Bản ghi âm điện thoại đầy tạp âm? Tôi thử lọc nhiễu AI miễn phí rồi nhân bản giọng nói — kết quả bất ngờ

Tối thứ Bảy tuần trước, tôi ngồi ở một quán cà phê trên phố Phan Xạ để thu voice-over cho video YouTube dài 12 phút. Tai nghe thì êm, nhưng lúc mở file nghe lại thì... thôi xong. Tiếng xe máy ngoài đường, tiếng máy xay sinh tố ở quầy bar, nhạc lo-fi của quán, và cả câu chuyện của hai bạn bàn bên cạnh. Chẳng khác gì một bản phối tạp âm có người nói chen vào giữa.

Tôi định xóa luôn file đó. Nhưng rồi tò mò — mấy công cụ AI miễn phí dạo này rộ lên, liệu có cứu được không? Nên tôi thử một vòng: lọc nhiễu trước, nhân bản giọng sau, rồi đẩy kịch bản qua TTS. Kết quả khiến tôi phải ngồi viết bài này.

Nghi ngờ đầu tiên: đồ miễn phí thì được cái gì?

Tôi không lạ gì mấy trang ghi "miễn phí" nữa. Kiểu gì cũng dính một trong ba thứ: watermark nằm giữa file, giới hạn 30 giây, hoặc bắt đăng ký email rồi ngày nào cũng nhận mail quảng cáo. Có lần tôi thử một trang, nghe xong bản demo mà thấy giọng đọc cứng như robot đọc bảng giá điện — đều đều, không có lấy một chỗ ngắt nghỉ tự nhiên.

Nên lần này tôi đặt tiêu chí khá gắt: không đăng ký, không quảng cáo, không giới hạn thời lượng, và quan trọng nhất — giọng tiếng Việt phải nghe ra người thật. Tôi muốn xem nhân bản giọng nói miễn phí với chuyển văn bản thành giọng nói có thật sự dùng được cho công việc, hay chỉ để nghịch cho vui.

Thêm một lý do nữa khiến tôi hay e dè: tiếng Việt khó. Cùng một câu, giọng Bắc và giọng Nam đã khác nhau, chưa kể tốc độ nói của người làm video ngắn thường nhanh hơn người đọc sách nói. Mấy công cụ tôi từng thử đọc đúng chữ nhưng sai nhịp — nghe cứ như ai đó đang đánh vần cho tôi chép. Nên khi đi tìm giọng đọc hay miễn phí, tôi không tìm giọng đẹp. Tôi tìm giọng nghe tự nhiên.

Ném file đầy tạp âm vào module lọc nhiễu

Việc đầu tiên: xử lý cái file thu ở quán cà phê.

Tôi mở trang, kéo file vào phần lọc nhiễu. Không có bước xác nhận email, không có pop-up "đăng ký để tải về". Vài giây sau file trả về... sạch đến mức tôi phải nghe lại hai lần cho chắc. Tiếng xe máy mất, tiếng máy xay sinh tố mất, giọng tôi vẫn nguyên, thậm chí rõ hơn bản gốc.

Cái tôi thích nhất là không phải chờ. Nhiều công cụ bắt bạn xếp hàng đợi render, còn ở đây gần như tức thì. Ai muốn thử thì cứ vào thẳng nhân bản giọng nói miễn phí rồi kéo file lên — chẳng cần tài khoản gì hết.

Để chắc ăn, tôi thử thêm vài loại tạp âm khác: tiếng quạt trần, tiếng gõ bàn phím, tiếng gió lùa qua cửa sổ. Kết quả khá đồng đều — mấy âm thanh nền đều bị dìm xuống, còn giọng nói thì được kéo lên. Chỉ có một trường hợp tôi thấy chưa hoàn hảo: khi có người khác nói chuyện cùng lúc với tôi, hệ thống không tách hẳn ra được, vẫn còn vang vọng phía sau. Nhưng so với bản gốc thì đã là một trời một vực.

Một chi tiết nhỏ nhưng đáng nói: file gốc tôi thu bằng điện thoại, hơi rè ở đoạn cao trào. Sau khi lọc nhiễu, tiếng rè đó cũng giảm kha khá. Không thần kỳ, nhưng đủ dùng.

Lấy 8 giây mẫu giọng, nhân bản thành một giọng mới

Đoạn này mới là phần tôi tò mò nhất.

Tôi cắt ra 8 giây sạch nhất trong file vừa lọc, đưa lên model nhân bản giọng. Chưa đầy một phút, hệ thống trả về một bản sao. Không điền email, không số điện thoại — đúng nghĩa voice clone không cần đăng ký.

Điều làm tôi bất ngờ không phải âm sắc, mà là mấy thứ nhỏ nhặt: chỗ tôi hay xuống giọng cuối câu, chỗ tôi ngắt hơi sau chữ "mà", cả tiếng thở nhẹ trước khi vào câu dài. Bản clone giữ lại gần hết. Nghe như tôi đang đọc lại chính mình trong một phòng thu cách âm.

Với người làm nội dung tiếng Việt, đây là điểm rất đáng quan tâm. Tiếng Việt có dấu, có thanh điệu, lại thêm mấy từ đệm như "nhé", "ạ", "dạ", "chứ" — đọc lệch một chút là nghe ra ngay cái kiểu máy móc. Nhưng bản clone này xử lý được, kể cả khi tôi viết kịch bản theo văn nói chứ không phải văn viết.

Tôi cũng thử với giọng miền Nam. Đưa mẫu giọng Nam thì ra chất giọng đó, miễn là mẫu thu đủ sạch. Mẹo của tôi: đừng thu mẫu ngoài đường, đừng thu lúc đang cảm, và đừng đọc đều đều như đọc tin thời sự. Cứ nói tự nhiên như đang gửi voice chat cho bạn thân.

Đưa kịch bản vào TTS online, ra thành phẩm trong vài phút

Xong phần giọng, tôi dán kịch bản vào ô nhập, chọn đúng cái giọng vừa clone, bấm tạo. Vài giây sau là có file hoàn chỉnh.

Tốc độ đọc, cao độ, chỗ ngắt nghỉ — chỉnh hết bằng thanh trượt. Không cần viết một dòng code nào. Với người làm nội dung, đây đúng là kiểu text to speech tiếng Việt miễn phí mà tôi tìm bấy lâu. Bạn nào muốn đi thẳng vào phần chuyển văn bản thành giọng nói thì vào chuyển văn bản thành giọng nói, dán chữ vào là nghe được ngay.

Tôi dùng nó cho mấy việc quen thuộc: đọc văn bản bằng giọng nói AI cho video kể chuyện, biến bài blog cũ thành bản audio cho người nghe lúc chạy xe, và làm giọng thuyết minh cho clip TikTok dài hơn một phút. Nghe hơi tham, nhưng thật ra mỗi việc chỉ mất vài phút.

Có một thử nghiệm nhỏ tôi làm để so sánh: tôi tự đọc cùng một đoạn 200 chữ, rồi để hệ thống đọc bằng giọng clone. Bản của tôi nhanh hơn chừng 10%, nhưng có chỗ vấp vì đọc một mạch. Bản của hệ thống chậm hơn, đều hơn, và tôi có thể kéo thanh tốc độ lên cho khớp. Với video dài, tôi chọn bản của hệ thống. Với video cần cảm xúc lên xuống thất thường, tôi vẫn tự thu — rồi dùng AI dọn lại phần âm thanh.

Nếu bạn thuộc kiểu thích vọc thông số, chỉnh từng chỗ ngắt hơi, đổi nhịp đọc theo từng câu, thì nên xem qua ghi chép thực chiến và mẹo chỉnh thông số. Còn nếu bạn là dân dev, muốn tích hợp vào app riêng thì cũng có API tổng hợp giọng nói miễn phí để nghịch.

Mấy chỗ tôi vấp phải: sample rate, giới hạn độ dài, mạng chập chờn

Nói hay vậy thôi, chứ tôi cũng mất mấy lần làm lại mới ra được file ưng ý.

  • Sample rate lệch nhau làm giọng bị bí, nghe ù ù như đang nói trong hộp giấy
  • Mẫu thu dài quá 30 giây thì bị cắt bớt, phần sau coi như bỏ
  • Mạng chập chờn thì quá trình tạo bị khựng giữa chừng, phải bấm lại từ đầu
  • Kịch bản quá dài bị tự động chia đoạn, và chỗ nối giữa hai đoạn nghe hụt hơi

Cái vụ sample rate là cái tôi ghét nhất. Tôi thu bằng điện thoại ở 48kHz, tải lên thì hệ thống tự hạ xuống, và giọng mất hẳn phần sáng. Từ đó tôi đổi hẳn thói quen: vào cài đặt ghi âm, chọn 44.1kHz và mono trước khi thu. Nghe có vẻ lích kích, nhưng tiết kiệm được cả buổi làm lại.

Vụ độ dài cũng dễ xử lý. Tôi chia kịch bản thành từng đoạn 300–500 chữ, tạo riêng rồi ghép lại. Mất thêm vài phút, nhưng ngắt nghỉ nghe tự nhiên hơn hẳn so với để hệ thống tự cắt.

Còn mẹo thu mẫu thì đơn giản: ngồi trong phòng kín, cách mic tầm 15–20cm, tắt quạt, và nói liền một mạch khoảng 10 giây. Đừng đọc. Cứ nói.

Vì sao lần này tôi không bị quảng cáo, đăng ký hay hạn mức chặn

Đây là phần làm tôi bất ngờ nhất.

Không pop-up. Không banner. Không ép đăng ký. File tạo ra tải về được, dùng cho mục đích thương mại cũng được. Với một người làm nội dung nhỏ như tôi, chuyện lồng tiếng video bằng AI miễn phí mà không phải trả đồng nào là chuyện khá khó tin — tôi vẫn nhớ hồi trước phải trả phí theo phút cho mấy dịch vụ nước ngoài, mà giọng tiếng Việt thì nghe như máy đọc.

Tôi cũng thử thu âm audiobook bằng AI miễn phí cho một chương sách nói dài khoảng 20 phút. Chạy ổn, không bị chặn giữa chừng, không có thông báo "bạn đã hết lượt". Cái cảm giác không bị đếm số lần sử dụng nó nhẹ người lắm — kiểu bạn được phép nghịch thoải mái cho tới khi ra được thứ mình muốn.

Tôi còn biết mấy bạn làm nội dung học thuật dùng nó để tạo giọng nói miễn phí cho bài giảng, hoặc biến tài liệu thành bản nghe được để vừa chạy bộ vừa ôn. Nghe thì đơn giản, nhưng đúng là mấy việc đó trước đây tốn tiền thuê người đọc.

Gửi thử cho mấy đứa bạn làm podcast — không ai nhận ra

Tối qua tôi gửi bản audio cho ba đứa bạn làm podcast.

Đứa đầu tiên nhắn lại: "Giọng mày dạo này nghe hay thế?". Đứa thứ hai hỏi tôi thu ở studio nào. Đứa thứ ba thì vẫn chưa biết gì, và tôi nghĩ để vậy cũng vui.

Nói thật, tôi không nghĩ một công cụ miễn phí lại khiến tôi đổi hẳn quy trình làm việc. Trước đây mỗi lần thu bị ồn là tôi gạch luôn, thu lại từ đầu. Giờ thì khác — cứ thu, ồn cũng mặc, về lọc nhiễu rồi nhân bản giọng là xong. Tiết kiệm được mấy tiếng ngồi cắt ghép, mà tai thì đỡ mệt.

Nếu trong máy bạn đang có một file thu đầy tạp âm chưa xóa, đừng xóa. Kéo lên lọc nhiễu trước, cắt 8–10 giây sạch nhất làm mẫu giọng, rồi đẩy kịch bản qua TTS. Tổng thời gian chắc chắn dưới 10 phút, và bạn sẽ biết ngay nó có hợp với mình hay không.

Chỉ có một điều tôi muốn nhắc: nếu định clone giọng của người khác, hãy xin phép trước. Công cụ dễ dùng không có nghĩa là chuyện đó nên làm.