PGS.TS Lương Chi Mai trình bày kết quả nghiên cứu về công nghệ chuyển đổi văn bản thành tiếng nói tiếng Việt. Ảnh: Viện Hàn lâm Khoa học và Công nghệ Việt Nam.

Ngày 2/9 nhắc người Việt về độc lập ở tầm một quốc gia. Trong kỷ nguyên số, câu chuyện ấy có thêm một lớp ít nghi lễ hơn nhưng ngày càng thiết thực: khi dữ liệu, phần mềm và trí tuệ nhân tạo đi sâu vào đời sống, chúng ta có đủ năng lực để tự giải những bài toán gắn với chính ngôn ngữ của mình hay không?

Hành trình nghiên cứu của PGS.TS Lương Chi Mai là một lát cắt đáng chú ý để nhìn vào câu hỏi đó. Bà được đào tạo về Toán ứng dụng, gia nhập Phòng Nhận dạng của Viện Công nghệ thông tin từ đầu thập niên 1980 và theo đuổi các hướng nhận dạng mẫu, học máy, nhận dạng và tổng hợp tiếng nói. Danh sách hiện hành của ICTLab, Trường Đại học Khoa học và Công nghệ Hà Nội, vẫn ghi Lương Chi Mai trong nhóm nghiên cứu viên mời với định danh Associate Professor, IOIT.

Khi máy tính chưa đọc được chữ Việt

Năm 1987, Lương Chi Mai bắt đầu tham gia nhóm nghiên cứu nhận dạng chữ in. Thời điểm ấy, nhóm mới tập trung vào ký tự Latin; chữ Việt với hệ dấu và những yêu cầu xử lý riêng đặt ra một bài toán khó hơn. Nhớ lại lựa chọn này, bà từng nói một câu ngắn nhưng gần như tóm được logic của cả hướng nghiên cứu: “nếu người Việt mình không làm thì ai làm cho”.

Từ công việc của tập thể nghiên cứu, VnDOCR 1.0 ra đời với khả năng nhận dạng văn bản được quét và chuyển thành ký tự có thể tiếp tục biên tập trên máy tính. Theo bài giới thiệu của Viện Công nghệ thông tin năm 2016, các phiên bản sau đó được tiếp tục cải thiện về độ chính xác, xử lý bảng biểu và giao diện; VnDOCR 4.0 khi ấy đã được sử dụng tại nhiều cơ quan trong nước, còn phiên bản rút gọn từng được tích hợp vào một số máy quét HP. Đây là dữ liệu lịch sử về mức triển khai tại thời điểm nguồn công bố, không nên diễn giải thành tình trạng sử dụng hiện nay.

Giá trị của câu chuyện không chỉ nằm ở một phần mềm OCR. Nó cho thấy một cách hình thành năng lực công nghệ: chọn một bài toán mà tiếng Việt tạo ra những yêu cầu riêng, tích lũy dữ liệu, thuật toán và kinh nghiệm đủ lâu để chính nhóm nghiên cứu trong nước có thể tiếp tục sửa, cải tiến và thích nghi hệ thống.

Công nghệ Adapt-TTS được trình diễn tại Hội nghị tổng kết năm 2023 của Viện Hàn lâm Khoa học và Công nghệ Việt Nam, sử dụng AI để tạo giọng đọc cá nhân hóa từ dữ liệu tiếng nói. Ảnh: Viện Hàn lâm Khoa học và Công nghệ Việt Nam.

Từ chữ in đến tiếng nói ba miền

Khoảng năm 2004, nhóm của Lương Chi Mai bắt đầu phát triển sâu hơn hướng chuyển tiếng nói tiếng Việt thành văn bản. Khó khăn không chỉ là nhận ra từng âm thanh. Giọng Bắc, Trung, Nam; cách nói của từng cá nhân; thanh điệu; tiếng ồn và vốn từ theo từng lĩnh vực đều có thể làm thay đổi chất lượng nhận dạng. Đến năm 2018, nguồn của Bộ Khoa học và Công nghệ cho biết hệ thống đã thu thập hàng nghìn giọng nói từ nhiều vùng miền.

Tại VLSP 2018, sản phẩm nhận dạng tiếng nói theo thời gian thực của Công ty VAIS giành giải nhất, với độ chính xác trên 94% trên bộ dữ liệu tiếng nói ba miền. Nhưng chính nguồn công bố cũng nêu giới hạn quan trọng: dữ liệu khi ấy chủ yếu thuộc các chủ đề nhỏ và dạng đọc văn bản; lời nói tự nhiên với nội dung khó đoán chưa được đánh giá đầy đủ. Lương Chi Mai cũng thừa nhận đây vẫn là bài toán khó.

Ảnh minh hoạ cách thức hoạt động của hệ thống (nguồn: Viện Hàn lâm Khoa học và Công nghệ Việt Nam)

Chi tiết đó đáng giữ lại bởi nó ngăn câu chuyện “làm chủ công nghệ” biến thành một khẩu hiệu. Làm được một mô hình không có nghĩa bài toán đã kết thúc. Khả năng biết hệ thống đúng ở đâu, sai ở đâu, cần thêm loại dữ liệu nào và phải tiếp tục huấn luyện ra sao mới là phần năng lực khó mua trọn gói.

Khi được hỏi tại sao vẫn nghiên cứu công nghệ mà những tập đoàn toàn cầu đã có sản phẩm tương tự, Lương Chi Mai đặt vấn đề ở những trường hợp cần bảo mật và nói rằng “mình phải có được công nghệ của riêng mình”. Cách hiểu này không phải phủ nhận công nghệ quốc tế; nó nhấn mạnh khả năng tự điều chỉnh công nghệ theo nhu cầu, dữ liệu và điều kiện của Việt Nam.

Câu chuyện xử lý tiếng Việt hiện còn mở rộng sang nhiều câu hỏi khác của công nghệ giọng nói, từ lựa chọn giọng, vùng miền đến cách con người gán giới và vai trò xã hội cho tiếng nói nhân tạo.

Adapt-TTS và phần việc của cả một nhóm nghiên cứu

Đến năm 2023, hướng tổng hợp tiếng nói cá nhân hóa được thể hiện rõ qua Adapt-TTS. Bài báo đăng trên Journal of Computer Science and Cybernetics đứng tên ba tác giả Phạm Ngọc Phương, Trần Quang Chung và Lương Chi Mai; bản toàn văn xác định Lương Chi Mai là tác giả liên hệ. Mô hình được thiết kế theo hướng “zero-shot”, có thể tạo tiếng nói cho một giọng mới mà không cần huấn luyện lại toàn bộ hệ thống. Trong thí nghiệm được công bố, nhóm báo cáo kết quả với chỉ một câu tham chiếu dài khoảng 1–3 giây.

Đây cũng là nơi cần phân biệt rõ vai trò tác giả. Luận án tiến sĩ “Nghiên cứu phát triển hệ thống thích nghi giọng nói trong tổng hợp tiếng Việt và ứng dụng” là công trình của Phạm Ngọc Phương dưới sự hướng dẫn của PGS.TS Lương Chi Mai. Hồ sơ công trình liên quan đến luận án ghi đầy đủ chuỗi bài báo của nhóm; giấy chứng nhận đăng ký quyền tác giả đối với phần mềm Adapt-TTS ghi Phạm Ngọc Phương là tác giả phần mềm. Vì vậy, sẽ không chính xác nếu biến Adapt-TTS thành thành quả riêng của Lương Chi Mai.

Vai trò đáng nói của bà nằm ở một đường nghiên cứu kéo dài qua nhiều thế hệ: từ trực tiếp giải bài toán nhận dạng chữ Việt, phát triển xử lý tiếng nói, đến đồng tác giả và hướng dẫn những nghiên cứu mới về tổng hợp giọng nói.

Theo Viện Hàn lâm Khoa học và Công nghệ Việt Nam, khi Adapt-TTS được trình diễn cuối năm 2023, hệ thống có thể tạo giọng cá nhân hóa với lượng dữ liệu mẫu dưới 10 phút, thay cho quy trình trước đó cần tới khoảng 10 giờ dữ liệu; công nghệ cũng đã được chuyển giao thương mại cho một số đài phát thanh - truyền hình. Con số “dưới 10 phút” phản ánh mô tả ở giai đoạn ứng dụng, trong khi kết quả “1–3 giây” ở bài báo là điều kiện thí nghiệm của mô hình; hai mốc không nên nhập thành một.

PGS.TS Lương Chi Mai phát biểu tại một hội thảo về phát triển tính toán khoa học năm 2012. Hình ảnh cho thấy một chặng sớm trong quá trình bà gắn bó với nghiên cứu công nghệ thông tin tại Việt Nam. Ảnh: Minh Tâm/VAST.

Tự chủ không có nghĩa tự làm mọi thứ

Công nghệ tiếng Việt của các nhóm trong nước không được phát triển trong một “ốc đảo”. Chính nhóm Lương Chi Mai từng vận dụng các mô hình quốc tế vào tiếng Việt; Adapt-TTS sử dụng những kiến trúc học sâu và mô hình khuếch tán vốn được phát triển trong dòng nghiên cứu toàn cầu. Hồ sơ hiện tại cũng cho thấy bà vẫn tham gia mạng lưới nghiên cứu và hướng dẫn nghiên cứu sinh tại USTH.

Vì thế, tự chủ công nghệ hợp lý hơn khi được hiểu là biết mình đang phụ thuộc ở đâu, có dữ liệu của mình, có đội ngũ đủ khả năng đánh giá và điều chỉnh công nghệ, đồng thời tạo ra những phần tri thức mà nhu cầu trong nước đòi hỏi. Nó khác với tư tưởng phải tự sản xuất mọi linh kiện, mô hình hay công cụ từ con số không.

Bức tranh ấy cũng không chỉ có xử lý ngôn ngữ. Các nhóm nữ khoa học Việt Nam đang theo đuổi những mắt xích rất khác nhau, từ thuật toán giải nhiều bài toán đồng thời đến phần cứng AI tiết kiệm năng lượng. Mỗi công trình chỉ giải một phần nhỏ, nhưng chính sự tồn tại của nhiều nhóm nghiên cứu có năng lực thực chất mới tạo nên nền công nghệ khó bị thay thế bằng vài sản phẩm mua sẵn.

Nhìn từ ngày Quốc khánh 2/9, đóng góp của một nhà khoa học có thể được đo bằng những thứ rất cụ thể: một bộ dữ liệu tiếng Việt đủ tốt hơn, một thuật toán xử lý được đặc thù thanh điệu, một hệ thống biết nghe nhiều giọng vùng miền, một nghiên cứu sinh có thể tiếp tục phần việc mà thế hệ trước đã mở ra.

Từ VnDOCR đến Adapt-TTS là một quãng đường dài hơn ba thập niên. Nó chưa biến Việt Nam thành nước tự chủ hoàn toàn về AI, cũng không xóa đi khoảng cách về hạ tầng tính toán, dữ liệu hay công nghệ nền tảng. Nhưng nó chỉ ra một điều căn bản hơn: muốn có quyền lựa chọn công nghệ, trước hết phải có người đủ năng lực hiểu nó, thử nó, chỉ ra giới hạn của nó và tiếp tục làm ra phần tri thức của chính mình.

Bốn mốc trong hành trình “dạy máy” tiếng Việt

 1987: Lương Chi Mai bắt đầu tham gia nhóm nhận dạng chữ in tiếng Việt tại Viện Công nghệ thông tin.

Khoảng 2004: Nhóm bắt đầu phát triển mạnh hướng nhận dạng tiếng nói tiếng Việt; đến 2018 đã thu thập hàng nghìn mẫu giọng từ nhiều vùng miền.

2018: Hệ thống nhận dạng tiếng nói của VAIS đạt trên 94% trên dữ liệu đọc ba miền tại VLSP, nhưng chưa đánh giá đầy đủ lời nói tự nhiên.

2023: Bài báo Adapt-TTS của Phạm Ngọc Phương, Trần Quang Chung và Lương Chi Mai công bố mô hình tổng hợp tiếng nói zero-shot cho tiếng Việt; công nghệ sau đó được VAST trình diễn trong thực tế.