Chuyển giọng nói thành văn bản tiếng Việt: video, file ghi âm sang TXT và SRT, 15 phút miễn phí mỗi ngày

Mình là người làm ra Chép Lời (cheploi.vn), nên bài này nói về sản phẩm của chính mình. Phần lớn bài kể cách mình xử lý tiếng Việt khi chuyển giọng nói thành văn bản, kèm số liệu kiểm thử cả chỗ làm chưa tốt. Rất mong nghe góp ý từ những ai hay phải gỡ băng: làm video, phỏng vấn, họp, soạn bài giảng.

Bài toán

Chuyển giọng nói thành văn bản cho tiếng Việt khó hơn vẻ ngoài. Có sáu thanh điệu, dấu nằm trên từng âm tiết, giọng ba miền khác nhau, và người nói hay chêm tiếng Anh. Một chữ sai dấu có thể đổi nghĩa cả câu, nên mình đặt ba yêu cầu cho sản phẩm:

1. Kết quả có đủ dấu và có mốc thời gian cho từng đoạn, để tìm lại chỗ cần nghe.
2. Xuất được TXT (sửa trong Word, Google Docs), SRT và VTT (làm phụ đề).
3. Dùng thử ngay, không cần đăng ký.

Cách dùng

Tải video hoặc file ghi âm lên (hoặc dán link một video YouTube), chọn ngôn ngữ đang nói trong tệp (tiếng Việt hoặc tiếng Anh), chờ vài bước hiện trên trang: tải lên, tách âm thanh, chờ lượt, chép lời. Xong thì tải về TXT, SRT hoặc VTT.

• Mỗi ngày 15 phút miễn phí, không cần đăng nhập; mỗi tệp dài tối đa 10 phút. Đăng nhập và mua thêm phút thì chuyển được tệp đến 180 phút.
• Tệp gốc bị xóa ngay sau khi tách xong âm thanh. Bản chép lời giữ 24 giờ (7 ngày với phút đã mua).
• Có tùy chọn dịch phụ đề video tiếng Anh, Trung, Hàn, Nhật sang tiếng Việt, và tóm tắt video thành các ý chính có mốc thời gian.
• Có tiện ích Chrome: chép lời âm thanh của tab đang phát.

Mấy chỗ kỹ thuật mình thấy đáng kể

Chọn ngôn ngữ thay vì tự đoán. Mình thử cả hai cách trên 6 video thật. Tự đoán ngôn ngữ cho kết quả gần như trùng với chọn sẵn tiếng Việt, nhưng với một vlog nói lẫn hai thứ tiếng thì hệ thống đoán nhầm sang tiếng Anh và lỗi tăng vọt. Vì vậy trang bắt người dùng chọn ngôn ngữ rõ ràng.

Đoạn đầu bị bỏ trống. Trong lần kiểm thử, một bài nói TEDx ở Hà Nội bị bỏ mất khoảng 95 giây đầu và chèn vào câu quảng cáo lạ lấy từ dữ liệu huấn luyện. Mình thêm một lớp kiểm tra: phát hiện đoạn đầu trống hoặc câu lặp bất thường rồi chạy lại phần đó. Tỉ lệ sai từ (WER) trên bài này giảm từ 42,4% xuống 16,0%.

Số liệu kiểm thử, cả chỗ chưa tốt. Mình đo bằng WER so với phụ đề tay trên YouTube:

• Giọng đọc rõ, một người nói (bản tin, podcast, TEDx Sài Gòn, thuyết minh): khoảng 2,5% đến 5,5%.
• Bộ mẫu FLEURS tiếng Việt (40 đoạn): 12,2%.
• Phỏng vấn đường phố, nhiều người nói, tiếng ồn: tới 92%. Đây là chỗ yếu nhất, và trang cũng ghi rõ cho người dùng là loại âm thanh này dễ sai chữ, nên đọc lại bản TXT trước khi dùng.

Mẫu kiểm thử nhỏ (6 video hợp lệ, khoảng 25 phút), nên mình xem đây là chỉ báo chứ không phải kết luận.

Ba miền. Mẫu của mình có giọng Bắc (Hà Nội) và giọng Nam (Sài Gòn); giọng Trung (Huế, Đà Nẵng) mình chưa tìm được video có phụ đề tay đủ tốt để đo, nên chưa dám nói con số. Nếu bạn có file ghi âm giọng Trung và sẵn lòng thử, kết quả của bạn rất có giá trị với mình.

Số viết bằng chữ số. Bản chép lời viết “11 giờ”, “cấp 2”, trong khi phụ đề tay hay viết “mười một giờ”, “cấp hai”. Phần chênh này làm WER cao hơn 1 đến 3 điểm trên video sạch, dù người đọc thường thấy chữ số tiện hơn.

Những việc mình thấy hợp nhất

• Gỡ băng cuộc họp và phỏng vấn để viết biên bản, trích dẫn.
• Tạo file SRT cho video YouTube, Facebook, TikTok, CapCut, Premiere.
• Có bản chữ của bài giảng, podcast để tìm đúng đoạn cần nghe lại.
• Gỡ băng phỏng vấn sâu cho nghiên cứu, luận văn.

Cần góp ý

• Loại âm thanh nào của bạn vẫn cho nhiều lỗi nhất?
• Bạn cần thêm định dạng xuất hay tính năng gì khi làm phụ đề?
• Ai có file ghi âm giọng miền Trung, bạn thấy kết quả thế nào?

Thử ngay: cheploi.vn

English summary. Chép Lời is a browser-based Vietnamese speech-to-text service. Upload a video or audio file (or paste a single YouTube link), choose Vietnamese or English, and download a timestamped transcript as TXT, SRT or VTT. 15 free minutes per day without signup (up to 10 minutes per file); optional subtitle translation into Vietnamese and video summaries. In my own small test (6 valid videos, about 25 minutes) word error rate was about 2.5-5.5% on clean single-speaker audio and up to 92% on noisy multi-speaker street audio. Northern and Southern accents were tested; Central was not. I am the maker; feedback welcome in the comments.