Tháng trước tôi làm một tập phỏng vấn cho kênh YouTube, khách mời bị đau họng nói không ra tiếng. Tôi lười thu chính mình, liền tìm một trang text to speech tiếng việt miễn phí, dán mấy chữ "Chào mừng các bạn đến với tập hôm nay..." vào. Xong xuôi, tôi còn tự khen: nghe cũng được mà.
Đăng video chưa được hai tiếng, có bạn comment: "Chủ kênh bị đau họng à? Sao giọng intro nghe cứ như gà cắt tiếng ấy." Tôi ngồi đơ người mất mấy giây. Khán giả tốt thật—họ tưởng tôi bệnh, chứ không bảo tôi dùng robot.
Lúc ấy tôi chưa hiểu vấn đề nằm ở đâu. Tôi cứ đổ cho tool, đổ cho thuật toán. Mãi về sau mới vỡ ra: tôi chẳng hề biết người thật đọc truyện thì hơi thở đi như thế nào.
Vết hở của giọng giả không nằm ở con chữ, nó nằm ở chỗ thở
Người thật nói chuyện là có thở. Câu dài thì ngắt; dấu phẩy thì hạ hàm; nghĩ đến từ tiếp theo thì lưỡi đã chuẩn bị từ nửa giây trước. Máy móc không biết chuyện ấy. Nó đọc đều tăm tắp, như cái loa phát thanh đang đọc thông báo ở bến xe—không sống, không chết, chỉ có nhịp.
Đêm ấy tôi nghe đi nghe lại đoạn intro đến hai mươi lần. Càng nghe càng thấy sai. Máy nó đọc "Chào mừng", đuôi câu bị bay lên; còn tôi đọc "Chào mừng", đuôi câu rơi xuống. Chính cái rơi nhẹ ấy—máy không học được, ít nhất là hồi ấy.
Bạn cứ thử nghe mấy cái intro AI cũ, ba giây là muốn bấm next. Vì ngoài đời chẳng ai nói như thế—trừ mấy bác huấn luyện viên quân sự, với loa phát thanh ở siêu thị.
Chuyển cảnh sợ nhất là "cảm giác đều tăm tắp"
Có lần tôi cắt từ phần phỏng vấn sang quảng cáo, dùng giọng đọc bằng giọng nói ai miễn phí đọc một câu "Ngay sau đây là nhà tài trợ". Bà xã tôi đi ngang qua, hỏi: "Em đang bật loa phát thanh ở chung cư à?"
Đúng rồi. Chuyển cảnh mà đều quá thì người nghe tắt điện ngay. Bạn tưởng mình đang tạo hiệu ứng, thực ra là đang đưa gối cho họ ngủ gật. Họ vừa nghe xong một đoạn phỏng vấn sâu sắc, đang hồi tưởng, tự nhiên một giọng đều như robot báo cáo nhiệt độ chen ngang. Làm sao họ không kéo thanh tiến trình?
Đi tìm công cụ: tôi giữ lại mấy tab không cần đăng ký
Tôi bắt đầu tìm kiếm nghiêm túc. Tiêu chí rất thực dụng: khỏi đăng ký, khỏi nạp vip, xuất file đừng dính watermark khó chịu. Cuối cùng trong bookmark chỉ còn vài cái, trong đó có VoxClone.
Trang chuyển văn bản thành giọng nói này mở lên là dán chữ, chọn giọng, bấm gen. Không hỏi phone number, không bắt login. Đúng kiểu "bạn là khách quen", chứ không phải "con mồi" bị khai thác.
Nói thật, nhiều web làm hoành tráng lắm, vừa chọn xong giọng đọc hay miễn phí là nó nhảy ô đăng nhập. Hết hứng ngay. VoxClone thì khác, giao diện đơn giản đến mức tôi tưởng nó chưa hoàn thiện—nhưng đúng cái tôi cần.
Nhân bản giọng nói miễn phí: cho AI "ăn" chính giọng của mình
Cái làm tôi nán lại là tính năng voice cloning tiếng việt. Lúc đầu tôi nghi lắm, tưởng clone là làm giọng người khác cho lừa đảo. Ai ngờ nó là đưa mẫu giọng của mình lên, để AI học cách tôi nhả chữ, học cái kiểu tôi kéo dài cuối câu.
Tạo giọng nói miễn phí từ chính giọng mình giờ không còn là chuyện viển vông.
Tôi chọn đoạn thu âm có cả tiếng thở—đúng vậy, tôi cố ý muốn nó học cả hơi thở của tôi. Quy trình cũng dễ, voice clone không cần đăng ký, làm hết trên web, khỏi cài phần mềm clone voice free nào cho nặng máy.
Lần đầu tiên nghe giọng mình đọc một câu tôi viết, tôi nổi da gà. Nó giống tôi, nhưng mà chỉnh chu hơn. Như một phiên bản tôi ở vũ trụ song song—ngủ đủ giấc, tinh thần sáng láng.
Đợt tôi bị viêm thanh quản một tháng, mấy tập chuyển cảnh trong video đều nhờ nó. Cắt vào, không ai nghe ra. Chỉ tôi biết cái giọng ấy mọc ra từ bản thu âm cách đó ba tháng.
Ba câu intro mới là chỗ đáng đầu tư
Có được mô hình giọng riêng, tôi làm intro hơi "ích kỷ". Tôi bỏ mấy câu "Xin chào quý vị", thay bằng cái giọng tôi vẫn nói chuyện với bạn bè. Phần nhà tài trợ cũng viết theo kiểu tôi tự sự chứ không phải đọc kênh truyền hình.
Một mẹo nhỏ: không phải câu nào cũng nên dùng giọng clone. Mấy câu mang tính chức năng như "Video được tài trợ bởi...", tôi chỉ dùng giọng nhân bản cho mấy câu then chốt, để cảm xúc đáp đúng chỗ. Còn mấy câu chuyển đoạn, cứ để chuyển văn bản thành âm thanh miễn phí bình thường, xuất không giới hạn độ dài, nghe còn tự nhiên. Bạn viết "Sau quảng cáo mình quay lại ngay", AI đọc với giọng hơi mệt mỏi một chút, người xem lại thấy đúng chất con người.
Quy trình hiện tại: từ bản thảo đến kéo vào phần mềm edit
Nhiều bạn hỏi tôi có biết cách gắn API text to speech tiếng việt miễn phí vào app không. Thú thực, tôi không phải dev. Tôi chỉ cần bản web chạy ổn là mãn nguyện rồi. Ai muốn mày mò thêm thì lục mục hướng dẫn & mẹo của VoxClone, đọc dễ hơn nhiều tài liệu kỹ thuật khô khan.
Giờ quy trình của tôi cố định như nghi thức: viết chữ trong doc → mở VoxClone → dùng giọng clone gen câu chủ đạo → dùng giọng thường gen câu nối → nghe thử vài lần → xuất file → kéo vào Premiere (hoặc CapCut) căn waveform. Tổng cộng chưa đến hai mươi phút.
Tôi cũng hay dùng cách này để thu âm audiobook bằng ai miễn phí cho mấy cuốn sách ngắn đăng trên TikTok, hoặc lồng tiếng video bằng ai miễn phí cho kênh phụ. Đọc văn bản bằng giọng nói ai giờ không còn là chuyện viển vông nữa, nó là kỹ năng sinh tồn của dân làm content rồi.
Nhiều lúc tôi nghĩ, công nghệ giảng giải cả trăm bài, nhưng bản chất chỉ một câu: khán giả không cần hoàn hảo, họ cần "giống người". Bạn không cần biến AI thành phát thanh viên đài phát thanh quốc gia, bạn chỉ cần nó thành bạn—một người biết thở, biết ngắt, biết đẩy nhẹ ở cuối câu.
Tối nay bạn thử được không? Tìm lấy mười giây giả đạo nhất trong video của bạn, thay bằng giọng của chính mình, để AI đọc hộ. Xong rồi bạn nghe lại—đảm bảo bạn sẽ không muốn quay về kiểu cũ.