Ghi âm & tóm tắt cuộc gọi bằng AI: Vấn đề song ngữ Việt–Anh không ai cảnh báo bạn

Nói tiếng Việt chêm tiếng Anh chính là thứ AI giọng nói làm dở nhất. So sánh thật về giá, độ chính xác và pháp lý — kèm lúc bạn không nên mua gì cả.

Nếu bạn kết thúc cuộc gọi công việc với nửa trang ghi chú nguệch ngoạc và không nhớ rốt cuộc đã chốt cái gì, thì các công cụ ghi âm cuộc gọi bằng AI sinh ra để giải quyết đúng chuyện đó: ghi âm, chuyển thành văn bản, rồi trả lại cho bạn một bản tóm tắt kèm danh sách việc cần làm. Nhưng nếu bạn nói tiếng Việt chêm tiếng Anh ("chốt cái deadline cho sprint này nhé"), thì việc chọn công cụ nào lại cực kỳ quan trọng — vì chêm ngôn ngữ chính là thứ mà AI giọng nói hiện nay làm dở nhất. Chốt nhanh: gọi công việc song ngữ hằng tuần thì một thiết bị chuyên dụng như Plaud xứng đáng với giá của nó; còn gọi lai rai và chủ yếu một thứ tiếng thì điện thoại của bạn đã làm được rồi, miễn phí.

Vấn đề không nằm ở ghi âm. Nằm ở chỗ nhớ lại.

Ghi âm cuộc gọi là chuyện làm được từ hai chục năm nay. Đó chưa bao giờ là nút thắt.

Nút thắt là: một cuộc gọi 40 phút tạo ra một file âm thanh 40 phút, và không ai nghe lại file 40 phút cả. Thế là bản ghi nằm im ở đó, và ba ngày sau bạn vẫn không nhớ khách nói "thứ Ba tuần này" hay "thứ Ba tuần sau".

Người ta thường làm gì thay thế? Vừa nói vừa gõ ghi chú. Nghĩa là nghe nửa vời, gõ nửa vời, và làm hỏng cả hai. Hoặc tin vào trí nhớ, rồi mất đúng chi tiết quan trọng nhất — con số, cái ngày, hay điều kiện đi kèm chữ "đồng ý".

Thứ mới thực sự thay đổi không phải khâu ghi âm, mà là lớp nằm bên trên: speech-to-text (phần mềm biến âm thanh thành văn bản) đưa dữ liệu cho một LLM (mô hình ngôn ngữ lớn — loại AI đứng sau ChatGPT hay Claude) để đọc transcript và viết tóm tắt. Kết hợp đó biến một file âm thanh chết thành thứ bạn lướt qua trong chín mươi giây.

Ba nhóm giải pháp (nói cho dễ hiểu)

Chỉ có ba dạng câu trả lời, và chúng khác nhau ở đúng một điểm quan trọng: âm thanh được xử lý ở đâu.

1. Có sẵn trong điện thoại. Apple, Samsung và Google giờ đều có. Bạn nhấn nút ghi âm khi đang gọi; sau đó nhận transcript và tóm tắt AI trong ứng dụng Ghi chú (iPhone) hoặc Ghi âm (Galaxy). Miễn phí, không cần cài gì, nhưng bị bó trong khả năng AI của chính chiếc máy.

Transcript Assist là đường có sẵn trên Galaxy: ghi âm bằng app Điện thoại hoặc Ghi âm mặc định, rồi chuyển văn bản và tóm tắt ngay trên máy. (Nguồn: Samsung Support)

2. Ứng dụng bên thứ ba. Truecaller và TapeACall nằm chồng lên hệ thống gọi của máy. Trên iPhone, các app như TapeACall phải đi đường vòng qua cuộc gọi ba bên (một đường dây thứ hai được ghi âm tham gia vào cuộc gọi của bạn) vì iOS không cho app thường chạm vào âm thanh cuộc gọi. Chạy được, nhưng là đường vòng, và chất lượng cho thấy điều đó.

3. Thiết bị ghi âm chuyên dụng. Một món phần cứng riêng — nổi tiếng nhất là Plaud Note, một tấm mỏng cỡ thẻ tín dụng hít nam châm vào lưng điện thoại.

Plaud Note dày cỡ hai chiếc thẻ ngân hàng và sống ở mặt lưng điện thoại. (Nguồn: Plaud)

Nghe thì đây là lựa chọn phiền nhất — thêm một món phải sạc, phải mang. Vậy tại sao nó liên tục thắng trong các bài so sánh? Vì cách nó nghe cuộc gọi.

Vì sao phần cứng thắng: nó không cần xin phép ai

Đây là cơ chế, và cũng là lý do cả nhóm sản phẩm này tồn tại.

Một ứng dụng điện thoại chỉ ghi được những gì hệ điều hành cho phép. iOS đặc biệt canh chặt âm thanh cuộc gọi — đó là lý do các app ghi âm trên iPhone phải lách qua cuộc gọi ba bên và chất lượng thì hên xui.

Plaud đi vòng qua hệ điều hành hoàn toàn. Khi gắn vào lưng máy, nó dùng cảm biến rung dẫn truyền (vibration conduction sensor) — nó cảm nhận độ rung vật lý từ loa nghe của điện thoại thay vì nghe qua không khí. Hình dung như bạn áp tai vào tường để nghe phòng bên cạnh, chỉ khác là nó đang áp vào đúng bộ phận đang phát ra cả hai chiều cuộc trò chuyện. Không có chuyện micro thu tiếng loa kèm vọng âm và tạp âm phòng. Cũng không có quyền nào để bị từ chối.

Nên sao: bạn có sạch cả hai đầu cuộc gọi, trên cả iPhone lẫn Android, không phụ thuộc vào việc năm nay Apple hay Samsung quyết định cho phép cái gì.

Sau đó âm thanh được gửi lên cloud, nơi một mô hình giọng nói đa ngôn ngữ lớn tạo transcript và một LLM viết tóm tắt.

112 ngôn ngữ transcript và tự động gán nhãn người nói — lợi thế của mô hình cloud so với xử lý on-device. (Nguồn: Plaud trên App Store)

Phần song ngữ — chỗ mọi thứ lặng lẽ đổ vỡ

Đây là phần đáng đọc hai lần nếu cuộc gọi của bạn nghe kiểu: "Anh gửi em cái proposal, mình review rồi chốt scope trong tuần này."

Giới ngôn ngữ học gọi đó là code-switching — đổi ngôn ngữ giữa câu. Chuyện này hoàn toàn bình thường trong tiếng Việt công sở, và nó là một bài toán thực sự khó với AI giọng nói, không phải kiểu "hơi yếu" cho có.

Hai lý do:

Tiếng Việt là ngôn ngữ thanh điệu; tiếng Anh dựa vào trọng âm. Một từ tiếng Việt đổi nghĩa theo dấu. Một từ tiếng Anh đổi hình dạng theo trọng âm và giọng người nói. Mô hình đang lắng nghe một kiểu thì không lắng nghe kiểu kia — nên từ tiếng Anh chêm vào câu tiếng Việt hay bị trả ra thành một từ tiếng Việt đồng âm.

Phần lớn hệ thống phải chọn ngôn ngữ từ đầu. Các tính năng chạy trên máy như Transcript Assist của Samsung hoạt động dựa trên gói ngôn ngữ đã tải. Chọn Tiếng Việt, engine sẽ đi tìm tiếng Việt — thuật ngữ tiếng Anh chỉ sống sót nếu tình cờ nằm sẵn trong từ vựng của gói đó.

Mô hình cloud xử lý chuyện này tốt hơn vì chúng đa ngôn ngữ thật và tự nhận diện được. Nhưng tốt hơn không có nghĩa là xong. Nghiên cứu công bố về code-switching Việt–Anh nói rất thẳng: các mô hình hiện đại kể cả dòng Whisper vẫn chật vật với lời nói chêm ngôn ngữ, và độ chính xác cao nhất khi âm thanh chủ yếu là một thứ tiếng. Whisper-Large-v3 có tỷ lệ lỗi thấp nhất ở các đoạn chêm — nhưng "thấp nhất" không đồng nghĩa với "thấp".

⚠️ Hãy xem mọi lời quảng cáo "transcript song ngữ hoàn hảo" là marketing. Với cuộc gọi 70% Việt / 30% Anh, hãy trông đợi: phần tiếng Việt chắc tay, các từ business tiếng Anh phổ thông sống sót, còn thuật ngữ chuyên sâu và tên sản phẩm sẽ sai lệch một tỷ lệ nhất định — trên bất kỳ công cụ nào bạn mua. Hãy tính trước là phải lướt lại và sửa, đừng tin tuyệt đối.

Vậy nên khoảng cách thực tế giữa các nhóm hẹp hơn quảng cáo: công cụ chạy mô hình cloud xuống cấp êm, còn engine on-device đơn ngôn ngữ xuống cấp gãy khúc. Khoảng cách đó là thật, và đó chính là thứ bạn bỏ tiền ra mua.

Bạn thật sự nhận được gì

Cứ giả định transcript đúng 90% chứ không phải 100%. Vậy có đáng không? Với một tuần làm việc đầy cuộc gọi thì có — đây là phần thu về cụ thể.

• Một hồ sơ tìm kiếm được, thay vì một file âm thanh. Văn bản mà bạn Ctrl-F được sáu tuần sau, khi câu hỏi là "mình chốt điều khoản thanh toán thế nào nhỉ". Nên sao: tranh cãi kết thúc trong ba mươi giây thay vì một chuỗi email phòng thủ.
• Tóm tắt kèm việc cần làm, không phải một bức tường chữ. AI rút ra quyết định và đầu việc. Nên sao: bạn rời cuộc gọi với một checklist mà bạn không phải tự viết.
• Nhãn người nói. Transcript ghi rõ ai nói gì. Nên sao: trong cuộc gọi bốn người, câu "ai cam kết chuyện đó" có câu trả lời.
• Lấy lại sự tập trung. Bạn ngừng gõ trong lúc gọi và bắt đầu thực sự nghe. Nên sao: đây là lợi ích bị đánh giá thấp nhất, và là thứ người ta cảm nhận rõ nhất sau hai tuần.

Một bản ghi, nhiều kiểu tóm tắt — điểm chính cuộc họp, việc cần làm, hoặc template tự đặt. (Nguồn: Plaud trên App Store)

Cái giá phải trả — kể cả những phần không ai quảng cáo

Tiền. Plaud Note giá 159 USD, Note Pro 189 USD, trả một lần. Mọi thiết bị đều kèm gói Starter miễn phí với 300 phút transcript mỗi tháng — khoảng năm tiếng, đủ thật cho nhu cầu nhẹ. Vượt mức đó, gói Pro là 8,33 USD/tháng khi trả theo năm (~99,99 USD/năm) cho 1.200 phút/tháng, và gói Unlimited là 19,99 USD/tháng. Truecaller Premium khoảng 3,99 USD/tháng ở Mỹ và 529 rupee/năm ở Ấn Độ. Tính năng có sẵn trên điện thoại thì miễn phí.

Số phút mỗi tháng mới là đơn vị chi phí thật của nhóm sản phẩm này — phần cứng trả một lần, còn ngân sách transcript thì tái tục. (Nguồn: Plaud)

Một thông báo mà người bên kia nghe thấy. Đây là cái giá làm nhiều người bất ngờ. Khi bạn ghi âm bằng tính năng có sẵn của iPhone, tất cả người tham gia đều tự động nghe một thông báo bằng giọng nói rằng cuộc gọi đang được ghi âm, và nó phát lại theo chu kỳ. Không thể tắt, ở bất kỳ quốc gia nào, bằng bất kỳ cài đặt nào. Đó là quyết định thiết kế có chủ đích của Apple, không phải lỗi — và nó làm thay đổi cách người kia nói chuyện. Nếu bạn muốn ghi chú lặng lẽ thì đường iPhone mặc định không dành cho bạn.

Khoảng trống về khu vực. Tính năng ghi âm cuộc gọi của Apple không được cung cấp ở EU và khoảng mười chín quốc gia khác. Hãy kiểm tra trang feature availability của Apple trước khi lên kế hoạch dựa vào nó.

Pháp luật, và phần này không phải tùy chọn. Ở Việt Nam, Luật Bảo vệ dữ liệu cá nhân 2025 cấm ghi âm cuộc gọi khi không có sự đồng ý của chủ thể dữ liệu, trừ trường hợp pháp luật quy định khác. Mức phạt hành chính bắt đầu từ khoảng 10–20 triệu đồng theo Nghị định 15/2020/NĐ-CP và có thể cao hơn, kèm buộc xóa dữ liệu. Canada và phần lớn nước Mỹ dễ thở hơn (nhiều nơi chỉ cần một bên đồng ý), nhưng "dễ thở" cũng khác nhau theo từng tỉnh bang và tiểu bang.

⚠️ Nói thẳng: công nghệ khiến việc ghi âm lén trở nên dễ dàng, còn luật Việt Nam thì không quan tâm là nó dễ. Hãy nói với người kia rằng bạn đang ghi âm. Nó tốn của bạn đúng một câu ở đầu cuộc gọi, và xóa sạch toàn bộ rủi ro.

Khi nào rõ ràng là đáng

• Bạn gọi cho khách hàng hoặc nhà cung cấp, và con số cùng cam kết được chốt bằng miệng. Transcript chính là hồ sơ của bạn.
• Bạn gọi bằng thứ tiếng mình còn đang luyện. Đọc lại nhanh hơn nghe lại nhiều.
• Bạn điều hành một đội nhỏ và quyết định thực sự diễn ra trong các cuộc gọi. Bản tóm tắt trở thành biên bản họp mà vốn dĩ chẳng ai định viết.
• Bạn hay gọi khi đang lái xe hoặc đang đi bộ, tức là không thể ghi chép.

Khi nào KHÔNG nên mua gì cả

Phần này quan trọng hơn phần trên.

• Cuộc gọi của bạn ngắn và mang tính xã giao. Cuộc gọi năm phút không cần một dây chuyền AI. Cứ để nguyên; giá trị không nằm ở đó.
• Bạn chỉ có tầm hai cuộc gọi công việc mỗi tuần. Trình ghi âm sẵn trên máy là miễn phí và đủ dùng. Bỏ 159 USD phần cứng cho tám cuộc gọi mỗi tháng là mua vì thích, không phải vì năng suất.
• Cuộc gọi của bạn chỉ dùng một thứ tiếng. Lợi thế chính của gói cloud trả phí là xử lý êm phần chêm ngôn ngữ. Nếu tất cả đều tiếng Việt, hoặc tất cả đều tiếng Anh, thì transcript on-device của Samsung hay Apple đã đủ sát và không tốn đồng nào.
• Nội dung trao đổi của bạn thuộc loại bảo mật thật sự — pháp lý, y tế, nhân sự, hoặc bất cứ thứ gì nằm dưới NDA. Thiết bị chuyên dụng gửi âm thanh lên cloud của nhà cung cấp để xử lý. Plaud có chứng nhận ISO 27001, SOC 2 Type II, GDPR và HIPAA, đó là câu trả lời nghiêm túc, nhưng "nhà cung cấp tuân thủ" vẫn là một bên thứ ba đang giữ bản ghi. Nếu điều đó không chấp nhận được thì các lựa chọn on-device là kiến trúc an toàn hơn, và không ghi âm gì cả còn an toàn hơn nữa.
• Bạn cần nó vô hình. Không thứ nào ở đây nên được dùng để ghi âm một người chưa được báo trước — xem lại phần phía trên.

So sánh các lựa chọn thật, kể cả phương án không làm gì

📺 Plaud Note Pro có đáng với lời đồn không? — That Mark Gilroy

Chốt lại

• Mua phần cứng nếu tuần nào bạn cũng có cuộc gọi công việc song ngữ và quyết định được chốt trong đó. Hãy bắt đầu bằng 300 phút miễn phí mỗi tháng trước khi trả tiền gói cước — năm tiếng một tháng là đủ để biết bạn có thực sự dùng nó hay không.
• Dùng thứ có sẵn trong máy nếu cuộc gọi thưa hoặc chỉ một thứ tiếng. Apple Intelligence đã hỗ trợ tiếng Việt từ iOS 26.1, còn Transcript Assist của Samsung hỗ trợ ngay trên máy. Với nhu cầu đó thì miễn phí là mức giá đúng.
• Không mua gì cả nếu cuộc gọi của bạn ngắn, xã giao hoặc bảo mật. Ghi tay vẫn là câu trả lời hợp lệ, và với chuyện bảo mật thì nó là câu trả lời tốt hơn.
• Chọn gì cũng được, nhưng hãy nói ra rằng bạn đang ghi âm. Một câu, không rủi ro pháp lý, và không mất gì đáng kể.

FAQ

Tôi chỉ có vài cuộc gọi công việc mỗi tuần, có cần không? Không. Trình ghi âm sẵn trên máy lo được, miễn phí. Gói trả phí chỉ bắt đầu hợp lý khi cuộc gọi đủ dày để nếu không có nó bạn sẽ phải vừa nói vừa gõ.

Thực tế tốn bao nhiêu một năm? Phần cứng 159–189 USD một lần, rồi 0 đồng nếu 300 phút/tháng là đủ, hoặc khoảng 100 USD/năm cho 1.200 phút/tháng. Lựa chọn dạng app tốn tầm 4–10 USD/tháng và không cần phần cứng.

Cuộc gọi 70% tiếng Việt / 30% tiếng Anh của tôi có ra transcript sạch không? Phần lớn, nhưng không hoàn hảo. Hãy trông đợi tiếng Việt đáng tin, các từ business tiếng Anh phổ thông đi qua được, còn thuật ngữ chuyên sâu thì cần sửa. Công cụ cloud xử lý tốt hơn hẳn on-device — nhưng chưa công cụ nào hôm nay giải xong bài toán code-switching.

Ghi âm cuộc gọi ở Việt Nam có hợp pháp không? Không, nếu không có sự đồng ý của người kia. Luật Bảo vệ dữ liệu cá nhân 2025 cấm ghi âm cuộc gọi khi chủ thể dữ liệu không đồng ý, và mức phạt theo Nghị định 15/2020/NĐ-CP khởi điểm khoảng 10–20 triệu đồng. Cứ hỏi trước; chỉ tốn một câu.

Bỏ qua toàn bộ chuyện này thì mất gì? Không có gì kịch tính — bạn tiếp tục ghi tay và thỉnh thoảng làm rơi mất một chi tiết. Đó là mốc so sánh trung thực. Câu hỏi là những chi tiết bạn đánh rơi có đắt hay không.

Nguồn tham khảo

• Plaud — bảng giá và gói cước
• Plaud Support — các ngôn ngữ transcript được hỗ trợ
• Apple Support — Ghi âm và tạo bản chép lời cuộc gọi trên iPhone
• Apple Support — Cách có Apple Intelligence (ngôn ngữ và khu vực)
• Samsung — Cách dùng Galaxy AI Transcript Assist
• Truecaller ra mắt ghi âm và transcript cuộc gọi — TechCrunch
• Nghiên cứu nhận diện âm vị Việt–Anh dựa trên Whisper (arXiv)
• Bộ Công an — Luật Bảo vệ dữ liệu cá nhân 2025

#AICallRecording #Plaud #AppleIntelligence #GalaxyAI #SpeechToText #CodeSwitching #CongNgheViet #NangSuat #AITools #BaoMatDuLieu

✍️ Tác giả: Do Ngoc Hoan Founder of CookConnects.ca & Wizy.ca. Kết nối khoảng cách giữa thuật toán tiên tiến và thực thi kinh doanh. Tôi viết cho những founder kỹ thuật muốn mở rộng tầm ảnh hưởng bằng AI và kỹ thuật vững chắc.

← Blog