Lồng tiếng AI sao cho giống người thật? Bạn tôi nghe xong đứng hình 3 giây

Tháng trước mình gửi một video lên nhóm bạn, phần lồng tiếng là do chính mình "thu". Bạn thân reply ngay lập tức: Mày thuê người đọc hả? Bao nhiêu một câu?

Mình bảo, không, AI đấy. Nó đứng hình mất 3 giây, kéo thanh thoại nghe lại lần nữa, rồi hỏi tiếp: Mày dùng gì vậy? Sao mấy giọng AI tao hay nghe nghe phát là biết ngay fake, còn cái này lại không?

Câu hỏi đó mình suy nghĩ cũng lâu lắm rồi. Hôm nay quyết định viết luôn cho rõ.

Vì sao nghe một phát là biết giọng AI "giả"

Bạn thử nhớ lại mấy giọng nghe phát là ra máy: tốc độ đều đều như băng bị kẹt, mỗi chữ đều nhấn đều lực, cuối câu đáng lẽ xuống giọng thì nó lại lên giọng — nghe y hệt tổng đài viên học thuộc kịch bản.

Người thật nói không như vậy. Người thật sẽ ấp úng, sẽ lười, sẽ kéo dài chữ "ừm... thôi cũng được" thêm nửa nhịp. Các mô hình TTS đời đầu đơn giản là đọc theo từ điển, mỗi chữ bằng nhau, nên nghe giả.

Còn các mô hình neural bây giờ, nhất là dạng voice cloning tiếng việt, học cả thói quen nói của một con người — hơi thở, ngắt nghỉ, lên xuống giọng đều nằm trong đó. Nên cùng một câu, tổng hợp thường và nhân bản ra, chất lượng chênh nhau một trời một vực.

Ba chi tiết thực hành để lồng tiếng AI giống người thật

Công cụ chỉ là nền, thứ tạo ra khoảng cách thật sự là cách bạn dùng.

Một là, đừng chọn giọng "thiên phóng viên". Nhiều người làm video mặc định chọn giọng chuẩn mực, kết quả cả video nghe như bản tin thời sự 19h. Làm video nói, làm vlog thì chọn giọng có chút đời thường, thậm chí hơi "không hoàn hảo" một tí — lại càng thật.

Hai là, dấu câu chính là đạo diễn của bạn. Dấu phẩy là ngắn nghỉ, dấu chấm là nghỉ dài, dấu ba chấm khiến nó ấp úng, gạch ngang tạo cảm giác chuyển ý. Mình viết kịch bản lồng tiếng bằng "tai", không phải bằng ngữ pháp. Chỗ cần ngắt thì đừng tiếc thêm dấu phẩy.

Ba là, đọc từng câu, đừng nhồi cả đoạn. Đoạn dài mà tổng hợp một hơi thì cảm xúc phẳng lì. Chia kịch bản thành câu nhỏ, câu quan trọng thì sinh riêng, thử vài bản, chọn bản giống người nói nhất. Tốn công một chút, nhưng đáng.

Vì sao mình cuối cùng chọn nhân bản giọng nói

Thử một vòng công cụ online, mình dừng ở VoxClone, lý do rất đời — miễn phí, mà lại không cần đăng ký. Đúng vậy, voice clone không cần đăng ký, mở trang lên là dùng được ngay. Với người cắt video kiểu ba ngày đánh cá hai ngày phơi lưới như mình thì điểm này quá quan trọng.

Điểm mạnh nhất của nó là nhân bản giọng nói miễn phí: thu một đoạn giọng của chính bạn (hoặc người bạn có sự đồng ý), vài chục giây là đủ, sau đó giọng này dùng mãi. Mình clone giọng của mình, bạn mình không nhận ra, mẹ mình cũng không — trong khi mẹ mình là người phát hiện mình đổi ốp lưng điện thoại chỉ bằng một cái liếc.

Và nó không có kiểu giới hạn khó chịu "bản miễn phí mỗi ngày 3 lần", chuyển văn bản thành giọng nói không giới hạn, kịch bản dài cũng quét cả vào được. Thỉnh thoảng cần làm hàng loạt thì họ còn có API tổng hợp giọng nói miễn phí, cắm vào script của mình chạy luôn.

Mình cũng dùng nó để thu âm audiobook bằng ai miễn phí cho mấy truyện ngắn tự viết, và lồng tiếng video bằng ai miễn phí cho kênh TikTok nhỏ của mình — tiết kiệm được kha khá tiền thuê studio.

Câu hỏi thường gặp

Clone giọng nói cần thu âm bao lâu?

Thường 30 giây đến 1 phút giọng người rõ ràng là đủ. Môi trường yên tĩnh, miệng gần mic, không có nhạc nền — hiệu quả khác nhau một trời một vực. Lần đầu mình thất bại chính vì mở điều hòa khi thu.

Clone giọng người khác có hợp pháp không?

Bắt buộc phải là giọng của chính bạn, hoặc có sự đồng ý rõ ràng của người đó. Lấy đó để giả mạo ai đó nói những lời họ chưa từng nói — không chỉ không đạo đức mà còn có thể vi phạm pháp luật. Công cụ thì trung tính, cách dùng thì không.

Miễn phí thật thì dùng thương mại được không?

VoxClone là nhân bản giọng nói miễn phí vĩnh viễn, không thu phí cũng không giới hạn số lần. Còn điều khoản thương mại cụ thể, trước khi dùng nên ghé trang cập nhật xem mô tả mới nhất — chính sách kiểu này, liếc một phát không lỗ.

Chút lời cuối

Giọng AI giống người thật hay không, một nửa nằm ở mô hình, một nửa nằm ở kịch bản trong tay bạn. Lần tới viết kịch bản lồng tiếng, thử viết nó như "nói chuyện" thay vì viết như "bài viết" — thêm ngắt nghỉ, chừa chỗ thở, cho phép một chút không đều tăm tắp.

Tối nay có thể thử ngay: clone một giọng của chính mình, đọc một đoạn giới thiệu 30 giây, gửi cho người thân nhất, xem họ có nhận ra không. Khoảng lặng 3 giây đó, chính là câu trả lời của bạn.