AI đang giúp số hoá văn bản Hán Nôm ở khâu nặng nhọc nhất: nhận dạng từng chữ trên ảnh chụp bản khắc, bản chép tay, rồi gợi ý cách phiên âm. Nhưng chữ Nôm có những đặc thù khiến máy vẫn cần người thông thạo đọc lại từng trang, và một bản số hoá chỉ đáng tin khi ghi rõ ai đã kiểm.
Bài này dành cho người yêu văn học trung đại, sinh viên ngành văn, ngành Hán Nôm, và những ai tò mò vì sao một kho văn bản lớn của cha ông vẫn khó tiếp cận. Bạn sẽ hiểu quy trình đi từ trang giấy dó đến bản đọc được trên màn hình, AI tham gia ở đâu, chỗ nào nó dễ sai, và người đọc phổ thông có thể làm gì với kho văn bản đã số hoá. Phần cuối nói thêm về báo chí, sách quốc ngữ đầu thế kỷ hai mươi, một kho di sản khác cũng đang chờ được đọc.
Vì sao số hoá văn bản cổ là việc gấp
Phần lớn văn học trung đại Việt Nam được viết bằng chữ Hán và chữ Nôm, in trên giấy dó bằng mộc bản hoặc chép tay. Giấy dó bền hơn nhiều loại giấy công nghiệp, nhưng qua hàng trăm năm trong khí hậu nóng ẩm, với mối mọt, nấm mốc, lũ lụt, nhiều bản đã mục, rách, mất chữ. Mỗi năm trôi qua, một phần di sản biến mất mà không ai kịp chụp lại.
Vấn đề thứ hai là số người đọc được chữ Hán Nôm ngày càng ít. Một bản Nôm dù còn nguyên vẹn mà nằm trong kho, chỉ vài chuyên gia đọc được, thì với đông đảo người đọc nó gần như không tồn tại. Số hoá ở đây không chỉ là chụp ảnh, mà là đưa văn bản qua các bước để người đọc hiện đại có thể tìm thấy, đọc phiên âm, đọc dịch nghĩa, và so sánh với bản gốc.
Các viện nghiên cứu, thư viện lớn trong nước và một số tổ chức quốc tế đã làm việc này từ nhiều năm trước khi AI trở nên phổ biến, chủ yếu bằng sức người. Điều AI thay đổi là tốc độ của khâu nhận dạng chữ, khâu từng tốn nhiều công nhất. Nhưng tốc độ chỉ có ích khi đi kèm kiểm soát chất lượng, như các phần dưới sẽ cho thấy.
Hành trình của một trang văn bản cổ đến màn hình người đọc
Mỗi dự án có cách làm riêng, nhưng nhìn chung một văn bản cổ phải đi qua các bước sau. Thứ tự này giúp bạn hiểu khi đọc một bản số hoá, nó đã được xử lý đến đâu.
- Bảo quản và chụp ảnh. Văn bản được làm sạch nhẹ, đặt trên bàn chụp chuyên dụng, chụp từng trang với ánh sáng đều. Ảnh gốc độ phân giải cao là tài sản quan trọng nhất, mọi bước sau đều dựa vào nó.
- Ghi siêu dữ liệu. Tên văn bản, ký hiệu kho, loại bản (khắc in hay chép tay), năm in nếu có, tình trạng, số trang. Thiếu bước này, ảnh chụp chỉ là một đống tệp vô danh.
- Nhận dạng chữ. Phần mềm xác định vị trí từng chữ trên trang, rồi đoán đó là chữ gì. Đây là khâu AI tham gia mạnh nhất.
- Kiểm và sửa nhận dạng. Người thông thạo Hán Nôm đọc lại, sửa những chữ máy đoán sai hoặc không đoán được.
- Phiên âm. Với văn bản Nôm, chuyển từng chữ sang âm đọc tiếng Việt bằng chữ quốc ngữ. Với văn bản Hán, có phần phiên âm Hán Việt.
- Dịch nghĩa và chú thích. Văn bản chữ Hán cần dịch ra tiếng Việt; cả hai loại đều cần chú thích điển cố, từ cổ.
- Công bố. Đưa lên thư viện số kèm ảnh gốc, bản nhận dạng, bản phiên âm, ghi rõ người kiểm, phiên bản, để người đọc đối chiếu được.
Một bản số hoá tốt cho phép bạn nhìn cùng lúc ảnh gốc và bản phiên âm. Nếu một trang web chỉ đưa bản phiên âm mà không có ảnh gốc hay thông tin người kiểm, bạn nên dè dặt khi trích dẫn.
AI tham gia ở đâu và mức tin cậy
Không phải bước nào AI cũng giúp như nhau. Bảng dưới tóm tắt vai trò thường gặp của công nghệ ở từng khâu, theo hiểu biết chung về các dự án số hoá; năng lực cụ thể của từng công cụ thay đổi nhanh nên cần kiểm phiên bản hiện hành.
| Khâu | AI giúp gì | Mức cần người kiểm |
|---|---|---|
| Chụp ảnh | Làm phẳng trang cong, tăng tương phản, tách nền ố vàng | Thấp, nhưng phải giữ ảnh gốc chưa xử lý |
| Nhận dạng chữ Hán | Nhận dạng khá tốt với bản khắc in rõ nét | Trung bình, cao hơn với bản mờ |
| Nhận dạng chữ Nôm | Nhận dạng được nhiều chữ thông dụng, vướng chữ hiếm và dị thể | Cao |
| Nhận dạng chữ chép tay | Hạn chế, phụ thuộc nét chữ người chép | Rất cao |
| Phiên âm Nôm | Gợi ý âm đọc theo ngữ cảnh | Rất cao vì một chữ có thể đọc nhiều cách |
| Dịch nghĩa chữ Hán | Bản dịch nháp trôi chảy | Rất cao, dễ sai điển cố và sắc thái |
| Tìm kiếm trong kho | Tìm chữ, cụm chữ xuyên nhiều văn bản | Thấp, rất hữu ích cho người nghiên cứu |
Dòng cuối thường bị bỏ qua nhưng lại là lợi ích lớn: khi hàng nghìn văn bản đã được nhận dạng, người nghiên cứu có thể tìm một câu thơ xuất hiện ở những bản nào trong vài giây, việc trước đây mất hàng tháng.
Chỗ khó riêng của chữ Nôm mà máy chưa vượt qua
Chữ Nôm là hệ chữ người Việt tự tạo dựa trên chữ Hán để ghi tiếng Việt. Chính đặc điểm đó làm việc nhận dạng tự động khó hơn chữ Hán thông thường.
- Không có chuẩn thống nhất. Cùng một tiếng có thể được ghi bằng nhiều chữ Nôm khác nhau tuỳ người viết, vùng miền, thời kỳ. Máy học từ dữ liệu này dễ bị nhầm giữa các dạng.
- Một chữ, nhiều cách đọc. Một chữ Nôm có thể đọc thành vài tiếng khác nhau, chỉ ngữ cảnh mới quyết định. Phiên âm sai một chữ có thể đổi nghĩa cả câu thơ.
- Chữ hiếm, chữ dị thể. Nhiều chữ chỉ xuất hiện vài lần trong toàn bộ kho văn bản, máy không có đủ ví dụ để học.
- Bảng mã chưa đủ. Bảng mã quốc tế Unicode đã đưa vào nhiều chữ Nôm, nhưng vẫn có chữ chưa được mã hoá, khiến việc gõ và hiển thị phải dùng cách thay thế.
- Bản khắc mờ, mất nét. Mộc bản dùng lâu thì nét mòn, giấy ố che chữ. Người đọc giỏi dựa vào văn cảnh và kinh nghiệm để đoán; máy dễ chọn sai.
- Dữ liệu huấn luyện hạn chế. Muốn máy nhận dạng tốt phải có nhiều trang đã được chuyên gia đọc chuẩn để làm mẫu, mà nguồn này không nhiều.
Vì những lý do trên, một bản phiên âm Nôm do máy làm hoàn toàn, chưa qua người kiểm, chỉ nên coi là bản nháp hỗ trợ tìm kiếm, không phải văn bản để trích dẫn hay giảng dạy.
Người yêu văn có thể làm gì với kho văn bản đã số hoá
Đọc bản gốc dù không biết chữ. Mở ảnh một trang Truyện Kiều bản khắc in, đặt cạnh bản phiên âm quen thuộc, dò theo từng câu. Bạn sẽ thấy hình dạng chữ, cách trình bày trang, dấu vết thời gian, những điều mà bản in quốc ngữ không cho thấy. Nhiều người bắt đầu học chữ Nôm từ chính cảm giác tò mò này.
So các bản với nhau. Khi một tác phẩm có nhiều bản được số hoá, bạn có thể tự so vài câu để thấy dị bản trông ra sao. Đây là cách hiểu vì sao các nhà văn bản học tranh luận về một chữ trong một câu thơ.
Dùng AI giải thích, nhưng giữ ảnh gốc bên cạnh. Bạn có thể nhờ chatbot giải nghĩa một câu đã phiên âm. Luôn ghi lại bản phiên âm bạn dùng là của ai, kiểm điển cố với sách chú giải có uy tín, vì AI hay giảng tự tin trên một bản phiên âm có thể đã sai.
Báo lỗi cho nơi công bố. Một số thư viện số có kênh để người đọc góp ý khi phát hiện lỗi nhận dạng hay phiên âm. Một lời báo lỗi có căn cứ là đóng góp thật cho di sản chung.
Di sản không nằm trên giấy: văn học truyền miệng
Một phần văn học dân gian chưa bao giờ được viết ra: những bài hát ru, câu hò, lời kể khan sử thi của các dân tộc Tây Nguyên, truyện kể của người già trong bản làng. Số hoá loại di sản này bắt đầu bằng máy ghi âm, ghi hình, rồi mới đến việc chép lời. Các nhà sưu tầm văn học dân gian đã làm việc này bằng tay suốt nhiều thập kỷ, nhiều băng ghi âm cũ hiện cũng đang xuống cấp.
AI chuyển giọng nói thành chữ có thể giúp chép lời nhanh hơn, nhưng gặp khó ở đúng những chỗ quan trọng nhất: giọng địa phương đậm, giọng người cao tuổi, lời hát có luyến láy, và đặc biệt là tiếng của các dân tộc thiểu số mà máy hầu như chưa được học. Chép sai một câu hò là làm mất đi đúng cái chất địa phương khiến nó quý.
Vì vậy với văn học truyền miệng, bản ghi âm gốc phải được giữ cùng bản chép lời, và bản chép cần người thông thạo ngôn ngữ, phong tục địa phương nghe lại. Nếu gia đình bạn có người già thuộc nhiều câu hát, câu chuyện xưa, tự ghi âm lại, ghi rõ ai kể, ở đâu, khi nào, đã là một cách góp phần giữ di sản, trước cả khi bàn đến chuyện dùng máy.
Một kho di sản khác: sách báo quốc ngữ đầu thế kỷ hai mươi
Không chỉ văn bản Hán Nôm cần được số hoá. Giai đoạn đầu thế kỷ hai mươi để lại một lượng lớn sách, báo, tạp chí bằng chữ quốc ngữ, nơi nhiều truyện ngắn, tiểu thuyết, bài thơ lần đầu ra mắt độc giả trước khi được in thành sách. Giấy báo thời đó chất lượng kém, giòn, ố, nhiều số báo chỉ còn một hai bản trong kho lưu trữ.
Nhận dạng chữ quốc ngữ in thì dễ hơn chữ Nôm nhiều, nhưng vẫn có chỗ vướng: chính tả thời đó khác ngày nay, dấu thanh có khi đặt khác, chữ in bị nhoè, cột báo xếp phức tạp. Phần mềm nhận dạng được huấn luyện trên văn bản hiện đại có xu hướng tự "sửa" chính tả cũ thành chính tả mới, làm mất dấu vết lịch sử của ngôn ngữ. Với người nghiên cứu, một chữ viết theo lối cũ đôi khi là bằng chứng quan trọng về thời điểm ra đời của văn bản.
Với người đọc, kho báo cũ được số hoá mở ra khả năng đọc một tác phẩm đúng như lần đầu nó xuất hiện, giữa các mẩu quảng cáo, tin vặt, thư bạn đọc của thời đó. Đó là cách hiểu bối cảnh sống động hơn mọi bài giới thiệu. Khi trích dẫn từ báo cũ đã số hoá, hãy ghi tên báo, số báo, ngày ra, và nếu có thể, xem ảnh trang gốc để chắc bản nhận dạng không sai chữ.
Câu hỏi thường gặp
AI có đọc được chữ Nôm không?
Có ở mức nhất định. Các công cụ nhận dạng đã đọc được nhiều chữ Nôm thông dụng trên bản khắc rõ nét, nhưng vẫn vướng với chữ hiếm, chữ dị thể, bản chép tay và bản mờ. Phiên âm cũng dễ sai vì một chữ có thể đọc nhiều cách, nên cần người thông thạo kiểm lại.
Bản phiên âm Truyện Kiều trên mạng có đáng tin không?
Tuỳ nguồn. Bản đáng tin thường ghi rõ dựa trên bản gốc nào, ai phiên âm và khảo đính, và tốt nhất có kèm ảnh bản gốc. Bản chép lại không rõ nguồn có thể sai chữ, nên khi trích dẫn hãy đối chiếu với sách in có uy tín.
Không biết chữ Hán Nôm thì đọc kho số hoá có ích gì không?
Có. Bạn có thể xem hình dạng bản gốc, so các dị bản qua phần phiên âm, hiểu cách một văn bản được lưu truyền. Nhiều người bắt đầu học chữ Nôm từ sự tò mò khi nhìn ảnh bản gốc đặt cạnh bản quốc ngữ quen thuộc.
Vì sao chữ Nôm khó nhận dạng tự động hơn chữ Hán?
Vì chữ Nôm không có chuẩn thống nhất, một tiếng có thể ghi bằng nhiều chữ, một chữ có thể đọc nhiều cách, có nhiều chữ hiếm và dữ liệu mẫu đã được chuyên gia đọc chuẩn để máy học còn hạn chế.
Dùng AI dịch văn bản chữ Hán cổ có được không?
Có thể dùng để có bản nháp hiểu ý chung, nhưng bản dịch máy dễ sai điển cố, sắc thái và cách dùng từ của người xưa. Muốn trích dẫn hay giảng dạy, hãy dùng bản dịch đã được người có chuyên môn thực hiện và công bố.
Khi trích dẫn từ báo cũ đã số hoá cần ghi gì?
Ghi tên báo, số báo, ngày ra và nơi lưu trữ hoặc thư viện số. Nếu được, xem ảnh trang gốc để chắc bản nhận dạng chữ không sai, vì phần mềm có thể tự đổi chính tả cũ sang chính tả hiện đại.