Sau hơn một nghìn năm lưu giữ lịch sử, văn hóa và tri thức dân tộc, phần lớn tư liệu Hán Nôm vẫn nằm ngoài khả năng tiếp cận của số đông. Với việc xây dựng thành công hệ thống dịch tự động Hán Nôm bằng trí tuệ nhân tạo (AI), các nhà khoa học Trường ĐH Khoa học tự nhiên đang từng bước mở cánh cửa đưa kho tàng di sản ấy đến gần hơn với cộng đồng, đồng thời tạo nền tảng cho công cuộc số hóa và khai thác di sản văn hóa Việt Nam.

AI mở lối tiếp cận kho tàng Hán Nôm

Theo thống kê của Hội Bảo tồn di sản Hán Nôm, hơn 90% tư liệu Hán Nôm hiện nay chưa được dịch sang chữ Quốc ngữ. Hàng triệu trang sắc phong, châu bản, gia phả, địa bạ, văn bia, thư tịch cổ, hoành phi, câu đối hay các bài thuốc dân gian vẫn chủ yếu tồn tại dưới dạng ảnh hoặc bản số hóa, trong khi số người có khả năng đọc hiểu Hán Nôm ngày càng ít. Đó cũng là lý do nhóm nghiên cứu do PGS.TS Đinh Điền – Giám đốc Trung tâm Ngôn ngữ học Tính toán (Trường ĐH Khoa học tự nhiên) làm chủ nhiệm triển khai đề tài “Nghiên cứu xây dựng hệ thống dịch tự động Hán Nôm sang chữ Quốc ngữ giai đoạn 2”. Đề tài vừa được Hội đồng tư vấn nghiệm thu của Sở Khoa học và Công nghệ TP.HCM đánh giá hoàn thành xuất sắc.

PGS.TS Đinh Điền cho biết:  “Chữ Nôm được người Việt sáng tạo từ khoảng thế kỷ X dựa trên chữ Hán và được sử dụng suốt hơn một thiên niên kỷ. Kho tàng văn học, lịch sử, địa lý, y học dân tộc và nhiều lĩnh vực khác đều được ghi chép bằng hệ thống văn tự này. Tuy nhiên, hiện nay rất ít người còn có thể đọc hiểu Hán Nôm, trong khi các hệ thống AI phổ biến trên thế giới như ChatGPT, Gemini hay DeepSeek chỉ xử lý được chữ Hán hiện đại, chưa thể hiểu được chữ Nôm”.

Theo đó, nếu không sớm ứng dụng công nghệ để nhận dạng và chuyển đổi các văn bản cổ, nhiều tư liệu quý sẽ tiếp tục bị mai một bởi thời gian, điều kiện bảo quản và sự thiếu hụt người am hiểu Hán Nôm. Mục tiêu của nhóm nghiên cứu là xây dựng một hệ thống có thể giúp mọi người tiếp cận, tra cứu và hiểu được nội dung các văn bản Hán Nôm một cách thuận tiện, miễn phí. Điểm đột phá của giai đoạn 2 là giải quyết bài toán nhận dạng ký tự quang học (OCR) cho tài liệu Hán Nôm. Nếu ở giai đoạn trước hệ thống chỉ xử lý được văn bản dạng chữ, thì nay đã có thể nhận dạng các văn bản dưới dạng ảnh – vốn chiếm gần như toàn bộ nguồn tư liệu Hán Nôm hiện nay.

Một thành quả nổi bật khác là việc xây dựng kho dữ liệu Hán Nôm lớn nhất từ trước đến nay tại Việt Nam với 200.000 ảnh trang văn bản Hán Nôm, 200.000 ảnh được gán nhãn phục vụ huấn luyện OCR, 750.000 cặp câu song ngữ Hán Nôm – Quốc ngữ và hơn 1 triệu câu đơn ngữ Hán Nôm, tương đương khoảng 16 triệu ký tự. Để có được nguồn dữ liệu này, nhóm nghiên cứu đã nhận được sự hợp tác của nhiều tổ chức trong và ngoài nước như Nom Foundation, Viện Trần Nhân Tông, các dự án nghiên cứu Hán Nôm và nhiều chuyên gia, giảng viên, sinh viên Hán Nôm. Hầu hết dữ liệu ban đầu đều ở dạng thô nên nhóm phải xây dựng quy trình chuẩn hóa, gán nhãn và kiểm tra chéo bằng cả AI lẫn chuyên gia để đảm bảo chất lượng dữ liệu huấn luyện.

Hướng đến nền tảng số dùng chung cho di sản Hán Nôm

Trên nền tảng dữ liệu và các mô hình AI được xây dựng, nhóm nghiên cứu đã phát triển hệ sinh thái Kim Hán Nôm, hoạt động trên nền tảng web, Android và iOS. Hệ thống có thể nhận dạng văn bản Hán Nôm từ hình ảnh, chuyển tự hai chiều giữa Hán Nôm và chữ Quốc ngữ, hỗ trợ dịch văn bản Hán, đồng thời cung cấp các API để tích hợp vào những ứng dụng khác. Đối với các hình ảnh ngoại cảnh như hoành phi, câu đối tại đền chùa hay di tích, hệ thống còn có khả năng hiển thị trực tiếp phần chữ Quốc ngữ trên nền ảnh gốc, giúp người dùng dễ dàng đối chiếu nội dung.

Theo PGS.TS. Đinh Điền, độ chính xác của hệ thống phụ thuộc vào chất lượng dữ liệu đầu vào. Với văn bản dạng chữ thuộc các lĩnh vực phổ biến như văn học, lịch sử hay địa lý, độ chính xác của phần chuyển tự đạt trên 99%. Đối với văn bản dạng ảnh rõ nét, đặc biệt là chữ Khải được khắc in, OCR đạt trên 95%. Những trường hợp văn bia quá mờ, chữ viết tay hoặc các kiểu chữ đặc biệt vẫn cần đến kinh nghiệm và tri thức của các chuyên gia Hán Nôm để hiệu đính.

Không chỉ phục vụ giới nghiên cứu, hệ thống còn hướng đến cộng đồng. Người dân có thể sử dụng điện thoại để chụp ảnh hoành phi, câu đối, sắc phong, gia phả, khế ước hay các văn bản cổ do gia đình lưu giữ, sau đó để hệ thống tự động nhận dạng và chuyển sang chữ Quốc ngữ. Nhờ đó, những tư liệu vốn khó tiếp cận có thể được hiểu và khai thác dễ dàng hơn.

PGS.TS. Đinh Điền cho rằng hệ thống sẽ trở thành công cụ hữu ích cho các trường đại học, thư viện, bảo tàng, trung tâm lưu trữ và các đơn vị bảo tồn di sản trong việc nhận dạng, phân loại, tóm tắt và tra cứu tư liệu Hán Nôm. Xa hơn, công nghệ này còn mở ra nhiều hướng nghiên cứu mới trong lịch sử, địa lý, y học cổ truyền và chủ quyền biển đảo.

Sau khi hoàn thành giai đoạn 2, nhóm nghiên cứu đang chuẩn bị triển khai giai đoạn 3 với trọng tâm là bài toán dịch nghĩa văn bản Hán. Đây được xem là bước phát triển khó nhất bởi AI không chỉ cần hiểu ngôn ngữ mà còn phải tích hợp tri thức về lịch sử, văn hóa, tôn giáo và nhiều lĩnh vực chuyên ngành khác. Song song đó, nhóm sẽ tiếp tục mở rộng kho dữ liệu theo từng lĩnh vực như lịch sử, tôn giáo, y học cổ truyền, văn bia hay sắc phong nhằm xây dựng các mô hình AI chuyên sâu.