Nền tảng lý thuyết của dự án được tập hợp trong khái niệm chính ["uchitsya-legko.rf — học đọc như giải mã mã chữ viết"](/concepts/uchitsya-legko-rf-obuchenie-chteniyu-kak-deshifrovke-pismennogo-koda). Đây là điểm trung tâm của dự án: mô tả mô hình chung, trạng thái hiện tại và liên kết các khái niệm cụ thể.

Hiện tại, dự án đang ở giai đoạn **Ý tưởng (Idea)**. Lý thuyết cơ bản về việc đọc như một quá trình khôi phục thông tin từ mã chữ viết đã được hình thành. Các thực thể thông tin làm nền tảng cho việc học đã được ghi nhận: đối tượng và tình huống, khái niệm, hình ảnh, từ nói, âm thanh, từ viết, chữ cái và các phần cấu trúc lớn hơn của từ.

Các thành phần chính của lý thuyết:

- [Đọc là nhận diện từ và khôi phục ý nghĩa, chứ không phải là phát âm tuần tự các chữ cái](/concepts/chtenie-eto-raspoznavanie-slova-i-vosstanovlenie-smysla).
- [Từ viết liên kết nhiều biểu hiện của cùng một nội dung](/concepts/pismennoe-slovo-svyazyvaet-neskolko-predstavleniy).
- [Học đọc phải đi từ điểm tựa đã biết đến mã chưa biết](/concepts/obuchenie-chteniyu-ot-izvestnyh-opor-k-neizvestnomu-kodu).
- [Từ vựng nói là cơ sở nhận diện khi học đọc](/concepts/ustnyy-slovar-baza-raspoznavaniya-pri-obuchenii-chteniyu).
- [Từ dài phải được làm rõ thông qua các phần cấu trúc quen thuộc](/concepts/dlinnoe-slovo-cherez-znakomye-strukturnye-chasti).
- [Các gợi ý phải biến mất dần khi các mối liên hệ được làm chủ](/concepts/podskazki-dolzhny-postepenno-ischezat).

Hướng đi thực tế là một hệ thống tương tác, trong đó trẻ bắt đầu với các đối tượng và từ ngữ dễ nhận biết, xác nhận âm thanh của chúng, làm quen với cách viết, phát hiện các yếu tố lặp lại của mã chữ viết và sau đó áp dụng các sự tương ứng tìm được để giải mã các từ mới.

Nguyên tắc quan trọng: hệ thống không được đòi hỏi trẻ phải tiếp thu đồng thời nhiều cấp độ chưa biết. Nếu trẻ chưa biết khái niệm, từ nói, âm thanh và chữ cái của nó, thì từ đó không phù hợp để làm tài liệu bắt đầu. Bài tập tiếp theo phải dựa trên kiến thức đã được xác nhận của riêng đứa trẻ đó.

Giai đoạn tiếp theo của dự án là biến lý thuyết thành cơ chế tương tác tối thiểu và kiểm tra tiêu chí chính: liệu trẻ có khả năng chuyển các mối liên hệ đã thành thạo sang các từ chưa từng gặp trước đó, chứ không chỉ ghi nhớ các ví dụ được hiển thị.

Một dự án học đọc tương tác dưới dạng giải mã dần dần mã chữ viết thông qua các ý nghĩa, hình ảnh và từ ngữ phát âm mà trẻ đã quen thuộc.

uchitsya-legko.rf

Cần mô tả và hiện thực hóa kịch bản tối thiểu để kiểm tra ý tưởng cốt lõi của dự án mà chưa cần xây dựng một khóa học đầy đủ.

Cơ sở lý thuyết: [khái niệm chính của dự án](/concepts/uchitsya-legko-rf-obuchenie-chteniyu-kak-deshifrovke-pismennogo-koda) và [học đọc từ điểm tựa quen thuộc đến mã chưa biết](/concepts/obuchenie-chteniyu-ot-izvestnyh-opor-k-neizvestnomu-kodu).

Chu trình tối thiểu phải bao gồm:

1. hiển thị một số hình ảnh quen thuộc với trẻ;
2. trẻ chọn một đối tượng đã biết;
3. phát âm từ đó và xác nhận đã nhận ra;
4. hiển thị từ được viết ra;
5. lặp lại chu trình này với một số từ có các yếu tố chữ cái giao nhau;
6. bài tập trong đó một phần điểm tựa được gỡ bỏ và trẻ phải phục hồi từ hoặc chọn hình ảnh tương ứng;
7. bài tập cuối cùng với một từ chưa được hiển thị trước đó, từ có thể được giải mã từ các quy tắc tương ứng đã nắm vững.

Không đưa các câu, văn bản dài, ngữ pháp và gamification phức tạp vào MVP. Nhiệm vụ chính là kiểm tra chính cơ chế giải mã.

Xác định một chu trình tương tác ngắn duy nhất từ hình ảnh và âm thanh quen thuộc cho đến việc nhận diện cách viết mới.

Thiết kế chu trình học tập MVP tối thiểu

Điều cần thiết không phải là một từ điển lớn, mà là một tập hợp tối thiểu các ví dụ được chọn lọc đặc biệt để kiểm tra giả thuyết.

Nền tảng: [từ điển khẩu ngữ làm cơ sở nhận diện](/concepts/ustnyy-slovar-baza-raspoznavaniya-pri-obuchenii-chteniyu) và [mạng lưới các biểu tượng của cùng một nội dung](/concepts/pismennoe-slovo-svyazyvaet-neskolko-predstavleniy).

Đối với mỗi từ, cần có:

- ý nghĩa mà trẻ em có thể hiểu được;
- hình ảnh có thể nhận diện rõ ràng;
- phát âm tự nhiên;
- cách viết;
- đánh dấu các tương ứng chữ cái/âm thanh mà nó cho phép minh họa;
- chỉ ra những từ mới nào có thể được giải mã tiếp theo dựa trên các ví dụ đã học.

Bộ này phải nhỏ gọn — đủ cho một kịch bản MVP duy nhất. Các từ phải quen thuộc với trẻ em và có các chữ cái trùng lặp để từ một số cặp đã biết có thể thực hiện việc giải mã mới. Không sử dụng các từ hiếm hoặc phức tạp chỉ vì lợi ích của một bộ chữ cái thuận tiện.

Thu thập một bộ học tập nhỏ gọn để kiểm tra khả năng chuyển đổi sự tương ứng giữa chữ cái sang các từ mới.

Lựa chọn tập hợp tối thiểu các từ, hình ảnh và âm thanh cho MVP

MVP phải phân biệt chính xác những gì trẻ đã biết, thay vì chỉ lưu trữ tiến độ chung của bài học.

Cơ sở: [từ viết liên kết nhiều thể hiện của cùng một nội dung](/concepts/pismennoe-slovo-svyazyvaet-neskolko-predstavleniy) và [các gợi ý phải dần biến mất](/concepts/podskazki-dolzhny-postepenno-ischezat).

Đối với MVP, một mô hình trạng thái tối thiểu cho mỗi từ/yếu tố học tập là đủ, ví dụ:

- nhận biết hình ảnh;
- nhận biết từ phát âm;
- liên kết hình ảnh và âm thanh;
- nhận biết từ viết;
- biết mối tương quan giữa chữ cái và âm thanh riêng lẻ;
- có thể áp dụng nó trong một từ mới.

Cần xác định các quy tắc đơn giản về thời điểm gỡ bỏ gợi ý tiếp theo và bài tập nào sẽ được hiển thị tiếp theo. Không xây dựng hệ thống thích ứng phức tạp: chỉ cần một vài chuyển đổi minh họa cần thiết để kiểm tra giả thuyết chính là đủ.

Xác định những mối liên hệ nào hệ thống coi là đã thành thạo và khi nào có thể ẩn hình ảnh, âm thanh hoặc cách viết.

Xác định mô hình kiến thức tối thiểu của trẻ và quy tắc giảm bớt gợi ý

Xây dựng phiên bản web đơn giản của MVP dựa trên [khái niệm chính của dự án](/concepts/uchitsya-legko-rf-obuchenie-chteniyu-kak-deshifrovke-pismennogo-koda).

Nguyên mẫu phải có khả năng:

- hiển thị hình ảnh;
- phát lại phát âm đã ghi âm;
- hiển thị cách viết của từ và các thành phần riêng lẻ của nó;
- chấp nhận lựa chọn của trẻ;
- chuyển đổi các nhiệm vụ tùy thuộc vào trạng thái nắm vững đơn giản;
- ẩn các gợi ý riêng lẻ;
- đưa ra ít nhất một từ mới kiểm tra để kiểm tra khả năng chuyển giao;
- ghi lại các câu trả lời và thời gian/thứ tự thử nghiệm với số lượng đủ cho việc phân tích sau này.

Không cần tài khoản, thanh toán, CMS phức tạp, lớp hệ thống thiết kế lớn hoặc cơ chế trò chơi hoàn chỉnh. Giá trị của MVP là một thử nghiệm hoạt động, chứ không phải là một sản phẩm hoàn chỉnh.

Triển khai một nguyên mẫu tương tác hoạt động, trải qua một chu trình học tập hoàn chỉnh mà không cần cơ sở hạ tầng nền tảng thừa thãi.

Xây dựng nguyên mẫu trình duyệt cho MVP tối thiểu

Sau khi có được bản mẫu hoạt động, hãy tiến hành một đợt kiểm tra ban đầu nhỏ với trẻ em thực tế.

Tiêu chí chính xuất phát từ [khái niệm đọc là nhận diện và khôi phục ý nghĩa](/concepts/chtenie-eto-raspoznavanie-slova-i-vosstanovlenie-smysla): trẻ không chỉ lặp lại các câu trả lời quen thuộc mà phải sử dụng mã đã được làm chủ.

Cần ghi nhận tối thiểu:

- trẻ đã biết những hình ảnh và từ ngữ nói nào trước buổi học;
- những mối liên hệ giữa chữ cái và âm thanh nào đã được giới thiệu;
- trẻ bắt đầu nhận ra các mặt chữ đã được hiển thị nhanh đến mức nào;
- trẻ có giải mã được từ kiểm soát mà trước đó chưa từng thấy trong hệ thống hay không;
- trẻ có liên kết được kết quả với hình ảnh/ý nghĩa chính xác hay không;
- lỗi xuất hiện chính xác ở đâu: ý nghĩa, âm thanh, chữ cái, cách ghép từ hoặc cách nhận diện.

Đừng cố gắng chứng minh hiệu quả của toàn bộ phương pháp bằng thống kê ngay trong bài kiểm tra đầu tiên. Mục tiêu là hiểu xem hiệu ứng chuyển giao quan sát được có tồn tại hay không và chuỗi giả định bị đứt gãy ở đâu.

Kiểm tra xem cơ chế có giúp trẻ khôi phục lại một từ chưa từng được hiển thị trước đó hay không, chứ không chỉ ghi nhớ các ví dụ đã học.

Thực hiện kiểm tra MVP ban đầu với trẻ em và ghi nhận hiện tượng chuyển giao

## Mục tiêu

Thêm kịch bản trả lời bằng giọng nói đơn giản cho trẻ trong các bài tập có hình ảnh.

Ví dụ:

1. Hình ảnh con chó hiển thị trên màn hình.
2. Trẻ nhấn nút micrô.
3. Nói: "Chó".
4. Trình duyệt nhận diện những gì đã nói.
5. Ứng dụng nhận văn bản và so sánh với câu trả lời mong đợi.

Tương tự cho các câu trả lời ngắn như "cá", "mèo", "nhà", v.v.

## Nền tảng kỹ thuật

Sử dụng Web Speech API của trình duyệt:

- `SpeechRecognition` hoặc `webkitSpeechRecognition`;
- `recognition.lang = 'ru-RU'`;
- đối với câu trả lời đơn, dùng `continuous = false`;
- có thể dùng `interimResults = false` cho phiên bản đầu tiên đơn giản nhất;
- lấy kết quả từ `event.results` / `transcript`.

## Những gì cần hỗ trợ

- nút bắt đầu ghi âm;
- trạng thái trực quan "đang nghe";
- dừng lại sau một câu trả lời ngắn;
- nhận văn bản được nhận diện cuối cùng;
- chuẩn hóa văn bản trước khi so sánh: chữ thường, cắt khoảng trắng (trim), xóa dấu câu nếu cần thiết;
- so sánh với từ mong đợi;
- các trạng thái: chính xác / không nhận diện được / lỗi truy cập micrô / API không khả dụng;
- khả năng thử lại.

## Hạn chế

`SpeechRecognition` được hỗ trợ không đồng đều giữa các trình duyệt và có thể sử dụng dịch vụ nhận diện giọng nói bên ngoài của trình duyệt/nền tảng. Điều này có thể chấp nhận được đối với kịch bản này: nhiệm vụ không phải là nhận diện ngữ âm cục bộ hay dùng LLM, mà là câu trả lời một từ thực tế, ngắn gọn của trẻ.

Ở giai đoạn đầu, không cố gắng nhận diện lời nói tự do, câu hoàn chỉnh hay đánh giá phát âm âm vị.

Nhận diện câu trả lời bằng giọng nói ngắn gọn của trẻ qua Web Speech API trong các bài tập dạng "Cái gì hiển thị trong hình ảnh?".

Thêm tính năng nhận diện giọng nói đơn từ trên trình duyệt cho câu trả lời của trẻ

## Bối cảnh

Nhiệm vụ liên quan đến tính năng đọc văn bản của trình duyệt `cmu326hnm0bbpqw0qh5fgsv2f`.

Các thử nghiệm cho thấy `SpeechSynthesisUtterance` phát âm khá tốt nhiều từ đầy đủ, nhưng hoạt động kém và không ổn định với các chữ cái đơn lẻ, âm tiết ngắn và các phần của từ được cắt xén nhân tạo.

Các ví dụ quan sát được:

- `Собака` (Con chó) — bình thường;
- `Со` — phát âm gần giống `С`;
- `Р` — gần giống `Э`;
- `Ры` — bình thường;
- `Свинь` — có thể bị tách rời thành việc đọc tên các chữ cái;
- `Пель` — bình thường;
- `Ковь`, `Солн` — có thể bị đánh vần từng chữ cái;
- `Ко` → khoảng `Ка`;
- `Ар` → khoảng `А`;
- `Ре` → khoảng `Э`;
- `Де` → `Дэ`.

Kết luận: Không thể coi TTS của trình duyệt là nguồn đáng tin cậy cho phát âm chuẩn sư phạm đối với cơ chế `chữ cái → âm tiết → từ`.

---

## Mục tiêu

Xây dựng luồng TTS có quản lý của riêng bạn để tạo trước và kiểm tra âm thanh học tập.

Ý tưởng chính:

```text
nội dung thẻ
↓
chữ cái / âm tiết / từ
↓
TTS có kiểm soát
↓
kiểm tra thủ công/tự động
↓
tệp âm thanh sẵn sàng
↓
ứng dụng chỉ phát âm thanh đã chuẩn bị trước
```

Trong quá trình chạy của ứng dụng học tập, không dựa vào giọng hệ thống của người dùng cho các phát âm quan trọng.

---

## Những gì cần tạo

Tối thiểu:

- các chữ cái đơn lẻ, nơi phù hợp về mặt sư phạm;
- các âm tiết học tập;
- các từ đơn lẻ cho thẻ hình ảnh;
- các hướng dẫn/câu thoại ngắn của nhân vật nếu cần.

Đặc biệt quan trọng là tạo trước tất cả các âm tiết và từ thực sự được sử dụng trong nội dung học tập tĩnh.

Không cần một trình tạo vạn năng cho tất cả các tổ hợp có thể có của tiếng Nga. Chúng tôi chỉ tạo từ vựng thực sự có trong ứng dụng.

---

## Yêu cầu đối với TTS

Cần một công cụ/dịch vụ có thể kiểm soát phát âm tốt hơn so với `SpeechSynthesis` của trình duyệt.

Các tính năng mong muốn:

- giọng nói ổn định giữa các lần tạo;
- kiểm soát ngôn ngữ `ru-RU`;
- kiểm soát tốc độ `rate`;
- kiểm soát cao độ `pitch` nếu được hỗ trợ;
- SSML hoặc cơ chế điều khiển phát âm tương tự;
- khả năng đặt khoảng dừng;
- khả năng ảnh hưởng đến việc đọc các chữ cái/âm tiết riêng lẻ;
- xuất kết quả sang WAV/MP3/OGG;
- kết quả có thể tái tạo khi tạo hàng loạt.

Nếu một TTS cụ thể đọc kém một âm tiết nào đó, phải có khả năng chỉ định một chuỗi TTS đặc biệt tách biệt với văn bản hiển thị.

Ví dụ:

```ts
type PronunciationAsset = {
  text: string
  ttsText?: string
  audioSrc: string
}
```

trong đó:

```ts
{
  text: 'КО',
  ttsText: '<chuỗi đặc biệt/SSML để phát âm chính xác>',
  audioSrc: '/audio/syllables/ko.mp3',
}
```

---

## Luồng nội dung

Cung cấp một sổ đăng ký các đơn vị được tạo:

```ts
type TtsSourceItem = {
  id: string
  text: string
  kind: 'letter' | 'syllable' | 'word'
  ttsText?: string
  voiceId?: string
  rate?: number
  pitch?: number
}
```

Ví dụ:

```ts
const items: TtsSourceItem[] = [
  {
    id: 'word-dog',
    text: 'СОБАКА',
    kind: 'word',
  },
  {
    id: 'syllable-so',
    text: 'СО',
    kind: 'syllable',
    ttsText: '...',
  },
  {
    id: 'letter-r',
    text: 'Р',
    kind: 'letter',
    ttsText: '...',
  },
]
```

Sau đó là một tập lệnh/bước xây dựng riêng biệt:

```text
items
→ TTS API
→ audio files
→ manifest
```

---

## Manifest âm thanh hoàn chỉnh

Sau khi tạo, ứng dụng sẽ không còn hoạt động với TTS mà với các tài nguyên (asset) đã sẵn sàng.

Ví dụ:

```ts
type AudioAsset = {
  id: string
  text: string
  kind: 'letter' | 'syllable' | 'word'
  src: string
}
```

```ts
export const audioAssets: AudioAsset[] = [
  {
    id: 'word-dog',
    text: 'СОБАКА',
    kind: 'word',
    src: '/audio/words/sobaka.mp3',
  },
  {
    id: 'syllable-so',
    text: 'СО',
    kind: 'syllable',
    src: '/audio/syllables/so.mp3',
  },
]
```

Trong UI:

```ts
const audio = new Audio(asset.src)
audio.play()
```

---

## Ý tưởng kiến trúc quan trọng

Tách biệt ba lớp:

```text
Display text
≠
TTS input
≠
Generated audio asset
```

Điều này cho phép hiển thị `СО` cho trẻ em, nhưng gửi một chuỗi kỹ thuật/SSML khác đến TTS nếu đó là cách duy nhất để có được phát âm chính xác.

Nghĩa là không giả định rằng:

```text
những gì hiển thị trên màn hình
=
những gì cần truyền tải nguyên văn cho TTS
```

---

## Kiểm tra chất lượng

Mỗi đơn vị cần có trạng thái kiểm tra đơn giản:

```ts
type AudioReviewStatus =
  | 'generated'
  | 'approved'
  | 'rejected'
```

Quy trình tối thiểu:

1. tạo một loạt;
2. nghe lại;
3. đánh dấu các biến thể kém;
4. điều chỉnh `ttsText` / giọng đọc / tham số;
5. tạo lại chỉ những mục bị từ chối;
6. sau khi `approved`, sử dụng asset trong ứng dụng.

Kiểm tra đặc biệt cẩn thận:

- các phụ âm đơn lẻ;
- âm tiết hai chữ cái;
- âm tiết có dấu mềm/cứng (`ь`/`ъ`);
- các phần của từ bị cắt xén;
- các tổ hợp mà TTS có thể nhầm là từ viết tắt.

---

## Liên kết với nhân vật

Hệ thống nhân vật giọng nói có thể sử dụng cùng một luồng.

Nếu các nhân vật cần khác nhau về giọng đọc/nhịp độ/cao độ, đối với mỗi nhân vật bạn có thể:

- tạo một bộ asset riêng biệt;
- hoặc chỉ sử dụng các nhân vật cho các câu thoại không quan trọng, và giữ các chữ cái/âm tiết học tập ở một giọng chuẩn duy nhất.

Điều này cần được quyết định riêng sau khi ước tính khối lượng asset được tạo.

---

## Giai đoạn thực tế đầu tiên

Không chọn ngay TTS cuối cùng.

Đầu tiên, so sánh một số ứng viên trên một tập thử nghiệm ngắn gồm các chuỗi có vấn đề:

```text
Р
СО
РЫ
РЕ
ДЕ
КО
АР
СВИНЬ
ПЕЛЬ
КОВЬ
СОЛН
СОБАКА
СВИНЬЯ
```

Đánh giá cho mỗi ứng viên:

- tính chính xác của phát âm;
- độ ổn định;
- sự hiện diện của SSML/gợi ý âm vị (phoneme hints);
- chất lượng giọng tiếng Nga;
- khả năng tạo hàng loạt;
- chi phí;
- giới hạn bản quyền;
- sự thuận tiện khi lưu kết quả thành tệp âm thanh.

Sau đó, chọn TTS chính và tiến hành xây dựng luồng sản xuất (production pipeline).

## Tiêu chí hoàn thành

Có một quy trình có thể tái tạo, lấy danh sách tĩnh các chữ cái/âm tiết/từ học tập để tạo ra các tệp âm thanh đã được kiểm chứng, lưu chúng dưới dạng asset của ứng dụng và cho phép ghi đè riêng biệt chuỗi TTS kỹ thuật cho các trường hợp ngoại lệ.

Thiết lập quy trình TTS tùy chỉnh có kiểm soát để tạo trước âm thanh cho các chữ cái, âm tiết và từ thay vì phụ thuộc vào SpeechSynthesis không thể đoán trước của trình duyệt.