HỆTHỐNG AI HỖ TRỢ GIẢNG DAỴ MÔN ÂM NHAC̣ : CHẤM ĐIỂM GIOṆ G HÁT VỚI NHIỀU TIÊU CHÍ

Abstract

Trong bối cảnh ứng dụng trí tuệ nhân tạo vào giáo dục nghệ thuật, việc đánh giá giọng hát của người học vẫn chủ yếu dựa vào cảm nhận chủ quan của giáo viên, thiếu tính nhất quán và khó mở rộng. Đề tài này đề xuất xây dựng hệ thống AI hỗ trợ giảng dạy môn Âm nhạc thông qua chấm điểm giọng hát dựa trên bốn tiêu chí cốt lõi: cao độ (pitch), trường độ/nhịp (tempo), phát âm (pronunciation) và độ khớp lời bài hát (lyric alignment). Đặc biệt, nghiên cứu áp dụng mô hình Large Language Model (LLM) được tinh chỉnh (fine-tuning) để tự động sinh nhận xét dựa trên kết quả phân tích từng tiêu chí. LLM được huấn luyện bằng bộ dữ liệu nhận xét được xây dựng thủ công theo cấu trúc chuẩn hóa, nhằm đảm bảo khả năng tạo phản hồi tự nhiên, nhất quán và phù hợp với ngữ cảnh giáo dục âm nhạc. Hệ thống đầu ra bao gồm điểm số từng tiêu chí và đoạn nhận xét mô tả ưu – khuyết điểm giọng hát giúp người học cải thiện kỹ năng. Hệ thống được triển khai thành một ứng dụng minh họa cho phép thu âm trực tiếp, phân tích giọng hát theo thời gian thực và sinh nhận xét tự động thông qua LLM. Kết quả thực nghiệm cho thấy mô hình đánh giá đạt độ chính xác cao trên cả bốn tiêu chí, trong đó pitch và tempo cho độ tin cậy tốt nhất, còn pronunciation và lyric alignment đạt hiệu quả ổn định khi kết hợp cả đặc trưng âm học và xử lý ngôn ngữ tự nhiên. Hướng mở rộng của đề tài tập trung vào việc chuyển các đặc trưng dạng vector số sang biểu diễn spectrogram, từ đó huấn luyện mô hình CNN nhằm khai thác đặc trưng không gian–tần số trực quan hơn, giúp tăng độ chính xác và khả năng tổng quát hóa. Điều này mở ra tiềm năng xây dựng hệ thống chấm điểm giọng hát tự động hoàn chỉnh, ứng dụng thực tế trong dạy – học âm nhạc và các nền tảng luyện hát trực tuyến. Từ khóa: Chấm điểm giọng hát, Pitch, Tempo, Pronunciation, Lyric Alignment, Xử lý tín hiệu âm thanh, LLM, Fine-tuning, Nhận xét tự động, Spectrogram, CNN, Học sâu, Hỗ trợ giảng dạy âm nhạc.