Năm học sinh trường chuyên Chu Văn An 'dạy' AI đọc chữ Thái cổ

Trong khi AI dịch gần như tức thì tiếng Anh, Pháp hay Việt, với tiếng Thái Đen, kết quả thường sai hoặc không có do thiếu dữ liệu trên Internet.

Với cộng đồng người Thái, đó không chỉ là chuyện bất tiện. Khi ngôn ngữ mẹ đẻ không có chỗ trên điện thoại hay máy tính, người dùng khó tra cứu, khó học trực tuyến, khó tiếp cận dịch vụ công. Khoảng cách về công nghệ lâu dần sẽ thành khoảng cách về thông tin và cơ hội.

Em Ngô Hoàng Long, Phạm Mạnh Phong, Nguyễn Trí Minh, Lê Minh Sơn và Trần Gia Bảo, học sinh lớp 11 Tin K118, Trường THPT Chuyên Chu Văn An (Hà Nội) đã bắt tay vào giải bài toán này. Mục tiêu nhóm đặt ra khá tham vọng: giúp tiếng Thái Đen và chữ Thái cổ đọc được, gõ được, dịch được và tra cứu được trên môi trường số.

“Nhóm không muốn chữ Thái chỉ nằm trong bảo tàng. Một ngôn ngữ muốn sống thì phải có người dùng hằng ngày, và công nghệ có thể giúp việc đó dễ hơn. Khó nhất với nhóm không phải là viết code, mà là đi tìm và làm sạch từng trang dữ liệu", Ngô Hoàng Long, Trưởng nhóm, chia sẻ.

Ngôn ngữ phải được sử dụng

Các thành viên chung quan điểm, cất sách cổ vào tủ kính hay kho tư liệu là việc nên làm, nhưng chưa đủ. Một thứ tiếng chỉ bền khi người ta còn dùng nó để học bài, nhắn tin, đọc thông báo của xã.

Vì thế, VietTrans không được nghĩ như một kho lưu trữ chữ cổ. Nhóm muốn nó thành một bộ đồ nghề: từ điển, bộ gõ, công cụ chuyển font, nhận dạng chữ từ ảnh, dịch máy, rồi sau này là giọng nói.

Ở trường học, những công cụ này có thể giúp giáo viên soạn tài liệu song ngữ và học sinh học chữ Thái dễ hơn. Ở những địa phương đông đồng bào Thái, chúng có thể hỗ trợ dịch thông báo, phổ biến chính sách hay hướng dẫn thủ tục hành chính. Xa hơn, nếu dữ liệu đủ nhiều, tiếng Thái Đen có thể có mặt trong chatbot, trợ lý ảo hay các nền tảng học trực tuyến.

Ngô Hoàng Long chia sẻ, không có dữ liệu đủ lớn để nghiên cứu AI, nhóm phải bắt từ con số không.

Tài liệu nằm rải rác khắp nơi, trong các bản làng, trong những gia đình còn giữ sách cổ, trong các công trình nghiên cứu chưa được số hóa. Nhiều văn bản lại dùng font cũ, không theo chuẩn Unicode, nên chuyển sang dạng máy đọc được mất rất nhiều công. Có tài liệu phải dò lại từng ký tự bằng tay trước khi dám đưa vào huấn luyện.

Ý tưởng hay và thực tế

Sau khâu làm sạch là việc ghép từng cặp câu Thái – Việt tương ứng để mô hình học dịch, các thành viên trong nhóm đã triển khai một loạt công cụ phụ trợ như: bộ chuyển font, bộ gõ tiếng Thái, từ điển trực tuyến và một trang để cộng đồng cùng đóng góp dữ liệu. Đây là phần việc ít ai nhìn thấy, nhưng chất lượng của cả hệ thống phụ thuộc vào

Theo các thành viên, việc huấn luyện mô hình AI cần bộ xử lý chuyên dụng nhưng thuê máy chủ không rẻ, nhất là với một nhóm học sinh. Trước tình thế khó, nhóm học sinh đã xoay xở bằng cách tận dụng nhiều nguồn tài nguyên khác nhau, cắt gọn dữ liệu và chỉnh lại quy trình để bớt thời gian chạy máy.

Không ít lần, một đợt huấn luyện kéo dài hàng chục giờ rồi báo lỗi, phải chạy lại từ đầu hoặc mò lại tham số. Qua những lần như thế, các em nhận ra làm AI không chỉ là viết thuật toán, mà phần lớn là chuyện dữ liệu, máy móc và sự lì lợm.

Về mô hình, nhóm không xây từ đầu mà tinh chỉnh mô hình dịch đa ngôn ngữ. Mô hình được huấn luyện, đánh giá rồi huấn luyện lại nhiều vòng để dịch dần tốt hơn giữa tiếng Thái Đen và tiếng Việt.

Song song, nhóm làm hệ thống nhận dạng ký tự quang học (OCR) riêng cho chữ Thái cổ. Phần lớn tài liệu chữ Thái hiện vẫn ở dạng giấy hoặc ảnh chụp. OCR biến chúng thành văn bản số để tìm kiếm, chỉnh sửa và tiếp tục làm dữ liệu cho chính các mô hình dịch. Ngoài sách cổ, công cụ này còn có thể dùng cho hồ sơ, tài liệu giáo dục hay văn bản địa phương.

Các thành viên tính chuyện nhận dạng tiếng nói và tổng hợp giọng nói cho tiếng Thái Đen. Bài toán này khó hơn văn bản nhiều, vì dữ liệu giọng nói của thứ tiếng này gần như chưa ai thu thập bài bản.

Để AI nhận diện tiếng Thái chính xác, cần dữ liệu giọng nói đa dạng, chuẩn xác, giúp người dùng nhập văn bản, nghe đọc và tương tác với trợ lý ảo, đặc biệt hỗ trợ người lớn tuổi tiếp cận thế giới số.

Người dùng có thể dịch song ngữ tiếng dân tộc Thái và tiếng Việt, chụp ảnh chữ Thái cổ để máy nhận dạng, chuyển đổi văn bản, tra cứu từ ngữ và dịch giữa tiếng Thái Đen với tiếng Việt. Từ khi chạy thử, đã có hàng nghìn lượt yêu cầu dịch mỗi ngày.

Về lâu dài, nhóm muốn VietTrans thành một hệ sinh thái gồm dữ liệu, dịch máy, OCR, từ điển, bộ gõ, giọng nói và API, để các ứng dụng khác cũng có thể tích hợp tiếng Thái Đen.

Cô Lò Mai Cương, nguyên là giảng viên Trường cao đẳng Sơn La, biên soạn các sách học chữ Thái, đánh giá đây là một ý tưởng hay và rất thực tế. Theo cô, hiện nhiều người muốn đọc sách hay nghiên cứu tài liệu chữ Thái vẫn phải tìm đến các nghệ nhân để học hỏi. Nếu dự án thành công, không chỉ người Thái mà cả nhà nghiên cứu, sinh viên và những ai muốn tìm hiểu chữ Thái đều sẽ được hỗ trợ rất nhiều.

Với 5 cậu học trò lớp 11, động lực lớn nhất có lẽ là những dòng chữ từng chỉ nằm trong sách chép tay, một ngày nào đó có thể hiện lên trên màn hình điện thoại của chính con cháu người Thái.