Nhận diện ngôn ngữ khác gì so với nhận dạng tiếng nói?

Nhận diện ngôn ngữ (language identification) nhằm xác định xem dữ liệu thuộc ngôn ngữ nào trong danh sách ngôn ngữ đích, trong khi nhận dạng tiếng nói (speech recognition / ASR) chuyển đổi nội dung âm thanh phát âm thành văn bản tương ứng của ngôn ngữ đó. Trong thực tế, nhận diện ngôn ngữ thường là bước đi trước để chọn đúng bộ nhận dạng tiếng nói.

Vì sao nhận diện tiếng Việt không dấu lại là bài toán khó?

Khi loại bỏ dấu thanh và ký tự phụ, từ tiếng Việt chuyển thành các ký tự Latin cơ bản, làm mất đi đặc trưng chữ viết đặc thù và tạo ra hiện tượng trùng khớp dạng viết với các ngôn ngữ khác (ví dụ: 'ma' trong tiếng Việt không dấu trùng với từ trong tiếng Tây Ban Nha hoặc tiếng Ý). Với các đoạn văn bản ngắn, mô hình thiếu ngữ cảnh ngữ nghĩa để phân biệt chính xác.

Mã định danh ngôn ngữ chuẩn quốc tế được quy định như thế nào?

Hệ thống định danh ngôn ngữ quốc tế tiêu chuẩn hóa các mã nhận dạng theo dạng hai ký tự (cho các ngôn ngữ phổ biến), ba ký tự (cho hàng nghìn ngôn ngữ và phương ngữ cụ thể), và hệ thống thẻ mở rộng kết hợp mã chữ viết cùng mã vùng địa lý nhằm đồng bộ trao đổi dữ liệu xuyên biên giới.

Những mô hình nào được sử dụng phổ biến nhất cho nhận diện ngôn ngữ văn bản?

Các hệ thống nhẹ và tốc độ cao thường sử dụng n-gram ký tự kết hợp fastText hoặc Naive Bayes đa thức để xử lý hàng nghìn văn bản mỗi giây. Đối với các tình huống phức tạp như văn bản mạng xã hội, tiếng Việt không dấu hoặc pha trộn ngôn ngữ, các mô hình ngôn ngữ sâu họ Transformer như XLM-RoBERTa và BARTPho mang lại độ chính xác cao vượt trội.

Nhận diện ngôn ngữ (language identification) là gì?

Nhận diện ngôn ngữ (language identification) là bài toán kỹ thuật trong lĩnh vực xử lý ngôn ngữ tự nhiên và phân tích tín hiệu âm thanh nhằm tự động xác định ngôn ngữ tự nhiên hoặc phương ngữ của một tài liệu văn bản hoặc mẫu lời nói đầu vào. Trong hệ thống phân cấp xử lý thông tin, nhận diện ngôn ngữ đóng vai trò là tầng tiền xử lý nền tảng, quyết định đường dẫn xử lý tiếp theo cho các tác vụ chuyên sâu như dịch máy, phân tích cú pháp, trích xuất thực thể, kiểm tra chính tả và tổng hợp tiếng nói. Nếu bước nhận diện ban đầu xảy ra sai lệch, mọi mô hình xử lý hạ nguồn sẽ phải tiếp nhận dữ liệu không đúng phân phối ngôn ngữ quy định, dẫn đến lỗi dây chuyền trên toàn bộ hệ thống.

Nguyên lý toán học và mô hình hóa nhận diện ngôn ngữ văn bản

Về mặt hình thức, bài toán nhận diện ngôn ngữ văn bản được mô hình hóa dưới dạng bài toán phân loại đa lớp. Cho một tập hợp hữu hạn gồm K ngôn ngữ ứng viên $\mathcal{L} = \{L_1, L_2, \dots, L_K\}$ và một đoạn văn bản đầu vào D biểu diễn dưới dạng chuỗi các ký tự hoặc từ tố. Mục tiêu của hệ thống là xác định ngôn ngữ mục tiêu $\hat{L} \in \mathcal{L}$ tối ưu hóa hàm tiêu chí phân loại.

Phương pháp xếp hạng tần suất n-gram và khoảng cách Out-of-Place

Một trong những bước tiến quan trọng sớm nhất trong nhận diện ngôn ngữ văn bản độc lập ngữ nghĩa là giải thuật xếp hạng n-gram ký tự do William B. Cavnar và John M. Trenkle đề xuất. Phương pháp này không yêu cầu phân tích từ vựng hay xây dựng từ điển toàn diện, mà dựa vào phân phối tần suất của các chuỗi con gồm n ký tự liên tiếp (n-gram ký tự, thường chọn n từ 2 đến 5 ký tự).

Trong giải thuật này, mỗi ngôn ngữ ứng viên C được đại diện bởi một hồ sơ tần suất gồm các n-gram phổ biến nhất (thường lấy vài trăm n-gram đứng đầu), sắp xếp theo thứ tự giảm dần của tần suất xuất hiện trong ngữ liệu mẫu. Khi xuất hiện văn bản kiểm thử D, hệ thống tính toán hồ sơ n-gram tương tự cho D. Khoảng cách lệch hạng (out-of-place distance) giữa hồ sơ văn bản D và hồ sơ ngôn ngữ chuẩn C được định nghĩa qua công thức:

d(D, C) = \sum_{x \in D} |R_D(x) - R_C(x)|

Trong công thức trên, $d(D, C)$ biểu thị tổng khoảng cách lệch hạng giữa văn bản D và hồ sơ lớp ngôn ngữ C; $x$ là một n-gram ký tự xuất hiện trong hồ sơ văn bản D; $R_D(x)$ là vị trí xếp hạng của n-gram $x$ trong hồ sơ văn bản kiểm thử; $R_C(x)$ là vị trí xếp hạng của n-gram $x$ trong hồ sơ mẫu chuẩn của ngôn ngữ C. Nếu một n-gram $x$ xuất hiện trong văn bản D nhưng hoàn toàn không tồn tại trong hồ sơ chuẩn của ngôn ngữ C, vị trí $R_C(x)$ được gán một giá trị phạt cố định cực đại M (thường quy ước bằng kích thước danh mục mở rộng). Ngôn ngữ được dự đoán là ngôn ngữ có khoảng cách lệch hạng nhỏ nhất.

Mô hình xác suất thống kê Naive Bayes đa thức

Bên cạnh phương pháp so khớp thứ hạng, các mô hình ngôn ngữ xác suất n-gram áp dụng định lý Bayes đóng vai trò quan trọng trong các công cụ phân loại thống kê. Giả sử văn bản D được biểu diễn thành chuỗi các đặc trưng con $D = (t_1, t_2, \dots, t_m)$ , trong đó mỗi $t_j$ là một n-gram ký tự hoặc từ. Mô hình Naive Bayes đa thức gán nhãn ngôn ngữ $\hat{L}$ theo quy tắc xác suất hậu phương cực đại (Maximum A Posteriori):

\hat{L} = \arg\max_{L_i \in \mathcal{L}} \left[ P(L_i) \prod_{j=1}^{m} P(t_j \mid L_i) \right]

Trong phương trình này, $\hat{L}$ là ngôn ngữ được lựa chọn; $P(L_i)$ là xác suất tiên nghiệm của ngôn ngữ $L_i$ ; $P(t_j \mid L_i)$ là xác suất có điều kiện xuất hiện đặc trưng $t_j$ trong ngôn ngữ $L_i$ . Để ngăn ngừa hiện tượng triệt tiêu xác suất khi gặp các n-gram chưa từng quan sát trong tập huấn luyện, kỹ thuật làm mịn Laplace hoặc làm mịn Kneser-Ney thường được tích hợp vào công thức tính xác suất thành phần:

P(t_j \mid L_i) = \frac{C(t_j, L_i) + \alpha}{\sum_{t \in V} C(t, L_i) + \alpha |V|}

Ở đây, $C(t_j, L_i)$ là số lần xuất hiện của n-gram $t_j$ trong ngữ liệu ngôn ngữ $L_i$ ; $\alpha$ là hệ số làm mịn dương (với $\alpha = 1$ trong làm mịn Laplace chuẩn); $|V|$ là kích thước không gian từ vựng gồm toàn bộ các n-gram quan sát được trên mọi ngôn ngữ huấn luyện.

Kiến trúc phân loại tuyến tính tốc độ cao fastText

Nhằm khắc phục nhược điểm của các mô hình n-gram truyền thống khi mở rộng quy mô lên hàng trăm ngôn ngữ và hàng triệu văn bản, nhóm nghiên cứu tại Facebook AI Research đã đề xuất kiến trúc fastText vào năm 2017. Mô hình fastText coi mỗi tài liệu D như một túi n-gram từ và n-gram ký tự dưới từ (subword n-grams). Vector biểu diễn tài liệu $h_D$ được tính bằng giá trị trung bình của các vector nhúng thành phần:

h_D = \frac{1}{|N_D|} \sum_{w \in N_D} v_w

Trong đó, $N_D$ là tập hợp các n-gram từ và chuỗi con ký tự được trích xuất từ văn bản D; $v_w$ là vector nhúng của phần tử $w$ trong không gian ngữ nghĩa ẩn. Xác suất dự đoán nhãn ngôn ngữ L được tính toán qua tầng phân loại tuyến tính với hàm kích hoạt Softmax:

P(L \mid D) = \frac{\exp(W_L \cdot h_D)}{\sum_{k=1}^{K} \exp(W_k \cdot h_D)}

Trong biểu thức xác suất, $W_L$ là vector trọng số tương ứng với lớp ngôn ngữ L; $W_k$ là vector trọng số của lớp ngôn ngữ thứ k; K là tổng số ngôn ngữ trong không gian phân loại. Nhờ việc sử dụng hàm mất mát Softmax phân cấp (Hierarchical Softmax) dựng trên cây Huffman, fastText có khả năng giảm độ phức tạp tính toán từ tuyến tính $\mathcal{O}(K)$ xuống còn mức logarit $\mathcal{O}(\log_2 K)$ , cho phép mô hình huấn luyện trên hơn 1 tỷ từ trong dưới 10 phút trên phần cứng thông thường.

Nhận dạng ngôn ngữ tiếng nói (Spoken Language Recognition)

Khác với nhận diện ngôn ngữ văn bản vốn thao tác trên các ký hiệu rời rạc, nhận dạng ngôn ngữ tiếng nói (Spoken Language Recognition - SLR) xử lý tín hiệu âm thanh liên tục biến thiên theo thời gian. Quá trình SLR khai thác các tầng thông tin âm học đa dạng:

Tầng âm học và phổ tín hiệu: Phân tích các đặc trưng ngắn hạn như hệ số phổ Mel (Mel-Frequency Cepstral Coefficients - MFCC) hoặc đồ phổ nén Perceptual Linear Prediction (PLP) để phản ánh cấu trúc thanh đạo và phân phối năng lượng âm thanh.
Tầng âm vị học và ngữ âm học: Khai thác hệ thống âm vị đặc thù, bảng chữ cái ngữ âm quốc tế (IPA), các quy tắc kết hợp âm vị (phonotactics) và phân phối chuỗi âm thanh.
Tầng điệu tính và giai điệu (Prosody): Đo lường các biến thiên tần số cơ bản (F0), cường độ âm thanh và nhịp điệu phát âm. Tầng này đặc biệt quan trọng đối với các ngôn ngữ thanh điệu như tiếng Việt, tiếng Quan Thoại hay tiếng Thái.
Tầng từ vựng và ngữ nghĩa: Tận dụng các mô hình nhận dạng giọng nói tự động (ASR) song song để chuyển đổi âm thanh thành chuỗi văn bản trước khi áp dụng giải thuật phân loại văn bản.

Về kiến trúc xử lý, các hệ thống SLR hiện đại chuyển dịch từ mô hình hỗn hợp Gauss kết hợp mô hình hóa i-vector sang các mạng nơ-ron học sâu trích xuất x-vector và các mô hình biểu diễn tiếng nói tự giám sát nền tảng như wav2vec hoặc Whisper. Vector đặc trưng âm học được đưa qua bộ phân loại để xuất ra phân phối xác suất trên danh sách ngôn ngữ tiếng nói cần phân biệt.

Đặc thù và thách thức trong nhận diện ngôn ngữ tiếng Việt

Tiếng Việt là một ngôn ngữ đơn lập, có thanh điệu và sử dụng hệ chữ viết Quốc ngữ dựa trên ký tự Latin bổ sung dấu thanh và ký tự phụ biến âm (ă, â, đ, ê, ô, ơ, ư). Đặc điểm chữ viết và ngữ pháp này tạo ra những thuận lợi đồng thời mang lại các thách thức kỹ thuật riêng biệt trong bài toán nhận diện ngôn ngữ.

Lợi thế từ hệ thống ký tự dấu đặc thù

Sự hiện diện của các ký tự Latin mang dấu thanh (huyền, sắc, hỏi, ngã, nặng) và dấu mũ hoặc móc phụ tạo nên chữ ký trực giao (orthographic signature) rất rõ ràng. Trong các đoạn văn bản chính chuẩn dài, các n-gram chứa nguyên âm có dấu như "ược", "ững", "ười", "khoảng" cho phép các thuật toán n-gram đơn giản xác định tiếng Việt với độ chính xác xấp xỉ tuyệt đối mà không cần ngữ cảnh phức tạp.

Thách thức từ văn bản không dấu và từ đồng âm dị nghĩa

Trên môi trường Internet, mạng xã hội, tin nhắn nhanh và hội thoại đời thường, người dùng thường gõ tiếng Việt không dấu (không sử dụng dấu thanh và ký tự biến âm). Khi bị lược bỏ dấu, các từ tiếng Việt trở thành các chuỗi ký tự Latin cơ bản thuần túy, tạo ra hiện tượng trùng khớp dạng viết (orthographic overlap) với nhiều ngôn ngữ sử dụng bảng mã Latinh khác.

Ví dụ, chuỗi ký tự "ma" trong tiếng Việt không dấu có thể tương ứng với các từ tiếng Việt chuẩn mang nghĩa hoàn toàn khác nhau như "ma" (hồn ma), "má" (mẹ/gò má), "mà" (liên từ), "mã" (ngựa/mã số), "mả" (mồ mả) hoặc "mạ" (cây lúa non). Đồng thời, chuỗi "ma" cũng là từ hợp lệ có nghĩa trong tiếng Tây Ban Nha, tiếng Bồ Đào Nha hoặc tiếng Ý. Nếu văn bản đầu vào quá ngắn, các mô hình thống kê n-gram truyền thống sẽ mất hoàn toàn khả năng phân biệt và rơi vào tình trạng phân loại ngẫu nhiên.

Thách thức từ hiện tượng chuyển mã ngôn ngữ và từ mượn

Hiện tượng chuyển mã (code-switching) — việc người dùng kết hợp linh hoạt giữa tiếng Việt và tiếng Anh trong cùng một câu văn — diễn ra rất phổ biến trong các lĩnh vực kinh tế, công nghệ và trao đổi học thuật. Việc đan xen các cụm từ tiếng Anh như "deadline", "meeting", "check mail", "project manager" vào văn bản tiếng Việt khiến tỷ lệ n-gram tiếng Anh tăng đột biến, gây nhiễu cho các thuật toán phân loại dựa trên đếm tần suất đơn thuần.

Khảo sát thực nghiệm diện rộng của Caswell và cs. (2020) công bố tại hội nghị COLING đối với dữ liệu văn bản thu thập từ mạng Internet quy mô lớn cũng chỉ ra rằng các hệ thống nhận diện ngôn ngữ thường gặp nhiều sai số bất ngờ, đặc biệt với các ngôn ngữ ít tài nguyên hoặc văn bản chứa nhiều dữ liệu nhiễu ngoài đời thực.

Nghiên cứu thực nghiệm với các mô hình Transformer cho tiếng Việt

Để đánh giá toàn diện khả năng vượt qua các thách thức về văn bản không dấu, viết sai chính tả và dữ liệu mạng xã hội, nghiên cứu thực nghiệm của Son Tran và Phuoc Tran (2026) công bố trên tạp chí PLOS ONE đã thiết lập chuẩn đối sánh giữa ba kiến trúc Transformer tiêu biểu: XLM-RoBERTa, BARTPho và Multilingual-E5. Trong đó, kiến trúc đa ngôn ngữ XLM-RoBERTa do Conneau và cs. (2020) đề xuất được huấn luyện không giám sát trên quy mô dữ liệu hơn 2 terabyte lọc từ CommonCrawl bao gồm 100 ngôn ngữ khác nhau, mang lại khả năng biểu diễn ngữ nghĩa liên ngôn ngữ sâu rộng.

Quy mô tập dữ liệu và tiền xử lý thực nghiệm

Nghiên cứu đã xây dựng một bộ ngữ liệu quy mô lớn kết hợp từ các nguồn dữ liệu công khai gồm Binhvq News Corpus, kho ngữ liệu sửa lỗi chính tả vi-error-correction, tập dữ liệu đa ngôn ngữ OPUS Tatoeba và dữ liệu thu thập định kỳ từ báo VnExpress. Dữ liệu sau đó được tiền xử lý qua các bước chuẩn hóa khoảng trắng, lọc bỏ văn bản quá ngắn, chuẩn hóa chính tả bằng công cụ underthesea, loại bỏ trùng lặp và gán nhãn cân bằng.

Tập dữ liệu sau xử lý được phân chia thành hai phần độc lập: tập huấn luyện gồm 6701877 mẫu (chiếm 80%) và tập kiểm thử gồm 1675469 mẫu (chiếm 20%). Quá trình huấn luyện mô hình được chuẩn hóa trong 12500 bước với kích thước lô 128 và tốc độ học khởi tạo $10^{-5}$ sử dụng hàm mất mát entropy chéo có trọng số để giảm thiểu độ lệch lớp.

Kết quả đối sánh hiệu năng các kiến trúc

Kết quả thử nghiệm trên tập kiểm thử độc lập 1675469 mẫu ghi nhận sự chênh lệch rõ rệt giữa các mô hình:

Kiến trúc mô hình	Độ chính xác (Accuracy)	Điểm F1 (F1-score)	Hàm mất mát đánh giá (Evaluation Loss)	Đặc điểm vận hành và tính ổn định
BARTPho	99.74%	99.73%	0.0105	Đạt hiệu năng định lượng cao nhất nhờ học sâu cấu trúc tiếng Việt, song gặp lỗi cạn bộ nhớ (OOM) trên GPU NVIDIA A40 khi suy luận quy mô lớn.
XLM-RoBERTa-Base	99.68%	99.68%	0.042	Hiệu năng sát nút BARTPho, duy trì độ ổn định vận hành vượt trội, không phát sinh lỗi bộ nhớ và tối ưu cho môi trường sản xuất thực tế.
Multilingual-E5-Base	98.86%	98.87%	0.0906	Tốc độ huấn luyện và suy luận nhanh nhất, điểm F1 Macro đạt 96.33%, phù hợp cho các bài toán truy xuất thông tin ngữ nghĩa mật độ cao.

Về mặt định lượng, mô hình ngôn ngữ tiếng Việt chuyên biệt BARTPho dẫn đầu về khả năng khớp dữ liệu với hàm mất mát đánh giá chỉ đạt 0.0105 (chỉ bằng 11.62% so với mức mất mát tối đa của Multilingual-E5). Tuy nhiên, về mặt kỹ thuật triển khai, kiến trúc của BARTPho đòi hỏi chi phí tính toán rất lớn, làm phát sinh hiện tượng tràn bộ nhớ (Out-Of-Memory - OOM) trên phần cứng đồ họa chuyên dụng NVIDIA A40. Để hoàn tất quy trình đánh giá mà không làm suy giảm tính toàn vẹn của tập dữ liệu kiểm thử, nhóm nghiên cứu đã phải áp dụng giải pháp chia phân đoạn kiểm thử thành từng khối nhỏ gồm 20000 mẫu kết hợp cơ chế thu gom bộ nhớ đệm CUDA có hệ thống.

Ngược lại, mô hình đa ngôn ngữ XLM-RoBERTa-Base đạt độ chính xác 99.68% và F1-score 99.68% mà không gặp bất kỳ trở ngại bộ nhớ nào, khẳng định vị thế là lựa chọn cân bằng tối ưu giữa độ chính xác nhận diện và chi phí tài nguyên phần cứng trong các ứng dụng thực tế quy mô lớn.

Hệ thống tiêu chuẩn quốc tế về mã định danh ngôn ngữ

Để đảm bảo khả năng tương tác liên thông giữa các hệ thống phần mềm, cơ sở dữ liệu và giao thức mạng toàn cầu, kết quả nhận diện ngôn ngữ được ánh xạ sang các mã định danh chuẩn hóa theo hệ tiêu chuẩn quốc tế ISO:

ISO mã hai ký tự (Alpha-2): Tiêu chuẩn mã hóa gồm hai ký tự chữ cái dành cho các ngôn ngữ chính trên thế giới có ngữ liệu phát triển. Ví dụ: mã vi đại diện cho tiếng Việt, mã en cho tiếng Anh, mã fr cho tiếng Pháp. Đây là tiêu chuẩn được tích hợp phổ biến trong các thẻ HTML (thuộc tính lang="vi") và cấu hình bản địa hóa phần mềm.
ISO mã ba ký tự (Alpha-3): Tiêu chuẩn mã hóa ba ký tự chữ cái, cung cấp không gian định danh rộng lớn cho hàng trăm ngôn ngữ và biến thể. Trong một số trường hợp, tiêu chuẩn này phân tách mã thư mục và mã thuật ngữ; đối với tiếng Việt là mã đơn vị vie.
Hệ thống mã mở rộng: Hệ thống mã định danh ba ký tự toàn diện nhất, bao phủ toàn bộ các ngôn ngữ tự nhiên đã biết trên Trái Đất (bao gồm ngôn ngữ đang sử dụng, cổ ngữ, ngôn ngữ đã biến mất và các phương ngữ chuyên biệt). Tiếng Việt được định danh bằng mã cụm vie trong hệ thống này.
Khuyến nghị định danh Internet: Giao thức thẻ định danh ngôn ngữ trên môi trường mạng kết hợp mã ngôn ngữ, mã chữ viết và mã vùng địa lý (ví dụ: vi-VN biểu thị tiếng Việt tại Việt Nam, hoặc zh-Hant-HK biểu thị tiếng Trung chữ phồn thể tại Hồng Kông).

Ứng dụng thực tiễn trong công nghệ và đời sống số

Công nghệ nhận diện ngôn ngữ tự động đóng vai trò huyết mạch trong hàng loạt hệ thống kỹ thuật hiện đại:

Lọc và tiền xử lý ngữ liệu cho mô hình ngôn ngữ lớn (LLM): Trước khi huấn luyện các mô hình AI tạo sinh đa ngôn ngữ, các hệ thống thu thập dữ liệu web (như Common Crawl) phải sử dụng bộ nhận diện ngôn ngữ tốc độ cao để loại bỏ rác văn bản, phân tách dữ liệu theo ngôn ngữ đích và kiểm soát tỷ lệ pha trộn ngữ liệu.
Hệ thống dịch máy tự động (Machine Translation): Các nền tảng dịch trực tuyến dựa vào mô hình nhận diện để tự động phát hiện ngôn ngữ nguồn khi người dùng nhập văn bản, giúp tối ưu hóa việc định tuyến đến mô hình dịch đơn ngữ hoặc đa ngữ tương ứng.
Công cụ tìm kiếm và lập chỉ mục văn bản: Công cụ tìm kiếm xác định ngôn ngữ trang web để áp dụng đúng thuật toán tách từ (tokenization), chuẩn hóa từ gốc (stemming), loại bỏ từ dừng (stop-words) và xếp hạng kết quả phù hợp với vị trí địa lý của người dùng.
Điều phối tổng đài và dịch vụ chăm sóc khách hàng: Trong các trung tâm hỗ trợ đa quốc gia, hệ thống nhận dạng tiếng nói tự động phân luồng cuộc gọi đến tổng đài viên phù hợp dựa trên ngôn ngữ phát âm của khách hàng ngay trong vài giây đầu tiên.
Kiểm duyệt nội dung và an toàn không gian mạng: Phát hiện chính xác ngôn ngữ của bài viết hoặc bình luận giúp kích hoạt đúng bộ lọc từ ngữ độc hại, phát hiện ngôn từ thù ghét (hate speech) và ngăn ngừa các hành vi gian lận thông tin xuyên biên giới.

Xu hướng phát triển và vấn đề còn mở

Nhận diện ngôn ngữ đã tiến hóa từ các giải thuật so khớp thứ hạng n-gram đơn giản sang các mô hình học máy thống kê và tiếp đến là các kiến trúc mạng nơ-ron sâu Transformer. Mặc dù các mô hình hiện đại đã đạt độ chính xác rất cao đối với các văn bản đơn ngữ tiêu chuẩn, những thách thức trong môi trường giao tiếp thực tế như văn bản phi chuẩn, viết tắt, tiếng lóng, tiếng Việt không dấu và chuyển mã ngôn ngữ vẫn đòi hỏi các nỗ lực nghiên cứu liên tục. Hướng phát triển trong tương lai tập trung vào việc tối ưu hóa kích thước mô hình thông qua chưng cất tri thức (knowledge distillation), gia tăng khả năng thích ứng với các ngôn ngữ ít tài nguyên và xây dựng các hệ thống nhận diện tức thời với độ trễ tối thiểu trên các thiết bị di động biên.