Biến truyện đọc trước giờ đi ngủ thành audiobook: một tuần thử TTS miễn phí và cú ngã ở đoạn ghi âm mẫu

Tối thứ Tư, 9h40. Con gái tôi ôm cuốn truyện cổ tích, đứng cạnh giường, nói: "Bố đọc đi." Rồi nó liếc cổ họng tôi một giây, sửa lại: "Thôi bố khản giọng rồi, bố cho điện thoại đọc đi."

Ừ thì cũng phải. Mười ngày liền đọc mỗi tối, amidan tôi biểu tình rồi. Tôi nghĩ: thử chuyển văn bản thành giọng nói xem sao.

Thành phẩm lần đầu. Nói thế nào nhỉ. Con bé nghe được đúng hai giây, đẩy điện thoại lại cho tôi: "Cái này không phải bố."

Đúng là giọng tôi. Nhưng không phải. Kiểu như tôi đang đọc biên bản họp, mà lại còn đeo khẩu trang.

Vấn đề không nằm ở công cụ. Nó nằm ở đoạn ghi âm mẫu

Ban đầu tôi dùng một tool tạo giọng nói miễn phí, phải đăng ký, phải buộc số điện thoại. Tôi lôi đại một tin nhắn thoại Zalo dài ba mươi giây — nội dung là "Alo, cái kế hoạch mai xem lại nhé" — rồi upload lên làm mẫu.

Kết quả: tròn vành rõ chữ, cảm xúc bằng không. Nghe như một bạn sinh viên vừa học xong lớp luyện giọng, đang cố tỏ ra chuyên nghiệp.

Sau tôi mới ngộ ra. Tin nhắn thoại Zalo bị nén, sample rate thấp, lại thêm tạp âm với vang phòng. Đưa cái đó cho model thì khác nào đưa một tấm ảnh mờ tịt cho họa sĩ vẽ chân dung.

Đây chắc là khác biệt lớn nhất giữa người trong nghề và người mới. Ai cũng dán mắt vào thông số model. Trong khi thứ quyết định lại là ba mươi giây ghi âm kia.

Tôi chuyển sang nhân bản giọng nói miễn phí, ghi lại đoạn mẫu. Vẫn model đó. Kết quả khác hẳn một trời một vực.

Ghi âm mẫu thế nào để không ra giọng robot

Chuyện voice cloning tiếng Việt, tôi tưởng khó ở model. Hóa ra khó ở nguyên liệu. Phần này tôi viết kỹ, vì tôi làm lại bốn lần mới ưng.

Đừng ghi ở phòng khách. Phòng khách có tiếng tủ lạnh ù ù, tiếng xe ngoài đường. Tai người tự lọc, micro thì không. Cuối cùng tôi chui vào tủ quần áo mà ghi — vải hút âm, hiệu quả bất ngờ. Không có tủ thì lấy chăn dựng một cái lều nhỏ, nhét điện thoại vào trong.

Mười lăm đến ba mươi giây, đừng tham. Quá ngắn thì model không bắt được đặc trưng giọng; quá dài thì mọi tiếng ho, tiếng lật giấy ở giữa đều bị học vào. Có lần tôi ghi gần hai phút, thế là mỗi câu tổng hợp ra đều dính một chút hơi "hắng giọng" của tôi ở cuối. Nghe rợn cả người.

Đừng đọc văn bản. Điểm này ngược trực giác nhất. Bạn nghiêm túc đọc một bài thơ là y như rằng ra giọng phát thanh viên. Phải nói chuyện đời thường, kiểu: "Tối nay ăn gì nhỉ, trong tủ lạnh còn nửa hộp dâu, không ăn là hỏng đấy." Tốc độ bình thường, có chút cảm xúc, cười một cái cũng được. Model học cách bạn nói, không phải cách bạn đọc.

Micro cách một nắm tay, nghiêng bốn mươi lăm độ. Sát quá là bật hơi, xa quá là thu cả tiếng dội của phòng.

Ghi ba đoạn, chọn đoạn ngon nhất. Nghe thì phiền, thật ra mất năm phút. Giờ tôi quen rồi: ngồi trong tủ, nói liền ba đoạn khác nhau, rồi nghe lại chọn đoạn giống "bố lúc kể chuyện" nhất.

Một chi tiết nhỏ nữa: trước khi ghi thì uống ngụm nước ấm, đừng uống đá. Cổ họng căng thì giọng bay bổng bất thường, và cái đó cũng bị học vào luôn.

À, còn chuyện vùng miền. Giọng mẫu quyết định luôn khẩu âm. Nhà tôi ở miền Nam, nếu tôi lỡ ghi mẫu bằng giọng miền Bắc thì con tôi sẽ nghe truyện bằng giọng miền Bắc suốt — nghe thì hay, nhưng nó lạ. Nên cứ ghi bằng đúng giọng bạn nói hằng ngày.

Vài thứ tôi ước mình biết sớm hơn

Tuần đó tôi dùng chuyển văn bản thành giọng nói bản không cần đăng ký, mở là chạy. Nghe thì nhỏ nhặt, nhưng với người lười điền form như tôi thì đúng là cứu cánh — tôi từng bỏ dở khâu đăng ký ở hai nền tảng khác, đơn giản vì bước xác minh email làm tôi hết hứng. Voice clone không cần đăng ký, với tôi, quan trọng hơn mấy thông số đẹp trên trang chủ.

Chuyện thứ hai: độ dài. Tôi làm audiobook truyện dài hai ba nghìn chữ một cuốn. Gặp tool giới hạn ký tự là coi như xong, cắt ra thành chục khúc rồi ghép lại thì mất cả buổi tối. Nên khi tìm hiểu, tôi để ý ngay xem có thật sự không giới hạn hay không.

Chuyện thứ ba, và cái này tôi nghĩ nhiều người bỏ qua: giọng nói là dữ liệu sinh trắc học. Ở Việt Nam, Nghị định 13/2023 về bảo vệ dữ liệu cá nhân xếp dữ liệu sinh trắc học vào nhóm cần được bảo vệ nghiêm ngặt. Nghĩa là trước khi upload giọng mình lên một nền tảng lạ, nên đọc qua xem họ lưu file mẫu bao lâu, có xóa được không. Tôi không hoang tưởng gì, chỉ là giọng nói khác mật khẩu — đổi được mật khẩu, chứ đổi giọng thì không.

Quy trình thực tế của tôi trong một tuần

Tối thứ Hai, tôi bới đống truyện thiếu nhi, chọn ba cuốn, gõ vào ghi chú. Gõ thì tiện tay làm luôn mấy việc:

  • Đổi số thành chữ: "3 chú heo con" phải viết là "ba chú heo con", không thì nó đọc thành "three" ngay
  • Câu dài thì cắt ra, dấu phẩy dấu chấm đặt theo nhịp thở — dấu câu chính là chỗ ngắt
  • Từ khó, từ viết tắt, từ tiếng Anh xen vào thì kiểm tra trước: "MC", "OK", "livestream"... mấy từ này dễ bị đọc kiểu ký tự lắm
  • Tên riêng trong truyện cổ tích thì nghe thử một lần, có tên bị đọc lệch âm

Xong thì tổng hợp, nghe, không ưng thì quay lại sửa dấu câu. Hai tối đầu khá vất, tối thứ ba bắt đầu trơn — vì đoạn ghi âm mẫu đã chốt, phần còn lại chỉ là chữ nghĩa. AI voice cloning online chạy một lần vài giây thôi; thời gian thật sự nằm ở khâu sửa văn bản.

Nói thật, chuyện chuyển văn bản thành âm thanh miễn phí mà chất lượng nghe được, hai năm trước tôi không tin. Hồi đó tôi nghĩ kiểu gì cũng chỉ là dùng thử ba ngày, hoặc âm thanh mờ như qua radio hỏng. Giờ thì tôi còn tính, khi con lớn thêm chút, sẽ dùng nó làm kênh đọc truyện riêng, hoặc lồng tiếng video bằng AI miễn phí cho mấy clip TikTok, Reels đăng chơi. Mà thôi, đó là cái hố khác, chưa đào vội.

Một cú ngã, kể cho vui

Có một nền tảng quảng cáo là miễn phí, nghe rất hấp dẫn. Tôi cắm cúi tổng hợp đến phút thứ nhất thì bị chặn, báo phải xếp hàng chờ. Con gái tôi ngồi cạnh, mắt nhìn cái thanh tiến trình đứng im. Cảnh đó nhớ đời.

Nên bài học của tôi: trước khi chọn tool, xem cho rõ nó có thật sự không giới hạn không. Nền tảng cho tạo giọng nói miễn phí thì nhiều, nhưng phần lớn đều gài một chốt ở đâu đó — hết lượt trong ngày, giới hạn số ký tự, hoặc chỉ cho xuất file chất lượng thấp.

Câu hỏi tôi bị hỏi nhiều nhất

Ghi âm mẫu dài bao nhiêu là đủ?

Mười lăm đến ba mươi giây. Kinh nghiệm của tôi là khoảng hai mươi giây là ổn nhất. Dưới mười giây thì âm sắc dễ bay, trên một phút thì xác suất lọt tạp âm tăng vọt. Nếu nhà bạn không có chỗ nào yên tĩnh, thà chọn đoạn ngắn mà sạch còn hơn đoạn dài mà lẫn tạp âm.

Micro điện thoại có đủ dùng không?

Đủ. Tôi dùng cái điện thoại ba năm tuổi, nghe lại chẳng phân biệt được với micro rời. Quan trọng là môi trường, không phải thiết bị. Ghi trong tủ quần áo bằng điện thoại, khả năng cao là hay hơn ghi ở phòng khách bằng micro xịn.

Có nhân bản được giọng con nít không? Tôi muốn làm bản "con tự kể chuyện cho con"

Về kỹ thuật thì được. Nhưng tôi không khuyên. Một là giọng trẻ con còn đang thay đổi, âm sắc không ổn định, rất khó có đoạn mẫu chất lượng. Hai là... nói sao nhỉ, để một đứa trẻ nghe chính giọng nó kể chuyện cho nó, cảm giác hơi kỳ. Tôi vẫn thích dùng giọng mình hơn, dù nó chẳng hoàn hảo.

Nếu bạn muốn xem người khác làm thế nào trước khi bắt tay, mấy bài hướng dẫn ở đây có kha khá ví dụ, tôi đọc vài bài, phần liệt kê lỗi viết khá thật.

Còn bây giờ thì

Tối Chủ nhật, tôi bỏ ra hai mươi phút, tổng hợp sẵn năm cuốn truyện cho tuần sau, lưu vào một thư mục. Con muốn nghe cuốn nào thì tự bấm. Những hôm giọng tôi ổn, tôi vẫn tự đọc — cái đó máy không thay được.

Nhưng ít nhất, vào những đêm viêm họng, câu chuyện không bị đứt.

Nếu bạn định thử, đừng bắt đầu bằng một văn bản dài. Ghi hai mươi giây mẫu, tổng hợp thử một câu, nghe xem có giống bạn không. Giống rồi thì đi tiếp. Chưa giống thì quay lại cái tủ quần áo. Mười phút thôi, nhưng nó quyết định mọi thứ phía sau.