Tôi mang đoạn ghi âm thu trong bếp đi nhân bản giọng nói, và phải làm lại 37 video TikTok Shop từ số 0

Mười một giờ đêm, tôi ngồi nhìn cái timeline với 37 video sản phẩm đã dựng xong. Thumbnail ổn, nhạc nền ổn, hiệu ứng chuyển cảnh ổn. Mà không dám bấm đăng cái nào.

Vì phần lồng tiếng hỏng hết.

Chuyện bắt đầu ngu ngốc lắm. Tôi lười đi thuê người đọc, nghĩ bụng: giờ AI mạnh thế này, mình tự thu một đoạn rồi cho nó học giọng mình chẳng nhanh hơn à? Thế là tối đó tôi đứng giữa bếp, dựng điện thoại lên mặt bàn, đọc một mạch ba phút mô tả sản phẩm. Phía sau là tiếng quạt trần quay vù vù, cái vòi nước rỉ chưa khóa chặt, và ngoài ngõ thì có nhà ai đang hát karaoke.

Thu xong tôi còn thấy tự hào. Tải lên, đợi hai phút. Giọng trả về nghe như có ai đọc bài xuyên qua một tấm tôn. Đuôi chữ bị nghẹt, hơi thở loạn hết, đọc tới đoạn giảm giá sốc thì bên dưới vẫn còn nguyên lớp ù ù của cái quạt trần.

Tôi kéo file vào video đầu tiên, nghe mười giây, rồi tắt.

Tôi sai ở đâu?

Nguyên lý của việc nhân bản giọng nói thật ra không phức tạp: công cụ cần học đặc trưng âm sắc từ file bạn đưa vào. Mà âm sắc thì nằm trong phần giọng người sạch.

Bạn đưa cho nó một nồi tạp âm, nó không thông minh tới mức tự lọc ra đâu — nó học luôn cả đống tạp âm đó như một phần con người của bạn. Nên mọi file sinh ra sau đó đều mang theo cái quạt trần.

Sai lầm thứ hai: mẫu quá ngắn. Ba phút mười hai giây, trong đó có hai lần ho và một lần cười. Thiếu dữ liệu thì model chỉ còn cách đoán. Và cái nó đoán ra là cảm giác giống mình mà không phải mình — nghe quen tai nhưng không dám nhận.

Sai lầm thứ ba mới tệ: tôi không nghe thử, mà bấm sinh hàng loạt 37 file.

Hai cái đầu là lỗi kỹ thuật. Cái thứ ba là lỗi thái độ. Công cụ nhân bản giọng nói miễn phí có tốt tới đâu cũng không cứu nổi một người lười nghe lại.

Nhìn lại: toàn bộ đổ vỡ nằm ở bốn bước

  • Môi trường thu: trong bếp, quạt trần chạy, ngoài ngõ có karaoke
  • Thiết bị: micro điện thoại, cách miệng 30cm, còn cầm tay
  • Độ dài mẫu: 3 phút 12 giây, có ho và cười
  • Nghe thử: bỏ qua, sinh thẳng 37 file

Đấy, không có lỗi nào là tại công cụ. Tất cả là tại tôi.

Làm lại, tôi đổi bốn thứ

Thứ nhất là đổi chỗ. Tôi chui vào tủ quần áo, đóng cửa, sau lưng treo hai cái áo phao, điện thoại bật chế độ máy bay, để cách miệng một nắm tay. Đọc tám phút, tốc độ đều, không lên gân, đọc đúng mấy câu mô tả khô khan kiểu dung tích 500ml, ruột inox 316, giữ nhiệt 12 tiếng.

Thứ hai là đổi quy trình. Lần này tôi không sinh cả bài một lượt, mà cắt script theo từng cảnh, mỗi đoạn 5–8 giây, làm lần lượt. Vì sao? Vì sinh cả đoạn dài, chỉ cần một câu nhấn sai trọng âm là phải làm lại từ đầu; còn cắt nhỏ thì câu nào hỏng sửa câu đó, nhanh hơn hẳn.

Mẫu sạch rồi, kết quả khác ngay. nhân bản giọng nói miễn phí trả về giọng đọc gọn gàng, đuôi chữ dứt khoát, đọc giá về tay không còn bị nghẹt nữa. Tôi còn hơi ngẩn ra — đây mới đúng là mình.

Nói thêm, nửa năm nay tôi thử kha khá bản miễn phí của các tool voice cloning tiếng Việt. Có cái giới hạn số ký tự, có cái bắt xếp hàng, có cái sinh được ba lần là bật popup mời nâng cấp. Bên VoxClone thì chuyển văn bản thành giọng nói không giới hạn, ít nhất là tôi chưa gặp thông báo hết lượt. Cái khoản voice clone không cần đăng ký cũng đỡ mệt — không phải tạo tài khoản, điền email, chờ mã OTP chỉ để có một file hai mươi giây. Mở là dùng.

Giờ tôi coi nó như một công cụ tạo giọng nói miễn phí dùng hằng ngày. Viết xong script, dán vào, vài giây có audio, không ưng thì sửa hai chữ rồi làm lại.

Có người hỏi tôi: giọng nói AI miễn phí làm ra, so với người đọc thật thì lệch bao nhiêu? Thành thật mà nói, đọc thông số sản phẩm thì lệch không đáng kể. Nhưng nếu bạn cần cái kiểu chèo kéo, lên giọng xuống giọng như mấy phiên livestream, thì vẫn phải tự chỉnh ngữ điệu, hoặc thuê người đọc. Giọng đọc hay miễn phí giúp bạn tiết kiệm chi phí thuê người, nhưng không tiết kiệm được phần phán đoán — câu nào ngắt, chữ nào nhấn, vẫn là bạn phải tự nghe.

Nói thật vài câu về chữ miễn phí

Ban đầu tôi chỉ định tìm một tool text to speech tiếng Việt miễn phí để chữa cháy, và tôi cũng nghi: miễn phí vĩnh viễn nghe cứ như mồi câu, chắc dùng vài lần là bắt đầu thu tiền.

Dùng nửa năm rồi, ít nhất tới giờ, VoxClone vẫn là mở lên là chạy, chuyển văn bản thành âm thanh miễn phí cũng vậy, không đăng nhập, không buộc số điện thoại. API tổng hợp giọng nói miễn phí của nó tôi cũng thử nối vào để chạy hàng loạt bản nghe thử cho caption ngắn — đủ dùng.

Tôi còn thử thu âm audiobook bằng AI miễn phí cho một cuốn tài liệu nội bộ của nhóm, kiểu đọc văn bản bằng giọng nói AI rồi xuất từng chương một. Nghe ổn với văn bản hành chính, nhưng với tiểu thuyết thì hụt cảm xúc — chỗ này tôi nghĩ phải chấp nhận, không phải cứ miễn phí là đòi được mọi thứ.

Mà miễn phí không có nghĩa là vạn năng. Nó không viết script hộ bạn, không nói cho bạn biết câu nào nên ngắt, cũng không xem giúp bạn nhịp cắt của hình. Nó chỉ biến chữ thành giọng nghe như người thật. Phần còn lại vẫn là việc của bạn.

Nếu bạn chỉ thỉnh thoảng lồng tiếng video bằng AI miễn phí cho vài clip bán hàng, thì mấy tool online là quá đủ. Còn nếu làm vài chục clip một tuần như tôi, thì phải tính tới chuyện cắt đoạn và đặt tên file cho có quy tắc — không thì file nhiều lên, chính bạn cũng không biết file nào ứng với sản phẩm nào. Tôi ghi lại dần mấy chỗ mình vấp, xem thêm hướng dẫn cũng có nội dung cùng loại, rảnh thì lật xem.

Còn một chuyện nữa ít ai nhắc: quyền với giọng nói. Ở Việt Nam, dữ liệu giọng nói được xem là dữ liệu cá nhân, nên nguyên tắc của tôi rất đơn giản — chỉ nhân bản giọng của chính tôi, hoặc giọng đồng nghiệp đã đồng ý rõ ràng bằng tin nhắn. Không đụng tới giọng người nổi tiếng, KOL, hay bất kỳ file nào không rõ nguồn. Dùng giọng người khác để bán hàng, công cụ có tiện tới đâu thì rủi ro vẫn là thật. Chuyện này không thương lượng được.

Câu hỏi thường gặp

Thu trong phòng ồn, có thể khử nhiễu rồi mới nhân bản không?

Khử được chút, đừng kỳ vọng nhiều. Thuật toán khử nhiễu không phân biệt nổi tiếng quạt với hơi thở trong giọng bạn, nên khi dập tiếng ồn nó thường dập luôn cả chi tiết âm sắc. Thà thu lại năm phút còn hơn. Không có điều kiện thì cứ chui vào tủ quần áo, đóng cửa, treo áo sau lưng — cách quê mùa này hiệu quả hơn phần lớn plugin khử ồn.

Lồng tiếng video bán hàng, nên sinh một đoạn dài bao nhiêu?

Cắt theo cảnh, mỗi đoạn 5–8 giây. Dài quá thì trọng âm và nhịp khó khớp với hình; ngắn quá thì ngữ điệu bị gãy, nghe cứng. Sinh từng đoạn rồi ghép lại linh hoạt hơn nhiều, mà sửa cũng đỡ xót.

Giọng nhân bản miễn phí có dùng để kinh doanh được không?

Phải xem điều khoản của nền tảng, và xem bạn dùng thế nào. Quy tắc của tôi: chỉ nhân bản giọng tôi, hoặc giọng người đã cho phép rõ ràng. Với dữ liệu giọng nói được xem là dữ liệu cá nhân, dùng giọng người khác mà không có sự đồng ý là vùng rủi ro thật, không phải chuyện chắc không sao đâu.

Giờ quy trình của tôi gần như cố định: thu tám phút mẫu sạch trong tủ quần áo, tải lên nhân bản, cắt đoạn sinh từng phần, nghe lại từng file, rồi kéo vào timeline canh cho khớp hình. 37 video, tôi mất hai buổi tối để làm lại phần tiếng.

Nếu bạn cũng đang chuẩn bị lồng tiếng cho một loạt video sản phẩm, thì đừng vội bấm sinh hàng loạt. Bỏ ra năm phút, tìm một góc yên tĩnh, thu cho tử tế một đoạn giọng sạch — việc đó đáng giá hơn mọi mẹo vặt. Thật đấy, đây là bài học tôi đổi bằng 37 video hỏng.