Chương 3 / 8 ◆ ~10 phút đọc

Chương 3: Một triệu giọng nói không phải nguyên liệu miễn phí

Phòng pháp lý kết luận bằng một câu khiến cả nhóm vừa nhẹ nhõm vừa khó chịu: “Phần lớn dữ liệu hiện tại có cơ sở để dùng cho nhận dạng giọng nói, đúng theo sự đồng ý đã thu.”

“Còn nhân bản giọng?” tôi hỏi.

Luật sư đáp: “Không nên dựa vào câu chữ cũ để mở rộng sang đó.”

“Không nên, hay không được?”

“Đó là hai câu khác nhau.”

Tôi ghét câu trả lời ấy, không phải vì luật sư né tránh, mà vì thực tế đúng là có một vùng xám nằm giữa “rõ ràng vi phạm” và “rõ ràng được đồng ý”. Giấy đồng thuận ba năm trước viết rất rộng: nghiên cứu, cải thiện và phát triển công nghệ giọng nói, bao gồm sản phẩm và dịch vụ liên quan. Khi đó NovaMind chủ yếu làm chuyển giọng nói thành văn bản. Không ai trong đội thu âm từng nói với người tham gia rằng một ngày nào đó công ty có thể xây hệ thống tổng hợp ra một giọng gần giống giọng của người thật. Có lẽ vì lúc ấy sản phẩm đó còn chưa tồn tại. Công nghệ cứ thế chạy nhanh hơn câu chữ trên tờ giấy.

Nhóm giọng tổng hợp đã có bản mẫu. Nó chưa thể nhân bản một người chỉ từ vài câu, nhưng với đủ lượng ghi âm của cùng một người, mô hình giữ lại được khá nhiều: nhịp nói, cao độ, hơi thở, màu giọng. Tinh chỉnh thêm thì càng giống. Bên kinh doanh nhìn thấy một thị trường lớn: tổng đài, sách nói, trợ lý ảo, trò chơi điện tử. Các ngân hàng muốn có một “giọng thương hiệu” thật tự nhiên.

Nhưng tôi không thể thôi nghĩ tới những con người nằm trong bộ dữ liệu. Họ nghĩ giọng mình chỉ là nguyên liệu thống kê giúp máy nghe tốt hơn, hay họ hiểu rằng nó có thể trở thành nền móng để máy nói thay họ?

Nguyên đề xuất làm thử một đợt xin đồng ý lại. Không gọi ngay cho mười nghìn người, mà chọn ba trăm người từ các đợt thu cũ, giải thích rõ ba mục đích khác nhau: nhận dạng giọng nói, xác thực người nói, và tạo giọng nói tổng hợp. Mỗi người được chọn riêng từng mục.

Kết quả làm đội kinh doanh im bặt. Phần lớn vẫn đồng ý cho nhận dạng giọng nói. Tỷ lệ đồng ý cho xác thực người nói thấp hơn. Còn giọng tổng hợp thì thấp hơn hẳn. Rất nhiều người nói cùng một ý: “Tôi không muốn máy nói giống tôi.”

Một người tham gia tên Hương, giáo viên tiểu học ở Quảng Nam, nói trong cuộc gọi mà tôi được ngồi nghe: “Ngày trước tôi đọc hai trăm câu vì bên anh nói là để máy nghe người miền Trung tốt hơn.”

Người phỏng vấn dạ khẽ. Cô Hương nói tiếp, không vội: “Tôi đồng ý cái đó. Nhưng nếu máy lấy giọng tôi đi đọc quảng cáo, hay nói những câu tôi chưa từng nói, thì tôi không đồng ý.”

Luật sư phụ trách sản phẩm giải thích rằng mô hình tổng hợp không nhất thiết tạo ra một bản sao hoàn chỉnh. Cô Hương đáp, giọng chậm rãi như đang giảng bài cho học trò: “Tôi không rành kỹ thuật. Tôi chỉ biết tôi cho các anh những câu nói để máy hiểu tôi.” Cô dừng một chút. “Tôi không cho các anh một bản sao giọng nói của tôi.”

Tôi ghi câu đó vào sổ. Không phải để làm khẩu hiệu, mà để tự nhắc rằng một tờ giấy đồng thuận có thể đúng về pháp lý mà vẫn không diễn đạt đúng điều người ký thật sự kỳ vọng.

Trong cuộc họp sau đó, giám đốc kinh doanh hỏi: “Nếu phải xin đồng ý lại toàn bộ cho giọng tổng hợp thì chậm bao lâu?”

“Nhiều tháng,” Nguyên đáp.

“Chi phí?”

“Cao.”

“Có thể chỉ dùng dữ liệu mua từ diễn viên lồng tiếng chuyên nghiệp cho phần tổng hợp không?”

“Có,” tôi nói.

“Vậy làm đi.”

Câu nói ấy hóa ra lại mở được đường. Không phải sản phẩm nào cũng cần dùng mọi bộ dữ liệu. Chúng tôi đã quen lối nghĩ có dữ liệu là phải tận dụng tối đa, giờ phải học một lối nghĩ khác: dữ liệu nào được phép dùng cho mục đích nào. NovaMind chia kho dữ liệu thành các phạm vi riêng: nhận dạng giọng nói, xác thực, tổng hợp, chỉ dành cho nghiên cứu, và được phép thương mại. Không còn một cái thùng “dữ liệu giọng nói” chung cho tất cả.

“Quy trình xử lý sẽ phức tạp gấp đôi,” Dũng nói.

“Đúng.”

“Mấy người làm khoa học dữ liệu sẽ ghét.”

“Biết.”

“Nếu ai đó ghép nhầm phạm vi thì sao?”

“Hệ thống phải tự chặn.”

“Tức là đưa quản trị dữ liệu vào thẳng trong code.”

“Đúng vậy.”

Trước đây, sự đồng ý của người tham gia nằm trong những file PDF ở thư mục pháp lý. Lệnh huấn luyện mô hình không hề biết những file đó tồn tại. Người chạy thí nghiệm chọn bộ dữ liệu theo tên kỹ thuật, và một khi dữ liệu đã nằm trong kho, ranh giới pháp lý gần như vô hình với code. Chúng tôi thay đổi điều đó. Mỗi bộ dữ liệu phải có thông tin mô tả mà máy đọc được về những mục đích được phép. Mỗi lệnh huấn luyện phải khai báo mục đích của mình. Nếu mục đích không khớp phạm vi, lệnh tự thất bại, không dựa vào việc kỹ sư có nhớ đọc hợp đồng hay không. Đó là một thay đổi mà tôi tự hào hơn bất kỳ điểm benchmark nào.

Nhưng sự đồng ý không chỉ là chuyện mục đích sử dụng. Nó còn là chuyện tiền. Trong đợt thu mới, chúng tôi muốn có nhiều giọng từ những vùng ít dữ liệu. Nhà cung cấp cũ trả tiền theo phút thu âm, nên một người ở Hà Nội và một người phải đi xe ba tiếng từ huyện lên điểm thu nhận về gần như bằng nhau.

“Như thế có công bằng không?” Thu hỏi.

Bộ phận mua sắm đáp: “Cùng sản phẩm bàn giao thì cùng mức giá.”

“Nhưng chi phí để tham gia thì khác nhau,” Nguyên nói.

Chúng tôi thiết kế thêm một khoản hỗ trợ đi lại và thời gian riêng. Không gọi đó là “mua giọng hiếm giá cao” theo kiểu chợ búa, vì không ai muốn biến một cộng đồng thành món tài nguyên lạ để săn lùng. Nhưng cũng không thể nói mọi người đóng góp bình đẳng trong khi người ở vùng xa tốn bao nhiêu thời gian hơn mới tới được micro.

Hai tháng sau, đợt thu ở Hà Tĩnh bắt đầu. Tôi về cùng nhóm. Mẹ nhất quyết đòi đăng ký tham gia.

“Mẹ không cần đâu,” tôi nói.

“Răng không?”

“Con sợ xung đột lợi ích.”

“Mẹ nói mấy câu, có chi mà xung với đột.”

Cuối cùng mẹ vẫn tham gia, nhưng file của bà không được đưa vào bộ đánh giá chính vì liên quan trực tiếp tới tôi, chỉ được dùng cho nghiên cứu theo đúng phạm vi bà chọn. Mẹ ngồi thẳng lưng trước micro, nghiêm trang như đi thi, đọc: “Hôm nay trời mưa.” Rồi bà tự sửa lại: “Bữa ni trời mưa.”

Thu bật cười. “Cô cứ nói tự nhiên thôi ạ.”

Mẹ quay sang nhìn tôi. “Rứa lâu nay tụi bây bắt người ta đọc tiếng Việt kiểu trong sách hết à?”

Tôi im lặng, vì bà nói đúng một phần. Nhiều bộ dữ liệu được thu bằng những câu mẫu chuẩn. Người tham gia đọc chứ không trò chuyện, nên mô hình học được rất nhiều “tiếng Việt được đọc” và ít hơn hẳn “tiếng Việt người ta thật sự nói”. Chúng tôi bổ sung hình thức thu theo kiểu hội thoại: hỏi chuyện về bữa ăn, về công việc, về con đường đi làm, cho phép dùng thoải mái từ địa phương.

Nhưng điều đó lại kéo theo rủi ro riêng tư lớn hơn, vì người nói có thể lỡ kể tên, địa chỉ hay chuyện nhà. Thế là lại phải thêm quy trình: che các thông tin nhạy cảm, có người rà soát, cho người tham gia nghe lại nếu họ muốn, và cho phép xóa những đoạn họ thấy quá riêng tư. Dữ liệu tốt hơn đòi hỏi quản trị tốt hơn. Không có đường tắt nào cả.

Ngày cuối của đợt thu, một bác ngư dân da sạm nắng ngồi xoay xoay chiếc mũ trong tay, hỏi tôi: “Tui nói vô máy rồi, sau ni muốn lấy lại được không?”

Tôi đã chuẩn bị sẵn câu trả lời tiêu chuẩn: “Bác có thể yêu cầu xóa file gốc khỏi kho theo chính sách…” Rồi tôi dừng lại. Bác hỏi “lấy lại”, chứ không hỏi “xóa file”. Nếu dữ liệu đã được dùng để huấn luyện, ảnh hưởng của nó đã thấm vào trọng số của mô hình. Không thể chỉ tìm một dòng rồi rút ra như rút một tờ giấy khỏi tập hồ sơ.

Tôi nói thật: “File gốc thì xóa được theo quy trình, bác ạ. Còn nếu đã dùng để huấn luyện mô hình rồi, tụi cháu phải kiểm tra từng phiên bản và có thể phải huấn luyện lại để loại ra khỏi bản sau. Không phải lúc nào cũng xóa ngay được khỏi mô hình đang chạy.”

Bác nhìn tôi một lúc. “Rứa là cho rồi thì khó lấy lại?”

Tôi dạ một tiếng. Tôi ghét phải nói câu đó, nhưng đó là sự thật. Bác gật gù: “Vậy thì phải nói câu ni trước khi người ta thu.”

Tôi quay sang Thu. Cô đã ghi lại. Ngay tối đó, giấy đồng thuận mới được sửa. Nó không chỉ nói người tham gia có quyền rút lui, mà còn giải thích quyền rút lui mang ý nghĩa khác nhau đối với ghi âm gốc, với các đặc trưng đã trích xuất, với bộ dữ liệu chưa huấn luyện, và với mô hình đã huấn luyện xong. Tờ giấy khó hiểu hơn và dài hơn, nhưng ít nhất nó không hứa một nút “xóa” mà kỹ thuật không thật sự có.

Tôi bắt đầu hiểu một triệu giọng nói trong kho dữ liệu không phải là “nguyên liệu”. Mỗi file từng là một con người ngồi trước micro, bỏ thời gian của mình ra và tin rằng chúng tôi sẽ dùng giọng họ trong phạm vi họ hiểu. Mô hình càng lớn, chúng tôi càng dễ quên điều đó, bởi ở quy mô một triệu file, con người biến thành số dòng trong bảng. Quản trị dữ liệu, suy cho cùng, là cách buộc hệ thống phải nhớ rằng mỗi dòng ấy từng thuộc về một người.

Đã đọc xong

Chương 3 / 8

Câu chuyện vẫn còn phía trước.

Đọc chương tiếp
Home Trước Sau
Đọc tiếp chỗ đang dở? Bạn đã đọc một phần chương này.
Danh sách chương

Mở mục lục để tải danh sách chương.

Xem toàn bộ 8 chương trên trang truyện

Cài đặt Đọc truyện
Cỡ chữ
Giãn dòng
Độ rộng trang đọc
Kiểu Chữ
Phông Nền
💬 Bình luận đoạn
Đang tải bình luận...