Nhân bản giọng nói miễn phí: cú "toang" vì thu âm giữa quán cà phê ồn ào
Đoạn ghi âm 30 giây dạy tôi một bài học nhớ đời
Trưa thứ Bảy, tôi ngồi ở góc một quán cà phê khá đông khách, tai nghe cắm vào điện thoại, đọc một đoạn tự giới thiệu dài đúng 30 giây. Phía sau lưng tôi là tiếng máy xay sinh tố rít lên, tiếng xe máy ngoài đường, hai bạn bàn bên cười nói, thỉnh thoảng còn có tiếng thìa gõ vào ly. Tôi nghĩ bụng: kệ, cứ đẩy lên thử xem sao, biết đâu lại hay.
Đẩy lên thật. Và kết quả nghe như tôi đang nói chuyện qua một chiếc radio cũ bị bọc trong chăn bông. Tên tôi bị nuốt mất, câu chữ nhoè ra, còn tiếng máy xay thì được "thăng chức" thành nhân vật chính. Tôi ngồi nghe lại ba lần, vừa buồn cười vừa hơi xấu hổ với chính mình.
Lúc đó tôi mới chịu mở trang hướng dẫn ra đọc cho tử tế. Hoá ra các nền tảng nhân bản giọng nói miễn phí không thần thánh như tôi tưởng. Họ cho bạn dùng thoải mái, thậm chí voice clone không cần đăng ký, nhưng đầu vào thì phải sạch. Nền ồn vượt ngưỡng chịu đựng là độ giống giọng tụt thấy rõ, nghe là biết ngay. Nói cách khác: miễn phí không có nghĩa là khỏi làm gì. Bước dọn dẹp trước khi upload mới là thứ quyết định thành bại.
Dọn sạch audio trước khi đưa vào công cụ: 5 phút thay vì cả buổi chiều
Cách tôi làm bây giờ đơn giản hơn nhiều so với hồi mới tập tành. Mở Audacity, cắt lấy một đoạn thuần tiếng nền (không có giọng nói) làm mẫu nhiễu, chạy Noise Reduction, rồi kéo gain lên một chút — vừa đủ để không làm mất chi tiết giọng, vì khử quá tay thì giọng nghe như đang ngậm kẹo. Xuất ra WAV 16 kHz, mono. File chỉ vài trăm KB, upload nhanh khỏi phải chờ.
Xong phần audio, tôi sang trang chuyển văn bản thành giọng nói gõ thử vài câu tiếng Việt có dấu — kiểu câu tôi hay dùng khi mở đầu video — để nghe xem ngữ điệu có tự nhiên không, chỗ lên giọng xuống giọng có bị cứng không. Ổn rồi thì mới đưa mẫu đã làm sạch vào phần tạo giọng nói miễn phí để chạy bản clone cuối cùng. Thứ tự này quan trọng: nghe thử trước, clone sau, đỡ mất công làm lại.
Nếu bạn cần làm số lượng lớn — ví dụ một kênh sách nói có mấy trăm chương — thì khỏi ngồi bấm tay. Nền tảng có API tổng hợp giọng nói miễn phí để gọi thẳng trong script, chạy hàng loạt một lần. Cả quy trình của tôi gói gọn trong khoảng 5 phút, nhanh hơn hẳn cái hồi tôi loay hoay nửa tiếng với phần mềm trả phí mà kết quả cũng chẳng khá hơn.
Một chuyện nữa tôi tự nhắc mình mỗi lần ngồi vào máy: giọng nói là dữ liệu sinh trắc học, không phải thứ đem ra đùa. Ở Việt Nam, Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân cũng nói khá rõ chuyện này. Nên tôi chỉ clone giọng của chính mình, hoặc giọng người đã đồng ý bằng tin nhắn hẳn hoi. Nghe có vẻ lằng nhằng, nhưng làm một lần rồi thành thói quen, chẳng tốn gì.
Sách nói, TikTok, podcast: một giọng dùng ba kiểu rất khác nhau
Sách nói. Đây là chỗ tôi thấy rõ nhất sự khác biệt giữa giọng clone và giọng đọc máy kiểu cũ. Khi thu âm audiobook bằng AI miễn phí, thứ tôi cần không phải là phát âm chuẩn — mà là nhịp. Đọc liền một chương truyện dài, ngắt nghỉ đúng chỗ dấu phẩy, dấu chấm, lên xuống theo mạch kể. Tôi thử với một chương truyện ngắn, và điều làm tôi bất ngờ là nó ít cái kiểu "giọng robot" mà tôi vẫn nghe thấy ở vài phần mềm thương mại. Người nghe sách nói rất nhạy với cảm giác máy móc, chỉ cần sai nhịp là họ thoát kênh ngay.
Video ngắn. Ngược hoàn toàn. Video TikTok hay Reels chỉ 15 giây, cần năng lượng, cần cái kiểu nói như đang hét vào mặt người xem theo nghĩa tích cực. Cùng một đoạn text, tôi dùng tính năng giọng nói AI miễn phí tạo ra ba bản khác nhau, nghe qua một lượt, chọn bản máu lửa nhất rồi kéo thẳng vào CapCut. Tập làm theo cách đó có lượt xem cao hơn khoảng 30% so với tập tôi tự thu giọng thật. Không phải vì giọng AI hay hơn — mà vì tôi đỡ vấp, đỡ phải thu lại lần thứ mười một.
Podcast. Phần chào đầu mỗi tập tôi để cho giọng đọc hay miễn phí xử lý, thêm nhạc nền mờ phía sau. Không ai trong phần bình luận nhận ra đó là giọng tổng hợp. Có lần một bạn còn hỏi tôi thu bằng micro gì mà ấm thế. Tôi cười, không nỡ nói thật.
Còn chuyện độ dài thì khỏi lo. Tôi từng dán nguyên một tài liệu dài cả chục nghìn chữ vào ô chuyển văn bản thành âm thanh miễn phí và nó chạy một mạch, không bắt chia nhỏ rồi nối file lại như mấy công cụ khác. Với người làm nội dung, cái đó tiết kiệm được kha khá thời gian — thời gian mà tôi dùng để ngồi nghĩ tiêu đề, việc mà AI chưa làm thay được.
À, và nếu bạn đang làm nội dung tiếng Việt thì nên thử kỹ phần dấu. Tiếng Việt có dấu hỏi, dấu ngã, dấu nặng — chỉ cần đọc sai một dấu là nghĩa đổi hẳn, nhiều khi thành câu rất buồn cười. Nên tôi luôn nghe lại toàn bộ trước khi xuất bản. Đây là bước không được bỏ, kể cả khi bạn đang dùng text to speech tiếng Việt miễn phí hay bất kỳ công cụ nào khác.
Mấy câu tôi bị hỏi nhiều nhất
Vì sao thu âm ồn thì giọng clone ra cũng ồn?
Vì mô hình học đặc điểm phổ của giọng nói sạch. Khi bạn đưa file lẫn tạp âm vào, nó không phân biệt được đâu là giọng bạn, đâu là tiếng máy xay — nên nó học luôn cả hai. Kết quả là tạp âm bị "nướng" thẳng vào giọng tổng hợp, và bạn không gỡ ra được nữa.
Miễn phí thật hay chỉ là mồi?
Theo những gì tôi đọc trên trang của họ thì nhân bản giọng nói miễn phí không thu phí, không giới hạn số lần gọi, cũng không có tường trả tiền ẩn sau vài lần dùng thử. Điều kiện duy nhất là đừng lạm dụng để phân phối thương mại kiểu bán lại dịch vụ. Tôi dùng mấy tháng nay chưa gặp trở ngại gì.
Tải file về dùng cho phần mềm khác được không?
Được. File xuất ra là WAV hoặc MP3 tiêu chuẩn, tải về rồi quăng vào Premiere, CapCut hay bất kỳ phần mềm nào có track audio đều chạy. Không khoá, không watermark, không bắt bạn ngồi gỡ tiếng "tinh tinh" ở cuối file.
Thêm mấy mẹo vặt kiểu này tôi gom ở thư viện hướng dẫn, ai rảnh thì lượn qua xem.
Nếu trong điện thoại bạn đang có sẵn một file ghi âm cũ, đừng xoá vội. Cắt lấy 20 giây sạch nhất, khử ồn một lượt, rồi nghe lại xem giọng mình thật ra nghe thế nào. Biết đâu cái giọng bạn cần cho kênh chỉ cách đúng một lần dọn dẹp.