Trang chủ / Công nghệ cốt lõi / Thuật toán AI giọng nói biên

Thuật toán giọng nói biên: nghe rõ mới trả lời đúng

Chốt chặn đầu tiên tại hiện trường công nghiệp nằm ngay trên chip thiết bị: đánh thức, khử ồn, phát hiện đều chạy cục bộ, chỉ giọng nói hợp lệ được đẩy lên — chống ồn, tiết kiệm băng thông, bảo vệ riêng tư.

Đánh thức WakeNet102–3ms mỗi khung tại thiết bịDự phòng offline MultiNet

PIPELINE · CHUỖI TRÊN THIẾT BỊ

Năm bước, đều chạy trên chip của thiết bị

Từ thu âm đến "có nên đẩy lên không" — thiết bị xử lý trọn một lượt; đám mây chỉ nhận giọng nói đáng nhận diện.

Đánh thức WakeNet10

Từ đánh thức tùy biến theo thương hiệu, pipeline huấn luyện bằng tổng hợp TTS, độ chính xác 95–98% so với ghi âm người thật.

→

AFE front-end âm thanh

AEC triệt tiếng vang + khử ồn + beamforming mảng mic, bắt trúng giọng người giữa tiếng ồn.

→

Phát hiện VADNet

VAD mạng nơ-ron phân biệt nói và ngắt ở mức mili-giây.

→

Dự phòng offline MultiNet

Mất mạng vẫn có 30 lệnh cục bộ phản hồi tức thì — dây chuyền không bao giờ điếc.

→

Đẩy luồng âm thanh lên

WebSocket mã hóa, nhận diện cấp mô hình lớn trên mây.

SO SÁNH ASR

ASR nhận diện giọng nói · So sánh lựa chọn

EBOX dùng mô hình nhận diện mã nguồn mở thế hệ mới kiến trúc LLM.

Phương án	Ngôn ngữ chính	Đặc điểm	Độ trễ
Qwen3-ASR-1.7BEBOX lựa chọn	30 ngôn ngữ + 22 phương ngữ Trung Trung/Anh/Nhật/Hàn/Việt/Thái/Đức/Tây/Bồ/Indo đủ cả	Nhận diện kiến trúc LLM; thiên lệch hotword ngành vạn token — mã vật tư, mã lô càng lạ càng hiệu quả; suy luận thời gian thực trên CPU thuần, không cần GPU	Nhận diện streaming vừa nói vừa nhận 0.1–0.3s / mỗi giây âm thanh nhắc xong là có văn bản đầy đủ
ASR cục bộ truyền thống nhóm Paraformer	Chủ yếu Trung/Anh	Kiến trúc chín, nhưng ít ngôn ngữ và yếu mở rộng hotword	Nhanh, nhưng hạn chế ngôn ngữ
Whisper	90+ ngôn ngữ	Tổng quát tốt; không có cơ chế hotword, có nguy cơ ảo giác, tốn tính toán	Khó real-time trên CPU
API đám mây	Phủ rộng	Phụ thuộc mạng ngoài, dữ liệu giọng nói ra khỏi nhà máy, trả phí theo lượng dài hạn	Chịu ảnh hưởng biến động mạng

SO SÁNH TTS

TTS tổng hợp giọng nói · So sánh lựa chọn

Engine tổng hợp cục bộ, giấy phép sạch, không phụ thuộc đám mây.

Phương án	Ngôn ngữ chính	Đặc điểm	Độ trễ
Piper / VITS tổng hợp cục bộEBOX lựa chọn	60+ ngôn ngữ Tiếng Việt 3 giọng ra mắt đầu tiên	Tổng hợp CPU hoàn toàn cục bộ, giấy phép nhóm MIT yên tâm thương mại; một runtime mở rộng engine theo từng ngôn ngữ; lớp chuẩn hóa cách đọc số / mã vị trí trước — phát âm thanh không mơ hồ	Gói đầu 100–300ms phát streaming, nói khi vừa sinh
MeloTTS	6 ngôn ngữ	CPU real-time, đọc trộn Trung-Anh, engine dự phòng đa ngôn ngữ	Real-time
TTS đám mây	140+ ngôn ngữ	Âm thanh đẹp nhưng cần mạng — nội bộ công nghiệp không dùng được	Chịu ảnh hưởng RTT mạng

95–98%

độ chính xác mô hình đánh thức (huấn luyện đối chiếu ghi âm người thật)

2–3 ms

thời gian xử lý mỗi khung tại thiết bị

30 lệnh

lệnh offline phản hồi tức thì khi mất mạng

âm thanh đánh thức nhầm bị đẩy lên (lọc im lặng tại thiết bị)