Giọng nói đã được coi là tương lai của máy tính suốt khoảng mười lăm năm. Siri ra mắt năm 2011. Mỗi năm sau đó, lại có người viết một bài tuyên bố rằng những ngày tháng của bàn phím đã được đếm. Và năm nào bạn cũng vẫn cứ gõ phím.
Vậy nên có một câu hỏi đáng để hoài nghi: tại sao mười năm tới lại phá vỡ được quy luật đó? Tôi nghĩ là sẽ phá vỡ, nhưng không phải vì lý do mà các bài cường điệu đưa ra. Giọng nói không thua suốt ngần ấy năm vì nó chậm. Nó thua vì những gì xảy ra *sau khi* bạn nói xong.
Khoảng cách đó đáng để ngẫm. Thứ duy nhất thật sự kìm hãm giọng nói vừa được giải quyết một cách lặng lẽ, và phần lớn mọi người vẫn chưa bắt kịp. Đây là góc nhìn về máy tính ưu tiên giọng nói, với những phần trung thực được giữ nguyên.
Lời tiên đoán cứ mãi sai
Có một lời tiên đoán công nghệ cứ vài năm lại quay về như sao chổi: gõ phím sắp chết, giọng nói sẽ lên ngôi. Nó xuất hiện cùng Siri, rồi Alexa, rồi mọi làn sóng ứng dụng đọc chính tả sau đó. Bàn phím lúc nào cũng sắp bị thay thế. Nhưng chưa bao giờ bị thay.
Nếu muốn biết lý do, hãy quan sát điều gì xảy ra khi ai đó lần đầu thử tính năng đọc chính tả tích hợp sẵn trên máy Mac. Họ nói một đoạn văn. Bản ghi trả về với từng tiếng "ờm" còn nguyên, hai lần ngập ngừng nối liền vào nhau, và một câu kéo dài bốn mươi từ vì họ không ngắt nghỉ. Họ mất vài phút để dọn dẹp, kết luận rằng gõ phím có lẽ còn nhanh hơn, rồi lặng lẽ quay lại với bàn phím chỉ trong một tuần.
Đó là toàn bộ câu chuyện vì sao giọng nói cứ mãi thua. Lời hứa là "đừng gõ phím nữa." Thực tế lại là "gõ ít hơn, sửa nhiều hơn." Người ta không quay lưng với giọng nói vì nó không theo kịp họ. Họ quay lưng vì công sức dọn dẹp đã lấy lại đúng phần thời gian mà việc nói đã tiết kiệm được.
Giọng nói chưa bao giờ là khâu chậm
Đây là phần bị lãng quên trong những tranh cãi qua lại. Về tốc độ thuần túy, cuộc tranh luận này đã ngã ngũ từ cả thập kỷ trước, và giọng nói thắng dễ dàng.
Một người gõ phím máy tính khá thành thạo đạt khoảng 40 từ mỗi phút. Lời nói thoải mái nằm gần 150 từ mỗi phút mà chẳng cần gắng sức gì. Giọng nói trong đầu bạn, cái giọng đang sắp xếp câu chữ trước khi ngón tay kịp theo, còn chạy nhanh hơn nữa. Gõ phím là chặng chậm nhất trong chuỗi đó, chậm hơn rất nhiều.
Đây không chỉ là phỏng đoán vu vơ. Năm 2016, các nhà nghiên cứu tại Stanford, Baidu và Đại học Washington đã thực hiện một nghiên cứu đối đầu: nói văn bản vào điện thoại nhanh gấp ba lần gõ bằng ngón cái, và phiên bản nói còn có tỷ lệ lỗi *thấp hơn 20 phần trăm* nữa. Nhanh hơn và chính xác hơn, trong cùng một bài kiểm tra, từ mười năm trước.
Vậy nên tốc độ chưa bao giờ là điểm nghẽn. Nút thắt nằm ở một bước phía sau, trong bản ghi lộn xộn mà bạn nhận về sau đó. Sửa được bước đó thì cả phương trình thay đổi.
Điều thật sự đã thay đổi: lớp AI giữa lời nói và văn bản
Mảnh ghép còn thiếu chưa bao giờ là một chiếc micro tốt hơn. Đó là một lớp có thể biến lời nói thô thành văn bản hoàn chỉnh mà bạn không phải tự hoàn thiện. Hai thứ đã chín muồi gần như cùng lúc để điều đó thành khả thi.
Thứ nhất, công nghệ chuyển giọng nói thành chữ đã thật sự tốt. Các mô hình giọng nói hàng đầu hiện nay đạt dưới 5 phần trăm tỷ lệ lỗi từ với tiếng Anh hội thoại rõ ràng, và các mô hình mở như Whisper đạt gần 3 phần trăm. Khâu thu âm thô không còn là mắt xích yếu nữa.
Thứ hai, và đây mới là chuyển biến thực sự, các mô hình ngôn ngữ lớn đã đủ giỏi để *viết lại* một bản ghi thay vì chỉ lưu trữ nó. Cùng loại mô hình soạn email đó có thể lấy đoạn nói lan man của bạn, lược bỏ từ thừa, sửa ngữ pháp, và chia bức tường lời nói thành những đoạn văn thực thụ. Đầu ra không còn là bản ghi âm những gì bạn đã nói mà trở thành bản nháp của những gì bạn muốn nói.
Lớp thứ hai đó chính là tất cả. Nó là sự khác biệt giữa kiểu đọc chính tả giao cho bạn một đống bài tập về nhà và kiểu đọc chính tả trao cho bạn thứ có thể gửi đi luôn. Đây chính xác là việc Voicr làm: bạn giữ một phím và nói bình thường, còn văn bản đến với khay nhớ tạm đã được trau chuốt sẵn, những tiếng "ờm" biến mất và câu cú đã được dọn dẹp. Cái thuế dọn dẹp đã giết chết giọng nói suốt hai mươi năm chính là phần nó lặng lẽ lo cho bạn.
Sự dịch chuyển đã hiện rõ trong dữ liệu
Nếu đây chỉ là một lý thuyết hay ho, bạn sẽ chờ đợi các con số sử dụng đứng yên. Nhưng không phải vậy.
Lượng người dùng trợ lý giọng nói tại Mỹ được dự báo vượt 157 triệu người vào năm 2026, và khoảng một phần ba mọi người giờ đây tìm kiếm bằng giọng nói hàng ngày thay vì gõ chữ. Đã có hàng tỷ thiết bị hỗ trợ giọng nói nằm sẵn trong túi và trên bàn làm việc. Hành vi này không chờ ai cho phép; nó đang lan rộng.
Tín hiệu rõ nhất đến từ những người lao động trẻ nhất. Nghiên cứu được Fortune đưa tin cho thấy thế hệ Gen Alpha có thể bước vào lực lượng lao động mà chưa từng viết một email trang trọng nào, thay vào đó mặc định gửi tin nhắn thoại cho sếp. Dù email có tồn tại tiếp hay không, hướng đi rất khó bỏ qua: với những người lớn lên cùng việc giữ nút ghi âm để nói chuyện, gõ một đoạn văn vốn đã là lựa chọn chậm chạp.
Tất cả những điều này không có nghĩa là bàn phím biến mất ngay quý sau. Nó có nghĩa là điểm mặc định đang dịch chuyển. Ưu tiên giọng nói không còn là một dự báo nữa; nó là một đường xu hướng mà bạn đã có thể vẽ ra, và nó chỉ về một hướng.
Máy tính ưu tiên giọng nói thực sự trông như thế nào
"Ưu tiên giọng nói" nghe như một căn bếp khoa học viễn tưởng biết nói lại với bạn. Phiên bản thật thì lặng lẽ hơn thế, và thành thật mà nói là hữu ích hơn.
Nó có nghĩa là giọng nói trở thành cách mặc định để bạn đưa một ý nghĩ lên trang giấy, còn bàn phím trở thành công cụ bạn cầm lên để tinh chỉnh. Bạn nói ra email, câu trả lời trên Slack, bản nháp thô đầu tiên, ghi chú cho chính mình. Rồi bạn đọc lại và sửa một cụm từ chưa ổn bằng vài phím gõ. Thu nhận bằng giọng nói, chỉnh sửa bằng tay.
Phần khiến điều này thực sự sống được là sắc thái. Bạn không nói chuyện với sếp theo kiểu bạn nói trong nhóm chat, và một công cụ san phẳng mọi thứ thành một giọng duy nhất sẽ nhanh chóng bị bỏ rơi. Một thiết lập ưu tiên giọng nói điều chỉnh đầu ra theo nơi nó sẽ đến: thoải mái trong chat, chỉn chu trong email, mộc mạc trong một dòng chú thích mã. Bạn nói theo cùng một cách mỗi lần và phần văn bản tự thay đổi cho hợp ngữ cảnh. Tôi đã viết về việc điều này thay đổi quy trình làm việc hàng ngày của tôi ra sao trong cách tôi dùng AI để thu hẹp khoảng cách giữa suy nghĩ và viết lách.
Hãy để ý bức tranh này không phải là gì. Nó không phải là một thế giới không còn bàn phím. Nó là một thế giới nơi bạn nói trước rồi mới gõ sau, thay vì gõ mọi thứ từ con số không.
Bàn phím vẫn giữ lại điều gì
Một góc nhìn về máy tính ưu tiên giọng nói mà giả vờ rằng bàn phím trở nên vô dụng thì không đáng tin. Có những công việc thực sự mà giọng nói làm dở, và chúng chưa đi đâu sớm cả.
Một số việc vẫn nhanh hơn khi gõ phím: - Mã lệnh và bất cứ thứ gì nhiều ký hiệu. Đọc chính tả bắt được từ ngữ; nhưng nó lóng ngóng với dấu ngoặc, dấu gạch dưới và tên biến chính xác. Bạn vẫn phải gõ mã. - Không gian ồn ào hoặc dùng chung. Nói với laptop trong một căn phòng yên tĩnh thì ổn. Làm vậy trên một chuyến tàu đông đúc hoặc trong văn phòng mở cạnh một người đang gọi điện thì không. - Bất cứ điều gì bạn không muốn nói thành tiếng. Một lời góp ý gay gắt, một câu trả lời nhạy cảm, một tin nhắn bạn không muốn người bên cạnh nghe lỏm. Bàn phím riêng tư theo cách mà giọng nói không có được. - Chỉnh sửa tỉ mỉ. Khi bản nháp về cơ bản đã ổn, dời một dấu phẩy hay thay một từ thì nhanh hơn bằng một phím gõ thay vì bằng cả một câu.
Vậy nên một phần câu trả lời cho "liệu chúng ta còn gõ phím" đơn giản là có, cho những việc này. Điều thay đổi là bàn phím thôi không còn là thứ bạn dùng để làm mọi việc và trở thành một công cụ chuyên dụng bạn cầm lên khi giọng nói không phù hợp. Đó là một sự giáng cấp, không phải tuyệt chủng.
Điều gì đến sau giọng nói
Nếu nhìn ra trọn vẹn mười năm, giọng nói thậm chí còn chẳng phải điểm dừng cuối. Những phương thức nhập liệu viễn tưởng hơn đã có sẵn trong phòng thí nghiệm.
Meta đã trình diễn một vòng đeo tay đọc tín hiệu điện trong cơ bắp của bạn, cho phép bạn "gõ" bằng những cử động nhỏ của ngón tay trên bất kỳ bề mặt nào, không cần bàn phím. Đó là một công trình nghiên cứu thực sự ấn tượng. Nhưng hãy để ý các con số: người thử nghiệm ban đầu đạt khoảng 21 từ mỗi phút khi viết bằng cử chỉ tay. Con số đó vượt một số kiểu gõ bằng ngón cái, và nó vượt xa hẳn khi xét như một công cụ trợ năng, nhưng vẫn chỉ là một phần nhỏ của 150 từ mỗi phút mà bạn có được chỉ bằng cách nói.
Đó là điểm mấu chốt lặng lẽ trong tất cả chuyện này. Trong tương lai gần, giọng nói của bạn là kênh nhanh nhất giữa một ý nghĩ và văn bản hoàn chỉnh mà không cần đến phẫu thuật hay khoa học viễn tưởng. Nhập liệu thần kinh đang đến, và nó sẽ quan trọng nhất với những người không thể nói hay gõ phím một cách thoải mái. Với tất cả những người còn lại, giọng nói là cây cầu chúng ta băng qua trước, và nó đã có ở đây rồi.
Vậy, chúng ta có còn gõ phím không?
Có. Nhưng trong vòng mười năm, gõ phím trở thành ngoại lệ thay vì phản xạ. Nó biến thành thứ bạn cầm lên khi giọng nói không hợp với khoảnh khắc đó, giống như cách bạn cầm bút ngày nay: hữu ích, có chủ đích, và không còn là cách bạn viết phần lớn những gì mình viết.
Lý do lần này khác biệt chẳng liên quan gì đến việc giọng nói trở nên nhanh hơn. Nó vốn luôn nhanh hơn. Vấn đề là khâu dọn dẹp cuối cùng đã được lo, nên việc nói không còn đồng nghĩa với việc đăng ký một buổi chỉnh sửa sau đó. Bỏ đi cái thuế ấy thì công cụ chậm nhất trên bàn của bạn chẳng còn mấy điểm gì đáng để chọn cho việc viết hàng ngày.
Bạn không cần phải tin vào dự báo mười năm mới có thể kiểm chứng tiền đề. Hãy chọn câu trả lời tiếp theo của bạn cần dài hơn hai dòng. Thay vì gõ nó, hãy giữ một phím đọc chính tả, nói ra điều bạn muốn nói mà không cần kịch bản, rồi đọc lại xem cái gì ổn. Nếu bạn muốn nó cho ra văn bản trau chuốt thay vì thô, đó chính là toàn bộ lý do Voicr tồn tại: giữ FN, nói, dán, và văn bản hiện ra sạch sẽ, khớp với ứng dụng bạn đang dùng. Gói miễn phí cho 5.000 từ mỗi tháng, đủ để bạn tìm ra liệu mình đã đang sống trong cái tương lai mà các tiêu đề báo chí cứ hứa hẹn hay chưa.