Cấp 1 (C1): Ghi âm tiếng Việt thành văn bản, đo được và hợp lệ

Cách đọc các nhãn nhỏ trong bài: Có nguồn điều được nêu trong tài liệu gốc; Đề xuất ý kiến hoặc thiết kế của SIPTech; Minh họa ví dụ giả định. Gặp từ lạ? Rê chuột lên từ có gạch chấm, hoặc mở Từ điển thuật ngữ.

1. Bài này dành cho ai và bạn sẽ làm được gì

Bài này dành cho ai: người đã làm xong cấp C0 và muốn bỏ ghi chú tay; người phụ trách IT hoặc hành chính của công ty. Bạn không cần biết lập trình. Những chỗ có đoạn mã, bạn chỉ cần nhờ người biết code (hoặc nhờ AI) chạy giúp.

Bạn cần chuẩn bị:

• Kết quả của cấp C0 (mẫu biên bản và cách làm biên bản).
• Khoảng 10-15 phút ghi âm họp thật của công ty, được những người trong cuộc họp đồng ý cho ghi (Bài C1.2 sẽ nói rõ cách chọn đoạn).
• Một người chịu khó gõ lại chính xác nội dung các đoạn ghi âm đó thành chữ, để làm "đáp án".
• Một bảng tính (Google Sheet hoặc Excel) để lập từ điển tên riêng.
• Các công cụ chép lời bạn muốn thử, ví dụ tính năng có sẵn của phần mềm họp, một dịch vụ chép lời trên mạng, hoặc mô hình mở PhoWhisper (xem mục 3.5).

Sau bài này bạn sẽ có:

1. Có quy tắc ghi âm 1 trang: thông báo, đồng ý, nơi lưu, thời hạn xóa.
2. Đã tự đo 2-3 cách chép lời trên 10-15 phút ghi âm họp thật của công ty.
3. Có từ điển tên riêng (người, khách, sản phẩm, mã hàng) dùng để sửa và kiểm.
4. Biết khi nào bản chép lời không đủ tốt để đưa vào C0.

Thứ bạn cầm đi được sau bài: quy tắc ghi âm; bảng so sánh công cụ (WER, CER, tỷ lệ giữ tên riêng/con số); từ điển tên riêng; script do_asr.py. (Script là một đoạn chương trình ngắn. WER và CER là hai cách tính tỷ lệ chép sai, được giải thích ở mục 3.1.)

2. Vấn đề bài này giải quyết

"Ghi âm rồi để máy chép lời có đủ tin để làm biên bản không, và có được phép ghi không?"

Lỗi của C0: ghi chú tay sót; người ghi cũng là người phát biểu. Nhưng thêm ghi âm là thêm hai rủi ro: chép sai (tên người, con số) và dữ liệu cá nhân (giọng nói, nội dung).

3. Kiến thức nền

3.1 Chất lượng chép lời tiếng Việt: chênh rất lớn

Có nguồn

Trước hết là hai thước đo bạn sẽ gặp suốt bài này.

WER (tỷ lệ lỗi từ) = (thay + xóa + chèn) / số từ của bản đúng. Nói cách khác: lấy số chỗ máy chép sai (từ bị thay bằng từ khác, từ bị bỏ mất, từ bị thêm vào thừa), chia cho tổng số từ trong bản đúng. Con số càng thấp càng tốt. Tiếng Việt viết theo âm tiết (mỗi tiếng là một âm tiết) nên WER gần với tỷ lệ lỗi âm tiết. CER cũng tính như vậy nhưng trên ký tự (từng chữ cái) thay vì từng từ.

Bảng dưới đây là các số liệu mà những nhóm nghiên cứu đã đo. Vài thuật ngữ trong bảng: tinh chỉnh là huấn luyện thêm một mô hình có sẵn bằng dữ liệu của một ngôn ngữ cụ thể để nó làm tốt hơn; Whisper là một mô hình chép lời phổ biến; batch là chép lời cả file ghi âm đã có sẵn.

Cách đọc bảng cho người không chuyên: hàng đầu cho thấy một mô hình mở được tinh chỉnh cho tiếng Việt đạt WER từ khoảng 4,67% đến 26,68% tùy bộ thử. Hàng thứ hai cho thấy cùng loại mô hình, nếu chưa tinh chỉnh thì sai rất nặng (WER 64,07%), còn sau tinh chỉnh chỉ còn 8,69%. Hàng thứ ba cho thấy giọng miền Trung khó nhất. Hàng thứ tư cho thấy nhiều bộ dữ liệu công khai có nhãn sai. Hàng cuối đo bằng cách khác: UER là tỷ lệ câu mà bản chép bị sai nghĩa, do một mô hình ngôn ngữ lớn (LLM, tức loại AI chat như ChatGPT, Claude) chấm; chữ κ (kappa) là chỉ số cho biết người và LLM chấm giống nhau đến mức nào. Hàng này là tổng đài ngân hàng qua điện thoại chất lượng thấp (8 kHz), không phải họp.

Ý nghĩa Đề xuất: (1) một mô hình phổ thông chưa tinh chỉnh có thể sai rất nặng với tiếng Việt; (2) cùng một nhà cung cấp, chế độ chạy (batch hay streaming) cho kết quả khác nhau (mu-bench nêu 2-4 điểm); (3) không bảng xếp hạng nào đo họp tiếng Việt. Vì vậy phải tự đo.

(Streaming là chép lời trực tiếp ngay khi người ta đang nói, khác với batch là chép sau khi đã có cả file.)

3.2 WER không nói hết

Có nguồn

• mu-bench: WER coi "hi" và "hey" là lỗi ngang "cat" và "cap". Ở các câu chứa tên, email, mã số, WER chuẩn hóa thấp hơn (15,0% so với 18,7%) nhưng tỷ lệ câu sai nghĩa cao hơn (28,6% so với 17,0%).
• OSynth (Otter.ai, arXiv 2610.29319, tiếng Anh tổng hợp): khoảng 2/3 lỗi chép lời rơi vào tên riêng, con số/ngày, thuật ngữ. Đúng các thứ quyết định giá trị biên bản.
• Đề xuất Ngoài WER/CER, đo thêm tỷ lệ giữ thực thể: trong danh sách tên người, khách, mã hàng, con số có trong đoạn thử, bao nhiêu xuất hiện đúng trong bản chép. ("Thực thể" ở đây là những thứ cụ thể cần giữ đúng: tên, mã, con số, ngày.)

3.3 Đừng để AI "sửa" bản chép lời quá tệ

Có nguồn

OSynth phụ lục V: khi đưa bản chép có WER khoảng 0,56 cho một LLM với lệnh "chỉ sửa thuật ngữ, không diễn giải", LLM xóa trung bình ~25% số từ; 13% lượt nói mất hơn nửa số từ, không báo. Với bản chép tốt (WER khoảng 0,10), cùng lệnh gần như không đổi gì. Đề xuất Quy tắc: đo trước; nếu bản chép tệ, sửa bằng người hoặc đổi công cụ, không nhờ LLM "làm sạch".

3.4 Pháp lý khi ghi âm cuộc họp

Có nguồn

Phần này không phải tư vấn pháp lý. Chỉ là tóm tắt điều nhóm soạn đã đọc, để bạn biết cần hỏi luật sư những gì.

Đọc qua hethongphapluat.com (trang đăng lại văn bản), chưa đối chiếu Công báo:

• Điều 32 Luật 91/2025/QH15 (ghi âm, ghi hình nơi công cộng, hoạt động công cộng): người bị ghi phải được biết, trừ khi luật quy định khác; dùng đúng mục đích; chỉ lưu trong thời gian cần thiết, hết hạn thì xóa, hủy.
• Điều 25 (dữ liệu trong tuyển dụng, quản lý người lao động), khoản 3: biện pháp công nghệ, kỹ thuật trong quản lý lao động phải hợp pháp và người lao động phải được biết rõ; không được dùng dữ liệu thu bằng biện pháp trái luật.
• NĐ 356/2025 (theo EY, xem An toàn dữ liệu và pháp lý): đồng ý phải kiểm chứng và lưu được.

Đề xuất Họp nội bộ có phải "hoạt động công cộng" không: chưa rõ. Cách an toàn: coi bản ghi là dữ liệu cá nhân. Thông báo trong lịch họp; nói lại đầu cuộc họp (và để câu đó nằm trong bản ghi); cho phép tắt ghi ở phần nhạy cảm (nhân sự, lương, kỷ luật); xóa file âm thanh sau khi biên bản được duyệt, ví dụ 30 ngày.

3.5 Ba đường chép lời

Đề xuất

1. Tính năng có sẵn của Meet/Teams/Zoom/Lark: tiện, nhưng hỗ trợ tiếng Việt chưa xác minh được (mục 9).
2. API đám mây (Google, Azure, OpenAI, ElevenLabs...): đo được bằng mu-bench ở điều kiện điện thoại; dữ liệu ra nước ngoài. (API là cách để chương trình của bạn gửi âm thanh lên dịch vụ của hãng khác và nhận lại chữ.)
3. Mô hình mở chạy trên máy công ty (PhoWhisper): âm thanh không rời công ty. Cần máy đủ mạnh; tốc độ chưa đo trong tài liệu này.

4. Các bài thực hành

Năm bài thực hành dưới đây làm theo thứ tự. Mỗi bài có: việc cần làm, thứ bạn có sau bài, và (ở các bài có nêu) lỗi hay gặp để tránh.

Bài C1.1: Quy tắc ghi âm 1 trang

• Việc cần làm: ghi ra giấy hoặc tài liệu: cuộc họp nào được ghi; câu thông báo mẫu; ai giữ file; lưu ở đâu (tài khoản công ty, không phải điện thoại cá nhân); xóa sau bao lâu; phần họp nào không ghi; dịch vụ nào được dùng.
• Bạn có sau bài: quy tắc, nhân viên ký đã đọc.
• Lỗi hay gặp: ghi âm bằng điện thoại cá nhân rồi gửi qua Zalo; giữ file mãi mãi.

Bài C1.2: Dựng đoạn thử có đáp án

• Việc cần làm: chọn 3 đoạn, mỗi đoạn 3-5 phút, từ họp thật đã được đồng ý ghi: một đoạn yên tĩnh, một đoạn nói chồng, một đoạn có người giọng vùng khác. Một người gõ lại chính xác (mất khoảng vài lần thời lượng đoạn, chưa đo). Lập danh sách thực thể trong mỗi đoạn: tên, khách, mã hàng, con số, ngày.
• Bạn có sau bài: 3 cặp (âm thanh, bản đúng) + danh sách thực thể. "Bản đúng" chính là đáp án để so với bản máy chép.
• Lỗi hay gặp: chọn đoạn dễ nhất; gõ lại "cho gọn" thay vì nguyên văn.

Bài C1.3: Đo 2-3 công cụ

• Việc cần làm: chạy cùng 3 đoạn qua 2-3 cách (ví dụ một tính năng có sẵn, một API, PhoWhisper). Tính WER, CER, tỷ lệ giữ thực thể bằng do_asr.py.
• Chuẩn hóa trước khi so Đề xuất: chữ thường, bỏ dấu câu, NFC (một chuẩn mã hóa chữ có dấu, để cùng một chữ luôn được lưu theo một cách), thống nhất vị trí dấu thanh ("hoà"/"hòa", "thuý"/"thúy"); quyết định "120" và "một trăm hai mươi" có tính là đúng không (nên tính đúng nếu nghĩa không đổi, như mu-bench).
• Bạn có sau bài: bảng so sánh.
• Lỗi hay gặp: so trên đoạn khác nhau; quên chuẩn hóa dấu thanh nên WER cao oan.

Bài C1.4: Từ điển tên riêng

• Việc cần làm: lập Sheet 2 cột: cách viết đúng, các cách chép sai hay gặp ("Hòa Phát" / "hoà phát", "Hoa Phat"). Dùng để (a) đưa vào prompt C0 làm danh sách chuẩn; (b) kiểm tỷ lệ giữ thực thể. (Prompt là đoạn chỉ dẫn bạn gõ cho AI.) Nếu công cụ cho "gợi ý từ vựng" thì nạp vào (kiểm tính năng trước).
• Bạn có sau bài: từ điển 30-100 mục.

Bài C1.5: Ngưỡng dùng được

• Việc cần làm Đề xuất: đặt ngưỡng trước khi xem kết quả: ví dụ tỷ lệ giữ thực thể ≥ 90% và không đoạn nào CER > 15% thì dùng cho C0 có duyệt; dưới ngưỡng thì chỉ dùng làm "trợ nhớ" cho người viết biên bản.
• Bạn có sau bài: dòng quyết định trong Sổ prompt (sổ ghi các chỉ dẫn bạn dùng cho AI, đã lập ở cấp C0).

5. Hai cách làm: không cần code và có code

Bài này có hai cách làm. Cách 1 không cần code, đủ dùng khi mới bắt đầu. Cách 2 cần một chút lập trình, để máy tự đo thay cho người.

Đoạn mã dưới đây làm gì? Nó làm bốn việc. Một, "chuẩn hóa" văn bản: đổi về chữ thường, thống nhất cách đặt dấu thanh, bỏ dấu câu. Hai, đếm số chỗ khác nhau giữa bản đúng và bản máy chép. Ba, từ đó tính WER và CER. Bốn, kiểm xem các tên và con số quan trọng có còn đúng trong bản chép không. Bạn không cần đọc hiểu từng dòng; chỉ cần biết ý nghĩa của nó, và nhờ một người biết lập trình (hoặc nhờ AI) chạy giúp khi cần.

Mã mẫu (đã chạy thử, python -I -X utf8):

import re, unicodedata
DAU = {"oà": "òa", "oá": "óa", "oả": "ỏa", "oã": "õa", "oạ": "ọa",
       "oè": "òe", "oé": "óe", "oẻ": "ỏe", "oẽ": "õe", "oẹ": "ọe",
       "uỳ": "ùy", "uý": "úy", "uỷ": "ủy", "uỹ": "ũy", "uỵ": "ụy"}

def chuan(s):
    s = unicodedata.normalize("NFC", s).lower()
    for moi, cu in DAU.items():
        s = s.replace(moi, cu)
    return re.sub(r"[^\w\s]", " ", s).split()

def khoang_cach(a, b):
    d = list(range(len(b) + 1))
    for i in range(1, len(a) + 1):
        prev, d[0] = d[0], i
        for j in range(1, len(b) + 1):
            cur = d[j]
            d[j] = min(d[j] + 1, d[j - 1] + 1, prev + (a[i - 1] != b[j - 1]))
            prev = cur
    return d[len(b)]

def wer(ref, hyp):
    r, h = chuan(ref), chuan(hyp)
    return khoang_cach(r, h) / max(len(r), 1)

def cer(ref, hyp):
    r, h = "".join(chuan(ref)), "".join(chuan(hyp))
    return khoang_cach(list(r), list(h)) / max(len(r), 1)

def giu_thuc_the(hyp, thuc_the):
    h = " ".join(chuan(hyp))
    giu = [t for t in thuc_the if " ".join(chuan(t)) in h]
    return len(giu) / max(len(thuc_the), 1), sorted(set(thuc_the) - set(giu))

Kết quả chạy thử: bản đúng là "Anh Tuấn chốt giao 120 thùng cho Hòa Phát ngày 15 tháng 11", bản chép là "anh tuấn chốt giao một trăm hai mươi thùng cho hoà phát ngày 15 tháng 11". Không thống nhất dấu thanh: WER 0,38, giữ thực thể 50% (mất "Hòa Phát" và "120"). Có thống nhất dấu thanh: WER 0,31, giữ thực thể 75% (chỉ còn "120" viết bằng chữ). Bài học: lỗi đo có thể lớn hơn lỗi máy; phải chuẩn hóa trước khi kết luận.

Khi nào buộc chuyển sang code Đề xuất: muốn so công cụ một cách công bằng; muốn âm thanh không rời công ty (chạy PhoWhisper); hơn khoảng 5 giờ ghi âm/tuần.

6. Khi nào bạn có thể lên cấp tiếp theo

Đề xuất

Bạn có thể sang cấp tiếp theo khi đạt đủ các điều sau:

1. Có quy tắc ghi âm đã ký; 100% file ghi âm nằm ở nơi lưu của công ty, có ngày xóa.
2. Đã đo ≥ 2 công cụ trên ≥ 3 đoạn có đáp án; công cụ chọn đạt ngưỡng ở Bài C1.5.
3. Biên bản C0 làm từ bản chép lời không làm tăng số việc bịa/sót so với ghi chú tay (so trên ≥ 5 cuộc họp).

7. Ví dụ cho doanh nghiệp nhỏ ở Việt Nam

Minh họa

Ba tình huống giả định để bạn dễ hình dung:

• Trung tâm tiếng Anh 3 cơ sở (Hà Nội), họp giáo viên trộn Việt-Anh: "deadline", "placement test", tên lớp "IELTS 6.5 tối 2-4-6". Lỗi dự kiến: thuật ngữ tiếng Anh bị phiên âm. Từ điển tên riêng có cả thuật ngữ Anh. (Chép lời trộn Việt-Anh là một hướng nghiên cứu riêng, ví dụ arXiv 2509.05983; chưa đọc.)
• Công ty vận tải 25 xe (Đà Nẵng), họp điều độ có tài xế giọng miền Trung: PhoASR cho thấy giọng miền Trung khó nhất. Đoạn thử phải có giọng này; nếu thực thể (biển số, tên tuyến) giữ dưới ngưỡng, giữ ghi chú tay cho phần điều độ.
• Cửa hàng mỹ phẩm online, họp qua Google Meet với cộng tác viên: không ghi âm phần nói về khách cụ thể; nếu có, thay tên khách bằng mã trước khi đưa bản chép cho AI.

8. Tài liệu tham khảo