Một dự án mã nguồn mở đáng chú ý vừa được các lập trình viên tại Việt Nam công bố trên GitHub, mang tên "Audio2Text-Pro". Dự án này sử dụng kiến trúc transformer chuyên biệt cho xử lý âm thanh, cho phép chuyển đổi giọng nói thành văn bản với độ trễ dưới 200ms, một con số rất ấn tượng cho các ứng dụng real-time.
Audio2Text-Pro có khả năng xử lý hơn 50 ngôn ngữ, trong đó có tiếng Việt với độ chính xác được cải thiện so với các thư viện trước đó như Whisper. Dự án sử dụng kỹ thuật "streaming audio processing", cho phép xử lý audio một cách liên tục, rất phù hợp cho các ứng dụng dịch thuật hội nghị trực tuyến hoặc trợ lý giọng nói cá nhân. Code được viết bằng Python, có khả năng chạy trên cả CPU và GPU.
Lý do cộng đồng đang quan tâm là sự linh hoạt về quyền sử dụng. Audio2Text-Pro được phát hành dưới giấy phép Apache 2.0, cho phép sử dụng tự do trong cả môi trường thương mại mà không phải lo lắng về các ràng buộc bản quyền. Dự án đã được tích hợp thành công vào một số ứng dụng chatbot tiếng Việt phổ biến, giúp trải nghiệm người dùng tự nhiên hơn.
Với sự hỗ trợ của các đối tác trong nước, đội ngũ dự định phát triển thêm khả năng nhận diện giọng nói theo cảm xúc (sentiment analysis) trong các bản cập nhật tới. Đây là hướng đi được kỳ vọng sẽ mở ra nhiều ứng dụng mới trong lĩnh vực chăm sóc khách hàng và giáo dục.