Lần đầu làm IVR tổng đài bằng giọng nói AI miễn phí, tôi vấp ngã 2 lần mới ra hồn

Tuần trước sếp giao cho tôi một việc tưởng dễ ợt: thay cái giọng robot đọc số máy lạnh tanh trên tổng đài công ty bằng một giọng nghe cho ấm áp, thân thiện như người thật. Tôi nghĩ bụng, chuyện nhỏ, lên mạng kiếm cái nhân bản giọng nói miễn phí về, thu vài câu của mình, cho AI học, xong!

Ngờ đâu, ngày đầu tiên đã ăn trái đắng.

Lần một: Tôi tưởng AI biết phép thuật, ai dè nó đọc như truyện ma

Mở trang nhân bản giọng nói miễn phí, giao diện sạch sẽ, không cần đăng ký, upload file âm thanh là xong. Tôi chọn một đoạn ghi âm lúc tư vấn khách hàng, dài 20 giây, giọng tôi có chút vùng miền, xen lẫn mấy tiếng “ừm”, “à”, “cái đó”. Lúc đó tôi nghĩ càng tự nhiên càng tốt.

Sau khi clone xong, tôi gõ câu đầu tiên của IVR: “Xin chào, quý khách vừa gọi đến công ty ABC, gặp nhân viên hỗ trợ vui lòng nhấn phím 1, tra cứu thông tin nhấn phím 2.”

Giọng phát ra… nói sao nhỉ? Giống hệt tôi bị cảm ba ngày không uống thuốc, lại còn bị bóp cổ đọc chữ. Từ nào cũng kéo dài lê thê, kèm theo tiếng điện ù ù, nghe xong tôi tắt vội.

Mãi sau tôi mới hiểu: đoạn ghi âm 20 giây đó đầy tiếng ồn, tiếng ngập ngừng, tiếng nuốt nước bọt. AI không phân biệt được đâu là “tôi”, đâu là “tạp âm”. Nó nuốt hết vào mô hình, thế là sinh ra một bản ghi âm “âm phủ” đúng nghĩa.

Lần hai: Tôi ngoan hơn, nhưng suýt bị lừa bởi chữ “miễn phí vĩnh viễn”

Lần hai tôi chọn phòng yên tĩnh, dùng điện thoại ghi âm, chỉ 5 giây, đúng một câu: “Xin chào, quý khách vừa gọi đến.”

Lần này giọng sạch hơn hẳn, nhưng vấn đề mới lại nảy ra – bản chuyển văn bản thành giọng nói online cho ra giọng đọc lạnh tanh, không cảm xúc, như đọc bản tin thời sự vậy.

Tôi bắt đầu nghi ngờ cái tạo giọng nói miễn phí này có thật sự hiệu quả không. Nhưng nghĩ lại, dù sao cũng free vĩnh viễn, thử thêm vài lần nữa xem sao.

Bí quyết để có bản thu âm chuẩn: Tôi đúc kết sau bao lần vấp

Bản thu âm: Không phải càng dài càng tốt, mà càng sạch càng tốt

Kinh nghiệm xương máu của tôi: tài liệu để clone giọng chỉ cần 5–10 giây, quan trọng là rõ ràng. Phòng phải yên tĩnh, không vang, không nhạc nền, tuyệt đối không có tiếng người khác.

Lần hai tôi vấp vì để điện thoại trên bàn, cách miệng nửa mét, thế là ghi cả tiếng gõ bàn phím. Từ đó tôi đặt điện thoại lên giá đỡ, miệng cách mic khoảng 10 cm, dùng ứng dụng ghi âm của Zalo, chất lượng tăng lên trông thấy.

Nội dung văn bản: Đừng viết câu dài, câu ngắn mới có hồn

Giọng IVR khác với nói chuyện bình thường, người nghe phải hiểu ngay. Vậy nên đừng viết kiểu: “Nếu quý khách có nhu cầu giải quyết vấn đề vui lòng nhấn phím 3, trường hợp khẩn cấp xin nhấn phím 9” – dài dòng khó hiểu. Hãy tách thành câu ngắn: “Để được hỗ trợ, vui lòng nhấn phím 3. Trường hợp khẩn cấp, nhấn phím 9.”

Khi đó AI ngắt nghỉ tự nhiên hơn, nghe như người thật nói chuyện.

Một chi tiết dễ bỏ qua: Tốc độ và cảm xúc phải tự chỉnh

Nhiều người nghĩ clone giọng xong, gõ chữ vào là xong. Không phải đâu. Lần thử thứ ba, tôi phát hiện trong giao diện chuyển văn bản thành âm thanh miễn phí có thanh trượt “Tốc độ” và “Cao độ”, mặc định để 0. Lúc đầu tôi không đụng vào, kết quả giọng đọc như đang chạy đua, các chữ gần như dính vào nhau.

Sau đó tôi chỉnh tốc độ xuống -2, cao độ hạ nhẹ, nghe mới giống nhịp nói chuyện hằng ngày. Còn nếu muốn giọng “ấm áp, thân thiện”, đừng mong AI tự biết thêm cảm xúc – bạn có thể chèn mấy từ đệm như “vâng ạ”, “dạ thưa”, hoặc dùng dấu phẩy, dấu chấm để tạo khoảng ngừng. Tôi thử thêm dấu phẩy sau “Xin chào”, kết quả nghe có hơi thở hẳn, đỡ khô khan hơn nhiều.

Ghép nối: Đừng ngại làm từng đoạn một

Cách cuối cùng tôi áp dụng thành công, nghe hơi thủ công: chia toàn bộ kịch bản IVR thành 7–8 câu ngắn, mỗi câu dùng riêng nhân bản giọng nói miễn phí để tạo, rồi xuất ra và ghép bằng CapCut.

Tại sao lại làm vậy? Vì khi tổng hợp một đoạn dài, AI dễ bị kéo dài giọng giữa các câu, hoặc nhấn sai trọng âm. Tách riêng từng câu, mỗi câu độc lập, ngắt nghỉ và cảm xúc kiểm soát được hơn. Khi ghép, nhớ chừa khoảng lặng 0.3 giây giữa các câu, nghe như người thật đang hít thở.

Tôi cũng thử dùng chức năng đọc văn bản bằng giọng nói ai để đọc cả đoạn, nhưng kết quả không bằng ghép từng câu. Nên nếu bạn có thời gian, đừng lười, làm từng đoạn một, hiệu quả khác hẳn.

Cuối cùng tôi đã làm được gì?

Lần thứ ba, tôi thu lại một đoạn 8 giây, nội dung chỉ vỏn vẹn: “Xin chào, quý khách vừa gọi đến.” Sau đó clone, rồi chia kịch bản IVR thành từng câu, mỗi câu dùng tạo giọng nói miễn phí để tổng hợp, cuối cùng ghép bằng phần mềm chỉnh sửa.

Kết quả? Vẫn còn một chút âm điện tử, nhưng nghe đã giống người hơn hẳn. Tôi cho đồng nghiệp nghe thử, một chị còn bảo: “Giọng này nghe quen quen, giống anh họ tôi.” Nghe mà tủm tỉm.

Nói về mấy cái bẫy “miễn phí” – tôi phải cảnh báo

Trên mạng có nhiều công cụ giọng nói ai miễn phí lắm, nhưng phần lớn giới hạn số lần dùng, hoặc chèn watermark. Còn trang nhân bản giọng nói miễn phí này thì khá thật thà, không cần đăng ký vẫn dùng được, chỉ có điều tốc độ xử lý hơi chậm, xếp hàng đợi mất hai phút.

Nhưng với công ty nhỏ thỉnh thoảng mới cần làm IVR một lần, thế là quá đủ. Bạn không cần bỏ vài trăm nghìn thuê bên thoại, cũng chẳng cần học phần mềm dựng phim chuyên nghiệp, chỉ cần kiên nhẫn là tự làm được.

Có người hỏi: Giọng này hát được không?

Tôi cũng thử chức năng nhân bản giọng nói miễn phí để hát, nhưng kết quả… nghe như anh bạn cùng phòng tôi hát trong nhà tắm, lạc giọng thảm hại. Nếu bạn chỉ cần giọng tổng đài, thì không vấn đề; còn muốn cover nhạc Trịnh, thôi bỏ đi cho lành.

Một mẹo tiết kiệm công sức: Tạo “giọng nền” trước, rồi mới clone

Nếu bạn không thể thu âm sạch, có một chiêu: dùng chức năng đọc văn bản bằng giọng nói ai để chọn một giọng đọc có sẵn, tạo ra một bản đọc sạch câu bạn cần, rồi lấy bản đó làm tài liệu để clone giọng của mình.

Nghe hơi lằng nhằng, nhưng tôi thử rồi, hiệu quả hơn hẳn thu âm bằng điện thoại. Vì bản đọc từ hệ thống không có tạp âm, AI dễ dàng bắt được đặc trưng giọng bạn hơn. Tất nhiên, bạn phải chấp nhận một chút âm điện tử trong bản nền – nhưng còn hơn tiếng gõ bàn phím, đúng không?

FAQ

Vì sao giọng clone của tôi bị nhiễu?

Nguyên nhân chủ yếu là tài liệu ghi âm không sạch. Kiểm tra môi trường thu âm: tắt điều hòa, không để quạt thổi thẳng vào mic, khi dùng điện thoại nên dùng tai nghe có mic. Nếu vẫn nhiễu, hãy dùng chức năng đọc văn bản bằng giọng nói ai để tạo một bản đọc sạch, rồi dùng làm tài liệu clone.

Có cần đăng ký tài khoản không?

Không. Trang nhân bản giọng nói miễn phí này không yêu cầu đăng ký, mở web là dùng được. Nhưng nếu bạn muốn lưu nhiều mẫu giọng, nên đăng ký để lần sau khỏi phải thu âm lại từ đầu.

Cuối cùng, một câu hỏi dành cho bạn

Đoán xem sếp tôi nghe xong bản IVR mới nói gì? – “Giọng này nghe quen quen, giống bạn gái cũ của anh.”

Còn bạn, bạn định dùng nhân bản giọng nói miễn phí này để làm gì?