Lồng tiếng video ngắn và intro podcast: dùng chung một bản nhân bản giọng nói miễn phí có ổn không?
1 giờ sáng thứ Tư, mình ngồi trước laptop, thu lại đoạn intro podcast đến lần thứ bảy. Không phải đọc sai chữ nào — mà là sai tông. Ba lần đầu quá hăng, nghe như đang bán khóa học. Bốn lần sau thì mệt lả, như đọc cáo phó. Tắt micro, mình tự hỏi: cùng một đoạn script ba trăm chữ, lồng tiếng cho video ngắn mình chỉ mất mười phút, sao sang podcast lại tắc?
Sau đó mình ngồi bóc tách hai việc này ra. Hoá ra chúng không giống nhau chút nào.
Lồng tiếng video ngắn: ngắn nhưng từng câu phải dính vào hình
Cái khó của lồng tiếng video ngắn không nằm ở độ dài, mà ở mật độ.
Một video 60 giây có thể chỉ có 120 chữ thuyết minh, nhưng mỗi chữ phải khớp với điểm cắt hình. Bạn dừng nửa giây là người ta lướt. Vì vậy mình viết loại script này rất vụn, câu ngắn, chỗ lấy hơi rõ, đọc lên phải như có người ngồi cạnh nói chuyện, chứ không phải đang đọc văn bản.
Vấn đề là mình không phải dân lồng tiếng chuyên nghiệp. Thu giọng thật thì phải thử đi thử lại, hôm nào trạng thái không ổn là làm lại, có khi tốn cả tiếng cho một video. Sau đó mình quăng mấy đoạn script kiểu này cho chuyển văn bản thành giọng nói trực tuyến đọc bằng chính giọng mình đã nhân bản — dù sao câu ngắn nhiều, máy ngắt nghỉ còn ổn định hơn mình.
Có một cái bẫy: nhiều người lần đầu dùng giọng nói AI miễn phí, viết script y như viết bài blog, câu dài, mệnh đề phụ, ngoặc đơn đủ cả, nghe ra cứ giật cục. Lồng tiếng video ngắn phải viết lại thành câu đọc một hơi là hết, dấu phẩy cần ngắt thì ngắt, đừng tiếc.
Với tiếng Việt, chuyện này còn nhạy hơn. Câu quá dài dễ bị AI đọc sai dấu, nhất là mấy từ có thanh hỏi, thanh ngã. Mình từng thử text to speech tiếng Việt miễn phí với một câu dài ba dòng, kết quả nghe như người nước ngoài mới học tiếng Việt. Cắt ngắn lại là ổn ngay.
Intro podcast: dài, khó nhất là giữ cảm xúc không bay
Intro podcast là một loài khác hẳn.
Nó thường dài 200 đến 400 chữ, phải giới thiệu chủ đề, khách mời, còn phải có chút dẫn dắt cảm xúc. Độ dài không đến mức kinh khủng, nhưng yêu cầu thì ngược lại — nó cần sự ổn định. Cùng một đoạn nói, tông giọng không được lúc cao lúc thấp, cũng không được đều đều từ đầu đến cuối, vì như vậy thành đọc hướng dẫn sử dụng.
Hồi đầu mình thu giọng thật. Lỗi lớn nhất là câu mở và câu kết không khớp cảm xúc. Mở đầu thì sung, giọng sáng. Đến cuối thì người đã mệt, giọng xẹp xuống. Người nghe có thể không chỉ ra được chỗ nào sai, nhưng họ sẽ cảm thấy người nói đang hơi qua loa.
Chuyển sang nhân bản giọng nói online rồi tổng hợp, vấn đề đó biến mất — cùng một đoạn text, model cho ra cảm xúc thống nhất. Cái giá là nó cũng không còn quá sống động. Kiểu ngẫu hứng, tiếng thở nhẹ, sự thật tay của giọng người sẽ ít đi. Mình chấp nhận đánh đổi này, vì thu bảy lần cũng chưa chắc có lần nào hoàn hảo.
Quy trình hiện tại: một luồng, hai cách dùng
Nói thẳng ra, mình gộp hai việc này thành một quy trình.
Viết script trước. Video ngắn thì viết bản câu ngắn. Podcast thì viết bản đoạn văn. Sau đó quăng hết vào nhân bản giọng nói miễn phí, lấy giọng mình làm nền. VoxClone bên này không cần đăng ký, mở là dùng được, không phải điền số điện thoại rồi ngồi đợi mã xác nhận — điểm này cực hợp với kiểu người nửa đêm mới nảy ra việc như mình.
Các bước đại khái thế này:
- Chuẩn bị một mẫu giọng sạch dài từ 30 giây trở lên (phòng yên tĩnh, tắt reverb)
- Tải lên trang nhân bản giọng nói, đợi model chạy xong
- Dán script vào, nghe thử, chỉnh dấu câu và khoảng nghỉ
- Xuất audio, video ngắn thì đưa thẳng vào phần mềm dựng, podcast thì thêm một lớp nhạc nền
Bước tốn thời gian nhất là bước 3. Thật đấy, dấu câu quan trọng hơn bạn tưởng. Một dấu chấm đổi thành dấu phẩy là giọng đọc đã khác hẳn.
Nếu bạn làm podcast, intro và outro có thể tạo một lần cho cả mùa, phong cách giữ nguyên. Điều này khá quan trọng với màu sắc của chương trình — người nghe ba tập là nhớ giọng bạn rồi, tập thứ tư tự nhiên đổi người khác thì cảm giác đứt gãy rất khó bù. Sau đó mình làm vài mục cố định thành template, mỗi lần chỉ đổi nội dung, không đổi cấu trúc, đỡ mệt hơn nhiều.
Còn chuyện phần mềm nhân bản giọng nói miễn phí, quan điểm của mình là: dùng được miễn phí thì cứ dùng miễn phí trước, đừng vội mua gói năm. Bạn chưa chắc cần mấy tính năng cao cấp đâu, cứ chạy thông quy trình đã. Câu kiểu nhân bản giọng nói miễn phí vĩnh viễn thì mình cũng không tin ngay từ đầu, nhưng đến giờ đúng là chưa phải trả đồng nào. Mình cũng chưa tới mức cần API tổng hợp giọng nói miễn phí, dán script thủ công là đủ xài. Mấy ghi chú lỗi vặt mình để trong hướng dẫn thêm.
Vài câu hỏi thường gặp
Giọng nhân bản miễn phí có bị nhận ra là AI không?
Tuỳ yêu cầu của bạn cao đến đâu. Với lồng tiếng video ngắn hằng ngày, tám phần người nghe không nhận ra. Nhưng nếu làm audiobook, hoặc nội dung cần cảm xúc lên xuống mạnh, cảm giác phẳng vẫn lộ. Mình đánh giá thế này: nội dung truyền tải thông tin thì đủ dùng, nội dung biểu diễn thì còn thiếu. Nếu bạn định thu âm audiobook bằng AI miễn phí, nên thử một chương trước rồi hãy quyết.
Voice clone miễn phí có cần đăng ký không?
VoxClone thì không, mở là thử được. Với mình, voice clone không cần đăng ký là tiêu chí khá cứng — mình từng thử vài nền tảng, đi hết quy trình đăng ký xong thì hết cả hứng. Tất nhiên, không cần đăng ký không có nghĩa là không có giới hạn, cứ tự thử một lần cho chắc.
Có thể dùng nó đọc cả tập podcast không?
Về kỹ thuật thì được, nhưng mình khuyên chỉ dùng cho intro, outro, đọc quảng cáo hoặc mấy đoạn cố định. Để AI đọc cả tập, người nghe sẽ nhanh mệt. Cốt lõi của podcast là chất người. AI giúp bạn bỏ bớt việc lặp lại, không phải thay bạn nói.
Vài lời thật lòng
Nếu bạn cũng đang làm podcast hoặc video ngắn, gợi ý của mình là: tối nay chọn một đoạn script đã viết sẵn, quăng vào đọc văn bản bằng giọng nói AI chạy thử một lần. Đừng cầu toàn, cứ nghe xem giọng mình được tổng hợp ra sao đã. Nhiều người kẹt ở câu hỏi có nên dùng AI hay không cả nửa năm, trong khi thử một lần là biết ngay.
Còn mình, bảy bản thu intro hôm đó đã xoá rồi. Bây giờ cũng đã một giờ sáng, mình đang viết script cho tập tiếp theo.