Vì sao giọng đọc AI trong video ngắn của bạn nghe giả đến thế? Những cái tôi từng dẫm phải và cách sửa
Chuyện tôi 'toang' với một video bán hàng
Tháng trước tôi làm một video ngắn bán hàng trên TikTok. Lười, tôi cứ thế dán kịch bản vào một công cụ online, bấm tổng hợp, xuất file, đăng. Kết quả? Comment đầu tiên đúng một câu: "Giọng này là AI chứ gì?". Đúng thật... không chối được.
Ban đầu tôi đổ lỗi cho công cụ. Đổi qua đổi lại mấy nền tảng chuyển văn bản thành giọng nói miễn phí, chất lượng cũng na ná nhau, vẫn cái chất "đọc sách giáo khoa" quen thuộc. Mãi sau tôi mới ngộ ra: nghe giả, thường không phải do công cụ, mà do kịch bản của bạn.
Lý do giả thứ nhất: kịch bản của bạn là để "đọc", không phải để "nói"
Thử nghĩ xem, đời thường bạn có nói kiểu "Sản phẩm này được chế tác từ chất liệu cao cấp, đáp ứng mọi nhu cầu hàng ngày của bạn" không? Không. Nhưng rất nhiều người cứ ném văn viết như thế cho AI đọc, thế thì không giả mới lạ.
Cách tôi sửa đơn giản lắm: viết xong, tự đọc to một lượt. Chỗ nào vướng cổ, sửa hết sang văn nói. Câu dài chẻ ra câu ngắn. "Đáp ứng mọi nhu cầu hàng ngày" đổi thành "Dùng mỗi ngày, đủ sái răng". Chỉ vậy thôi mà bản合成 nghe khác hẳn.
Một chi tiết ít ai để ý: dấu câu chính là đạo diễn của bạn. Muốn giọng đọc ngắt nghỉ, dùng dấu phẩy, dấu chấm, dấu ba chấm để chỉ huy nó. Đáng ngắt mà không ngắt thì nghe như súng liên thanh; còn cả bài một dấu phẩy chạy tới cùng thì... như thợ đang vội tan tầm.
Lý do giả thứ hai: một giọng một đều từ đầu tới cuối
Người thật lồng tiếng có cảm xúc lên xuống: mở đầu tò mò, giữa hào hứng, cuối chốt lại dịu dàng. Giọng AI mà đều đều một tốc độ một tông, người xem lướt qua trong ba giây.
Vài mẹo tôi rút ra:
- Thêm gạch ngang hoặc dấu phẩy trước sau từ khóa để ép ngắt nghỉ
- Câu hỏi thì viết thành câu hỏi thật, TTS xử lý ngữ điệu dấu hỏi khá ổn
- Số liệu, từ tiếng Anh nếu viết được bằng chữ tiếng Việt thì viết ra, tránh AI đọc thành thứ gì đó kỳ cục
À, đừng kéo tốc độ lên quá đỉnh. Nhiều người muốn nhét nhiều thông tin nên chỉnh 1.2x trở lên, nghe như cái máy băng từ tua lại. Khoảng 0.95 đến 1.05 là tự nhiên nhất. Thà cắt bớt cảnh, đừng vội tăng tốc giọng đọc.
Lý do giả thứ ba: chọn sai giọng ngay từ đầu
Thư viện giọng nói AI miễn phí thì nhiều vô kể, nhưng không phải giọng nào cũng hợp video ngắn. Cái tôi từng dẫm là chọn phải một giọng quá "phát thanh viên", thành ra video bán hàng nghe như bản tin thời sự chèn quảng cáo.
Sau đó tôi chuyển sang dùng nhân bản giọng nói miễn phí của VoxClone: thu khoảng ba mươi giây giọng mình, clone ra một "bản tôi" để lồng tiếng. Lợi thế thì rõ rồi: người xem quen giọng bạn, kênh có điểm nhớ riêng, lại chẳng lo đụng giọng ai. Không cần đăng ký — tải bản ghi âm lên, nghe thử, tải xuống, năm phút xong. Còn chuyển văn bản thành giọng nói online của họ thì dùng không giới hạn số ký tự, kịch bản dài cũng không sợ bị chặn.
Còn nếu bạn không muốn dùng giọng mình, nhớ một nguyên tắc khi chọn giọng mẫu: phù hợp tông của kênh. Kênh hài thì chọn giọng tươi, kênh kiến thức thì chọn giọng trầm ấm, đừng chọn đại cái đầu tiên trong danh sách.
FAQ: mấy câu hỏi bị hỏi đến phát mệt
Nhân bản giọng nói miễn phí có thật sự miễn phí không?
Tôi dùng VoxClone mấy tháng nay chưa bỏ ra đồng nào, nó định vị là voice cloning tiếng việt miễn phí, không cần đăng ký, không ép nạp membership trước rồi mới nói chuyện chất lượng. Dĩ nhiên công cụ miễn phí thì bạn phải tự tay chỉnh tham số vài lần, đó là cái giá của nó.
Clone giọng mình rồi, người khác có lạm dụng được không?
Bản ghi âm của bạn do bạn tự tải lên, nguyên liệu nằm trong tay bạn. Tôi khuyên chỉ nên clone giọng của chính mình, và đừng thu quá nhiều thông tin cá nhân vào bản ghi — đó là thói quen cơ bản thôi.
Có API để nối vào quy trình dựng video của tôi không?
Được. Nếu bạn biết chút chút về script, dùng API của họ để tạo hàng loạt file giọng đọc, rồi kéo vào CapCut căn theo phụ đề, làm kênh daily update đỡ được kha khá việc. Tài liệu API nằm ở trang thêm hướng dẫn, tôi cũng từng viết một bài về phần này, bạn xem thêm nhé.
Vài lời cuối
Giọng đọc AI giả hay thật, bảy phần ở kịch bản, hai phần ở tham số, một phần ở giọng. Lần tới trước khi bấm tổng hợp, hãy đứng lên đọc to kịch bản của bạn một lượt — chỗ nào bạn đọc mà thấy gượng, thì AI đọc chỉ còn gượng hơn. Sửa xong rồi mới tổng hợp, bạn sẽ quay lại cảm ơn tôi đấy.