VV01 Live Demo: Tiếng Anh theo thời gian thực; ngôn ngữ được dịch ngay lập tức sang tiếng Nga.
Đoạn video demo trong 90 giây này cho thấy toàn bộ quy trình tổ chức cuộc họp ngoại tuyến của VV01. Lời nói được ghi lại bằng tiếng Anh và được dịch sang tiếng Nga, cùng với các thông tin về độ chính xác và thời gian thực hiện công việc. Bài viết này cũng phân tích từng phần của đoạn video, bao gồm thông số kỹ thuật máy chủ, mức độ chậm trễ trong quá trình thực hiện công việc, và các tình huống triển khai khác nhau. Ngoài ra, bài viết còn cung cấp danh sách các bước cần thực hiện để hoàn thành công việc một cách hiệu quả.
Chúng tôi đã phát hành một công cụ gọi là Đoạn video thử nghiệm thực tế của VV01.. Trong công cụ này, người nói sẽ diễn thuyết bằng tiếng Anh; sau đó, hệ thống sẽ ghi lại nội dung bài phát biểu đó một cách tức thời tại địa phương. Công cụ Переводится на русский язык и синтезируется результат выполнения операции. giúp chuyển đổi nội dung bài phát biểu từ dạng âm thanh thành văn bản trên màn hình. Không có bất kỳ yếu tố liên quan đến đám mây nào trong quy trình xử lý dữ liệu của công cụ này.
Bài viết này phân tích từng phần của đoạn video, giải thích chức năng của từng phần đó. Bài viết cũng chỉ ra những con số nào là số liệu chính thức, và những con số nào cần được tự mình đo lường. Cuối bài viết là một danh sách các tiêu chí cần đáp ứng trước khi mua sản phẩm. Danh sách này có thể được sử dụng lại sau khi mua hàng.
Video này được đăng tải trên YouTube. Nếu trình chiếu video có tốc độ chậm ở khu vực của bạn, thì có một liên kết trực tiếp đến video gốc được cung cấp ở cuối bài viết.
Điều gì có trong video này?
Đoạn video đầy đủ kéo dài 90 giây, được chia thành bốn phần.
| Thời điểm ghi chú/Đánh dấu thời gian | Nội dung |
|---|---|
| 00:00 | Giới thiệu và cài đặt phần cứng VV01 |
| 00:15 | Phiên bản thử nghiệm của Live English nhận dạng giọng nói (ASR) |
| 00:45 | Bản dịch ngay lập tức từ tiếng Anh sang tiếng Nga (văn bản / giọng nói) |
| 01:15 | Đánh giá độ chính xác và hiệu năng với thời gian phản hồi thấp |
Phân tích các phần cụ thể của đoạn văn
00:00 · Cài đặt phần cứng: một máy chủ để bàn, một micro có khả năng phát âm theo hướng xuyên không gian.
Phần cài đặt chỉ hiển thị hai kết nối: một là Microphone có khả năng ghi âm từ mọi hướng bên ngoài (dạng USB hoặc 3.5mm), và một là HDMI hiển thị kết quả đầu ra (dạng 4K vào/8K ra). Không cần tài khoản đám mây, cũng không cần máy chủ cấp phép nào cả. Chỉ cần kết nối thiết bị vào máy tính là nó sẽ hoạt động ngay.
VV01 là một thiết bị cấu hình trên máy tính để bàn, có kích thước 243×180×82 mm. Thiết bị này được trang bị bộ xử lý NPU có dung lượng 46 TOPS, 8 GB bộ nhớ đệm và 128 GB dung lượng lưu trữ có thể mở rộng. Kích thước của thiết bị này giúp bạn không cần phải dành chỗ trống trong kệ máy để đặt nó.
00:15 · Tiếng Anh theo thời gian thực: Văn bản được hiển thị ngay khi bạn nói ra.
Người nói chuyện sử dụng ngôn ngữ tiếng Anh với tốc độ tự nhiên. Điều quan trọng là hai điểm sau đây:
- Con số chính thức về thời gian chờ đợi là dưới 1 giây – tức là văn bản sẽ ổn định sau khoảng 1 giây kể từ lúc từ được nói ra. Không phải toàn bộ đoạn văn sẽ xuất hiện cùng lúc vào cuối bài phát biểu. Đối với các trường hợp sử dụng phụ đề trong quá trình phát sóng, sự khác biệt này có ý nghĩa quan trọng; nó quyết định liệu khán giả có thể theo kịp nội dung bài phát biểu hay không.
- Mô hình phiên âm giọng nói hoạt động trên bộ xử lý NPU cục bộ. Đó chính là ranh giới giữa “điều khiển ngoại tuyến” và “hiển thị cục bộ kết hợp nhận diện từ nền tảng đám mây”. Trong trường hợp thứ hai, hình ảnh hiển thị trên màn hình trông giống hệt nhau, nhưng âm thanh thì đã được truyền qua đường dây liên kết với nền tảng đám mây.
Có một điều cần lưu ý về các con số này: đó là con số chính thức của Mức độ chính xác ≥98% được đo lường trên chuẩn ngôn ngữ tiếng Trung chuẩn.. Phiên bản thử nghiệm cho thấy khả năng nhận diện tiếng Anh trong thời gian thực; tuy nhiên, hiệu suất này có thể thay đổi tùy theo ngôn ngữ, giọng nói và mức độ nhiễu trong môi trường xung quanh. Lời khuyên này có thể áp dụng cho bất kỳ công ty nào, chứ không chỉ riêng công ty của chúng tôi.
00:45 · Từ tiếng Anh sang tiếng Nga: văn bản và âm thanh
Đây chính là phần cốt lõi của việc dịch ngôn ngữ tiếng Anh sang tiếng Nga một cách trùng khớp với âm thanh gốc. Mô hình dịch thuật này cũng được thực hiện trên bộ vi xử lý NPU nội bộ.
Tại sao điều này lại quan trọng đến vậy? Bởi vì chính trong quá trình dịch thuật, các cam kết "offline" thường bị phá vỡ nhiều nhất. Nếu kiến trúc là "phiên âm giọng nói cục bộ + API dịch thuật trên đám mây", thì âm thanh có thể không bao giờ rời khỏi khu vực đó, nhưng toàn bộ nội dung cuộc họp sẽ rời khỏi khu vực đó thông qua API dịch thuật trên đám mây — điều này xung đột trực tiếp với cam kết lưu trữ dữ liệu trong kinh doanh xuyên biên giới, khu vực nhà nước và tài chính (xem phân tích của chúng tôi trong Air-Gapped Meeting Minutes).
Trong bản demo này, quá trình dịch văn bản và tạo ra âm thanh đều diễn ra trên chính thiết bị đó. Nói cách khác, đây là một mô hình hoạt động trong phạm vi cục bộ.
01:15 · Kiểm tra hiệu suất: độ chính xác và thời gian xử lý
Phần cuối của đoạn video này tập trung vào việc kiểm tra độ ổn định của hệ thống trong việc nhận diện các âm thanh, cũng như thời gian xử lý dữ liệu từ đầu đến cuối. Bạn có thể xem video gốc để biết thông tin chi tiết. Có hai con số chính thức được cung cấp để tham khảo:
| Số liệu | Số liệu chính thức | Lưu ý về việc chấp nhận: |
|---|---|---|
| phiên âm giọng nói – Thời gian chờ đợi/Chu kỳ nghỉ | Dưới 1 giây | Các câu văn dài, ngôn ngữ được sử dụng một cách có hệ thống, và việc chuyển đổi giữa các ngôn ngữ khác nhau chính là những thử thách thực sự. |
| Độ chính xác trong việc nhận diện | ≥98% (mức chuẩn của ngôn ngữ Hán giản thể) | Hãy xác nhận tính chính xác của bản dịch tiếng Anh bằng cách nghe thử các đoạn âm thanh thực tế từ lĩnh vực của bạn. |
Tại sao lại chọn việc kết hợp tiếng Anh với tiếng Nga trong chương trình thử nghiệm này?
Sự kết hợp giữa người Anh và người Nga không phải là điều ngẫu nhiên – nó phản ánh ba tình huống xuyên biên giới thực tế.
- Giao dịch và đàm phán kinh doanh với các đối tác nói tiếng Nga: Lĩnh vực này liên quan đến máy móc, năng lượng và thương mại nông nghiệp. Một bên sử dụng tiếng Anh, còn bên kia thì cần sử dụng tiếng Nga. Việc thuê phiên dịch viên để truyền đạt thông tin là điều tốn kém và mất thời gian.
- Các hội nghị và triển lãm quốc tế: Các sự kiện trong ngành cần có phụ đề trực tiếp dành cho những người nói tiếng Nga. Ngoài ra, cần có bản ghi hình của các sự kiện đó để lưu trữ sau này.
- Các tình huống liên quan đến biên giới và dịch vụ khách hàng: Đó là hình thức giao tiếp bằng lời nói hai chiều; mọi giây chậm trễ đều làm giảm chất lượng cuộc trò chuyện.
Cả ba trường hợp đều chung một ràng buộc: chỉ có những quy trình xử lý hoàn toàn ngoại tuyến mới có thể đáp ứng được cả hai yêu cầu này. Đó là lý do tại sao chương trình demo chỉ có thể hoạt động trên hệ thống VV01.
Vị trí của VV01 trong ma trận sản phẩm là đâu?
Đồ trang trí dùng trong các cuộc gặp gỡ của VoiVision được chia thành bốn cấp độ khác nhau, tùy theo kích thước của phòng họp. VV01 là loại đồ trang trí dành cho những tình huống có diện tích phòng nhỏ nhất.
| Mô hình | Đặc điểm hình dạng/Thiết kế | Hiệu năng | Định vị |
|---|---|---|---|
| V06 | Thẻ ghi lại thông tin | — | Ghi âm từng cá nhân |
| VV01 | Máy chủ bàn | 46 TOPS | Căn phòng nhỏ / Bàn làm việc cá nhân |
| VV05 | 1U rack | 166 TOPS | Ở cấp độ bộ phận, liên quan đến nhiều phòng khác nhau. |
| VV10 | 1U rack | 326 TOPS | Doanh nghiệp / MLPS cấp 3 / Mã giấu |
Quy tắc lựa chọn rất đơn giản: Một căn phòng nhỏ là điểm lý tưởng nhất để triển khai hệ thống Việc sử dụng các thiết bị cồng kềnh để lắp đặt trong một căn phòng nhỏ là điều vô ích. Việc nâng một chiếc bàn làm việc vượt quá khả năng chịu tải của nó sẽ khiến các thiết bị bị hư hỏng.. Nếu cần triển khai nhiều căn phòng cùng lúc hoặc ở cấp độ 3, thì hệ thống sẽ được chuyển sang chế độ VV05/VV10.
Bốn kịch bản triển khai khác nhau
Khi kết hợp chức năng demo với vị trí sản phẩm của VV01, thì VV01 có thể phù hợp với bốn tình huống khác nhau.
| Scenario (Kịch bản) | Cách sử dụng thông thường |
|---|---|
| Trình điều khiển giọng nói thông minh | Chèn đoạn mã ASR vào thiết bị của bạn. |
| Hệ thống hội nghị quốc tế | Tích hợp với các hệ thống tổ chức hội nghị để có thể hiển thị phụ đề bằng hai ngôn ngữ trong quá trình hội nghị, cũng như sau khi kết thúc hội nghị. |
| Dịch vụ khách hàng xuyên biên giới | Giao tiếp hai chiều trong thời gian thực (tiếng Anh/ tiếng Nga, và nhiều ngôn ngữ khác nữa). Nội dung cuộc gọi sẽ được lưu trữ tại cơ sở vật chất của tổ chức. |
| Các màn hình tương tác | Các chương trình trình diễn tương tác bằng cả hai ngôn ngữ tại các gian hàng và triển lãm – không cần kết nối mạng. |
Trước khi bạn mua sản phẩm: ba hành động có thể thực hiện.
Video vẫn chỉ là môi trường thử nghiệm mà thôi. Để đánh giá xem sản phẩm VV01 có phù hợp với tình huống của bạn hay không, hãy thực hiện ba thao tác sau đây (những thao tác này có thể được áp dụng cho bất kỳ sản phẩm nào tương tự).
- Kiểm tra khả năng nhận diện bằng âm thanh có nốt nhạc thực tế.: Hãy bỏ qua việc đọc văn bản theo kịch bản đã được định sẵn. Thay vào đó, hãy sử dụng những đoạn video ghi lại từ thực tế trong lĩnh vực của bạn – bao gồm cả giọng nói, các thuật ngữ chuyên môn, và tiếng ồn xung quanh. Sau đó, hãy xem cách mà các tên người dùng và nội dung văn bản hoạt động như thế nào.
- Đo thời gian chậm trễ từ đầu đến cuối.: Từ cuối câu văn, đến khi nội dung được hiển thị trên màn hình, rồi đến quá trình dịch văn bản thành ngôn ngữ cần truyền đạt… Mỗi bước này mất khoảng 1 giây. Con số chính thức là dưới 1 giây, nhưng bạn vẫn cần kiểm tra lại các trường hợp cụ thể của riêng mình.
- Chạy lại với tình trạng mạng không được kết nối.: Tái phát sóng cùng một nội dung, mà không cần sử dụng mạng lưới truyền thông nào cả. Nếu phiên âm giọng nói gặp sự cố trong việc dịch hoặc phát âm, thì quy trình xử lý sẽ phụ thuộc vào hệ thống đám mây. Do đó, khả năng “không hoạt động ngoại tuyến” của hệ thống sẽ không còn hiệu lực nữa.
Các phiên tòa xét xử và các lời trích dẫn: Hãy gửi yêu cầu của bạn qua hệ thống contact page, hoặc gửi email đến sales@voivision.com. Ngoài ra, bạn cũng có thể sử dụng WhatsApp/WeChat để liên hệ với chúng tôi: +8618994301192. Hãy đề cập rõ chi tiết về kích thước phòng, ngôn ngữ cần sử dụng, và xem liệu có cần thiết phải triển khai hệ thống trong môi trường an toàn hay không. Điều này sẽ giúp chúng tôi chọn được mô hình phù hợp nhất cho nhu cầu của bạn.
Tài liệu tham khảo thêm: Multilingual Meetings: Offline Translation and Live Subtitles｜Meeting Minutes Quality: Five Engineering Stages and an Acceptance Checklist｜On-Premise ASR Selection
Câu hỏi thường gặp
Q: VV01 có dạng hình thức như thế nào?
A: VV01 là thiết bị tổ chức cuộc họp ngoại tuyến dùng để sử dụng trên máy tính để bàn. Kích thước của thiết bị này là 243×180×82 mm. VV01 được trang bị bộ xử lý NPU có công suất 46 TOPS, 8GB bộ nhớ đệm và 128GB dung lượng lưu trữ có thể mở rộng. Bạn có thể kết nối micro không gian quay về mọi hướng (dung cấp qua cổng USB hoặc 3.5mm), và thiết bị còn có khả năng phát tín hiệu hình ảnh chất lượng cao (4K vào/8K ra). VV01 phù hợp để sử dụng trong các phòng nhỏ hoặc bàn làm việc nhỏ; không cần phải sử dụng giá đỡ nào cả.
Q: Liệu việc nhận diện ngôn ngữ tiếng Anh và dịch sang tiếng Nga trong đoạn demo này có được thực hiện trên hệ thống cục bộ hay không?
A: Vâng. Cả mô hình phiên âm giọng nói lẫn các mô hình dịch thuật đều hoạt động trên chính thiết bị đó. Âm thanh và văn bản không bao giờ rời khỏi thiết bị này; đồng thời, hệ thống cũng có thể hoạt động trong môi trường có kết nối vật lý với mạng internet. Đó chính là sự khác biệt cơ bản so với cách thức hoạt động của hệ thống “cloud ASR API với màn hình cục bộ”. Nếu việc dịch thuật diễn ra thông qua mạng cloud API, thì cam kết “dữ liệu không bao giờ rời khỏi khu vực này” sẽ không còn đúng nữa.
Q: Độ trễ phiên âm giọng nói là bao nhiêu?
A: Con số chính thức là dưới 1 giây – tức là văn bản được hiển thị trên màn hình khoảng một giây sau khi lời nói kết thúc. Thực tế, thời gian chậm trễ có thể khác nhau tùy theo điều kiện âm thanh, kích thước mô hình và số lượng người sử dụng cùng lúc. Bạn nên đo lường giá trị này trong tình huống của riêng mình.
Q: Liệu tỷ lệ chính xác 98% này có áp dụng cho các đoạn văn bằng tiếng Anh trong bản demo không?
A: Không phải vậy. Độ chính xác của hệ thống lên đến 98% được đo lường trên ngôn ngữ tiếng Trung chuẩn. Trình chạy thử cho thấy khả năng nhận diện tiếng Anh một cách nhanh chóng trong thời gian thực. Tuy nhiên, hiệu suất của hệ thống này có thể thay đổi tùy theo lĩnh vực, giọng nói và yếu tố nhiễu âm thanh. Hãy thử sử dụng dữ liệu âm thanh từ lĩnh vực của riêng bạn trước khi đưa ra kết luận nào cả.
Q: Làm thế nào để tôi có thể lựa chọn giữa các tổ hợp chữ số V06, VV01, VV05 và VV10?
A: Hãy kết hợp kích thước của thiết bị với diện tích không gian sử dụng: V06 dùng cho cá nhân; VV01 dùng cho một căn phòng hoặc bàn làm việc nhỏ; VV05 (kích thước 1U, 166 TOPS) dùng cho các môi trường đa phòng; VV10 (kích thước 1U, 326 TOPS) dùng cho các doanh nghiệp, môi trường cấp độ 3 hoặc các môi trường bí mật. Việc sử dụng thiết bị trong một căn phòng nhỏ là lãng phí tài nguyên; việc nâng cao kích thước của thiết bị vượt quá giới hạn cho phép sẽ làm hư hại thiết bị.
Q: Liệu bản dịch từ tiếng Anh sang tiếng Nga trong đoạn trình chiếu này có hỗ trợ việc hiển thị bằng âm thanh hay không?
A: Vâng. Phần nội dung diễn ra vào lúc 00:45 được trình chiếu dưới dạng văn bản được dịch và giọng nói được tổng hợp từ các đoạn hội thoại. Cả hai yếu tố này đều được tạo ra ngay trên thiết bị.
Q: Làm thế nào để yêu cầu một bản thử nghiệm hoặc báo giá?
A: Xin vui lòng gửi yêu cầu của bạn qua trang liên hệ trên trang web này, hoặc gửi email đến sales@voivision.com. Ngoài ra, bạn cũng có thể sử dụng WhatsApp/WeChat để liên hệ với chúng tôi theo số điện thoại +8618994301192. Hãy đề cập rõ chi tiết về kích thước phòng, ngôn ngữ cần sử dụng, và xem liệu việc triển khai hệ thống có cần phải sử dụng kết nối an toàn hay không. Điều này sẽ giúp chúng tôi chọn được mẫu máy phù hợp nhất cho yêu cầu của bạn.