Giới thiệu VoicePing ASR Model V0.1, mô hình chuyển giọng nói thành văn bản đa ngôn ngữ cho tiếng Anh, tiếng Nhật, tiếng Hàn, tiếng Trung và tiếng Việt.
Giới thiệu VoicePing ASR Model V0.1
Hôm nay, chúng tôi xin giới thiệu VoicePing ASR Model V0.1 — mô hình chuyển giọng nói thành văn bản đa ngôn ngữ dành cho những ngôn ngữ xuất hiện thường xuyên nhất trên VoicePing: tiếng Anh, tiếng Nhật, tiếng Hàn, tiếng Trung và tiếng Việt.
VoicePing được xây dựng xoay quanh giao tiếp bằng giọng nói đa ngôn ngữ: cuộc họp, sự kiện, dịch giọng nói, bản ghi hội thoại, tóm tắt và tìm kiếm. Trong các quy trình đó, ASR (Automatic Speech Recognition — nhận dạng giọng nói tự động) không phải là một tính năng đứng riêng lẻ. Đó là lớp nền tảng đầu tiên của toàn bộ trải nghiệm sản phẩm. Nếu bản ghi thiếu ổn định, mọi bước xử lý phía sau đều trở nên kém hữu ích.
VoicePing ASR Model V0.1 được thiết kế cho chính thực tế đó. Mô hình tập trung vào năm ngôn ngữ cốt lõi mà chúng tôi phục vụ nhiều nhất, với mục tiêu tạo ra những bản ghi sạch hơn cho các cuộc hội thoại thực tế.
Một mô hình cho công việc đa ngôn ngữ
Nhận dạng giọng nói đa dụng đã tiến bộ nhanh chóng, nhưng âm thanh đa ngôn ngữ trong thực tế vẫn còn những điểm khó:
- Tiếng Nhật, tiếng Hàn và tiếng Trung đòi hỏi cách xử lý văn bản phù hợp với đặc thù từng ngôn ngữ.
- Tiếng Việt phụ thuộc vào dấu thanh chính xác và ranh giới từ.
- Các đoạn ghi âm dài hoặc nhiều tạp âm có thể làm lộ ra bản ghi thiếu hụt, kết quả rỗng và văn bản bị lặp.
- Các mô hình đám mây có thể hoạt động khác nhau giữa các ngôn ngữ, ngay cả khi API trông có vẻ đồng nhất.
- Một hệ thống đạt kết quả tốt trên benchmark công khai chưa chắc đã là lựa chọn phù hợp nhất cho cuộc họp, sự kiện và dịch giọng nói.
VoicePing ASR Model V0.1 là mô hình hợp nhất đầu tiên của chúng tôi được xây dựng xoay quanh năm ngôn ngữ trọng tâm này của sản phẩm. Benchmark dưới đây đặt ra một câu hỏi rất thực tế: mô hình phiên âm tốt đến đâu đối với chính những nội dung mà người dùng của chúng tôi thực sự quan tâm?
Mô hình làm được gì
VoicePing ASR Model V0.1 phiên âm giọng nói trong các ngôn ngữ:
- Tiếng Anh
- Tiếng Nhật
- Tiếng Hàn
- Tiếng Trung
- Tiếng Việt
Kết quả đầu ra là bản ghi làm nền tảng cho các tính năng tiếp theo của VoicePing như dịch, phụ đề, ghi chú cuộc họp và lịch sử hội thoại có thể tìm kiếm.
Trong bài viết này, ASR và STT (Speech-to-Text — chuyển giọng nói thành văn bản) được dùng thay thế cho nhau. Cả hai đều chỉ việc phiên âm giọng nói thành văn bản.
Đánh giá
Bộ dữ liệu
Việc đánh giá sử dụng một bộ dữ liệu giọng nói đa ngôn ngữ của VoicePing với 1.000 đoạn ghi âm cho mỗi ngôn ngữ, tổng cộng khoảng 41 giờ âm thanh. Các đoạn ghi âm phản ánh đúng loại giọng nói mà VoicePing xử lý trong thực tế: hội thoại thật thay vì các bản đọc thu âm sạch sẽ.
| Ngôn ngữ | Số đoạn |
|---|---|
| Tiếng Anh | 1,000 |
| Tiếng Nhật | 1,000 |
| Tiếng Việt | 1,000 |
| Tiếng Hàn | 1,000 |
| Tiếng Trung | 1,000 |
| Tổng cộng | 5,000 |
Mọi hệ thống đều được kiểm tra trên cùng một bộ âm thanh.
Các mô hình được so sánh
Chúng tôi so sánh VoicePing ASR Model V0.1 với các hệ thống nhận dạng giọng nói đám mây phổ biến và các mô hình ASR mã nguồn mở, bao gồm Google Cloud STT, Azure AI Speech, các mô hình phiên âm của OpenAI, ElevenLabs Scribe v2, Deepgram Nova-3, Qwen3-ASR và SenseVoiceSmall.
Cách chấm điểm
Chỉ số chính là tỷ lệ lỗi từ (WER — Word Error Rate): càng thấp càng tốt. WER đo lường số lượng từ bị chèn thêm, bỏ sót hoặc thay thế so với bản ghi tham chiếu do con người thực hiện.
Độ trễ
Độ chính xác không phải là yêu cầu duy nhất đối với ASR trong môi trường sản xuất. Chúng tôi cũng đo thời gian mỗi hệ thống cần để trả về bản ghi, bởi một mô hình chính xác nhưng chậm vẫn có thể mang lại trải nghiệm kém trong các cuộc họp và sự kiện trực tiếp.
Kết quả chính
Biểu đồ dưới đây so sánh tỷ lệ lỗi từ trung bình trên năm ngôn ngữ giữa VoicePing ASR Model V0.1 và các hệ thống chuyển giọng nói thành văn bản bên ngoài trong benchmark này. Cột càng thấp càng tốt. Biểu đồ theo từng ngôn ngữ sẽ có trong phần kết quả bên dưới.
Độ chính xác theo ngôn ngữ
| Hệ thống | WER EN | WER JA | WER VI | WER KO | WER ZH | WER macro |
|---|---|---|---|---|---|---|
| VoicePing ASR Model V0.1 | 20.2% | 20.4% | 15.5% | 24.5% | 16.0% | 19.3% |
| Google Cloud STT V1 default | 23.1% | 23.5% | 52.1% | 57.8% | 44.2% | 40.1% |
| Google Cloud STT Chirp 2 | 24.5% | 29.7% | 14.8% | 32.8% | 22.6% | 24.9% |
| Google Cloud STT Chirp 3 | 22.9% | 26.4% | 20.1% | 37.4% | 19.2% | 25.2% |
| Azure AI Speech | 23.0% | 21.1% | 21.0% | 37.3% | 22.5% | 25.0% |
| OpenAI GPT-4o Transcribe | 50.6% | 52.4% | 64.3% | 44.1% | 29.1% | 48.1% |
| OpenAI GPT Realtime Whisper | 31.8% | 26.2% | 20.9% | 33.0% | 22.4% | 26.9% |
| Qwen3-ASR 0.6B | 23.8% | 29.7% | 26.2% | 38.2% | 20.9% | 27.7% |
| Qwen3-ASR 1.7B | 21.9% | 25.0% | 22.0% | 33.1% | 20.0% | 24.4% |
| SenseVoiceSmall | 28.0% | 37.4% | 99.9% | 45.9% | 28.1% | 47.9% |
| ElevenLabs Scribe v2 | 28.6% | 20.3% | 15.4% | 31.5% | 21.2% | 23.4% |
| Deepgram Nova-3 | 29.3% | 28.0% | 38.4% | 44.8% | 29.2% | 34.0% |
Bảng xếp hạng
| Hệ thống | WER macro | Độ trễ trung vị | Ghi chú |
|---|---|---|---|
| VoicePing ASR Model V0.1 | 19.3% | 1.22s | ASR đa ngôn ngữ của VoicePing |
| Google Cloud STT V1 default | 40.1% | 7.47s | STT đám mây |
| Google Cloud STT Chirp 2 | 24.9% | 7.12s | STT đám mây |
| Google Cloud STT Chirp 3 | 25.2% | 7.32s | STT đám mây |
| Azure AI Speech | 25.0% | 7.12s | STT đám mây |
| OpenAI GPT-4o Transcribe | 48.1% | 1.53s | Mô hình phiên âm của OpenAI |
| OpenAI GPT Realtime Whisper | 26.9% | 7.17s | Mô hình phiên âm của OpenAI |
| Qwen3-ASR 0.6B | 27.7% | 3.56s | Mô hình ASR mở |
| Qwen3-ASR 1.7B | 24.4% | 4.18s | Mô hình ASR mở |
| SenseVoiceSmall | 47.9% | 0.07s | Mô hình ASR mở |
| ElevenLabs Scribe v2 | 23.4% | 3.07s | STT đám mây |
| Deepgram Nova-3 | 34.0% | 1.33s | STT đám mây |
VoicePing ASR Model V0.1 vừa có WER macro thấp nhất trong benchmark này, vừa nằm trong nhóm có thời gian phản hồi trung vị nhanh nhất, ở mức 1.22 giây. Những hệ thống phản hồi nhanh hơn trong lần chạy này phải đánh đổi bằng độ chính xác giảm đi đáng kể.
Kết quả theo từng ngôn ngữ
Tiếng Anh
VoicePing ASR Model V0.1 có WER tiếng Anh thấp nhất trong so sánh này với 20.2%, vượt trên Qwen3-ASR 1.7B và các hệ thống đám mây lớn được kiểm tra ở đây.
Tiếng Nhật
Tiếng Nhật là một trong những ngôn ngữ quan trọng nhất đối với VoicePing. Trên bộ dữ liệu này, VoicePing ASR Model V0.1 đạt WER 20.4%, gần như ngang bằng với ElevenLabs Scribe v2 (20.3%) ở vị trí dẫn đầu cho tiếng Nhật, vượt trên Azure AI Speech và các mô hình ASR mở đối chứng.
Tiếng Việt
Tiếng Việt là cuộc đua sít sao nhất trong benchmark này: Google Cloud STT Chirp 2 dẫn đầu với WER 14.8%, còn ElevenLabs Scribe v2 (15.4%) và VoicePing ASR Model V0.1 (15.5%) gần như ngang nhau bám sát ngay phía sau.
Tiếng Hàn
Tiếng Hàn cho thấy một trong những khoảng cách rõ rệt nhất trong benchmark. VoicePing ASR Model V0.1 đạt WER 24.5%, vượt xa nhóm hệ thống xếp ngay sau.
Tiếng Trung
Tiếng Trung là một thế mạnh khác của VoicePing ASR Model V0.1, với WER 16.0%, theo sát phía sau là Google Cloud STT Chirp 3 và Qwen3-ASR 1.7B.
Những điều chúng tôi rút ra
- VoicePing ASR Model V0.1 có độ chính xác tổng thể cao nhất trong benchmark này, với WER macro 19.3% trên cả năm ngôn ngữ.
- Kết quả không đồng đều giữa các ngôn ngữ: tiếng Anh, tiếng Hàn và tiếng Trung cho thấy lợi thế rõ rệt nhất của VoicePing trong lần chạy này, tiếng Nhật gần như ngang bằng với hệ thống đám mây tốt nhất, còn tiếng Việt là cuộc đua sít sao được quyết định bởi chưa đến một điểm phần trăm.
- Các hệ thống đa dụng có quy mô lớn hơn không mặc nhiên thắng thế trên dữ liệu giọng nói đa ngôn ngữ gắn với sản phẩm cụ thể.
- Cả độ chính xác lẫn thời gian phản hồi đều quan trọng đối với trải nghiệm người dùng, đặc biệt trong các cuộc họp và sự kiện trực tiếp.
Bước tiếp theo
VoicePing ASR Model V0.1 là phiên bản phát hành đầu tiên, và benchmark này chỉ là một lát cắt tại một thời điểm. Bộ dữ liệu được xây dựng từ chính loại giọng nói mà VoicePing xử lý trong thực tế, nên nó đo mức độ sẵn sàng cho sản phẩm của chúng tôi chứ không thay thế cho một benchmark công khai phổ quát — và các hệ thống đám mây trong phép so sánh sẽ tiếp tục phát triển, cũng như mô hình của chúng tôi. Độ trễ cũng phụ thuộc vào môi trường triển khai, vì vậy hãy xem các con số về tốc độ mang tính tham khảo hơn là tuyệt đối.
Từ đây, công việc của chúng tôi tập trung vào những hướng mà lần đánh giá này chỉ ra: giảm các dạng lỗi còn tồn tại ở từng ngôn ngữ, mở rộng bộ kiểm tra với âm thanh nhiều tạp âm hơn, dài hơn và chuyên ngành hơn, đồng thời mở rộng phép so sánh khi các hệ thống chuyển giọng nói thành văn bản mới ra mắt. Các điểm số tự động định hướng cho công việc đó, và việc con người rà soát bản ghi vẫn là một phần của mọi quyết định phát hành.
Kết luận
VoicePing ASR Model V0.1 là mô hình ASR đa ngôn ngữ hợp nhất đầu tiên của chúng tôi cho tiếng Anh, tiếng Nhật, tiếng Hàn, tiếng Trung và tiếng Việt. Trong benchmark gồm 5.000 đoạn ghi âm này, mô hình mang lại độ chính xác tổng thể cao nhất trong số các hệ thống được kiểm tra, với thời gian phản hồi thuộc nhóm nhanh nhất — và đây chính là lớp phiên âm mà mọi tính năng khác của VoicePing được xây dựng bên trên.
Thay đổi quan trọng nằm ở trọng tâm: chúng tôi đánh giá ASR như một phần của một sản phẩm giao tiếp đa ngôn ngữ thực thụ, chứ không phải như một bản demo mô hình đứng riêng lẻ.
