Speech Recognition

Nhận dạng giọng nói, thường được gọi về mặt kỹ thuật là Nhận dạng giọng nói tự động (ASR), là khả năng cụ thể cho phép máy tính xác định, xử lý và chuyển đổi ngôn ngữ nói thành văn bản viết. Công nghệ này đóng vai trò là cầu nối quan trọng trong tương tác người-máy, cho phép các hệ thống Trí tuệ nhân tạo (AI) tiếp nhận lệnh bằng giọng nói làm đầu vào thay vì chỉ dựa vào bàn phím hoặc màn hình cảm ứng. Bằng cách phân tích các dạng sóng âm thanh và đối chiếu chúng với các bộ dữ liệu ngôn ngữ khổng lồ, các hệ thống này có thể diễn giải các giọng vùng miền khác nhau, tốc độ nói thay đổi và từ vựng phức tạp. Quá trình này là thành phần nền tảng của các quy trình Xử lý ngôn ngữ tự nhiên (NLP) hiện đại, giúp chuyển đổi âm thanh phi cấu trúc thành dữ liệu có cấu trúc, máy có thể đọc được.

Link to this sectionCách thức hoạt động của nhận dạng giọng nói#

Kiến trúc đằng sau nhận dạng giọng nói đã phát triển từ khớp mẫu đơn giản đến các pipeline tinh vi được hỗ trợ bởi Deep Learning (DL). Quá trình này thường tuân theo một trình tự các bước quan trọng. Đầu tiên, âm thanh analog thô được thu và số hóa. Sau đó, hệ thống thực hiện trích xuất đặc trưng để lọc bỏ tiếng ồn nền và cô lập các đặc điểm ngữ âm, thường là trực quan hóa âm thanh dưới dạng spectrogram để ánh xạ cường độ tần số theo thời gian.

Sau khi các đặc trưng âm thanh được cô lập, một mô hình âm học sẽ tham gia vào quá trình này. Mô hình này, thường được xây dựng bằng Mạng thần kinh (NN) như Mạng thần kinh tái phát (RNN) hoặc Transformer hiện đại, ánh xạ các tín hiệu âm thanh thành các âm vị—những đơn vị âm thanh cơ bản. Cuối cùng, một mô hình ngôn ngữ phân tích trình tự các âm vị để dự đoán những từ và câu có khả năng xảy ra cao nhất. Bước này rất quan trọng để phân biệt giữa các từ đồng âm (như "to", "two" và "too") dựa trên ngữ cảnh. Các nhà phát triển sử dụng các framework như PyTorch để huấn luyện các mô hình đòi hỏi nhiều dữ liệu này.

Link to this sectionCác ứng dụng trong thực tế#

Nhận dạng giọng nói hiện đã trở nên phổ biến, thúc đẩy hiệu quả và khả năng tiếp cận trên nhiều lĩnh vực.

• Tài liệu y tế: Trong lĩnh vực y tế, AI trong chăm sóc sức khỏe cho phép các bác sĩ sử dụng các công cụ chuyên dụng từ các nhà cung cấp như Nuance Communications để đọc các ghi chú lâm sàng trực tiếp vào Hồ sơ sức khỏe điện tử (EHR). Điều này làm giảm đáng kể áp lực hành chính và cải thiện độ chính xác của dữ liệu.
• Giao diện ô tô: Các phương tiện hiện đại tích hợp điều khiển bằng giọng nói để cho phép người lái quản lý hệ thống dẫn đường và giải trí mà không cần dùng tay. AI trong ô tô ưu tiên sự an toàn bằng cách giảm thiểu sự xao nhãng về thị giác thông qua các giao diện giọng nói đáng tin cậy này.
• Trợ lý ảo: Các tác nhân tiêu dùng như Siri của Apple sử dụng ASR để phân tích các lệnh cho các tác vụ từ đặt bộ hẹn giờ đến điều khiển các thiết bị nhà thông minh, đóng vai trò là lớp đầu vào chính cho Trợ lý ảo.

Link to this sectionPhân biệt các thuật ngữ liên quan#

Mặc dù thường được dùng một cách thông thường để chỉ cùng một thứ, nhưng điều quan trọng là phải phân biệt nhận dạng giọng nói với các khái niệm liên quan trong bảng thuật ngữ AI.

• Chuyển đổi giọng nói thành văn bản (STT): STT đề cập cụ thể đến chức năng đầu ra (chuyển đổi âm thanh thành văn bản), trong khi nhận dạng giọng nói bao hàm phương pháp công nghệ rộng hơn để xác định âm thanh.
• Hiểu ngôn ngữ tự nhiên (NLU): ASR chuyển đổi âm thanh thành văn bản, nhưng nó không tự động "hiểu" thông điệp. NLU là quy trình hạ nguồn nhằm diễn giải ý định, cảm xúc và ý nghĩa đằng sau các từ được chuyển đổi.
• Chuyển đổi văn bản thành giọng nói (TTS): Đây là thao tác ngược lại, nơi hệ thống tổng hợp giọng nói nhân tạo giống con người từ văn bản viết.

Link to this sectionTích hợp với thị giác máy tính#

Biên giới tiếp theo của các hệ thống thông minh là Học đa phương thức, kết hợp dữ liệu thính giác và thị giác. Ví dụ, một robot dịch vụ có thể sử dụng YOLO26 để phát hiện đối tượng theo thời gian thực nhằm xác định vị trí một người dùng cụ thể trong phòng, đồng thời sử dụng nhận dạng giọng nói để hiểu một lệnh như "mang cho tôi chai nước". Sự hội tụ này tạo ra các tác nhân AI toàn diện có khả năng vừa nhìn vừa nghe. Nền tảng Ultralytics tạo điều kiện thuận lợi cho việc quản lý các bộ dữ liệu phức tạp này và việc huấn luyện các mô hình mạnh mẽ cho các ứng dụng đa phương thức như vậy.

Ví dụ Python sau đây minh họa cách sử dụng thư viện SpeechRecognition, một công cụ wrapper phổ biến, để chuyển đổi một tệp âm thanh thành văn bản.

import speech_recognition as sr

# Initialize the recognizer class
recognizer = sr.Recognizer()

# Load an audio file (supports WAV, AIFF, FLAC)
# Ideally, this audio file contains clear, spoken English
with sr.AudioFile("user_command.wav") as source:
    audio_data = recognizer.record(source)  # Read the entire audio file

try:
    # Transcribe the audio using Google's public speech recognition API
    text = recognizer.recognize_google(audio_data)
    print(f"Transcribed Text: {text}")
except sr.UnknownValueError:
    print("System could not understand the audio")

Hiệu suất hệ thống thường được đánh giá bằng chỉ số Tỷ lệ lỗi từ (WER), trong đó điểm số thấp hơn cho thấy độ chính xác cao hơn. Để hiểu sâu hơn về cách các công nghệ này hoạt động cùng với các mô hình thị giác, hãy khám phá hướng dẫn của chúng tôi về kết nối NLP và Computer Vision.