ASR là gì — nhận dạng giọng nói thành chữ để cuộc gọi và ghi âm trở nên tra được

Bài này dành cho chủ doanh nghiệp và người quyết. ASR được giải bằng ẩn dụ dễ hiểu, kèm khác thu âm thường, cơ chế và cách MONA áp dụng.

Vì sao đáng quan tâm: kho âm thanh của tổng đài và cuộc họp chứa nhiều thông tin giá trị nhưng gần như không ai khai thác vì không nghe xuể. ASR mở khoá kho đó.

Hình dung một cuộc họp dài hai tiếng được thu âm. Cuốn băng để đó thì muốn tìm một câu đã nói phải tua đi tua lại, rất mất công và gần như không ai làm.

Một thư ký tốc ký ngồi trong phòng thì khác. Vừa nghe vừa ghi lại thành biên bản chữ. Sau cuộc họp, muốn tìm ai nói gì chỉ cần đọc, tìm bằng từ khoá là ra.

Thu âm thường là cuốn băng để đó. ASR là thư ký tốc ký tự động: nghe âm thanh và ghi thành chữ, biến giọng nói thành thứ đọc và tìm được ngay.

ASR nhận tín hiệu âm thanh, tách thành các đơn vị âm rồi suy ra chuỗi chữ khớp nhất, dựa trên mô hình học từ rất nhiều giọng nói. Kết quả thường kèm dấu thời gian và đôi khi phân ai đang nói.

• Từ âm sang chữ. Suy chuỗi chữ hợp lý nhất từ tín hiệu âm thanh.
• Dấu thời gian. Mỗi đoạn chữ gắn mốc thời gian trong bản ghi.
• Phân người nói. Nhiều hệ tách được ai nói câu nào trong cuộc đối thoại.

ASR là bước đầu của xử lý giọng nói. Có chữ rồi mới tìm theo nghĩa, tóm tắt hay đánh giá được, thường nối tiếp với mô hình ngôn ngữ.

• Tra được cuộc gọi. Tìm nhanh ai đã nói gì thay vì nghe lại từng bản ghi.
• Tóm tắt cuộc họp. Bản ghi chữ làm nền cho tóm tắt và việc cần làm.
• Kiểm soát chất lượng. Soi cuộc tư vấn xem có đúng kịch bản, đúng cam kết.
• Rút thông tin. Lấy yêu cầu, khiếu nại, ý định mua từ lời khách.
• Lưu vết tuân thủ. Có bản ghi chữ để đối chiếu khi cần.

ASR là cách biến kho cuộc gọi và ghi âm đang nằm chết thành dữ liệu khai thác được cho vận hành và chăm sóc khách.

Một dây chuyền ASR chuẩn gồm bốn nhịp:

• Làm sạch âm thanh. Giảm ồn, tách giọng để tín hiệu rõ hơn.
• Nhận dạng thành chữ. Suy chuỗi chữ khớp nhất với âm thanh.
• Gắn mốc và người nói. Đánh dấu thời gian từng đoạn, phân ai nói nếu cần.
• Đưa vào khai thác. Lưu bản ghi để tìm kiếm, tóm tắt, đánh giá.

Với tiếng Việt, chất lượng phụ thuộc nhiều vào giọng vùng miền, thuật ngữ ngành và tạp âm, nên phần tinh chỉnh theo dữ liệu thật rất quan trọng.

Giả sử một cuộc gọi tổng đài kéo dài vài phút, khách phàn nàn rồi yêu cầu xử lý. Nếu để dạng ghi âm, muốn biết khách yêu cầu gì phải nghe lại.

ASR bóc cuộc gọi thành biên bản chữ, phân rõ câu nào của khách câu nào của nhân viên, gắn mốc thời gian. Từ biên bản đó, hệ thống rút ra yêu cầu chính và đánh dấu đoạn cần chú ý.

Kết quả là quản lý không phải nghe lại cả cuộc gọi, chỉ đọc biên bản và nhảy tới đúng mốc khi cần. Đó là cách ASR biến âm thanh thành thứ làm việc được.

Khai thác kho âm thanh theo hai cách cho công sức rất khác nhau:

Không có ASR, kho âm thanh gần như chỉ để lưu trữ. Có ASR, nó trở thành nguồn dữ liệu cho chất lượng dịch vụ và hiểu khách.

Chất lượng ASR phụ thuộc nhiều vào điều kiện thật:

• Chất lượng âm thanh. Micro tốt, ít ồn thì kết quả chắc; gọi ngoài đường thì khó.
• Giọng và vùng miền. Giọng địa phương nặng làm nhận dạng dễ sai hơn.
• Thuật ngữ ngành. Tên sản phẩm, từ chuyên ngành lạ cần tinh chỉnh để bắt đúng.

Cách làm đúng là không kỳ vọng hoàn hảo trên mọi bản ghi, mà tinh chỉnh theo dữ liệu thật và để người soát các đoạn quan trọng.

ASR dùng theo hai chế độ, chọn theo nhu cầu nghiệp vụ:

Thực tế thường bắt đầu bằng chế độ theo lô để khai thác kho ghi âm sẵn có, rồi thêm thời gian thực khi cần trợ lý ngay trong cuộc gọi.

• Bỏ qua chất lượng âm thanh. Kỳ vọng kết quả tốt từ bản ghi nhiều tạp âm.
• Không tinh chỉnh thuật ngữ. Tên sản phẩm, từ ngành bị nhận dạng sai liên tục.
• Tin tuyệt đối vào bản ghi. Dùng biên bản cho việc quan trọng mà không soát đoạn rủi ro.
• Bỏ phân người nói. Đối thoại trộn lẫn khiến phân tích khó tách khách và nhân viên.
• Quên bảo mật. Ghi âm chứa thông tin cá nhân cần kiểm soát truy cập chặt.

Phần lớn thất vọng với ASR đến từ kỳ vọng sai và bỏ qua điều kiện thực tế, không phải từ bản thân công nghệ. Làm bài bản thì kết quả rất dùng được.

MONA làm ASR theo bài toán nghiệp vụ, không chạy bóc băng cho có:

• Chọn nguồn giá trị nhất. Bắt đầu từ cuộc gọi tổng đài hoặc cuộc họp quan trọng.
• Dựng dây chuyền bóc chữ. Làm sạch âm thanh, nhận dạng, gắn mốc và người nói.
• Tinh chỉnh thuật ngữ. Bổ sung tên sản phẩm, từ ngành để bắt đúng giọng và từ.
• Nối rút thông tin. Ghép với mô hình ngôn ngữ để tóm tắt, rút yêu cầu, đánh giá.

Ghi âm thường chứa thông tin cá nhân. MONA tuân thủ guardrails và nguyên tắc dữ liệu theo Nghị định 13/2023, kiểm soát truy cập bản ghi và biên bản chặt chẽ.

ASR đáng cân nhắc khi doanh nghiệp tạo ra nhiều giọng nói mỗi ngày:

• Tổng đài, chăm sóc khách. Cuộc gọi cần tra cứu, đánh giá chất lượng.
• Bán hàng qua điện thoại. Ghi âm tư vấn cần soi và rút thông tin.
• Cuộc họp, đào tạo. Cần biên bản và tóm tắt thay vì nghe lại.
• Tuân thủ, kiểm soát. Cần lưu vết nội dung trao đổi bằng chữ.

Khi lượng âm thanh ít, nghe lại thủ công còn được. Khi khối lượng lớn và thông tin trong đó có giá trị, ASR là cách duy nhất khai thác ở quy mô.

ASR dễ hiểu nhưng làm cho chính xác với tiếng Việt và thuật ngữ ngành cần kinh nghiệm với dữ liệu thật. Doanh nghiệp nên cân nhắc MONA khi:

• Có kho cuộc gọi, ghi âm, cuộc họp đang nằm chết, muốn khai thác.
• Cần tra cứu, tóm tắt, đánh giá nội dung trao đổi ở quy mô lớn.
• Cần bóc chữ tiếng Việt đúng với giọng vùng miền và thuật ngữ riêng.
• Xử lý ghi âm chứa thông tin cá nhân, cần kiểm soát truy cập và tuân thủ.

Giải pháp giọng nói của MONA dựng dây chuyền ASR tinh chỉnh cho tiếng Việt rồi nối rút thông tin. Tham khảo Sale AI cho phân tích cuộc gọi bán hàng và LMS AI cho biên bản, tóm tắt đào tạo.