Lồng tiếng AI làm sao để không bị 'máy móc'? Tôi đã thử một lần nhân bản giọng nói miễn phí và rút ra mấy điều này

Tuần trước phụ bạn thân dựng một video review quán cà phê, tôi tiện tay dùng một cái TTS cũ kỹ để đọc phần thuyết minh — kiểu đọc chuẩn từng chữ mà phẳng lì như... báo thức buýt. Bạn tôi nghe xong chỉ nói đúng một câu: "Cái này đâu phải người, nó như loa phường vậy đó." Lúc ấy tôi tự hỏi: mấy công cụ tạo giọng nói miễn phí trên mạng được quảng cáo thần thánh vậy, có phải đều cùng một trình độ không? Với tâm thế đi bắt lỗi, tôi tìm đến một trang tên VoxClone và chạy thử toàn bộ quy trình từ đầu đến cuối. Kết quả thì... hơi bị tát vào mặt mình.

Đi trước vào cái nghi ngờ của tôi: đồ miễn phí thì ngon cơm gì

Ai làm nội dung đều hiểu, hồi xưa muốn có voice-over thì hoặc bỏ tiền thuê người, hoặc tự vào mic — họng khàn rồi vẫn phải cắn răng thu tiếp. Từ khi AI đọc văn bản bằng giọng nói ai xuất hiện, tôi thử qua không ít công cụ, mà mấy cái miễn phí thì gần như chung một bệnh: ngữ điệu bằng phẳng, ngắt câu cứng nhắc, cảm xúc giả đến mức nghe một câu là muốn tắt.

Nên khi mở trang chủ VoxClone (https://vi.web666.cc/), tôi đã chuẩn bị tinh thần xem một công cụ 'vỏ bọc'. Nó bảo không cần đăng ký, vào là dùng được, nhân bản giọng nói cũng miễn phí. Phản ứng đầu tiên của tôi là — voice clone không cần đăng ký? Vậy dữ liệu của người dùng để đâu? Nhưng thôi, không phải nhập số điện thoại gì cả, thử không mất gì. Vậy là tôi vẫn thử.

Thứ thật sự tạo ra khác biệt: đoạn ghi âm bạn nạp vào

Tôi vào thẳng trang nhân bản giọng nói. Phải nói thật ở đây: giọng AI giống người hay không, bảy phần phụ vào mẫu ghi âm của bạn.

Lần đầu tôi thu ngay ở phòng khách, cái tủ lạnh kêu ù ù suốt, giọng clone ra nghe có mùi 'hộp thiếc'. Lần hai tôi chuyển vào phòng ngủ, đóng cửa lại, điện thoại để cách miệng chừng 20cm, đọc với âm lượng bình thường độ nửa phút — cùng một công cụ, nhưng kết quả khác hẳn. Rõ ràng, yên tĩnh, giọng tự nhiên: ba điều này quan trọng hơn dài bao nhiêu giây của bản thu.

Còn một chi tiết nữa: đừng dùng 'giọng phát thanh' khi thu mẫu. Bạn nói chuyện với bạn bè thế nào thì thu như vậy, clone ra mới là 'bạn', chứ không phải một ông dẫn thời sự.

Văn bản mới là cái bẫy thứ hai: dấu câu chính là đạo diễn của nó

Clone xong giọng rồi thì đến phần lồng tiếng. Tôi lấy một đoạn kịch bản review quán để test chuyển văn bản thành giọng nói, bản đầu dán nguyên cả khối vào — và nghe lại đúng cái mùi quen thuộc của robot. Lỗi không phải ở công cụ, mà ở tôi: một đoạn văn không có nhịp dấu câu, ai đọc cũng phẳng.

Sau đó tôi cắt các câu dài thành câu ngắn, đánh dấu rõ chỗ ngắt bằng dấu phẩy dấu chấm, thêm chút từ ngữ khí quanh những từ cần nhấn. Cùng một giọng đó, bản thứ hai nghe như có người đang ngồi trò chuyện với bạn. Nói thật ra thì TTS diễn theo dấu câu của bạn đấy — dấu câu viết càng tỉ mỉ, nó diễn càng thật.

À, nó còn hỗ trợ chuyển văn bản thành âm thanh miễn phí không giới hạn số chữ. Tôi cố tình nhét một bài hai nghìn từ vào, không hề bị chặn ở giới hạn — điều này khá thiết thực với anh em làm video dài, vì nhiều công cụ miễn phí cứ kẹt đúng chỗ này.

Vậy nó có thật sự miễn phí không

Dùng đến giờ tôi chưa gặp trường hợp xuất file phải trả tiền hay bị khóa lượt dùng, cả clone lẫn tổng hợp đều ra kết quả luôn. Dĩ nhiên tôi vẫn giữ thói quen: đồ miễn phí thì đừng nộp nội dung quá nhạy cảm vào — đó là lẽ thường, liên quan gì đến công cụ đâu.

Nhân bản giọng nói miễn phí cần thu mẫu bao lâu?

Từ nửa phút đến một phút là đủ. Quan trọng hơn độ dài là môi trường yên tĩnh, phát âm rõ ràng, và dùng đúng giọng bạn nói hằng ngày. Thu càng tự nhiên, bản clone càng giống bạn.

Giọng clone xong có dùng cho mục đích thương mại được không?

Nguồn giọng phải là của chính bạn hoặc người đã cho phép — cái này tự bạn kiểm soát. Về mặt kỹ thuật, file âm thanh xuất ra dùng được ngay, nhưng đừng lấy giọng người khác để làm những chuyện khiến họ đau đầu nhé.

Không có micro, thu bằng điện thoại được không?

Được chứ. Tôi thu bằng điện thoại trong phòng yên tĩnh, chất lượng hoàn toàn chấp nhận được. Quan trọng là để gần miệng, không có tiếng nền. Đừng thu trên xe buýt là được... thật có người làm vậy đấy.

Vài lời thật lòng

Giọng AI giống người hay không, công cụ chỉ chiếm một nửa, nửa còn lại nằm trong tay bạn: bản thu sạch hơn một chút, dấu câu tỉ mỉ hơn một chút, và đừng mong bấm một nút là ra thành phẩm từng câu đầy cảm xúc. Nếu bạn cũng muốn thử, hãy vào VoxClone ngay bây giờ, thu một đoạn 30 giây nói chuyện thường ngày, clone ra rồi đọc thử một đoạn bạn vừa viết gần đây — nghe cái giọng đó, bạn sẽ biết vấn đề nằm ở công cụ hay ở chính mình. Muốn xem thêm hướng dẫn và cập nhật mới thì ghé qua trang tin của họ nhé.