Speechmatics – API chuyển giọng nói thành văn bản (có tiếng Việt)

Speechmatics là công ty voice AI có trụ sở tại Cambridge, Anh, do CEO Katy Wigdahl điều hành. Công ty xây dựng mô hình nhận dạng giọng nói cho hơn 55 ngôn ngữ, kèm các mô hình chuyên biệt cho tổng đài, y tế, truyền thông và doanh nghiệp. Khách hàng được nêu tên gồm Adobe, AI Media, Content Guru và Nordhealth.

API Speech-to-Text chuyển âm thanh thành văn bản theo thời gian thực và theo lô bằng cùng một mô hình lõi. Mô hình tiếng Việt bao quát tiếng Việt chuẩn và giọng ba miền Bắc, Trung, Nam, xử lý lời nói trộn tiếng Việt và tiếng Anh, có phân tách người nói và mốc thời gian theo từng từ. Kết quả tạm thời theo thời gian thực trả về trong vài trăm mili giây, và có thể dựng voice agent qua tích hợp với LiveKit và Vapi. Mô hình triển khai được trên đám mây, tại chỗ hoặc trên thiết bị, còn dịch thuật là một sản phẩm riêng.

• Nhận dạng tiếng Việt: bao quát giọng Bắc, Trung, Nam và lời nói chen tiếng Anh.
• Thời gian thực và theo lô: cùng một mô hình cho luồng trực tiếp và tệp ghi âm.
• Phân tách người nói: tách tối đa 50 người nói theo mặc định, kể cả khi nói chồng lên nhau.
• Mốc thời gian theo từ: phục vụ phụ đề, tìm kiếm và đồng bộ đa phương tiện.
• Tích hợp voice agent: hoạt động cùng LiveKit và Vapi để dựng voicebot.
• Triển khai linh hoạt: đám mây, tại chỗ hoặc trên thiết bị, kèm API dịch thuật.

Ngân hàng và công ty bảo hiểm Việt Nam có thể chuyển văn bản ghi âm tổng đài ngay trong hạ tầng nội bộ để kiểm soát chất lượng và tuân thủ. Công ty phần mềm xây dựng voicebot tiếng Việt có thể dùng API thời gian thực làm lớp nhận dạng giọng nói. Doanh nghiệp truyền thông và giáo dục có thể tạo phụ đề tiếng Việt và bản ghi có thể tìm kiếm.

Theo benchmark FLEURS nêu trên trang tiếng Việt, Speechmatics Enhanced đạt tỷ lệ lỗi từ 7,14%, so với 8,38% của Google Chirp 2, 9,32% của Amazon Transcribe và 10,08% của Microsoft Azure. Một mô hình phục vụ cả âm thanh trực tiếp lẫn ghi sẵn. Tùy chọn triển khai tại chỗ và trên thiết bị giữ âm thanh cuộc gọi nhạy cảm trong hạ tầng của khách hàng, kèm các chuẩn ISO 27001, SOC 2, GDPR và HIPAA.

Voice agent, phân tích cuộc gọi và trợ lý cuộc họp đều phụ thuộc vào nhận dạng giọng nói chính xác, trong khi độ chính xác với tiếng Việt và các ngôn ngữ Đông Nam Á khác vẫn đi sau tiếng Anh. Doanh nghiệp trong các ngành chịu quản lý chặt cũng muốn mô hình giọng nói chạy tại chỗ để đáp ứng quy định bảo vệ dữ liệu, như các quy định về bảo vệ dữ liệu cá nhân của Việt Nam.

Trụ sở tại Cambridge, Anh, CEO là Katy Wigdahl. Nhận Giải thưởng Doanh nghiệp của Nữ hoàng năm 2019 và đạt các chuẩn ISO 27001, SOC 2, GDPR, HIPAA. Tháng 4/2026 công ty cùng Adobe ra mắt mô hình chuyển giọng nói thành văn bản chạy trên thiết bị cho Premiere, đồng thời cung cấp dưới dạng thư viện C/C++ cho ISV và OEM. Các trang đã xem không nêu năm thành lập.