Vì Sao Phần Mềm Nhận Diện Giọng Nói Tiếng Việt Lẫn Tiếng Anh Hay Sai — Và Cách Chọn Đúng

Bạn đang nói chuyện với AI hay ghi chú, tự nhiên chêm vài từ tiếng Anh giữa câu — "cái deadline này", "check lại function đó giúp mình", "commit xong chưa" — rồi nhìn lại màn hình thấy chữ hiện ra sai lung tung ngay đúng chỗ đó. Đây không phải bạn xui, mà là vấn đề rất phổ biến của phần mềm nhận diện giọng nói tiếng Việt lẫn tiếng Anh: hầu hết đều nghe tốt khi bạn nói thuần một ngôn ngữ, nhưng cứ trộn vào là bắt đầu đoán sai.

Phần mềm nhận diện giọng nói tiếng Việt lẫn tiếng Anh khó ở đâu

Lý do không nằm ở việc nhà phát triển làm ẩu, mà nằm ở chính bản chất hai ngôn ngữ. Tiếng Việt có sáu thanh điệu quyết định nghĩa của từ, còn tiếng Anh thì không — khi bạn phát âm một từ tiếng Anh theo phản xạ tiếng Việt (và ngược lại), mô hình nhận diện rất dễ đoán nhầm. Ví dụ điển hình: nguyên âm đôi "er" trong tiếng Anh thường bị người Việt phát âm gần giống âm "ây", khiến máy không chắc nên hiểu theo hướng nào.

Thêm vào đó, hai ngôn ngữ có khá nhiều phụ âm và nguyên âm nghe gần giống nhau — các âm như p, b, m, n, i xuất hiện ở cả hai ngôn ngữ nhưng phát âm hơi khác. Khi chúng đứng cạnh nhau trong cùng một câu, mô hình càng khó phân định đâu là ranh giới chuyển ngôn ngữ. Phần lớn phần mềm phổ biến hiện nay được tối ưu cho một ngôn ngữ chính, xử lý việc chuyển đổi ngôn ngữ giữa câu chỉ là tính năng phụ, không phải thế mạnh của chúng.

Con số chứng minh đây không phải cảm giác của riêng bạn

Con số cụ thể cho thấy rõ mức chênh lệch: với các câu có chuyển ngôn ngữ giữa chừng, mô hình Whisper gốc (chưa tối ưu cho tiếng Việt) sai tới khoảng 59% số từ. Ngay cả PhoWhisper — bản Whisper đã huấn luyện thêm cho tiếng Việt — vẫn sai gần 28% số từ trong những câu kiểu này. Nói cách khác, cứ khoảng bốn từ trong câu trộn ngôn ngữ của bạn thì có thể một từ bị nhận sai, kể cả với những mô hình được xem là khá tốt cho tiếng Việt.

Nếu một công cụ nhận diện giọng nói làm bạn thất vọng khi nói xen hai thứ tiếng, nhiều khả năng vấn đề nằm ở chính engine đang dùng, không phải do bạn nói không rõ hay không đủ chuẩn.

Tốc Ký giải quyết khác ở đâu

Thay vì tự huấn luyện một mô hình mới để giải bài toán khó này từ đầu, Tốc Ký — phần mềm gõ văn bản bằng giọng nói mã nguồn mở của Mecode chọn hướng thực dụng hơn: để bạn tự chọn dịch vụ nhận diện giọng nói đã được các nhà cung cấp chuyên nghiệp tối ưu sẵn, thay vì bị ép dùng một engine duy nhất không hợp với cách bạn nói.

Ba lựa chọn hiện có mỗi cái mạnh một kiểu. Deepgram tặng 200 đô tín dụng miễn phí (khoảng 690 giờ nói), khá ổn nhưng hơi đuối khi câu trộn nhiều tiếng Anh. Soniox không có tín dụng miễn phí nhưng giá chỉ 0,12 đô mỗi giờ, và theo trải nghiệm thực tế thì đây là lựa chọn nghe mượt nhất trong ba. AssemblyAI tặng 50 đô tín dụng (khoảng 333 giờ), chính xác với tiếng Anh thuần nhưng chưa hỗ trợ đầy đủ streaming cho ngôn ngữ của chúng ta. Vì API key do chính bạn cấu hình, bạn có thể đổi qua đổi lại giữa các dịch vụ này để tìm ra cái nghe đúng giọng và cách nói của mình nhất — điều mà các app đóng gói sẵn một engine duy nhất không cho phép bạn làm. Nếu bạn muốn nhìn toàn cảnh Tốc Ký so với các ứng dụng voice typing đóng kín khác đang có trên thị trường, bài so sánh Tốc Ký với SuperWhisper và Wispr Flow đi sâu hơn vào từng tiêu chí cụ thể.

Cách thử và chọn dịch vụ phù hợp với cách bạn nói

Mỗi người có cách trộn ngôn ngữ khác nhau — dân code hay chêm thuật ngữ kỹ thuật, dân văn phòng hay chêm từ chuyên ngành, có người nói nhanh có người nói chậm rãi, có người ngắt câu liên tục, có người nói một mạch dài. Vì vậy đừng chọn dịch vụ chỉ dựa vào review chung chung trên mạng, mà nên tự thử trực tiếp bằng chính cách bạn hay nói hàng ngày, trong đúng bối cảnh công việc thật của mình.

Cách thử đơn giản nhất: bắt đầu bằng gói miễn phí của một dịch vụ, nói vài đoạn giống hệt cách bạn làm việc hàng ngày — có xen thuật ngữ tiếng Anh, có ngắt quãng, có sửa ý giữa chừng — rồi xem tỷ lệ sai ở mức chấp nhận được không. Nếu chưa ưng, đổi sang dịch vụ khác cũng chỉ mất vài phút cấu hình lại API key trong Tốc Ký, không phải cài lại từ đầu hay mất phí chuyển đổi gì cả. Đây chính là lợi thế của việc dùng một ứng dụng cho phép tự do chọn nhà cung cấp, thay vì bị khóa cứng vào một lựa chọn duy nhất ngay từ đầu, giống như nhiều app đóng gói sẵn khác đang buộc người dùng phải chấp nhận.

Câu hỏi thường gặp

Tại sao không có phần mềm nào nhận diện chính xác 100% khi nói xen hai ngôn ngữ? Vì việc chuyển ngôn ngữ giữa câu vẫn là bài toán khó ngay cả với các mô hình hiện đại nhất, do khác biệt về thanh điệu và âm chồng lấn. Chọn đúng dịch vụ có thể giảm đáng kể tỷ lệ sai, nhưng khó về 0% tuyệt đối.

Dịch vụ nào nghe mượt nhất hiện nay? Theo trải nghiệm thực tế với Tốc Ký, Soniox thường nghe mượt nhất với câu trộn ngôn ngữ, nhưng mỗi người nói khác nhau nên vẫn nên tự thử trước khi chọn cố định.

Có cần biết kỹ thuật để đổi dịch vụ không? Không cần. Chỉ cần đăng ký tài khoản ở dịch vụ đó, lấy API key rồi dán vào phần cấu hình của Tốc Ký — không cần biết lập trình.

Whisper có phải lựa chọn tốt cho trường hợp này không? Whisper bản gốc không tối ưu riêng cho tiếng Việt nên sai khá nhiều. Các bản phái sinh như PhoWhisper cải thiện đáng kể nhưng vẫn chưa bằng các dịch vụ thương mại chuyên biệt. Nếu bạn muốn tìm hiểu sâu hơn về Whisper, PhoWhisper và các mô hình nhận diện giọng nói mã nguồn mở khác, bài phần mềm nhận diện giọng nói mã nguồn mở miễn phí có bảng so sánh chi tiết.

Đổi dịch vụ nhận diện có mất cấu hình cũ không? Không. Các thiết lập khác của Tốc Ký (chế độ AI viết lại, phím tắt) vẫn giữ nguyên, bạn chỉ đổi đúng phần API key của dịch vụ nhận diện.

Nếu bạn đã chán cảnh sửa lại câu chữ mỗi lần nói xen tiếng Anh, tải Tốc Ký miễn phí và tự chọn dịch vụ hợp với cách bạn nói nhất — vài chục giờ dùng thử miễn phí đầu tiên đủ để bạn biết ngay có đáng đổi hẳn sang hay không.