Điểm chính cần nhớ
Không có một con số chính xác duy nhất, và bất kỳ số liệu nào bạn từng đọc được cũng chỉ mô tả một hệ thống được đo trên một bản ghi âm cụ thể. Âm thanh sạch, một người nói, khác xa một cuộc trò chuyện nhóm ồn ào đến mức không có tỷ lệ phần trăm nào áp dụng được cho cả hai. Thứ quyết định kết quả bạn nhận được chính là bản ghi âm đó: khoảng cách micro, tiếng ồn xung quanh, giọng nói chồng lấp, và mức độ phổ biến của chất giọng. Lỗi cũng không rải đều mà tập trung thành từng cụm, nên phần lớn bản chuyển văn bản đọc vẫn ổn, còn tên riêng, thuật ngữ chuyên ngành, số liệu và những đoạn nói chồng lên nhau thì dễ sai. Nếu chỉ để tìm lại một đoạn nào đó, vậy là đủ dùng. Nhưng nếu để trích dẫn, hãy đối chiếu từng câu với bản ghi âm gốc.
Có lẽ bạn đã từng thấy một công cụ chuyển giọng nói thành văn bản nào đó gắn kèm một con số phần trăm. Đó là một số liệu đo được thật, chỉ là nó không đo được điều sẽ xảy ra khi bạn đưa file ghi âm của chính mình vào công cụ đó. Coi nó như một lời hứa chắc chắn chính là cách khiến người ta thất vọng vào đúng lúc không nên.
Câu hỏi đáng quan tâm không phải là AI phiên âm chính xác đến mức nào nói chung. Mà là bản chuyển văn bản bạn nhận được có đủ tốt cho việc bạn định dùng nó hay không. Đây là hai câu hỏi khác nhau, có câu trả lời khác nhau, vì cùng một file ghi âm có thể hoàn toàn ổn để tìm lại một đoạn, nhưng lại không dùng được để trích dẫn nguyên văn.
Một con số chính xác chỉ đo một bản ghi âm, không đo cả hệ thống
Bất kỳ tuyên bố về độ chính xác nào cũng là kết quả của việc chạy một hệ thống cụ thể trên một đoạn âm thanh cụ thể. Đổi âm thanh, con số đó cũng đổi theo. Đây không phải là lỗi của phép đo. Đó chính là bản chất của phép đo.
Hãy tưởng tượng hai đầu của thang đo. Một người nói, ở gần micro, trong phòng yên tĩnh, dùng chất giọng phổ biến, nói về những chuyện đời thường. Bản ghi đó sẽ được chuyển văn bản rất tốt. Giờ tưởng tượng bốn người ngồi quanh bàn, trong phòng có máy lạnh đang chạy, nói chen ngang nhau, dùng những từ viết tắt riêng của ngành, hai người trong số đó ngồi cách điện thoại một mét rưỡi. Bản ghi đó sẽ tệ hơn nhiều. Cả hai đều là kết quả đo trung thực của cùng một hệ thống. Một con số duy nhất không thể mô tả cả hai trường hợp, và khoảng cách giữa chúng lớn đến mức lấy trung bình cũng chẳng có ý nghĩa gì.
Vậy nên khi bạn thấy một con số mà không biết nó được đo trên loại âm thanh nào, phần thông tin quan trọng nhất chính là phần bị thiếu đó. Tất cả những gì bạn thực sự biết được là ai đó đã thử nghiệm một cái gì đó. Cách kiểm chứng có ý nghĩa với bạn chính là dùng chất liệu của riêng bạn. Lấy vài phút ghi âm giống với những gì bạn thường làm việc, cho nó chạy qua công cụ, rồi đọc kết quả và đối chiếu với âm thanh gốc. Cách này cho bạn nhiều thông tin hơn bất kỳ số liệu công bố nào, mà lại mất ít thời gian hơn việc đọc các bài so sánh trên mạng.
Bản ghi âm ảnh hưởng đến kết quả nhiều hơn phần mềm
Nhiều người chọn công cụ bằng cách so sánh độ chính xác giữa các phần mềm. Với phần lớn bản ghi âm, đó là cách nhìn sai vấn đề. Điều kiện thu âm quyết định kết quả nhiều hơn việc bạn chọn công cụ nào.
- Khoảng cách micro. Mỗi chút khoảng cách tăng thêm sẽ mang vào nhiều tiếng phòng và ít giọng nói hơn. Điện thoại để giữa bàn giữa hai người là một bản ghi hoàn toàn khác so với điện thoại đặt trước mặt một người.
- Tiếng ồn xung quanh. Tiếng xe cộ, quán cà phê, quạt máy, tiếng gõ bàn phím. Tiếng ồn không chỉ nằm phía sau lời nói, nó còn cạnh tranh trực tiếp với lời nói, và những từ thua trong cuộc cạnh tranh đó thường là những từ nhỏ nằm ở cuối câu.
- Giọng nói chồng lấp. Khi hai người nói cùng lúc, không có tín hiệu sạch nào để chuyển thành văn bản. Hệ thống vẫn sẽ ghi ra một thứ gì đó, và thường đó là sự trộn lẫn của cả hai giọng.
- Mức độ phổ biến của chất giọng. Một số chất giọng được đại diện tốt hơn nhiều trong dữ liệu mà các hệ thống này học được, còn những chất giọng ít phổ biến sẽ cho kết quả kém hơn dù âm thanh có sạch như nhau.
Các công cụ thực sự có khác biệt với nhau, và nếu chất liệu của bạn luôn khó theo một kiểu nhất định, dành một buổi chiều thử vài công cụ là việc đáng làm. Nhưng khoảng cách giữa hai công cụ tốt trên cùng một bản ghi âm thường nhỏ hơn khoảng cách giữa âm thanh tốt và âm thanh tệ trên cùng một công cụ. Đưa micro lại gần hơn mang lại lợi ích lớn hơn việc đổi sang sản phẩm khác. Nếu muốn hiểu phần mềm đang làm gì với dữ liệu bạn đưa vào, hãy xem qua cách AI phiên âm hoạt động để biết vì sao những điều kiện này lại quan trọng.
Lỗi không rải đều trong toàn bộ file
Đây là phần khiến nhiều người bất ngờ, và nó quan trọng hơn con số phần trăm trên tiêu đề. Lỗi tập trung thành từng cụm. Phần lớn bản chuyển văn bản ra rất sạch, còn lỗi tập trung ở vài chỗ có thể đoán trước: tên riêng, từ ngữ chuyên ngành, số liệu, và những đoạn người nói chồng lên nhau.
Hãy nghĩ về điều này ảnh hưởng đến việc đọc như thế nào. Một trang hội thoại bình thường được chuyển văn bản tốt và đọc trôi chảy. Rồi đến một họ tên, hoặc tên sản phẩm, hoặc một con số, và nó bị sai. Không có gì trên trang đánh dấu sự khác biệt đó. Từ sai nằm cùng kiểu chữ tự tin như những từ đúng, giữa những câu hoàn toàn chính xác — và chính bối cảnh đó khiến lỗi trông có vẻ hợp lý. Một bản chuyển văn bản có thể đọc rất trơn tru mà vẫn sai đúng vào những chỗ bạn định dùng.
Có lý do khiến những nhóm lỗi này thường đi cùng nhau. Các từ thông thường bị ràng buộc bởi mọi thứ xung quanh, nên khi hệ thống nghe sai một từ, nó vẫn có thể suy ra đúng nhờ ngữ cảnh. Tên riêng không bị ràng buộc như vậy; gần như âm thanh nào cũng có thể là tên của ai đó, và không có quy tắc ngữ pháp nào loại trừ một dự đoán sai. Thuật ngữ chuyên ngành cũng gặp vấn đề tương tự, thêm vào đó là việc một từ thông dụng thường nghe gần giống đến mức dễ bị thay thế cho từ chuyên môn. Số liệu là trường hợp rõ nhất, vì một sự khác biệt nhỏ về âm thanh tạo ra một giá trị hoàn toàn khác, mà câu vẫn đọc trôi như thường.
Dấu câu chỉ là một phép suy đoán về việc câu kết thúc ở đâu
Dấu câu tự động không phải là phiên âm. Đó là một phép suy luận dựa trên khoảng ngắt, ngữ điệu và nhịp nói, để đoán xem một ý kết thúc ở đâu và ý tiếp theo bắt đầu từ đâu. Phần lớn thời gian, phép đoán đó đúng, hoặc đúng đến mức không ai để ý.
Còn khi nó sai, ý nghĩa câu sẽ thay đổi. Một dấu chấm đặt nhầm giữa mệnh đề có thể tách phần bổ sung ra khỏi thứ nó đang bổ sung, khiến một câu nói có tính dè dặt trở nên khẳng định chắc chắn, và một câu điều kiện trở thành một tuyên bố. Từng từ riêng lẻ vẫn có thể đúng, nhưng cả câu lại nói ra điều người nói không hề nói. Loại lỗi này vô hình trên trang giấy, vì không có gì để nhận ra. Bạn không thể tự soát lỗi này chỉ bằng cách đọc lại bản chuyển văn bản. Chỉ có bản ghi âm gốc mới xác nhận được điều đó.
Nhãn người nói cũng có một điểm yếu tương tự. Chúng thường đúng trong suốt đoạn một người nói liên tục, và kém tin cậy nhất ngay tại điểm chuyển giao giữa hai người, đúng chỗ một câu chen ngang ngắn có thể bị gán nhầm cho người khác. Nếu bạn định trích một câu gần chỗ đổi người nói, đó là đoạn cần nghe lại.
Xác định tiêu chuẩn dựa vào mục đích sử dụng bản chuyển văn bản
Câu hỏi không phải là bản chuyển văn bản có chính xác hay không. Mà là nó có đủ chính xác cho công việc cụ thể hay không, và công việc đó thay đổi nhiều hơn người ta tưởng.
Nếu bạn dùng bản chuyển văn bản để tìm lại một đoạn nào đó, vài lỗi rải rác không quan trọng. Bạn tìm một từ khóa, tìm đúng gần phút cần tìm, rồi bấm nghe bản ghi âm. Bản chuyển văn bản đã hoàn thành nhiệm vụ dù có một tên riêng bị viết sai ba dòng phía trên. Điều này cũng đúng khi bạn lướt qua một giờ ghi âm để chọn ra hai mươi phút đáng nghe kỹ, hoặc khi bạn chuyển âm thanh ghi âm thành văn bản để đọc nhanh hơn nghe.
Nếu bản chuyển văn bản sẽ được trích dẫn, xuất bản, lưu hồ sơ, hoặc được ai đó không có mặt tại buổi ghi âm dựa vào, tiêu chuẩn sẽ khác hẳn, và không thể thỏa hiệp. Mọi câu bạn định dùng phải được đối chiếu với bản ghi âm, từng câu một. Không phải đọc lướt qua toàn bộ tài liệu, mà là nghe lại có mục tiêu từng đoạn được trích dẫn, vì những kiểu lỗi kể trên chính là những lỗi mà đọc lướt không thể phát hiện. Điều này càng quan trọng với bất kỳ câu nào mà số liệu hoặc tên riêng mang trọng lượng chính của câu.
Với một tài liệu làm việc, dùng một ứng dụng là hướng đi hợp lý. SozAI, có trên iOS, Android và macOS, chuyển các bản ghi âm, file âm thanh và video, cùng đường link YouTube, thành văn bản có nhãn người nói, tóm tắt và dịch sang hơn 99 ngôn ngữ — nhưng bạn vẫn cần đối chiếu các câu trích dẫn với bản ghi âm gốc, giống như với mọi kết quả tự động khác.
Khi chính bản chuyển văn bản là sản phẩm giao nộp cuối cùng, dịch vụ phiên âm do con người thực hiện là lựa chọn phù hợp. Chúng đắt hơn vì có một người thật ngồi nghe, và đó chính xác là điều bạn đang trả tiền cho: một người nghe đúng tên riêng và viết đúng, biết câu kết thúc ở đâu, và đánh dấu đoạn thực sự không nghe rõ thay vì đoán bừa. Nếu tài liệu này được gửi cho khách hàng, tòa án, cơ quan lưu trữ hoặc đơn vị xuất bản, chi phí đó đang mua cho bạn một giá trị thật. Nếu bản chuyển văn bản chỉ là công cụ riêng để bạn tiếp cận âm thanh nhanh hơn, thì chi phí đó mua thứ bạn không cần.
Ghi âm lại lần hai tốt hơn sửa lỗi cả giờ đồng hồ
Cải thiện chất lượng thu âm hầu như luôn rẻ hơn cải thiện kết quả sau đó. Mười phút dành ra để đặt lại vị trí micro, đóng cửa sổ, tắt quạt và nhắc mọi người nói lần lượt sẽ tiết kiệm nhiều công sức hơn cả giờ sửa văn bản sau đó, và kết quả cũng tốt hơn, vì một bản chuyển văn bản đã sửa chỉ tốt bằng đúng mức độ kiên nhẫn còn lại của bạn lúc sửa xong.
Điều này dễ áp dụng nhất với những gì có tính lặp lại. Nếu bạn thường ghi âm cùng một kiểu hội thoại, chỉ cần một lần chú ý đến cách setup sẽ cải thiện mọi bản ghi âm sau đó. Điều này quan trọng nhất với các buổi phỏng vấn, nơi chất liệu thường không thể lặp lại và câu trích dẫn chính là mục đích chính; những vấn đề thực tế của phiên âm phỏng vấn phần lớn cũng chính là những vấn đề thực tế của việc ghi âm phỏng vấn.
Đôi khi không có cơ hội làm lại. Cuộc trò chuyện chỉ diễn ra một lần, điện thoại nằm trong túi áo, và đó là bản ghi âm duy nhất bạn có. Lúc đó, cách làm trung thực nhất là đừng mong phần mềm cứu vãn nó, mà nên dành thời gian sửa lỗi, hoặc giao cho một người phiên âm chuyên nghiệp. Âm thanh khó không tự nhiên trở nên dễ chỉ vì bạn cần nó phải dễ.
Nên chờ đợi điều gì khi mở file kết quả
Hãy chờ đợi một bản văn bản trôi chảy, dễ đọc, kèm vài danh từ bị sai. Hãy chờ đợi những đoạn người nói chồng lên nhau sẽ bị mỏng, lộn xộn hoặc thiếu mất một cách âm thầm. Hãy chờ đợi những lựa chọn dấu câu mà bạn sẽ không chọn như vậy, và nhãn người nói đúng phần lớn nhưng kém tin cậy tại các điểm chuyển giao. Đừng mong có cờ đánh dấu, không có phần bôi nổi bật, không có ký hiệu cho sự không chắc chắn. Toàn bộ tài liệu sẽ trông tự tin như nhau từ đầu đến cuối, nhưng sẽ không đúng như nhau từ đầu đến cuối.
Hãy chờ đợi tên riêng và thuật ngữ chuyên ngành cần được kiểm tra lại dù bản ghi âm có sạch đến đâu. Chúng vẫn sai cả trên âm thanh tốt, chỉ là ít hơn.
Và hãy giữ lại bản ghi âm gốc. Một bản chuyển văn bản tự động không thể tự kiểm chứng chính nó, và mọi cách kiểm tra quan trọng đều cần nghe lại. Một bản chuyển văn bản đi kèm bản ghi âm là công cụ làm việc đáng tin cậy. Một bản chuyển văn bản mà bản ghi âm đã bị xóa là tài liệu không ai kiểm chứng được, kể cả chính bạn.
