Chuyển mười phút ghi âm thành văn bản trong vài giây nghe có vẻ hữu ích. Nhưng trước khi vỗ tay, chúng tôi muốn đọc bản chép lời đã.

Tether, công ty đứng sau đồng tiền ổn định USDT, đã phát hành mô hình chuyển giọng nói thành văn bản mang tên QVAC TranscribePsy. Lập trình viên có thể dùng nó để xây ứng dụng xử lý bản ghi âm ngay trên thiết bị, không gửi âm thanh lên máy chủ ở nơi khác.

Bỏ kính thông minh, robot hình người và những lời hứa lớn lao về quyền riêng tư đi, thông báo còn lại là thế này: phần mềm chép lại lời nói trên chính thiết bị của bạn. Không phải gửi nội dung trò chuyện lên máy chủ của người khác là một lợi ích thực sự. Nó không cho biết phần mềm chép lại chính xác đến đâu.

Nhanh mới chỉ là một nửa câu chuyện

Điều quan trọng là bản chép lời cần sửa nhiều hay ít. Cuộc họp thật hiếm khi diễn ra theo kịch bản gọn gàng. Người nói lí nhí, người chen ngang, rồi những cái tên lạ xuất hiện. Sai một con số có thể nghiêm trọng hơn thiếu mười dấu phẩy.

Tether có công bố kết quả về độ chính xác. Trong các thử nghiệm của hãng, mô hình hỗ trợ 25 ngôn ngữ có tỷ lệ lỗi ở cấp độ từ (WER) là 8,02% trên Open ASR và 21,56% trên Common Voice. Kết quả đến từ những bộ dữ liệu khác nhau, nên không thể coi hai con số là những phép đo độ chính xác tương đương.

Các số liệu ấy đáng xem xét. Chúng không nói được bạn sẽ phải sửa bao nhiêu ở bản chép lời cuộc họp tới. Chúng tôi chưa tự kiểm thử mô hình. Nếu bản chép lời cần sửa nhiều, xử lý nhanh hơn chỉ giúp bạn bắt tay vào sửa sớm hơn.

Còn con số 1,65 giây?

Tether cho biết mô hình chuyển mười phút âm thanh thành văn bản trong 1,65 giây trên iPhone 17 Pro Max. Tài liệu kỹ thuật có một điều kiện đáng chú ý: con số này không tính 12,7 giây khởi động nguội, khi mô hình được chuẩn bị để chạy.

Không phải bản ghi nào cũng chịu khoảng chờ khởi động ấy. Con số 1,65 giây nói về thời gian xử lý khi mô hình đã sẵn sàng, không phải toàn bộ thời gian chờ kể từ lúc mở lên từ đầu. Đây cũng là kết quả trên một mẫu điện thoại cụ thể, không phải lời hứa cho mọi chiếc máy.

Vẫn chưa chép lời ngay khi đang nói

Dù nói nhiều về tương tác thời gian thực, phần hỏi đáp kỹ thuật chính thức cho biết phiên bản này xử lý bản ghi hoặc lượt nói sau khi chúng kết thúc. Nhận dạng lời nói liên tục trong lúc người dùng đang nói vẫn đang được phát triển.

Các bản dựng sẵn cho điện thoại hỗ trợ tám ngôn ngữ. Bản hỗ trợ 25 ngôn ngữ, trong đó có tiếng Nga, là phiên bản riêng dành cho máy tính và máy chủ. Danh sách ngôn ngữ rộng hơn ấy không tự động áp dụng cho các bản di động hiện có.

Giờ thử một cuộc trò chuyện thật xem

Có thứ đáng thử ở đây: mô hình tải về được, xử lý ngay trên thiết bị, kết quả thử nghiệm công khai và giấy phép Apache 2.0 được ghi trong tài liệu mô hình. Lập trình viên có phần mềm thực sự để sử dụng.

Giờ hãy thử một cuộc trò chuyện có tiếng ồn và người nói chen nhau. Công bố bản chép lời, đếm số chỗ phải sửa, rồi so sánh với công cụ sẵn có trên cùng bản ghi. Phần mềm chuyển giọng nói thành văn bản phải chứng minh nó giúp bớt việc. Robot thì cứ chờ đã.