Phân tích hội thoại thông minh

Chuyển bản chép lời thành thông tin có thể tìm kiếm và phân tích

Độ chính xác nhận dạng giọng nói đã cải thiện đáng kể trong những năm gần đây. Các mô hình như Whisper, được huấn luyện trên 680.000 giờ âm thanh đa ngôn ngữ, có thể hoạt động ổn định trong nhiều môi trường (Radford et al., 2022). Tuy vậy, để sử dụng bản chép lời trong nghiệp vụ vẫn còn một số trở ngại:

• Cần xác định người nói: Lời của khách hàng, nhân viên tổng đài hoặc từng người dự họp có thể bị nối liền, khó xác định ai đã cam kết điều gì.
• Khó tìm đúng đoạn: Biên bản cuộc họp dài mất thời gian đọc; phân đoạn theo chủ đề và mạch quyết định giúp truy xuất tốt hơn.
• Nhận dạng sai do đặc thù tiếng Nhật: Từ đồng âm, thuật ngữ chuyên ngành, danh từ riêng và số liệu dễ bị nhầm nếu thiếu ngữ cảnh.
• Mất sắc thái giọng nói: Chỉ từ bản chữ, khó biết “tôi hiểu rồi” thể hiện đồng tình hay không hài lòng.
• Có thông tin cá nhân: Tên, số điện thoại và địa chỉ cần được xử lý trước khi chia sẻ nội bộ an toàn.

Cách tiếp cận

Phân tích hội thoại thông minh kết hợp các bước thành một luồng xử lý, chia cuộc gọi và cuộc họp thành những đơn vị có thể tìm kiếm.

1. Chép lời theo ngữ cảnh: Giữ mạch hội thoại dài, dùng AI tạo sinh để sửa nhầm lẫn ở từ đồng âm và thuật ngữ chuyên ngành, đồng thời làm gọn từ đệm như “à”, “ừm”.
2. Phân tách người nói: Ước tính ai nói vào thời điểm nào và gán người nói cho từng lượt lời. Đây là lĩnh vực đã có nhiều tiến bộ nhờ học sâu (Park et al., 2022).
3. Phát hiện chuyển chủ đề: Chia hội thoại theo chủ đề và mạch ý nghĩa, thay vì cắt theo số lượng ký tự cố định.
4. Tóm tắt và trích xuất ý chính: Tóm tắt theo chủ đề, lấy ra quyết định, đầu việc, người phụ trách và thời hạn.
5. Ước tính cảm xúc: Kết hợp nội dung lời nói với tín hiệu âm học như ngữ điệu để ước tính cảm xúc trong phát ngôn. Nghiên cứu nhận diện cảm xúc hội thoại nhấn mạnh việc sử dụng nhiều tín hiệu như văn bản và âm thanh (Wu et al., 2025).
6. Ẩn thông tin cá nhân: Phát hiện và che các mục đã cấu hình như địa chỉ, số điện thoại và số thẻ trong bản chép lời.

Kết quả được lưu kèm nhãn người nói, thời điểm, chủ đề và cảm xúc, để có thể sử dụng trực tiếp cho RAG, đồ thị tri thức và phân tích hội thoại.

Giá trị kinh doanh

• Tìm lại hội thoại theo ngữ cảnh

  Tìm các cuộc gọi theo chủ đề, người nói và cảm xúc, chẳng hạn cuộc gọi tháng trước có nêu giá là lý do hủy dịch vụ.

• Giảm thời gian ghi chép và chia sẻ

  Hỗ trợ lập biên bản, hồ sơ trao đổi và tổng hợp các ý chính.

• Tìm cơ hội cải thiện dịch vụ

  Dựa vào diễn biến chủ đề và ước tính cảm xúc để tìm trường hợp cần rà soát hoặc cách phục vụ có thể cải thiện.

• Chia sẻ có kiểm soát

  Ẩn các trường đã chọn trong văn bản và giới hạn phạm vi truy cập. Cần kiểm tra độ chính xác phát hiện bằng mẫu hội thoại thực tế.

Lưu ý khi ứng dụng

• Chất lượng ghi âm, micro, tiếng ồn và lời nói chồng lấn ảnh hưởng trực tiếp đến độ chính xác. Phân tách người nói dễ sai hơn ở đoạn nhiều người nói cùng lúc.
• Chỉ xem ước tính cảm xúc là một căn cứ tham khảo. Không nên dùng cho mục đích có thể gây bất lợi cho cá nhân, như đánh giá nhân sự.
• Việc ghi âm và sử dụng cuộc gọi, cuộc họp cần tuân thủ quy định nội bộ và pháp luật, bao gồm thông báo hoặc xin đồng ý trước.

Sản phẩm liên quan

• AIKNOW Voice

  Xử lý giọng nói thành nội dung có cấu trúc với chép lời theo ngữ cảnh và ẩn thông tin văn bản theo cấu hình.

• AIKNOW Answer

  Dùng các bản ghi tương tác được phép để đề xuất cải thiện tri thức, được rà soát và kiểm thử trước khi áp dụng.

Tài liệu tham khảo

• Radford, A. et al. (2022). Robust Speech Recognition via Large-Scale Weak Supervision (Whisper). arXiv:2212.04356. https://arxiv.org/abs/2212.04356
• Park, T. J. et al. (2022). A Review of Speaker Diarization: Recent Advances with Deep Learning. Computer Speech & Language, 72. arXiv:2101.09624. https://arxiv.org/abs/2101.09624
• Wu, C. et al. (2025). Multimodal Emotion Recognition in Conversations: A Survey of Methods, Trends, Challenges and Prospects. Findings of EMNLP 2025. arXiv:2505.20511. https://arxiv.org/abs/2505.20511