💡 Corpus giọng nói tiếng Việt chỉ ghi âm người miền Bắc sẽ hoạt động kém với người dùng miền Nam và miền Trung trong thực tế. Ba nhóm phương ngữ tiếng Việt có hệ thống thanh điệu và phụ âm đặc trưng riêng biệt. Cần đặt mục tiêu ít nhất 30% người nói không thuộc miền Bắc, sử dụng corpus đa phương ngữ đã được xác minh và thực hiện QA riêng theo từng vùng phương ngữ.
Ý chính
- Ba nhóm phương ngữ tiếng Việt quan trọng với ASR: miền Bắc (chuẩn), miền Trung (xa nhất về mặt ngữ âm với miền Bắc), miền Nam (thanh hỏi và ngã nhập thành một, còn 5 thanh thay vì 6).
- Hầu hết corpus giọng nói công khai đều thiên về miền Bắc. Bud500 (500 giờ) và ViMD (102 giờ, 63 tỉnh thành) là hai lựa chọn đa phương ngữ tốt nhất hiện có.
- Mozilla Common Voice tiếng Việt là corpus lớn duy nhất có giấy phép CC0, có thể sử dụng cho sản phẩm thương mại mà không cần xét duyệt pháp lý riêng.
- Các bộ dữ liệu VLSP chỉ dùng cho nghiên cứu. Cần kiểm tra điều khoản giấy phép trước khi dùng bất kỳ corpus nào trong model thương mại.
- Trong hợp đồng thu thập dữ liệu giọng nói, cần quy định rõ hạn mức phương ngữ, metadata tỉnh thành người nói và hướng dẫn phiên âm riêng cho từng phương ngữ.
Tại sao độ bao phủ phương ngữ quyết định chất lượng ASR tiếng Việt?
Việt Nam có khoảng 101 triệu người trải khắp 63 tỉnh thành. Phương ngữ chuẩn quốc gia là tiếng Việt miền Bắc, cụ thể là giọng Hà Nội, vốn chiếm ưu thế trong giáo dục, truyền thông và hầu hết corpus NLP công khai. Nhưng tiếng Việt miền Nam và miền Trung không phải là giọng địa phương của cùng một hệ thống ngữ âm. Chúng có hệ thống thanh điệu và cách phát âm phụ âm khác biệt căn bản.
Nghiên cứu ViMD đa phương ngữ năm 2024 (EMNLP 2024) xác nhận rằng phương ngữ miền Trung liên tục tạo ra tỷ lệ lỗi từ cao nhất đối với model được huấn luyện trên các giọng khác. Phương ngữ miền Trung xa về mặt ngữ âm so với miền Bắc hơn cả miền Nam. Một giao diện giọng nói triển khai toàn quốc mà không có dữ liệu huấn luyện đa phương ngữ sẽ loại trừ một phần đáng kể người dùng ngay từ ngày đầu.
Ba nhóm phương ngữ tiếng Việt là gì?
Các nhà ngôn ngữ học tiếng Việt chia ngôn ngữ thành ba vùng phương ngữ chính, dù sự khác biệt theo từng tỉnh trong mỗi vùng cũng đáng kể:
- Miền Bắc: Dựa trên giọng Hà Nội. Cả sáu thanh điệu đều được phân biệt rõ ràng. Phụ âm đầu "d", "gi" và "v" đều hội tụ về âm [z]. Đây là phương ngữ chuẩn trong giáo dục và truyền thông, chiếm ưu thế trong corpus ASR công khai.
- Miền Trung: Trải dài từ Thanh Hóa đến Bình Định, với Huế là trung tâm văn hóa. Thanh điệu mang đặc trưng nặng và có đường nét cao độ riêng. Về ngữ âm, miền Trung là xa nhất so với miền Bắc; model ASR bị giảm chất lượng nhiều nhất khi gặp người nói miền Trung.
- Miền Nam: Gắn với TP.HCM và vùng đồng bằng sông Cửu Long. Thanh hỏi và thanh ngã nhập thành một thể hiện duy nhất, thu gọn hệ thống từ sáu xuống còn năm thanh điệu hiệu dụng. Phụ âm "d" và "gi" được phát âm là [j], "v" là [v] và "r" là âm rung chứ không phải [z] như ở miền Bắc.
Ngoài ba vùng trên, phương ngữ Tây Nguyên và tiếng nói của các cộng đồng dân tộc thiểu số cũng tạo ra thêm sự biến thể. Bộ dữ liệu ViMD bao phủ cả 63 tỉnh thành Việt Nam, đây là tài nguyên công khai duy nhất lập bản đồ toàn diện phạm vi địa lý này cho nghiên cứu ASR đa phương ngữ.
Thanh điệu và phụ âm: sự khác biệt giữa ba miền
Hệ thống thanh điệu là chiều kích quan trọng nhất với độ chính xác ASR. Tiếng Việt chuẩn miền Bắc có sáu thanh điệu từ vựng: ngang, huyền, sắc, hỏi, ngã, nặng. Model được huấn luyện trên dữ liệu miền Bắc học sáu hạng mục thanh điệu. Trong tiếng Việt miền Nam, model chỉ gặp năm hạng mục vì thanh hỏi và ngã nhập một. Model liên tục gán nhãn sai cho thanh nhập này mà không có tín hiệu báo lỗi nào.
Sự khác biệt phụ âm đầu làm tình trạng trầm trọng hơn. Trong tiếng Việt miền Bắc, "d", "gi" và "v" đều có âm [z], nghĩa là một hình thức âm học ánh xạ sang ba ký tự viết. Trong tiếng Việt miền Nam, "d" và "gi" là [j], "v" là [v] và "r" là âm rung. Model chỉ biết cách ánh xạ của miền Bắc sẽ tạo ra lỗi phiên âm nhất quán khi gặp giọng miền Nam mà không hề có tín hiệu nhận ra sự bất thường.
Hàm ý thực tiễn: hướng dẫn phiên âm phải đặc thù cho từng phương ngữ. Người gán nhãn được huấn luyện theo chuẩn miền Bắc sẽ tạo ra lỗi có hệ thống khi phiên âm âm thanh miền Trung hoặc miền Nam nếu không có hướng dẫn rõ ràng về sự khác biệt ngữ âm liên quan.
Các bộ dữ liệu giọng nói đa phương ngữ nào đang có sẵn?
Tính đến cuối năm 2026, các lựa chọn chính bao gồm:
- GigaSpeech 2 (tiếng Việt): khoảng 6.000 giờ từ YouTube với nhãn giả. Rất lớn nhưng phân phối phương ngữ thiên về miền Bắc và chất lượng nhãn không đồng đều.
- Bud500: 500 giờ với phân tách rõ ràng theo miền Bắc, miền Trung và miền Nam. Là nền tảng thực tế để xây dựng model ba phương ngữ.
- VLSP 2020: 100 giờ âm thanh có nhãn (20 giờ đọc, 80 giờ tự nhiên). Giấy phép chỉ dành cho nghiên cứu, không phù hợp cho triển khai thương mại.
- ViMD (EMNLP 2024): 102,56 giờ và khoảng 19.000 phát ngôn bao phủ 63 tỉnh thành. Tài nguyên công khai tốt nhất cho nghiên cứu nhận diện phương ngữ và ASR đa phương ngữ.
- Mozilla Common Voice (tiếng Việt): Crowd-sourced, giấy phép CC0. Quy mô nhỏ hơn, chất lượng biến động nhưng có thể sử dụng thương mại không cần giấy phép bổ sung. Nên lọc chất lượng trước khi fine-tuning.
Khi đặt hàng thu thập dữ liệu giọng nói gốc, đặc tả cần bao gồm: hạn mức phương ngữ tối thiểu (ví dụ ít nhất 30% người nói miền Nam và 15% miền Trung), metadata tỉnh nơi sinh của từng người nói, hướng dẫn phiên âm theo phương ngữ có đề cập đến việc nhập thanh hỏi/ngã của miền Nam, và QA bởi người review bản ngữ từ mỗi vùng phương ngữ cho 5-10% mẫu ngẫu nhiên trước khi bàn giao.
Tự làm hay cần chuyên gia tiếng Việt bản ngữ: ranh giới nào là hợp lý?
Nhóm kỹ thuật hoàn toàn có thể xử lý lớp kỹ thuật tự mình: thu thập corpus công khai, lọc theo giấy phép, chạy lọc chất lượng bằng model ASR cơ bản và thiết lập công cụ gán nhãn. Đây là những công việc kỹ thuật không đòi hỏi chuyên môn ngôn ngữ học.
Chuyên gia tiếng Việt bản ngữ trở nên cần thiết ở lớp QA ngôn ngữ học. Viết hướng dẫn phiên âm chính xác theo phương ngữ, kiểm tra âm thanh miền Nam và miền Trung để phát hiện lỗi gán nhãn có hệ thống, xác nhận gán nhãn thanh điệu cho hiện tượng nhập thanh hỏi/ngã, và tuyển dụng người nói phương ngữ được xác minh có nguồn gốc tỉnh thành thực sự đều đòi hỏi năng lực bản ngữ. Nhóm gán nhãn không có tiếng Việt bản ngữ sẽ tạo ra corpus trông đầy đủ trên bảng tính nhưng thất bại rõ ràng trong sản xuất với người dùng miền Nam và miền Trung.
Với các dự án gán nhãn dữ liệu AI tiếng Việt và kiểm tra chất lượng đa phương ngữ, trang dịch vụ dữ liệu AI và bản địa hóa tiếng Việt cung cấp thông tin về gán nhãn có cấu trúc, QA phương ngữ và review corpus cho các nhóm từ thị trường nước ngoài.
Câu hỏi thường gặp
Tiếng Việt miền Bắc có đủ cho model ASR nhắm vào doanh nghiệp Hà Nội không?
Có, với sản phẩm được xác định rõ phạm vi là miền Bắc Việt Nam. Tiếng Việt miền Bắc là phương ngữ chuẩn dùng trong truyền thông, giáo dục và các cơ quan chính phủ tại Hà Nội. Model chỉ huấn luyện trên giọng miền Bắc là phù hợp cho phạm vi đó. Điều quan trọng là tài liệu hóa rõ giới hạn phạm vi: model tương tự sẽ hoạt động kém hơn với người nói miền Trung và miền Nam.
Mozilla Common Voice tiếng Việt có thể dùng cho sản phẩm thương mại không?
Có. Mozilla Common Voice tiếng Việt được phát hành theo giấy phép CC0, từ bỏ mọi hạn chế bản quyền. Đây là một trong số ít corpus tiếng Việt có thể sử dụng thương mại mà không cần thỏa thuận giấy phép riêng. Chất lượng biến động do nguồn gốc crowd-sourced, nên khuyến nghị lọc chất lượng tự động trước khi fine-tuning.
Hiện tượng nhập thanh hỏi/ngã ở miền Nam có ảnh hưởng đến TTS không?
Có. Với TTS giọng miền Nam, cần model prosody riêng được huấn luyện trên dữ liệu người nói miền Nam, hoặc logic ánh xạ thanh điệu tường minh. Model TTS chỉ dùng dữ liệu miền Bắc sẽ tạo ra âm thanh theo thanh điệu miền Bắc ngay cả khi nhắm vào giọng miền Nam, nghe không tự nhiên với người nghe miền Nam quen với hiện tượng nhập thanh.
Cần bao nhiêu giờ dữ liệu giọng nói cho mỗi phương ngữ trong model thương mại?
Nghiên cứu trên các ngôn ngữ ít tài nguyên tương tự gợi ý 50-100 giờ âm thanh sạch có nhãn mỗi phương ngữ là điểm xuất phát để cải thiện đáng kể tỷ lệ lỗi từ so với nền tảng chỉ có miền Bắc. Không cần bao phủ tất cả 63 tỉnh thành. Ba nhóm phương ngữ chính là ưu tiên thực tế, trong đó bổ sung bao phủ miền Trung mang lại tác động lớn nhất.
Metadata người nói nào quan trọng nhất trong hợp đồng thu thập dữ liệu giọng nói tiếng Việt?
Cần chỉ định: tỉnh nơi sinh, tỉnh cư trú lâu nhất (hai thông tin này khác nhau với người di cư nội địa), độ tuổi và tự nhận phương ngữ chính. Tỉnh nơi sinh là proxy nhất quán hơn cho nền tảng phương ngữ so với tự nhận vùng miền, vì người lớn lên ở Huế nhưng chuyển đến Hà Nội vẫn giữ đặc trưng ngữ âm miền Trung.
Nguồn
- ViMD: Bộ dữ liệu đa phương ngữ tiếng Việt - EMNLP 2024 - corpus 63 tỉnh thành, 102 giờ, kết quả baseline ASR, phát hiện về mức độ giảm chất lượng với phương ngữ miền Trung. Đã xác minh tháng 11/2026.
- DataReportal: Digital 2025 Vietnam - dân số Việt Nam (101 triệu), người dùng internet và dữ liệu nhân khẩu học kỹ thuật số. Đã xác minh tháng 11/2026.
- Mozilla Common Voice - tiếng Việt - corpus giọng nói tiếng Việt crowd-sourced giấy phép CC0. Đã xác minh tháng 11/2026.
- Awesome Vietnamese Speech Datasets (GitHub) - chỉ mục có chọn lọc các corpus ASR/TTS tiếng Việt kèm thông tin kích thước, bao phủ phương ngữ và giấy phép. Đã xác minh tháng 11/2026.
Bài viết bởi Đào Huy (Lucas), biên dịch viên và chuyên viên bản địa hóa tiếng Việt (Anh, Trung, Pháp sang Việt). See translation services →