Tại sao tiếng Việt khó với ASR
Tiếng Việt đặt ra những thách thức riêng mà PM phải hiểu để đặt kỳ vọng đúng:
- Thanh điệu (6 thanh): "ma, má, mà, mả, mã, mạ" — sai thanh là sai nghĩa. ASR huấn luyện chủ yếu trên tiếng Anh xử lý thanh điệu kém.
- Phương ngữ: giọng Bắc, Trung, Nam khác nhau đáng kể. Mô hình huấn luyện lệch về giọng Hà Nội sẽ nhận giọng Nghệ An rất tệ.
- Tách từ mơ hồ: tiếng Việt viết rời từng âm tiết, một chuỗi âm có thể tách thành nhiều nghĩa.
- Từ mượn và tên riêng: "iPhone", "Grab", "Shopee", tên người — thường bị nhận sai.
WER — chỉ số PM bắt buộc phải đọc được
WER (Word Error Rate) = (Số từ Thay + số từ Xóa + số từ Chèn) / Tổng số từ trong câu chuẩn.
Ví dụ câu chuẩn: "đặt báo thức bảy giờ sáng" (5 từ). ASR ra: "đặt báo thức bảy giờ" — thiếu 1 từ (Xóa). WER = 1/5 = 20%.
Ghi nhớ:
- WER 5% = rất tốt (gần như con người).
- WER 10–15% = dùng được cho lệnh ngắn.
- WER > 25% = trải nghiệm gãy, người dùng bỏ.
Ngoài WER: những chỉ số bổ sung
- Entity Error Rate: tỉ lệ nhận sai các thực thể quan trọng (số điện thoại, tên, ngày giờ). Một câu sai 1 từ đệm không sao, nhưng sai số tiền chuyển khoản là thảm họa.
- Semantic accuracy: cuối cùng người dùng có được đúng việc không? Đôi khi WER cao nhưng NLU vẫn hiểu đúng ý.
- Confidence calibration: điểm tin cậy ASR có phản ánh đúng độ đúng thật không.
Ví dụ cụ thể
App ngân hàng bằng giọng nói. Người dùng nói: "Chuyển hai triệu năm trăm nghìn cho Hùng." ASR ra "Chuyển hai triệu năm trăm nghìn cho Hùng" — WER 0%. Nhưng nếu ra "Chuyển hai triệu năm mươi nghìn" thì WER chỉ ~11% (sai 1 từ) mà hậu quả tài chính khổng lồ. Bài học: với miền nhạy cảm, luôn đọc lại số tiền để xác nhận, đừng tin vào WER thấp.
Khung tư duy: cải thiện ASR tiếng Việt theo thứ tự ưu tiên
- Dữ liệu trước, mô hình sau: thu âm thật từ người dùng mục tiêu (đủ phương ngữ, đủ tiếng ồn) thường tăng chất lượng nhiều hơn đổi mô hình.
- Domain adaptation: thêm từ vựng riêng của sản phẩm (tên sản phẩm, tên đối tác) vào từ điển/biasing.
- Xử lý số và ngày giờ: dùng module chuẩn hóa (normalization) riêng cho tiếng Việt.
- Fallback bằng xác nhận: khi confidence thấp, hỏi lại thay vì đoán.
Checklist đánh giá một nhà cung cấp ASR
- [ ] Có báo cáo WER RIÊNG cho tiếng Việt, không phải trung bình toàn cầu
- [ ] Có tách chỉ số theo phương ngữ Bắc/Trung/Nam
- [ ] Cho phép custom vocabulary / biasing
- [ ] Hỗ trợ streaming (trả kết quả từng phần) để giảm độ trễ cảm nhận
- [ ] Trả về điểm confidence dùng được
- [ ] Có điều khoản dữ liệu rõ ràng (audio có bị dùng để train không)
Sai lầm thường gặp
- Tin vào WER quảng cáo của vendor: con số thường đo trên audio phòng thu, sạch, giọng chuẩn — không giống thực tế.
- Không phân tách chỉ số: bỏ sót nhóm người dùng phương ngữ bị phục vụ kém.
- Bỏ qua Entity Error Rate: tối ưu WER chung mà để lọt lỗi ở số tiền, số điện thoại.
- Không đầu tư dữ liệu thật: kỳ vọng mô hình chung giải quyết được đặc thù sản phẩm.