Giới thiệu
“Hey Siri” — “OK Google”
Giọng của bạn → văn bản → hành động. Mạng nơ-ron ở mọi chặng.
Bạn nói vài từ — chỉ trong vài trăm mili-giây, điện thoại đã hiểu và phản hồi. Đằng sau sự nhanh nhạy đó là hàng loạt mạng nơ-ron sâu nối tiếp nhau, mỗi mạng làm một việc: nghe âm, hiểu nghĩa, tạo giọng trả lời.
Tỉ lệ lỗi từ trên 23% — cứ bốn từ sai một khi dùng mô hình thống kê HMM/GMM. Chuyển sang mạng nơ-ron sâu: tỉ lệ lỗi giảm xuống 4,9% — gần ngang khả năng của con người. Hơn 4,2 tỷ thiết bị có trợ lý giọng nói. Đã trở thành công cụ hàng ngày.
Biến giọng nói của một người bất kỳ thành văn bản chính xác trong thời gian thực là một bài toán cực khó:
| Thách thức | Ví dụ |
|---|---|
| Giọng không ai giống ai | Bắc, Trung, Nam, nam, nữ, già, trẻ — cùng một từ có thể phát âm theo hàng chục cách. |
| Tiếng ồn ở khắp nơi | Xe máy, TV, tiếng trẻ con — hệ thống phải “gạn đục” lấy đúng giọng nói. |
| Tốc độ khác nhau | Có người nói chậm, có người nói rất nhanh. Hệ thống phải theo kịp mọi nhịp. |
| Độ trễ dưới 1 giây | Quá chậm là người dùng bỏ cuộc. Cần cân giữa chính xác và tốc độ. |