Chuyển giọng nói thành văn bản tiếng Việt: thanh điệu, giọng vùng miền và cách soát lỗi

Gõ bằng giọng nói và chuyển tệp ghi âm là hai việc khác nhau

Khi nói “chuyển giọng nói thành văn bản”, nhiều người nghĩ ngay đến tính năng gõ bằng giọng nói trên bàn phím điện thoại hoặc trong Google Docs. Đó là đọc chính tả trực tiếp: bạn nói chậm, rõ, nhìn chữ hiện ra và sửa ngay. Người nói biết mình đang nói cho máy nghe, nên tự điều chỉnh.

Chuyển một tệp ghi âm thành văn bản thì khác hẳn. Bản ghi buổi phỏng vấn, cuộc họp, tiết học hay tin nhắn thoại được nói tự nhiên, có ngập ngừng, nói nhanh, nói chồng lên nhau, có tiếng quạt và tiếng xe ngoài đường. Không ai sửa trong lúc nói, nên mọi lỗi dồn lại đến lúc đọc bản ghi. Bài đọc chính tả và chép lời từ ghi âm (tiếng Anh) so sánh kỹ hai cách làm này.

Bài viết này tập trung vào trường hợp thứ hai: bạn đã có tệp ghi âm và cần văn bản tiếng Việt.

Vì sao tiếng Việt làm khó máy nhận dạng giọng nói

Tiếng Việt có sáu thanh điệu, và thanh điệu làm thay đổi nghĩa của từ. “Ma, má, mà, mả, mã, mạ” là sáu từ khác nhau, chỉ khác nhau ở cao độ và đường nét của giọng. Một chút nhiễu, một người nói nhanh hay nuốt âm là đủ để máy nghe nhầm thanh, và chữ ra sai dấu.

Ngoài thanh điệu, còn mấy đặc điểm khác:

• Tiếng Việt có rất nhiều từ đơn âm tiết, nên một âm tiết nghe nhầm là cả từ sai, không có phần còn lại của từ để máy đoán.
• Nhiều cặp chữ phát âm gần giống nhau ở một số vùng nhưng chính tả khác nhau: tr và ch, s và x, d, gi và r. Máy phải đoán chính tả dựa vào ngữ cảnh.
• Người Việt hay chen từ tiếng Anh khi nói chuyện công việc: “deadline”, “báo cáo KPI”, “gửi file cho em”. Máy có thể viết đúng, viết thành phiên âm, hoặc viết thành một từ tiếng Việt na ná.
• Văn nói có nhiều tiểu từ cuối câu như “nha”, “nhé”, “hả”, “á”, “nè”, rất khó đoán dấu nếu người nói lướt nhanh.

Những lý do này không riêng của một công cụ nào; chúng là đặc trưng của tiếng Việt. Bài nhận dạng giọng nói với các giọng địa phương (tiếng Anh) giải thích cơ chế chung khi máy gặp giọng nói khác với dữ liệu nó quen.

Giọng Bắc, Trung, Nam ảnh hưởng thế nào đến bản ghi

Bản ghi luôn được viết theo chính tả phổ thông, còn người nói thì mang giọng quê mình. Biết giọng nào hay gây lỗi gì giúp bạn soát đúng chỗ.

Giọng Hà Nội và nhiều vùng miền Bắc

tr và ch, s và x, d, gi và r phát âm gần như nhau; một số địa phương lẫn l và n

Giọng miền Trung (Huế, Nghệ An, Hà Tĩnh, Quảng Nam)

Hệ thanh điệu khác giọng phổ thông, nhiều từ địa phương như mô, tê, răng, rứa, chi

Giọng miền Nam

Hỏi và ngã gần như không phân biệt; v đọc gần như d; âm cuối n với ng, t với c dễ lẫn

Từ đó có thể đoán trước loại lỗi. Ghi âm người Sài Gòn thì soát kỹ dấu hỏi ngã: “nghỉ” có thể thành “nghĩ”, “sửa” thành “sữa”. Ghi âm người Nghệ An nói giọng đậm thì cẩn thận với từ địa phương bị “sửa” thành một từ phổ thông nghe gần giống, làm câu sai nghĩa mà vẫn đọc trôi. Còn với người miền Bắc, để ý các cặp tr/ch và s/x ở những từ ít gặp.

Nếu bản ghi dùng cho nghiên cứu ngôn ngữ hay lịch sử truyền khẩu, hãy quyết định trước là giữ nguyên từ địa phương (“răng rứa”) hay chuyển sang phổ thông (“sao vậy”), và ghi quyết định đó vào phần phương pháp.

Tên riêng, từ tiếng Anh và con số

Tên người Việt rất hay trùng với từ thông thường: Hoa, Hùng, Lan, Bảy, Năm, Phúc. Máy không biết “anh Bảy” là tên hay là số đếm, nên tên thường bị viết thường hoặc bị đổi thành từ khác. Địa danh nhỏ, tên công ty và thương hiệu cũng vậy.

Con số có cách đọc riêng: “hai mươi lăm” và “hai lăm” đều là 25; “một trăm linh năm” và “một trăm lẻ năm” đều là 105; “ba tỷ rưỡi” là 3,5 tỷ. Bản ghi có thể ra chữ hoặc ra số, không nhất quán trong cùng một tệp. Với biên bản họp có số liệu tài chính, hãy thống nhất một quy ước rồi sửa cả tệp.

Ghi âm sao cho máy nghe rõ

Phần lớn lỗi bắt nguồn từ bản ghi âm. Vài thói quen đơn giản cải thiện đáng kể kết quả:

• Đặt điện thoại gần người nói, khoảng một gang tay đến một cánh tay, thay vì để giữa bàn họp lớn.
• Tắt quạt trần, điều hòa thổi thẳng vào máy, đóng cửa sổ nếu ngoài đường nhiều xe máy.
• Trong phỏng vấn, nhắc mọi người nói lần lượt; tiếng nói chồng lên nhau là chỗ máy hay bỏ chữ nhất.
• Ở quán cà phê, chọn góc xa loa nhạc và máy xay.
• Nói tên riêng và con số chậm hơn một chút, hoặc đánh vần tên lạ ngay trong lúc ghi.

Về định dạng: ghi âm trên iPhone thường cho tệp M4A, nhiều máy Android cho M4A hoặc MP3, đều dùng được. Tệp tin nhắn thoại có đuôi .opus và tệp ghi cuộc gọi đuôi .amr thì mydubly không nhận; hãy chuyển sang MP3 hoặc M4A bằng một công cụ chuyển đổi bạn tin dùng. Bài ghi âm bằng điện thoại để chép lời (tiếng Anh) có thêm mẹo cài đặt.

Chuyển tệp ghi âm thành văn bản với mydubly

mydubly có khu vực riêng cho âm thanh trên trang chủ. Giao diện bằng tiếng Anh, các bước như sau:

1. Kéo tệp vào ô “Drop audio here”. Định dạng nhận được: MP3, WAV, M4A, AAC, OGG, FLAC, WebM, mỗi tệp tối đa 2 giờ. Có thể bấm “Use a sample recording” để thử với bản ghi mẫu.
2. Ngôn ngữ nói được nhận diện tự động; bạn không chọn tay ngôn ngữ nguồn, cũng không có lựa chọn riêng cho từng giọng vùng miền.
3. Để công tắc “Audio and text output” tắt, tức chỉ lấy bản ghi có mốc thời gian. Ở “Select language”, chọn Vietnamese để có bản ghi tiếng Việt giữ nguyên, không dịch. Nếu muốn có bản dịch, chẳng hạn sang tiếng Anh cho luận văn hay báo cáo gửi đối tác, chọn ngôn ngữ đó.
4. Bấm “Transcribe audio” và giữ tab mở đến khi xong.
5. Tải “Download transcript” để có văn bản thuần (transcript.txt) hoặc “Download timestamped transcript” để có bản kèm mốc thời gian, tiện tra lại đoạn ghi âm khi soát.

Phần nhận dạng dựa trên Whisper, có bộ phát hiện giọng nói để bỏ qua đoạn im lặng. Độ chính xác phụ thuộc vào chất lượng âm thanh, giọng nói, số người nói chồng lên nhau và tên riêng, nên không có con số nào áp dụng chung cho mọi tệp. Trang chuyển âm thanh thành văn bản (tiếng Anh) mô tả công cụ này cho mọi ngôn ngữ.

Soát bản ghi tiếng Việt nhanh mà không bỏ sót

Đọc lại toàn bộ bản ghi trong khi nghe lại toàn bộ ghi âm là cách chắc nhất nhưng tốn thời gian gần bằng độ dài bản ghi. Với tài liệu không cần chính xác từng chữ, có thể soát theo thứ tự ưu tiên:

1. Đọc lướt bản ghi một lượt, đánh dấu những câu đọc lên thấy vô nghĩa hoặc lạc đề. Đó thường là chỗ máy nghe nhầm.
2. Dùng bản có mốc thời gian để mở đúng đoạn ghi âm của từng câu đã đánh dấu và nghe lại.
3. Tìm và thay thế tên riêng theo danh sách người tham gia, địa danh, tên dự án.
4. Soát riêng các câu có số: tiền, ngày, số lượng, số điện thoại.
5. Với ghi âm giọng miền Nam, tìm các từ có dấu hỏi hoặc ngã hay bị nhầm như nghỉ/nghĩ, sửa/sữa, kỷ/kỹ.
6. Thêm tên người nói bằng tay ở đầu mỗi lượt lời nếu cần.

Mức độ soát còn tùy mục đích. Trích dẫn trên báo hay trong luận văn cần đúng từng chữ, nên phải nghe lại mọi câu được trích. Ghi chú nội bộ sau cuộc họp thì chỉ cần đúng ý và đúng số liệu. Bài cách soát bản ghi do AI tạo (tiếng Anh) có thêm danh mục kiểm tra chi tiết.

Những gì mydubly không làm, và chuyện quyền riêng tư

Để khỏi mất thời gian tìm kiếm, đây là những việc mydubly không làm với ghi âm tiếng Việt:

• Không có chế độ gõ trực tiếp khi bạn nói vào micro; chỉ xử lý tệp đã ghi.
• Không có ứng dụng điện thoại hay ứng dụng máy tính; mydubly là ứng dụng web, dùng qua trình duyệt.
• Không tự ghi tên người nói, không tóm tắt nội dung, không có giao diện sửa bản ghi. Bạn sửa tệp tải về bằng Word, Google Docs hay trình soạn thảo bất kỳ.
• Không nhận tệp dài quá 2 giờ; ghi âm hội thảo cả ngày cần cắt thành nhiều phần.

Ghi âm phỏng vấn, họp hay khám bệnh thường chứa thông tin cá nhân. Trước khi ghi, hãy xin phép người nói; khi lưu bản ghi, chỉ giữ những gì cần, và cân nhắc bỏ tên thật nếu bản ghi được chia sẻ rộng. Các quy định về bảo vệ dữ liệu cá nhân ở Việt Nam nói chung đều đặt nặng sự đồng ý và mục đích sử dụng; nếu bạn làm cho trường đại học, tòa soạn hay doanh nghiệp, hãy hỏi bộ phận phụ trách về quy định nội bộ. Về phía mydubly, tệp được gửi qua HTTPS, và âm thanh cùng kết quả bị xóa khỏi máy chủ trong vòng 30 phút sau khi việc hoàn tất.

Khi đã có bản ghi, bạn có thể dùng tiếp: làm phụ đề cho video theo bài tạo phụ đề tiếng Việt, hoặc xem các hướng dẫn khác trên trang mydubly tiếng Việt. Người làm báo và nghiên cứu có thể tham khảo thêm trang chép lời phỏng vấn (tiếng Anh).