Sai lầm lớn nhất khi dùng AI đọc văn bản? Bạn đang để nó đọc như bản tin tức
Tháng trước mình giúp bạn chỉnh video khám phá quán phở trên TikTok, mười giây thôi. Viết kịch bản ba lần, xong giọng đọc — hỏng rồi. Tiếng cứng như phóng viên đọc giá rau trong bản tin buổi tối. Bạn nghe xong chỉ ném một câu: "Giọng này mùi AI quá." Mình không phục, công cụ đánh giá lại tốt. Sau đó cùng đoạn văn, mình sửa cách ngắt câu, thêm hít thở, chèn từ đệm, ném vào cùng khung chuyển văn bản thành giọng nói. Lúc xuất ra, nghe được rồi.
Video ngắn: nhanh thì sao che được mùi máy?
Phần khó nhất của voiceover video ngắn là "nhanh". Thông tin dày đặc, nhạc nền trên Reels hay YouTube Shorts còn ồn, người đọc thật thường không tự nhiên nâng giọng lên, như đang nói chuyện với bạn bè, âm cuối còn hơi lên. AI không. Nó chạy đều đặn, mỗi từ đều nặng như nhau, ba chữ "cà phê sữa" có thể đọc với giọng trang trọng của bản tin, giữa các từ như bị dao cắt, không có sự chuyển tiếp. Mình thử trong công cụ tạo giọng nói miễn phí mấy lần, phát hiện cắt câu dài ra, dùng dấu phẩy thay cho chấm, thêm dấu ba chấm trước động từ, nhịp độ lập tức khác. Hiện nay nhiều công cụ giọng đọc hay miễn phí đã âm thanh rất giống, nhưng giữa "giống" và "dùng được" có một dòng sông về nhịp độ. Bạn làm video ngắn có thể thử: đọc kịch bản một lần trước, chỗ đọc ngách là chỗ AI sẽ sảy.
Mở đầu podcast: chậm lại mới khó hơn
Mở đầu podcast là chuyện khác. Mười giây đầu, không có nhạc che, khô tiếng trực tiếp, tai người nghe như muốn dính vào loa. Lúc này AI quá sạch, lại càng giả. Người đọc thật thường có tiếng "ừ", "ê", có một khoảnh khắc chưa chuẩn bị sẵn sàng, thậm chí tiếng môi răng va chạm, hơi thở trong ngực khi thay hơi. Mình từng dùng dịch vụ đọc văn bản bằng giọng nói ai miễn phí, cũng so sánh đầu ra khô của các công cụ chuyển văn bản thành âm thanh miễn phí, kết quả giống hệt: nội dung chậm, bất kỳ dao động máy móc nào cũng bị phóng đại. Còn nếu bạn định thu âm audiobook bằng ai miễn phí, quy tắc không khác: đừng để giọng đọc quá mịn, nếu không sẽ như máy đọc sách giáo khoa. Bạn không cần âm sắc đẹp hơn, bạn cần một cái "hiện trường chưa được chỉnh sửa".
Nhạc nền che không được gì
Tuần trước làm intro cho kênh làm đẹp, mình nghĩ dùng nhạc electronica mạnh che đi cảm giác cứng của AI. Nghe xong, nhạc càng to, mùi máy càng rõ — nét trộm và tiếng hợp thành va chạm, như hai thiết bị hỏng đang đấu nhau. Sau đó mình tắt nhạc, chỉ nghe khô, phát hiện vấn đề không ở âm lượng, mà ở vị trí ngắt nghỉ. Trước khi thêm nhạc vào video ngắn, hãy nghe thử giọng đọc khô một lần, chỗ nghe xấu hơi thì sửa cách ngắt câu, đừng hy vọng giai đáo sẽ đỡ đầu. Nhiều người mới quen tìm nhạc trước rồi mới lồng tiếng video bằng ai miễn phí, thứ tự ngược rồi. Bạn nghĩ nhạc có thể che được gì? Nó chỉ che được sự im lặng, che không được mùi máy.
Bẫy lớn nhất mình từng đạp: chỉ nhân bản âm sắc, quên cả "diễn"
Bẫy lớn nhất mình từng đạp là cho rằng nhân bản giọng nói là xong hết. Lần trước đọc tin công nghệ, mình upload bản ghi thoại thường làm mẫu, ra giọng bốn bằng tám ổn định, như chăm sóc khách hàng đọc kịch bản sẵn. Lúc đó mới hiểu: mình chỉ cung cấp "tiếng nói", không cung cấp "cách nói". Sau đó trong công cụ nhân bản giọng nói miễn phí trên trang này, mình cố tình đưa vào mẫu nhiều cảm xúc — châm biếm, hào hứng, mệt mỏi, thậm chí hừ hào, cười nhẹ, nói nhanh hơn. Ra là nhân bản giọng nói không phải sao chép đơn thuần vân tay, mà là cho mô hình học thói quen nói chuyện. Nếu bạn đang tìm công cụ voice cloning tiếng việt, đừng chỉ upload tài liệu đọc, hãy cho nó những thứ có sức, có khẩu ngữ riêng. Trang này cho upload mẫu rất đơn giản, và voice clone không cần đăng ký là điểm thân thiện với người lười như mình, không cần điền form, ném âm thanh vào là thử được.
Âm thanh môi trường trong mẫu nhân bản
Có lần mình dùng Wi-Fi quán cà phê, dùng điện thoại ghi hai phút nói làm mẫu nhân bản, giọng xuất ra vẫn có tiếng xay cafe và chén chén ở xa, người nghe phản hồi như đang nghe trộm ở bàn bên. Sau đó mình chuyển vào phòng ngủ, tắt điều hòa, dùng tai nghe có mic ghi ba mươi giây mẫu sạch, giọng nhân bản ra sạch hơn nhiều, thậm chí hơi thở cũng tự nhiên hơn. Không phải mẫu càng dài càng tốt, ba mươi giây đủ nói hết ngữ điệu và cảm xúc thường dùng. Nếu khi ghi mẫu có tiếng điều hòa om ớt hoặc xe cộ ngoài đường, AI sẽ coi đó là một phần vân tay, nhân bản ra sẽ là giọng "thật" kèm tiếng nền.
Mỗi nội dung đừng dùng cùng một tốc độ
Mình từng dùng tốc độ chậm rãi của mở đầu podcast để đọc đánh giá sản phẩm mười giây, xong bạn bảo muốn nhanh lên. Video ngắn cần nhanh, mở đầu podcast cần chậm, sách nói cần ổn, cùng một âm sắc đổi bối cảnh thì phải điều chỉnh tốc độ. Bây giờ mình sẽ sinh ra ba phiên bản trong công cụ này: 0.9, 1.0, 1.2 lần, tương ứng từng bối cảnh rồi thử nghe. Đừng vì tiện lợi mà dùng một bộ tham số cho mọi kịch bản, tốc độ không đúng, âm sắc hay thế nào cũng cảm thấy xấu hơi. Bạn đã thử chưa?
Mẹo thủ công nào cũng dùng
Chia sẻ vài mẹo thủ công mình vẫn dùng:
- Từ đồng âm phải kiểm tra tay, "thực sự" và "thực tế" AI đôi khi nhầm lẫn;
- Dấu chấm câu là hơi thở, không phải dấu chấm câu, chỗ cần nghỉ thì thêm một dấu phẩy;
- Sinh xong phải nghe thử ba lần, lần thứ hai bật loa ngoài, rất nhiều chi tiết chỉ lộ mặt trên loa nhỏ.
Mình thường dùng quy trình tạo giọng nói miễn phí này: dán văn bản → thêm dấu phẩy và dấu ba chấm tay → chọn âm sắc → thử nghe → điều chỉnh. Công cụ chuyển văn bản thành âm thanh miễn phí trên trang này đối với người sửa kịch bản liên tục như mình rất là cứu mạng, không phải tính từng chữ. Nếu cần xử lý theo chương trình, họ cũng có tài liệu API miễn phí trong phần hướng dẫn chi tiết. Còn nếu chỉ thỉnh thoảng dùng, phiên bản web text to speech tiếng việt miễn phí là đủ, đừng sớm lôi phần mềm nhân bản giọng nói miễn phí phức tạp ra.
Ngày trước mình nhận thêm một việc nhỏ: đọc mở đầu cho một podcast kiến thức. Lần này mình không vội sinh, trước hết lưu kịch bản vào ghi chú điện thoại, trên đường đi làm đọc hai lần, đánh dấu chỗ thay hơi. Về đến máy tính, dán bản đã đánh dấu vào công cụ chuyển văn bản thành giọng nói trên trang, chọn âm sắc đã nhân bản trước, sinh ra, một lần thành. Người nghe trong bình luận hỏi: "Tập này đổi phòng thu à?" Giọng AI có giống người thật hay không, có lẽ không nằm ở thuật toán, mà nằm ở bạn có sẵn sàng đọc đoạn văn đó như một câu "nói chuyện" trước chưa. Gần đây bạn đã bị lừa bởi đoạn giọng AI nào chưa?