Robot hình người trò chuyện nhờ một chuỗi phần mềm: micro thu âm thanh, nhận dạng giọng nói chuyển âm thanh thành văn bản, mô hình ngôn ngữ soạn câu trả lời phù hợp với persona và kiến thức về sự kiện, rồi tổng hợp giọng nói đọc câu trả lời đó. Chất lượng cuộc trò chuyện phụ thuộc vào phần mềm, kiến thức đã chuẩn bị và điều kiện âm thanh, không chỉ vào bản thân robot.
Mục lục
Cuộc trò chuyện với robot hình người diễn ra từng bước như thế nào?Robot hình người nghe được gì và xử lý tiếng ồn ra sao?Làm sao robot hình người biết phải nói gì?Vì sao tốc độ phản hồi của robot lại quan trọng đến vậy?Robot hình người dùng được bao nhiêu ngôn ngữ và giọng nói nào?Có phải cho mọi người biết họ đang nói chuyện với AI không?Cần kiểm tra gì trước sự kiện có robot biết trò chuyện?Chọn đối tác về hội thoại cho robot hình người như thế nào?Robot hình người trò chuyện với con người thông qua một chuỗi phần mềm: micro thu âm thanh, công nghệ nhận dạng giọng nói chuyển âm thanh thành văn bản, mô hình ngôn ngữ soạn câu trả lời phù hợp với persona của robot và những gì robot biết về sự kiện, rồi công nghệ tổng hợp giọng nói biến câu trả lời đó thành giọng nói bạn nghe từ loa. Bản thân robot (ví dụ Unitree G1) cung cấp “tai”, “miệng” và chuyển động; chất lượng cuộc trò chuyện phụ thuộc vào phần mềm và vào việc phần mềm được chuẩn bị tốt đến đâu cho một địa điểm cụ thể.
Cuộc trò chuyện với robot hình người diễn ra từng bước như thế nào?
Cuộc trò chuyện với robot hình người đi qua năm giai đoạn, lặp lại trong mỗi lượt trao đổi:
| Giai đoạn | Điều gì diễn ra | Chất lượng phụ thuộc vào |
|---|---|---|
| Lắng nghe | micro của robot (hoặc micro bên ngoài) thu âm thanh | tiếng ồn, khoảng cách đến người nói, tiếng vang trong phòng |
| Nhận biết lượt nói | hệ thống xác định khi nào một người bắt đầu và nói xong | thiết lập độ nhạy, tiếng nói chuyện xung quanh |
| Nhận dạng giọng nói | lời nói được chuyển thành văn bản | ngôn ngữ, giọng địa phương, tên riêng, giọng trẻ em |
| Trả lời | mô hình ngôn ngữ soạn câu trả lời dựa trên persona và kiến thức | chất lượng mô tả persona và cơ sở kiến thức, quy tắc về chủ đề |
| Giọng nói và chuyển động | tổng hợp giọng nói, loa, cử chỉ | giọng phù hợp với ngôn ngữ, âm lượng, hệ thống loa của địa điểm |
Chỉ một mắt xích yếu cũng làm hỏng cả chuỗi. Lỗi thường gặp nhất tại sự kiện không phải là “AI kém thông minh”, mà là robot nghe nhầm câu hỏi giữa tiếng ồn của đám đông rồi trả lời đúng một câu hỏi không ai đặt ra.

Robot hình người nghe được gì và xử lý tiếng ồn ra sao?
Robot hình người nghe qua dãy micro tích hợp, và ở địa điểm ồn ào, một micro bổ sung đặt gần miệng người nói thường hiệu quả hơn. Theo nhà sản xuất, Unitree G1 có dãy 4 micro và loa 5 W (thông số Unitree G1). Như vậy là đủ cho một cuộc trò chuyện trong văn phòng, showroom hoặc tại một gian hàng yên tĩnh.
Ở hội chợ, tiệc gala hay lễ hội, mọi thứ thay đổi: nhạc, loa sân khấu và hàng chục cuộc trò chuyện cùng lúc đều đến cùng một bộ micro. Những điều giúp ích trong thực tế:
- khách bước lại gần robot và nói thẳng với robot, không nói từ bên cạnh,
- micro cầm tay hoặc micro định hướng cho khách trên sân khấu và trong tọa đàm,
- đặt gian hàng xa loa sân khấu,
- cung cấp trước cho hệ thống các tên riêng (thương hiệu, sản phẩm, tên diễn giả) để nhận dạng giọng nói không viết sai,
- thử nghiệm tại chính địa điểm, không chỉ trong văn phòng.
Điều tương tự áp dụng cho âm thanh đầu ra: loa tích hợp của robot đủ dùng khi trò chuyện trực tiếp với một người, nhưng khi xuất hiện trên sân khấu, âm thanh của robot cần được đưa vào hệ thống loa của địa điểm.
Làm sao robot hình người biết phải nói gì?
Câu trả lời của robot hình người do một mô hình ngôn ngữ soạn ra, mô hình này nhận mô tả persona, kiến thức về sự kiện và các quy tắc về những gì robot không được nói. Mô hình hiểu ngôn ngữ và thế giới nói chung, nhưng không biết gì về chương trình hội nghị, sản phẩm của khách hàng hay vị trí phòng gửi đồ. Những kiến thức đó phải được chuẩn bị.
Một gói chuẩn bị tốt bao gồm:
- persona: tên, tính cách, cách nói, độ dài câu trả lời,
- kiến thức: chương trình, diễn giả, sản phẩm, câu trả lời cho những câu hỏi thường gặp của khách,
- giới hạn: chủ đề cấm, cách từ chối, xử lý câu hỏi về chính trị hoặc đối thủ cạnh tranh,
- kịch bản: lời chào, lời mời chụp ảnh, chuyển khách cho nhân viên tại gian hàng.
MERA Robotics làm việc theo cách này: nội dung robot nói được chuẩn bị cho từng sự kiện cụ thể trong một hồ sơ sự kiện chứa kiến thức về khách hàng và chương trình, và robot có thể mang bản sắc thương hiệu riêng với tên, tính cách và kiến thức về sản phẩm.
Một số hệ thống kết hợp cuộc trò chuyện với hình ảnh từ camera. Khi đó robot nhận ra đồ vật trước mặt, chẳng hạn một mẫu sản phẩm đang trưng bày, và nhắc đến nó trong cuộc trò chuyện. Điều này hữu ích trong showroom và tại gian hàng, nơi khách hay hỏi “còn cái này là gì?”.
Vì sao tốc độ phản hồi của robot lại quan trọng đến vậy?
Tốc độ phản hồi của robot hình người quyết định cuộc trò chuyện có tự nhiên hay không, vì con người quen với những khoảng nghỉ rất ngắn giữa các lượt nói. Một nghiên cứu trên mười ngôn ngữ đăng trên tạp chí PNAS cho thấy ở mọi ngôn ngữ, khoảng nghỉ phổ biến nhất giữa lúc một người nói xong và lúc người kia bắt đầu trả lời chỉ là một phần nhỏ của giây (Stivers và cộng sự, PNAS 2009).
Không chuỗi nhận dạng giọng nói, mô hình ngôn ngữ và tổng hợp giọng nói nào trả lời nhanh như con người, nên các hệ thống robot bù lại bằng cách điều khiển cuộc trò chuyện:
- câu trả lời bắt đầu phát trước khi được tạo xong hoàn toàn,
- câu trả lời ngắn thay vì độc thoại dài,
- một cử chỉ hoặc cái gật đầu ngay sau câu hỏi, để khách biết robot đang lắng nghe,
- khả năng ngắt lời robot giữa câu.
Vấn đề thứ hai là thời điểm robot cho rằng người kia đã nói xong. Quá sớm thì robot chen ngang mỗi khi người nói dừng lại suy nghĩ. Quá muộn thì khách phải chờ trong im lặng. Thiết lập này nên phù hợp với khán giả: trẻ em và người nói bằng ngoại ngữ thường ngừng lâu hơn.
Robot hình người dùng được bao nhiêu ngôn ngữ và giọng nói nào?
Số ngôn ngữ và lựa chọn giọng nói phụ thuộc vào phần mềm hội thoại của robot hình người, không phụ thuộc vào phần cứng. MERA OS, hệ thống hội thoại do MERA Robotics phát triển, trò chuyện bằng hơn 70 ngôn ngữ, trong đó có tiếng Ba Lan và tiếng Anh, với giọng nói phù hợp từng ngôn ngữ và giọng bản ngữ. Tại một sự kiện quốc tế, robot có thể chào một vị khách bằng tiếng Anh và trò chuyện với người tiếp theo bằng tiếng Ba Lan.
Khi chọn giọng nói, hãy kiểm tra:
- giọng có phù hợp với persona không (độ tuổi, tính khí, thương hiệu),
- giọng có tự nhiên trong ngôn ngữ đó không, hay nghe như dịch từ tiếng Anh,
- giọng phát âm tên riêng của khách hàng ra sao,
- tốc độ nói có còn dễ hiểu trong môi trường ồn không.
Có phải cho mọi người biết họ đang nói chuyện với AI không?
Có: tại Liên minh châu Âu, nghĩa vụ thông báo cho mọi người rằng họ đang nói chuyện với AI xuất phát từ quy định minh bạch của AI Act, áp dụng từ tháng 8 năm 2026. Quy định này yêu cầu hệ thống AI dùng để tương tác trực tiếp với con người phải được thiết kế sao cho những người đó được thông báo rằng họ đang tương tác với một hệ thống AI, trừ khi điều đó là hiển nhiên (AI Act, điều khoản về minh bạch, điều khoản về hiệu lực). Thông tin phải rõ ràng và được đưa ra muộn nhất ở lần tương tác đầu tiên.
Với robot hình người, việc một cỗ máy đang nói thường là hiển nhiên. Dù vậy, một câu trong lời chào của robot hoặc một tấm biển tại gian hàng là việc đơn giản và xóa bỏ mọi nghi ngờ. Dữ liệu là một câu hỏi riêng: nếu cuộc trò chuyện được ghi âm hoặc lưu lại, khách cần được biết.
Cần kiểm tra gì trước sự kiện có robot biết trò chuyện?
Trước sự kiện có robot hình người biết trò chuyện, hãy kiểm tra bảy điều:
- Thử trò chuyện tại chính địa điểm hoặc trong mức ồn tương tự.
- Danh sách tên riêng robot phải nhận ra và phát âm đúng.
- Persona và độ dài câu trả lời đã được khách hàng duyệt.
- Danh sách chủ đề cấm và cách robot từ chối.
- Kế hoạch sân khấu: micro cho khách, kết nối với hệ thống loa.
- Thông báo cho khách biết họ đang nói chuyện với AI.
- Nhân viên vận hành tại chỗ, người có thể tiếp quản, đổi ngôn ngữ hoặc dừng robot.
Các mẫu robot có thể dùng cho sự kiện nằm trong danh mục robot cho thuê và bán.
Chọn đối tác về hội thoại cho robot hình người như thế nào?
Hãy đánh giá đối tác về hội thoại cho robot hình người theo những tiêu chí bạn kiểm chứng được trước khi ký hợp đồng:
- phần mềm hội thoại riêng, thay vì một ứng dụng cứng nhắc duy nhất của nhà sản xuất,
- số ngôn ngữ và độ tự nhiên của giọng nói trong ngôn ngữ của bạn,
- persona và kiến thức được chuẩn bị cho sự kiện của bạn, không phải một chatbot chung chung,
- nhân viên vận hành tại chỗ, người phản ứng khi có sự cố,
- các mẫu robot có thể thuê hoặc mua,
- kinh nghiệm tổ chức sự kiện trong nước và ở nước ngoài.
Câu hỏi thường gặp
Robot hình người có hiểu những gì người ta nói với nó không?
Robot hình người chuyển lời nói thành văn bản, còn mô hình ngôn ngữ hiểu ý nghĩa và soạn câu trả lời. Robot hiểu câu hỏi bằng ngôn ngữ tự nhiên, nhưng kiến thức về một sự kiện, sản phẩm hay chương trình cụ thể phải được chuẩn bị trước.
Vì sao đôi khi robot trả lời lạc đề?
Thường là vì robot nghe nhầm câu hỏi giữa tiếng ồn: nhận dạng giọng nói ghi ra những từ khác, và mô hình trả lời đúng câu hỏi đã bị ghi sai. Nói ở khoảng cách gần, dùng micro cho khách và cung cấp trước tên riêng cho hệ thống đều giúp ích.
Robot hình người có thể nói nhiều ngôn ngữ trong một sự kiện không?
Có, nếu phần mềm hội thoại hỗ trợ. MERA OS, hệ thống của MERA Robotics, trò chuyện bằng hơn 70 ngôn ngữ, trong đó có tiếng Ba Lan và tiếng Anh, với giọng nói phù hợp từng ngôn ngữ.
Có phải cho khách biết họ đang nói chuyện với AI không?
Tại EU, quy định minh bạch của AI Act, áp dụng từ tháng 8 năm 2026, yêu cầu người tương tác trực tiếp với hệ thống AI phải được thông báo, trừ khi điều đó là hiển nhiên. Với robot hình người, một câu trong lời chào hoặc một tấm biển tại gian hàng thường là đủ.












