Các mô hình ngôn ngữ lớn hiện nay đọc và viết tiếng Việt khá trôi chảy, nhưng vẫn yếu hơn tiếng Anh ở những chỗ cần vốn sống Việt: xưng hô theo quan hệ, thành ngữ ca dao, tiếng địa phương, kiến thức về địa danh và văn bản nhỏ lẻ trong nước. Gốc rễ nằm ở lượng và chất của chữ tiếng Việt mà mô hình được học, cộng với cách máy cắt chữ có dấu.
Bài này dành cho người đã quen dùng chatbot bằng tiếng Việt và từng thấy những chỗ "sai sai": câu đúng ngữ pháp mà nghe như dịch, gọi người lớn tuổi bằng "bạn", trích một câu ca dao không có thật. Mỗi hiện tượng được giải thích theo cơ chế, để bạn biết lúc nào tin được và lúc nào cần soát kỹ.
Tiếng Việt chiếm phần nhỏ trong những gì mô hình đã đọc
Mô hình học ngôn ngữ bằng cách đọc lượng văn bản rất lớn. Phần lớn văn bản công khai trên mạng là tiếng Anh, tiếp theo là một nhóm ngôn ngữ lớn khác. Tiếng Việt có hơn chín mươi triệu người nói, có lượng nội dung mạng không nhỏ, nhưng trong tổng thể dữ liệu huấn luyện của các mô hình đa ngôn ngữ, phần tiếng Việt vẫn là một lát mỏng so với tiếng Anh. Các hãng hiếm khi công bố tỉ lệ cụ thể, nên không có con số chính xác để dẫn.
Lát mỏng không có nghĩa là ít. Với dữ liệu ở quy mô hiện nay, phần tiếng Việt vẫn đủ để mô hình nắm ngữ pháp, từ vựng phổ thông, văn phong báo chí, văn bản hành chính. Đó là lý do câu trả lời tiếng Việt nhìn chung đúng chính tả và mạch lạc. Chỗ yếu xuất hiện ở phần "đuôi dài": những thứ chỉ có trong ít văn bản, như phương ngữ một vùng, thành ngữ ít dùng, tên một xã sau khi sắp xếp lại địa giới, quy trình riêng của một cơ quan trong nước.
Chất lượng dữ liệu cũng khác nhau. Một phần chữ tiếng Việt trên mạng là văn bản dịch máy, nội dung sao chép lặp lại nhiều lần, bình luận viết vội không dấu. Mô hình học cả những thứ đó. Ngược lại, kho sách, báo in, văn bản văn học tiếng Việt chất lượng cao không phải lúc nào cũng có mặt trên mạng dưới dạng chữ để thu thập. Chuyện dữ liệu lấy từ đâu và tranh cãi quanh nó được giải thích ở chuyên mục AI học từ đâu.
Kiến thức mà mô hình học được từ tiếng Anh vẫn có thể "chảy" sang khi trả lời bằng tiếng Việt. Một mô hình đọc nhiều về hoá học bằng tiếng Anh vẫn giải thích được hoá học bằng tiếng Việt. Nhờ khả năng chuyển giao này, chất lượng tiếng Việt cao hơn nhiều so với lượng dữ liệu tiếng Việt thuần.
Xưng hô: chỗ khó nhất mà người Việt nhận ra ngay
Tiếng Việt xưng hô theo quan hệ, không theo ngôi cố định. Tiếng Anh chỉ cần "I" và "you". Tiếng Việt phải chọn giữa anh, chị, em, cô, chú, bác, ông, bà, con, cháu, mình, tớ, quý khách, tuỳ tuổi tác, vai vế, mức thân mật, vùng miền. Chọn sai một cặp là cả đoạn văn lệch tông.
Mô hình hay mặc định cặp xưng hô trung tính. Trong dữ liệu có rất nhiều văn bản dịch và văn bản hướng dẫn chung chung, nơi "bạn" là lựa chọn an toàn. Vì vậy chatbot hay gọi người dùng là "bạn" kể cả khi bạn tự giới thiệu là người cao tuổi, hoặc viết lời chúc cho ông bà mà vẫn dùng "bạn".
Giữ xưng hô xuyên suốt khó hơn chọn đúng lúc đầu. Mô hình có thể mở đầu bằng "con kính chúc ông bà" rồi vài câu sau trượt sang "mình" hoặc "các bạn". Mỗi mảnh chữ là một lần đoán, và cặp xưng hô phổ biến hơn trong dữ liệu có sức kéo mạnh.
Xưng hô gắn với vùng miền. Miền Nam hay dùng "tui", "mấy anh chị", gọi người lạ bằng "cô", "chú" theo cách khác miền Bắc. Mô hình nắm được vài khác biệt nổi bật nhưng dễ trộn lẫn, tạo ra lời thoại nửa Bắc nửa Nam.
Lối văn dịch: đúng ngữ pháp mà không giống người Việt viết
Nhiều người đọc văn bản tiếng Việt do chatbot viết và có cảm giác "câu này dịch từ tiếng Anh". Cảm giác đó có cơ sở. Một phần dữ liệu tiếng Việt vốn là văn bản dịch, và mô hình học cả những khuôn câu đặc trưng của văn dịch: lạm dụng câu bị động với "được" và "bị", chuỗi danh từ dài nối bằng "của", mở đầu bằng "Điều quan trọng là", trạng ngữ dồn lên đầu câu, liệt kê theo nhịp ba ý.
Lý do thứ hai sâu hơn và vẫn đang được nghiên cứu. Một số nghiên cứu trên vài mô hình mở cho thấy ở những lớp xử lý giữa, biểu diễn bên trong của mô hình có lúc gần với tiếng Anh hơn, kể cả khi đầu vào và đầu ra là ngôn ngữ khác. Điều này không có nghĩa mô hình "dịch thầm" từng câu, và kết luận còn tranh luận, nhưng nó gợi ý vì sao cách sắp ý của câu trả lời tiếng Việt đôi khi mang dáng tiếng Anh.
Lý do thứ ba nằm ở giai đoạn tinh chỉnh thành trợ lý. Những đoạn hội thoại mẫu dùng để dạy mô hình cách trả lời phần lớn được soạn bằng tiếng Anh trước, rồi mới mở rộng sang ngôn ngữ khác. Giọng "trợ lý" chuẩn mực, nhiều đề mục, nhiều câu rào đón, được học từ đó và mang sang tiếng Việt.
Hiểu nguyên nhân giúp bạn biên tập tốt hơn: thứ cần sửa thường không phải chính tả mà là nhịp câu, trật tự ý, những cụm từ khuôn sáo lặp lại. Bài riêng về vì sao văn AI nghe na ná nhau trong chuyên mục này đi sâu hơn vào chuyện giọng văn.
Những chỗ mô hình hay trượt với tiếng Việt và vì sao
Bảng dưới gom các lỗi thường gặp khi dùng chatbot bằng tiếng Việt, kèm cơ chế giải thích. Mức độ khác nhau giữa các mô hình và cải thiện dần qua từng phiên bản.
| Hiện tượng | Ví dụ giả định | Cơ chế |
|---|---|---|
| Bịa ca dao, thành ngữ, câu thơ | Trích một câu "ca dao xưa" có vần điệu đúng kiểu nhưng không có trong kho ca dao nào | Mô hình học được khuôn lục bát và giọng dân gian, nên sinh ra câu đúng khuôn mà không cần có thật |
| Sai địa danh, địa giới | Gọi tên tỉnh cũ hoặc gán một huyện cho tỉnh khác sau đợt sắp xếp đơn vị hành chính | Kiến thức có điểm dừng, và văn bản về thay đổi địa giới còn ít so với văn bản cũ |
| Hiểu nhầm từ đồng âm | Lẫn "đường" là con đường với "đường" để nêm | Ngữ cảnh ngắn không đủ để chọn nghĩa, nhất là khi câu hỏi cụt |
| Đọc sai tiếng Việt không dấu | "ban dang o dau" có thể là "bạn đang ở đâu" hoặc "bản đăng ở đâu" | Mất dấu làm nhiều từ trùng nhau, mô hình chọn theo cách hiểu phổ biến nhất |
| Phương ngữ, tiếng lóng mới | Hiểu sai từ địa phương miền Trung hay tiếng lóng của học sinh vài năm gần đây | Ít dữ liệu, thay đổi nhanh, không kịp vào dữ liệu huấn luyện |
| Tên riêng sai dấu | Viết sai dấu tên một làng nghề hay tên một nhân vật lịch sử ít nổi tiếng | Tên hiếm bị cắt thành nhiều mảnh, mỗi mảnh một lần đoán |
Điểm chung của cả bảng là: mô hình mạnh ở khuôn mẫu phổ biến, yếu ở chi tiết hiếm. Với tiếng Việt, những chi tiết hiếm lại thường là phần gắn với đời sống cụ thể, nên người Việt dễ nhận ra hơn người nước ngoài.
Những việc mô hình làm tốt với tiếng Việt
Để công bằng, cũng cần nói rõ những gì các mô hình hiện nay làm khá tốt với tiếng Việt, theo trải nghiệm phổ biến của người dùng:
- Viết đúng chính tả và ngữ pháp phổ thông, ít lỗi hơn nhiều người gõ vội.
- Tóm tắt, diễn đạt lại, đổi giọng văn từ trang trọng sang thân mật và ngược lại, với văn bản có nội dung phổ biến.
- Dịch qua lại giữa tiếng Việt và các ngôn ngữ lớn ở mức hiểu được ý, nhất là văn bản thông dụng, dù vẫn cần người giỏi cả hai thứ tiếng soát lại khi dùng chính thức.
- Thêm dấu cho văn bản không dấu khi ngữ cảnh đủ rõ.
- Giải thích kiến thức phổ thông bằng tiếng Việt nhờ chuyển giao từ dữ liệu tiếng Anh.
- Nhận ra khá nhiều từ Hán Việt và giải thích nghĩa gốc, dù đôi khi giải nghĩa từng chữ một cách gượng ép.
Ranh giới giữa làm tốt và hay trượt dịch chuyển theo từng thế hệ mô hình. Những nhận xét ở đây là xu hướng chung, không phải đánh giá một sản phẩm cụ thể. Khi cần biết một mô hình cụ thể xử lý tiếng Việt tới đâu cho việc của bạn, cách tốt nhất là tự thử với chính loại văn bản bạn hay làm.
Có nên tin vào các mô hình "chuyên tiếng Việt"
Trong nước và quốc tế đều có những nhóm phát triển mô hình hướng riêng tới tiếng Việt, hoặc tinh chỉnh mô hình đa ngôn ngữ bằng thêm dữ liệu tiếng Việt. Lợi thế có thể có là bộ tách chữ tối ưu hơn cho tiếng Việt, hiểu bối cảnh trong nước tốt hơn, xưng hô tự nhiên hơn, và có khi chạy được trên hạ tầng trong nước.
Nhưng "chuyên tiếng Việt" không tự động có nghĩa là giỏi hơn ở mọi việc. Một mô hình nhỏ được tinh chỉnh tiếng Việt có thể mang giọng rất Việt mà lập luận kém hơn một mô hình đa ngôn ngữ lớn. Ngược lại, mô hình lớn nói giọng hơi dịch nhưng giải thích đúng hơn. Khi đọc tin giới thiệu một mô hình tiếng Việt mới, hãy xem nó được đánh giá trên những bài kiểm tra nào, ai làm bài kiểm tra, và có so sánh công bằng hay không. Chuyên mục đọc tin về AI của trang có bài về cách đọc điểm chuẩn.
Với người dùng, câu hỏi thực tế không phải mô hình nào "yêu tiếng Việt" hơn, mà là mô hình nào làm tốt việc cụ thể của mình, với văn bản của mình, ở mức chất lượng mình cần, và giữ dữ liệu của mình ra sao. Câu hỏi cuối đặc biệt quan trọng khi văn bản chứa thông tin cá nhân hay nội bộ: che trước khi đưa vào bất kỳ mô hình nào.
Câu hỏi thường gặp
Chatbot có hiểu tiếng Việt kém hơn tiếng Anh không?
Nhìn chung là có, nhưng khoảng cách đã thu hẹp nhiều. Với nội dung phổ biến, chất lượng tiếng Việt khá tốt. Khoảng cách lộ rõ ở xưng hô, thành ngữ, phương ngữ, địa danh và kiến thức hiếm về Việt Nam.
Vì sao chatbot hay gọi người dùng là "bạn"?
Vì "bạn" là cách xưng hô trung tính xuất hiện rất nhiều trong văn bản hướng dẫn và văn bản dịch mà mô hình đã học, và thường được chọn sẵn trong lời dặn của nhà cung cấp. Nếu bạn nêu rõ quan hệ, mô hình thường điều chỉnh được, nhưng có thể trượt lại giữa chừng.
Chatbot trích ca dao, tục ngữ có tin được không?
Cần kiểm. Mô hình đã học khuôn lục bát và giọng dân gian rất tốt, nên có thể tạo ra câu nghe như ca dao nhưng không có thật, hoặc sửa lệch một câu có thật. Hãy đối chiếu với các tuyển tập ca dao, tục ngữ đáng tin trước khi dùng.
Gõ tiếng Việt không dấu cho chatbot có sao không?
Chatbot thường đoán được ý khi câu đủ dài và rõ ngữ cảnh. Với câu ngắn, từ khoá chuyên môn hay tên riêng, mất dấu dễ gây hiểu nhầm. Gõ có dấu vẫn là cách an toàn để nhận câu trả lời đúng ý.
Mô hình có cập nhật tên tỉnh, thành sau khi sắp xếp địa giới không?
Chỉ khi dữ liệu huấn luyện đủ mới, hoặc khi ứng dụng tìm kiếm thông tin trên mạng. Nhiều mô hình có mốc kiến thức trước đợt thay đổi, nên có thể dùng tên cũ. Thông tin hành chính nên kiểm ở nguồn chính thức.
Văn chatbot viết có dùng thẳng cho văn bản chính thức được không?
Nên coi là bản nháp. Cần người đọc lại để sửa xưng hô, nhịp câu, giọng văn dịch, và kiểm mọi thông tin cụ thể như tên, ngày, số. Văn bản hành chính, hợp đồng càng cần soát kỹ vì sai một chữ có thể đổi nghĩa.