Giới thiệu dự án

Hệ thống nhận dạng giọng nói tự động (Automatic Speech Recognition - ASR) đang trở thành một trong những trụ cột quan trọng nhất của giao tiếp người - máy trong kỷ nguyên trí tuệ nhân tạo (AI). Theo các báo cáo thị trường công nghệ, quy mô ngành ASR toàn cầu đạt tốc độ tăng trưởng kép (CAGR) trên 18%/năm, xuất hiện dày đặc trong các sản phẩm trợ lý ảo (Siri, Google Assistant), hệ sinh thái nhà thông minh (Smart Home), và các giải pháp chuyển đổi số doanh nghiệp. Tuy nhiên, việc phát triển hệ thống ASR chất lượng cao cho ngôn ngữ Tiếng Việt vẫn đối mặt với những rào cản kỹ thuật phức tạp do đặc thù ngôn ngữ đơn lập, hệ thống thanh điệu phong phú (6 thanh), biến thể phương ngữ 3 miền đa dạng, và tình trạng khan hiếm các bộ dữ liệu ghi âm gán nhãn quy mô lớn.

Hầu hết các giải pháp nhận dạng giọng nói thương mại hiện nay đều yêu cầu chi phí bản quyền định kỳ rất cao hoặc phụ thuộc hoàn toàn vào dịch vụ điện toán đám mây của các tập đoàn quốc tế, gây lo ngại về độ trễ và tính bảo mật dữ liệu nội bộ. Trong khi đó, các mô hình học sâu truyền thống khi triển khai vào môi trường thực tế thường sụt giảm nghiêm trọng độ chính xác do ảnh hưởng của tiếng ồn xung quanh (nhiễu động cơ, tiếng ồn thiết bị điện tử, tiếng vang phòng).

Đồ án tốt nghiệp "Xây dựng ứng dụng chuyển giọng nói thành văn bản sử dụng Wav2Vec" do sinh viên Nguyễn Văn Vũ thực hiện dưới sự hướng dẫn của ThS. Vũ Duy Giang (Khoa Khoa học Máy tính – Trường Đại học Công nghiệp Hà Nội) được thiết kế nhằm giải quyết triệt để các bài toán thực tiễn nêu trên.

Mục tiêu dự án

  1. Nghiên cứu và làm chủ kiến trúc học tự giám sát (Self-Supervised Learning): Khảo sát nguyên lý trích xuất đặc trưng sóng âm dạng thô của mô hình Wav2Vec 2.0, cơ chế lượng tử hóa Vector Quantization (VQ) với Gumbel-Softmax và tối ưu hóa hàm mất mát CTC (Connectionist Temporal Classification).
  2. Xây dựng module tiền xử lý giảm nhiễu chuyên sâu: Thiết kế và tích hợp thuật toán lọc nhiễu quang phổ (Spectral Gating) xử lý đồng thời nhiễu tĩnh (Stationary Noise) và nhiễu động (Non-Stationary Noise) kết hợp cơ chế phát hiện tiếng nói (Voice Activity Detection - VAD).
  3. Tích hợp mô hình ngôn ngữ và giải mã tối ưu: Kết hợp mô hình âm học Wav2Vec 2.0 với mô hình ngôn ngữ 4-gram (được huấn luyện trên 2GB văn bản tiếng Việt) thông qua thuật toán giải mã Beam Search có trọng số.
  4. Phát triển phần mềm ứng dụng hoàn chỉnh: Xây dựng ứng dụng độc lập trên nền tảng Python và giao diện đa nền tảng Flet, cho phép người dùng thu âm trực tiếp hoặc tải tệp âm thanh để chuyển đổi văn bản theo thời gian thực.

Phương pháp tiếp cận và phạm vi

Dự án áp dụng phương pháp học chuyển giao (Transfer Learning) dựa trên mô hình Wav2Vec 2.0 tiếng Việt đã được tiền huấn luyện trên 13.000 giờ âm thanh không gán nhãn và tinh chỉnh trên 250 giờ dữ liệu chuẩn (VLSP, VIVOS, Common Voice). Bằng cách kết hợp tầng tiền xử lý giảm nhiễu STFT với cơ chế Beam Search kết hợp mô hình ngôn ngữ N-gram, hệ thống giải quyết đồng thời bài toán giảm thiểu tỷ lệ lỗi từ (Word Error Rate - WER) và tối ưu hóa hiệu năng tính toán.

  • Phạm vi nghiên cứu: Nhận dạng tiếng Việt đơn âm và đa âm từ micrô trực tiếp hoặc file audio dạng sóng thô (WAV, MP3); đánh giá dựa trên các bộ chuẩn VIVOS, VLSP 2021 và Mozilla Common Voice.
  • Giới hạn: Hệ thống tập trung xử lý tiếng Việt đơn ngữ, chưa tích hợp mô hình phát hiện và khôi phục dấu câu tự động (Punctuation Restoration).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi kiến trúc học sâu E2E (End-to-End) bùng nổ, các hệ thống ASR truyền thống chủ yếu dựa trên sự kết hợp giữa Mô hình Markov ẩn (HMM) và Mô hình hỗn hợp Gaussian (GMM), đòi hỏi các bước trích xuất đặc trưng thủ công như MFCC (Mel-Frequency Cepstral Coefficients) và phụ thuộc chặt chẽ vào từ điển phát âm (Pronunciation Lexicon).

graph TD
    A[Sóng âm thô Raw Waveform] --> B[Module Tiền xử lý & Giảm nhiễu Spectral Gating]
    B --> C[Phát hiện tiếng nói VAD]
    C --> D[Bộ mã hóa tích chập CNN Feature Encoder]
    D --> E[Mạng ngữ cảnh Transformer Context Network]
    E --> F[Tầng dự đoán Linear CTC Layer]
    F --> G[Bộ giải mã Beam Search Decoding]
    H[Mô hình ngôn ngữ 4-gram LM] --> G
    G --> I[Văn bản đầu ra Tiếng Việt hoàn chỉnh]
Tiêu chí Mô hình truyền thống (GMM-HMM / DTW) Mô hình RNN / LSTM + CTC Mô hình Wav2Vec 2.0 + 4-gram LM (Đồ án)
Dữ liệu huấn luyện Cần gán nhãn từng khung thời gian Cần hàng nghìn giờ gán nhãn đầy đủ Học tự giám sát trên dữ liệu không gán nhãn + Fine-tune dữ liệu nhỏ
Xử lý ngữ cảnh Cục bộ, giả định Markov bậc thấp Phụ thuộc bộ nhớ chuỗi (dễ biến mất gradient) Transformer Self-Attention toàn cục
Khả năng kháng nhiễu Kém, nhạy cảm với tạp âm Trung bình Rất tốt nhờ Spectral Gating kết hợp tiền huấn luyện
Tỷ lệ lỗi từ (WER) Cao (> 25 - 40%) Trung bình (15 - 22%) Thấp (< 6 - 10% trên tập thử nghiệm chuẩn)

Phân tích yêu cầu theo khung MoSCoW

  • Must have (Bắt buộc): Thu âm thời gian thực qua micrô; chuyển đổi file âm thanh định dạng WAV/MP3; bộ tiền xử lý lọc nhiễu nền; mô hình Wav2Vec 2.0 giải mã bằng Beam Search; hiển thị và sao chép văn bản kết quả.
  • Should have (Nên có): Tùy chỉnh tham số ngưỡng lọc nhiễu (Noise Threshold); đo lường trực quan thời gian xử lý và tốc độ nhận dạng (RTF).
  • Could have (Có thể có): Xuất văn bản ra định dạng TXT/DOCX; danh sách quản lý lịch sử các tệp âm thanh đã nhận dạng.
  • Won't have (Chưa phát triển): Khả năng tự động phân tách đa người nói (Speaker Diarization); nhận dạng song ngữ thời gian thực.

Thiết kế hệ thống

Hệ thống được thiết kế theo kiến trúc module hóa phân tầng, tách biệt hoàn toàn giữa tầng giao diện người dùng, tầng xử lý tín hiệu âm thanh và tầng suy luận mô hình học sâu.

+-------------------------------------------------------------+
|               TẦNG GIAO DIỆN NGƯỜI DÙNG (FLET UI)            |
|  [Thu âm trực tiếp]   [Tải tệp âm thanh]   [Cấu hình hệ thống] |
+-------------------------------------------------------------+
                              │
                              ▼
+-------------------------------------------------------------+
|             TẦNG XỬ LÝ TÍN HIỆU (AUDIO PREPROCESSING)       |
|  - Short-Time Fourier Transform (STFT)                       |
|  - Stationary & Non-Stationary Spectral Gating Noise Reduction|
|  - Voice Activity Detection (VAD)                           |
+-------------------------------------------------------------+
                              │
                              ▼
+-------------------------------------------------------------+
|             TẦNG MÔ HÌNH HỌC SÂU (ASR ENGINE)               |
|  - Wav2Vec 2.0 Base/Large (7-layer CNN + 12-layer Transformer)|
|  - CTC Acoustic Projection                                   |
|  - 4-gram Language Model Scoring (KenLM / PyCTCdecode)       |
|  - Weighted Beam Search Decoding                             |
+-------------------------------------------------------------+

Ngăn xếp công nghệ (Technology Stack)

  • Ngôn ngữ lập trình: Python 3.10.x
  • Framework học sâu: PyTorch 2.1+, HuggingFace Transformers 4.30+, Torchaudio
  • Xử lý âm thanh: Librosa, SoundFile, SoundDevice, SciPy (Signal processing)
  • Mô hình ngôn ngữ & Giải mã: KenLM, PyCTCdecode
  • Giao diện ứng dụng: Flet 0.21+ (Engine đồ họa Flutter tích hợp Python)
  • Quản lý môi trường: Anaconda / Miniconda (Conda Environment)

Phương pháp nghiên cứu và quản lý dự án

Dự án áp dụng quy trình phát triển lặp nhanh (Agile/Iterative) với 5 mốc chính (Milestones):

  1. Mốc 1 (Tuần 1-3): Khảo sát lý thuyết ASR, thu thập dữ liệu VLSP/VIVOS/Common Voice và thiết lập môi trường tính toán PyTorch/CUDA.
  2. Mốc 2 (Tuần 4-6): Hiện thực thuật toán giảm nhiễu Spectral Gating, kiểm thử phổ tần số STFT và tích hợp VAD.
  3. Mốc 3 (Tuần 7-10): Tích hợp mô hình Wav2Vec 2.0 tiếng Việt, liên kết mô hình ngôn ngữ 4-gram với thuật toán Beam Search.
  4. Mốc 4 (Tuần 11-13): Phát triển giao diện Desktop đa nền tảng bằng thư viện Flet, kết nối toàn diện Pipeline.
  5. Mốc 5 (Tuần 14-16): Benchmark đánh giá tỷ lệ lỗi WER/CER, kiểm thử tải và viết báo cáo khóa luận tốt nghiệp.

Implementation và kết quả

Chi tiết thuật toán và giải pháp kỹ thuật

1. Thuật toán lọc nhiễu cổng quang phổ (Spectral Gating Noise Reduction)

Tín hiệu âm thanh đầu vào $x(t)$ được biến đổi sang miền tần số thông qua phép biến đổi Fourier ngắn hạn (STFT):

$$X(t, f) = \text{STFT}{x(t)} = \sum_{n=-\infty}^{\infty} x(n) w(n-t) e^{-j 2 \pi f n}$$

Hệ thống tính toán ngưỡng nhiễu thống kê $\text{Threshold}(f) = \mu(f) + k \cdot \sigma(f)$, trong đó $\mu(f)$ và $\sigma(f)$ lần lượt là giá trị trung bình và độ lệch chuẩn của phổ năng lượng trong các đoạn tín hiệu không có tiếng nói.

import numpy as np
import scipy.signal as signal

def spectral_gating_denoise(audio_clip, sr=16000, n_grad_freq=2, n_grad_time=4, n_fft=2048, hop_length=512):
    # 1. Tính toán Short-Time Fourier Transform (STFT)
    stft = np.abs(librosa.stft(audio_clip, n_fft=n_fft, hop_length=hop_length))
    
    # 2. Ước tính ngưỡng nhiễu từ các frame ban đầu (noise profile)
    noise_thresh = np.mean(stft[:, :10], axis=1) + 2.0 * np.std(stft[:, :10], axis=1)
    
    # 3. Tạo mặt nạ nhị phân và làm mịn quang phổ
    mask = stft > noise_thresh[:, np.newaxis]
    smoothed_mask = scipy.ndimage.gaussian_filter(mask.astype(float), sigma=(n_grad_freq, n_grad_time))
    
    # 4. Tái tạo tín hiệu miền thời gian thông qua ISTFT
    clean_stft = stft * smoothed_mask
    clean_audio = librosa.istft(clean_stft, hop_length=hop_length)
    return clean_audio

2. Kiến trúc học tự giám sát và Lượng tử hóa Vector (Vector Quantization)

Wav2Vec 2.0 mã hóa tín hiệu thô qua bộ mã hóa tích chập 7 tầng gồm các khối CNN để tạo biểu diễn tiềm ẩn $Z = [z_1, z_2, ..., z_T]$. Sau đó, cơ chế Gumbel-Softmax được áp dụng để ánh xạ $z_t$ vào các vector mã rời rạc $q_t$ từ $G=2$ codebook, mỗi codebook có $V=320$ mã:

$$P(v) = \frac{\exp((l_{g,v} + n_v)/\tau)}{\sum_{k=1}^V \exp((l_{g,k} + n_k)/\tau)}$$

Trong đó $l_{g,v}$ là logit đại diện, $n_v = -\log(-\log(u_v))$ với $u_v \sim U(0,1)$ là nhiễu Gumbel, và $\tau$ là nhiệt độ làm mịn.

flowchart LR
    A[Sóng âm thô X] --> B[CNN Feature Encoder]
    B --> C[Biểu diễn tiềm ẩn Z]
    C --> D[Mặt nạ Masking p=0.065, M=5]
    C --> E[Vector Quantizer + Gumbel Softmax]
    D --> F[Transformer Context Network]
    F --> G[Biểu diễn ngữ cảnh C]
    E --> H[Biểu diễn lượng tử hóa Q]
    G & H --> I[Contrastive Loss + Diversity Loss]

3. Giải mã Beam Search kết hợp mô hình ngôn ngữ 4-gram

Thay vì áp dụng tìm kiếm tham lam (Greedy Search) cục bộ dễ dẫn đến sai lệch ngữ nghĩa, hệ thống sử dụng Beam Search tối ưu hóa hàm mục tiêu kết hợp:

$$\text{Score}(Y) = \log P_{\text{CTC}}(Y|X) + \alpha \log P_{\text{LM}}(Y) + \beta |Y|$$

Trong đó $\alpha = 0.75$ là trọng số mô hình ngôn ngữ, $\beta$ là hệ số bù độ dài chuỗi, và $P_{\text{LM}}(Y)$ được tính toán bằng mô hình xác suất Markov:

$$P(w_1, w_2, ..., w_n) = \prod_{i=1}^n P(w_i | w_{i-3}, w_{i-2}, w_{i-1})$$

from pyctcdecode import build_ctcdecoder

def initialize_decoder(vocabulary, lm_path_4gram):
    # Khởi tạo Beam Search Decoder kết hợp mô hình ngôn ngữ KenLM
    decoder = build_ctcdecoder(
        labels=vocabulary,
        kenlm_model_path=lm_path_4gram,
        alpha=0.75,   # Trọng số LM Score
        beta=1.5      # Trọng số bù độ dài văn bản
    )
    return decoder

def decode_audio_logits(decoder, logits, beam_width=100):
    # Giải mã ma trận xác suất CTC với Beam Width tối ưu
    beam_search_result = decoder.decode(
        logits.detach().cpu().numpy(),
        beam_width=beam_width
    )
    return beam_search_result

Đánh giá và thực nghiệm (Testing & Validation)

Hệ thống được đánh giá trên 3 tập dữ liệu chuẩn của tiếng Việt: VLSP 2021, VIVOS và Mozilla Common Voice. Các bài kiểm tra được tiến hành trên môi trường có thêm các mức nhiễu nền nhân tạo (Gaussian Noise, White Noise, Traffic Noise) với tỷ lệ tín hiệu trên nhiễu (SNR) từ 5dB đến 15dB.

Tập dữ liệu thử nghiệm Phương pháp Tỷ lệ lỗi ký tự (CER %) Tỷ lệ lỗi từ (WER %) Độ trễ suy luận (RTF)
VIVOS (Clean test) Baseline (Raw Audio + Greedy) 4.8% 11.2% 0.12
VIVOS (Clean test) Đồ án (Spectral Denoise + Beam LM) 2.1% 5.8% 0.24
VLSP 2021 (Noisy ~10dB) Baseline (Không lọc nhiễu) 12.6% 27.4% 0.12
VLSP 2021 (Noisy ~10dB) Đồ án (Spectral Denoise + Beam LM) 4.9% 9.4% 0.26
Common Voice Vietnam Baseline (Không lọc nhiễu) 9.3% 19.8% 0.12
Common Voice Vietnam Đồ án (Spectral Denoise + Beam LM) 3.8% 8.1% 0.25 
Tỷ lệ lỗi từ (WER %) trong môi trường có tạp âm (SNR = 10dB):
┌─────────────────────────────────────────────────────────────┐
│ Không lọc nhiễu (Raw):  ██████████████████████████ 27.4%    │
│ Có Spectral Gating:     █████████ 9.4%                      │
└─────────────────────────────────────────────────────────────┘
-> Cải thiện độ chính xác thực nghiệm: Giảm 65.7% lỗi nhận dạng trong môi trường ồn.

Đổi mới và đóng góp

  1. Module hóa tiền xử lý thích nghi tín hiệu: Tích hợp thuật toán lọc nhiễu cổng quang phổ STFT thích nghi ngay trước tầng mã hóa CNN, bảo toàn các formants âm học nhạy cảm của thanh điệu tiếng Việt mà không làm suy hao năng lượng giọng nói gốc.
  2. Cơ chế giải mã tối ưu hóa đa mục tiêu: Sự kết hợp giữa mô hình âm học Wav2Vec 2.0 (95M tham số) và mô hình ngôn ngữ 4-gram (huấn luyện trên 2GB corpus tiếng Việt) giúp loại bỏ triệt để các từ vô nghĩa do đồng âm hoặc lỗi phát âm địa phương gây ra.
  3. Phần mềm thực thi độc lập, chi phí 0 đồng: Không phụ thuộc vào API đám mây trả phí, hệ thống hoạt động ổn định trên phần cứng cục bộ, đảm bảo quyền riêng tư và an toàn thông tin dữ liệu âm thanh.
Chỉ số đánh giá Giải pháp ASR truyền thống (HMM) Cloud ASR API (Google / FPT) Hệ thống Wav2Vec của đồ án
Khả năng tự triển khai (On-premise) Có Không (Phụ thuộc Cloud) Hoàn toàn độc lập
Chi phí vận hành theo lượt gọi Miễn phí Tốn phí theo phút audio 0 VNĐ
Độ chính xác tiếng Việt chuẩn 65 - 75% 92 - 96% 92 - 95%
Khả năng kháng nhiễu môi trường Kém Tốt Rất tốt (nhờ Spectral Gating)

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong đời sống

  • Soạn thảo văn bản và nhập liệu rảnh tay: Phục vụ các nhà báo, thư ký tòa án, nhân viên y tế cần phiên âm giọng nói trực tiếp thành văn bản với độ trễ thấp.
  • Điều khiển hệ thống nhà thông minh (Smart Home): Nhận dạng chính xác câu lệnh của người dùng trong môi trường gia đình có lẫn tiếng quạt gió, tiếng tivi hoặc tiếng sinh hoạt gia đình.
  • Công nghệ hỗ trợ người khuyết tật: Hỗ trợ người khiếm thị nhập văn bản trên máy tính hoặc hỗ trợ người khiếm thính chuyển lời nói của người đối diện thành chữ viết hiển thị trên màn hình.

Hướng dẫn cài đặt và yêu cầu hệ thống

# 1. Khởi tạo môi trường ảo qua Anaconda
conda create -n wav2vec_asr python=3.10 -y
conda activate wav2vec_asr

# 2. Cài đặt các thư viện lõi
pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install transformers librosa sounddevice flet pyctcdecode https://github.com/kpu/kenlm/archive/master.zip

# 3. Khởi chạy ứng dụng giao diện Desktop
python main.py
  • Cấu hình tối thiểu: CPU Intel Core i5 (thế hệ 8 trở lên) / AMD Ryzen 5, 8GB RAM, 5GB dung lượng ổ cứng trống.
  • Cấu hình khuyến nghị: GPU NVIDIA GTX 1650 / RTX 3060 trở lên (VRAM >= 4GB) để đạt hệ số Real-time Factor (RTF) < 0.15.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Mô hình hiện tại tiêu tốn lượng VRAM đáng kể (~1.8GB khi chạy mô hình Base và ~3.5GB với Large), gây khó khăn khi nhúng lên các vi điều khiển hoặc thiết bị IoT cấu hình thấp (Raspberry Pi).
  • Chưa tích hợp module tự động chuẩn hóa văn bản nâng cao (Inverse Text Normalization) để chuyển đổi ngày tháng, số điện thoại, đơn vị tiền tệ sang định dạng số tự nhiên.

Hướng phát triển trong tương lai

  1. Lượng tử hóa mô hình (Model Quantization): Áp dụng kỹ thuật INT8/FP16 Quantization và chuyển đổi sang ONNX Runtime hoặc TensorRT để tăng tốc độ suy luận gấp 3 lần và giảm 60% dung lượng bộ nhớ.
  2. Tích hợp phục hồi dấu câu: Bổ sung mô hình BERT-Punctuation phía sau bộ giải mã để tự động ngắt câu, viết hoa và đặt dấu chấm, phẩy tự động.
  3. Mở rộng dữ liệu phương ngữ: Huấn luyện bổ sung tập dữ liệu giọng nói đặc trưng miền Trung và Tây Nam Bộ để nâng cao tính phổ quát toàn diện.

Đối tượng hưởng lợi

  • Sinh viên & Học viên nghiên cứu: Tài liệu tham khảo học thuật trực quan về quy trình xử lý tín hiệu âm thanh kết hợp mạng nơ-ron Transformer và cơ chế CTC.
  • Kỹ sư phần mềm & AI Developers: Nắm vững kỹ thuật triển khai Pipeline ASR từ sóng âm thô đến ứng dụng GUI hoàn chỉnh thông qua mã nguồn Python sạch và thư viện Flet.
  • Doanh nghiệp vừa và nhỏ (SMEs): Sở hữu giải pháp chuyển đổi giọng nói thành văn bản mã nguồn mở, không tốn phí bản quyền API hàng tháng, dễ dàng tích hợp vào hệ thống tổng đài nội bộ hoặc quy trình số hóa tài liệu.
  • Cộng đồng người dùng yếu thế: Công cụ trợ năng hữu ích giúp xóa nhòa rào cản tiếp cận máy tính và công nghệ thông tin.

Câu hỏi thường gặp

1. Hệ thống có thể chạy hoàn toàn ngoại tuyến (Offline) không?

Có. Toàn bộ trọng số mô hình Wav2Vec 2.0, mô hình ngôn ngữ 4-gram và thư viện giao diện Flet đều được tải và thực thi trực tiếp trên máy tính người dùng, không gửi bất kỳ gói tin âm thanh nào lên Internet.

2. Thuật toán lọc nhiễu có làm biến dạng giọng nói gốc không?

Thuật toán lọc nhiễu cổng quang phổ (Spectral Gating) chỉ loại bỏ các thành phần tần số có biên độ nằm dưới ngưỡng phương sai nhiễu $\mu(f) + k \cdot \sigma(f)$. Tín hiệu trong dải tần giọng nói của con người (85Hz - 4000Hz) được bảo toàn nguyên vẹn năng lượng.

3. Làm thế nào để tích hợp thêm từ vựng chuyên ngành (Y tế, Pháp luật)?

Người dùng chỉ cần huấn luyện lại hoặc bổ sung corpus văn bản chuyên ngành vào mô hình ngôn ngữ 4-gram (KenLM) và liên kết lại với PyCTCdecode mà không cần phải huấn luyện lại toàn bộ mạng nơ-ron Wav2Vec 2.0.

4. Độ trễ xử lý (Latency) của ứng dụng là bao lâu?

Khi chạy trên GPU NVIDIA RTX 3060, hệ số thời gian thực (Real-time Factor - RTF) đạt xấp xỉ 0.15, tức là một đoạn âm thanh dài 10 giây chỉ mất khoảng 1.5 giây để lọc nhiễu và trả về văn bản hoàn chỉnh.

5. Chi phí đầu tư phần cứng để triển khai hệ thống là bao nhiêu?

Hệ thống hoàn toàn tương thích với các máy tính văn phòng tiêu chuẩn có CPU đa nhân hiện đại. Nếu cần tối ưu hóa tốc độ nhận dạng hàng loạt, chỉ cần trang bị thêm một card đồ họa phổ thông (chi phí từ 3 - 5 triệu đồng), tiết kiệm hơn rất nhiều so với chi phí thuê API đám mây hàng năm.

Kết luận

Đồ án tốt nghiệp "Xây dựng ứng dụng chuyển giọng nói thành văn bản sử dụng Wav2Vec" đã giải quyết trọn vẹn chu trình kỹ thuật của một hệ thống ASR hiện đại: từ cơ sở lý thuyết xử lý tín hiệu âm thanh, cơ chế học tự giám sát của Wav2Vec 2.0, kỹ thuật lọc nhiễu quang phổ thích ứng, cho đến việc tối ưu hóa giải mã bằng Beam Search kết hợp mô hình ngôn ngữ 4-gram.

Kết quả thực nghiệm đã chứng minh tính ưu việt của hệ thống khi giảm tỷ lệ lỗi từ (WER) xuống dưới 10% ngay cả trong môi trường có tạp âm phức tạp, vượt trội so với các mô hình ASR truyền thống. Với giao diện trực quan xây dựng bằng Flet và kiến trúc mở, sản phẩm không chỉ mang giá trị học thuật sâu sắc mà còn sở hữu tiềm năng thương mại hóa và ứng dụng thực tiễn cao trong các bài toán số hóa quy trình và điều khiển thông minh tại Việt Nam.