Chia câu tiếng Anh theo cụm — và 2 lần chúng tôi làm sai

Mọi thứ bắt đầu từ một góp ý trên bảng feedback:

Nghe thì như một chỉnh sửa vặt — cắt câu ngắn lại là xong. Nhưng càng đào, chúng tôi càng nhận ra nó không phải bài toán độ dài. Nó là bài toán cắt ở đâu — nói đúng thuật ngữ, là chia câu tiếng Anh theo cụm (thought group). Và ngay sau khi giải xong, nó đẻ ra một bài toán khó hơn nhiều: dịch từng cụm đó thế nào cho không dạy sai người học.

Đây là câu chuyện đầy đủ của cả hai — gồm cả hai lần chúng tôi tự tin làm sai.

Phần 1 — Cắt ngắn thì dễ, cắt đúng mới khó

Cách nhanh nhất là cắt máy móc: cứ 5 từ một cụm, hoặc cứ thấy dấu phẩy là cắt. Chúng tôi thử, và nó tạo ra những mảnh thế này:

"the big" / "red car that I" / "bought last week"

Về mặt số học thì đều tăm tắp. Về mặt nghe thì hỏng hoàn toàn. Không ai ngắt hơi giữa "the big" và "red car" — nên nghe một đoạn bị cắt như vậy, bạn đang luyện một nhịp mà ngoài đời không tồn tại. Tệ hơn: bạn phải giữ trong đầu một mảnh vô nghĩa, mà trí nhớ ngắn hạn thì rất ghét những thứ vô nghĩa.

Câu hỏi vì thế được viết lại: đâu là những chỗ không bao giờ được phép cắt?

Phần 2 — Viết rule chia câu bằng tay: vì sao thất bại

Chúng tôi ngồi liệt kê ra bộ quy tắc "cấm cắt", dựa trên cách tiếng Anh nhóm từ. Không bao giờ cắt vào giữa:

• Mạo từ/định ngữ + danh từ — the big red car
• Giới từ + tân ngữ của nó — in the garden, of a week
• Trợ động từ/khiếm khuyết + động từ — has been, did not answer
• Động từ + tiểu từ — give up, look after
• "to" + động từ — to share
• Danh từ riêng và chức danh — New York City, Dr. Jane Smith
• Số, ngày tháng, tiền tệ, đơn vị đo
• Thành ngữ và danh từ ghép — on the other hand, climate change
• Sở hữu cách + danh từ — John's car

Cộng một quy tắc nghe rất hiển nhiên: đừng kết thúc một cụm bằng một hư từ trơ trọi — đừng để cụm kết thúc ở chữ "of".

Rồi chúng tôi bắt tay vào code nó. Và đây là chỗ mọi thứ sụp.

Để biết chữ "of" nào đang bị bỏ rơi, bạn phải biết nó thuộc về cụm nào — tức là phải phân tích cú pháp câu. Chưa hết:

• Cùng một chữ "up": trong "give up" là tiểu từ, phải dính chặt với động từ. Trong "walked up the hill" lại là giới từ, thuộc về cụm sau. Code nhìn vào chuỗi ký tự thì hai chữ này y hệt nhau.
• "New York City" phải giữ nguyên khối — nhưng code không biết đó là danh từ riêng nếu không có thêm một bộ nhận dạng thực thể.
• Dấu phẩy trong "1,000" tuyệt đối không phải chỗ ngắt; dấu phẩy trong "In 2020, we…" thì lại là chỗ ngắt lý tưởng. Cùng một ký tự.
• "to" trong "to share" là động từ nguyên mẫu; "to" trong "went to London" là giới từ.

Cứ thêm một quy tắc là đẻ ra ba ngoại lệ. Đi được nửa đường, chúng tôi nhìn lại và thấy mình đang viết… một bộ phân tích cú pháp tiếng Anh. Và dù có viết xong, nó vẫn sẽ thua trước một câu nói đời thường đủ lắt léo.

Rồi có một khoảnh khắc khá hiển nhiên mà chúng tôi mất một lúc mới chịu thừa nhận: các mô hình ngôn ngữ hiện nay chính là bậc thầy về chuyện này. Phân biệt "give up" với "walked up", biết "New York City" là một khối, biết dấu phẩy nào là nhịp và dấu phẩy nào là chữ số — đó chính xác là thứ chúng đã học từ hàng tỉ câu tiếng Anh. Chúng tôi đang cặm cụi mã hoá lại bằng tay một năng lực mà mô hình đã có sẵn.

Nên chúng tôi đảo vai:

• Bộ quy tắc không còn là code nữa — nó trở thành đề bài đưa cho mô hình. Toàn bộ danh sách "cấm cắt" ở trên giờ nằm trong prompt.
• Mô hình quyết định 100% chỗ ngắt. Code không tự bịa thêm một ranh giới nào, không gói cho đủ số từ, không áp trần độ dài.
• Code lùi về đúng việc code giỏi — kiểm tra:
  1. Đối chiếu từng token với danh sách từ gốc. Mô hình được phép bỏ dấu câu, nhưng sai hoặc thiếu một từ là loại cả phương án, dùng bản dự phòng.
  2. Canh giờ từng cụm theo timestamp của từng từ, để bấm phát là đúng đoạn.
  3. Ánh xạ mỗi cụm về câu mẹ của nó — chi tiết sẽ cứu chúng tôi ở phần sau.

Một chi tiết nhỏ nhưng đổi cục diện: chúng tôi đưa cho mô hình bản transcript CÓ dấu câu, không phải chuỗi từ thô ghép lại. Dấu phẩy và dấu chấm là tín hiệu ngắt nhịp mạnh nhất mà bản ghi để lại. Bỏ chúng đi là tự tay vứt mất manh mối tốt nhất.

Phần 3 — Cắt theo chuẩn nào: thought group và intonation unit

Giao việc cắt cho mô hình không có nghĩa là thả nổi. Chúng tôi vẫn phải nói cho nó biết cắt theo tiêu chuẩn gì — và đây là chỗ phải có cơ sở, không thể "thấy hợp lý thì làm".

Người ta không nói từng từ rời rạc. Lời nói được tổ chức thành thought group (hay sense group).

Thought group là một nhóm từ mang trọn một ý, được nói ra trong một hơi — và chỗ ngắt nghỉ luôn rơi vào ranh giới giữa các nhóm, không bao giờ rơi vào giữa một nhóm.

Trong ngôn ngữ học, đơn vị này được Wallace Chafe mô tả là Intonation Unit — một tầng ngữ điệu trung gian, cắt dòng nói liên tục thành những khối vừa với tiêu điểm chú ý có hạn của người nghe. Đây không phải chuyện thẩm mỹ: đã có nghiên cứu riêng về vai trò của Intonation Unit đối với trí nhớ khi nghe tiếng Anh.

Ghép thêm một mảnh từ tâm lý học nhận thức: bộ nhớ làm việc chỉ giữ được khoảng 7±2 đơn vị (Miller, 1956), và các nghiên cứu sau này hạ xuống còn khoảng 4±1 (Cowan, 2001). Đây chính là lý do mức ngắn nhất của chúng tôi là 2–4 từ — không phải "ngắn cho có", mà là ngắn vừa đúng sức chứa của bộ nhớ ngắn hạn khi bạn còn đang chật vật bắt âm.

Và điều khiến chúng tôi yên tâm nhất: ngành phụ đề chuyên nghiệp đã chốt chuyện này từ lâu. Bộ BBC Subtitle Guidelines yêu cầu phụ đề phải được ngắt tại natural linguistic break, sao cho mỗi dòng là một đơn vị ngôn ngữ trọn vẹn; và liệt kê thẳng những chỗ không được tách: mạo từ với danh từ, giới từ với cụm theo sau, liên từ với mệnh đề theo sau, đại từ với động từ — đồng thời ưu tiên ngắt ở ranh giới mệnh đề.

Danh sách "cấm cắt" chúng tôi tự liệt kê ở Phần 2 gần như trùng khít với hướng dẫn đó. Không phải trùng hợp: cả hai đều xuất phát từ cùng một thứ — cách tiếng Anh nhóm từ. Chúng tôi chỉ đang đi lại con đường mà những người làm phụ đề cho đài truyền hình đã đi trước, và điều đó khiến chúng tôi tin mình đang đi đúng.

Ba mức chia câu theo cụm — và vì sao là ba

Từ đó, ba mức không còn là con số tuỳ hứng:

Mức	Kích cỡ	Cơ sở	Dành cho
Steady	2–4 từ	Giới hạn chunk của bộ nhớ làm việc (≈4±1)	Mới bắt đầu, hoặc audio nói nhanh
Natural	5–9 từ, cỡ mệnh đề	Intonation unit + "ưu tiên ranh giới mệnh đề"	Luyện hằng ngày
Fluent	Trọn câu	Đơn vị ngữ nghĩa hoàn chỉnh	Khi đã bắt được nhịp dài

Ba mức giữ tiến độ riêng biệt, nên đổi mức giữa chừng không mất phần đã làm.

Một lợi ích chúng tôi không lường trước: luyện nói

Cắt đúng thought group hoá ra còn mở ra một thứ khác. Vì mỗi cụm vừa đúng một hơi, bạn có thể nhại lại (shadowing) theo từng cụm — đọc trọn cụm mà không hụt hơi, đúng chỗ ngắt mà người bản xứ ngắt.

Thử nhại cả một câu dài 25 từ, bạn sẽ đuối ở giữa và ngắt bừa vào một chỗ không ai ngắt. Nhại theo cụm thì khác hẳn: bạn đang tập đúng cái nhịp của tiếng Anh nói, chứ không chỉ tập phát âm từng từ. Cùng một phép chia, phục vụ được cả nghe lẫn nói.

Nếu bạn chưa quen với ba bậc luyện nghe (nghe → nghe chép → shadowing), đọc bài trước của chúng tôi — bài này giả định bạn đã ở bậc 2–3.

Bài học thứ nhất: chia câu là một quyết định ngôn ngữ học, không phải một phép chia cho đều. Và khi bài toán thuần về ngôn ngữ, người giải giỏi nhất không phải là code chúng tôi viết — mà là mô hình đã học ngôn ngữ. Việc của chúng tôi là ra đề đúng và kiểm tra chặt.

Phần 4 — Dịch theo từng cụm: bài toán khó hơn nhiều

Chia xong, một chỗ chướng lộ ra ngay: mỗi cụm 4 từ vẫn đang hiện bản dịch của cả câu dài. Bạn đang gõ "our brain is working" mà bên dưới là nguyên một câu tiếng Việt — vừa thừa, vừa lộ mất phần bạn chưa nghe tới.

Nghe qua thì "dịch riêng từng cụm" là xong. Nhưng nó có ba ràng buộc đá nhau:

1. Mảnh dịch phải đúng nghĩa của chính nó → cần ngữ cảnh cả câu.
2. Nhưng không được lộ phần còn lại của câu.
3. Và không được kéo từ của cụm bên cạnh vào.

Lần sai thứ nhất: cắt bản dịch cả câu ra cho khớp

Ý tưởng nghe rất chắc: bản dịch cả câu vốn đã đúng, vậy chỉ cần chia nó ra cho khớp số cụm. Ghép lại đúng bằng nguyên văn — không thêm, không mất chữ nào.

Với câu thuận thì đẹp thật:

"I was appointed six months ago," → "Tôi được bổ nhiệm cách đây sáu tháng," "and the more I've spoken about feminism," → "và càng nói về chủ nghĩa nữ quyền,"

Rồi chúng tôi gặp câu này:

"It's an environmental issue which, like the growing amounts of plastic waste, isn't going away."

Cụm "of plastic waste," bị gán cho mảnh: "nhựa ngày càng tăng,"

Ghép lại thì vẫn đúng nguyên câu. Nhưng người học đang nhìn vào bốn chữ "of plastic waste" và được bảo rằng nó nghĩa là "nhựa ngày càng tăng". Chữ "growing" nằm ở cụm trước. Chúng tôi vừa dạy sai.

Để ý một chi tiết vui: lại là chữ "of". Nó làm khó chúng tôi ở phần chia câu, rồi quay lại làm khó ở phần dịch.

Ghép-lại-đúng không đồng nghĩa với từng-mảnh-đúng. Tiếng Việt và tiếng Anh đảo trật tự từ khác nhau, nên một phép cắt "đúng về tổng thể" vẫn có thể sai ở từng mảnh.

Lần sai thứ hai: dịch lại từng cụm — nhưng vẫn đưa bản dịch cả câu vào

Rút kinh nghiệm, chúng tôi chuyển sang dịch riêng từng cụm, và đưa kèm cả câu tiếng Anh lẫn bản dịch tiếng Việt sẵn có làm ngữ cảnh — nghĩ rằng như vậy sẽ giữ được sự nhất quán về từ ngữ.

Kết quả:

"of plastic waste," → "rác thải nhựa ngày càng tăng,"

Vẫn dính. Vì khi đã có sẵn một bản dịch hoàn chỉnh trong tay, mô hình không dịch nữa — nó quay lại đi chia bản dịch đó ra. Chúng tôi đã tự tay mồi cho nó làm đúng cái việc mình vừa bỏ.

Ngữ cảnh sai loại còn tai hại hơn thiếu ngữ cảnh.

Cách làm đúng

Bỏ hẳn bản dịch cả câu ra khỏi đề bài. Chỉ giữ lại câu tiếng Anh đầy đủ, và dùng nó cho đúng một việc: phân biệt nghĩa của từ. Kèm một yêu cầu dứt khoát: dịch đúng những từ có trong cụm này; từ nào thuộc cụm khác thì không được xuất hiện ở đây.

"of plastic waste," → "của rác thải nhựa," ✓ "the growing amounts" → "lượng … ngày càng tăng" (chữ growing về đúng chỗ của nó)

Ba ràng buộc đá nhau lúc nãy được gỡ bằng cách tách bạch vai trò: câu tiếng Anh cho ngữ cảnh, nhưng chỉ những từ trong cụm mới được dịch.

Và một cái bẫy cuối: đúng thôi chưa đủ, phải đúng ổn định

Bản đầu chúng tôi nhồi 25 câu vào một lượt gọi cho tiết kiệm. Mô hình bắt đầu đếm sai số cụm của từng câu — mà chỉ cần sai số lượng là cả câu đó bị loại. Tỉ lệ điền được chỉ 58/137 cụm. Nghĩa là quá nửa người học vẫn thấy bản dịch cả câu như cũ.

Sửa bằng hai việc rất đời thường:

• Lô nhỏ lại — ít câu mỗi lượt thì mô hình không lạc.
• Thử lại riêng từng câu bị hỏng — gọi đơn lẻ thì gần như không bao giờ sai.

Kết quả: 137/137. Và để không đánh đổi tốc độ, các lượt gọi chạy song song có giới hạn.

Phần 5 — UX cuối cùng: dịch từng cụm, cả câu ở cụm cuối

Sau tất cả, thứ người học nhìn thấy rất giản dị:

• Mỗi cụm hiện bản dịch của riêng nó. Gõ tới đâu, hiểu tới đó.
• Tới cụm cuối của câu, hiện thêm bản dịch cả câu. Bạn có cả nghĩa của mảnh lẫn nghĩa của tổng thể — và không bị lộ trước, vì nó chỉ xuất hiện khi bạn đã đi hết câu.
• Thiếu thì tự lùi. Câu chỉ có một cụm, hoặc mô hình không xử lý được — hệ thống lặng lẽ quay về bản dịch cả câu. Không bao giờ để trống.

Và bản dịch không chỉ có tiếng Việt. Nó bám theo tiếng mẹ đẻ bạn chọn trong Cài đặt — đổi được bất cứ lúc nào, và cùng một bài học sẽ hiện ra bằng ngôn ngữ của riêng bạn:

Điều đọng lại

Nhìn lại quãng đường: những ngày đầu chúng tôi dùng tạm phụ đề miễn phí của YouTube. Nó sai chính tả, sai dấu câu, đôi khi sai cả nội dung — và tệ nhất cho việc luyện nghe: nó xuống dòng theo độ rộng khung hình, chứ không theo ngữ nghĩa. Một dòng phụ đề kết thúc ở đâu là chuyện của trình phát video, không phải chuyện của tiếng Anh.

Hôm nay, cùng một video sẽ đi qua: transcript bằng AI → chia cụm theo tiêu chuẩn ngôn ngữ học ở ba mức → kiểm tra từng token → canh giờ theo từng từ → dịch riêng cho từng cụm ở ngôn ngữ mẹ đẻ của bạn → và thử lại những chỗ chưa đạt. Tất cả đã lên bản chính thức — xem trong nhật ký thay đổi.

Chi phí đội lên nhiều lần. Mỗi video giờ tốn nhiều lượt gọi mô hình hơn hẳn, cộng thêm các lượt thử lại, và nhân thêm cho mỗi ngôn ngữ. Đó là một cái giá có thật.

Nhưng cả hai bài toán trong bài viết này đều có chung một điểm xuất phát: một thứ đang chạy được, mà chúng tôi không thấy đủ tốt. Cắt câu máy móc — chạy được. Hiện bản dịch cả câu cho mọi cụm — chạy được. Cắt bản dịch ra cho khớp — thậm chí nhìn còn rất gọn.

Chỉ là chưa đúng. Và khoảng cách giữa chạy được với đúng mới là chỗ người học thật sự cảm nhận được.

Bài viết này bắt đầu từ đúng một góp ý — cái ảnh ở đầu bài. Nếu bạn cũng đang thấy một chỗ "vẫn dùng được nhưng chưa ổn", gửi cho chúng tôi nhé.