Những điều cần nhớ
Có, điều đó hoàn toàn khả thi, nhưng hiếm hơn nhiều so với những gì các quảng cáo vẫn nói. Chuyển giọng nói thành văn bản ngay trên thiết bị và chuyển giọng nói thành văn bản qua máy chủ là hai kiểu xây dựng phần mềm hoàn toàn khác nhau, không phải một tùy chọn bạn có thể bật tắt trong cài đặt. Phần lớn ứng dụng chọn cách xử lý qua máy chủ, vì mô hình xử lý cài ngay trên máy tốn dung lượng lưu trữ và chạy chậm hơn trên các thiết bị đời cũ. Khi một chính sách bảo mật cam kết mã hóa trong quá trình truyền dữ liệu, đó chỉ là lời hứa về đường truyền, không phải về nơi dữ liệu sẽ đi đến. Với bất kỳ công cụ nào, hãy hỏi ba điều: âm thanh có bị đưa ra khỏi thiết bị không, nó được lưu giữ trong bao lâu, và nó có bị dùng để huấn luyện mô hình nào không.
Nếu bạn đang giữ một bản ghi âm buổi trị liệu tâm lý, một cuộc gọi với luật sư, hay một cuộc họp mà nội dung chưa từng có ý định lộ ra ngoài, câu hỏi này không còn là chuyện lý thuyết nữa. Bạn muốn biết liệu file ghi âm đó có thể biến thành văn bản mà không để lại bản sao nào trên máy chủ của người khác. Câu trả lời là có, nhưng nó cụ thể hơn nhiều so với những gì đa số trang giới thiệu sản phẩm chịu nói rõ.
Phần dưới đây sẽ nói thẳng vào bản chất vấn đề: cái gì chạy trên thiết bị, cái gì không, tại sao lại có sự phân chia đó, và bạn cần hỏi gì trước khi tin tưởng giao cho bất kỳ công cụ nào đoạn âm thanh mà bạn không thể thu hồi lại được.
Xử lý trên thiết bị và xử lý qua máy chủ là hai cách xây dựng hoàn toàn khác nhau
Điều quan trọng nhất cần hiểu là đây không phải một tùy chọn quyền riêng tư mà ứng dụng cho bạn tự chọn. Xử lý giọng nói ngay trên điện thoại hay máy tính của bạn, và xử lý giọng nói trên một máy chủ ở xa, là hai kiến trúc phần mềm khác nhau. Một ứng dụng được xây dựng theo một trong hai hướng đó ngay từ đầu. Không có nút gạt ẩn trong phần cài đặt nào có thể chuyển công việc xử lý từ máy chủ về thiết bị của bạn, vì những thành phần cần thiết cho việc xử lý cục bộ đã được tích hợp sẵn trong ứng dụng hoặc không hề có.
Xử lý cục bộ nghĩa là một mô hình nhận diện giọng nói được lưu ngay trên thiết bị của bạn. Âm thanh được đưa vào mô hình đó tại chỗ, văn bản cũng xuất ra tại chỗ, không có gì cần phải di chuyển đi đâu cả. Xử lý qua máy chủ nghĩa là âm thanh của bạn được gửi đi nơi khác, xử lý trên phần cứng bạn không kiểm soát được, rồi văn bản được gửi trả về. Cả hai cách đều có thể được xây dựng tốt, và cả hai đều có thể bị làm ẩu. Nhưng chỉ có một cách giữ âm thanh nằm trong tay bạn, và bạn đang dùng cách nào là một sự thật về phần mềm, không phải về việc bạn đã cài đặt cẩn thận đến đâu.
Lý do phần lớn ứng dụng chọn hướng máy chủ không phải vì họ thờ ơ với quyền riêng tư của bạn. Một mô hình xử lý cục bộ phải được lưu trên thiết bị, và điều đó tốn dung lượng lưu trữ thật sự. Nó chạy bằng bộ xử lý mà thiết bị đang có, nghĩa là sẽ chậm hơn trên phần cứng đời cũ, và càng chậm hơn nữa với các file dài. Hai giới hạn đó đủ để đẩy phần lớn sản phẩm về phía máy chủ, nơi mô hình có thể lớn hơn, phần cứng chạy nhanh hơn, và người dùng không cần tải gì về máy. Sự đánh đổi đó chính là lý do vì sao lựa chọn riêng tư lại là lựa chọn hiếm gặp.
Mã hóa trong quá trình truyền dữ liệu chỉ nói về con đường, không nói về điểm đến
Đây chính là nơi nhiều người tưởng chừng cẩn thận vẫn bị đánh lừa cảm giác an toàn. Một chính sách bảo mật ghi rằng dữ liệu của bạn được mã hóa trong quá trình truyền. Câu đó gần như chắc chắn là đúng, nhưng nó không hề cho bạn biết liệu âm thanh của bạn có được xử lý trên máy chủ hay được lưu trữ ở đó sau đó hay không.
Mã hóa trong quá trình truyền nghĩa là kết nối giữa thiết bị của bạn và dịch vụ được bảo vệ trong lúc dữ liệu di chuyển. Đó là một tuyên bố về con đường đi. Nó hoàn toàn không mâu thuẫn với việc âm thanh của bạn đến được máy chủ, được xử lý ở đó, và nằm trong bộ nhớ lưu trữ suốt thời gian mà chính sách lưu giữ dữ liệu cho phép. Thậm chí, một lời cam kết về mã hóa trong quá trình truyền lại chính là một sự xác nhận âm thầm rằng có thứ gì đó đang được truyền đi. Âm thanh không hề rời khỏi thiết bị của bạn thì không cần một kết nối được bảo vệ, vì nó chẳng đi đâu cả.
Vì vậy khi đọc một trang mô tả về bảo mật, hãy tách riêng từng khẳng định. Bảo vệ đường truyền là một khẳng định. Nơi diễn ra việc xử lý là một khẳng định khác. Thời gian lưu giữ âm thanh là khẳng định thứ ba. Một trang có thể hoàn toàn trung thực về điều đầu tiên và im lặng tuyệt đối về hai điều còn lại, và bạn sẽ vô tình tin vào một điều mà trang đó chưa bao giờ nói ra.
Trình duyệt thực sự có thể làm gì mà không cần gửi file của bạn đi đâu
Có một nhóm công cụ thực sự xử lý file hoàn toàn ngay trong trình duyệt của bạn. Bạn mở một trang web, chọn một file, và mọi việc diễn ra ngay trong tab đó. Không có gì được tải lên. Đây không phải một cách nói marketing; đó là cách công cụ được xây dựng, và nó có nghĩa là file của bạn không hề rời khỏi máy.
Vấn đề nằm ở việc những công cụ đó có thể làm được gì. Xử lý cục bộ trong trình duyệt phù hợp với các công việc không cần mô hình nào cả: chuyển đổi giữa các định dạng phụ đề, dịch thời gian để phụ đề khớp với một video đã được cắt dựng lại, đếm số từ hoặc số ký tự trong một bản chép lời có sẵn. Đây đều là những phép biến đổi trên văn bản và dữ liệu thời gian. Chúng nhỏ, có kết quả xác định rõ ràng, và không cần gì ngoài chính file đó.
Biến giọng nói thành văn bản không thuộc loại công việc đó. Nó cần một mô hình nhận diện giọng nói, và một mô hình là thứ có kích thước lớn, phải đến từ đâu đó và phải được lưu ở đâu đó. Một trang web đề nghị chuyển giọng nói của bạn thành văn bản, trên thực tế, đang gửi âm thanh đó đến một máy chủ để xử lý. Trang web chỉ là giao diện; công việc thực sự diễn ra ở nơi khác. Nếu một công cụ trên trình duyệt có khả năng chuyển giọng nói thành văn bản, hãy mặc định là nó có tải lên, và hãy tìm chính sách lưu giữ dữ liệu thay vì tin vào lời trấn an.
Ba câu hỏi phân biệt câu trả lời thật với lời quảng cáo
Bạn không cần phải kiểm tra hạ tầng kỹ thuật của ai cả. Bạn cần ba câu trả lời, và cần đủ cả ba, vì một câu trả lời tốt cho câu hỏi này có thể đang che giấu một câu trả lời tệ cho câu hỏi khác.
- Âm thanh có bị đưa ra khỏi thiết bị không? Không phải câu “nó có an toàn không” hay “nó có được mã hóa không” – mà là nó có di chuyển đi hay không. Một dịch vụ xử lý trên máy chủ nên nói rõ điều này.
- Nó được lưu giữ trong bao lâu? Nếu âm thanh được gửi đi đâu đó, nó sẽ được lưu trữ ở đâu đó, ít nhất là trong một khoảng thời gian ngắn. Câu hỏi là khoảng thời gian đó là vài phút, vài ngày, hay kéo dài đến khi bạn yêu cầu xóa.
- Nó có được dùng để huấn luyện mô hình nào không? Xử lý âm thanh của bạn và học từ âm thanh của bạn là hai việc khác nhau. Một dịch vụ có thể trung thực về việc đầu tiên nhưng mơ hồ về việc thứ hai.
Nếu một trang chỉ trả lời câu hỏi đầu tiên, bạn mới nắm được một phần ba bức tranh. Nếu trang đó không trả lời câu nào cả và chỉ đưa ra những lời lẽ về mã hóa, hãy coi đó chính là một câu trả lời. Sự mơ hồ về thời gian lưu giữ hiếm khi là vô tình.
Áp dụng chuẩn đó vào đây: ứng dụng chuyển giọng nói thành văn bản SozAI xử lý qua máy chủ, nên âm thanh bạn ghi âm hoặc tải lên sẽ được gửi đi để xử lý, và chi tiết về việc lưu giữ và xử lý dữ liệu được nêu rõ tại trang bảo mật và xử lý dữ liệu. Còn các công cụ đếm và xử lý phụ đề miễn phí trên trang web là phần chạy hoàn toàn trong trình duyệt của bạn, và chúng không thực hiện việc chuyển giọng nói thành văn bản.
Xóa bản chép lời không có nghĩa là xóa luôn âm thanh
Đây là điều khiến không ít người vốn đã làm đúng mọi bước khác vẫn bị hớ. Bạn xử lý xong một bản ghi âm nhạy cảm, xóa bản chép lời khỏi ứng dụng, và mục đó biến mất khỏi danh sách của bạn. Cảm giác như thế là xong.
Bản chép lời và âm thanh gốc thường tuân theo hai chính sách lưu giữ hoàn toàn khác nhau. Xóa một bản chép lời khỏi ứng dụng chỉ xóa nó khỏi tầm nhìn của bạn trong ứng dụng đó. Âm thanh tạo ra bản chép lời đó vẫn nằm ở phía dịch vụ đã xử lý nó, theo chính sách lưu giữ mà dịch vụ đó áp dụng, và chính sách đó có thể không hề bị kích hoạt chỉ vì bạn bấm xóa một đoạn văn bản. Hai việc xóa đó là hai hành động khác nhau, và bạn chỉ nhìn thấy được một trong hai.
Vì vậy, nếu âm thanh gốc là điều bạn quan tâm, hãy tìm cụ thể câu trả lời về thời gian lưu giữ, trong chính sách quyền riêng tư hoặc bất cứ đâu dịch vụ đó ghi rõ điều này. Hãy tìm một khoảng thời gian được nêu rõ, hoặc một cách để yêu cầu xóa file gốc, không chỉ riêng phần văn bản đầu ra. Nếu bạn không tìm thấy cả hai, nghĩa là bạn chưa tìm được chính sách nào giải quyết đúng điều bạn đang lo lắng.
Bạn phải đánh đổi gì nếu nhất quyết chọn xử lý cục bộ
Nếu bạn quyết định rằng không có gì được phép rời khỏi thiết bị, chấm hết, đó là một lựa chọn hợp lý, nhưng đi kèm với một cái giá phải trả. Hãy hiểu rõ cái giá đó trước khi quyết định, vì sự thất vọng thường xuất hiện muộn, ngay giữa lúc bạn đang xử lý một file dài.
Mô hình phải nằm trên thiết bị của bạn, nên bạn phải trả giá bằng dung lượng lưu trữ. Nó phải chạy trên thiết bị của bạn, nên bạn phải trả giá bằng thời gian, và cái giá đó tăng lên trên phần cứng đời cũ và với các bản ghi âm dài. Một cuộc họp hai giờ không thể là công việc hai phút trên một chiếc điện thoại đã dùng vài năm. Không có cách nào để bỏ tiền ra giải quyết vấn đề này trong khuôn khổ kiến trúc cục bộ, vì bản chất của nó là không có một máy nào nhanh hơn được huy động vào.
Về độ chính xác, đừng vội tin vào một quy tắc chung theo hướng nào cả. Điều thực sự có thể khẳng định là một hệ thống cục bộ bị giới hạn bởi những gì vừa với thiết bị và những gì thiết bị có thể tính toán, còn hệ thống máy chủ thì không bị giới hạn như vậy. Việc điều đó có thể hiện rõ trong bản chép lời của bạn hay không phụ thuộc vào mô hình, bản ghi âm, giọng nói vùng miền, tiếng ồn xung quanh, và ngôn ngữ. Cách kiểm tra trung thực duy nhất là thử với chính âm thanh của bạn, trên công cụ bạn đang xem xét, trước khi phó thác cho nó một việc quan trọng.
Và có một hướng đi trung gian mà nhiều người bỏ qua: không phải bản ghi âm nào cũng cần được đối xử giống nhau. Buổi trị liệu tâm lý và cuộc họp giao ban buổi sáng không cần cùng một cách xử lý. Hoàn toàn hợp lý khi bạn dùng một công cụ xử lý qua máy chủ cho phần lớn công việc, và giữ lại một số bản ghi âm nhất định hoàn toàn tách biệt khỏi nó, tự chép lại bằng tay hoặc không chép lại gì cả. Việc xác định file nào thuộc nhóm nào thường là con đường nhanh hơn để bạn cảm thấy yên tâm, so với việc tìm kiếm một công cụ duy nhất đáp ứng được mọi trường hợp.
