Tôi nhân bản giọng mình bằng đoạn ghi âm trên tàu điện, và nhận lại một giọng đọc kèm tiếng thông báo ga

Chuyện là thế này. Tháng trước tôi tự đào hố cho mình.

Tôi có một tập bài giảng 80 trang PDF — chữ dày như kiến bò, nhìn mười phút là mắt mỏi rã rời. Tôi nảy ra ý tưởng: dùng công cụ nhân bản giọng nói miễn phí để tạo một bản sao giọng của chính mình, rồi để “tôi” đọc bài giảng cho tôi nghe trên đường đi làm. Vừa thân quen, vừa đỡ phải nghe giọng robot.

Nghe hợp lý đúng không? Ừ, cho đến lần render đầu tiên.

Đoạn ghi âm ba phút, và một buổi chiều tôi nghi ngờ chính mình

Tôi ghi âm trên tàu điện, giờ cao điểm. Ba phút mười hai giây. Lúc đó tôi còn thấy mình thông minh lắm — thời gian đi tàu không thể lãng phí, tiện thể đọc luôn một đoạn ghi chú đọc sách.

Điện thoại giơ sát miệng, tai nghe cắm vào, tôi đọc đều đều. Xung quanh là tiếng tàu chạy, tiếng người nói chuyện, tiếng loa thông báo.

Câu đầu tiên sau khi nhân bản nghe ổn. Câu thứ hai bắt đầu sai. Giọng cứ như bị ai đó ấn xuống nước, đuôi câu kéo theo một tiếng ầm ầm đục ngầu — đúng cái nền ồn của toa tàu.

Rồi đến câu thứ tư. Chen vào giữa câu tôi đọc là một giọng nam đều đều: “Ga tiếp theo… Thái Hà.”

Tôi khựng lại hai giây. Tua lại, nghe ba lần mới dám tin. Cái công cụ đó đã học luôn giọng thông báo ga tàu như thể đó là một phần trong chất giọng của tôi.

Cả buổi chiều hôm đó tôi ngồi nghĩ: mình dùng voice cloning tiếng Việt mà ra cái giọng của một nhân viên nhà ga.

Ba thứ tôi tưởng chẳng sao, hoá ra sai hết

Tiếng ồn không phải “nền”, nó là “đặc trưng”. Đây là vết thương đau nhất. Tôi tưởng công cụ chỉ bắt giọng người, còn tạp âm thì tự lọc. Không hề. Nó học toàn bộ đặc trưng thống kê của đoạn audio — tiếng ù ù tần số thấp của tàu điện, tiếng người bên cạnh, tiếng bật hơi khi điện thoại kề sát miệng. Tất cả được ghi vào model với nhãn “giọng bạn nghe như thế này”. Nguyên liệu bẩn thì đầu ra bẩn. Không có ngoại lệ.

Độ dài và tốc độ nói quan trọng hơn cả âm sắc. Trong ba phút đó, tôi dành gần hai phút để nói nhỏ (sợ làm phiền người khác), tốc độ lúc nhanh lúc chậm. Model nhận được một mẫu vừa ngắn vừa không ổn định, học ra một thứ chẳng giống ai. Sau này tôi mới hiểu: dù là phần mềm nhân bản giọng nói miễn phí hay bản trả tiền, cửa ải chất lượng nguyên liệu thì không ai đi vòng được.

Chống ồn của điện thoại lại phá hoại. Chế độ khử ồn khi gọi điện được thiết kế để “người kia nghe rõ”, nên nó cắt bớt một phần hài âm của giọng người. Gọi điện thì tốt, nhân bản thì thảm hoạ — mất hài âm là giọng bị bẹt, mỏng, vô hồn.

Nghĩ thông ba điểm này, tôi làm lại từ đầu ở trang nhân bản giọng nói. Lần này nghiêm túc.

Ghi lại lần hai: tủ quần áo, chăn bông, và đúng ba phút

Tôi chui vào tủ quần áo, chất mấy cái áo phao mùa đông xung quanh làm vật liệu tiêu âm. Điện thoại bật chế độ máy bay, để cách miệng hai mươi phân, không kề sát. Tôi đọc một đoạn văn tự viết, câu dài câu ngắn xen kẽ, tốc độ chậm hơn bình thường một chút.

Ba phút. Đúng ba phút.

Lần này giọng ra nghe… kỳ kỳ — mà ai nghe lại bản ghi âm của chính mình chả thấy kỳ. Nhưng mẹ tôi đứng cạnh buột miệng: “Ừ, giọng mày đấy.” Vậy là đạt.

Xong phần giọng, mới đến phần chính: biến bài giảng thành audio. Hoá ra việc chuyển văn bản thành giọng nói dễ hơn tôi tưởng rất nhiều.

Chuyển 80 trang bài giảng thành file nghe

Ném thẳng PDF vào là hỏng ngay. Tôi phải làm mấy việc trước:

  • Xoá sạch header, footer, số trang, ký hiệu chú thích tài liệu tham khảo.
  • Tách công thức và bảng ra riêng, thay bằng một câu mô tả (“Đây là bảng so sánh ba dòng hai cột, bên trái là phương pháp, bên phải là độ chính xác”).
  • Thêm một câu dẫn trước mỗi tiêu đề lớn (“Phần một…”) để tai có mốc mà bám.

Sau đó tôi dán phần văn bản thuần vào trang chuyển văn bản thành giọng nói, chọn đúng cái giọng vừa nhân bản, rồi tạo từng đoạn một. Chuyện text to speech tiếng Việt miễn phí ban đầu tôi còn bán tín bán nghi, dùng rồi mới biết thật sự không thu phí.

80 trang cắt thành 11 đoạn, mỗi đoạn bảy tám phút — vừa đúng một chuyến tàu.

Nghe chính giọng mình đọc “suy luận Bayes” — cảm giác khá kỳ diệu. Nói thẳng ra thì tôi đang dùng giọng nói AI miễn phí như một cái máy đọc sách, chỉ khác là người đọc chính là tôi.

Vài chi tiết tôi phải vấp mới biết:

  • Nguyên liệu thà ngắn mà sạch, còn hơn dài mà ồn. Ba phút yên tĩnh ăn đứt ba mươi phút ghi trong phòng họp.
  • Đừng tạo một đoạn quá dài. Quá mười lăm phút là nghe mệt, mà cũng không tua lại được chỗ nào ra chỗ nào.
  • Viết lại số và từ viết tắt trước khi tạo. “2024” viết thành “hai nghìn không trăm hai mươi tư”, “GDP” viết thành “G D P”. Tiếng Việt mà để nguyên số và từ viết tắt là kiểu gì cũng đọc sai.
  • Từ tiếng Anh trong bài giảng nên phiên âm hoặc Việt hoá, vì TTS tiếng Việt đọc chữ Latin theo quy tắc tiếng Việt, nghe rất buồn cười.
  • Luôn nghe thử mười giây trước khi render cả đoạn, đỡ phải chạy xong mới phát hiện chọn nhầm giọng.

Một chuyện tôi không ngờ tới: người làm nội dung

Sau khi quy trình chạy trơn, tôi demo cho mấy người bạn làm nội dung. Một bạn dựng kênh TikTok review sách, cần lồng tiếng video bằng AI miễn phí cho ba video mỗi ngày — cái bạn ấy cần không phải giọng giống ai, mà là một giọng đọc hay miễn phí, ổn định, không đọc sai dấu.

Một bạn khác làm audiobook. Bạn ấy hỏi tôi có cách nào thu âm audiobook bằng AI miễn phí cho mấy đầu sách dài hàng trăm trang không. Câu trả lời là có, nhưng phải chấp nhận một điều: giọng AI đọc văn học sẽ phẳng hơn người thật. Với sách kỹ năng, tài liệu, sách phi hư cấu thì ổn. Với tiểu thuyết nhiều đối thoại thì nghe hơi cứng.

Còn nhóm làm nội dung cho người khiếm thị thì nhu cầu khác hẳn. Họ cần đọc văn bản bằng giọng nói AI cho tài liệu, luận văn, văn bản chính sách — có khi cả trăm trang. Với họ, việc voice clone không cần đăng ký và chuyển văn bản thành âm thanh miễn phí không giới hạn quan trọng hơn nhiều so với chuyện giọng có giống hay không.

Tôi cũng từng định tìm API chuyển văn bản thành giọng nói miễn phí để tự viết script chạy hàng loạt, nhưng sau thấy thao tác trực tiếp trên web còn nhanh hơn, nên thôi. Điểm tôi thích ở VoxClone là không phải đăng ký, mở lên là dùng được — kiểu tạo giọng nói miễn phí không cần tài khoản rất hợp với người chỉ dùng vài lần. Nhân bản giọng nói và chuyển văn bản thành âm thanh nằm chung một chỗ, đỡ phải nhảy qua lại giữa các tab.

Một điều nên nói rõ: đừng lấy giọng người khác đem đi nhân bản khi chưa xin phép. Ở Việt Nam, dữ liệu sinh trắc học — trong đó có mẫu giọng nói — được xếp vào nhóm dữ liệu cá nhân nhạy cảm theo Nghị định 13/2023/NĐ-CP. Chuyện pháp lý để sau, nhưng chuyện đạo đức thì rõ ngay: giọng của ai, người đó quyết.

Trang này ghi là miễn phí vĩnh viễn, tôi dùng gần nửa năm chưa gặp trường hợp đột nhiên thu phí hay hết lượt. Tất nhiên, chính sách cụ thể thì cứ xem trang chủ cho chắc.

Câu hỏi thường gặp

Giọng nhân bản ra không giống tôi, phải làm sao?

Phần lớn là lỗi nguyên liệu, không phải lỗi công cụ. Kiểm tra ba thứ: trong bản ghi có tiếng người khác nói không, có tiếng nền kéo dài không, tốc độ nói có lúc nhanh lúc chậm không. Còn một điểm ít ai để ý — cảm xúc. Nếu lúc ghi bạn đang đọc một đoạn văn hào hứng, giọng tạo ra cũng sẽ thiên về hào hứng, đến lúc đọc bài giảng nghe rất lạc quẻ. Ghi nguyên liệu bằng đúng cái tông giọng lúc bạn nói chuyện bình thường, đừng diễn.

Công thức, bảng biểu, code trong bài giảng thì xử lý thế nào?

Đừng trông vào TTS đọc được chúng. Cách của tôi là chuyển thành mô tả bằng lời rồi chèn vào đúng vị trí. Công thức thì đọc “sigma từ i bằng một đến n”, bảng thì đọc “bảng này có ba dòng, dòng đầu là…”, còn khối code thì bỏ qua, chỉ đọc “ở đây có một đoạn code, xem ở trang bao nhiêu trong bản gốc”. Nghe thì vụng, nhưng tai theo kịp.

Dùng công cụ online không cần đăng ký, có bị giới hạn số lần không?

Tôi dùng gần nửa năm chưa gặp. Nhưng chính sách của site có thể thay đổi, nên cứ theo thông báo trên trang chủ mà làm. Lời khuyên của tôi là đừng bỏ hết trứng vào một rổ — văn bản dài quan trọng thì tạo xong nhớ tải file audio về máy lưu một bản, vậy là chắc ăn nhất. Nói thêm, ở mục hướng dẫn thêm cũng có mấy cách xử lý văn bản dài tương tự, đáng để lật xem.

Nếu trong máy bạn cũng đang có một tài liệu dài nhìn là thấy mệt — bài giảng, luận văn, văn bản chính sách, sách hướng dẫn sản phẩm — thì tối nay làm được luôn. Tìm một góc nhỏ yên tĩnh, mở điện thoại ghi ba phút giọng mình, nói chậm lại, câu cú viết theo kiểu nói thường ngày, rồi vào nhân bản giọng nói miễn phí thử xem.

Và nhớ lời tôi: đừng ghi âm trên tàu điện.