AI nghe giọng nói thế nào? Speech-to-text giải thích dễ hiểu

AI nghe bạn nói thế nào?

AI giờ không chỉ đọc chữ. Nó còn nghe được bạn nói. Bạn nói vào điện thoại, chữ hiện ra ngay. Nhưng máy nghe kiểu gì?

SÓNG ÂM

Với máy, giọng nói là gì?

Với máy, giọng nói chỉ là một dãy số: độ rung của không khí, đo hàng chục nghìn lần mỗi giây. Nhìn dãy số đó, khó biết bạn nói chữ gì.

ẢNH PHỔ

Biến âm thanh thành ảnh

Nên máy cắt âm thanh thành từng lát thật mỏng, tách mỗi lát ra tiếng trầm, tiếng bổng. Xếp các lát cạnh nhau thành một bức ảnh gọi là ảnh phổ: chỗ sáng là chỗ có tiếng.

ĐỌC ẢNH

Đọc ảnh ra chữ

Mỗi âm có hình dạng riêng: tiếng "a" là mấy vạch ngang, tiếng "xì" là đám mờ trên cao. Một mô hình đã nghe hàng trăm nghìn giờ ghi âm sẽ đọc các hình đó ra chữ, dựa cả vào nghĩa của câu.

VÌ SAO SAI

Ồn và nói chồng

Thứ gì làm bẩn bức ảnh sẽ làm AI nghe nhầm. Tiếng ồn quán cà phê phủ mờ hình chữ. Hai người nói chồng thì hai hình đè lên nhau.

TÊN RIÊNG

Tên riêng dễ bị đoán sai

Tên riêng thì AI ít gặp, nên hay đoán thành chữ quen. Tên chị Thắm có thể thành chữ "thấm". Nên luôn soát lại tên người và con số.

PHẦN 2

Nghe được rồi, còn nói?

Nghe được rồi. Còn nói thì sao? Làm sao máy đọc chữ thành giọng như người thật? Hẹn bạn ở phần 2.