Lồng tiếng AI sao cho khỏi 'máy móc'? Bí quyết nằm ở đoạn âm thanh mẫu bạn thu

Tháng trước mình phụ một đứa bạn làm voice-over cho cái video ngắn TikTok. Cùng một đoạn kịch bản, cùng một công cụ, mà kết quả chênh nhau một trời một vực — của nó nghe như MC radio khuya, của mình thì... nghe như thằng Google Maps đọc nhanh văn mẫu.

Ban đầu mình cứ nghĩ là hên xui, kiểu 'AI hôm nay tâm trạng không tốt'. Hỏi tới hỏi lui mới biết vấn đề nằm ở đoạn âm thanh mẫu mình thu. Cái này dân trong nghề ít khi nói ra, vì nó cơ bản quá, cơ bản đến mức ai cũng nghĩ chắc bạn biết rồi. Vậy nên hôm nay mình kể hết mấy cái hố mình từng ngã xuống cho các bạn khỏi lặp lại.

AI nó bắt chước bạn, chứ không phải 'sáng tạo' giùm bạn

Nhiều người hiểu nhầm lắm về voice cloning tiếng việt, cứ tưởng ném một đoạn audio vào là AI tự động biến ra cái giọng hay. Không phải đâu. Nó học từ chính đoạn bạn đưa: giọng, tốc độ nói, cách hít thở, kể cả mấy cái lỗi phát âm lúc bạn thu.

Bạn thu mà căng thẳng, khô khốc, đọc từng chữ một như trả bài? Xin lỗi, giọng clone ra cũng căng, cũng khô, cũng đọc trả bài y chang. Nên thay vì trách 'giọng AI không giống người thật', thiệt ra là — đoạn mẫu của bạn vốn đã không giống người đang nói chuyện tự nhiên.

Mấy chỉ tiêu 'cứng' khi thu âm thanh mẫu

Môi trường quan trọng hơn thiết bị. Đừng vội tin mấy cái micro triệu đồng, giải quyết ba chuyện này trước đã:

  • Tìm một căn phòng nhỏ yên tĩnh — đứng cạnh tủ quần áo cũng ổn đấy, quần áo hút âm rất tốt
  • Điện thoại đừng áp sát miệng quá, cách khoảng một gang rưỡi đến hai gang để tránh tiếng 'phì' hơi
  • Nói giữ nguyên một âm lượng từ đầu đến cuối, đừng lúc to lúc nhỏ

Về độ dài, 30 giây đến 1 phút là đủ dùng. Quá ngắn thì AI học chưa kỹ giọng, quá dài thì lãng phí. Nội dung đừng đọc kịch bản cứng nhắc — chọn đoạn nào bạn hay nói hằng ngày, có lên xuống, thậm chí có chút cười cũng được. Người Việt mình nói chuyện hay có ngữ điệu cuối câu, hay 'nuốt' chữ, hay kéo dài từ — đoạn mẫu cũng nên có cái 'chất người' đó.

Thu xong tự nghe lại một lượt trước. Cả chính bạn nghe còn thấy khó chịu thì đừng trông chờ AI cứu nổi.

Viết kịch bản thế nào để lồng tiếng không bị gượng

Âm thanh mẫu xong rồi, sang phía bên kia: đoạn văn bản cần đọc. Ở đây cũng có một điểm ngược đời: văn bản để lồng tiếng thì đừng viết kiểu văn viết.

'Có thể khẳng định, sản phẩm này mang lại nhiều lợi ích vượt trội' — câu này ai đọc cũng ra robot. Sửa thành 'Nói thật là cái này xài tốt thiệt' là hiệu quả khác liền. Dấu câu cũng chính là nhịp: phẩy nghỉ ngắn, chấm nghỉ dài, dấu gạch ngang tạo một khoảng thở rất tự nhiên.

Mỗi khi dùng chuyển văn bản thành giọng nói trên web666, mình luôn đọc to đoạn văn một lượt trước. Chỗ nào đọc lên thấy vấp, thấy gượng là sửa chỗ đó. Văn xuôi rồi thì giọng đọc mới xuôi.

Mấy tình huống 'toang' hay gặp nhất

Phông nền có tiếng điều hòa, tiếng gõ bàn phím? Clone ra sẽ có một lớp 'xè xè' nền, chỉnh kiểu gì cũng không mất, đành thu lại từ đầu. Nhạc nền lẫn trong audio cũng chết — AI sẽ coi cả giai điệu là một phần giọng của bạn, ra thứ âm thanh nghe rất... kỳ.

Còn có người thích lấy đoạn phim làm âm thanh mẫu. Mình thử rồi nhé. Nhân vật có cảm xúc, nghe thì hấp dẫn thiệt, nhưng lồng ra thì cảm xúc loạn cả lên, cùng một câu mà lúc cao lúc thấp. Trừ khi bạn cố tình muốn chất kịch, còn không thì cứ ngoan ngoãn dùng giọng thu sạch, không hiệu ứng.

FAQ

Âm thanh mẫu cần dài bao nhiêu?

30 giây đến 1 phút là đủ. Quan trọng là chất lượng chứ không phải độ dài — yên tĩnh, sạch, ngữ điệu tự nhiên, mạnh hơn hẳn thu năm phút mà ồn ào.

Thu bằng điện thoại có dùng được không?

Được chứ. Micro điện thoại giờ chất lượng không tệ, thu trong phòng yên tĩnh là đủ xài. Đừng bật loa ngoài, đừng thu trong xe ô tô (tiếng vọng nặng lắm). Xe máy thì khỏi bàn luôn nhé.

Công cụ miễn phí có đủ dùng không?

Đủ. Giờ mình xài thường trực là nhân bản giọng nói miễn phí của web666 — voice clone không cần đăng ký, mở trang lên là truyền audio thử được ngay, tiện cực kỳ cho ai chỉ thỉnh thoảng dùng một lần. Nếu kết quả chưa ưng, chín phần là do âm thanh mẫu của bạn, không phải do công cụ.

Chút tâm tình cuối

Nói cho cùng thì giọng AI giống người thật hay không, bảy phần nhờ âm thanh mẫu, ba phần nhờ kịch bản. Công cụ là thứ ít phải đau đầu nhất — vì thử sai cũng không tốn đồng nào. Ai đang có đoạn văn cần lồng tiếng trong tay thì giờ ra ngay một góc yên tĩnh, thu thử 30 giây đi — hiệu quả hơn đọc mười bài hướng dẫn luôn.