Ngày 26/8, Google công bố ba mô hình giọng nói mới: Gemini 3.5 Live, Live Experimental và Gemini 3.5 Transcribe. Điểm đáng chú ý không nằm ở chữ "3.5" mà ở hai con số: tỷ lệ lỗi nhận dạng giảm xuống 5,5% và thời gian xử lý giảm 70%.
Google vừa phát hành những gì
Bộ ba mô hình này chia nhau ba việc khác nhau, và trộn chúng vào một khái niệm "AI giọng nói" chung là cách nhanh nhất để hiểu sai bản tin.
Gemini 3.5 Live là mô hình chạy phía sau trợ lý hội thoại Gemini Live — thứ bạn nói chuyện trực tiếp, nghe trả lời bằng giọng nói, không gõ phím. Bản này được cải thiện ở ba điểm: xử lý tốt hơn khi người dùng ngắt lời giữa chừng, tiếp nhận được thông tin hình ảnh theo thời gian thực, và gọi được các công cụ bên ngoài để tra cứu hoặc thao tác thay vì chỉ trả lời bằng kiến thức có sẵn.
Live Experimental là phiên bản dành cho nhà phát triển. Nó không phải sản phẩm cho người dùng cuối mà là bản để đội kỹ thuật cắm vào ứng dụng của mình, thử nghiệm trước khi mọi thứ ổn định.
Gemini 3.5 Transcribe là mô hình thuần chuyển giọng nói thành văn bản, và đây là mô hình thay thế Chirp 3 — dòng mô hình nhận dạng giọng nói mà Google dùng trước đó. Nó không trò chuyện, không trả lời; việc của nó là nghe âm thanh rồi trả về chữ. Bản mới giảm 70% thời gian xử lý, hạ tỷ lệ lỗi nhận dạng từ 7,32% xuống 5,5%, lọc được từ đệm, cập nhật kết quả theo thời gian thực khi người dùng chỉnh sửa, và hỗ trợ 85 ngôn ngữ.
Tỷ lệ lỗi từ: con số này thật ra đo cái gì
Nếu bạn chưa từng làm việc với công nghệ nhận dạng giọng nói, con số "5,5%" dễ bị đọc nhầm thành "đúng 94,5% số câu". Không phải vậy.
Chỉ số tiêu chuẩn của ngành là tỷ lệ lỗi từ — đếm số từ mà máy chép sai, chép thiếu hoặc chép thừa so với bản ghi chuẩn do người làm, rồi chia cho tổng số từ. Ba loại lỗi này được cộng lại, nên về lý thuyết tỷ lệ có thể vượt quá 100% nếu máy chép ra nhiều chữ thừa.
Điều đó nghĩa là gì trong thực tế? Với một đoạn nói dài 200 từ — khoảng một phút rưỡi nói bình thường — tỷ lệ 7,32% tương ứng khoảng 15 từ sai. Ở 5,5% còn khoảng 11 từ. Nghe như một cải thiện nhỏ, nhưng công sức sửa lại không tỷ lệ thuận với số từ sai. Cái quyết định thời gian biên tập là bạn phải nghe lại bao nhiêu lần để tìm ra chỗ sai, và một bản chép ít lỗi hơn đồng nghĩa với ít lần phải tua lại hơn.
Cũng nên nói rõ giới hạn của loại số này. Tỷ lệ lỗi phụ thuộc nặng vào bộ dữ liệu dùng để đo: giọng chuẩn trong phòng thu cho kết quả khác hẳn giọng vùng miền trong quán cà phê ồn ào, hai người nói chồng tiếng nhau, hoặc bản ghi qua micro điện thoại đặt giữa bàn họp. Con số Google công bố là con số Google đo, trên dữ liệu Google chọn. Nó chỉ ra hướng đúng, không phải lời hứa cho bản ghi âm cụ thể của bạn.
Xử lý ngắt lời là phần khó nhất của hội thoại giọng nói
Trong ba cải tiến của bản Live, khả năng xử lý khi bị ngắt lời là phần dễ bị xem nhẹ nhưng khó nhất về kỹ thuật.
Một trợ lý giọng nói kiểu cũ hoạt động theo lượt: bạn nói xong, nó phát hiện bạn im, nó xử lý, nó trả lời. Cả chu trình đó giả định hội thoại diễn ra lịch sự và tuần tự. Người thật không nói chuyện như vậy. Người thật chen ngang giữa câu, nói "khoan đã", đổi ý giữa chừng, hoặc đệm "ừ, đúng rồi" trong lúc người kia đang nói mà không có ý cắt lời.
Mô hình phải phân biệt được ba tình huống đó: một tiếng đệm không cần dừng lại, một câu chen ngang cần dừng ngay, và một khoảng im lặng chỉ là người dùng đang nghĩ chứ chưa nói hết. Đoán sai theo hướng nào cũng khó chịu — hoặc trợ lý cứ nói bất chấp bạn đang cố cắt lời, hoặc nó ngắt lời bạn mỗi khi bạn thở.
Đây là lý do vì sao trải nghiệm trợ lý giọng nói vẫn chưa mượt dù chất lượng nhận dạng từ đã tốt từ lâu. Điểm nghẽn đã chuyển từ "nghe có ra chữ không" sang "biết lúc nào nên nói và lúc nào nên im".
85 ngôn ngữ và câu hỏi về tiếng Việt
Con số 85 ngôn ngữ là con số đáng chú ý nhất với người đọc ở Việt Nam, nhưng cần đọc nó một cách thận trọng.
Hai nguồn tin về đợt phát hành này đều nêu con số 85 mà không kèm danh sách chi tiết, và cũng không nói chất lượng phân bố ra sao giữa các ngôn ngữ. Trong thực tế, các mô hình đa ngôn ngữ gần như luôn có một nhóm ngôn ngữ được huấn luyện dày (tiếng Anh, tiếng Tây Ban Nha, tiếng Quan Thoại) và một nhóm dài phía sau với dữ liệu mỏng hơn nhiều. Tiếng Việt thường nằm ở khoảng giữa: đủ dữ liệu để hoạt động khá, nhưng chưa đủ để xử lý tốt giọng địa phương, từ chuyên ngành, hoặc thói quen trộn tiếng Anh vào câu tiếng Việt — thứ rất phổ biến trong môi trường công nghệ và văn phòng ở Việt Nam.
Cách kiểm chứng duy nhất đáng tin là tự thử trên chính loại âm thanh bạn định dùng. Nếu bạn định dùng để chép biên bản họp, hãy thử với một bản ghi họp thật, có nhiều người nói, có tiếng gõ bàn phím, có người ngồi xa micro. Nếu định dùng làm phụ đề video, thử trên một video đã có phụ đề chuẩn để đối chiếu. Một bài thử mười phút cho bạn nhiều thông tin hơn bất kỳ con số công bố nào.
Điều đáng quan tâm thêm với người dùng ở Việt Nam: các mô hình này đi kèm điều kiện triển khai theo khu vực, và Google chưa công bố thông tin về thời điểm cũng như phạm vi khả dụng cụ thể tại Việt Nam. Trong lúc chờ, nhóm kỹ thuật có thể tiếp cận qua bản Live Experimental dành cho nhà phát triển để đánh giá sớm.
Ai nên để mắt, và theo thứ tự nào
Nhóm hưởng lợi rõ nhất là những người đang phải trả tiền cho việc gõ lại lời nói thành chữ. Đó là các đơn vị làm phụ đề, các nhóm nghiên cứu thị trường phải chép hàng chục cuộc phỏng vấn, bộ phận chăm sóc khách hàng cần lưu bản ghi cuộc gọi, và các toà soạn phải chép lại phỏng vấn. Với nhóm này, mỗi điểm phần trăm lỗi giảm đi là thời gian biên tập tiết kiệm được, và có thể quy ra tiền.
Nhóm thứ hai là các đội sản phẩm đang xây tính năng giọng nói. Với họ, phần đáng thử là khả năng gọi công cụ bên ngoài của bản Live — nó cho phép một trợ lý giọng nói không chỉ trả lời mà còn thực hiện hành động, kiểu tra tình trạng đơn hàng rồi đọc kết quả ra.
Nhóm thứ ba, đông nhất, là người dùng thông thường — và với nhóm này lời khuyên thật ra là chưa cần làm gì cả. Những cải tiến kiểu này thường đến với bạn một cách âm thầm qua bản cập nhật ứng dụng, chứ không phải thứ bạn phải chủ động đi lấy.
Một lưu ý cần cân nhắc trước khi đưa vào quy trình làm việc: bản ghi âm cuộc họp nội bộ, cuộc gọi khách hàng hay tài liệu có thông tin cá nhân đều là dữ liệu nhạy cảm. Trước khi đẩy chúng qua bất kỳ dịch vụ chép lời nào chạy trên đám mây, doanh nghiệp nên đọc kỹ điều khoản về lưu trữ và sử dụng dữ liệu, và kiểm tra xem việc đó có vi phạm cam kết bảo mật với khách hàng của mình không.
Những gì vẫn chưa rõ
Bản tin về đợt phát hành này để trống khá nhiều chỗ quan trọng.
Chưa có thông tin về giá. Với một dịch vụ chép lời tính theo phút âm thanh, giá là yếu tố quyết định việc nó có thay thế được quy trình hiện tại hay không — nhanh hơn 70% mà đắt gấp đôi thì bài toán rất khác.
Chưa rõ 85 ngôn ngữ được hỗ trợ ở mức nào, và chất lượng chênh lệch ra sao giữa nhóm đầu và nhóm cuối danh sách.
Chưa rõ điều kiện đo tỷ lệ lỗi 5,5%: loại âm thanh nào, môi trường nào, có nhiều người nói cùng lúc không.
Và chưa rõ lộ trình khả dụng theo khu vực, trong đó có Việt Nam.
Dấu hiệu đáng theo dõi nhất trong vài tuần tới không phải thông cáo tiếp theo của Google, mà là các phép đo độc lập: khi những người làm phụ đề và các đội kỹ thuật bên ngoài chạy thử trên dữ liệu của chính họ và công bố kết quả, bạn sẽ biết con số 5,5% bền đến đâu ngoài phòng thí nghiệm.
Nguồn tham khảo
- 디지털투데이 — Google ra mắt bộ mô hình AI giọng nói Gemini 3.5 hỗ trợ 85 ngôn ngữ
- Investing.com Việt Nam — Google ra mắt mô hình chuyển giọng nói thành văn bản Gemini 3.5 Transcribe
