Nhân bản giọng nói miễn phí: cú ngã đầu tiên của mình ở một quán cà phê ồn

Chuyện xảy ra cách đây mấy tuần. Mình ngồi ở quán cà phê quen vào giờ cao điểm — máy xay espresso chạy ầm ầm, hai bạn bàn bên cạnh nói chuyện còn to hơn cả nhạc nền, thỉnh thoảng có tiếng thìa gõ vào thành ly. Mình dựng điện thoại, thu đúng 30 giây tự giới thiệu, rồi nghĩ bụng: “Kệ, cứ thử xem. Nhân bản giọng nói miễn phí mà, có mất gì đâu.”

Mất đấy. Mất nguyên một buổi tối, cộng thêm một cục pin điện thoại.

File trả về nghe như có ai bật radio hết cỡ rồi trùm chăn lên. Giọng mình nằm lơ lửng sau một lớp ù ù dày đặc, đến cái tên của chính mình mình còn chẳng nhận ra. Nghe xong chỉ biết cười méo mặt.

Vì sao thu âm ồn rồi đem đi clone là tự bắn vào chân

Đọc lại tài liệu hướng dẫn, mình mới vỡ ra một chuyện khá quan trọng: mấy nền tảng kiểu này không kén số lần dùng, nhưng kén chất lượng đầu vào. Tỉ lệ tín hiệu trên nhiễu mà thấp quá — rơi xuống dưới mức -20 dB — thì độ giống tụt thấy rõ. Nói cách khác, voice clone không cần đăng ký không đồng nghĩa với “quăng gì vào cũng chạy”. Khâu dọn audio mới là thứ quyết định.

Nguyên nhân sâu xa thì đơn giản thôi. Model học đặc trưng phổ của giọng người sạch. Đưa vào một file lẫn tiếng máy pha cà phê, nó không tự phân biệt được đâu là giọng, đâu là tạp âm — nó học luôn cả hai. Thế là tiếng ồn được nhân bản cùng bạn, và nằm vĩnh viễn trong file đầu ra.

Trước khi chịu ngồi dọn file gốc, mình đã thử đủ trò với file đầu ra: EQ cắt low-end, noise gate, rồi cả… đẩy tốc độ lên 1.1x cho tiếng ù nhòe bớt. Không ăn thua. Tạp âm đã nằm cùng dải tần với giọng, cắt là cắt luôn cả giọng. Bài học rút ra: sửa ở đầu vào, đừng sửa ở đầu ra.

Hồi đó mình còn nghĩ mấy chỗ cho dùng thử kiểu này chắc chất lượng làng nhàng. Sai hoàn toàn. Chất lượng ổn thật, chỉ có người dùng là ẩu.

Dọn audio trước khi clone: 5 phút thay vì 30 phút vật lộn

Đây là cách mình làm, và tới giờ vẫn làm:

  • Mở Audacity. Miễn phí, nhẹ, chạy được trên cái laptop cũ của mình.
  • Cắt lấy một đoạn chỉ có tạp âm, không có giọng — tầm một giây là đủ — rồi vào Effect > Noise Reduction > Get Noise Profile.
  • Bôi đen toàn bộ file, mở lại Noise Reduction và kéo mức giảm vừa phải. Đừng tham. Kéo mạnh quá là giọng bị “ngậm nước”, nghe như đang nói trong hộp nhựa.
  • Xuất ra WAV, 16 kHz, mono. File còn vài trăm KB, upload nhanh khỏi nghĩ.

Xong khâu dọn. Giờ mở trang chuyển văn bản thành giọng nói, gõ thử vài câu tiếng Việt có dấu đầy đủ, để ý chỗ dấu phẩy với xuống dòng — đó là nhịp nghỉ — rồi nghe xem ngữ điệu có tự nhiên không. Ổn rồi thì mới đưa file đã dọn vào phần tạo giọng nói miễn phí để clone lần cuối.

Tổng thời gian: chừng 5 phút. Trước đó mình loay hoay với một phần mềm trả phí gần nửa tiếng mà kết quả còn tệ hơn.

Riêng khoản tiếng Việt thì có một cái bẫy nhỏ: dấu. Cùng một từ, sai dấu là sai nghĩa, mà nhiều công cụ text to speech tiếng Việt miễn phí xử lý dấu khá tệ — “má” thành “ma”, “cũng” thành “cung”. Voice cloning tiếng Việt vì thế khó hơn tiếng Anh một chút, nhất là khi bạn đọc văn bản bằng giọng nói AI cho nội dung có nhiều từ địa phương. Mẹo của mình: viết hẳn từ đó ra theo cách phát âm, đừng viết theo chính tả. Nghe hơi phản khoa học nhưng hiệu quả.

Cái hay là chẳng phải cài gì. Mở trình duyệt, dán chữ, bấm chạy — thế là có giọng nói AI miễn phí để nghịch. Muốn chuyển văn bản thành âm thanh miễn phí cho cả một danh sách dài thì cứ dán hết vào, nó chạy một mạch.

Nếu bạn làm việc kiểu tự động hoá — ví dụ có sẵn danh sách 200 câu mô tả sản phẩm cần đọc thành file — thì nền tảng có sẵn API, gọi thẳng trong script, khỏi ngồi bấm tay từng lần. Mình dùng nó để gen mô tả cho một shop nhỏ, chạy một lượt là xong.

Cùng một giọng, ba kiểu áp lực khác nhau

Đây là phần mình thấy thú vị nhất, vì mỗi loại nội dung đòi hỏi một thứ khác nhau ở cùng một file giọng.

Audiobook. Mình lấy bản clone đọc thử một chương trong Số Đỏ. Cái khó của sách nói không phải là phát âm đúng, mà là giữ được mạch ngữ điệu qua những câu dài, biết ngắt ở đâu, biết xuống giọng ở đâu. Bản mình làm giữ nhịp khá tốt, ít cái kiểu “máy móc” mà mình vẫn nghe thấy ở vài phần mềm trả phí. Với người làm nội dung nhỏ, thu âm audiobook bằng AI miễn phí là cách tiết kiệm được khoản thuê phòng thu — mà khoản đó không hề nhỏ.

Video ngắn. Ngược hẳn. 15 giây, cần gắt, cần cảm xúc, cần câu chốt đập vào mặt người xem. Mình dùng tính năng lồng tiếng video bằng AI miễn phí để gen ba phiên bản từ cùng một đoạn text, nghe qua, chọn bản gắt nhất, kéo thẳng vào CapCut. Video đó lên view cao hơn video mình tự thu giọng thật khoảng 30%. Không phải vì giọng AI hay hơn — mà vì mình dám làm lại ba lần. Thu giọng thật ba lần thì đã mệt, đã khàn.

Podcast. Đoạn chào đầu 20 giây, mình dùng giọng đọc hay miễn phí gen ra rồi đắp nhạc nền lên. Không ai trong phần bình luận phát hiện. Có một bạn còn nhắn hỏi mình thu bằng micro gì. Micro của mình là cái tai nghe cũ mua 400 nghìn.

Còn chuyện giới hạn ký tự — mình thử dán nguyên một chương dài hơn 10.000 ký tự, chạy một mạch, không phải chia nhỏ rồi nối file. Nghe thì nhỏ nhặt, nhưng ai từng nối 20 file audio thủ công sẽ hiểu: mối nối lệch ngữ điệu là thứ khiến người nghe bỏ đi sau 30 giây.

Một chuyện mình muốn nói thẳng

Ở Việt Nam, Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân xếp dữ liệu sinh trắc học — trong đó có mẫu giọng nói — vào nhóm dữ liệu cá nhân nhạy cảm. Nghĩa là clone giọng của chính mình thì thoải mái. Lấy giọng người khác mà không xin phép thì không phải chuyện đùa, dù chỉ để “thử cho vui”.

Mình suýt làm điều đó. Hồi mới tập tành, mình định lấy giọng của một người bạn để dựng video thử nghiệm, nghĩ bụng chắc không sao vì chỉ đăng trong nhóm riêng. Dừng lại kịp, nhắn hỏi trước, và bạn mình nói thẳng: “Không.” Đúng.

Thêm nữa, nếu bạn đăng video có giọng AI lên YouTube hay TikTok, cứ ghi rõ trong phần mô tả. Nhiều nền tảng giờ yêu cầu điều đó, và thành thật thì chẳng mất gì — người xem quan tâm nội dung có hay không, chứ không quan tâm giọng đó do ai đọc.

Mấy câu mình bị hỏi nhiều nhất

Thu âm ồn rồi clone ra toàn tạp âm, tại sao?

Vì model học cả tạp âm như một phần của giọng. Nó không có tai người để biết “cái này là tiếng máy xay, bỏ qua đi”. Bạn đưa gì vào, nó nhân bản cái đó. Cách chữa duy nhất là dọn trước, chứ đừng tìm cách sửa sau — file đầu ra đã nhiễm thì gần như không cứu được.

Mấy chỗ này có thật sự miễn phí mãi không?

Theo mình dùng thì đúng là không tính phí, không giới hạn số lần gọi, cũng không có tường chặn kiểu “dùng 3 lần rồi mua gói”. Điều kiện duy nhất là đừng lạm dụng để phân phối thương mại quy mô lớn. Nhưng cứ đọc lại điều khoản trước khi dùng cho dự án kiếm tiền, thói quen đó chẳng bao giờ thừa.

File clone ra có mang sang phần mềm khác dùng được không?

Được. Đầu ra là WAV hoặc MP3 chuẩn, tải về là kéo thẳng vào Premiere, CapCut, Audacity hay bất cứ thứ gì có track audio. Không khoá, không watermark, không giới hạn thiết bị.

Mình gom thêm mấy mẹo vặt — cách cắt khoảng lặng, cách xử lý giọng bị rè, cách chọn đoạn văn bản để test — ở xem thêm hướng dẫn.

Còn nếu bạn đang định thu giọng ngay bây giờ: tắt quạt, đóng cửa sổ, đợi cái máy xay sinh tố nhà hàng xóm chạy xong đã. Ba mươi giây dọn dẹp đó đáng giá hơn toàn bộ số mẹo phía trên.