Speech to text tiếng Việt cho call center: kiểm soát chất lượng

01/10/2026

Hầu hết call center mà tôi từng thấy đều có một thói quen chung: cuối tuần, giám sát viên ngồi nghe lại vài cuộc gọi ngẫu nhiên, chấm điểm theo bảng tiêu chí, rồi gửi phản hồi cho nhân viên. Nghe được bao nhiêu cuộc? Rất ít so với khối lượng thật. Phần còn lại nằm im trong kho ghi âm. Đó là lý do speech to text tiếng Việt đáng được cân nhắc nghiêm túc: khi cuộc gọi trở thành văn bản, bạn có thể tìm kiếm, thống kê và đối chiếu thay vì chỉ nghe.

Văn bản hoá cuộc gọi để làm gì

Giá trị đầu tiên và dễ thấy nhất là phủ rộng. Thay vì lấy mẫu vài cuộc, bạn có bản chép lời của toàn bộ cuộc gọi, rồi dùng các quy tắc hoặc mô hình ngôn ngữ để lọc ra những cuộc đáng nghe lại. Ví dụ: cuộc nào khách nhắc đến chuyện huỷ dịch vụ, cuộc nào nhân viên bỏ qua câu chào chuẩn, cuộc nào kéo dài bất thường.

Giá trị thứ hai là kiểm tra tuân thủ. Với các ngành có kịch bản bắt buộc, chẳng hạn đọc điều khoản trước khi chốt đơn, văn bản giúp bạn kiểm tra xem câu đó có được nói hay không mà không phải nghe từng phút. Giá trị thứ ba là vòng phản hồi cho sản phẩm: những câu hỏi lặp đi lặp lại của khách là dữ liệu quý, và nó chỉ lộ ra khi bạn đọc được hàng nghìn cuộc cùng lúc.

Một quy trình QA điển hình

• Ghi âm cuộc gọi, tách hai kênh (khách và nhân viên) nếu tổng đài cho phép.
• Chuyển thành văn bản bằng mô hình nhận dạng giọng nói.
• Gắn nhãn tự động: chủ đề cuộc gọi, cảm xúc, các cụm bắt buộc.
• Giám sát viên chỉ nghe lại những cuộc bị gắn cờ, đối chiếu với văn bản.

Điểm tôi muốn nhấn mạnh là bước cuối. Văn bản không thay giám sát viên, nó chọn giúp họ nên nghe cuộc nào.

Vì sao tiếng Việt qua điện thoại khó hơn bạn nghĩ

Nghe thì giản dị, nhưng audio tổng đài là loại dữ liệu khó. Đường thoại truyền thống thường chỉ giữ băng thông hẹp, nên nhiều chi tiết phụ âm bị mất. Trong tiếng Việt, những cặp như "s" và "x", "ch" và "tr", hay các phụ âm cuối "n", "ng", "nh" vốn đã dễ nhầm, qua điện thoại lại càng dễ nhầm hơn.

Rồi đến thanh điệu. Sáu thanh là đặc trưng của tiếng Việt, và một lỗi thanh có thể đổi nghĩa cả câu. Khi khách gọi từ chỗ ồn, hoặc nói chồng lên nhân viên, mô hình phải suy luận thêm từ ngữ cảnh. Chưa kể giọng vùng miền, từ địa phương, tên riêng, mã đơn hàng, số điện thoại đọc theo từng chữ số, và chuyện chen tiếng Anh giữa câu ("cho em check lại cái order").

Vì vậy tôi luôn khuyên các đội vận hành đừng đánh giá một hệ thống chỉ qua bản demo giọng đọc sạch. Hãy thử trên chính audio của bạn, ở những giờ cao điểm, với những nhân viên nói nhanh nhất. Chúng tôi, ở AIVISION, tập trung vào tiếng Việt chính vì những khác biệt này: model speech-to-text E1.0 được phát hành cho tiếng Việt, và hướng thiết kế của chúng tôi là ưu tiên dữ liệu giọng nói thực tế thay vì chỉ giọng đọc phòng thu. Tôi không đưa ra con số độ chính xác ở đây, vì con số đó chỉ có nghĩa khi đo trên dữ liệu của chính bạn.

Những giới hạn cần nói thẳng

Bản chép lời tự động sẽ có lỗi. Đó là điều không tránh được, và quan trọng là bạn biết lỗi nằm ở đâu để thiết kế quy trình quanh nó. Vài chỗ thường gặp:

• Số và mã: số điện thoại, mã vận đơn, số tiền là chỗ sai nhiều nhất và hậu quả lớn nhất. Nên có bước xác thực riêng, không tin hoàn toàn vào văn bản.
• Tên riêng và thuật ngữ nội bộ: tên sản phẩm, tên gói cước, tên chi nhánh. Từ điển tuỳ biến hoặc finetune giúp đáng kể.
• Chồng giọng: hai người nói cùng lúc thì cả người nghe cũng khó, huống chi máy.
• Cảm xúc: văn bản mất ngữ điệu. Một câu "vâng, em hiểu rồi ạ" có thể là lịch sự hoặc là mỉa mai, và chữ không cho biết điều đó.

Có một cạm bẫy mà tôi thấy nhiều lần: đội QA chấm điểm nhân viên dựa trực tiếp trên văn bản tự động, rồi nhân viên bị trừ điểm vì lỗi của máy. Chuyện này phá niềm tin rất nhanh. Cách an toàn hơn là dùng văn bản để gợi ý và phân loại, còn điểm số cuối cùng vẫn do người xác nhận trên các cuộc quan trọng.

Chuyện dữ liệu và quyền riêng tư

Cuộc gọi chứa thông tin cá nhân: họ tên, địa chỉ, đôi khi cả số tài khoản. Trước khi triển khai, hãy trả lời mấy câu hỏi thực tế. Âm thanh được xử lý ở đâu, trên máy chủ của bạn hay của nhà cung cấp? Văn bản được lưu bao lâu? Có che thông tin nhạy cảm trước khi đưa vào bước phân tích không? Khách có được thông báo cuộc gọi bị ghi âm không? Những câu hỏi này không hấp dẫn, nhưng chúng quyết định dự án có qua được bộ phận pháp chế hay không.

Cách bắt đầu nhỏ mà hiệu quả

Đừng cố số hoá toàn bộ ngay. Chọn một nhóm cuộc gọi có kịch bản rõ, ví dụ cuộc gọi xác nhận đơn hoặc cuộc gọi khiếu nại, lấy vài trăm cuộc, chuyển văn bản, rồi để giám sát viên so sánh với bản tự nghe. Họ sẽ nhanh chóng cho bạn biết hệ thống sai ở đâu và có đáng tin để đi tiếp không. Từ đó mới quyết định có cần finetune trên từ vựng riêng của doanh nghiệp hay không.

Nếu đội của bạn đang cân nhắc hướng này, bạn có thể xem thêm về các model tiếng Việt mà AIVISION đang phát triển. Một hệ thống QA tốt không bắt đầu từ công nghệ, nó bắt đầu từ việc bạn muốn biết điều gì về những cuộc gọi của mình.