Ghi âm điện thoại đầy tạp âm? Tôi thử khử ồn + nhân bản giọng nói miễn phí và đây là kết quả

Cái ghi âm 47 giây khiến tôi muốn bấm xóa

Tối thứ Ba tuần trước tôi ngồi ở một quán cà phê trên đường Nguyễn Trãi, quận 5. Máy xay sinh tố chạy ầm ầm, nhạc quán mở to, và tôi — đúng kiểu người làm content — vẫn cúi mặt ghi âm một đoạn voice memo dài 47 giây để tối về dựng video.

Về nhà mở lên nghe thử. Trời ơi. Tiếng máy xay, tiếng nhạc, tiếng ai đó gọi shipper, còn giọng tôi thì chìm nghỉm ở dưới như đang phát thanh từ đáy giếng.

Tôi định xóa. Rồi tôi nghĩ: thử mấy công cụ AI miễn phí xem sao. Trước giờ tôi vẫn mặc định đồ miễn phí thì hoặc dán watermark, hoặc cắt còn 30 giây, hoặc bắt đăng ký rồi nhét email vào danh sách spam. Nhưng lần này tôi làm nghiêm túc: khử ồn trước, rồi nhân bản giọng nói miễn phí từ chính đoạn sạch đó, rồi đẩy kịch bản qua chuyển văn bản thành giọng nói.

Kết quả ra sao thì để tôi kể theo đúng thứ tự tôi đã làm.

Ném tạp âm vào khử ồn, nghe thử xem sao

Tôi kéo file ghi âm thả vào module khử ồn trên web. Không đăng nhập, không xác nhận email, không có cái popup "đăng ký nhận bản tin" nào nhảy ra chặn màn hình.

Vài giây sau có kết quả. Và tôi phải nói thật: nó sạch hơn tôi tưởng. Tiếng máy xay biến mất gần hết, nhạc quán chỉ còn một lớp mờ mờ ở phía sau, giọng tôi nổi lên rõ từng chữ. Nghe như thu trong phòng thu nhỏ chứ không phải giữa cái quán đông người.

Điều tôi thích nhất không phải chất lượng — mà là chuyện nó không bắt tôi trả giá bằng dữ liệu cá nhân. Với mấy anh em làm nội dung, voice clone không cần đăng ký nghe thì nhỏ, nhưng thực tế nó tiết kiệm cho bạn cả chục phút mỗi lần và tránh luôn mớ email quảng cáo về sau.

Ai muốn tự thử thì cứ vào nhân bản giọng nói miễn phí rồi upload file lên. Đúng nghĩa thao tác một phát.

Lấy 8 giây sạch để tạo giọng nói miễn phí

Sau khi có bản khử ồn, tôi cắt ra một đoạn 8 giây sạch nhất — không vấp, không "ừm", không tiếng thở mạnh — rồi ném vào model nhân bản giọng.

Chưa tới một phút sau, hệ thống trả về một giọng đọc dùng được. Không cần điền email, không cần số điện thoại, không cần xác minh qua Zalo hay gì cả. Tôi vẫn hơi ngờ ngợ nên thử đọc lại một câu dài có dấu hỏi, dấu ngã, rồi một câu có từ tiếng Anh chen vào — kiểu "mình review cái serum này trên TikTok Shop nhé".

Nó xử lý ổn. Chỗ ngắt nghỉ tự nhiên, lên giọng xuống giọng đúng chỗ, thậm chí giữ lại được cái kiểu nói hơi nhanh của tôi. Nghe không kiểu robot đọc văn bản — mà giống một người thật đang nói.

Một điểm nhỏ nhưng quan trọng với người miền Nam như tôi: giọng ra không bị pha tạp âm kiểu Hà Nội. Bạn muốn giọng Bắc, giọng Nam hay giọng miền Trung đều chọn được, và đây là lý do tôi thấy voice cloning tiếng Việt giờ đã đủ chín để dùng cho công việc thật, không chỉ để nghịch.

Đưa kịch bản vào TTS online, ra bản lồng tiếng cuối

Bước cuối: tôi dán kịch bản vào ô nhập liệu, chọn đúng cái giọng vừa tạo, bấm tạo. Vài giây sau có file hoàn chỉnh.

Tốc độ đọc, cao độ, khoảng nghỉ giữa các câu — tất cả đều có thanh trượt chỉnh tay. Không cần viết một dòng code nào, không cần đọc tài liệu API. Với mấy bạn làm kênh YouTube tiếng Việt hay dựng Reels, đây gần như là cách nhanh nhất để lồng tiếng video bằng AI miễn phí mà không phải tự thu lại giọng mình mỗi lần sửa kịch bản.

Tôi còn thử một việc khác: lấy 3 chương truyện ngắn, đưa vào để thu âm audiobook bằng AI miễn phí. Chạy ngon. Giọng đều, không mệt, không khàn sau 20 phút — điều mà cổ họng tôi chắc chắn không làm được.

Nếu bạn muốn vọc sâu hơn vào thông số, xem thủ thuật chỉnh giọng đọc — mấy bài viết ở đó có mẹo thực chiến, kiểu cách chèn dấu phẩy để AI ngắt nghỉ đúng nhịp.

Mấy chỗ tôi vấp phải: sample rate, độ dài, mạng chập chờn

Không phải mọi thứ đều màu hồng. Tôi kể thẳng mấy cái đã làm tôi bực:

  • File ghi ở 48kHz khi upload sẽ bị ép hạ tần số lấy mẫu, nghe bị mờ và tối hơn bản gốc
  • Đoạn mẫu dài quá 30 giây sẽ bị cắt bớt, nên đừng có đưa nguyên file 5 phút rồi ngồi chờ
  • Kịch bản quá dài sẽ tự động chia đoạn, và đúng ở mối nối giọng nghe hụt hơi một chút
  • Mạng yếu thì quá trình tạo bị khựng giữa chừng, phải làm lại từ đầu

Cách tôi xử lý: trước khi ghi âm, vào cài đặt ghi âm của điện thoại chỉnh về 44.1kHz, mono. Chỉ một lần thiết lập đó thôi mà mọi bản nhân bản về sau nghe sáng hơn hẳn.

Còn chuyện ngắt câu: thay vì để AI tự chia, tôi tự chèn dấu chấm ở những chỗ muốn nghỉ. Nghe thì đơn giản, nhưng nó là khác biệt giữa một file nghe được và một file nghe chuyên nghiệp.

Vì sao lần này tôi không bị quảng cáo, đăng ký hay hạn mức chặn lại

Đây là phần làm tôi bất ngờ nhất.

Không popup. Không banner. Không "bạn còn 3 lượt miễn phí". Không nút đăng ký chắn ngang lúc tải file. Tôi tải file về máy, mở nghe lại, rồi dùng luôn cho video — không bị hỏi giấy phép, không có watermark nhấp nháy ở góc.

Tôi hiểu vì sao nhiều người ngại giọng nói AI miễn phí: sợ nó chỉ miễn phí cho tới lúc bạn cần thật. Nhưng ở đây thì khác. Cái tôi nhận được là một công cụ đủ dùng cho công việc hằng ngày, không phải bản demo dụ người dùng.

Một chuyện tôi vẫn nhắc bản thân mỗi lần dùng: đừng nhân bản giọng người khác khi chưa xin phép. Giọng nói là dữ liệu sinh trắc học, không phải file nhạc tải trên mạng. Nhân bản giọng của chính mình thì thoải mái; nhân bản giọng đồng nghiệp để dựng clip thì nên hỏi trước một câu. Ở Việt Nam chuyện này chưa bị siết chặt như bên châu Âu, nhưng đừng vì thế mà làm ẩu — rồi có ngày kênh của bạn bay màu vì lý do chẳng ai ngờ.

Gửi thử cho mấy đứa bạn làm podcast, không ai nhận ra

Tối qua tôi gửi bản lồng tiếng hoàn chỉnh cho ba đứa bạn đang làm podcast. Cả ba nghe xong, phản hồi đầu tiên đều giống nhau: "Giọng mày thu bằng gì mà rõ thế?"

Không ai đoán ra là giọng tổng hợp. Một đứa còn hỏi tôi mua micro mới hãng nào.

Nghĩ lại thì đây đúng là thứ tôi cần từ lâu. Tôi làm nội dung một mình, không có ê-kíp, không có phòng thu. Mỗi lần thu lại một câu vì nói nhịu là mất thêm 15 phút. Giờ tôi chỉ cần một đoạn mẫu sạch 8 giây, và từ đó về sau mọi kịch bản đều đọc bằng chính giọng đó — kể cả lúc tôi đang ngồi trong quán cà phê ồn nhất Sài Gòn.

Nếu bạn cũng đang có một đống file ghi âm đầy tạp âm nằm chết trong máy, đừng xóa vội. Khử ồn trước, cắt 8 giây sạch, rồi để chuyển văn bản thành giọng nói lo phần còn lại. Bắt đầu từ một file thôi — chọn đúng đoạn bạn định vứt đi, xem nó có cứu được không. Tôi cá là bạn sẽ bất ngờ giống tôi.