1. Giới thiệu

Con người giao tiếp chủ yếu thông qua ngôn ngữ nói. Tuy nhiên, hàng triệu bệnh nhân trên thế giới bị mất khả năng phát âm do đột quỵ, bệnh xơ cứng teo cơ một bên (ALS), chấn thương tủy sống hoặc tổn thương não. Mặc dù khả năng tư duy và ngôn ngữ của họ vẫn còn nguyên vẹn, họ không thể truyền đạt suy nghĩ của mình ra bên ngoài.

Những hạn chế này đã thúc đẩy sự ra đời của công nghệ giao diện não – máy tính (Brain-Computer Interface - BCI). Thay vì sử dụng cơ bắp để điều khiển thiết bị, BCI khai thác trực tiếp tín hiệu thần kinh phát sinh trong não để giao tiếp với máy tính.

Trong những năm gần đây, sự phát triển mạnh mẽ của trí tuệ nhân tạo, đặc biệt là các mô hình học sâu như CNN, LSTM và Transformer, đã giúp cải thiện đáng kể khả năng giải mã tín hiệu não. Hệ thống hiện đại không chỉ xác định được người dùng đang nghĩ đến từ nào mà còn có khả năng tái tạo thành câu hoàn chỉnh hoặc chuyển trực tiếp thành lời nói tổng hợp gần thời gian thực.

2. Tổng quan về hoạt động thần kinh liên quan đến lời nói

Quá trình phát âm là kết quả phối hợp của nhiều vùng não khác nhau.

Các vùng quan trọng gồm:

• Vùng Broca: lập kế hoạch phát âm.
• Vùng Wernicke: xử lý ngôn ngữ và ý nghĩa.
• Vỏ não vận động (Motor Cortex): điều khiển môi, lưỡi và thanh quản.
• Vỏ não thính giác (Auditory Cortex): phản hồi âm thanh.
• Vùng tiền vận động (Premotor Cortex): lập trình chuỗi chuyển động.

Khi một người muốn nói một câu, não không phát ra ngay âm thanh mà trải qua nhiều giai đoạn:

1. Hình thành ý tưởng.
2. Chuyển thành ngôn ngữ.
3. Lập kế hoạch phát âm.
4. Điều khiển cơ quan phát âm.
5. Tạo ra lời nói.

Các điện cực chỉ cần ghi nhận hoạt động của một số vùng não liên quan đến các bước trên là đã có thể dự đoán nội dung lời nói.

3. Thu nhận tín hiệu thần kinh

Các phương pháp ghi tín hiệu phổ biến gồm:

Phương pháp	Xâm lấn	Độ phân giải	Ứng dụng
EEG	Không	Thấp	Nghiên cứu, BCI phổ thông
MEG	Không	Cao	Phòng thí nghiệm
fMRI	Không	Rất cao	Giải mã ngữ nghĩa
ECoG	Có	Cao	Giải mã lời nói
Microelectrode Array	Có	Rất cao	Nghiên cứu chuyên sâu

Trong các nghiên cứu giải mã lời nói hiện nay, ECoG (Electrocorticography) được sử dụng nhiều nhất vì:

• tỷ lệ tín hiệu trên nhiễu cao;
• tốc độ lấy mẫu lớn;
• ghi trực tiếp hoạt động của vỏ não;
• độ chính xác vượt trội so với EEG.

4. Quy trình giải mã lời nói bằng học sâu

Một hệ thống điển hình gồm sáu giai đoạn:

Bước 1. Thu nhận tín hiệu

Điện cực ghi tín hiệu điện não với tần số từ 500 Hz đến 3000 Hz.

↓

Bước 2. Tiền xử lý

Bao gồm:

• loại bỏ nhiễu điện 50/60 Hz;
• lọc băng tần;
• chuẩn hóa dữ liệu;
• chia thành các cửa sổ thời gian.

↓

Bước 3. Trích xuất đặc trưng

Một số đặc trưng thường dùng:

• High Gamma Power
• Spectrogram
• Mel-frequency features
• Wavelet Transform

↓

Bước 4. Mô hình học sâu

Các đặc trưng được đưa vào mạng học sâu để học mối liên hệ giữa tín hiệu thần kinh và nội dung ngôn ngữ.

↓

Bước 5. Giải mã

AI dự đoán:

• âm vị (phoneme);
• từ;
• câu;
• hoặc chuỗi ký tự.

↓

Bước 6. Tổng hợp lời nói

Các mô hình Text-to-Speech như Tacotron hoặc VITS có thể chuyển văn bản dự đoán thành giọng nói tự nhiên.

5. Các mô hình học sâu được sử dụng

5.1 CNN

CNN học các mẫu không gian trong tín hiệu não.

Ưu điểm:

• huấn luyện nhanh;
• chống nhiễu tốt;
• phù hợp dữ liệu ECoG.

5.2 LSTM

LSTM xử lý chuỗi thời gian.

Ưu điểm:

• ghi nhớ ngữ cảnh dài;
• phù hợp tín hiệu liên tục.

5.3 Transformer

Transformer hiện là mô hình phổ biến nhất.

Ưu điểm:

• Attention giúp tập trung vào vùng tín hiệu quan trọng.
• Huấn luyện song song.
• Độ chính xác cao hơn LSTM.

5.4 Conformer

Conformer kết hợp:

• CNN
• Transformer

Đây là kiến trúc được nhiều nhóm nghiên cứu sử dụng cho giải mã lời nói từ não.

6. Thành tựu nghiên cứu nổi bật

Các nghiên cứu gần đây đã đạt nhiều kết quả ấn tượng:

• tốc độ giải mã khoảng 60–80 từ/phút;
• độ chính xác vượt 75–90% trong một số tập dữ liệu;
• tổng hợp giọng nói gần thời gian thực;
• tái tạo được giọng nói cá nhân.

Một số hệ thống còn có khả năng tạo biểu cảm cảm xúc trong giọng nói được tổng hợp.

7. Ứng dụng

7.1 Hỗ trợ bệnh nhân mất khả năng nói

Đây là ứng dụng quan trọng nhất.

Người bệnh chỉ cần nghĩ đến câu muốn nói.

AI sẽ:

tín hiệu não → văn bản → giọng nói.

7.2 Điều khiển thiết bị

Có thể điều khiển:

• xe lăn;
• robot;
• máy tính;
• điện thoại.

7.3 Giáo dục

BCI giúp:

• đánh giá mức độ tập trung;
• hỗ trợ người khuyết tật học tập;
• tương tác với môi trường thực tế ảo.

7.4 Giao tiếp người – máy

Trong tương lai, người dùng có thể giao tiếp với:

• trợ lý AI;
• robot;
• hệ điều hành;
• kính thực tế tăng cường

chỉ bằng suy nghĩ.

8. Thách thức

8.1 Dữ liệu nhỏ

Thu thập dữ liệu não rất tốn kém.

Một bệnh nhân thường chỉ có vài giờ dữ liệu.

8.2 Khác biệt cá nhân

Không tồn tại mô hình chung cho mọi người.

Mỗi bộ não có đặc điểm riêng.

8.3 Nhiễu

Tín hiệu não chịu ảnh hưởng của:

• cử động;
• nháy mắt;
• cơ mặt;
• thiết bị điện.

8.4 Độ trễ

Để giao tiếp tự nhiên, toàn bộ hệ thống cần phản hồi dưới 300 mili giây.

Đây vẫn là một thách thức lớn.

8.5 Đạo đức

Các vấn đề cần được quan tâm:

• quyền riêng tư dữ liệu não;
• nguy cơ đọc thông tin ngoài ý muốn;
• bảo mật dữ liệu thần kinh;
• quyền sở hữu dữ liệu não.

Khái niệm "neuro-rights" (quyền thần kinh) đang được nhiều quốc gia và tổ chức nghiên cứu nhằm xây dựng khung pháp lý bảo vệ quyền riêng tư của con người trong kỷ nguyên giao diện não–máy tính.

9. Xu hướng nghiên cứu tương lai

Trong 5–10 năm tới, các hướng nghiên cứu được kỳ vọng bao gồm:

• kết hợp Mô hình Ngôn ngữ Lớn (LLMs) để cải thiện khả năng dự đoán câu hoàn chỉnh từ tín hiệu não;
• phát triển thiết bị BCI không xâm lấn (EEG độ phân giải cao) với độ chính xác tiệm cận các phương pháp xâm lấn;
• cá nhân hóa mô hình học sâu để thích nghi với đặc điểm thần kinh của từng người dùng;
• tích hợp BCI với kính thực tế tăng cường (AR), thực tế ảo (VR) và robot hỗ trợ;
• giảm độ trễ của hệ thống xuống gần thời gian thực, hướng tới giao tiếp tự nhiên và liên tục.

10. Kết luận

Giải mã lời nói từ hoạt động thần kinh bằng mô hình học sâu là một trong những lĩnh vực tiên phong của trí tuệ nhân tạo và khoa học thần kinh. Sự kết hợp giữa các kỹ thuật thu nhận tín hiệu não như ECoG, EEG và fMRI với các kiến trúc học sâu hiện đại như CNN, LSTM, Transformer và Conformer đã nâng cao đáng kể khả năng chuyển đổi tín hiệu thần kinh thành văn bản hoặc lời nói.

Mặc dù vẫn còn nhiều thách thức về dữ liệu, khả năng khái quát hóa giữa các cá nhân, độ trễ xử lý và các vấn đề đạo đức, những kết quả đạt được cho thấy công nghệ này có tiềm năng tạo ra bước đột phá trong hỗ trợ người mất khả năng giao tiếp, điều khiển thiết bị bằng ý nghĩ và xây dựng các hệ thống tương tác người–máy thế hệ mới. Trong tương lai, với sự hỗ trợ của các mô hình AI tiên tiến và phần cứng BCI ngày càng hoàn thiện, việc giao tiếp trực tiếp giữa não người và máy tính có thể trở thành một ứng dụng phổ biến trong y học, giáo dục và nhiều lĩnh vực của đời sống.