Giọng đọc AI tiếng Việt hiện đã đủ tự nhiên cho nhiều việc: thuyết minh video hướng dẫn, đọc tin, sách nói, lời chào tổng đài, bài giảng trực tuyến. Nghe một hai câu, nhiều người khó phân biệt với người thật. Nghe mười phút thì thường lộ: ngắt nghỉ đều quá, nhấn sai chữ, đọc số và tên riêng lạ tai.
Nhân bản giọng, tức cho máy học giọng một người để đọc bất kỳ văn bản nào, là bước tiếp theo và cũng là chỗ nhạy cảm nhất. Bài này nói máy làm âm thanh tiếng Việt thế nào, cách soạn văn bản để máy đọc trôi, ba vùng giọng Bắc Trung Nam, và các nguyên tắc an toàn khi dùng giọng của chính mình.
Máy biến chữ thành tiếng nói như thế nào?
Quá trình có hai chặng chính. Chặng đầu, văn bản được "đọc hiểu" ở mức âm: tách câu, đổi số thành chữ, quyết định chữ nào đọc thế nào, chỗ nào ngắt hơi, câu nào lên giọng. Chặng sau, mô hình tạo sóng âm thanh từ các thông tin ấy, học từ hàng nghìn giờ ghi âm người thật đọc.
Tiếng Việt khó ở chặng đầu nhiều hơn người ta nghĩ. Sáu thanh điệu mang nghĩa, nên đọc sai thanh là sai chữ. Chữ viết tắt rất nhiều: "TP" là thành phố, "BS" là bác sĩ, "CN" có thể là chủ nhật hay công nghệ. Số "1/2" là một phần hai hay mùng một tháng hai. Một người Việt đọc là hiểu ngay theo ngữ cảnh, máy thì phải đoán.
Ở chặng sau, các mô hình mới học được cả nhịp điệu và hơi thở nên nghe mềm hơn thế hệ cũ rất nhiều. Nhưng cảm xúc vẫn là điểm yếu. Một đoạn kể chuyện buồn, một câu đùa, một câu hỏi tu từ thường bị đọc cùng một sắc thái. Một số công cụ cho chọn kiểu giọng như vui, trầm, trang trọng, nhưng chuyển sắc thái giữa câu vẫn còn cứng.
Nhân bản giọng dùng cùng nguyên lý, chỉ khác là mô hình được cho nghe thêm một đoạn ghi âm của người cụ thể để bắt chước âm sắc. Có công cụ chỉ cần vài chục giây, có công cụ cần lâu hơn để ra giọng sát. Đây chính là lý do kẻ xấu có thể lấy vài đoạn video công khai của bạn để giả giọng.
Soạn văn bản để máy đọc trôi như người
Viết số ra chữ khi dễ nhầm. Ngày tháng, phân số, số điện thoại nên viết rõ cách đọc mình muốn, ví dụ "mùng một tháng hai".
Bỏ viết tắt. "TP.HCM" viết thành "Thành phố Hồ Chí Minh". Máy đọc viết tắt hay ra từng chữ cái.
Câu ngắn vừa hơi thở. Câu dài ba dòng làm máy ngắt sai chỗ. Chia thành hai ba câu ngắn đọc tự nhiên hơn.
Dấu câu là chỉ dẫn ngắt nghỉ. Dấu phẩy là nghỉ ngắn, dấu chấm là nghỉ dài. Thêm phẩy đúng chỗ giúp máy nhấn nhá.
Tên nước ngoài phiên theo cách đọc. Nếu máy đọc tên riêng tiếng Anh lơ lớ, ghi phiên âm tiếng Việt cho chỗ đó.
Tránh ký hiệu. Dấu gạch chéo, mũi tên, phần trăm có thể bị đọc kỳ lạ. Viết thành chữ.
Từ đa nghĩa thì thêm ngữ cảnh. Nếu máy nhấn sai nghĩa, đổi cách diễn đạt để câu rõ nghĩa hơn.
Đọc thử từng đoạn. Nghe thử từng đoạn trước khi xuất cả bài. Sửa văn bản thường nhanh hơn chỉnh âm thanh.
Đánh dấu chỗ cần nhấn. Một số công cụ có cú pháp riêng để nhấn, kéo dài, nghỉ. Học vài lệnh cơ bản đáng công.
Giữ một giọng cho một kênh. Kênh video đổi giọng liên tục làm người xem mất cảm giác quen thuộc.
Nghe lại bằng loa điện thoại. Phần lớn khán giả nghe qua điện thoại. Âm thanh ổn trên tai nghe xịn có thể chói trên loa nhỏ.
Để người nghe thật kiểm cuối. Nhờ một người không biết nội dung nghe thử. Họ sẽ chỉ ra chỗ khó hiểu mà người soạn không thấy.
Giọng Bắc, giọng Trung, giọng Nam và chuyện chọn giọng
Phần lớn công cụ có giọng Bắc và giọng Nam, giọng miền Trung ít hơn và thường kém tự nhiên hơn vì dữ liệu ghi âm ít. Chọn giọng không chỉ là sở thích: một kênh dạy nấu món miền Tây mà dùng giọng Bắc chuẩn nghe sẽ lạc tông, khán giả cảm thấy xa.
Ngược lại, một tổng đài ngân hàng hay bài giảng chính thức có thể chọn giọng trung tính, rõ ràng. Một số doanh nghiệp ở Đà Nẵng, Huế muốn giọng miền Trung cho gần gũi với khách địa phương; nếu công cụ không có giọng đạt, ghi âm người thật vẫn là lựa chọn tốt hơn một giọng máy lơ lớ.
Từ vựng vùng miền cũng là chuyện. Máy đọc đúng chữ trên văn bản, nhưng văn bản viết theo giọng Bắc mà đọc bằng giọng Nam sẽ có chỗ không khớp, như "ngô" với "bắp", "bát" với "chén". Soạn văn bản theo vùng của giọng đọc thì nghe liền mạch hơn.
Một kinh nghiệm từ người làm sách nói: giọng hay nhất không phải giọng "chuẩn" nhất mà là giọng hợp nội dung. Truyện thiếu nhi cần giọng ấm, chậm. Tin tức cần giọng rõ, nhịp đều. Thử ba bốn giọng với cùng một đoạn rồi nhờ vài người nghe chọn, đừng chọn theo cảm giác một mình.
Nhân bản giọng: dùng an toàn và đúng đắn
Chỉ nhân bản giọng của chính mình. Hoặc giọng người đã đồng ý bằng văn bản, ghi rõ được dùng vào việc gì, trong bao lâu.
Không nhân bản giọng người nổi tiếng. Dùng giọng người khác để quảng cáo hay trêu đùa có thể xâm phạm quyền nhân thân và gây hiểu nhầm.
Không nhân bản giọng người đã mất để bán hàng. Kể cả có người thân đồng ý, việc này dễ gây tranh cãi về đạo đức.
Ghi chú khi dùng giọng nhân bản. Với nội dung công khai, nói rõ đây là giọng tổng hợp giúp người nghe không bị đánh lừa.
Giữ kín mẫu giọng gốc. File ghi âm dùng để nhân bản là tài sản nhạy cảm, lưu như mật khẩu.
Đọc điều khoản về quyền giọng. Xem công cụ có giữ hay dùng lại giọng của bạn không, và cách xóa khi cần.
Gia đình đặt mật khẩu riêng. Vì giọng có thể bị giả, cả nhà nên có một câu hỏi bí mật để xác minh khi ai đó gọi xin tiền gấp.
Doanh nghiệp không xác thực bằng giọng. Lệnh chuyển tiền qua điện thoại cần xác minh qua kênh thứ hai, dù giọng nghe rất giống giám đốc.
Hạn chế đăng giọng nói dài công khai. Không cần sợ quá mức, nhưng người có vị trí quan trọng nên ý thức rằng giọng mình có thể bị lấy mẫu.
Báo ngay khi bị giả giọng. Báo cho người thân, đối tác, và trình báo cơ quan công an nếu có thiệt hại.
Dùng cho việc tốt. Người mất giọng do bệnh có thể dùng giọng nhân bản từ ghi âm cũ để giao tiếp. Đó là ứng dụng đáng trân trọng.
Giọng AI hợp việc gì, không hợp việc gì?
Hợp: video hướng dẫn thao tác. Nội dung rõ ràng, ít cảm xúc, cần sửa nhanh khi phần mềm đổi giao diện. Sửa câu chữ rồi xuất lại thay vì thu âm lại cả bài.
Hợp: bài giảng nội bộ. Một xưởng may ở Long An có thể làm video an toàn lao động cho công nhân mới mà không cần người đọc chuyên nghiệp.
Hợp: lời chào tổng đài. Câu ngắn, cố định, cần đổi theo mùa khuyến mãi.
Hợp: bản đọc cho người khiếm thị. Biến bài viết, tài liệu thành âm thanh giúp nhiều người tiếp cận thông tin hơn.
Hợp: bản nháp lồng tiếng. Dựng phim với giọng máy trước, khi chốt bản cuối mới thuê người đọc.
Hợp: luyện nghe ngoại ngữ. Tạo đoạn hội thoại để học, đổi tốc độ đọc theo trình độ.
Không hợp: quảng cáo cần cảm xúc mạnh. Giọng máy dễ phẳng, làm thông điệp kém thuyết phục.
Không hợp: truyện nhiều nhân vật. Phân vai, đổi giọng giữa các nhân vật vẫn là thế mạnh của người đọc.
Không hợp: nội dung y tế, pháp lý phát thẳng cho khách. Một chữ đọc sai có thể làm sai nghĩa nghiêm trọng. Nếu dùng, phải có người nghe soát từng câu.
Không hợp: thơ, ca dao. Nhịp, vần, ngắt dòng là linh hồn của thơ, máy thường đọc như văn xuôi.
Không hợp: tin nhắn giả làm người thật. Gửi lời nhắn bằng giọng nhân bản mà người nghe tưởng là bạn tự nói là thiếu trung thực.
Câu hỏi thường gặp
Giọng đọc AI tiếng Việt có dùng cho video kiếm tiền được không?
Được nếu điều khoản công cụ cho phép dùng thương mại và nền tảng video không cấm. Một số nền tảng yêu cầu nội dung có giá trị riêng, nên chỉ ghép giọng máy đọc văn bản chép lại dễ bị đánh giá thấp.
Vì sao giọng AI đọc sai dấu ở một số chữ?
Thường do chữ viết tắt, từ đa nghĩa hoặc tên riêng mà máy không đoán được cách đọc theo ngữ cảnh. Viết rõ ra hoặc đổi cách diễn đạt thường sửa được.
Cần bao lâu ghi âm để nhân bản giọng?
Tùy công cụ, có loại chỉ cần đoạn ngắn, có loại cần lâu hơn để giống sát. Ghi âm càng sạch, ít tiếng ồn, đọc đa dạng câu thì kết quả càng tốt.
Làm sao nhận ra cuộc gọi giả giọng người thân?
Cảnh giác khi cuộc gọi đòi chuyển tiền gấp, bảo giữ bí mật, hoặc gọi từ số lạ. Gác máy và gọi lại số quen của người đó, hoặc hỏi câu bí mật cả nhà đã thống nhất.
Sách nói bằng giọng AI có hay bằng người đọc không?
Với sách kiến thức, giọng AI tốt có thể đủ nghe. Với truyện, thơ, văn có nhiều cảm xúc, người đọc giỏi vẫn hơn hẳn vì biết nhấn nhá theo nhân vật và tình huống.
