I. Tổng Quan Về Xác Định Đại Từ Cho Voicebot Tiếng Việt 55
Xử lý thông tin và cảm xúc trong giao tiếp là một kỹ năng phức tạp. Việc xây dựng một hệ thống máy tính, đặc biệt là voicebot tiếng Việt, có khả năng phản hồi phù hợp cả về nội dung và cảm xúc là một thách thức lớn. Luận văn này giới thiệu ViEmBot, một voicebot được phát triển để chia sẻ tâm sự về cuộc sống. Khác với các voicebot khác như Google Assistant hay MaiKa, ViEmBot được huấn luyện trên bộ dữ liệu hội thoại có cảm xúc UIT-VED-27K. Điểm khác biệt nổi bật là ViEmBot có khả năng xác định giới tính của người nói để sử dụng đại từ nhân xưng phù hợp. Điều này tạo ra sự khác biệt đáng kể, mang lại trải nghiệm giao tiếp tự nhiên hơn. ViEmBot cũng có thể đặt câu hỏi mang tính cảm xúc và duy trì chủ đề trong các lượt tương tác, làm cho cuộc hội thoại trở nên tự nhiên hơn. Mục tiêu là biến máy tính thành một người bạn “tâm giao”, có khả năng tương tác và thể hiện cảm xúc thông qua giọng nói.
1.1. Điểm khác biệt của ViEmBot so với Voicebot khác
ViEmBot nổi bật so với các voicebot tiếng Việt hiện tại nhờ hai điểm chính. Thứ nhất, nó được huấn luyện trên bộ dữ liệu UIT-VED-27K, tập trung vào các câu đối thoại mang tính cảm xúc. Thứ hai, ViEmBot có khả năng xác định giới tính của người nói và sử dụng đại từ nhân xưng phù hợp, điều mà các voicebot khác không có. Điều này tạo ra sự khác biệt lớn, giúp ViEmBot giao tiếp một cách tự nhiên hơn. Ngoài ra, ViEmBot có thể đặt câu hỏi mang tính cảm xúc và duy trì chủ đề, nâng cao trải nghiệm người dùng.
1.2. Mục tiêu chính của nghiên cứu và phát triển ViEmBot
Mục tiêu chính của việc phát triển ViEmBot là tạo ra một hệ thống voicebot có khả năng tương tác với con người thông qua giọng nói tiếng Việt một cách tự nhiên và cảm xúc. Điều này bao gồm việc huấn luyện mô hình AI để hiểu và phản hồi các trạng thái cảm xúc của người dùng, cũng như khả năng sử dụng đại từ nhân xưng phù hợp dựa trên giới tính. ViEmBot hướng đến việc trở thành một người bạn “tâm giao”, có khả năng chia sẻ và đồng cảm với người dùng trong cuộc sống hàng ngày.
II. Thách Thức Xác Định Giới Tính trong Voicebot Tiếng Việt 58
Mặc dù có nhiều voicebot và trợ lý ảo trên thế giới, nhưng ứng dụng voicebot tiếng Việt vẫn còn hạn chế. Các ứng dụng hiện tại thường tập trung vào mục đích thương mại, trả lời thắc mắc về sản phẩm/dịch vụ, chứ không phải để tâm sự, giải bày cảm xúc. Google Assistant hỗ trợ tiếng Việt nhưng thiên về tra cứu thông tin hơn là tương tác cảm xúc. Một thách thức lớn là sử dụng đại từ nhân xưng trong tiếng Việt. Khác với tiếng Anh, đại từ nhân xưng tiếng Việt rất đa dạng, thể hiện tuổi tác, sự kính trọng, mức độ thân thiện. Sử dụng sai đại từ nhân xưng có thể gây hiểu lầm là không lễ phép hoặc thiếu tôn trọng. Do đó, xác định giới tính chính xác để sử dụng đại từ nhân xưng phù hợp là vô cùng quan trọng.
2.1. Hạn chế của các Voicebot tiếng Việt hiện tại
Các voicebot tiếng Việt hiện tại còn nhiều hạn chế. Chúng thường được sử dụng cho mục đích thương mại, trả lời các câu hỏi về sản phẩm hoặc dịch vụ. Google Assistant, mặc dù hỗ trợ tiếng Việt, lại tập trung vào tra cứu thông tin hơn là tương tác cảm xúc. Hơn nữa, các voicebot này thường chỉ sử dụng hai đại từ nhân xưng là “tôi” và “bạn”, điều này không tự nhiên trong giao tiếp tiếng Việt.
2.2. Tầm quan trọng của đại từ nhân xưng trong tiếng Việt
Việc sử dụng đúng đại từ nhân xưng rất quan trọng trong tiếng Việt. Đại từ nhân xưng thể hiện tuổi tác, sự kính trọng và mức độ thân thiện giữa người nói và người nghe. Sử dụng sai đại từ nhân xưng có thể gây hiểu lầm là thiếu lễ phép hoặc thiếu tôn trọng. Vì vậy, việc xác định giới tính và sử dụng đại từ nhân xưng phù hợp là yếu tố then chốt để voicebot tiếng Việt giao tiếp một cách tự nhiên và hiệu quả.
2.3. Ví dụ minh họa tầm quan trọng của đại từ nhân xưng
Ví dụ, nếu một người A gọi người B là “bố”, thì người B cần gọi người A là “con” thay vì “bạn”. Hoặc, nếu người A xưng hô với người B là “bác”, vì người B là “cháu” của người A, thì việc người B sử dụng sai đại từ nhân xưng (ví dụ, từ “cháu” qua “mày”) sẽ bị coi là bất lịch sự. Những ví dụ này cho thấy tầm quan trọng của việc sử dụng đúng đại từ nhân xưng trong tiếng Việt.
III. Phương Pháp Xác Định Đại Từ theo Giới Tính cho Voicebot 59
Dựa trên nền tảng chatbot cảm xúc của Tiến và Thành, nghiên cứu này phát triển ứng dụng thành voicebot, cho phép tương tác bằng giọng nói tiếng Việt. Mục tiêu chính là phát triển voicebot có thể tương tác thông qua giọng nói. Nghiên cứu cài đặt mô hình nhận dạng giọng nói tiếng Việt sử dụng Wave2vec 2.0. Xây dựng quy trình gán nhãn cho bộ dữ liệu âm thanh để huấn luyện mô hình Text-to-Speech. Cải tiến bộ nhận diện đại từ nhân xưng bằng cách xác định giới tính của người nói và đề xuất thay thế thư viện Googletrans bằng mô hình dịch thuật MTet. Tinh chỉnh và cải tiến mô hình Transformer TTS, thay thế mô-đun chuyển hình vị thành âm vị từ tiếng Anh sang tiếng Việt, và đề xuất thay thế mô-đun giải mã âm thanh bằng mô hình Multi-band MeGAN.
3.1. Phát triển và cải tiến dựa trên nền tảng chatbot
Nghiên cứu này xây dựng dựa trên nền tảng ứng dụng chatbot có cảm xúc của Tiến và Thành, phát triển ứng dụng này trở thành voicebot, giúp con người có thể tương tác bằng giọng nói tiếng Việt. Việc này bao gồm việc tích hợp mô hình nhận dạng giọng nói, cải tiến bộ nhận diện đại từ nhân xưng, và tinh chỉnh mô hình chuyển văn bản thành giọng nói.
3.2. Các thành phần chính của phương pháp
Phương pháp xác định đại từ nhân xưng theo giới tính cho voicebot tiếng Việt bao gồm các thành phần chính sau: Mô hình nhận dạng giọng nói, mô hình chatbot cải tiến (với khả năng xác định giới tính), và mô hình chuyển văn bản thành giọng nói được tinh chỉnh. Ngoài ra, việc xây dựng bộ dữ liệu âm thanh tiếng Việt chất lượng cao cũng đóng vai trò quan trọng.
3.3. Thay thế Googletrans bằng mô hình dịch thuật MTet
Nghiên cứu đề xuất thay thế thư viện Googletrans bằng mô hình dịch thuật MTet để cải thiện độ chính xác trong việc xác định đại từ nhân xưng. Googletrans đôi khi dịch không sát nghĩa câu tiếng Việt, dẫn đến việc xác định đại từ nhân xưng gặp khó khăn. Mô hình dịch thuật MTet được kỳ vọng sẽ mang lại kết quả tốt hơn.
IV. Ứng dụng và Đánh Giá Mô Hình Voicebot Xác Định Giới Tính 59
Luận văn tập trung vào việc phát triển voicebot có thể tương tác bằng giọng nói tiếng Việt. Phạm vi nghiên cứu bao gồm ba mô-đun: Mô hình chuyển giọng nói thành văn bản (sử dụng Wav2vec 2.0), mô hình chatbot (cải tiến từ nghiên cứu của Tiến và Thành) và mô hình chuyển văn bản thành giọng nói (tinh chỉnh Transformer TTS). Nghiên cứu cũng tập trung vào xây dựng bộ dữ liệu âm thanh tiếng Việt. Mô hình Wav2vec 2.0 cho tiếng Việt được tác giả Nguyễn Thái Bình huấn luyện trên tập dữ liệu 13.000 giờ âm thanh không nhãn và 250 giờ có nhãn. Phạm vi phần này là nghiên cứu tích hợp và triển khai mô hình Wav2vec 2.0.
4.1. Phạm vi nghiên cứu và các mô đun chính
Phạm vi nghiên cứu của luận văn tập trung vào việc phát triển voicebot có khả năng tương tác với con người thông qua giọng nói tiếng Việt. Điều này bao gồm việc nghiên cứu và phát triển ba mô-đun chính: mô hình chuyển giọng nói thành văn bản, mô hình chatbot và mô hình chuyển văn bản thành giọng nói. Ngoài ra, việc xây dựng bộ dữ liệu âm thanh tiếng Việt chất lượng cao cũng là một phần quan trọng của nghiên cứu.
4.2. Sử dụng mô hình Wav2vec 2.0 cho nhận dạng giọng nói
Mô hình Wav2vec 2.0, được phát triển bởi Facebook, được sử dụng để nhận dạng giọng nói tiếng Việt. Đây là mô hình hiện đại nhất, cho độ chính xác cao trong lĩnh vực nhận dạng giọng nói. Mô hình Wav2vec 2.0 cho tiếng Việt được huấn luyện trên tập dữ liệu lớn, bao gồm cả dữ liệu không nhãn và dữ liệu có nhãn, giúp cải thiện đáng kể độ chính xác.
4.3. Cải tiến bộ nhận diện đại từ trong mô hình chatbot
Nghiên cứu cải tiến bộ nhận diện đại từ nhân xưng trong mô hình chatbot bằng cách xác định giới tính của người nói và đề xuất sử dụng mô hình dịch thuật MTet thay thế cho thư viện Googletrans. Điều này giúp cải thiện độ chính xác và tính tự nhiên của voicebot trong giao tiếp tiếng Việt.
V. Cải Tiến Mô Hình Chuyển Văn Bản Thành Giọng Nói Cho ViEmBot 60
Mô hình chuyển văn bản thành giọng nói được xây dựng từ khâu đầu tiên, tinh chỉnh và cải tiến từ Transformer TTS dành cho tiếng Việt. Việc tinh chỉnh tập trung vào: Thay thế mô-đun chuyển hình vị thành âm vị cho tiếng Anh bằng mô-đun cho tiếng Việt, sử dụng luật phát âm trong nghiên cứu của Emerich và Giang H. Đề xuất sử dụng mô hình giải mã âm thanh Multi-band MeGAN thay thế WaveNet, nhằm tăng tốc độ giải mã và độ chính xác. Mô hình này hiệu quả với tiếng Anh nhưng chưa có nghiên cứu nào trên tiếng Việt. Dữ liệu âm thanh tiếng Việt còn hạn chế, nên nghiên cứu xây dựng bộ dữ liệu giọng nói tiếng Việt bao gồm âm thanh và văn bản (nhãn dán) tương ứng, dùng làm dữ liệu huấn luyện cho mô-đun chuyển văn bản thành âm thanh.
5.1. Thay thế mô đun chuyển hình vị thành âm vị cho tiếng Việt
Trong mô hình Transformer TTS, mô-đun chuyển hình vị thành âm vị cho tiếng Anh được thay thế bằng mô-đun tương ứng cho tiếng Việt. Việc này dựa trên các quy tắc phát âm trong tiếng Việt, được nghiên cứu bởi Emerich và Giang H, giúp mô hình phát âm tiếng Việt chính xác hơn.
5.2. Đề xuất sử dụng mô hình Multi band MeGAN
Nghiên cứu đề xuất sử dụng mô hình giải mã âm thanh Multi-band MeGAN thay thế cho WaveNet trong mô hình Transformer TTS. Mô hình Multi-band MeGAN đã được chứng minh là hiệu quả hơn WaveNet cho tiếng Anh, giúp tăng tốc độ giải mã và độ chính xác. Tuy nhiên, chưa có nghiên cứu nào thử nghiệm mô hình này trên tiếng Việt, đây là một điểm mới của nghiên cứu.
5.3. Xây dựng bộ dữ liệu âm thanh tiếng Việt chất lượng cao
Do dữ liệu âm thanh tiếng Việt còn hạn chế, nghiên cứu tập trung vào xây dựng bộ dữ liệu giọng nói tiếng Việt chất lượng cao, bao gồm cả âm thanh và văn bản (nhãn dán). Bộ dữ liệu này được sử dụng để huấn luyện mô-đun chuyển văn bản thành âm thanh, giúp voicebot tạo ra giọng nói tự nhiên và dễ nghe.
VI. Kết Luận và Hướng Phát Triển Cho Voicebot Tiếng Việt 55
Nghiên cứu này đã trình bày phương pháp xác định đại từ nhân xưng theo giới tính cho voicebot tiếng Việt. Các kết quả cho thấy việc sử dụng mô hình Wav2vec 2.0, mô hình MTet và mô hình Multi-band MeGAN mang lại hiệu quả trong việc cải thiện độ chính xác và tính tự nhiên của voicebot. Việc xây dựng bộ dữ liệu âm thanh tiếng Việt chất lượng cao cũng góp phần quan trọng vào thành công của nghiên cứu. Trong tương lai, có thể tiếp tục nghiên cứu để cải thiện khả năng hiểu và phản hồi cảm xúc của voicebot, cũng như mở rộng phạm vi ứng dụng của voicebot tiếng Việt.
6.1. Tóm tắt các kết quả chính của nghiên cứu
Nghiên cứu đã thành công trong việc phát triển một phương pháp xác định đại từ nhân xưng theo giới tính cho voicebot tiếng Việt, sử dụng các mô hình hiện đại như Wav2vec 2.0, MTet và Multi-band MeGAN. Các kết quả cho thấy sự cải thiện đáng kể về độ chính xác và tính tự nhiên của voicebot.
6.2. Hướng phát triển trong tương lai
Trong tương lai, có thể tiếp tục nghiên cứu để cải thiện khả năng hiểu và phản hồi cảm xúc của voicebot, cũng như mở rộng phạm vi ứng dụng của voicebot tiếng Việt sang các lĩnh vực khác nhau như giáo dục, y tế và dịch vụ khách hàng. Việc tạo ra các bộ dữ liệu tiếng Việt lớn hơn và chất lượng cao hơn cũng là một hướng đi quan trọng.
6.3. Tầm quan trọng của nghiên cứu đối với cộng đồng
Nghiên cứu này đóng góp vào sự phát triển của lĩnh vực xử lý ngôn ngữ tự nhiên tiếng Việt, đặc biệt là trong lĩnh vực voicebot. Các phương pháp và kết quả của nghiên cứu có thể được sử dụng để xây dựng các voicebot tiếng Việt thông minh hơn và hữu ích hơn cho cộng đồng.
