Speech to text tiếng Việt cho bệnh viện và phòng khám

01/10/2026

Phòng khám đông, bác sĩ khám xong bệnh nhân thứ hai mươi mấy trong buổi sáng, và mắt anh vẫn dán vào màn hình để gõ bệnh án. Bệnh nhân ngồi đối diện nhìn bác sĩ gõ phím nhiều hơn là nhìn mình. Ai từng đi khám đều biết cảm giác đó. Speech to text tiếng Việt ra đời một phần để giải quyết đúng chuyện này: bác sĩ nói, máy ghi, và người ta được nhìn vào mặt nhau trở lại.

Đây là hướng mà AIVISION theo đuổi với mô hình speech to text E1.0. Nhưng ghi chép bệnh án bằng giọng nói khó hơn nhiều so với chép lời một bài phát biểu, và tôi muốn kể rõ chỗ khó.

Vì sao giọng nói trong bệnh viện là bài toán riêng

Một mô hình nhận dạng tiếng nói chạy tốt với tin tức, podcast, cuộc gọi chăm sóc khách hàng chưa chắc chạy tốt ở hành lang bệnh viện. Có mấy lý do rất thực tế.

• Tiếng ồn nền: máy móc, tiếng gọi số, người nhà nói chuyện, điều hoà ì ì.
• Từ vựng chuyên ngành: thuật ngữ y khoa, tên thuốc, tên giải phẫu, trộn giữa tiếng Việt và tiếng Anh hoặc Latin trong cùng một câu.
• Giọng vùng miền: bác sĩ và bệnh nhân đến từ khắp nơi, âm Bắc, Trung, Nam khác nhau, và có tiếng địa phương ngoài sách vở.
• Nói tắt, nói nhanh: bác sĩ trực không đọc chính tả, họ lẩm nhẩm như đang nghĩ thành tiếng.

Chữ số cũng gây rắc rối. Một thông số đọc sai một chữ số có thể khác hẳn ý nghĩa, và đó chính là lý do kết quả không thể đi thẳng vào hồ sơ mà không qua mắt người.

Từ văn bản thô đến bệnh án có cấu trúc

Phiên âm chỉ là bước đầu. Bệnh án có cấu trúc: lý do khám, tiền sử, khám lâm sàng, kế hoạch. Lời bác sĩ nói thì không theo khuôn đó. Đây là chỗ mô hình ngôn ngữ vào cuộc: sau khi giọng nói thành chữ, một LLM có thể sắp xếp lại thành các mục theo mẫu của cơ sở, sửa chính tả thuật ngữ, và đánh dấu những chỗ nghe không rõ để bác sĩ nhìn lại.

Chúng tôi thấy thiết kế hợp lý là tách hai lớp. Lớp một chép lại đúng những gì được nói. Lớp hai tổ chức lại. Tách như vậy để khi có lỗi, mình biết lỗi nằm ở đâu: tai nghe nhầm hay tay sắp xếp sai. Nếu gộp một cục, truy lỗi rất khổ.

Một nguyên tắc nữa: chỗ nào mô hình không chắc thì phải để lộ ra. Một từ bị gạch chân hoặc đánh dấu cần kiểm tra hữu ích hơn một bản chép đẹp mà sai ngầm. Cái đẹp giả là kẻ thù của cái đúng.

Con người vẫn là người ký

Có một điều tôi muốn nói thẳng, vì nó ảnh hưởng đến toàn bộ cách thiết kế. Công cụ này hỗ trợ ghi chép, không phải thay bác sĩ viết bệnh án. Bác sĩ đọc lại, sửa, rồi ký. Mô hình không đưa ra chẩn đoán, không gợi ý thuốc, không thêm vào hồ sơ điều mà bác sĩ không nói. Nếu một phiên bản sản phẩm bắt đầu tự điền vào chỗ trống, nó đã đi sai hướng.

Đó cũng là chỗ thiết kế giao diện quan trọng hơn người ta nghĩ. Nếu bản chép nhìn quá hoàn chỉnh, bác sĩ mệt sẽ có xu hướng ký luôn. Có đội làm sản phẩm chọn cách hiển thị hai cột, lời nói gốc bên cạnh bản đã sắp xếp, để việc đối chiếu nhẹ nhàng. Tôi không nói đây là cách duy nhất, nhưng nó phản ánh một điều: công cụ tốt không chỉ chính xác, nó còn khiến việc kiểm tra trở nên dễ dàng.

Triển khai: chuyện không nằm trong mô hình

Phần đông thời gian của một dự án kiểu này không nằm ở mô hình mà ở xung quanh nó.

Micro và môi trường

Chất lượng âm thanh quyết định rất nhiều. Một micro cài áo hoặc micro hội nghị đặt đúng chỗ có thể giúp ích hơn một đợt huấn luyện thêm. Thử trong phòng khám thật, không thử trong phòng họp yên tĩnh.

Sự đồng ý của bệnh nhân

Ghi âm cuộc khám là chuyện nhạy cảm. Cần thông báo rõ, xin đồng ý, và quy định âm thanh gốc được giữ bao lâu, hoặc có giữ hay không. Nhiều đơn vị chọn xử lý xong rồi xoá âm thanh, chỉ giữ văn bản đã được bác sĩ duyệt.

Tích hợp vào quy trình sẵn có

Nếu bác sĩ phải mở thêm một ứng dụng riêng, sao chép qua dán lại, công cụ sẽ bị bỏ sau hai tuần. Văn bản cần chảy vào đúng chỗ họ vẫn làm việc.

Về năng lực, tôi chỉ nói điều đã biết

AIVISION đã phát hành mô hình speech to text E1.0 cho tiếng Việt và huấn luyện trên cluster 24 GPU NVIDIA H200 cùng 8 GPU NVIDIA B300. Chúng tôi chưa công bố một tỷ lệ lỗi cho môi trường bệnh viện nào, vì con số đó phụ thuộc vào phòng khám, loại micro, giọng của đội ngũ và vốn từ chuyên khoa, và một con số chung chung chỉ gây hiểu lầm. Điều chúng tôi sẵn sàng làm là đo trên dữ liệu thật của đơn vị với sự đồng ý phù hợp, rồi cùng nhìn vào những chỗ sai trước khi bàn đến chuyện triển khai rộng.

Hướng finetune cho từng chuyên khoa cũng quan trọng. Một khoa tim mạch, một phòng khám nhi và một khoa xét nghiệm dùng bộ từ vựng khác nhau. Mô hình học thêm từ vựng riêng của khoa thường là bước hợp lý, miễn là có dữ liệu đúng quy định và có người đánh giá kết quả.

Gánh nặng giấy tờ và điều thực sự đáng giữ

Người ta hay nói công nghệ giúp bác sĩ tiết kiệm thời gian. Tôi nghĩ cách nói chính xác hơn là: nó có thể chuyển thời gian từ màn hình sang bệnh nhân. Nếu một buổi khám nhẹ bớt vài phút gõ phím và bác sĩ nhìn bệnh nhân lâu hơn, đó là một thay đổi nhỏ nhưng thật. Còn nếu công cụ chỉ làm bác sĩ thêm một bước kiểm tra mà không bớt đi bước nào, thì nó chưa xứng đáng ở lại phòng khám. Phép thử đơn giản nhất vẫn là hỏi chính những người dùng nó mỗi ngày.