Cách chuyển giọng nói thành văn bản miễn phí, chính xác

Công cụ phiên âm không nghe từ ngữ theo cách của bạn. Nó cắt dạng sóng thành các khung chồng lấn dài khoảng 25 mili giây, rồi biến mỗi khung thành một phổ đồ (spectrogram), tức bản đồ cho biết tần số nào đang lớn tại thời điểm đó. Mô hình âm học nhìn bản đồ này và ước đoán các âm tiếng nói đang có: tiếng xì của s, tiếng bật của t, hình dạng nguyên âm giúp phân biệt ship với sheep. Riêng bước này chỉ cho ra một chuỗi âm có khả năng xảy ra, chưa phải văn bản đọc được.

Mô hình ngôn ngữ sửa phần lớn vấn đề đó. Nó biết chuỗi từ nào thường gặp trong câu thật, nên khi các âm có thể là recognize speech hoặc wreck a nice beach, ngữ cảnh sẽ quyết định. Các hệ thống cũ tách riêng hai phần này và huấn luyện trên dữ liệu hạn chế, được đọc cẩn thận, vì thế phần mềm đọc chính tả thập niên 2010 hay vấp với giọng vùng miền và lối nói đời thường.

Tháng 9 năm 2022, OpenAI phát hành Whisper, một mô hình mở được huấn luyện trên khoảng 680.000 giờ âm thanh đa ngôn ngữ thu thập từ web. Nó gộp phần âm học và phần ngôn ngữ vào một mạng duy nhất, đọc từng cửa sổ 30 giây và viết thẳng ra văn bản có dấu câu. Các mô hình thuộc họ này giúp giọng có accent, từ vựng pha trộn và bản ghi thực tế lộn xộn dễ dùng hơn nhiều, và phần lớn dịch vụ phiên âm miễn phí hiện nay, kể cả công cụ trên trình duyệt, chạy thứ gì đó tương tự. Tuy vậy chúng vẫn đoán, và khi âm thanh không rõ thì chúng đoán rất trôi chảy, khiến lỗi khó phát hiện hơn.

Độ chính xác thường được đo bằng tỉ lệ lỗi từ: phần trăm từ bị thay, bỏ sót hoặc bịa ra so với bản phiên âm cẩn thận của con người. Tỉ lệ lỗi 5% nghĩa là cứ hai mươi từ có một lỗi, nghe có vẻ nhỏ cho đến khi bạn nhận ra lỗi thường rơi đúng vào những từ quan trọng như họ tên, mã sản phẩm hay con số trong buổi bàn ngân sách.

Các yếu tố dưới đây được xếp gần đúng theo mức độ gây hại. Lưu ý gần như tất cả đều được quyết định lúc ghi âm chứ không phải lúc phiên âm. Đưa điện thoại từ giữa bàn lại gần người nói trong tầm tay thường hiệu quả hơn bất kỳ cài đặt nào bạn chỉnh sau đó.

Hầu hết bản ghi có thể tải lên nguyên trạng. Việc chuẩn bị đáng làm trong ba trường hợp: tệp quá dài hoặc quá nặng, lời nói bị chôn dưới khoảng lặng hoặc nhạc, hoặc âm lượng thấp đến mức phải vặn hết cỡ mới nghe được. Đoạn im lặng dài ở đầu không chỉ tốn thời gian, vì tự động nhận diện chọn ngôn ngữ từ 30 giây đầu và có thể đoán theo tiếng ồn phòng hoặc nhạc dạo. Cắt bản ghi chỉ còn phần có lời nói, hoặc đặt Bắt đầu từ để bỏ qua đoạn đó, sẽ tránh được lỗi này.

Hiếm khi cần chuyển định dạng. Ghi nhớ giọng nói trên iPhone là M4A (âm thanh AAC), máy ghi âm Android tạo M4A, AAC hoặc 3GP, còn ứng dụng ghi cuộc gọi thường tạo AMR; tất cả đều có thể tải lên trực tiếp. Chuyển tệp đã nén sang WAV không khôi phục chi tiết đã mất lúc ghi, như phần so sánh trong hướng dẫn về MP3, WAV, FLAC và AAC đã giải thích, nên chỉ chuyển khi công cụ từ chối định dạng. Với bản ghi dài nhiều giờ, hãy chia ở chỗ nghỉ tự nhiên như giờ giải lao hoặc khi đổi chủ đề, để mỗi phần nằm trong giới hạn tải lên và dễ đọc soát hơn.

Hãy chọn đầu ra theo việc sẽ làm tiếp. Nếu bạn định đọc, trích dẫn hoặc tìm kiếm trong bản phiên âm, văn bản thuần hoặc Word là phù hợp; Word giữ đoạn văn, mốc thời gian và nhãn người nói theo bố cục dễ chỉnh sửa, còn PDF dùng để gửi bản cố định không ai được sửa. Nếu chữ sẽ hiện trên màn hình trên video, bạn cần tệp phụ đề: SRT hoặc VTT chia lời nói thành các đoạn ngắn, mỗi đoạn có thời điểm bắt đầu và kết thúc, và độ dài dòng quyết định lượng chữ vừa màn hình. Bốn mươi hai ký tự mỗi dòng là chuẩn phổ biến trong truyền hình.

SRT và VTT chứa cùng thông tin với vài khác biệt nhỏ. SRT, từ chương trình SubRip cũ, đánh số từng đoạn và ghi thời gian bằng dấu phẩy (00:01:15,000). WebVTT là định dạng của W3C cho video HTML5; nó bắt đầu bằng tiêu đề WEBVTT, dùng dấu chấm trong thời gian và cho phép định kiểu, định vị. YouTube, Vimeo, Premiere Pro và DaVinci Resolve đều nhận cả hai. JSON có thời gian từng từ dành cho nhà phát triển làm tìm kiếm, hiệu ứng làm nổi chữ kiểu karaoke hoặc bố cục phụ đề riêng.

Trước khi tải gì lên, hãy xem thiết bị của bạn đã làm được gì. Apple thêm bản phiên âm vào ứng dụng Voice Memos từ iOS 18, nên bản ghi trên iPhone đời mới có thể hiện chữ ngay trong ứng dụng. Ứng dụng Recorder của Google trên điện thoại Pixel phiên âm khi đang ghi từ năm 2019, hoàn toàn trên thiết bị, và phân biệt được người nói. Trong Microsoft 365, Word trên web có lệnh Transcribe cạnh Dictate, nhận tệp MP3, M4A, WAV và MP4 tải lên với số phút tải lên được cấp mỗi tháng. Voice typing của Google Docs (trong Tools, trên Chrome) chỉ nghe micro trực tiếp, không đọc được tệp có sẵn.

Nền tảng họp là một nguồn khác. Zoom, Microsoft Teams và Google Meet có thể tạo bản phiên âm cuộc họp khi bật phiên âm và gói hoặc tổ chức của bạn cho phép, còn các trợ lý như Otter.ai tham gia cuộc họp để ghi chú. Những cách này tiện cho cuộc họp do bạn tổ chức, nhưng mỗi cái chỉ chạy trong ứng dụng của nó, cần sự đồng ý của mọi người để ghi âm và xuất theo định dạng riêng. Với tệp bạn đã có, như buổi phỏng vấn cũ, bản ghi bài giảng hay tin nhắn thoại người khác chuyển tiếp, công cụ phiên âm theo tệp thường đơn giản hơn.

Công cụ trên trình duyệt bù lại những gì tùy chọn có sẵn còn thiếu: tệp từ bất kỳ thiết bị nào, đầu ra phụ đề và các ngôn ngữ điện thoại của bạn không hỗ trợ. Trên trang chuyển giọng nói thành văn bản, thêm tệp, để Ngôn ngữ nói ở Tự động nhận diện hoặc tự chọn ngôn ngữ, chọn Đầu ra, và bật Mốc thời gian hoặc Nhãn người nói nếu cần. Ghi nhớ giọng nói từ iPhone có trang riêng chuyển M4A sang văn bản, còn podcast hoặc tệp từ máy ghi âm có chuyển MP3 sang văn bản; cả hai dùng cùng một công cụ. Mỗi tệp tối đa 95 MB, khoảng một tiếng rưỡi MP3 128 kbps. Với bản dài hơn, dùng Bắt đầu từ và Kết thúc tại để phiên âm từng phần, hoặc cắt bản ghi trước.

Hãy kỳ vọng thực tế. Một người nói với micro tạm ổn trong phòng yên tĩnh thường đạt đúng 90–95% trở lên, thường đủ tốt để đăng sau khi chỉnh nhẹ. Điện thoại đặt trên bàn trong nhà hàng đông, cuộc họp trực tuyến chập chờn hoặc buổi tọa đàm mọi người ngắt lời nhau có thể thấp hơn nhiều, thiếu cả câu. Nhãn người nói đáng tin khi giọng khác biệt rõ và mọi người lần lượt nói, và chúng nhầm hai giọng giống nhau thường xuyên hơn bạn nghĩ.

Hãy đọc soát khi mở âm thanh, đừng chỉ nhìn văn bản, vì mô hình hiện đại viết câu đúng ngữ pháp ngay cả khi sai. Kiểm tra mọi tên riêng, vì mô hình không biết đồng nghiệp của bạn viết là Caitlin hay Katelyn. Kiểm tra mọi con số: fifteen và fifty, ngày tháng, giá tiền và phần trăm rất dễ nghe nhầm. Chú ý các từ đồng âm như their/there, affect/effect và complement/compliment, cũng như những chỗ điền chữ rất tự tin khi âm thanh không rõ. Mốc thời gian giúp việc này nhanh, vì bạn nhảy được tới đúng lúc câu đáng ngờ được nói.

Bản ghi âm thường chứa nhiều thông tin cá nhân hơn tài liệu: giọng nói, tên, chi tiết sức khỏe, mức lương. Trước khi tải lên, hãy biết tệp đi đâu và lưu bao lâu. Trên UltKit, tệp tải lên được xử lý trên máy chủ và tự động xóa 30 phút sau khi xử lý; không cần tài khoản nên không có gì gắn với tên bạn. Pixel Recorder hoạt động ngoại tuyến nên âm thanh không rời điện thoại. Với nội dung thuộc thỏa thuận bảo mật hoặc đặc quyền y tế, pháp lý, hãy kiểm tra chính sách của tổ chức trước; một số nơi yêu cầu dịch vụ được phê duyệt và có hợp đồng.

Hỗ trợ ngôn ngữ rộng nhưng không đồng đều. Công cụ phiên âm bao gồm 33 ngôn ngữ, trong đó có tiếng Anh, Tây Ban Nha, Pháp, Đức, Bồ Đào Nha, Ả Rập, Hindi, Nhật, Hàn, Trung và Ukraina, và kết quả tốt nhất ở các ngôn ngữ có nhiều dữ liệu huấn luyện nhất. Tự động nhận diện chọn một ngôn ngữ cho mỗi tệp. Nếu cuộc họp chuyển qua lại giữa hai ngôn ngữ, hãy phiên âm từng đoạn riêng và tự đặt ngôn ngữ. Bản phiên âm luôn được viết bằng ngôn ngữ được nói; dịch là một bước riêng bạn làm sau trên văn bản.

Hầu hết bản phiên âm lỗi quy về vài nguyên nhân, và cách sửa thường nằm ở tệp hoặc một cài đặt chứ không phải thử dịch vụ khác. Nếu chính âm thanh quá kém để bạn nghe thoải mái, máy cũng sẽ vất vả không kém, và tự gõ ngắn các đoạn chính có thể nhanh hơn sửa một bản tự động dài.