I. Khái niệm và lịch sử dịch tự động ngôn ngữ ký hiệu Việt Nam
Dịch tự động ngôn ngữ ký hiệu Việt Nam là một lĩnh vực nghiên cứu quan trọng trong công nghệ ngôn ngữ tự nhiên và trí tuệ nhân tạo. Ngôn ngữ ký hiệu Việt Nam (VSL) là hệ thống giao tiếp chính của cộng đồng người khiếm thính Việt Nam, có cú pháp và ngữ pháp riêng biệt so với tiếng Việt nói. Phương pháp dịch tự động nhằm chuyển đổi các câu VSL thành tiếng Việt viết, giúp cầu nối giao tiếp giữa người khiếm thính và người bình thường. Nghiên cứu trong lĩnh vực này bắt đầu từ những năm 2020 tại các trường đại học và viện nghiên cứu hàng đầu Việt Nam, với mục tiêu phát triển công nghệ hỗ trợ cho cộng đồng khiếm thính.
1.1. Định nghĩa ngôn ngữ ký hiệu Việt Nam
Ngôn ngữ ký hiệu Việt Nam (VSL) là một ngôn ngữ tự nhiên sử dụng chuyển động tay, khuôn mặt và vị trí cơ thể để truyền đạt thông tin. VSL có cú pháp riêng, không theo quy tắc tiếng Việt nói, với thứ tự từ và cấu trúc câu độc lập. Đặc điểm nổi bật của VSL là sử dụng không gian 3D, chỉ các địa điểm cụ thể và thể hiện mối quan hệ giữa các đối tượng thông qua vị trí tay.
1.2. Tầm quan trọng của dịch tự động VSL
Dịch tự động VSL giúp loại bỏ rào cản giao tiếp cho người khiếm thính trong cuộc sống hàng ngày. Ứng dụng công nghệ dịch máy cho VSL hỗ trợ giáo dục, y tế, pháp lý và các dịch vụ công cộng. Đây là bước tiến quan trọng trong công nghệ hỗ trợ người khiếm thính và thúc đẩy sự bình đẳng xã hội.
II. Phương pháp tiếp cận dựa trên cấu trúc trong dịch VSL
Phương pháp dịch dựa trên cấu trúc (RBMT) là hướng tiếp cận truyền thống sử dụng luật ngôn ngữ để chuyển đổi VSL sang tiếng Việt. Phương pháp này dựa trên phân tích cú pháp câu VSL và áp dụng các quy tắc được xây dựng từ kiến thức ngôn ngữ học. Từ điển VSL-Lexicon được xây dựng với các mục từ ký hiệu cùng các thông tin ngữ pháp liên quan. Bộ dữ liệu song ngữ Vie-VSL10k chứa 10.000 cặp câu VSL-tiếng Việt, phục vụ cho việc huấn luyện và kiểm tra hệ thống. Hướng tiếp cận này có ưu điểm là dễ kiểm soát, minh bạch trong quy trình xử lý, nhưng nhược điểm là khó xử lý các trường hợp ngoại lệ.
2.1. Xây dựng từ điển và cơ sở dữ liệu VSL
Từ điển VSL-Lexicon là tài nguyên ngôn ngữ quan trọng, chứa các ký hiệu VSL với định nghĩa, từ loại và thông tin ngữ pháp. Bộ dữ liệu Vie-VSL10k được tạo từ quá trình ghi hình những người bản ngữ VSL, sau đó được chuyển ghi lại bằng ký hiệu và dịch sang tiếng Việt. Dữ liệu này đảm bảo tính chính xác và phản ánh đặc điểm thực tế của VSL.
2.2. Xây dựng và áp dụng luật dịch
Các luật dịch được xây dựng dựa trên tính chất rút gọn và đặc điểm cú pháp của VSL. Mỗi luật đại diện cho một mẫu chuyển đổi từ cấu trúc VSL sang tiếng Việt. Hệ thống dịch dựa trên luật áp dụng các luật này tuần tự để xử lý từng câu, sử dụng phân tích cú pháp để xác định cấu trúc câu và chọn luật phù hợp.
III. Phương pháp tiếp cận dựa trên thống kê và mạng nơ ron
Phương pháp dịch thống kê sử dụng dữ liệu lớn để học các mẫu dịch một cách tự động, không dựa trên luật được xây dựng thủ công. Mô hình Sequence-to-Sequence (Seq2Seq) với kiến trúc bộ mã hóa-giải mã được áp dụng để dịch từng chuỗi ký hiệu VSL sang chuỗi từ tiếng Việt. Mô hình Transformer là tiến bộ tiếp theo, sử dụng cơ chế Attention để xác định mối quan hệ giữa các phần tử trong câu. Những phương pháp này đạt hiệu suất cao trên bộ dữ liệu Vie-VSL10k và có khả năng xử lý các mẫu dịch phức tạp. Các mô hình được đánh giá thông qua điểm BLEU và Perplexity, cho thấy sự cải thiện đáng kể so với phương pháp truyền thống.
3.1. Mô hình Sequence to Sequence cho dịch VSL
Mô hình Seq2Seq bao gồm bộ mã hóa nhận vào chuỗi ký hiệu VSL và bộ giải mã sinh ra chuỗi từ tiếng Việt. Quá trình huấn luyện sử dụng bộ dữ liệu song ngữ để tối ưu hóa hàm loss. Cơ chế Attention cho phép mô hình tập trung vào các phần tử quan trọng trong câu nguồn khi sinh ra từ dịch.
3.2. Mô hình Transformer trong dịch VSL
Mô hình Transformer sử dụng hoàn toàn cơ chế Attention tự loại (Self-Attention) thay vì RNN, giúp xử lý song song và nắm bắt được mối quan hệ từ xa trong câu. Mã hóa vị trí (Positional Encoding) giúp mô hình nhận thức được thứ tự ký hiệu trong chuỗi. Kết quả thực nghiệm cho thấy Transformer vượt trội hơn Seq2Seq trong việc dịch các câu VSL phức tạp.
IV. Làm giàu dữ liệu và đánh giá hiệu suất hệ thống dịch
Làm giàu dữ liệu (Data Augmentation) là kỹ thuật quan trọng để cải thiện hiệu suất dịch tự động VSL, đặc biệt khi dữ liệu huấn luyện còn hạn chế. Các phương pháp làm giàu bao gồm sao chép câu, thay thế từ đồng nghĩa, và sinh tổng hợp các câu mới từ dữ liệu hiện có. Bộ dữ liệu Vie-VSL10k được mở rộng thông qua các kỹ thuật này, giúp tăng từ 10.000 lên hơn 30.000 cặp câu. Đánh giá chất lượng dịch được thực hiện thông qua điểm BLEU để đo sự tương đồng giữa bản dịch máy và bản dịch tham chiếu, cũng như Perplexity để đánh giá chất lượng mô hình ngôn ngữ. Kết quả cho thấy việc làm giàu dữ liệu giúp cải thiện điểm BLEU từ 25-30% tùy theo phương pháp áp dụng.
4.1. Kỹ thuật làm giàu dữ liệu cho dịch VSL
Làm giàu dữ liệu bao gồm nhiều kỹ thuật như Back-translation (dịch ngược lại), Paraphrase (diễn đạt lại), và Synthesis (sinh dữ liệu tổng hợp). Các kỹ thuật này giúp tạo ra các biến thể của câu VSL-tiếng Việt, cung cấp đa dạng hơn cho mô hình học tập, từ đó cải thiện khả năng tổng quát hóa.
4.2. Đánh giá và kết quả thực nghiệm
Điểm BLEU so sánh bản dịch máy với bản dịch tham chiếu dựa trên n-gram overlap. Perplexity đo lường mức độ bối rối của mô hình ngôn ngữ trên tập kiểm tra. Kết quả cho thấy phương pháp Transformer đạt điểm BLEU cao nhất (khoảng 35-40), vượt trội so với Seq2Seq (25-30) và RBMT (20-25).
