Subvocal: Kính thông minh đọc khẩu hình, gõ máy tính mà không cần nói thành tiếng

Hai sinh viên ngành khoa học máy tính vừa công bố nguyên mẫu kính thông minh có thể chuyển khẩu hình miệng thành văn bản theo thời gian thực, mở ra hướng nhập liệu mới cho những người muốn dùng nhập liệu bằng giọng nói nhưng ngại nói ở nơi công cộng.

Điểm đáng chú ý là nhóm đã từ bỏ cảm biến cơ điện tử (EMG) – cách tiếp cận quen thuộc của các hệ thống đọc lời nói im lặng trước đây – để chuyển sang cảm biến sóng vô tuyến (RF) gắn trong gọng kính, kết hợp với mô hình nền tảng (foundation model) được huấn luyện trên dữ liệu đo riêng.

Từ cuộc thi hackathon đến sản phẩm thật

Aarush và Arnav là hai nhà sáng lập của The Subvocal Company, hiện thuộc chương trình ươm tạo YC F26. Đầu năm nay cả hai còn đang học khoa học máy tính tại Georgia Tech, chưa có kinh nghiệm gì về lời nói im lặng hay cảm biến. Cả hai đều là người dùng thường xuyên các công cụ nhập liệu bằng giọng nói, và điểm vướng mắc là không thể dùng chúng ở thư viện, văn phòng hay nơi đông người.

Tại cuộc thi TreeHacks của Đại học Stanford hồi tháng 2, nhóm quyết định tái tạo AlterEgo – hệ thống đọc lời nói im lặng của Phòng thí nghiệm Media thuộc MIT – trong vòng 36 giờ. Nguyên mẫu thô sơ khi đó dán các điện cực EMG lên mặt và chỉ xử lý được ở mức từng ký tự, chưa đủ để đoạt giải. Nhưng lần đầu tiên gõ được một câu mà không ai xung quanh phát hiện đã thuyết phục cả hai dồn toàn lực vào dự án.

Nhóm gọi vốn pre-seed từ Afore Capital. Tuy nhiên họ nhanh chóng nhận ra EMG không khả thi: tín hiệu thay đổi khi đổ mồ hôi, bị nhiễu điện, phụ thuộc vào vị trí đặt điện cực, và quan trọng nhất – không ai muốn dán điện cực lên mặt mình.

Chuyển sang sóng vô tuyến

Hướng đi mới là RF. Chiếc kính phát sóng vô tuyến tương tự Bluetooth xuyên qua khuôn mặt; khi sóng đi qua lưỡi, môi và vòm miệng mềm, chúng bị điều chế bởi chuyển động khẩu hình im lặng. Nhóm huấn luyện mô hình nền tảng trên dữ liệu này để giải mã các nhiễu loạn đó thành văn bản.

Dù đã có nghiên cứu học thuật trước đó, bài toán kỹ thuật vẫn rất lớn. Nhóm phải xây dựng một hệ thống cảm biến RF có độ nhiễu cực thấp, rồi bố trí ăng-ten sao cho trường của chúng chồng lấn tối đa với các cơ quan phát âm. Lần thử đầu tiên trên kính thất bại hoàn toàn, buộc nhóm quay lại dán ăng-ten lên mặt. Vì khó dán cố định ở cùng vị trí và góc, họ chế ra một bộ khung đeo đầu kỳ dị nhưng hiệu quả để giữ ăng-ten.

Sau đó nhóm mô phỏng sâu để thiết kế kính có thể chứa ăng-ten, dẫn đến thiết kế hiện tại với ăng-ten nhúng trong gọng kính.

Thách thức lớn nhất: tổng quát hóa giữa nhiều người dùng

Khi đã xác nhận có tín hiệu, rào cản tiếp theo là khả năng hoạt động với người dùng mới. Giải phẫu khuôn mặt mỗi người khác nhau, nên mẫu tín hiệu RF cũng rất khác. Nhóm thử các giải pháp thuật toán nhưng nhận ra cách duy nhất là mở rộng quy mô dữ liệu tiền huấn luyện.

Họ dựng các quầy trong văn phòng và trả tiền cho người tình nguyện đọc theo gợi ý khi đeo kính để thu dữ liệu. Kết quả là một đường cong mở rộng (scaling curve) đẹp, sai số giảm nhanh khi dữ liệu tăng và hiệu năng với người dùng mới trở nên thuyết phục. Trong video demo, Dave từ YC chỉ cần hiệu chỉnh ngắn với 20 câu.

Cả hai nhà sáng lập cho biết chỉ khi tách từng thành phần – ăng-ten, điện tử, học máy – về nguyên lý cơ bản để tối ưu thì hệ thống mới thực sự hoạt động tốt.

Kế hoạch và đặt trước

Trong vài tháng tới, nhóm tiếp tục nghiên cứu và phát triển để biến nguyên mẫu thành sản phẩm hoàn thiện như trên website và giao hàng vào quý 1/2027. Họ cũng mở rộng bộ dữ liệu để cải thiện hiệu năng ở các trường hợp khó.

Lô đặt trước đầu tiên gồm 500 chiếc, giảm 200 USD so với giá cuối cùng. Nhóm cho biết số suất đang cạn dần.

Góc nhìn

Với lập trình viên và kỹ sư tại Việt Nam, hướng tiếp cận RF thay vì EMG đáng để theo dõi vì nó giải quyết đúng điểm yếu khiến các sản phẩm đeo thông minh khó được chấp nhận: cảm giác bất tiện và thiếu thẩm mỹ. Việc nhóm chuyển từ dán điện cực lên mặt sang ăng-ten nhúng trong gọng kính cho thấy bài học về việc tối ưu từng thành phần phần cứng – ăng-ten, mạch điện tử, mô hình học máy – thay vì chỉ tập trung vào thuật toán.

Câu chuyện tổng quát hóa giữa nhiều người dùng cũng là bài toán quen thuộc với các đội làm AI: khi dữ liệu riêng của mỗi người quá khác nhau, mở rộng dữ liệu tiền huấn luyện thường hiệu quả hơn các mẹo thuật toán. Tuy nhiên, đây vẫn là nguyên mẫu với thời điểm giao hàng dự kiến năm 2027, nên các doanh nghiệp cân nhắc ứng dụng nên theo dõi thêm độ chính xác thực tế và khả năng hoạt động ổn định ngoài môi trường phòng thí nghiệm.