Chuyện gì xảy ra với ngôn ngữ khi máy móc bắt đầu lên tiếng?

What happens to language when machines start talking back?

Chuyện gì xảy ra với ngôn ngữ khi máy móc bắt đầu lên tiếng?
Celeste Rodriguez Louro, Associate Professor of Linguistics and Director of Language Lab, The University of Western Australia
Show
Hide
EN – VI
VI – EN
3000-5000 ▼
0-3000
3000-5000
5000-7000
7000-10000

A few months ago, a friend posted something that caught my eye on social media. She struggled listening to what she termed “ (literally) breathless AI voices for audiobooks”.

Vài tháng trước, một người bạn của tôi đã đăng tải một nội dung thu hút sự chú ý của tôi trên mạng xã hội. Cô ấy cảm thấy khó chịu khi nghe thứ mà cô ấy gọi là “giọng đọc AI (nghĩa đen là) hụt hơi dành cho sách nói.”

When I asked her what part she found the most off-putting, she said she had to stop listening because there was no natural breathing or variation – it’s just too formulaic.

Khi tôi hỏi cô ấy phần nào khiến cô ấy cảm thấy khó chịu nhất, cô ấy nói rằng cô ấy phải dừng nghe vì không có nhịp thở hay sự biến đổi tự nhiên nào – nó quá rập khuôn.

This might seem like a small complaint. But it points to a much bigger question about language and artificial intelligence: what happens when we design systems to produce language without paying enough attention to the people who listen to it or read it?

Điều này có vẻ là một lời phàn nàn nhỏ. Nhưng nó lại chỉ ra một vấn đề lớn hơn nhiều về ngôn ngữ và trí tuệ nhân tạo: điều gì sẽ xảy ra khi chúng ta thiết kế các hệ thống tạo ra ngôn ngữ mà không chú ý đúng mức đến những người lắng nghe hoặc đọc nó?

Communication does not begin and end with the speaker. Listeners work just as hard: attending not just to what someone says, but how they say it, what has just happened and what we expect might happen next. Even what we regard as imperfections in speech can carry information.

Giao tiếp không bắt đầu và kết thúc ở người nói. Người nghe cũng phải nỗ lực không kém: chú ý không chỉ đến những gì người khác nói, mà còn cách họ nói, chuyện gì vừa xảy ra và điều gì chúng ta mong đợi có thể xảy ra tiếp theo. Ngay cả những điều mà chúng ta coi là điểm thiếu sót trong lời nói cũng có thể mang lại thông tin.

Disfluencies have meaning

Sự ngập ngừng, lấp lửng mang ý nghĩa riêng

Linguists often use the word “disfluencies” to refer to hesitations, repetitions, false starts and other departures from “fluent” speech.

Các nhà ngôn ngữ học thường dùng từ “disfluencies” (sự ngập ngừng/lắp bắp) để chỉ các khoảng do dự, sự lặp lại, những lần bắt đầu hụt và các sự sai lệch khác so với lời nói “trôi chảy.”

The label can make them sound like defects that ought to be removed. But in human conversation, they are part of the message.

Nhãn dán này có thể khiến chúng nghe giống như những khiếm khuyết cần phải loại bỏ. Nhưng trong cuộc trò chuyện của con người, chúng là một phần của thông điệp.

A synthetic voice that strips out disfluency may be grammatically accurate and acoustically flawless, yet feel impoverished to the listener, who simply has less to work with.

Một giọng nói tổng hợp được lọc bỏ sự ngập ngừng có thể chuẩn xác về ngữ pháp và hoàn hảo về âm học, nhưng vẫn mang lại cảm giác nghèo nàn cho người nghe, bởi vì họ đơn giản là có ít dữ liệu hơn để tiếp nhận.

We are not simply decoding signs

Chúng ta không chỉ đơn thuần giải mã các ký hiệu

Language does not exist in our minds merely as a catalogue of words and how they are pronounced and used. It is entangled with memory, experience and our knowledge of the world, shaped by where we grew up, with whom, doing what and for what purpose.

Ngôn ngữ không tồn tại trong tâm trí chúng ta đơn thuần như một danh mục từ ngữ cùng cách phát âm và sử dụng chúng. Nó gắn liền với ký m, trải nghiệm và kiến thức của chúng ta về thế giới, được định hình bởi nơi chúng ta lớn lên, với ai, làm gì và vì mục đích gì.

Award–winning author Arundhati Roy captures something of this in her memoir Mother Mary Comes To Me when she describes most of us as “a living, breathing soup of memory and imagination”.

Tác giả đoạt giải thưởng Arundhati Roy đã nắm bắt được điều này trong hồi ký Mother Mary Comes To Me khi cô mô tả phần lớn chúng ta như “một nồi súp sống động, thở được của ký ức và trí tưởng tượng.”

Roy’s phrase is useful for thinking about language, because human communication is not a clean transfer of information from one cognitive container to another. Words encounter another person’s memories, expectations and assumptions. They also encounter a listener’s other languages as well as less tractable issues such as how they’re feeling on the day.

Cụm từ của Roy rất hữu ích để suy ngẫm về ngôn ngữ, bởi vì giao tiếp của con người không phải là một sự chuyển giao thông tin gọn gàng từ hộp nhận thức này sang hộp nhận thức khác. Từ ngữ tiếp xúc với những ký ức, kỳ vọng và giả định của một người khác. Chúng cũng tiếp xúc với các ngôn ngữ khác của người nghe cũng như những vấn đề khó giải quyết hơn như tâm trạng của họ trong ngày hôm đó.

This is one reason two people can hear the same sentence and understand it differently, and why humour is so nuanced. It is also why the social characteristics of a voice matter.

Đây là một lý do tại sao hai người có thể nghe cùng một câu mà lại hiểu theo những cách khác nhau, và tại sao sự hài hước lại uyển chuyển đến vậy. Đó cũng là lý do tại sao các đặc điểm xã hội của một giọng nói lại quan trọng.

Berkeley linguist Nicole Holliday’s research shows how listeners make social judgements about voices, including AI voices, and how those judgements interact with perceptions of personality and identity. The listener is crucial to communication, and that creates an interesting problem for generative AI.

Nghiên cứu của nhà ngôn ngữ học Nicole Holliday tại Đại học Berkeley cho thấy người nghe đưa ra các đánh giá xã hội như thế nào về giọng nói, bao gồm cả giọng nói AI, và những đánh giá đó tương tác ra sao với nhận thức về nhân cách và bản sắc. Người nghe đóng vai trò tối quan trọng đối với giao tiếp, và điều đó tạo ra một bài toán thú vị cho AI tạo sinh.

We have been building AI around the speaker

Chúng ta đã và đang xây dựng AI xoay quanh người nói

Much of the development of generative AI has focused on the system’s ability to produce language. Far less attention has been paid to those listening to it.

Phần lớn sự phát triển của AI tạo sinh tập trung vào khả năng tạo ra ngôn ngữ của hệ thống. Ít sự chú ý hơn nhiều được dành cho những người đang lắng nghe nó.

This matters because generative AI systems have become new entities we communicate with.

Điều này rất quan trọng vì các hệ thống AI tạo sinh đã trở thành những thực thể mới mà chúng ta giao tiếp cùng.

If we spend hours every day asking an AI platform questions, drafting emails or talking to voice assistants, we are participating in a new kind of communicative environment, and humans have a knack for adapting to new environments.

Nếu chúng ta dành hàng giờ mỗi ngày để đặt câu hỏi cho một nền tảng AI, soạn thảo email hoặc trò chuyện với trợ lý giọng nói, chúng ta đang tham gia vào một môi trường giao tiếp kiểu mới, và con người có biệt tài thích nghi với các môi trường mới.

The future of AI voices

Tương lai của giọng nói AI

Many technology companies already try to make synthetic voices sound less mechanistic, introducing disfluencies and conversational markers drawn from human interaction.

Nhiều công ty công nghệ đã cố gắng làm cho giọng nói tổng hợp bớt máy móc hơn, bằng cách đưa vào các khoảng ngập ngừng và dấu hiệu trò chuyện bắt nguồn từ sự tương tác của con người.

As robotics develops and interaction with machines becomes routine, synthetic voices may acquire more convincing rhythm and prosody. They may recognise when a listener needs clarification, when a joke needs a pause, or when a speaker’s uncertainty should show in their delivery.

Khi ngành chế tạo robot phát triển và việc tương tác với máy móc trở thành thói quen, giọng nói tổng hợp có thể đạt được nhịp điệu và ngữ điệu thuyết phục hơn. Chúng có thể nhận ra khi nào người nghe cần làm rõ vấn đề, khi nào một câu nói đùa cần khoảng dừng, hoặc khi nào sự không chắc chắn của người nói nên được thể hiện qua cách diễn đạt của chúng.

Alternatively, mechanistic features – my friend’s “breathless” voice, the perfectly structured answer, the absence of hesitation – may come to define the sound of a generative AI model: a linguistic signature that functions as a kind of watermark. We may stop seeing these as flaws and start treating them as a register.

Ngoài ra, các đặc điểm máy móc – giọng nói “hụt hơi” của bạn tôi, câu trả lời được cấu trúc hoàn hảo, sự vắng bóng của sự do dự – có thể trở thành yếu tố định hình âm thanh của một mô hình AI tạo sinh: một dấu ấn ngôn ngữ hoạt động như một dạng hình mờ. Chúng ta có thể ngừng coi những điều này là khiếm khuyết và bắt đầu coi chúng như một âm vực.

AI-to-AI language

Ngôn ngữ AI với AI

A particularly intriguing development is what happens when artificial systems talk to each other. In September 2026, research found autonomous AI agents developed unusual vocabulary, metaphors and coded expressions in experimental environments. Researchers described the resulting language as difficult for humans to interpret, comparing it to the emergence of innovative language in human communities.

Một diễn biến đặc biệt hấp dẫn là điều gì xảy ra khi các hệ thống nhân tạo trò chuyện với nhau. Vào tháng 9 năm 2026, nghiên cứu phát hiện ra rằng các tác nhân AI tự chủ đã phát triển vốn từ vựng, ẩn dụ và các biểu thức được mã hóa bất thường trong các môi trường thử nghiệm. Các nhà nghiên cứu mô tả ngôn ngữ kết quả là khó đối với con người để diễn giải, so sánh nó với sự xuất hiện của ngôn ngữ đổi mới trong các cộng đồng người.

Language has historically been shaped by interaction among humans. Communities develop new ways of saying or signing things, people borrow expressions from one another, misunderstand them, reshape them and pass them on.

Trong lịch sử, ngôn ngữ được định hình bởi sự tương tác giữa con người với nhau. Các cộng đồng phát triển những cách nói hoặc ký hiệu mới, mọi người mượn các biểu thức của nhau, hiểu lầm chúng, định hình lại chúng và truyền chúng đi.

Now there is another kind of participant in that environment. Synthetic systems can generate language, consume it and interact with other synthetic systems at a scale and speed humans cannot match.

Giờ đây, có một loại người tham gia khác trong môi trường đó. Các hệ thống tổng hợp có thể tạo ra ngôn ngữ, tiêu thụ nó và tương tác với các hệ thống tổng hợp khác ở quy mô và tốc độ mà con người không thể sánh kịp.

Should AI sound human – or like AI?

AI nên nghe giống con người – hay giống AI?

Returning to my friend’s complaint: should AI sound human at all?

Trở lại với lời phàn nàn của bạn tôi: liệu AI có nên nghe giống con người chút nào không?

If synthetic voices retain identifiable characteristics, listeners know they are dealing with a machine – and knowing that may have value. But making a voice obviously artificial doesn’t solve every problem.

Nếu giọng nói tổng hợp giữ lại các đặc điểm có thể nhận dạng được, người nghe biết rằng họ đang giao tiếp với một máy móc – và việc biết điều đó có thể có giá trị. Nhưng việc làm cho một giọng nói hiển nhiên là nhân tạo không giải quyết được mọi vấn đề.

A synthetic voice can sound recognisably synthetic while still reproducing social stereotypes or narrow assumptions about what a particular given kind of speaker should sound like.

Một giọng nói tổng hợp có thể nghe ra chất tổng hợp nhưng vẫn tái tạo các định kiến xã hội hoặc những giả định hẹp hòi về việc một loại người nói cụ thể nào đó nên có giọng điệu như thế nào.

The question then is not just whether AI sounds human. It is also what kind of human language the machine is trained to represent, whose language counts as the model, and what happens to everything that falls outside it, including the voices of minoritised groups. The listener needs to be at the centre of that design.

Do đó, câu hỏi không chỉ là liệu AI có nghe giống con người hay không. Nó còn là việc máy móc được huấn luyện để đại diện cho loại ngôn ngữ con người nào, ngôn ngữ của ai được tính là chuẩn mực cho mô hình, và điều gì xảy ra với mọi thứ nằm ngoài chuẩn mực đó, bao gồm cả giọng nói của các nhóm thiểu số. Người nghe cần phải được đặt ở vị trí trung tâm của thiết kế đó.

The future of AI – and of language – will depend on how humans respond to the language machines produce, and how the interactions between humans and machines continue to shape communication. Only time will tell.

Tương lai của AI – và của ngôn ngữ – sẽ phụ thuộc vào cách con người phản ứng với ngôn ngữ mà máy móc tạo ra, và cách các tương tác giữa con người và máy móc tiếp tục định hình giao tiếp. Chỉ thời gian mới có thể trả lời.

Celeste Rodriguez Louro receives funding from Google.

Celeste Rodriguez Louro nhận được tài trợ từ Google.