thử cả hai trên đúng loại hội thoại mình cần xử lý.