Microsoft (MSFT) vừa mở mã nguồn VibeVoice-ASR, một mô hình nhận dạng giọng nói (ASR) đột phá, cho phép xử lý toàn bộ file âm thanh dài tới 60 phút chỉ trong một lần duy nhất. Không giống các mô hình ASR truyền thống thường xử lý từng đoạn ngắn và dễ mất ngữ cảnh, VibeVoice-ASR tạo ra bản ghi có cấu trúc gồm ai nói (speaker), khi nào (timestamp) và nội dung (content), đồng thời hỗ trợ tùy chỉnh hotword.

Điểm mạnh của VibeVoice-ASR

Mô hình này hỗ trợ hơn 50 ngôn ngữ, giúp người dùng Việt Nam có thể chuyển đổi các cuộc họp dài, podcast hay bài giảng sang văn bản một cách chính xác. VibeVoice-ASR hiện đã được tích hợp vào thư viện Hugging Face Transformers, giúp các nhà phát triển dễ dàng tích hợp mà không cần cấu hình phức tạp. Ngoài ra, mã fine-tune có sẵn cho phép tinh chỉnh mô hình theo nhu cầu cụ thể, như nhận diện giọng miền Bắc hay miền Nam.

Ý nghĩa với người dùng thông thường

Với VibeVoice-ASR, việc chép lại nội dung từ các buổi họp trực tuyến kéo dài, ghi chú bài giảng đại học hay phân tích dữ liệu gọi điện trở nên nhanh chóng và chi phí thấp. Bạn không còn phải cắt nhỏ file âm thanh hay sử dụng dịch vụ trả phí đắt đỏ. Đây là bước tiến lớn trong lĩnh vực công nghệ và AI mở.