Giọng nói AI nghe như robot? Sai lầm có thể nằm ở mẫu âm thanh bạn đang dùng
Tháng trước mình dặn mẹ dùng điện thoại đọc tin trên VnExpress, mẹ chỉ vào mục "giọng nam cảm xúc" của một nền tảng đọc văn bản bằng giọng nói ai phổ biến, rồi nhăn mày: "Người này bị buồn à? sao đọc dự báo thời tiết như đang giục người?" Mình lách đầu vào nghe, AI đọc "Ngày mai nắng" với cả run giọng, mỗi chữ như bị kéo dài, ngọt ngào không tự nhiên. Lúc đó không để ý, cho đến khi mình tự ghi một đoạn mẫu nén vào công cụ nhân bản giọng nói miễn phí, mới nhận ra mình đã từng sai cả chục lần — bạn ghi âm ở trạng thái gì, máy học thành giọng đó. Hơi thở, tiếng điện thoại xì xì, cả cái giọng "đọc bài" tiềm thức trong đầu bạn cũng bị hút vào cùng. Muốn không giống robot, trước hết phải biết cách ghi lại giọng "thật" của mình.
Tại sao mẫu âm thanh của bạn luôn nghe như robot? Bỏ ngay 3 thói quen này
Người ta thường nghĩ công cụ tạo giọng nói miễn phí là cái hộp đen, nén đoạn ghi âm vào xong có phép biến giọng. Thực ra nó giống việc临摹 hơn, chữ viết xấu thì output cũng xấu.
Killer đầu tiên là giảm tiếng ồn. Máy tính bảng hay điện thoại mặc định bật sẵn chế độ giảm tiếng ồn thông minh, nghe thì sạch, thực chất nó đã làm phẳng các âm môi, âm răng và hơi thở của bạn. Máy học không được những chi tiết này, giọng ra như tấm nhựa bị mài cằn, trơn nhẵn nhưng giả. Mình thường tắt hoàn toàn, hoặc dùng chế độ ghi âm nguyên bản nhất.
Điểm thứ hai là tốc độ. Người bình thường nói khoảng một trăm tám đến hai trăm hai mươi từ mỗi phút, bạn nếu stress đọc nhanh thành hai trăm năm, máy sẽ tưởng bạn là người nóng vội, sau này mỗi lần đọc văn bản bằng giọng nói ai cũng mang bước nhịp gấp gáp như đang bỏ taxi. Chậm lại một chút, để máy có khoảng trống.
Cái thứ ba ẩn silencieux nhất — cảm xúc quá mức. Có người cố ép giọng nhẹ nhàng, hoặc故意 dùng giọng phát thanh. Máy sẽ coi đó là "màu sắc cơ bản" của bạn, sau này bạn nhờ nó đọc hợp đồng, nó cũng nhẹ nhàng đến mức khủng khiếp. Hãy nói như lúc nhắn tin thoại Zalo cho bạn: bình thản, thoải mái, có chút lười biếng thì tốt nhất. Lần đầu mình dùng công cụ voice cloning tiếng việt online cũng mắc lỗi này, lấy đoạn văn trang trọng ghi lại, giọng clone ra giống MC đám cưới.
Kinh nghiệm nội bộ: ghi âm mẫu như thế nào để có "vị người"?
Đoạn này là trọng tâm, mình đã sai ba lần mới hiểu rõ.
Không cần tìm sự yên tuyệt đối. Phòng thu khử âm quá "chết", không có một chút phản xạ, máy học thành tín hiệu điện tử khô khan. Mình ghi ở nhà vào buổi tối, đóng cửa sổ, tiếng máy lạnh nhtë nhẹ ngược lại tạo không gian cho giọng. Tất nhiên, đừng đứng bên công trường, đó là cực đoan kia.
Thiết bị thì dùng điện thoại là được, nhưng đừng dán sát miệng. Khoảng hai mươi centimet, hơi lệch một bên, tránh phun mic. Nếu dùng tai nghe có mic, hãy tránh dây xách vào da gây tiếng xào xạc — những tiếng này máy không phân biệt, nó sẽ nghĩ đó là một phần của thanh âm bạn.
Nội dung chọn gì? Đừng đọc "Thơ ca dao", đó là trích đoạn, không phải nói chuyện. Hãy lấy đoạn bạn quen thuộc, như tin tức vừa xem hoặc hướng dẫn sử dụng sản phẩm, dùng giọng nói hàng ngày. Mình thường ghi năm đến tám phút, cố tình dừng hai lần, uống nước, khóc nhẹ — đúng là những khuyết điểm không hoàn hảo. Máy cần biết bạn trong liên tục nói chuyện hít thở và điều chỉnh như thế nào. Toàn bộ là giọng đọc mượt mà không ngắt quãng, nó ngược lại học không được cách hơi thở.
Nếu bạn định thu âm audiobook bằng ai miễn phí, càng phải nhớ: nhân bản không phải đổi da, là sao chép thói quen nói của bạn. Mình từng thấy người lấy giọng phát thanh để nhân bản, kết quả đọc tiểu thuyết chữ chính xác đến mức bị saída. Thật sự quan trọng hơn hoàn hảo. Nhiều phần mềm voice clone không cần đăng ký quảng cáo một cú nhấn xong, nhưng chất lượng nguồn vào mới là trần cao. Bạn喂 nó đoạn ghi âm tự nhiên cấp độ người đọc văn bản bằng giọng nói ai, nó mới có thể thưởng lại một giọng không máy móc.
Ngoài ra, nếu bạn làm clip TikTok hay Reels, giọng clone có thể dùng để lồng tiếng video bằng ai miễn phí, không cần thu âm lại mỗi lần. Về mặt pháp lý, đừng đăng giọng clone của ai lên công khai mà không có sự đồng ý, dù công cụ miễn phí. Thay vì trả hàng trăm nghìn đồng cho studio thu âm, cách này giúp bạn tiết kiệm rất nhiều.
Từ đọc màn hình đến hỗ trợ người khiếm thị, mình dùng như thế nào
Sau khi nắm được kĩ thuật ghi âm, mình đã nhân bản một bản giọng riêng, lưu vào Web666 làm dự phòng.
Công dụng rất thực tế. Mẹ mắt kém đọc chữ nhỏ, mình để mẹ dùng text to speech tiếng việt miễn phí để nghe bài viết dài trên điện thoại. Mình đi xe buýt, chụp ảnh tài liệu giấy, dùng chuyển văn bản thành âm thanh miễn phí thành file âm thanh, cắm tai nghe "đọc" báo cáo trên đường. Luồng chuyển văn bản thành giọng nói không cần đăng ký này thân thiện với người không muốn rườm rà tạo tài khoản — mở trang web, dán văn bản, chọn giọng, xong.
Cách chơi nặng hơn là kết nối cấp hệ thống. Mấy bạn viết script gọi API trên trang tài liệu dynamic, nối giọng đã nhân bản vào trình đọc màn hình, đọc chú thích code, đọc mail mã OTP, đọc tóm tắt luận văn. Vì dịch vụ này không yêu cầu đăng nhập mỗi lần, tài liệu API cũng nằm trên trang dynamic, dùng như trợ lý cá nhân cho người khiếm thị là đủ. Mình từng thử voice clone không cần đăng ký rồi tải trực tiếp âm thanh, thay thế âm thanh mặc định của tính năng "đọc màn hình" trên điện thoại, toàn bộ tiếng thông báo biến thành giọng mình, hơi lạ nhưng rất thân thiện.
Với người khiếm thị, ý nghĩa có lẽ lớn hơn. Giọng máy mặc định đọc văn bản dài dễ mệt mỏi, một công cụ giọng đọc hay miễn phí có nhịp điệu thật sẽ giảm bớt một lớp rào cản trong tiếp cận thông tin. Chắc chắn không thể thay thế hoàn toàn con người, nhưng trong việc duyệt nhanh, kiểm tra bản thảo, nó đã đủ thuận tiện. Tham số giao diện cụ thể và cập nhật, mình thường vào trang tài liệu dynamic để tra, nhanh hơn đọc sách hướng dẫn resmi.
Mẫu âm thanh bắt buộc phải dùng thiết bị chuyên nghiệp?
Hoàn toàn không. Hầu hết bản kiểm tra của mình chỉ ghi bằng điện thoại, tắt chế độ họp, tìm phòng yên tĩnh là được. Thiết bị chuyên nghiệp当然 tốt hơn, nhưng máy quan trọng hơn là trạng thái nói của bạn, chứ không phải độ lấy mẫu của mic. Mic quá đắt kèm xử lý tự động nhiều, ngược lại có thể xóa bỏ những hơi thở và âm môi cần giữ.
Giọng đã nhân bản có thể dùng để đọc hỗ trợ người khiếm thị không?
Có, và đây là cách dùng mình thấy ấm áp nhất. Bạn có thể tạo đoạn âm thanh dài trên trang chuyển văn bản thành giọng nói, kết hợp với tính năng đọc aloud của điện thoại hoặc máy tính. Nếu có khả năng lập trình, cũng có thể dùng giao diện không giới hạn văn bản để làm công cụ đọc tùy chỉnh. Điều duy nhất cần lưu ý là khi phát thanh ở công cộng, hãy nghĩ đến riêng tư, dù sao đó cũng là giọng của bạn.
Vậy lần tới bạn nhấn nút ghi, thực sự đang "nói chuyện", hay chỉ đang "đọc bài"?