Chuyển giọng nói thành văn bản bằng AI: cách làm miễn phí trên điện thoại, máy tính, Google Docs, Word và file ghi âm

Chuyển giọng nói thành văn bản là gì?

Chuyển giọng nói thành văn bản (speech to text) là việc dùng AI nhận dạng tiếng nói để biến lời nói thành chữ. Có hai kiểu dùng: nói trực tiếp để gõ thay bàn phím (đọc chính tả), và chép lời một file ghi âm, video, cuộc họp có sẵn. Độ chính xác phụ thuộc micro, tiếng ồn, tốc độ nói và giọng vùng miền; tên riêng, con số và thuật ngữ là chỗ hay sai, nên luôn đọc lại trước khi dùng.

Gõ bằng giọng nói miễn phí trên máy tính

Các cách có sẵn, nói tiếng Việt được:

• Google Tài liệu: vào Công cụ, chọn Nhập bằng giọng nói, chọn tiếng Việt rồi bấm micro. Theo trợ giúp của Google, tính năng chạy trên Chrome, Edge, Safari bản mới; lệnh thoại để chọn chữ, định dạng chỉ có tiếng Anh, và tài khoản công ty, trường học có thể bị quản trị viên tắt.
• Windows 11: bấm phím Windows và H để mở nhập bằng giọng nói, có tiếng Việt. Microsoft ghi tính năng dùng nhận dạng trực tuyến của Azure Speech, nên cần mạng.
• Mac: Đọc chính tả có tiếng Việt chạy ngay trên máy sau khi tải mô hình giọng nói; đọc dài bao lâu cũng được, tự dừng khi im lặng 30 giây.
• Microsoft Word: nút Đọc chính tả có tiếng Việt ở dạng ngôn ngữ xem trước, có thể kém chính xác và ít dấu câu hơn; chỉ có cho thuê bao Microsoft 365 và cần mạng ổn định.

Gõ bằng giọng nói trên điện thoại

Trên điện thoại có sẵn vài lựa chọn tiếng Việt:

• iPhone, iPad: vào Cài đặt, Cài đặt chung, Bàn phím, bật Đọc chính tả, rồi bấm biểu tượng micro trên bàn phím. Apple xử lý tiếng Việt ngay trên máy nên không cần mạng; máy tự dừng sau 30 giây im lặng.
• Android: bàn phím Gboard có nút micro để nói thay gõ; Google ghi tính năng này không chạy với mọi ngôn ngữ và không đưa danh sách, nên hãy thử tiếng Việt trên máy bạn.
• Chép lời trực tiếp (Live Transcribe) của Google chép lời theo thời gian thực, có gói tiếng Việt dùng không cần mạng trên Android 12 trở lên; mặc định không lưu bản chép.
• Phụ đề trực tiếp (Live Caption) có tiếng Việt trên Pixel 6 trở lên và một số máy Android 14, xử lý trên máy, không gửi âm thanh về Google.
• Samsung Galaxy: Hỗ trợ phiên âm trong ứng dụng Ghi âm có tiếng Việt, cần mạng và tài khoản Samsung, file dưới 3 giờ; tính năng AI khác có ở bài Galaxy AI là gì.
• Ứng dụng Ghi âm (Voice Memos) và Ghi chú của iPhone chép lời được 10 ngôn ngữ nhưng chưa có tiếng Việt.

Chuyển file ghi âm thành văn bản bằng Gemini, ChatGPT

Có sẵn file ghi âm buổi học, phỏng vấn, cuộc họp thì tải lên trợ lý AI và nhờ chép lời. Giới hạn theo trợ giúp chính thức:

Chép nguyên văn file ghi âm này bằng tiếng Việt, không tóm tắt, không sửa ý.
Tách đoạn theo người nói (Người 1, Người 2...), ghi mốc thời gian đầu mỗi đoạn.
Giữ nguyên tên riêng, con số; chỗ nghe không rõ thì ghi [không rõ] thay vì đoán.
Sau bản chép, liệt kê các từ bạn không chắc để tôi kiểm lại.

• Gemini: bản miễn phí nhận tổng thời lượng âm thanh tối đa 10 phút, gói Google AI Pro, Ultra lên 3 giờ; mỗi file tối đa 100 MB, tối đa 10 file một lần.
• Gemini Notebook, tên mới của NotebookLM: nhập được file âm thanh tiếng Việt, chép lời ngay lúc nhập thành một nguồn; mỗi nguồn tối đa 200 MB hoặc 500.000 từ, bản miễn phí tối đa 50 nguồn.
• ChatGPT: tải file âm thanh chỉ có ở gói trả phí, file tới 512 MB, bản ghi rất dài có thể quá thời gian xử lý; chế độ Record ghi cuộc họp chỉ có trên app macOS, tối đa 4 giờ mỗi phiên, và OpenAI ghi Record chạy tốt với tiếng Anh. Chọn gói ở bài ChatGPT Go, Plus, Pro khác nhau thế nào.
• Chép lời (Transcribe) trong Word chưa có tiếng Việt trong danh sách ngôn ngữ.

Chuyển video, cuộc họp thành văn bản, làm phụ đề

Với video và cuộc họp trực tuyến:

• YouTube tạo phụ đề tự động tiếng Việt cho video và Shorts; YouTube ghi phụ đề có thể sai vì cách phát âm, giọng, phương ngữ, tiếng ồn, nên sửa lại trong YouTube Studio ở mục Phụ đề. Phát trực tiếp thì phụ đề tự động chỉ có tiếng Anh.
• Google Meet có phụ đề tiếng Việt cho mọi người dùng, nhưng bản chép lời (Transcripts) và tính năng Take notes for me chưa có tiếng Việt; Teams và Zoom cũng có phụ đề tiếng Việt.
• Vbee tạo phụ đề từ file mp3, wav, mp4, mov tối đa 1 GB, 90 phút, chỉ nhận tiếng Việt và tiếng Anh.
• Làm phụ đề trong trình dựng video thì xem bài CapCut AI; tóm tắt nội dung video có ở bài AI tóm tắt video.

Dịch vụ chuyển giọng nói thành văn bản của Việt Nam

Các hãng trong nước làm riêng cho tiếng Việt, có bản dùng thử và API cho doanh nghiệp:

• FPT.AI: gói dùng thử 60 phút mỗi năm, không kèm hỗ trợ kỹ thuật; có API nhận file ghi sẵn và nhận dạng thời gian thực, FPT.AI nói hỗ trợ giọng ba miền.
• Viettel AI: ghi âm trực tiếp hoặc tải file lên trên web, tài khoản mới được 60 phút dùng thử; Viettel AI tự công bố độ chính xác tới 96% và nhận được giọng vùng miền.
• Vbee: ngoài tạo phụ đề có API nhận dạng, trả về từng đoạn kèm mốc thời gian.
• Zalo: có soạn tin bằng giọng nói và chuyển tin nhắn thoại thành văn bản ngay trong ứng dụng, nhưng chưa thấy API công khai.

Cho lập trình viên: API và Whisper chạy trên máy

Cần chép lời hàng loạt trong ứng dụng của mình thì gọi API: OpenAI khuyên dùng model gpt-transcribe, mỗi file tới 25 MB, còn whisper-1 và gpt-4o-transcribe sẽ ngừng chạy ngày 26/02/2027; Google Cloud có model Chirp 3 cho tiếng Việt ở mức phát hành chính thức; Azure AI Speech có tiếng Việt và bậc miễn phí 5 giờ âm thanh mỗi tháng; ElevenLabs xếp tiếng Việt của Scribe v2 vào nhóm có tỷ lệ lỗi từ không quá 5%, theo đo đạc của chính hãng. Muốn âm thanh không rời khỏi máy thì chạy Whisper, model mã nguồn mở giấy phép MIT của OpenAI, có tiếng Việt; model turbo cần GPU khoảng 6 GB bộ nhớ:

# Cần Python và ffmpeg (Mac: brew install ffmpeg, Windows: choco install ffmpeg)
pip install -U openai-whisper

# Xuất file chữ và file phụ đề cho bản ghi tiếng Việt
whisper ghi-am.mp3 --model turbo --language Vietnamese --output_format txt
whisper video.mp4 --model turbo --language Vietnamese --output_format srt

Quyền riêng tư và xin phép khi ghi âm

Trước khi ghi âm người khác hay tải bản ghi lên dịch vụ đám mây:

• Xin phép người được ghi âm. Bộ luật Dân sự 2015 (Điều 38) buộc phải có sự đồng ý khi thu thập, lưu giữ, sử dụng thông tin đời sống riêng tư; Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15, hiệu lực 01/01/2026, cho phép ghi âm ở nơi công cộng trong một số trường hợp nhưng vẫn phải báo cho người bị ghi biết, và Nghị định 356/2025/NĐ-CP yêu cầu sự đồng ý kiểm chứng được.
• Gemini cho người duyệt đọc một phần hội thoại, phần đã duyệt giữ tới 3 năm; Google khuyên không đưa thông tin mật vào.
• ChatGPT gói cá nhân mặc định cho dùng nội dung để cải thiện model; tắt mục Improve the model for everyone trong cài đặt nếu cần.
• Muốn xử lý ngay trên máy thì dùng Đọc chính tả của iPhone, Mac, Phụ đề trực tiếp của Android hoặc Whisper. Bản ghi cuộc họp công ty thì làm theo quy định nội bộ, ưu tiên gói doanh nghiệp.

Câu hỏi thường gặp

Nguồn đối chiếu

Tài liệu gốc đã dùng để kiểm dữ kiện trong bài. Tính năng, gói và chính sách có thể đổi sau ngày cập nhật bài; khi thấy khác, hãy theo tài liệu gốc.

• Trợ giúp Google Tài liệu: Type and edit with your voice (support.google.com)
• Apple: iOS và iPadOS, tính năng khả dụng theo ngôn ngữ (Đọc chính tả) (apple.com)
• Trợ giúp Microsoft: Use voice typing to talk instead of type on your PC (support.microsoft.com)
• Trợ giúp Microsoft: Dictate your documents in Word (support.microsoft.com)
• Trợ giúp Android: Live Caption (support.google.com)
• Trợ giúp Gemini: Upload and analyze files in Gemini Apps (support.google.com)
• Trợ giúp OpenAI: Uploading files and audio to ChatGPT (help.openai.com)
• Hỗ trợ Samsung Việt Nam: cách dùng Hỗ trợ phiên âm trên Galaxy (samsung.com)
• Trợ giúp YouTube: Use automatic captioning (support.google.com)
• FPT.AI: Bảng giá Speech to Text (docs.fpt.ai)
• GitHub openai/whisper: README (github.com)
• Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 (Cổng văn bản Chính phủ) (vanban.chinhphu.vn)