Hành trình chúng tôi xây dựng tính năng này

Chúng tôi đã dành nhiều năm để xây dựng dịch giọng nói trực tiếp theo thời gian thực — nói sang nói, giọng sang giọng.

Ngay từ những ngày đầu của JotMe, chúng tôi tin rằng việc trò chuyện tự nhiên giữa các ngôn ngữ sẽ trở thành một trong những giao diện quan trọng nhất của kinh doanh toàn cầu. Nhưng khi đó, công nghệ vẫn chưa sẵn sàng.

• Tạo âm thanh còn quá chậm.
• Bản dịch không giữ được ngữ cảnh.
• Giọng đọc nghe máy móc, thiếu tự nhiên.
• Độ trễ làm đứt mạch hội thoại.
• Và quan trọng nhất: bài toán chi phí không có lời giải.

Vì những giới hạn đó, chúng tôi chưa từng triển khai rộng rãi. Chỉ một số ít khách hàng doanh nghiệp có tầm nhìn xa chấp nhận thử nghiệm cùng chúng tôi, và chúng tôi may mắn được xây dựng sản phẩm bên cạnh họ.

Rồi mọi thứ thay đổi vào ngày 8 tháng 5 năm 2026, khi OpenAI công bố GPT-Realtime-2.

Lần đầu tiên, AI có thể vừa nghe, vừa suy nghĩ, vừa đáp lại trong khi bạn còn đang nói. Tương tác bằng giọng nói không còn là bản demo trình diễn — nó bắt đầu giống một hạ tầng thực thụ.

Nhưng vẫn còn hai bài toán lớn phải giải, nếu dịch giọng nói muốn trở thành một phần trong "hệ điều hành" của doanh nghiệp toàn cầu.

1. Ngữ cảnh công việc theo thời gian thực

Dịch thuật không phải là bài toán ngôn ngữ. Đó là bài toán ngữ cảnh.

Một phiên dịch viên cần biết ai đang nói, họ đang làm dự án gì, thuật ngữ nội bộ ra sao, tên khách hàng, tên sản phẩm, những quyết định trước đây, cơ cấu đội ngũ, và nhiều hơn thế.

Thiếu ngữ cảnh, ngay cả mô hình tốt nhất cũng mắc lỗi. Để giao tiếp hiệu quả trong công việc, AI cần tiếp cận đúng những kiến thức vận hành mà nhân viên sử dụng mỗi ngày.

2. Phân phối âm thanh

Thách thức thứ hai lại rất thực tế: làm sao đưa được âm thanh đã dịch vào cuộc họp, sự kiện, hội thảo trực tuyến, cuộc gọi bán hàng và các cuộc trao đổi với khách hàng?

Chúng tôi đã dành trọn tháng vừa qua để giải hai bài toán này. Hôm nay, chúng tôi đưa kết quả đó đến với tất cả mọi người.

‍

Công nghệ này có ý nghĩa gì với doanh nghiệp toàn cầu?

Công nghệ trước đây đòi hỏi triển khai riêng với hợp đồng tối thiểu 50.000 USD mỗi năm trở lên, giờ đây ai cũng có thể dùng được.

Nhưng điều khiến chúng tôi hào hứng không chỉ là việc đại chúng hóa một công nghệ cao cấp.

Suốt nhiều thập kỷ, giao tiếp giữa các ngôn ngữ phải dựa vào biên dịch viên, phiên dịch viên và nhiều tầng truyền đạt. Mỗi lần chuyển tiếp lại sinh thêm độ trễ, hiểu lầm và mất mát ngữ cảnh.

Chúng tôi tin dịch giọng nói trực tiếp — nói sang nói — sẽ thay đổi điều đó. Mỗi người cứ nói tự nhiên bằng ngôn ngữ của mình, còn AI lo phần dịch theo thời gian thực, giữ lại nhiều hơn ý định và ý nghĩa gốc đằng sau cuộc trò chuyện.

Chắc bạn đã nghe câu "tam sao thất bản", hay từng xem trò vẽ hình trên lưng: một người vẽ lên lưng người kia, người kia cố vẽ lại ra giấy. Đến cuối cùng, bức vẽ thường chẳng còn giống bản gốc chút nào.

Giao tiếp đa ngôn ngữ bấy lâu nay cũng vận hành đúng như vậy. Giờ đây, lần đầu tiên, chúng ta bắt đầu gỡ bỏ được những tầng trung gian đó.

‍

Vì sao chọn JotMe để dịch nói sang nói theo thời gian thực?

JotMe được xây dựng cho các cuộc trao đổi trong công việc — nơi AI cần nhiều hơn là câu chữ. Nó cần ngữ cảnh vận hành: tên sản phẩm, tên khách hàng, lịch sử dự án, thuật ngữ của đội ngũ và biên bản các cuộc họp trước. Chính ngữ cảnh đó giúp giữ trọn ý nghĩa kinh doanh ngay trong lúc hội thoại đang diễn ra, và làm cho bản dịch tự nhiên, hữu dụng hơn cho công việc thật.

JotMe cũng không phụ thuộc nền tảng. Dù cuộc trò chuyện diễn ra trên Zoom, Google Meet, Microsoft Teams, tại sự kiện, trong lớp học hay khi gặp mặt trực tiếp, ứng dụng JotMe trên máy tính đều hỗ trợ được quy trình của bạn. JotMe nhận diện hơn 100 ngôn ngữ nói đầu vào và phát giọng dịch ở 13 ngôn ngữ: tiếng Trung, tiếng Anh, tiếng Pháp, tiếng Đức, tiếng Hindi, tiếng Indonesia, tiếng Ý, tiếng Nhật, tiếng Hàn, tiếng Bồ Đào Nha, tiếng Nga, tiếng Tây Ban Nha và tiếng Việt.

Ngay cả khi đang dịch nói sang nói, JotMe vẫn hiển thị phụ đề thời gian thực và bản dịch văn bản. Sau cuộc họp, bản ghi được lưu cùng biên bản họp do AI tạo, biến mỗi cuộc trò chuyện thành một phần của kho tri thức đa ngôn ngữ mà đội ngũ của bạn có thể tìm kiếm, xem lại và phát triển tiếp.

‍

‍

Cách sử dụng dịch giọng nói trực tiếp trên JotMe

Dịch giọng nói trực tiếp của JotMe chạy trên máy tính, vì nó cần thu âm thanh, định tuyến giọng dịch và phát giọng AI theo thời gian thực. Trong sản phẩm, tính năng này nằm ở menu dịch AI nói sang nói (Speech-to-Speech AI Translation).

Trước khi dùng, hãy chọn chế độ nhanh Fast (Audio) ở mục Spoken Language, chọn một ngôn ngữ dịch nhanh (Fast Translation Language), rồi quay lại menu Speech-to-Speech.

Tính năng có thể nhận diện rất nhiều ngôn ngữ nói, nhưng giọng dịch đầu ra hiện hỗ trợ:

tiếng Trung (giản thể), tiếng Anh, tiếng Pháp, tiếng Đức, tiếng Hindi, tiếng Indonesia, tiếng Ý, tiếng Nhật, tiếng Hàn, tiếng Bồ Đào Nha, tiếng Nga, tiếng Tây Ban Nha và tiếng Việt.

Chế độ 1: Họp trực tuyến (Online Meeting)

Dùng chế độ họp trực tuyến (Online Meeting) khi giọng dịch cần hoạt động bên trong Zoom, Google Meet, Microsoft Teams, WhatsApp, hội thảo trực tuyến, cuộc gọi bán hàng, cuộc gọi khách hàng, phỏng vấn hay các cuộc họp nội bộ.

Chế độ này hỗ trợ ba hướng dịch.

Hai chiều (Two-Way)

Dùng khi cả hai bên đều cần dịch giọng nói.

• Bạn nghe người đối diện bằng ngôn ngữ bạn đã chọn.
• Người đối diện nghe bạn bằng ngôn ngữ họ đã chọn.
• JotMe định tuyến riêng biệt âm thanh cuộc họp đi vào và giọng dịch phát ra.
• Phù hợp nhất cho họp song ngữ, cuộc gọi khách hàng, đàm phán, đào tạo, phỏng vấn và cuộc gọi hỗ trợ.

Trên Mac, chế độ hai chiều cần BlackHole 2ch và BlackHole 16ch. Loa cuộc họp được định tuyến qua BlackHole 2ch, còn micro cuộc họp đi qua BlackHole 16ch.

Trên Windows, chế độ hai chiều dùng VB-CABLE và Virtual Audio Cable Line 1. Hãy làm theo hướng dẫn cài đặt ngay trong ứng dụng — JotMe sẽ hiển thị đúng thiết bị cho chế độ bạn chọn.

Chỉ nghe (Listening Only)

Dùng khi bạn chỉ cần nghe phần âm thanh đã dịch.

• JotMe thu âm thanh cuộc họp hoặc âm thanh hệ thống.
• JotMe phát giọng dịch qua tai nghe hoặc loa của bạn.
• Âm thanh từ micro của bạn sẽ không được ghi lại hay dịch.

Trên Mac, chế độ này dùng BlackHole 2ch để thu âm. Trên Windows, dùng thiết bị thu VB-CABLE.

Chỉ nói (Speaking Only)

Dùng khi bạn muốn nói bằng ngôn ngữ của mình và để người khác nghe giọng đã dịch.

• JotMe thu âm từ micro của bạn.
• JotMe đưa giọng dịch vào thẳng ứng dụng họp.
• Âm thanh của những người tham gia khác sẽ không được ghi lại hay dịch.

Trên Mac, đặt micro của ứng dụng họp thành BlackHole 2ch. Trên Windows, đặt thành CABLE Output (VB-Audio Virtual Cable).

Nếu máy chưa có driver âm thanh ảo cần thiết, nút gạt chế độ và nút Start sẽ bị khóa cho đến khi hệ thống nhận diện được thiết bị. Sau khi cài đặt, hãy khởi động lại máy tính.

Chế độ 2: Khác (Other)

Dùng chế độ "Other" khi âm thanh không đi qua ứng dụng họp.

Âm thanh micro (Microphone Audio)

Dùng cho:

• Trò chuyện trực tiếp mặt đối mặt
• Sự kiện trực tiếp
• Phỏng vấn
• Lớp học
• Trình diễn tại gian hàng
• Công việc hiện trường

Âm thanh hệ thống (System Audio)

Dùng cho:

• Video
• Livestream
• Hội thảo trực tuyến
• Tài liệu đào tạo
• Podcast
• Bất kỳ âm thanh nào đang phát trên máy tính của bạn

Các chế độ Other không cần định tuyến âm thanh ảo, vì giọng dịch không phải gửi ngược vào ứng dụng họp.

Chế độ 3: Chia sẻ (Sharing)

Dùng chế độ chia sẻ (Sharing) khi người tham gia cần nhận bản dịch trên thiết bị của chính họ.

• Chia sẻ bằng URL: ai cũng mở được bản dịch trực tiếp trên trình duyệt.
• Chia sẻ bằng mã: người dùng JotMe trên máy tính khác có thể tham gia bằng mã.
• Hiển thị mã QR để truy cập nhanh.
• Mỗi người tham gia tự chọn ngôn ngữ mình muốn.
• Với các phiên Fast và Premium đủ điều kiện, chủ phòng có thể bật dịch nói sang nói cho người tham gia. Tính năng này tiêu tốn số phút dịch gấp 5 lần cho mỗi người tham gia.

Chia sẻ đặc biệt hữu ích cho sự kiện, lớp học, hội thảo trực tuyến, buổi đào tạo, tham quan nhà máy, demo cho khách hàng và các cuộc họp đa ngôn ngữ mà mỗi người có thể muốn nghe một thứ tiếng khác nhau.

‍

Dịch giọng nói trực tiếp thời gian thực của JotMe dùng được ở đâu?

Họp nhóm đa ngôn ngữ

Với các đội ngũ toàn cầu, vấn đề lớn nhất không chỉ là ngôn ngữ, mà là tốc độ. Người ta ngập ngừng, chờ ai đó dịch giúp, hoặc né việc phát biểu vì không tự tin với ngôn ngữ của cuộc họp. Dịch nói sang nói cho phép mỗi người nói thật tự nhiên, trong khi cả phòng theo dõi bằng ngôn ngữ họ hiểu rõ nhất.

Cuộc gọi bán hàng toàn cầu

Cuộc trò chuyện bán hàng phụ thuộc vào nhịp độ, sắc thái và niềm tin. Thay vì làm chậm cuộc gọi bằng phiên dịch thủ công, đội ngũ có thể trao đổi thẳng với khách hàng tiềm năng bằng chính ngôn ngữ của họ, trong khi JotMe dịch cuộc hội thoại theo thời gian thực.

Hỗ trợ và chăm sóc khách hàng

Đội hỗ trợ thường phải nắm nhanh các vấn đề khẩn cấp. Dịch giọng nói giúp các đội tiếp xúc khách hàng xử lý sự cố leo thang, cuộc gọi onboarding, gia hạn hợp đồng và xử lý kỹ thuật mà không phải chờ phiên dịch viên.

Tuyển dụng và phỏng vấn quốc tế

Ứng viên giỏi không phải lúc nào cũng phỏng vấn tốt bằng ngôn ngữ thứ hai. Dịch nói sang nói giúp đội tuyển dụng và ứng viên giao tiếp rõ ràng hơn, nhất là trong phỏng vấn kỹ thuật, trao đổi về văn hóa công ty và các quy trình tuyển dụng toàn cầu.

Sự kiện và hội thảo trực tuyến

Với sự kiện, một kênh âm thanh dịch duy nhất hiếm khi đủ. Nhờ chia sẻ qua URL hoặc mã QR, người tham dự có thể vào từ thiết bị của mình và nghe bằng ngôn ngữ họ chọn — giúp webinar, tọa đàm và các phiên trực tiếp dễ tiếp cận hơn.

Giáo dục và đào tạo

Trong lớp học, workshop và đào tạo nội bộ, rào cản ngôn ngữ có thể âm thầm bỏ rơi nhiều người. Dịch giọng nói theo thời gian thực giúp học viên, nhân viên và người được đào tạo theo kịp những phần giải thích phức tạp ngay khi chúng diễn ra.

Sản xuất và hợp tác với nhà cung ứng

Thăm nhà máy, đánh giá QA, họp với nhà cung ứng và đào tạo kỹ thuật thường đầy thuật ngữ chuyên ngành. Ngữ cảnh vận hành của JotMe giúp bản dịch bám sát công việc thực tế, từ tên sản phẩm đến chi tiết quy trình.

Du lịch và khách sạn

Khách sạn, đơn vị lữ hành, nhân viên sự kiện và các đội trực tiếp phục vụ khách cần giao tiếp nhanh giữa nhiều ngôn ngữ. Dịch giọng nói có thể hỗ trợ trò chuyện trực tiếp với khách, phối hợp với đối tác, dẫn tour và cả những khoảnh khắc cần khắc phục dịch vụ.

Duyệt nội dung và quy trình truyền thông

Bạn cũng có thể dùng JotMe ngoài cuộc họp: dịch âm thanh hệ thống từ video, livestream, podcast, tài liệu đào tạo hoặc nội dung ghi sẵn. Việc rà soát nội dung đa ngôn ngữ nhờ vậy nhanh hơn, không cần bước gỡ băng đầy đủ trước.

‍

Lời kết

Những công nghệ làm thay đổi cách chúng ta làm việc thường trông đơn giản đến bất ngờ khi chúng xuất hiện. Chúng tôi tin dịch giọng nói trực tiếp — nói sang nói theo thời gian thực — là một công nghệ như vậy. Chúng tôi rất háo hức chờ xem bạn sẽ làm gì với nó. Nếu bạn có góp ý hoặc muốn trao đổi về triển khai cho doanh nghiệp, hãy liên hệ với chúng tôi qua hey@jotme.io.

‍