5 giây âm thanh đủ không để phân vai audiobook? Thử nghiệm thực tế
Tối thứ Ba tuần trước, tôi đang ngồi trong tủ quần áo, kéo chắn cửa, ôm chiếc chăn dày lên mặt, đọc kịch bản vào điện thoại. Vừa đọc xong một dòng, tiếng xe máy đi ngang nhà lại vang lên. Tôi thở dài, xóa hết, quay lại từ đầu. Lần này, tôi chỉ cần năm giây.
Tôi đang làm một dự án audiobook dài, nhân vật chính và kẻ đối thủ cần hai giọng hoàn toàn khác nhau. Ban đầu định thuê diễn viên chuyên nghiệp, dự kiến hai trăm nghìn đồng một giờ, nhưng ngân sách bị chẹt. Vô tình thấy trang chủ quảng cáo "nhân bản giọng nói miễn phí" vĩnh viễn, tôi nghĩ hãy dùng mẫu ngắn nhất thử nước, nếu chạy được thì tiết kiệm được hơn là tiền. Tôi nhầm lẫn một chút, nhưng vẫn upload đoạn 5 giây tự ghi vào công cụ voice cloning tiếng việt text to speech tiếng việt miễn phí.
Tìm một góc nhà yên tĩnh, miệng dính sát vào mic điện thoại, đọc một câu thoại điển hình của nhân vật. Bên ngoài cửa sổ vẫn có tiếng claxon xe hơi, nhưng trong tủ áo thì yên tĩnh hơn nhiều. Độ dài vừa phải 5,2 giây, định dạng m4a, kéo thẳng vào trang web là xong, không có cửa sổ đăng ký nào hiện ra. Cả quá trình chưa tới mười giây, cũng không nhắc đến giới hạn dung lượng file. Cảm giác như đang dùng một công cụ voice clone không cần đăng ký thật sự.
Bấm "Bắt đầu nhân bản", trang chỉ hiện một thanh tiến độ, vài giây sau chạy xong, bên cạnh có dòng chữ nhỏ "Mô hình đã sẵn sàng, có thể ghép âm ngay". Tôi lập tức dán đoạn thoại đầu tiên của nhân vật chính vào khung văn bản, chọn âm sắc vừa tạo, bấm ghép. Câu đầu tiên nghe xong tôi ngẩn ra — ngữ điệu, khí khẩu, thậm chí cả nhịp rung nhẹ đều giống hệt bản người. Đây có lẽ là biểu hiện cực hạn của giọng nói ai miễn phí khi chỉ có mẫu cực ngắn. Mà hơn thế nữa, công cụ này còn cho phép đọc văn bản bằng giọng nói ai một cách khá tự nhiên.
Trong lời thoại của nhân vật chính có những chỗ ngắt quãng dài, tôi cố tình chèn dấu câu trong văn bản, bản ghi âm sau đó xử lý phần ngắt rất tự nhiên, không có cảm giác cắt ngắt máy móc. Tốc độ mặc định hơi nhanh, tôi kéo chậm xuống 0,9 lần, phối hợp điều chỉnh nhẹ âm cao, hiệu ứng ngay lập tức sát hơn với nhịp đọc trong tác phẩm gốc, tạo ra một giọng đọc hay miễn phí mà không cần thuê studio. Xuất ra wav, kéo vào phần mềm cắt ghép, hình dáng sóng nhìn sạch, không có tiếng nền rõ rệt.
Giọng đối thủ yêu cầu thấp, khàn, tôi chỉ có cùng bộ mẫu 5 giây, nên hạ âm cao hai nửa tiếng, kéo chậm tốc độ một chút nữa. Sau khi sinh, cảm giác nghe có phần uất ức, nhưng chi tiết tần số cao bị mất rõ rệt, đôi khi còn hiện tượng giả mạo điện tử nhẹ. Điều này nhắc tôi: cùng một mô hình khi chuyển đổi âm sắc cực đoan vẫn sẽ lộ chân mạo, sau này phải dùng bộ lọc tần số xử lý thêm.
Chạy hai bản song sản, phiên bản nhân vật chính gần như có thể đăng trực tiếp, còn đối thủ phải xử lý lại. Tôi điều chỉnh âm cao đối thủ thêm -1,5, tốc độ 0,85, và chèn dấu hiệu im lặng 300 miligiây trước những câu quan trọng, sinh lại thì cảm giác giả mạo giảm phần lớn. Vòng lặp điều chỉnh này mất khoảng mười phút, hoàn tất trong trình duyệt, không cần tải bất kỳ ứng dụng tạo giọng nói miễn phí nào. Nếu muốn xem thêm kỹ thuật tham số, có thể xem thêm tại hướng dẫn tham số chi tiết.
Thử nghiệm lần này khiến tôi nhận ra, tiếng ồn môi trường khi thu, khoảng cách mic, thậm chí tiếng vang của phòng cũng bị mô hình "học theo". Đoạn thu trong hành lang gần như khô, giọng sao chép ra sạch sẽ; nhưng sau đó vì vội vã, tôi lại thu thêm một đoạn 5 giây khác ở phòng khách, bật điều hòa, bản ghép ra tiếng nền rõ hơn, thậm chí tiếng hít thở cũng bị phóng to thành tiếng xì xì. Kinh nghiệm là: tìm một tủ áo hoặc nơi có chăn chắn, miệng cách mic khoảng năm centimet, tắt mọi thiết bị đang chạy, dù chỉ năm giây, tỷ lệ tín hiệu trên ồn cao sẽ tiết nửa công việc giảm ồn sau này.
Đặt độ lớn mic ở mức cao nhất mà không bị chéo sóng, đọc xong dùng công cụ cắt sẵn trong điện thoại bỏ phần im lặng hai đầu, chỉ giữ giọng thuần khiết. Trước khi upload, tôi chuyển file thành wav 16kHz, một kênh, mặc dù trang web cũng chấp nhận m4a, nhưng thống nhất định dạng sẽ tránh được thông báo "giải mã thất bại" đôi khi xuất hiện. Những chi tiết nhỏ lẻt này, nhưng lại quyết định mức cao nhất của bản sao chép.
Có sẵn hai giọng nhân vật chính và đối thủ, mấy chục chương sau không cần sao chép lại. Tôi chia văn bản mỗi chương theo nhân vật thành hai file txt, mở khung "ghép âm loạt" trên trang web (thực ra chỉ là dán nội dung vào khung văn bản, bấm ghép, tải về), phối hợp trình bổ trợ điền tự động trong trình duyệt, vài phút là chạy xong hai pista của một chương hoàn chỉnh. Sau ghép, dùng tính năng đổi tên loạt trong phần mềm cắt ghép, đặt tên theo chương, nhân vật, kéo vào thời gian trục gần như không cần can thiệp thủ công. Với quy trình này, thu âm audiobook bằng ai miễn phí không còn là điều xa xôi với người tạo nội dung độc lập.
Lưu ý một điểm: cùng một mô hình khi ghép văn bản dài, việc điều chỉnh nhẹ tốc độ và âm cao nhất tốt nên cố định, nếu không các chương khác nhau sẽ có cảm giác "vừa nhanh vừa chậm" khó chịu. Tôi cố định nhân vật chính ở tốc độ 0,92 lần, âm cao +0,3, đối thủ ở 0,85 lần, âm cao -2,5, chạy toàn bộ sách xong cảm giác nghe thống nhất, tiết kiệm được công việc điều chỉnh từng đoạn.
Sự tò mò khiến tôi cắt một đoạn 3 giây của cùng nhân vật upload, kết quả mô hình trực tiếp báo "Mẫu quá ngắn, đề xuất trên bốn giây". Tôi cố bỏ qua cảnh báo tiếp tục ghép, bản âm thanh sinh ra ở nguyên âm có sự run rẩy rõ rệt, biên phụ âm còn có cảm giác kim loại, hoàn toàn không thể dùng làm sản phẩm hoàn chỉnh. Điều này cho thấy mô hình cơ sở có ngưỡng thời gian cứng, năm giây vừa đúng điểm mấu chốt, ngắn hơn sẽ sập.
Nếu tay chỉ có mảnh audio cực ngắn, đề nghị thu trước hai đến ba câu thoại khác nhau về cảm xúc của cùng nhân vật, ghép lại thành trên năm giây, cho dù giữa chen thêm nửa giây im lặng cũng được. Mô hình chỉ cần nghe đủ phạm vi âm vị, mới học ổn định đặc điểm giọng, sau này sẽ không phải lo lắng về giả mạo nữa.
Kéo hai pista lên trục thời gian trong CapCut, thêm nhạc nền và âm thanh môi trường, toàn bộ mười phút đầu của chương audiobook đã xong. Xuất ra mp3, chuyển văn bản thành âm thanh miễn phí, đăng lên TikTok hoặc YouTube, dùng để lồng tiếng video bằng ai miễn phí cho các clip ngắn. Lượt phát cao hơn dự tính gấp đôi, bình luận còn có người hỏi "giọng này là ai đọc". Lần sau tôi sẽ trực tiếp ném mẫu năm giây vào công cụ và xuất ra, tiết kiệm công việc thu âm lại từ đầu.
Nếu bạn cũng đang mơ về một kênh audiobook mà không đủ tiền thuê diễn viên, hãy thử ngay — nhưng đừng quên: môi trường thu âm quan trọng hơn cả công cụ bạn chọn.