5 giây ghi âm đủ để nhân bản giọng nói? Tôi đã thử và vỡ mặt

Bạn có tin không, chỉ cần 5 giây ghi âm là có thể nhân bản giọng nói của mình? Tôi đã tin, và tôi đã vỡ mặt. Chuyện là thế này – tôi đang cần gấp một bản đọc truyện cho kênh YouTube, mà giọng tôi thì nghe như tiếng cưa gỗ. Tôi nhớ ra trên VoxClone có sẵn tạo giọng nói bằng ai miễn phí, nghe bảo chỉ cần upload vài giây ghi âm là xong. Không cần đăng ký, không cần thẻ tín dụng, thế là tôi lao vào thử.

Tôi mở app ghi âm trên điện thoại, đứng ngay cạnh cái quạt trần đang quay vù vù, nói một câu lộn xộn kiểu "Xin chào các bạn, tôi là người dùng mới đang thử giọng đọc miễn phí, hôm nay trời đẹp quá đi thôi". Tổng cộng 6 giây. Tôi tự nhủ: "AI mà, nó lọc được tạp âm mà, không sao đâu". Ấn nút clone, chờ 30 giây, tải file về. Mở lên nghe thử – ôi trời ơi, giọng tôi biến thành một con robot bị đứt cáp quang, nghe vừa khàn vừa rè, lại còn nuốt âm cuối. Tôi ngồi cười một mình 5 phút vì tức.

Sau đó tôi mới ngồi lại, mở trang hướng dẫn nhân bản giọng nói ra đọc kỹ, và tôi nhận ra mình đã phạm một loạt lỗi cơ bản đến mức buồn cười. Bài viết này là bản tự kiểm điểm của tôi, để bạn khỏi lặp lại vết xe đổ.

Lỗi số 1: Ghi âm trong môi trường ồn – sai lầm chí mạng

Tôi cứ nghĩ AI xử lý được hết, nhưng không. Cái quạt trần quay vù vù, tiếng xe máy ngoài đường, tiếng chó sủa xa xa – tất cả đều lọt vào file ghi âm. AI clone giọng nó không phân biệt được đâu là giọng tôi, đâu là tiếng ồn. Kết quả là nó học cả tiếng quạt vào giọng, thành ra giọng clone nghe như đang ghi âm trong nhà máy điện.

Lần sau tôi phải vào phòng ngủ, đóng kín cửa, tắt hết quạt, tắt điều hòa, thậm chí tắt cả tủ lạnh. Ngồi trong im lặng tuyệt đối 5 phút rồi mới ghi âm. Tôi còn trùm thêm cái chăn lên đầu cho đỡ vang, nhưng thôi, khỏi cần cực thế. Chỉ cần phòng yên tĩnh là được 80%.

Đấy, nếu bạn muốn có giọng nói ai miễn phí mà nghe tự nhiên, thì khâu thu âm phải sạch như nước cất. Đừng như tôi, thu âm giữa trưa nắng với cả dàn hợp xướng xe cộ.

Lỗi số 2: Nói ít quá, nội dung lộn xộn

Tôi chỉ nói 6 giây, mà câu văn lại chả có nghĩa gì: "Xin chào các bạn, tôi là người dùng mới đang thử giọng đọc miễn phí, hôm nay trời đẹp quá đi thôi". Nghe thì có vẻ đầy đủ, nhưng thực ra nó thiếu trầm trọng các âm tiết quan trọng. AI cần nghe đủ các nguyên âm, phụ âm, thanh điệu, ngữ điệu lên xuống. 6 giây thì chỉ đủ để nó nắm được màu giọng cơ bản, còn cách phát âm từng từ thì nó đoán mò.

Lần sau tôi đọc một đoạn dài ít nhất 30 giây, mà phải đọc chậm, rõ ràng, đầy đủ các âm: "A, ă, â, b, c, d, đ, e, ê...". Tôi còn đọc thêm một đoạn văn mẫu có đủ câu hỏi, câu cảm thán, câu trần thuật. Tôi tải file mới lên, chạy lại công cụ tạo giọng nói ai miễn phí trên VoxClone, lần này nghe đã đỡ hơn, nhưng vẫn còn một vấn đề nữa.

Lỗi số 3: Đổ lỗi cho AI khi thực ra do mình

Sau khi có file giọng clone khá hơn, tôi vội vàng dán một đoạn văn dài vào ô text-to-speech, ấn xuất ra file mp3. Nghe thử – giọng vẫn cứ đều đều như đọc bản tin thời sự, không có cảm xúc gì. Tôi lại đổ lỗi cho AI, nghĩ bụng "miễn phí thì chỉ được thế thôi". Nhưng không, tôi mới là người sai. Tôi quên thêm dấu câu, không xuống dòng, không viết hoa chỗ cần nhấn.

Tôi phải sửa lại văn bản: thêm dấu chấm, dấu phẩy, dấu hỏi, thậm chí viết hoa cả những từ cần nhấn mạnh. Và tôi khám phá ra là nếu tôi viết "HÔM NAY trời đẹp quá!" thì AI sẽ đọc to hơn, nhấn mạnh hơn. Cái này giống như là đạo diễn cho một diễn viên vậy. Bạn phải nói cho nó biết chỗ nào lên giọng, chỗ nào xuống, chỗ nào ngừng.

Thêm nữa, tôi thử chọn giọng giọng adam miễn phí có sẵn trên trang – giọng nam trầm ấm, đọc tin tức rất hợp. Tôi mix giữa giọng clone của mình và giọng adam, tạo ra một bản đọc mà người nghe không phân biệt được đâu là thật đâu là AI. Ảo thật sự.

Cách tôi cứu vãn tình thế và bạn cũng làm được

Sau 3 lần thất bại, tôi rút ra quy trình chuẩn như sau. Một, chọn không gian yên tĩnh, không tiếng vọng, không tiếng quạt. Hai, ghi âm ít nhất 30 giây, đọc chậm, đủ âm, đủ ngữ điệu. Ba, dùng đúng trang nhân bản giọng nói miễn phí – ở đây không cần đăng ký, không giới hạn số lần thử, nên bạn có thể làm đi làm lại đến khi ưng ý. Bốn, sau khi có giọng clone, hãy biên tập văn bản thật kỹ trước khi cho đọc: thêm dấu câu, xuống dòng, viết hoa chỗ nhấn mạnh.

Tôi còn thử dùng phần mềm chỉnh giọng hát miễn phí mà VoxClone giới thiệu – nghe tên thì hơi lạc đề, nhưng hóa ra nó giúp tôi chỉnh cao độ, thêm chút rung cho giọng đọc thành giọng hát, làm mấy câu intro cho video rất bắt tai. Không ngờ miễn phí mà xài được dữ vậy.

Giờ thì tôi đã có một thư viện giọng clone của chính mình, chất lượng cao, dùng cho mọi video trên kênh. Tôi không còn phải ngại ngùng khi nghe lại giọng mình nữa – vì giọng clone nghe còn hay hơn giọng thật của tôi. Đùa chút thôi, nhưng mà đúng vậy.

Lần tới bạn thử nhân bản giọng nói, nhớ đừng ghi âm trong lúc quạt trần đang quay. Và nếu bạn muốn nghe thử giọng clone của tôi, cứ vào VoxClone tìm giọng tên "Robot say rượu" – không có đâu, tôi xóa rồi, giờ nó tên là "Giọng tui chuẩn nè".