Google dịch nói trực tiếp được tiếng Việt, nhưng không ghi lại một chữ nào

Gõ "google dịch nói trực tiếp" lên Google, bạn sẽ nhận được một câu trả lời thật sự tốt. Tính năng Live translate của ứng dụng Google Dịch hỗ trợ 74 ngôn ngữ, trong đó có tiếng Việt, trên cả Android lẫn iOS. Nó chạy được khi có hoặc không có tai nghe, vẫn tiếp tục khi bạn khoá màn hình, và có chế độ đối thoại trực diện chia đôi màn hình để mỗi người đọc phần của mình.

Nó hoạt động tốt. Nhưng đó chưa phải phần đáng nói.

Phần đáng nói xảy ra bốn tiếng sau, trên chính nền tảng đó, khi bạn cần biết rốt cuộc cuộc họp đã chốt điều gì. Tính năng Transcripts của Google Meet — thứ tạo ra một tài liệu Google Docs lưu lại được — hỗ trợ đúng tám ngôn ngữ, và tiếng Việt không có trong đó. Tiếng Việt cũng không nằm trong tám ngôn ngữ của "Take notes for me", tính năng ghi chú bằng Gemini của Meet; trang trợ giúp của chính tính năng này còn ghi rõ rằng nó "hỗ trợ một ngôn ngữ tại một thời điểm" và "hiện chưa hỗ trợ nhiều ngôn ngữ được nói trong cùng một cuộc họp".

Tóm tắt nhanh

• Tiếng Việt được hỗ trợ ở mọi tính năng nghe của Google: Live translate (74 ngôn ngữ) và phụ đề dịch của Meet (69 ngôn ngữ). Nhưng không được hỗ trợ ở bất kỳ tính năng viết nào: Transcripts và trình ghi chú Gemini của Meet, mỗi bên 8 ngôn ngữ.
• DeepL Voice hiển thị được phụ đề tiếng Việt nhưng không nhận dạng được tiếng Việt nói bằng mô hình của chính họ — tiếng Việt nằm ở tầng bên thứ ba, cần quản trị viên bật và không dùng được chế độ tự động nhận diện ngôn ngữ.
• Bài này chỉ rõ tiếng Việt dừng lại ở đâu trên từng nền tảng lớn tính đến ngày 31/8/2026, kèm quy trình sáu bước để chạy một cuộc họp Việt–Anh mà vẫn còn lại bản ghi.

Chúng tôi đã viết phiên bản tổng quát của lập luận này sáng nay, về chuyện bản dịch xuất sắc rồi biến mất trước bữa tối. Bài này hẹp hơn, và với các đội nhóm Việt Nam thì tệ hơn: vấn đề không chỉ là công cụ trực tiếp hay quên. Vấn đề là những tính năng biết nhớ lại chính là những tính năng bỏ qua tiếng Việt.

Tìm "dịch nói trực tiếp" bằng tiếng Việt hôm nay thì bạn thực sự nhận được gì

Hãy bắt đầu bằng phần công bằng, vì các công cụ miễn phí của Google làm rất tốt đúng việc chúng được sinh ra để làm.

Theo trang trợ giúp bản Android truy cập ngày 31/8/2026, Live translate của Google Dịch có bốn chế độ: Listening (áp điện thoại vào tai hoặc đeo tai nghe để nghe bản dịch lời người khác theo thời gian thực), Conversation (bản dịch phát ra loa, hai bên nói luân phiên), Text only (chỉ đọc, không phát tiếng) và Custom settings. Ngoài ra còn chế độ Face to face riêng: màn hình chia đôi, mỗi người nhìn thấy cả phần gỡ băng lẫn bản dịch cho ngôn ngữ của mình ở nửa màn hình bên mình. Micro tự phát hiện khi một ngôn ngữ dừng và ngôn ngữ kia bắt đầu, nên không ai phải bấm nút giữa các câu.

Có hai chi tiết xứng đáng được ghi nhận nhiều hơn mức thường thấy. Thứ nhất, phiên dịch sống sót qua việc chuyển ứng dụng: tài liệu của Google nói rằng bản dịch "tiếp tục liền mạch khi bạn chuyển ứng dụng, thu nhỏ ứng dụng, hoặc khi màn hình khoá". Thứ hai, tiếng Việt tải về được để dùng ngoại tuyến, và gói đã tải có thể nâng cấp lên bản chất lượng cao hơn ngay trong cùng màn hình đó — điều này quan trọng ở một đất nước mà đi công trường hay xuống xưởng không phải lúc nào cũng có sóng ổn định.

Có một giới hạn cần nói thẳng vì nhiều người bất ngờ: đây là tính năng của điện thoại. Trang trợ giúp bản web của chính Google viết đúng một câu: "Bạn không thể vừa nói vừa dịch trên Google Dịch bản web." Nếu cuộc họp song ngữ của bạn diễn ra trên laptop, Live translate không có mặt trong phòng.

Nói thẳng luôn: với một cuộc trò chuyện — đi taxi, gặp nhà cung cấp, nói chuyện ngoài hành lang với khách nước ngoài ghé thăm — đây gần như là bài toán đã giải xong, lại miễn phí, và chúng tôi khuyên dùng không do dự. Chỗ hỏng không nằm ở cuộc trò chuyện. Nó nằm ở cuộc họp.

Gemini 3.5 Live Translate đưa dịch trực tiếp cuộc họp trên Meet từ 5 lên hơn 70 ngôn ngữ

Bức tranh cũng đang chuyển động rất nhanh, và chuyển động theo hướng có lợi cho người nói tiếng Việt.

Ngày 9/6/2026, Google công bố Gemini 3.5 Live Translate, mô hình dịch nói-sang-nói hỗ trợ hơn 70 ngôn ngữ. Theo Slator đưa tin ngày 16/6/2026, mô hình này đang được triển khai qua Gemini Live API và Google AI Studio ở dạng public preview, vào private preview trong Google Meet cho một số khách hàng Workspace được chọn, và phát hành toàn cầu trong ứng dụng Google Dịch trên Android và iOS.

Con số quan trọng với Meet là mức trước và sau. Dịch giọng nói trong Meet trước đó bị giới hạn ở năm ngôn ngữ, và chỉ dịch từ hoặc sang tiếng Anh. Gemini 3.5 Live Translate mở rộng lên hơn 70 ngôn ngữ và trên 2.000 tổ hợp cặp ngôn ngữ, với kế hoạch mở rộng diện dùng trong phần còn lại của năm 2026. Với một đội nhóm Việt Nam, một hệ thống năm ngôn ngữ xoay quanh trục tiếng Anh gần như là không có gì; 2.000 cặp ngôn ngữ lại là một sản phẩm khác hẳn.

Google định vị mô hình này khá hẹp, và đó là dấu hiệu tốt chứ không phải dấu hiệu xấu. Theo Slator, tài liệu của Google phân biệt Live Translate với năng lực Live Agent rộng hơn của Gemini: nó hoạt động như một đường ống dịch thời gian thực, chỉ nhận đầu vào âm thanh, và cố ý lược bỏ function calling, search grounding, công cụ và system instructions. Nó là một thông dịch viên, không phải trợ lý — đúng ranh giới mà OpenAI đã vạch khi mô tả GPT-Realtime-Translate. Google cũng bổ sung chế độ "listening mode" trên Android, phát âm thanh đã dịch qua loa thoại, để bạn theo dõi bản dịch mà không phải đeo tai nghe lộ liễu giữa cuộc họp.

Vậy là lớp trực tiếp cho tiếng Việt đang tốt lên nhanh và tốt lên từ nhiều phía cùng lúc. Giờ đến câu hỏi còn lại.

Lằn ranh bản ghi: nơi tiếng Việt dừng lại

Nền tảng nào cũng có một lằn ranh. Một bên là các tính năng giúp bạn hiểu lời nói ngay lúc nó diễn ra. Bên kia là các tính năng biến lời nói thành thứ bạn còn giữ được vào tuần sau. Hãy gọi nó là lằn ranh bản ghi — và với tiếng Việt, đó chính xác là chỗ hỗ trợ biến mất.

Số ngôn ngữ là con số của chính Google, lấy từ bốn trang trợ giúp truy cập ngày 31/8/2026. Tiếng Việt có mặt ở cả hai tính năng nghe và vắng mặt ở cả hai tính năng ghi.

Đây là cùng thông tin đó ở dạng bảng, vì sự bất đối xứng dễ tranh luận hơn khi được xếp thẳng hàng.

Toàn bộ các dòng lấy từ trang trợ giúp của Google và bản tin Slator ngày 16/6/2026, truy cập ngày 31/8/2026.

Tám ngôn ngữ mà Transcripts và "Take notes for me" cùng hỗ trợ là y hệt nhau: tiếng Anh, Pháp, Đức, Ý, Nhật, Hàn, Bồ Đào Nha và Tây Ban Nha. Cùng một danh sách lặp lại hai lần, và đó là danh sách các thị trường lớn ở châu Âu và Đông Á. Tiếng Việt — khoảng 97 triệu người nói, theo chính con số Samsung đưa ra trong bài viết năm 2024 về công việc này — nằm ngoài danh sách đó, cùng với tiếng Thái, tiếng Indonesia, tiếng Hindi và tiếng Ả Rập.

Còn một ràng buộc nữa đánh trúng các đội song ngữ, và nó áp dụng cả với những đội làm việc hoàn toàn bằng ngôn ngữ được hỗ trợ. Trang trợ giúp của "Take notes for me" ghi rằng tính năng này hỗ trợ một ngôn ngữ tại một thời điểm và hiện chưa hỗ trợ nhiều ngôn ngữ được nói trong cùng một cuộc họp. Một cuộc gọi Việt–Mỹ chuyển qua lại giữa tiếng Việt và tiếng Anh bị loại hai lần: một lần vì tiếng Việt, một lần vì chuyện chuyển ngôn ngữ.

Cũng phải công bằng với Google: phụ đề dịch có một đường để lưu lại. Nếu bạn ghi hình cuộc họp và chọn Record captions, phụ đề sẽ được nhúng vào video. Và bạn có thể cuộn lên xem lại phụ đề đã dịch trong phiên. Nhưng phụ đề cháy vào file video không phải là một bản ghi tra cứu được — bạn không tìm kiếm được trong pixel, không sửa được một cái tên viết sai, và không sinh được bản tóm tắt từ đó. Phụ đề dịch trong Meet cũng chỉ có ở các gói Workspace trả phí: Business Standard, Business Plus, Enterprise Standard, Enterprise Plus, Enterprise Starter (còn dùng được đến 30/6/2025) và Google AI Pro for Education.

DeepL hiển thị phụ đề tiếng Việt, nhưng nhận dạng tiếng Việt nói là một tầng khác

DeepL Voice là lựa chọn thay thế mạnh nhất từ phương Tây, và câu chuyện tiếng Việt của nó là phần đáng học nhất trong cả bài này — vì DeepL ghi rõ sự phân biệt đó hơn bất kỳ ai.

DeepL chia hỗ trợ ngôn ngữ làm hai danh sách. Ngôn ngữ nói là thứ bộ nhận dạng chấp nhận. Ngôn ngữ dịch là thứ phụ đề có thể hiển thị. Tiếng Việt nằm trong danh sách dịch, danh sách này có 41 ngôn ngữ. Giờ nhìn sang phía kia: mô hình của chính DeepL nhận dạng được 18 ngôn ngữ nói — tiếng Trung (Quan Thoại), Séc, Hà Lan, Anh, Pháp, Đức, Indonesia, Ý, Nhật, Hàn, Ba Lan, Bồ Đào Nha, Romania, Nga, Tây Ban Nha, Thuỵ Điển, Thổ Nhĩ Kỳ và Ukraina. Tiếng Việt không có trong số đó.

Tiếng Việt có mặt ở vai trò ngôn ngữ nói, nhưng chỉ ở tầng thứ hai gồm 20 ngôn ngữ do một nhà cung cấp bên thứ ba là Speechmatics đảm nhiệm. Kèm theo là ba điều kiện, đều được ghi trên trang trợ giúp của DeepL truy cập ngày 31/8/2026:

1. Quản trị viên của nhóm phải bật xử lý dữ liệu qua bên thứ ba trong tài khoản quản trị trước khi bất kỳ ngôn ngữ nào trong nhóm này hoạt động.
2. Tự động nhận diện ngôn ngữ không dùng được. Nguyên văn DeepL: "Các ngôn ngữ bên thứ ba không hoạt động với Auto-detect language — chúng cần được chọn thủ công làm Spoken language."
3. Muốn để người tham dự tự chọn ngôn ngữ nói, chủ toạ phải bật mã truy cập khi kết nối cuộc họp với DeepL Voice.

Không điều nào trong đó là vô lý — DeepL cho biết Speechmatics hoạt động theo thoả thuận không lưu trữ, nên dữ liệu gỡ băng bị xoá khỏi máy chủ của họ ngay sau khi xử lý xong. Nhưng chồng các yêu cầu đó lại thì kết quả thực tế là: một người nói tiếng Việt tham gia cuộc họp có DeepL chỉ cách chuyện "không được gỡ băng chút nào" đúng một ô cài đặt quản trị chưa tick, và không thể trông chờ hệ thống tự nhận ra mình. Trong khi đó chính sách lưu trữ vẫn đúng như bài chúng tôi viết sáng nay — mục Hỏi đáp của DeepL nói dữ liệu cuộc họp được "xử lý tạm thời trong bộ nhớ và bị xoá khi cuộc gọi kết thúc".

Samsung là phản ví dụ đáng gọi tên. Tiếng Việt nằm trong 16 ngôn ngữ đầu tiên mà Galaxy AI phát hành, và Trung tâm Nghiên cứu Samsung Việt Nam đã công bố một bài viết thẳng thắn hiếm thấy ngày 23/5/2024 về việc vì sao nó khó. Tiếng Việt có sáu thanh điệu; ví dụ trong bài là ma, mả và má — chỉ khác nhau ở thanh điệu. Ông Bùi Ngọc Tùng, trưởng nhóm ASR của trung tâm, mô tả mô hình phải phân biệt các khung âm thanh "khoảng 20 mili giây" để quyết định một chuỗi khung thuộc về từ nào. Khi một hãng điện thoại Hàn Quốc đầu tư vào mô hình hoá thanh điệu tiếng Việt còn một công ty dịch thuật châu Âu thì đẩy sang nhà thầu phụ, điều đó nói lên khá nhiều về cách thị trường định giá ngôn ngữ này.

Ở phía nguồn cung nhận dạng giọng nói, bức tranh sáng hơn phía ghi chú: Nova-3 của Deepgram liệt kê tiếng Việt là vi trong tài liệu mô hình và ngôn ngữ, truy cập ngày 31/8/2026 — một trong 58 ngôn ngữ mà chúng tôi đã đếm trong bài phân tích về những gì chữ "được hỗ trợ" đang che giấu.

Không hãng nào công bố tỷ lệ lỗi cho tiếng Việt trong cuộc họp, và các bộ dữ liệu giải thích vì sao

Chúng tôi đã đi tìm một con số để gắn vào chất lượng nhận dạng tiếng Việt trong cuộc họp. Không có con số nào cả, và lý do còn hữu ích hơn con số đó.

Số giờ có nhãn chưa phải toàn bộ câu chuyện — phong cách nói mới là điều quyết định. FLEURS là giọng đọc; tập huấn luyện của PhoWhisper trải rộng theo giọng vùng miền; VietSuperSpeech là bộ đầu tiên dựng riêng cho hội thoại đời thường. Nguồn ghi ở danh sách cuối bài.

Chuẩn đo mà ai cũng trích cho tiếng Việt là FLEURS, cung cấp khoảng 12 giờ giọng đọc thành tiếng cho mỗi ngôn ngữ. Giọng đọc không phải giọng họp. PhoWhisper, công bố tại nhánh Tiny Papers của ICLR 2024, tinh chỉnh Whisper trên bộ dữ liệu tiếng Việt 844 giờ chọn theo độ đa dạng giọng vùng miền, và đó là một bước tiến thật về phía thực tế. VietASR, công bố ngày 23/5/2025, đi đường khác — tiền huấn luyện trên 70.000 giờ âm thanh không nhãn rồi tinh chỉnh trên vỏn vẹn 50 giờ có nhãn — và báo cáo vượt Whisper Large-v3 cùng các hệ thống thương mại trên dữ liệu thực tế.

Rồi đến bài báo nói toạc phần mà ai cũng lảng tránh. VietSuperSpeech, phát hành năm 2026, tập hợp 52.023 cặp âm thanh–văn bản tổng cộng 267,39 giờ hội thoại tiếng Việt đời thường, chia thành 240,67 giờ huấn luyện và 26,72 giờ đánh giá, gồm 13,8 triệu ký tự tiếng Việt có dấu đầy đủ. Động cơ mà nhóm tác giả nêu ra chính là câu đáng trích:

"Trong khi các bộ ngữ liệu như VLSP2020, VIET_BUD500, VietSpeech, FLEURS, VietMed, Sub-GigaSpeech2-Vi, viVoice và Sub-PhoAudioBook bao phủ rộng giọng nói trang trọng và giọng đọc, không bộ nào nhắm riêng vào phong cách đời thường, tự phát — thứ không thể thiếu cho các ứng dụng AI hội thoại."

Tám bộ ngữ liệu tiếng Việt được nêu tên, và cho đến bộ này, không bộ nào được dựng cho cách người ta thật sự nói trong một cuộc họp — cắt lời, rào đón, chêm tiếng Anh cho tên sản phẩm, rồi bỏ lửng câu. Bất kỳ con số độ chính xác nào một nhà cung cấp báo cho bạn về tiếng Việt gần như chắc chắn được đo trên người đang đọc kịch bản.

Hệ quả vận hành thì đơn giản, và vẫn là hệ quả chúng tôi liên tục đi đến. Nếu bạn không tra được độ chính xác của bản gỡ băng cuộc họp mình, phòng tuyến duy nhất là một transcript mà con người đọc và sửa được. Mà muốn vậy thì trước hết phải có transcript đã.

Cách ghi âm cuộc họp song ngữ Việt–Anh sao cho bản ghi còn lại

Sáu bước, theo đúng thứ tự chúng diễn ra. Mỗi bước xử lý một điểm hỏng cụ thể đã nêu ở trên.

1. Xác định công cụ nào lo phần hiểu và công cụ nào lo phần bản ghi — và chấp nhận rằng đó là hai công cụ khác nhau. Đây là cả bài viết gói trong một câu. Google Dịch hoặc phụ đề Meet lo được việc thứ nhất cho tiếng Việt ngay hôm nay. Cả hai đều không lo được việc thứ hai.
2. Đặt tiếng Việt làm ngôn ngữ nói một cách tường minh; đừng dựa vào tự động nhận diện. Trên DeepL đây là bắt buộc — các ngôn ngữ bên thứ ba, trong đó có tiếng Việt, không tự nhận diện được. Ở mọi nơi khác thì đây vẫn là lựa chọn tốt hơn, vì tự động nhận diện phải chốt một phỏng đoán trong vài giây đầu, trên đoạn âm thanh ít ngữ cảnh nhất của cả phiên.
3. Kiểm tra danh sách ngôn ngữ của đúng tính năng lưu bản ghi, chứ không phải của nền tảng. Cái bẫy mà bài này sinh ra để mô tả là giả định rằng một nền tảng dịch được tiếng Việt thì cũng gỡ băng được tiếng Việt. Trong Google Meet, 69 so với 8 chính là khoảng cách giữa hai giả định đó.
4. Gọi tên vấn đề chêm ngôn ngữ trước khi họp. Nếu đội bạn chêm tên sản phẩm, mã ticket và từ viết tắt tiếng Anh vào câu tiếng Việt — mà đội kỹ thuật offshore nào cũng vậy — hãy xác nhận công cụ lưu bản ghi của bạn chịu được hai ngôn ngữ trong một phiên. Trình ghi chú của Meet thì công khai là không.
5. Sửa danh từ riêng trong năm phút đầu, ngay lúc đang họp. Dấu tiếng Việt và tên mã sản phẩm tiếng Anh là hai chỗ nhận dạng hỏng thường xuyên nhất, và cũng là hai chỗ mà một dòng sai gây thiệt hại lớn nhất cho mọi bản tóm tắt dựng trên đó. Sửa trong lúc họp chỉ tốn vài giây.
6. Giữ văn bản gốc tiếng Việt, bản dịch tiếng Anh và bản tóm tắt trong cùng một bản ghi. Không phải ba file nằm ở ba công cụ. Dịch là quá trình một chiều: sang năm bạn có thể dịch lại từ tiếng Việt bằng mô hình tốt hơn, nhưng không bao giờ khôi phục được tiếng Việt từ tiếng Anh.

Nếu thứ bạn cần là hướng dẫn thao tác từng bước thay vì phân tích thị trường, bài hướng dẫn hồi tháng 6 của chúng tôi dành cho đội nhóm Việt Nam đi trọn quy trình biến bản ghi họp song ngữ thành ghi chú AI kiểm tra được.

Điểm mấu chốt: tiếng Việt đã vượt qua khoảng cách về hiểu, chưa vượt qua khoảng cách về bản ghi

Suốt gần một thập kỷ, lời than về tiếng Việt trong các cuộc họp quốc tế là công nghệ hiểu chưa đủ tốt. Đến năm 2026, lời than đó gần như hết hạn. Giữa 74 ngôn ngữ của Live translate, 69 của phụ đề dịch trong Meet, hơn 2.000 cặp ngôn ngữ sắp vào Meet qua Gemini 3.5 Live Translate, tiếng Việt trong Nova-3, và việc Samsung đã chạy thông dịch tiếng Việt ngay trên máy từ 2024 — phần hiểu đã xong.

Thứ chưa nhúc nhích là bản ghi. Hai tính năng của Google tạo ra sản phẩm lưu lại được cộng lại hỗ trợ tám ngôn ngữ, vẫn đúng tám ngôn ngữ đó, và tiếng Việt không có trong cả hai. DeepL thì hiển thị phụ đề sang tiếng Việt nhưng đẩy việc nhận dạng tiếng Việt sang nhà thầu phụ, sau một công tắc của quản trị viên. Thị trường đã quyết định rằng tiếng Việt là ngôn ngữ đáng nghe, còn chưa phải ngôn ngữ đáng ghi lại.

Vậy câu hỏi cần đặt ra với nhà cung cấp không phải là họ có hỗ trợ tiếng Việt hay không. Gần như tất cả bây giờ đều nói có, và gần như tất cả đều đang nói về nửa phần nghe. Câu hỏi là: những tính năng nào của các anh hỗ trợ tiếng Việt sau khi cuộc gọi kết thúc — và cho tôi xem danh sách ngôn ngữ của riêng tính năng đó được không?

---

Telli.sh nằm ở đâu: lớp bản ghi chính là lớp chúng tôi xây. Telli.sh gỡ băng cuộc họp bằng đúng ngôn ngữ đã được nói, dịch sang 44 ngôn ngữ đích trong đó có tiếng Việt, và giữ cả ba thành phần trong cùng một ghi chú — văn bản gốc tiếng Việt, bản dịch khớp theo từng dòng, và bản tóm tắt dựng trên đó. Giao diện có sẵn 15 ngôn ngữ, gồm cả tiếng Việt, nên một đội ở Đà Nẵng và một khách hàng ở Sydney đọc cùng một cuộc họp bằng ngôn ngữ của mình mà vẫn chung một bản ghi sửa được.

Bắt đầu một ghi chú cuộc họp dịch trực tiếp

Nguồn

• Google Translate Help, "Hear live speech to speech translations with Live translate" (Android), truy cập 31/8/2026 — danh sách 74 ngôn ngữ có tiếng Việt, bốn chế độ dịch, chế độ face to face và việc chạy nền.
• Google Translate Help, "Download languages to use offline" (Android), truy cập 31/8/2026 — gói ngoại tuyến và bản nâng cấp chất lượng cao hơn.
• Google Meet Help, "Use translated captions in Google Meet", truy cập 31/8/2026 — danh sách 69 ngôn ngữ có tiếng Việt, các gói Workspace trả phí và Record captions.
• Google Meet Help, "Use Transcripts with Google Meet", truy cập 31/8/2026 — tám ngôn ngữ được hỗ trợ cho transcript.
• Google Meet Help, "'Take notes for me' in Google Meet", truy cập 31/8/2026 — cùng tám ngôn ngữ đó, và giới hạn mỗi lần một ngôn ngữ.
• Slator, "Google Expands AI Live Speech Translation with Gemini 3.5 Live Translate", 16/6/2026 — công bố ngày 9/6, hơn 70 ngôn ngữ, Meet từ năm ngôn ngữ lên hơn 2.000 cặp, và listening mode.
• DeepL Help Center, "DeepL Voice languages", truy cập 31/8/2026 — 18 ngôn ngữ nói do DeepL nhận dạng, 20 ngôn ngữ nói qua bên thứ ba gồm tiếng Việt, 41 ngôn ngữ dịch, giới hạn tự động nhận diện và thoả thuận không lưu trữ với Speechmatics.
• Samsung Newsroom, "The Learning Curve, Part 3: Taking AI Data From Good to Great", 23/5/2024 — tiếng Việt trong 16 ngôn ngữ đầu tiên của Galaxy AI, sáu thanh điệu, ví dụ ma/mả/má và mô tả khung 20 mili giây.
• Deepgram, Models & Languages Overview, truy cập 31/8/2026 — tiếng Việt (vi) trong danh sách ngôn ngữ của Nova-3.
• Le, Nguyen và Nguyen, "PhoWhisper: Automatic Speech Recognition for Vietnamese", ICLR 2024 Tiny Papers — tập tinh chỉnh 844 giờ đa dạng giọng vùng miền.
• "VietASR: Achieving Industry-level Vietnamese ASR with 50-hour labeled data and Large-Scale Speech Pretraining", 23/5/2025 — 70.000 giờ không nhãn, 50 giờ có nhãn.
• "VietSuperSpeech: A Large-Scale Vietnamese Conversational Speech Dataset", 2026 — 52.023 cặp, 267,39 giờ và khoảng trống phong cách nói của tám bộ ngữ liệu.