Giọng đọc AI nghe 'máy móc'? Lỗi nằm ở đoạn audio tham chiếu của bạn đấy!

Tuần trước, đứa em họ làm giáo viên vật lý nhờ mình thu âm bài giảng bằng AI. Nó gửi cho mình một file ghi âm bằng điện thoại, vừa mở lên mình đã muốn cười – tiếng quạt máy, tiếng lật giấy, rồi tiếng hắng giọng giữa chừng. Kết quả là cái giọng AI đọc ra cứ như đang ngâm mình dưới bể cá, ù ù cạc cạc.

Nhiều người cứ nghĩ nhân bản giọng nói miễn phí là "quăng vào một file audio là xong". Nhưng không, đoạn audio tham chiếu quyết định 80% việc bạn nhận được giọng người hay giọng robot. Hôm nay mình không bàn về thông số kỹ thuật, mà nói chuyện thực tế: làm sao để thu được đoạn audio 'ngon' để AI học.

Sai lầm 1: Lấy nguyên bài giảng đã thu sẵn làm reference

Ai cũng lười, mình hiểu. Nhưng bài giảng thu sẵn có đầy khoảng dừng, từ đệm 'ừm', 'à', rồi lên xuống giọng theo cảm xúc. AI học hết đống đó, rồi khi đọc văn bản mới, nó cứ ngắt câu sai chỗ, cuối mỗi từ lại kéo theo cái đuôi 'ừm...' nghe phát bực.

Cách đúng: tìm một khoảng thời gian yên tĩnh, dùng mic điện thoại hoặc laptop, đọc lại một đoạn văn với giọng đều đều như đọc bản tin thời sự. Không cần diễn cảm quá, chỉ cần rõ chữ, liền mạch, cuối câu không kéo dài. Mình thường thu 3 lần rồi chọn lần mượt nhất.

Nếu chưa biết chuẩn là thế nào, bạn có thể vào trang nhân bản giọng nói miễn phí xem thử audio mẫu họ cung cấp – đó là chuẩn 'sạch' để noi theo.

Sai lầm 2: Tiếng ồn nền còn đáng sợ hơn mic rẻ

Cứ nghĩ điện thoại xịn là đủ? Không đâu. Tiếng quạt laptop, tiếng điều hòa, thậm chí tiếng xe ngoài đường – AI đều nuốt hết và coi đó là 'đặc trưng giọng' của bạn. Mình từng thu ở quán cà phê, kết quả giọng AI có vị 'bọt cà phê' nghe vừa buồn cười vừa rợn.

Khi thu, đừng ngại khép cửa sổ, tắt quạt, đặt điện thoại cách miệng 15-20 cm, lót khăn bên dưới để giảm rung bàn. Nếu có tai nghe có mic thì còn tốt hơn mic thường. Thu xong nghe lại: nếu có tiếng 'xì xì' hay 'ù ù' là thu lại.

Làm được bước này, khi bạn đưa lên công cụ chuyển văn bản thành giọng nói để tổng hợp, bạn sẽ thấy các câu sạch đến mức tưởng như có người đang đọc bên tai.

Sai lầm 3: Chọn văn bản để đọc – đừng chọn câu vè, chọn câu 'ít thông tin'

Nội dung đoạn audio tham chiếu quyết định cách AI bắt chước ngữ điệu, ngắt nghỉ, nối âm. Nếu bạn đọc 'Con cò bé bé', AI sẽ học cái nhịp vèo vèo đó, rồi áp vào bài giảng trông rất kỳ.

Mình khuyên bạn nên đọc một đoạn tự sự bình thường, ví dụ: 'Hôm nay chúng ta học về quang hợp. Quang hợp là quá trình cây xanh sử dụng năng lượng ánh sáng để chuyển hóa khí cacbonic và nước thành chất hữu cơ.' – Câu đủ dài, có dấu phẩy, dấu chấm, AI sẽ học được cách ngắt nghỉ tự nhiên.

Nhân tiện, nếu bạn muốn clone giọng mình để đọc truyện, trong trang tạo giọng nói miễn phí có sẵn văn bản gợi ý, cứ đọc theo, khỏi phải nghĩ.

Sai lầm 4: Đừng tham, 10-20 giây là đủ

Nhiều người nghĩ audio càng dài càng tốt, thu 5 phút. Nhưng AI sẽ chộp lấy những điểm 'nổi bật' nhất – như chỗ bạn bỗng lên giọng, hoặc vấp một từ – rồi học theo cái bất thường đó.

Mình thử rồi, audio 15 giây, đọc đều đều, không cảm xúc, là chuẩn nhất. Nếu muốn thu dài, phải giữ âm lượng, tốc độ, ngữ điệu ổn định từ đầu đến cuối, đừng lúc to lúc nhỏ.

Định dạng file không quan trọng, mp3 hay wav đều được, nhưng đừng lấy file quá cũ, chất lượng thấp. Điện thoại thu mặc định là dùng được.

Sai lầm 5: Thu xong đừng vội đưa lên, khử nhiễu trước

Dù phòng có yên tĩnh, vẫn có một chút tạp âm nền. Bạn nên dùng app chỉnh sửa có sẵn trên điện thoại hoặc Audacity miễn phí, cắt bỏ phần im lặng đầu và cuối file, chỉ giữ phần nói.

Có lần mình lười, không cắt, đưa lên luôn. Kết quả là sau mỗi từ đều có một chút 'hơi lọt' nghe như bóng bay xì hơi. Cắt xong là sạch ngay. Bước nhỏ này giúp trang nhân bản giọng nói AI miễn phí tăng chất lượng lên hẳn một bậc.

Sai lầm 6: Thử câu ngắn trước, đừng dán cả bài giảng vào

Ai cũng sốt ruột, dán nguyên bài giảng vào, nghe 2 câu thấy máy quá rồi tắt – nhưng chả biết sửa chỗ nào.

Thói quen của mình: gõ thử một câu ngắn, ví dụ 'Các em, hôm nay chúng ta học bài 3'. Nghe thử. Nếu câu này tự nhiên thì mới cho văn bản dài. Nếu chưa, quay lại sửa audio tham chiếu. Vừa nhanh vừa dễ tìm lỗi.

Sai lầm 7: Dấu câu và từ cảm thán – chìa khóa tạo 'chất người'

Cuối cùng, một chi tiết dễ bỏ qua: AI xử lý dấu phẩy, chấm, hỏi chấm, cảm thán ảnh hưởng rất nhiều đến độ tự nhiên. Khi thu audio tham chiếu, bạn phải đọc cả dấu câu – không phải đọc chữ 'dấu phẩy', mà là đọc cái ngắt nghỉ, lên giọng.

Ví dụ: 'Hôm nay trời đẹp, chúng ta đi dạo nhé.' – Chỗ dấu phẩy ngắt nhẹ, cuối câu xuống giọng. AI sẽ học được cái 'nhịp thở' đó, đọc ra không bị đều đều như đếm.

Nếu muốn bài giảng thêm phần sinh động, bạn có thể thử chức năng nhân bản giọng nói hát, đọc một câu 'Xin chào' với giọng hát – AI sẽ học được cái đuôi lên cao, dùng làm câu mở đầu rất hay.

Kết thúc bằng một chuyện có thật

Sáng nay, mình dùng đoạn audio 15 giây tự thu, cho AI đọc một đoạn trong bài giảng ôn thi: 'Các em mở sách trang 48, chú ý theo dõi cách chứng minh ở ví dụ 3.' – Đến chữ 'chú ý', giọng AI nhấn và ngắt đúng y như mình nói trên lớp.

Mình gửi file đó vào group giáo viên, có ba người hỏi 'Cậu tự đọc à?'. Thực ra mình chỉ mất 10 phút thu audio, 3 phút tổng hợp. Nên nếu bạn cũng muốn bài giảng của mình hết 'máy móc', tối nay hãy tìm góc yên tĩnh, thu thử 15 giây theo mấy mẹo trên, rồi mai lên trang web nhân bản giọng nói miễn phí thử một lần – bạn sẽ thấy, 'chất người' là do mình tạo ra, không phải AI ban cho.