11 giờ đêm thứ Tư, ông Hùng gửi cho tôi một đoạn voice 8 giây. Giọng nữ đọc mô tả sản phẩm, nghe nhẹ tênh, giữa chừng còn có một nhịp lấy hơi rất khẽ. Rồi ổng nhắn: "Giọng này thuê người đọc thật à?"

Không. Tôi dùng công cụ nhân bản giọng nói miễn phí tạo ra, mất chưa tới hai phút.

Ổng im ba giây. Rồi hỏi một câu mà tôi không ngờ tới: "Thế lúc xuất file, chọn MP3 hay WAV?"

... Nói thật, câu này khó trả lời hơn cả "nghe có giống người thật không".

Tại sao lại lôi nhau ra bàn chuyện định dạng

Ông Hùng làm nội dung cho shop online, dạo này đang thu một loạt audio thuyết minh sản phẩm. Trước đây ổng thuê ngoài, 30 giây hét 80 nghìn, sửa một lần cộng thêm 30. Sau khi tôi demo thử chuyển văn bản thành giọng nói online, ổng đứng hình luôn — không cần cài phần mềm, không cần đăng ký tài khoản, dán chữ vào là có tiếng. Ổng hỏi đi hỏi lại ba lần: "Miễn phí thật hả? Không giới hạn luôn?"

Tôi hiểu cái ngạc nhiên đó. Mấy năm nay tôi thử qua cả chục công cụ gắn mác "tạo giọng nói miễn phí", đa số hết lượt free là bắt đầu nhảy popup, hoặc file xuất về dính watermark. Loại voice clone không cần đăng ký mà còn không giới hạn số lần đọc, đúng là hiếm thật.

Nhưng đến lúc tự làm, vấn đề mới nảy ra. Ổng nhập xong kịch bản trên trang chuyển văn bản thành giọng nói, bấm xuất, thấy hai lựa chọn định dạng, đứng im. Nhiều người search "text to speech tiếng Việt miễn phí" rồi lạc vào cả đống trang, đắn đo mãi không biết giọng nào tự nhiên hơn, cuối cùng ở bước cuối lại chọn đại một định dạng, thế là công sức mấy bước trước đổ sông đổ biển.

MP3 với WAV khác nhau ở chỗ nào — và không phải chuyện "nghe hay hơn"

Gỡ một hiểu lầm phổ biến trước đã.

WAV không phải "chất lượng cao hơn". Nó là "chưa qua nén". MP3 cũng không phải "chất lượng thấp". Nó là "nén có mất dữ liệu, nhưng nén khôn". Hai thứ này giống như RAW với JPEG — không phải cái nào xịn hơn cái nào, mà là để dùng cho việc khác nhau.

WAV giữ nguyên dữ liệu mẫu gốc, file nặng khủng khiếp. Một phút audio, 44.1kHz / 16bit, rơi vào khoảng 10MB. MP3 cùng độ dài, 128kbps chỉ tầm 1MB, 320kbps thì cỡ 2.4MB.

Vậy phần dung lượng dư ra đó đổi lấy cái gì? Đổi lấy khả năng chỉnh sửa. Nếu sau này bạn còn phải đưa vào phần mềm dựng để lọc ồn, đổi tốc độ, mix nhạc, ghép nối — WAV chịu được vài lần vọc. MP3 mỗi lần xuất là mất một lớp, cắt ba lượt là âm "xì" bắt đầu nổi gai.

Ngược lại, nếu bạn chỉ ném file vào video ngắn, gửi Zalo, hay nhúng lên web — thì 10MB của WAV là lãng phí. Nền tảng nó cũng nén lại một lần nữa, bạn chẳng được gì.

Thói quen của tôi, sau vài lần tự đào hố

Làm nội dung mấy năm, tôi thành phản xạ có điều kiện:

  • Cái gì cần đưa vào phần mềm dựng để chỉnh tiếp — WAV thẳng tiến
  • Cái gì giao luôn, gửi nhóm, up lên nền tảng — MP3 320kbps
  • Không chắc — xuất WAV để đó, cần thì chuyển MP3 sau

Cái gạch đầu dòng thứ ba là sau khi ăn đòn mới thêm vào. Có lần giao MP3 cho khách, ổng kêu "nhạc nền nhỏ lại chút", tôi lấy MP3 cắt tiếp, giọng người nghe bị bí rõ rệt, đành phải tạo lại từ đầu. Từ đó tôi khôn ra.

Nói đến tạo lại, tiện thể: dùng voice cloning tiếng Việt để lồng tiếng, cách nhàn nhất là "tạo một lần, lưu hai định dạng". Giờ chuyển văn bản thành âm thanh miễn phí không giới hạn, chạy lại mất có mấy chục giây, chẳng việc gì phải tiếc chút dung lượng mà đánh cược.

Thêm nữa, nếu bạn định gắn giọng đọc vào chương trình của mình để chạy hàng loạt, thì càng phải giữ bản gốc không nén. Bên VoxClone có hỗ trợ gọi API tổng hợp giọng nói miễn phí, audio trả về lưu thẳng thành WAV, sau này muốn xử lý gì cũng còn dư địa. Cái thói "giữ bản gốc từ đầu" này lời hơn nhiều so với việc chữa cháy về sau.

Mấy câu bị hỏi đến phát ngán

MP3 nghe có bị "AI" quá không?

Không. Hoặc nói đúng hơn, định dạng không phải yếu tố quyết định. Một đoạn voice nghe giả thường là do văn bản ngắt câu kỳ cục, hoặc chọn tông giọng không khớp với nội dung — kiểu lấy giọng đọc tin tức để đọc caption bán hàng. Dù là giọng nói AI miễn phí hay đọc văn bản bằng giọng nói AI, độ tự nhiên giờ đã qua cái thời "nghe là biết giả" lâu rồi, nhất là mấy giải pháp giọng đọc hay miễn phí — mẫu giọng gốc vốn đã sạch. Khác biệt do định dạng gây ra, nghe bằng loa điện thoại gần như không nhận ra.

Làm video ngắn, xuất WAV có bị nặng quá không up được không?

Có. TikTok, YouTube Shorts, Facebook Reels đều có giới hạn dung lượng ngầm, mà kiểu gì chúng nó cũng chuyển mã lại. Bạn up WAV lên, nền tảng vẫn nén thành AAC. Nên video ngắn cứ MP3 mà phang, đừng tự làm khó mình.

File xuất ra còn sửa được không?

MP3 sửa được, nhưng sửa một lần mất một lớp. Nếu chỉ cắt khoảng lặng đầu đuôi thì không sao. Còn nếu cần đổi tốc độ, đổi tông, lọc ồn — tốt nhất quay lại trang nhân bản giọng nói tạo lại bản WAV rồi hẵng động vào. Dù sao cái lợi của voice clone không cần đăng ký nằm ở chỗ đó — chi phí thấp đến mức bạn muốn làm lại bao nhiêu lần cũng được.

Viết đến đây thôi

Quay lại tin nhắn của ông Hùng. Tôi bảo: lô audio thuyết minh sản phẩm này, cứ xuất WAV một bản lưu trữ, rồi chuyển MP3 320kbps để giao. Ổng không tin, bảo "chênh có tí nghe ra được à". Tôi bảo không nghe ra, nhưng ba tháng nữa ông sửa kịch bản thì sẽ biết khác nhau chỗ nào.

Nếu bạn cũng đang lăn tăn chuyện này, đừng đứng mãi trên trang mà nghĩ. Chọn một đoạn văn 30 giây, dùng chuyển văn bản thành giọng nói tạo hai lần — một MP3, một WAV — đeo tai nghe nghe thử, rồi kéo vào phần mềm dựng cắt một nhát. Năm phút, hiệu quả hơn đọc mười bài hướng dẫn.

Tiện thể ghé mục hướng dẫn xem qua, mấy cái hố tôi đã lội thay bạn rồi.