Chuyển giọng nói thành văn bản & gỡ băng ghi âm · xử lý 100% trên máy Mac

Chuyển giọng nói thành văn bản ngay trên Mac, âm thanh không rời khỏi máy

Lesskeys chuyển giọng nói thành văn bản ngay trên chiếc Mac của bạn: giữ một phím tắt để gõ chữ bằng giọng nói ở bất kỳ ô soạn thảo nào, hoặc kéo một file ghi âm, một bản thu cuộc họp vào cửa sổ ứng dụng để có bản gỡ băng thấy rõ ai nói câu nào. Toàn bộ phần nhận dạng chạy trên GPU của chính máy đó: không có đoạn âm thanh nào được tải lên máy chủ nào cả.

Xem cách hoạt động

Lesskeys làm được gì

Lesskeys là ứng dụng nằm trên thanh menu của macOS và làm đúng hai việc. Việc thứ nhất: gõ chữ bằng giọng nói — giữ một phím tắt ở bất kỳ ô soạn thảo nào, nói xong thả phím ra là có chữ. Việc thứ hai: ghi âm cuộc họp, buổi phỏng vấn hay cuộc gọi — hoặc kéo thả một file ghi âm, file video đã có sẵn trong máy — rồi gỡ băng thành văn bản có mốc thời gian và tách sẵn theo từng người nói.

Hai việc đó đứng trên cùng một nền: phần nhận dạng chạy trên GPU của máy Mac Apple Silicon. Không cần tạo tài khoản, không có file nào được gửi đi, và sau lần tải mô hình nhận dạng duy nhất lúc cài đặt thì ứng dụng không cần Internet nữa. Những gì bạn nói và ghi lại nằm nguyên trên ổ đĩa của bạn.

Cách chuyển giọng nói thành văn bản trên Mac

Ba bước, và trong cả ba bước không có đoạn âm thanh nào rời khỏi máy:

• Giữ phím tắt rồi nói. Mặc định là ⌥., đổi được trong cài đặt. Phím tắt này hoạt động ở mọi nơi trong macOS chứ không riêng một ứng dụng nào.
• Máy nhận dạng ngay tại chỗ. GPU của chính chiếc Mac bạn đang dùng sẽ chuyển lời nói thành chữ. Không có đoạn âm thanh nào rời khỏi máy, và cũng không cần mạng.
• Bạn là người nhấn dán. Chữ được chép vào clipboard; bạn nhấn ⌘V để nó vào đúng chỗ con trỏ đang đứng — trong Mail, Word, Google Docs, Zalo, Slack hay trình soạn thảo mã.

Với một bản ghi đã có sẵn thì thay vì nói, bạn kéo thả file vào cửa sổ Lesskeys; phần nhận dạng vẫn chạy y hệt ngay trên máy, chỉ khác là kết quả không vào clipboard mà vào thẳng thư viện dưới dạng bản gỡ băng có mốc thời gian và tên người nói. Hướng dẫn chi tiết nằm ở trang cách chuyển giọng nói thành văn bản.

Khác gì tính năng đọc chính tả có sẵn của macOS?

Máy Mac nào cũng đã có sẵn tính năng đọc chính tả — trong cài đặt macOS tiếng Việt là Đọc chính tả, bản tiếng Anh gọi là Dictation. Bạn nhấn phím micro ở hàng trên bàn phím, hoặc nhấn phím Control hai lần, rồi nói là macOS gõ ra chữ. Nó miễn phí, nó đang nằm sẵn trên chiếc MacBook của bạn ngay lúc này, và để đọc một tin nhắn ngắn thì nói thẳng là nó đủ dùng. Lesskeys có mặt vì bốn việc mà tính năng đọc chính tả sẵn có không làm được.

• File và bản ghi, không chỉ lời nói trực tiếp. Đọc chính tả có sẵn chỉ gõ lại câu bạn đang nói ngay lúc đó. Lesskeys gỡ băng được cả cuộc gọi, cuộc họp, buổi phỏng vấn, file ghi âm và file video đã nằm sẵn trong máy.
• Ai nói câu nào. Việc tách người nói được tính ngay trên máy của bạn, nên với một buổi phỏng vấn dài một tiếng, bạn nhận được một bản gỡ băng đọc được, thay vì một khối chữ liền mạch không biết ai nói.
• Bạn chọn mô hình nhận dạng. Chọn mô hình Whisper hợp với cấu hình máy và với ngôn ngữ bạn hay dùng — 99 ngôn ngữ, tải một lần rồi chạy cục bộ, và cả một đoạn nói dài cũng được nhận dạng trọn vẹn trong một lần.
• Một phím tắt, mọi ứng dụng. ⌥. hành xử giống hệt nhau trong Mail, Word, Slack, Xcode hay trình duyệt, và chữ được chép sẵn vào clipboard, chỉ chờ bạn dán.

Nếu việc bạn cần chỉ là đọc một câu trả lời ngắn thì tính năng đọc chính tả sẵn có trên máy Mac của bạn là miễn phí và hoàn toàn ổn — chúng tôi thà nói thẳng như vậy. Lesskeys bắt đầu đáng tiền khi trước mặt bạn là một bản ghi cuộc họp, một buổi phỏng vấn nhiều người hay một file video cần gỡ băng và gắn tên người nói — hoặc khi bạn gõ chữ bằng giọng nói cả ngày và muốn một phím tắt hành xử giống nhau ở mọi ứng dụng.

Từ bản ghi âm tới bản gỡ băng có tên người nói

Bạn bấm ghi trong Lesskeys rồi nói, hoặc cứ để cuộc trò chuyện đang diễn ra chạy tiếp. Vì thứ được thu là âm thanh hệ thống của máy Mac nên phần mềm họp nào cũng như nhau: Zoom, Microsoft Teams, Google Meet, Slack, hay cuộc gọi Zalo trên máy tính. Không có “người tham dự” lạ nào được mời vào phòng họp, và ứng dụng cũng không đòi quyền xem lịch làm việc của bạn.

• Tách người nói. Bản ghi được tự động tách theo giọng nên trong bản gỡ băng thấy rõ ai nói câu nào. Bạn đặt tên cho từng người, và tên đó được nhận lại ở những bản ghi sau nhờ hồ sơ giọng nói lưu ngay trên máy — vì vậy hãy nói trước với người được ghi âm và xin sự đồng ý của họ (giải thích chi tiết ở đây).
• Mốc thời gian. Mỗi đoạn mang theo vị trí của nó trong bản ghi, nên câu nào nghe chưa chắc thì bạn tua đúng giây đó nghe lại.
• File có sẵn. Ghi âm cũ, file video, tin nhắn thoại đã lưu trong máy đều kéo thả vào được để chuyển thành văn bản.
• Xuất ra. Bản gỡ băng xuất ra dạng văn bản; muốn làm phụ đề thì có SRT và VTT. Lịch sử nhập liệu bằng giọng nói xuất được TXT, JSON hoặc CSV.

Gõ chữ bằng giọng nói — và bạn là người nhấn dán

Có đúng một bước ứng dụng cố tình không làm thay bạn: Lesskeys không bao giờ tự gõ chữ vào ứng dụng khác. Bạn mất thêm một thao tác phím, đổi lại bạn luôn nhìn thấy câu chữ trước khi nó xuất hiện trong email hay tài liệu, và ứng dụng không cần quyền can thiệp vào cửa sổ của chương trình khác.

Cách này chạy ở mọi nơi bạn vẫn dán được chữ. Và vì việc nhận dạng không gọi tới máy chủ nào nên kết quả ở chế độ máy bay, trên tàu xe mất sóng hay lúc hết dung lượng 4G cũng y hệt như ngồi ở bàn làm việc. Chi tiết nằm ở trang nhập liệu bằng giọng nói trên Mac.

Kho lưu trữ tìm kiếm được theo lời đã nói

Mọi bản ghi và bản gỡ băng nằm chung trong một thư viện cục bộ. Bạn tìm được theo chữ thật sự đã nói chứ không chỉ theo tên file — chẳng hạn lần ngược lại xem ba tháng trước hai bên đã chốt với nhau thế nào về ngân sách, rồi nhảy tới mốc thời gian đó và nghe lại đúng câu gốc. Với những cuộc họp lặp lại hằng tuần và các đợt phỏng vấn dài kỳ, chính cái kho này mới là thứ có giá trị, chứ không phải một bản gỡ băng lẻ.

Vì sao việc xử lý ngay trên máy lại quan trọng

Ở một dịch vụ gỡ băng trực tuyến, bản ghi của bạn được tải lên máy chủ của bên cung cấp, xử lý ở đó và thường cũng được lưu lại ở đó một thời gian. File nằm bao lâu, máy chủ đặt ở nước nào, ai được phép xem — tất cả nằm trong điều khoản dịch vụ của họ, và điều khoản thì thay đổi được. Ở Lesskeys, bước tải lên đó không tồn tại, vì phần tính toán do chính máy Mac của bạn làm. Không có nhà cung cấp nào nhận được bản sao bản ghi.

Đó là mô tả kiến trúc phần mềm, không phải một kết luận pháp lý. Lesskeys không tuyên bố tuân thủ hay được chứng nhận theo bất kỳ quy định nào, kể cả pháp luật bảo vệ dữ liệu cá nhân của Việt Nam. Việc ghi âm và xử lý của bạn có hợp lệ hay không, cần thông báo và xin đồng ý ra sao, lưu trữ bao lâu rồi xoá thế nào — hãy để bộ phận pháp chế hoặc tuân thủ của chính bạn đánh giá. Phần kỹ thuật viết kỹ ở trang gỡ băng không tải file lên đám mây.

Ghi âm người khác: xin phép trước đã

Ghi âm một cuộc trò chuyện mà chính bạn tham gia không mặc nhiên là vi phạm, nhưng cũng không phải là tấm vé miễn trừ. Theo Điều 38 Bộ luật Dân sự 2015, đời sống riêng tư và bí mật cá nhân được pháp luật bảo vệ, việc thu thập, lưu giữ và sử dụng thông tin đó phải được người ấy đồng ý. Giọng nói là dữ liệu cá nhân; phát tán bản ghi hoặc bản gỡ băng cho người khác khi chưa được đồng ý có thể bị xử phạt hành chính theo Nghị định 15/2020/NĐ-CP.

Chuẩn mực đang dùng ở công sở Việt Nam thì đơn giản và bằng lời: đầu buổi nói rõ “mình xin phép ghi âm để làm biên bản”, để câu đồng ý của mọi người nằm luôn trong bản ghi, rồi ghi dòng đó vào đầu biên bản; ai không đồng ý thì không ghi. Bản gỡ băng tự động không có bảo đảm nào về giá trị pháp lý. Nội dung đầy đủ nằm ở trang biên bản cuộc họp tự động. Đây là thông tin tham khảo, không phải tư vấn pháp lý.

99 ngôn ngữ, tự nhận diện

Phần nhận dạng hỗ trợ 99 ngôn ngữ và tự xác định ngôn ngữ đang được nói, nên bạn không phải chỉnh gì trước khi ghi. Tiếng Việt chen vài từ tiếng Anh kiểu “deadline”, “feedback”, “book lịch”, “check lại” vẫn ra một đoạn văn bình thường. Khó hơn là bản ghi đổi hẳn ngôn ngữ trong thời gian dài, vì việc nhận diện được thực hiện theo từng bản ghi. Nếu bạn chỉ làm việc với hai ba ngôn ngữ thì thu hẹp danh sách ưu tiên trong cài đặt, ví dụ Tiếng Việt và Tiếng Anh. Riêng chuyện dấu thanh và giọng ba miền, chúng tôi nói thẳng ở trang nhận dạng giọng nói tiếng Việt.

Cấu hình máy và giá

Dòng về chip không phải lời khuyên. Trên Mac chạy chip Intel ứng dụng không chạy được, mà MacBook Intel cũ vẫn còn rất nhiều trên thị trường máy second-hand ở Việt Nam — hãy kiểm tra trước khi trả bất kỳ khoản nào: menu Apple › Giới thiệu về máy Mac này, thấy ghi M1, M2, M3 hoặc mới hơn là máy bạn dùng được.

Bạn thử được mà không phải trả tiền và không phải tạo tài khoản. Bản miễn phí cho 5 phút gõ chữ bằng giọng nói mỗi ngày cùng 5 bản gỡ băng audio và 5 bản gỡ băng video — con số 5 này là tổng cộng trọn đời, không phải hạn mức hằng ngày. Riêng việc ghi âm thì không bao giờ bị giới hạn, và một bản đã gỡ băng rồi thì bạn gỡ lại thoải mái, chẳng hạn bằng mô hình lớn hơn, mà không tốn lượt. Cần nhiều hơn thì mở khoá Pro bằng khoản mua một lần 49,99 $ ngay trong ứng dụng. Đây là giá niêm yết bằng đô la Mỹ; App Store Việt Nam tính tiền bằng VNĐ, quy đổi vào khoảng 1,2–1,3 triệu ₫ nhưng con số này chỉ là ước tính — số tiền có hiệu lực là số hiển thị trên App Store lúc bạn bấm mua. Việc mua và hoàn tiền theo quy định của Apple.

Những gì ứng dụng này không làm

Nói cho đúng kỳ vọng: bản gỡ băng tự động là bản nháp. Tên người, tên công ty, tên cơ quan viết tắt, số hiệu văn bản và thuật ngữ chuyên ngành không phải lúc nào cũng đúng; dấu câu là phần máy tự suy đoán; và khi nhiều người nói chồng lên nhau thì việc gán người nói sẽ lệch. Hãy dành thời gian cho một vòng đọc soát. Ứng dụng cũng không tự gõ chữ vào chương trình khác, không cử bot vào phòng họp, và không tự viết tóm tắt. Đây không phải công cụ chẩn đoán và không dành cho mục đích y khoa; nếu dùng trong môi trường y tế thì vai trò của nó chỉ dừng ở việc hỗ trợ ghi chép.

Đọc thêm

Theo từng nhu cầu cụ thể: làm biên bản cuộc họp từ bản ghi, chuyển file ghi âm sẵn có thành văn bản, hướng dẫn từng bước, và phần nền kỹ thuật xử lý giọng nói ngay trên máy.

Câu hỏi thường gặp

Bài liên quan