Trong hai thập kỷ, Dragon NaturallySpeaking là tiêu chuẩn vàng về độ chính xác nhận dạng giọng nói. Vị thế đó đang thay đổi. Công cụ Whisper của OpenAI, đặc biệt là phiên bản Large v3 Turbo ra mắt năm 2024, đã đạt ngang ngửa với Dragon cho việc đọc chính tả tổng quát và vượt trội hơn trong nhiều trường hợp cụ thể. Bài viết này phân tích những gì chúng ta thực sự biết về sự so sánh này, kèm nguồn dẫn.
"Độ chính xác" nghĩa là gì trong nhận dạng giọng nói
Độ chính xác nhận dạng giọng nói thường được đo bằng Tỷ lệ Lỗi Từ (WER), tức là tỷ lệ phần trăm số từ bị sai trong bản chép. Thấp hơn là tốt hơn. WER 5% nghĩa là 95 trên 100 từ là đúng.
WER thay đổi rất nhiều tùy theo điều kiện: giọng của người nói, chất lượng micro, tiếng ồn xung quanh, lĩnh vực từ vựng, cách đọc chính tả. Một con số chuẩn chỉ có ý nghĩa khi bạn biết điều kiện mà nó được đo.
Whisper Large v3 Turbo: những con số đã công bố
OpenAI đã công bố Whisper Large v3 Turbo vào năm 2024 như một phiên bản nhanh hơn của Whisper Large v3 với độ chính xác tương đương. Tỷ lệ lỗi từ được báo cáo trên các bộ kiểm chuẩn tiêu chuẩn:
- Whisper Large v3 (bản gốc): 13,20% WER tính trung bình trên các tập dữ liệu đa ngôn ngữ
- Whisper Large v3 Turbo: 13,40% WER — chênh lệch trong vòng 0,2% so với bản gốc
- Điều kiện trong sạch chỉ tiếng Anh: 3-5% WER (độ chính xác 97-95%)
Phiên bản Turbo chạy nhanh hơn khoảng 4 lần so với v3 với độ chính xác về cơ bản là như nhau. Đây là công cụ mà CaringDictate sử dụng.
Với trường hợp sử dụng CaringDictate điển hình (tiếng Anh, phòng yên tĩnh, micro khá tốt), độ chính xác trong thực tế trung bình 96-97% khi đọc chính tả liên tục. Con số này khớp với các số liệu công bố của OpenAI cho điều kiện tiếng Anh trong sạch và là con số chúng tôi nêu trên các trang tiếp thị của mình.
Tuyên bố về độ chính xác của Dragon
Trước đây Dragon quảng cáo độ chính xác 99%. Phần chữ nhỏ: con số này đạt được trên những người dùng đã được huấn luyện, với micro tai nghe chất lượng cao trong môi trường yên tĩnh, sau khi huấn luyện giọng nói kỹ lưỡng. Một người dùng Dragon chưa được huấn luyện trong ngày đầu tiên thường thấy độ chính xác giống như khoảng 92-94% hơn.
Với người dùng Dragon Professional Individual đã được huấn luyện và thiết lập đúng cách, độ chính xác trong thực tế thường ở mức 95-98% khi đọc chính tả tổng quát. Với các lĩnh vực chuyên biệt (y khoa, luật), Dragon đã được huấn luyện có thể nhích lên 98-99% trên vốn từ vựng mà nó đã được tùy chỉnh cho.
Cuộc so sánh trực tiếp một cách thành thật
Với một người dùng chưa được huấn luyện, dùng tai nghe USB thông thường, đọc chính tả tiếng Anh đời thường: các công cụ dựa trên Whisper (CaringDictate) thường thắng. Whisper không yêu cầu huấn luyện giọng nói và hoạt động tốt ngay từ đầu trên dải giọng rộng mà nó đã được huấn luyện trên đó (hơn 680.000 giờ âm thanh đa ngôn ngữ).
Với một người dùng đã được huấn luyện, dùng micro chất lượng hàng đầu (Plantronics, Andrea USB), đọc chính tả từ vựng chuyên biệt: Dragon Professional đã được huấn luyện vẫn có thể nhích lên trên vốn từ vựng cụ thể mà nó đã được huấn luyện cho. Lợi thế này thu hẹp đáng kể đối với việc viết tổng quát.
Với người nói tiếng Anh không phải tiếng mẹ đẻ, người nói có giọng vùng miền, hoặc người nói bị nói khó nhẹ do tình trạng bệnh: Whisper có lợi thế rõ rệt. Kho dữ liệu huấn luyện của nó đa dạng hơn nhiều so với của Dragon, và khả năng nhận dạng xử lý sự biến đổi giọng nói tốt hơn hẳn.
Với người nói bị nói khó nặng (Parkinson nặng, ALS ảnh hưởng đến lời nói, bại não ảnh hưởng đến lời nói): cả Whisper lẫn Dragon đều không phải công cụ phù hợp. Voiceitt được tạo ra riêng cho trường hợp này và tốt hơn đáng kể so với cả hai, dù đắt hơn nhiều.
Tốc độ
Lợi thế thực sự của Whisper Turbo so với Dragon là tốc độ. Whisper Large v3 Turbo trên phần cứng hiện đại (Intel i5 trong vòng 5 năm trở lại đây, hoặc Apple Silicon, hoặc bất kỳ CPU AMD hiện đại nào) tạo ra bản chép nhanh hơn thời gian thực — nghĩa là bạn có thể đọc một câu và các từ hiện ra trước khi bạn nói xong. Dragon cũng xử lý theo thời gian thực nhưng có độ trễ rõ rệt hơn ở từ đầu tiên của mỗi câu nói.
Với việc đọc chính tả dài hơi, sự chênh lệch tốc độ này chủ yếu mang tính tâm lý. Với việc đọc chính tả tin nhắn ngắn (bình luận Facebook, email nhanh), khả năng phản hồi nhanh của Whisper Turbo cảm thấy tốt hơn rõ rệt.
Vấn đề về dữ liệu huấn luyện
Lợi thế về độ chính xác truyền thống của Dragon đến từ việc huấn luyện giọng nói có giám sát: bạn đọc một đoạn văn dài cho Dragon, và nó xây dựng một mô hình cá nhân nhận dạng giọng của bạn tốt hơn mô hình mặc định. Cách này hiệu quả nhưng đòi hỏi nhiều thời gian đầu tư ban đầu.
Whisper không hoạt động theo cách này. Nó đã được huấn luyện một lần trên một kho ngữ liệu đa ngôn ngữ khổng lồ, bởi OpenAI, và mô hình thu được là thứ mà mọi người dùng Whisper chạy. Bạn không huấn luyện nó trên giọng của mình. Hoặc nó hợp với giọng bạn hoặc không — và dữ liệu huấn luyện rộng nghĩa là nó hợp với hầu hết các giọng một cách khá tốt.
Hệ quả đối với người dùng: với Dragon, bạn có thể bỏ thời gian huấn luyện để cải thiện độ chính xác. Với Whisper, những gì bạn có được trong ngày đầu tiên cũng là những gì bạn có được vào ngày thứ 365. Với hầu hết người dùng, đây là một ưu điểm, không phải nhược điểm — dù sao họ cũng không muốn bỏ ra một giờ để huấn luyện Dragon. Với người dùng chuyên sâu có từ vựng kỹ thuật, việc không thể huấn luyện giọng cho Whisper là một hạn chế thực sự.
Vấn đề về bảo trì
Dragon Professional Individual đã bị đóng băng ở phiên bản 16 kể từ năm 2023. Công cụ nhận dạng không còn được cập nhật. Microsoft đã chuyển hướng Dragon sang lĩnh vực y khoa doanh nghiệp và để cho Dragon dành cho người tiêu dùng dần lỗi thời.
Ngược lại, Whisper đang được OpenAI và cộng đồng mã nguồn mở phát triển tích cực. Whisper v3 ra mắt năm 2023, Whisper v3 Turbo năm 2024, và các mô hình kế tiếp đang được phát triển tích cực. CaringDictate hiện đi kèm v3 Turbo và sẽ cập nhật lên các mô hình mới hơn dưới dạng bản cập nhật miễn phí khi chúng chứng minh được là tốt hơn.
Trong tầm nhìn năm năm, đây là khác biệt quan trọng nhất. Một công cụ nhận dạng bị đóng băng vẫn sẽ tiếp tục hoạt động, nhưng nó sẽ không được hưởng những cải tiến đáng kể đang diễn ra ở những nơi khác trong lĩnh vực này.
Cho từng nhóm người dùng cụ thể
Người cao tuổi có vốn từ vựng tiếng Anh thông dụng: Whisper (qua CaringDictate) là lựa chọn tốt hơn. Không huấn luyện, không thiết lập phức tạp, hoạt động tốt ngay từ đầu.
Chuyên gia y tế đọc chính tả hồ sơ bệnh án: Dragon Medical One đã được huấn luyện vẫn là tiêu chuẩn ngành. Vốn từ vựng y khoa của Whisper tốt nhưng không chuyên biệt bằng.
Luật sư đọc chính tả văn bản pháp lý: Dragon Professional đã được huấn luyện với từ vựng tùy chỉnh rất khó đánh bại. Whisper xử lý hầu hết tiếng Anh pháp lý tốt nhưng thiếu khả năng tùy biến.
Người trưởng thành có tình trạng bệnh ảnh hưởng đến tay nhưng không ảnh hưởng đến lời nói: Whisper qua CaringDictate là điều chúng tôi khuyên dùng. Không tốn công huấn luyện, độ chính xác tốt hơn với sự biến đổi giọng nói, và rẻ hơn nhiều.
Người nói tiếng Anh không phải tiếng mẹ đẻ: Whisper có lợi thế rõ rệt. Kho ngữ liệu huấn luyện đa ngôn ngữ nghĩa là nó xử lý các giọng vùng miền tốt hơn nhiều so với các mô hình được huấn luyện bằng tiếng Anh của Dragon.
Tóm lại
Whisper Large v3 Turbo và Dragon Professional đã được huấn luyện giờ chỉ chênh nhau vài điểm phần trăm về độ chính xác đọc chính tả tổng quát. Với hầu hết người dùng, đặc biệt là người cao tuổi và người dùng có tình trạng bệnh, những lợi thế thực tế của Whisper (không cần huấn luyện, xử lý giọng vùng miền tốt hơn, phát triển tích cực, chi phí thấp hơn nhiều) lớn hơn lợi thế còn sót lại của Dragon về từ vựng chuyên biệt.
CaringDictate được xây dựng trên Whisper Large v3 Turbo vì chúng tôi tin rằng đây là công cụ phù hợp cho nhóm đối tượng của mình. Chính sách hoàn tiền 30 ngày nghĩa là bạn có thể tự mình so sánh mà không gặp rủi ro nào.
Đi tiếp từ đây như thế nào
Đọc toàn bộ so sánh CaringDictate với Dragon để biết các khác biệt ở cấp độ sản phẩm (giá, trải nghiệm người dùng, cập nhật, hoàn tiền), và hướng dẫn về bảo mật nếu việc xử lý cục bộ so với trên đám mây quan trọng với tình huống của bạn.