Giới thiệu dự án

Context và Problem Background

Thành phố Hồ Chí Minh (TP.HCM) là đầu tàu kinh tế - văn hóa lớn nhất miền Nam với quy mô dân số vượt trội. Theo số liệu điều tra dân số, người nhập cư diện tạm trú (KT3, KT4) chiếm tới 30,1% tổng dân số toàn thành phố, trong đó nguồn cư dân từ Bắc Trung Bộ và Nam Trung Bộ chiếm tỷ trọng đáng kể. Khi di cư vào môi trường đô thị phương Nam, người miền Trung mang theo hệ thống thổ ngữ đa dạng, giàu tính bảo lưu lịch sử nhưng lại có độ dị biệt âm vị học, từ vựng và ngữ điệu rất lớn so với phương ngữ Sài Gòn (biến thể chuẩn thực tế của phương Nam).

Problem Statement

Người miền Trung nhập cư đối mặt với rào cản giao tiếp nghiêm trọng do sự khác biệt sâu sắc giữa các biến thể phi chuẩn (non-standard varieties) của quê quán và biến thể chuẩn đô thị (standard urban variety). Các điểm nghẽn (pain points) chính gồm:

  • Lệch pha thụ cảm âm thanh (Perceptual Misalignment): Sự khác biệt về phụ âm đầu quặt lưỡi /ƫ-, ʂ-, ʐ-/, âm xát ngạc hóa [ð], âm lướt /-w-/, và thanh điệu (sáp nhập thanh hỏi - ngã [3-4]) gây đứt gãy giao tiếp trong môi trường học thuật, hành chính và thương mại.
  • Áp lực xã hội học ngôn ngữ (Sociolinguistic Stigma): Người nhập cư chịu định kiến ngôn ngữ, giảm cơ hội việc làm hoặc mất tự tin khi trình bày ý kiến trước cộng đồng bản địa.
  • Xung đột duy trì bản sắc và hòa nhập: Nguy cơ tiêu biến thổ ngữ gốc khi đồng hóa hoàn toàn, hoặc ngược lại bị cô lập trong các tiểu cộng đồng đồng hương nếu không thể thích nghi mã ngôn ngữ mới.

Project Objectives

  1. Khảo sát và xác lập hệ thống tiêu chí âm vị học thực nghiệm: Đo đạc các thông số F0 (Pitch contour), F1, F2, F3 (Formant frequencies) của 6 thanh điệu và các nguyên âm đôi /i͜e, u͜o, ɯ͜ɤ/, phụ âm quặt lưỡi trên phần mềm âm học chuyên dụng.
  2. Định lượng hóa mức độ thụ đắc phương ngữ thứ hai (L2 Dialect Acquisition): Phân tích 9 trường hợp điển hình đại diện cho 9 tỉnh miền Trung (Nghệ An, Hà Tĩnh, Quảng Trị, Thừa Thiên Huế, Quảng Nam, Quảng Ngãi, Bình Định, Phú Yên, Khánh Hòa) đối sánh với 2 người bản địa Sài Gòn.
  3. Mô hình hóa động thái chọn mã (Code-selection) và chuyển mã (Code-switching): Xác định quy luật tương tác giữa các yếu tố xã hội học (tuổi, thời gian định cư, mạng lưới xã hội, nghề nghiệp) và các hiện tượng chuyển mã tình huống (situational) vs. chuyển mã ẩn dụ (metaphorical).

Solution Approach

Đề tài kết hợp phương pháp nghiên cứu định tính đa trường hợp (Multiple-case study) và ngôn ngữ học âm học thực nghiệm (Acoustic Phonetics). Việc giải mã biến đổi ngữ âm được thực hiện thông qua ghi âm hai phong cách: phong cách đọc bảng từ chuẩn hóa (Word-list reading style) và phong cách lời nói tự nhiên (Spontaneous speech style).

Dữ liệu âm thanh được phân tích phổ tần số và đường nét cao độ trên phần mềm Praat, sau đó đối chiếu với khung lý thuyết thụ đắc phương ngữ của Chambers (1992) và thuyết thích nghi giao tiếp (Communication Accommodation Theory - CAT) của Giles.

Expected Outcomes

  • Bộ ngữ liệu phổ âm thanh (Spectrogram Corpus): Cung cấp hơn 100 biểu đồ sóng âm (Waveform), thanh phổ (Spectrogram) và pitch tracking chuẩn xác đến từng mili-giây (ms) và Hertz (Hz).
  • Thang đo mức độ thích nghi phương ngữ (Dialect Adaptation Scale): Phân loại 3 mức độ thích nghi (Thấp - Trung bình - Cao) tương ứng với thời gian định cư (dưới 6 tháng, 6 tháng đến 3 năm, trên 3 năm).
  • Khung giải pháp ứng dụng: Cẩm nang chỉnh âm (Accent modification) cho người nhập cư và dữ liệu chuẩn cho các kỹ sư phát triển mô hình nhận dạng giọng nói tự động (ASR - Automatic Speech Recognition) đa phương ngữ tiếng Việt.

Scope và Limitations

  • Phạm vi đối tượng: Nhóm trí thức trẻ (sinh viên, cử nhân, thạc sĩ) độ tuổi 21 - 32 tuổi nhập cư sau năm 1975, có khả năng tự nhận thức hành vi ngôn ngữ.
  • Giới hạn kỹ thuật: Nghiên cứu tập trung chuyên sâu vào bình diện âm vị học (ngữ âm đoạn tính và siêu đoạn tính) kết hợp xã hội học ngôn ngữ; chưa mở rộng sang thống kê ngữ liệu lớn (Big Corpus) ở quy mô hàng ngàn mẫu tự động.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Current Solutions Analysis

Trước đây, các công trình nghiên cứu phương ngữ tiếng Việt chủ yếu tiếp cận theo hướng miêu tả tĩnh tại hoặc địa lý ngôn ngữ học truyền thống:

Giải pháp / Công trình Ưu điểm Nhược điểm / Lỗ hổng kỹ thuật
Phân vùng truyền thống
(Maspéro 1912, Hoàng Thị Châu 2004)		 Xác lập diện mạo tổng thể hệ thống âm vị các vùng miền; nhận diện âm cổ [ð], [j]. Mang tính tĩnh tại, giả định người nói bất biến trong không gian cố định; thiếu công cụ phân tích âm học thời gian thực.
Xã hội học ngôn ngữ định tính
(Trịnh Cẩm Lan 2005, Phan Xuân Phồn 2014)		 Khảo sát biến đổi ngôn từ người Nghệ Tĩnh tại Hà Nội và Vinh; chú trọng yếu tố xã hội. Thiếu phân tích định lượng bằng phổ đồ Praat; chưa khảo sát diện rộng đa trường hợp trải dài từ Bắc Trung Bộ đến Nam Trung Bộ tại TP.HCM.
Giải pháp của Đề tài hiện tại Kết hợp âm học thực nghiệm (F0, F1/F2) + Nghiên cứu đa trường hợp 9 tỉnh + Mô hình hóa chuyển mã. Đòi hỏi chuẩn hóa quy trình thu âm cách âm và xử lý tín hiệu thủ công tỉ mỉ.

User Requirements & MoSCoW Prioritization

  • Must-have: Trích xuất chính xác F0 contours của 6 thanh điệu (ngang, huyền, ngã, hỏi, sắc, nặng); xác định biến đổi Formant các cặp nguyên âm đôi /i͜e/ - /ɯ͜ɤ/; phân loại hành vi chọn mã theo đối tượng giao tiếp.
  • Should-have: Đối sánh sự khác biệt giữa biến thể đọc từ cô lập và hội thoại tự nhiên; đo lường độ phân kỳ âm quặt lưỡi /ƫ-, ʂ-, ʐ-/.
  • Could-have: Tự động hóa trích xuất tham số âm học bằng script lập trình tích hợp; xây dựng profile âm học riêng cho từng người tham gia.
  • Won't-have (giai đoạn này): Xây dựng hệ thống ASR End-to-End deep learning thời gian thực.

Thiết kế hệ thống nghiên cứu âm học

  [Audio Recording: 44.1kHz / 16-bit PCM Mono]
  [Data Pre-processing: Bandpass Filter 50Hz - 8000Hz, De-noising]
  [Acoustic Processing Core: Praat v6.0.29 Engine / Parselmouth Python API]
  [Quantitative Analysis: F1 vs F2 Vowel Space Normalization (Lobanov Method)]
  [Sociolinguistic Correlation Matrix: Age, Exposure, Code-switching Strategy]

Technology Stack

  • Phần mềm cốt lõi: Praat Speech Analyzer Engine (v6.0.29).
  • Xử lý tín hiệu & Dữ liệu: Python 3.8.10, Parselmouth (Praat in Python API v0.4.0), NumPy (v1.21.0), SciPy (v1.7.1), Matplotlib (v3.4.3).
  • Tiêu chuẩn phiên mã: International Phonetic Alphabet (IPA 2015 Revised).
  • Phần cứng thu âm: Micro condenser định hướng cardioid, Soundcard Focusrite Scarlett 2i2, phòng cách âm SNR > 30 dB.

Database Schema (Corpus Metadata)

Hệ thống quản lý mẫu âm học được cấu trúc theo bảng quan hệ:

CREATE TABLE speakers (
    speaker_id VARCHAR(10) PRIMARY KEY,
    full_name VARCHAR(100),
    birth_year INT,
    gender VARCHAR(10),
    origin_province VARCHAR(50),      -- e.g., 'Nghệ An', 'Huế', 'Quảng Nam'
    dialect_zone VARCHAR(20),         -- 'Bắc Trung Bộ' | 'Nam Trung Bộ'
    migration_age INT,
    years_in_hcmc FLOAT,
    adaptation_level VARCHAR(20)      -- 'Low', 'Intermediate', 'High'
);

CREATE TABLE acoustic_tokens (
    token_id VARCHAR(20) PRIMARY KEY,
    speaker_id VARCHAR(10) REFERENCES speakers(speaker_id),
    target_word VARCHAR(50),
    ipa_transcription VARCHAR(50),
    style_type VARCHAR(20),           -- 'Word-list' | 'Spontaneous'
    f0_start_hz FLOAT,
    f0_mid_hz FLOAT,
    f0_end_hz FLOAT,
    f1_hz FLOAT,
    f2_hz FLOAT,
    f3_hz FLOAT,
    duration_ms FLOAT
);

Methodology

Research Process & Milestones

Dự án được thực thi theo phương pháp tiếp cận đa trường hợp (9 ca nghiên cứu chuyên sâu + 2 ca đối chứng) với 4 giai đoạn chính:

Implementation và kết quả

Development Process & Key Algorithms

Thuật toán phân tích âm học tự động trích xuất các giá trị Formant và Pitch contour từ tập tin âm thanh của cộng tác viên được hiện thực hóa qua module script xử lý chuyên sâu:

import parselmouth
from parselmouth.praat import call
import numpy as np

def extract_acoustic_parameters(sound_path, textgrid_path, tier_name="phoneme"):
    """
    Trích xuất Formant (F1, F2) và Pitch Contour (F0) cho các âm tiết tiếng Việt.
    Sử dụng Burg Algorithm và Auto-correlation trong Praat Core.
    """
    sound = parselmouth.Sound(sound_path)
    pitch = sound.to_pitch(time_step=0.01, pitch_floor=75.0, pitch_ceiling=500.0)
    formants = sound.to_formant_burg(time_step=0.01, max_number_of_formants=5, 
                                     maximum_formant=5500.0, window_length=0.025)
    
    # Load TextGrid for temporal boundary alignment
    textgrid = call("Read from file", textgrid_path)
    num_intervals = call(textgrid, "Get number of intervals", 1)
    
    acoustic_data = []
    for i in range(1, num_intervals + 1):
        label = call(textgrid, "Get label of interval", 1, i)
        if label.strip() != "":
            start = call(textgrid, "Get starting point", 1, i)
            end = call(textgrid, "Get end point", 1, i)
            mid = (start + end) / 2.0
            
            # Extract F0 trajectory (Start, Mid, End)
            f0_start = call(pitch, "Get value at time", start, "Hertz", "Linear")
            f0_mid = call(pitch, "Get value at time", mid, "Hertz", "Linear")
            f0_end = call(pitch, "Get value at time", end, "Hertz", "Linear")
            
            # Extract Formants at steady state (Mid-point)
            f1 = call(formants, "Get value at time", 1, mid, "Hertz", "Linear")
            f2 = call(formants, "Get value at time", 2, mid, "Hertz", "Linear")
            f3 = call(formants, "Get value at time", 3, mid, "Hertz", "Linear")
            
            acoustic_data.append({
                "label": label,
                "duration_ms": (end - start) * 1000,
                "f0_vector": [f0_start, f0_mid, f0_end],
                "f1_hz": f1,
                "f2_hz": f2,
                "f3_hz": f3
            })
    return acoustic_data

Testing và Validation

Dữ liệu phân tích thực nghiệm trên 9 trường hợp điển hình

Quá trình kiểm chứng thực nghiệm đo đạc trên các mẫu âm thanh chuẩn thuộc bảng từ bao gồm 6 thanh điệu trên âm tiết chuẩn /ma/ (ma, mà, mã, mả, má, mạ) và các cấu trúc âm tiết kín/mở phức tạp (mít chín, oan, uyên, chí, chính, sa, xa):

            SO SÁNH FORMANT KHÔNG GIAN NGUYÊN ÂM (F1/F2 PLOT)
  F1 (Hz) High Vowels

Phân tích định lượng dữ liệu thực nghiệm:

  1. Trường hợp Bắc Trung Bộ (Nghệ An - Phan Hiếu Nghĩa & Hà Tĩnh - Phan Thị Yến):
    • Thanh điệu: Thanh ngã (thanh 3) và thanh hỏi (thanh 4) có sự phân biệt rõ ràng ở người Nghệ An nguyên bản, nhưng khi chuyển dịch sang tiếng Sài Gòn, F0 contour của thanh ngã hạ thấp độ dốc, tiệm cận đường nét gãy-lên của thanh hỏi Sài Gòn (trùng khớp với mẫu bản địa của Trần Duy Quốc).
    • Phụ âm quặt lưỡi: Xuất hiện tỷ lệ 78% thay thế phụ âm uốn lưỡi /ƫ-, ʂ-, ʐ-/ bằng các âm mặt lưỡi/xát /c, s, j/ trong giao tiếp tự nhiên.
  2. Trường hợp Trung Trung Bộ (Huế - Trần Thiên Huy & Quảng Nam - Trần Thị Mỹ Trinh):
    • Thanh điệu: Thanh hỏi-ngã hoàn toàn sáp nhập thành một thanh duy nhất [3-4] với âm vực trung bình-thấp và kết thúc bằng đường nét đi xuống nhẹ (contour: 31-32).
    • Âm chính và âm cuối: Hiện tượng biến đổi nguyên âm đôi /i͜e/ thành /i/ và /ɯ͜ɤ/ thành /ɯ/ trước âm cuối mũi /-ŋ/ và tắc /-k/ (ví dụ: chính -> [ciŋ5], mít -> [mit5]).
  3. Trường hợp Nam Trung Bộ (Bình Định - Ngô Thị Phương Thuyền, Phú Yên - Phạm Nữ Nguyên Trà, Khánh Hòa - Nguyễn Đoàn Trường Giang):
    • Mức độ thích nghi: Đạt mức cao nhất (85% - 95% tương đồng âm học với người bản địa Sài Gòn - Lê Huỳnh Phương Trúc).
    • Âm chính: Hiện tượng mở rộng nguyên âm /a/ -> [æ] hoặc biến âm /ɔ/ được điều chỉnh hoàn toàn sang hệ nguyên âm Nam Bộ.

Kết quả đạt được

(Ghi chú: Phan Hiếu Nghĩa có lịch sử cư trú phức tạp: 0-9 tuổi ở TP.HCM, 9-18 tuổi ở Vinh, 18+ tuổi quay lại TP.HCM).

Đổi mới và đóng góp

Technical Innovations

  • Khung tích hợp Âm học Thực nghiệm & Xã hội học Ngôn ngữ: Loại bỏ tính chủ quan trong thẩm âm truyền thống bằng việc áp dụng thuật toán phân tích phổ Burg và F0 Auto-correlation trên Praat, cung cấp chứng cứ vật lý chính xác đến cấp độ Hertz và mili-giây.
  • Xác lập 5 quy luật thích nghi âm vị học người miền Trung di cư:
    1. Quy luật đơn giản hóa siêu đoạn tính: Hệ thống 6 thanh điệu Bắc Trung Bộ -> Hệ thống 5 thanh điệu Sài Gòn (sáp nhập thanh hỏi - ngã) đạt tỷ lệ biến đổi nhanh nhất (sau 3-6 tháng).
    2. Quy luật xát hóa phụ âm đầu: Giảm thiểu các âm bật hơi /ph, th, kh/ và phụ âm hút vào cổ xưa [ð] chuyển sang âm xát lướt [j].
    3. Quy luật dịch chuyển Formant nguyên âm đôi: Nguyên âm đôi /i͜e, u͜o, ɯ͜ɤ/ triệt tiêu tính lướt phân kỳ khi kết hợp với phụ âm cuối ngạc mềm.
    4. Quy luật bảo lưu trong phong cách đọc: Độ lệch phương ngữ bộc lộ rõ nhất ở phong cách đọc bảng từ cô lập (Word-list) và giảm mạnh trong phong cách hội thoại tự nhiên.
    5. Quy luật mạng lưới xã hội (Social Network Density): Sống cùng gia đình/đồng hương làm chậm tốc độ thụ đắc L2 tới 40% so với việc sống trong môi trường thuần bản địa Sài Gòn.

Ứng dụng thực tế và triển khai

Real-World Use Cases & Scenarios

  1. Nâng cấp độ chính xác cho hệ thống Voice AI & Speech-to-Text (ASR):
    • Vấn đề: Các mô hình nhận dạng giọng nói hiện tại (như Whisper, Kaldi) thường suy giảm 25% - 35% Word Error Rate (WER) khi xử lý giọng miền Trung do lệch Formant và biến thể phụ âm quặt lưỡi.
    • Ứng dụng: Cung cấp tập luật chuyển đổi âm vị học và dữ liệu phân bố tần số để Fine-tune Acoustic Models nhận diện chính xác các từ biến thể (mít chín -> [mit5 ciŋ5], ra vào -> [ja1 vaw2]).
  2. Chương trình Đào tạo Giọng nói Truyền thông (Voice Coaching):
    • Xây dựng lộ trình chỉnh âm khoa học cho phát thanh viên, nhân viên chăm sóc khách hàng (Call Center), giáo viên nhập cư dựa trên trực quan hóa phổ âm Praat theo thời gian thực.
  3. Hoạch định Chính sách Ngôn ngữ Đô thị:
    • Cung cấp cơ sở khoa học giúp ngành giáo dục và văn hóa xây dựng môi trường hòa nhập, hạn chế kỳ thị phương ngữ tại các đô thị tiếp nhận di cư lớn.

Deployment Strategy & Implementation Roadmap

  GIAI ĐOẠN 1 (Tháng 1-3)        GIAI ĐOẠN 2 (Tháng 4-6)        GIAI ĐOẠN 3 (Tháng 7-12)

Hạn chế và hướng phát triển

Technical Limitations

  • Quy mô mẫu định lượng: Mẫu khảo sát tập trung vào 9 trường hợp nghiên cứu sâu đại diện cho 9 tỉnh; chưa mở rộng đến hàng ngàn mẫu thống kê xã hội học diện rộng.
  • Độ tuổi và thành phần xã hội: Đối tượng khảo sát chủ yếu là thanh niên, trí thức (21 - 32 tuổi); chưa phản ánh toàn diện hành vi của nhóm người cao tuổi hoặc lao động phổ thông không có ý thức chỉnh giọng.

Future Research Directions

  • Mở rộng Corpus đa thế hệ: Khảo sát sự biến đổi thế hệ F1 (người nhập cư trực tiếp) và thế hệ F2 (con cái sinh ra tại TP.HCM).
  • Tự động hóa toàn diện với Deep Learning: Xây dựng mạng nơ-ron tích chập (CNN) phân loại tự động phương ngữ gốc và dự đoán mức độ thích nghi từ raw waveform audio.

Đối tượng hưởng lợi

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để tiến hành phân tích âm học theo phương pháp của đề tài là gì?

Cần môi trường thu âm có chỉ số tạp âm nền SNR > 25 dB, micro định hướng dải tần 20 Hz - 20 kHz, phần mềm Praat (từ phiên bản 5.3 trở lên) hoặc Python tích hợp thư viện praat-parselmouth. Tần số lấy mẫu (Sampling rate) tối thiểu 44.1 kHz với độ sâu 16-bit PCM Mono.

2. Sự khác biệt âm học lớn nhất giữa giọng Bắc Trung Bộ và giọng Sài Gòn là gì?

Khác biệt lớn nhất nằm ở: (1) Đường nét cao độ F0 của thanh ngã (thanh 3) gãy-nẩy ở Bắc Trung Bộ đối lập với sự sáp nhập hoàn toàn vào thanh hỏi (thanh 4) ở Sài Gòn; (2) Phụ âm quặt lưỡi /ƫ-, ʂ-, ʐ-/ được phân biệt nghiêm ngặt ở Bắc Trung Bộ nhưng bị đồng hóa thành âm mặt lưỡi /c, s, j/ trong tiếng Sài Gòn chuẩn.

3. Tại sao người Nam Trung Bộ (Bình Định, Phú Yên, Khánh Hòa) thích nghi giọng Sài Gòn nhanh hơn người Bắc Trung Bộ?

Do vùng Nam Trung Bộ là vùng phương ngữ chuyển tiếp (Transitional dialect zone), có sự tương đồng lớn về hệ thống 5 thanh điệu và sự giản lược phụ âm cuối với phương ngữ Nam Bộ, giúp rút ngắn khoảng cách âm học (Acoustic distance) trong quá trình thích nghi.

4. Hiện tượng "Chuyển mã ẩn dụ" (Metaphorical Code-switching) diễn ra như thế nào ở người nhập cư?

Người nhập cư chuyển đổi linh hoạt giữa tiếng Sài Gòn và tiếng quê hương khi thay đổi trạng thái cảm xúc: sử dụng tiếng Sài Gòn trong các thảo luận công việc nghiêm túc, trang trọng và tự động chuyển về thổ ngữ gốc khi chia sẻ cảm xúc thân mật, hài hước với bạn bè đồng hương.

5. Dữ liệu của nghiên cứu có thể tích hợp vào các pipeline xử lý ngôn ngữ tự nhiên (NLP) hiện đại không?

Hoàn toàn khả thi. Bảng ánh xạ âm vị và tham số phổ Formant có thể dùng để xây dựng module Grapheme-to-Phoneme (G2P) đa phương ngữ, hỗ trợ đắc lực cho cả hai tác vụ tổng hợp giọng nói (TTS - Text-to-Speech) và nhận dạng tiếng nói (ASR).

Kết luận

Khóa luận tốt nghiệp của tác giả Trần Thị Diệp Trúc đã giải quyết xuất sắc bài toán đa phương ngữ của người miền Trung nhập cư tại TP.HCM thông qua lăng kính khoa học âm học thực nghiệm và ngôn ngữ học xã hội hiện đại. Công trình không chỉ cung cấp bức tranh chi tiết về sự chuyển dịch ngữ âm của 9 nhóm cư dân miền Trung mà còn thiết lập cơ sở dữ liệu vật lý âm thanh chuẩn xác, mở ra tiềm năng ứng dụng to lớn cho công nghệ giọng nói AI và các chương trình hòa nhập cộng đồng đô thị.