Ghi âm tiếng bà ở chợ, clone ra giọng "bị cảm" – những bài học đắt giá khi làm audiobook gia đình

Năm ngoái dịp Tết, mình nghĩ ra một ý tưởng nghe có vẻ lãng mạn: giữ lại giọng bà ngoại – người nói một phương ngữ nhỏ ở xã cuối huyện, giờ đây cháu chắt gần như không ai nói được – biến thành một cuốn thư âm thanh để mỗi năm Tết nghe một lần.

Mình lấy điện thoại, ngồi ngay trong căn bếp録 nửa tiếng. Nồi sườn đang bốc khói, máy hút mùi rít rít, cửa sổ thì xe thu gom rác qua la hét "mua tủ lạnh cũ, mua tivi cũ". Ghi xong xong, mình ném file lên công cụ clone giọng nói miễn phí trên mạng.

Kết quả? Giọng bà ra nghe như bà đang cảm lạnh, miệng chứa miếng kẹo, lại đứng trong đường hầm nói chuyện. Phiên bản đầu tiên, vứt thẳng vào thùng rác.

Đừng đổ lỗi cho công cụ, hãy đổ lỗi cho đoạn ghi âm

Lúc đó phản xạ của mình rất điển hình: đổi tool. Thử hết trang web, phần mềm cài đặt, những cái quảng cáo nhân bản giọng nói miễn phí, thậm chí cả bản trả tiền. Kết quả y chang – đều mang theo vị "đường hầm" ấy.

Mới lúc này mình nhận ra: mô hình học "giọng bà", nhưng trong nửa tiếng đó giọng bà chỉ chiếm ba phần mười, bảy phần mười còn lại là tiếng máy hút, nước sôi, chó sủa, và vang vọng từ gạch men bếp. Bạn cho nó nghe gì, nó học nấy. Nó ngoan ngoãn coi tiếng máy hút cũng là một phần của bà.

Phân tích lại, mình phạm ba lỗi, cái nào cũng ngớ ngẩn hơn cái kia

Lỗi thứ nhất: ghi âm ở bếp. Bếp là nơi vang vọng nặng nề nhất nhà – gạch men, kính, nồi inox, âm thanh bật tít qua lại. Phương ngữ sống nhờ những nốt thanh tinh tế, vang một chút là những điều giá trị đó bị phẳng ra. Sau này mới biết: phòng ngủ nhỏ, đóng cửa, kéo rèm, trùm chăn lên giường, hiệu quả tốt gấp mười lần.

Lỗi thứ hai: bắt bà "đọc kịch bản". Mình in một đoạn thư viết sẵn, nhờ bà đọc theo. Bà đọc chậm, cứng, từng từ một như học sinh lớp một đọc sách. Phương ngữ không nói kiểu đó. Khi bà trò chuyện với hàng xóm thì có liên đọc, nuốt âm, kéo dài cuối câu – đọc kịch bản thì hết sạch. Giọng clone ra nghe "chuẩn" mà chẳng giống bà chút nào.

Lỗi thứ ba: nghĩ ghi âm càng lâu càng tốt. Mình ghi nửa tiếng, tưởng dữ liệu nhiều thì an toàn. Thực ra phần sạch không đến mười phút, phần còn lại toàn tiếng ồn và lặng. Điện thoại để bên cạnh bếp, lúc gần lúc xa, âm lượng lúc to lúc nhỏ – dữ liệu kiểu này cho mô hình học được cái khái quát mà thôi.

Ngày ghi âm lại, mình làm những việc sau

Cách một tuần, mời bà sang phòng nhỏ hướng Bắc ở nhà chị. Lần này mình cẩn thận hơn:

  • Điện thoại gác trên giá đỡ, cách miệng khoảng hai mươi centimet, toàn trình không động.
  • Đóng cửa, tắt điều hòa, kéo rèm, bật chế độ máy bay.
  • Không cho bà đọc, mà mình hỏi – bà trả lời: "Cậu bé thời nào Tết như thế nào", "Mẹ cậu ngày xưa mắng cậu thế nào".
  • Mỗi lần ghi năm đến tám phút, nghe lại ngay, có tạp âm là xóa ghi lại.
  • Tổng cộng gom được khoảng hai mươi phút giọng sạch, chia bốn lần ghi.

Khi ghi, mình dùng tiện ích chuyển văn bản thành giọng nói để nghe thử bản thảo thư –反正在线文字转语音免费，试错没成本。这一步很关键，方言里那些"ơi", "ô hay", "cậu biết không", là linh hồn của thư, phải để chúng xuất hiện ở đúng chỗ.

Khi hợp thành chính thức, mình up hai mươi phút lên, chờ vài phút. Câu đầu tiên ra, chị ngồi bên cạnh giật mình.

Cái "con ơi" ấy, đuôi âm xuống thấp, hơi khàn. Chính xác là bà.

Sau khi thư âm thanh ra đời

Cả cuốn thư mình chia làm hai mươi sáu đoạn, mỗi đoạn một hai câu, từ thơ ấu bà đến cách bà nuôi lớn mình. Đoạn nhiều thế, mình cực kỳ cần tạo giọng nói miễn phí không giới hạn ký tự, không thì sinh dở chừng bị dừng rất khổ. VoxClone cho phép free voice cloning không cần đăng ký, mở trang là dùng, không cài đống phần mềm clone giọng nói miễn phí rối rắm. Điểm này chị mình thích lắm – máy chị không cài gì, click là chạy.

Nói thêm một câu: đừng săn "âm thanh hoàn hảo". Mình phát hiện giữ lại chút tiếng thở, chút tiếng nuốt nước bọt, kết quả nghe tự nhiên hơn. Quá sạch thì giốngアナウンサー, không giống bà.

Nếu người lớn trong nhà nói phương ngữ nặng, dù dữ liệu sạch đến đâu vẫn có chút lệch. Lúc này đừng cưỡng lại, chọn vài đoạn bà nói thoải mái nhất làm trọng tâm train, đoạn còn lại dùng phiên bản tiếng Việt chuẩn xen kẽ, người nhà nghe vẫn không thấy lạ.

Muốn xử lý hàng loạt thì có thể dùng free TTS API, ném văn bản vào tự động ra audio, vài chục đoạn xong xuôi. Còn mình kiểu năm một lần, click web là đủ.

Câu hỏi thường gặp

Đã ghi âm có tạp âm, còn cứu được không?

Cứu được một chút, nhưng đừng kỳ vọng quá. Chạy qua chức năng khử tiếng ồn của công cụ free AI配音, hoặc dùng phần mềm cắt bỏ đoạn rõ ràng tạp âm, chỉ giữ phần sạch. Nếu phần sạch dưới ba phút, mình khuyên ghi lại – ghi lại mất hai tiếng, sửa âm có thể mất hai tuần, chưa chắc đã xong.

Clone phương ngữ và clone tiếng Việt chuẩn, khó khăn khác nhau chỗ nào?

Khác ở lượng dữ liệu. Mô hình tiếng Việt thấy nhiều lắm, phương ngữ nhỏ thì ít. Vì vậy clone phương ngữ nhạy cảm với chất lượng dữ liệu hơn, mỗi giây bạn cho phải là "thuần". Thêm vào đó hệ thống thanh điệu phương ngữ phức tạp, có thanh không tồn tại trong tiếng Việt chuẩn, mô hình cần nhiều mẫu mới nắm bắt. Ghi thêm hội thoại đời thường tốt gấp trăm lần đọc kịch bản.

Công cụ miễn phí làm được đến đâu?

Tùy yêu cầu. Làm thư âm thanh gia đình, lồng tiếng video bằng ai miễn phí cho kênh YouTube, TikTok, Reels – hoàn toàn đủ. Muốn sinh hàng loạt thì free TTS声音合成 API cũng nối được, vài chục đoạn xếp hàng chạy xong. Nhưng nếu cần配音 phương ngữ cấp thương nghiệp, đầu ra văn bản dài cực ổn định, thì phải cân nhắc giải pháp chuyên nghiệp. Cá nhân mình dùng permanent free voice cloning cho người thường đã quá đủ, vì không tốn tiền, thử sai cũng không đau lòng. Thêm tutorial mình để ở trang động, ai cần lướt qua.

Đừng chờ

Bà ngoại mình qua đời năm trước, vào mùa thu.

Cuốn thư âm thanh giờ nằm trong điện thoại, còn một bản backup trên đám mây. Tết năm nay mình bật ra, mẹ khóc, cháu gái nhỏ mắt to to hỏi "người nói là ai".

Cháu không hiểu. Không sao, khi lớn lên mình sẽ kể: đó là giọng bà cố, là tiếng xứ nhà bà.

Nếu nhà bạn cũng có một vị long như vậy, đừng chờ. Tìm một chiều yên tĩnh, tắt điều hòa, gác điện thoại, hỏi một câu: "Cô bé thời nào Tết như thế nào". Phần còn lại, giao cho công cụ lo.