Bạn có bao giờ thức dậy lúc 2 giờ sáng, cố gắng lồng tiếng cho một video TikTok mà giọng đọc cứ như người máy đang hát chèo không? Tôi thì có, và đó là lý do tôi viết bài này.
Chuyện là tuần trước, tôi nhận làm một video TikTok ngắn về công thức nấu phở nhanh cho kênh của đứa em. Tôi viết kịch bản xong, mở phần mềm chuyển văn bản thành giọng nói miễn phí tôi hay dùng, dán text vào, chọn giọng nữ miền Bắc, nhấn nghe thử. Kết quả? Nó đọc "phở" thành "phờ", "nước dùng" thành "nước đùng", nghe như người nước ngoài mới học tiếng Việt. Tôi tưởng mình đang nghe một bài tập phát âm của AI vậy.
Tôi thử chỉnh tốc độ, chỉnh cao độ, vẫn không ăn thua. Giọng thì có vẻ tự nhiên hơn mấy cái TTS đời đầu, nhưng dấu vẫn sai. Trong khi đó, đứa em tôi cứ giục: "Chị ơi, mai phải đăng rồi!". Tôi cuống lên, tìm đủ mọi thứ liên quan tới tạo giọng nói miễn phí, rồi vô tình thấy một trang web nhân bản giọng nói miễn phí – không cần đăng ký, không thu phí. Nghe hơi khó tin, nhưng tôi thử.
Tôi upload một đoạn ghi âm giọng tôi đọc chừng 20 giây – tôi đọc lại cái kịch bản phở đó, cố nhấn nhá cho rõ dấu. Sau đó, tôi dán văn bản vào, bấm tạo. Lần này, giọng đọc ra... giống tôi đến rợn người. Đọc đúng "phở", đúng "nước dùng", thậm chí ngân nga chỗ tôi hay ngân. Tôi ngồi hình dung cảnh mình đang nói chuyện với chính mình qua loa, vừa vui vừa hãi.
Nhưng rồi tôi lại vội vàng. Tôi nghĩ "Ồ, vậy là xong, dùng nó cho podcast luôn thể". Tôi có một kênh podcast nhỏ về sách, và tôi thường thu âm audiobook bằng AI miễn phí vì ngại nghe giọng mình. Tôi dùng chính giọng clone đó để đọc một đoạn dài 10 phút về tiểu thuyết "Số đỏ". Kết quả? Thảm họa.
Giọng clone đọc câu ngắn thì ổn, nhưng khi gặp câu dài, nó nuốt chữ, lên bổng xuống trầm sai chỗ, có lúc còn ngừng nghỉ như đang... hớp hồn. Tôi nghe mà bật cười, vì nó nghe như tôi đang say rượu đọc truyện. Tôi nhận ra một điều: nhân bản giọng nói miễn phí không phải là cỗ máy vạn năng. Nó giỏi đọc đoạn ngắn, cần nhấn nhá cảm xúc, nhưng với văn bản dài, nó cần được chia nhỏ, thêm dấu câu rõ ràng, thậm chí phải tách thành từng câu để tạo riêng từng file.
Tôi mày mò thêm. Trang web đó có mấy cài đặt nâng cao: chỉnh độ trầm bổng, tốc độ, và cả cách phát âm từng từ. Tôi thử chỉnh giọng trầm xuống chút cho hợp giọng kể chuyện đêm khuya. Rồi tôi chia đoạn văn thành từng đoạn nhỏ, mỗi đoạn 2-3 câu, tạo ra 5 file riêng, ghép lại bằng phần mềm cắt ghép âm thanh. Lần này, nghe mượt hơn hẳn. Không hoàn hảo như người thật, nhưng đủ để tôi không phải thu âm lại 10 lần.
Vậy nên, câu trả lời cho cái tựa bài là: lồng tiếng video TikTok dễ hơn nhiều so với podcast. Vì video ngắn, câu từ gãy gọn, chỉ cần giọng đọc rõ dấu là ổn. Còn podcast, đặc biệt là đọc sách, cần giọng có cảm xúc liên tục, mà cái đó thì AI miễn phí chưa làm được trọn vẹn. Nhưng nếu bạn biết cách chia nhỏ, tinh chỉnh, thì cũng cứu được.
Tôi không nói trang web đó là thần thánh – tôi vẫn đang dùng thử, và tôi biết còn nhiều giới hạn. Nhưng nó miễn phí, không cần đăng ký, và quan trọng là nó đọc đúng dấu tiếng Việt, điều mà không phải TTS nào cũng làm được. Nếu bạn đang tìm một công cụ để đọc văn bản bằng giọng nói AI, hoặc muốn lồng tiếng video bằng AI miễn phí, tôi khuyên bạn nên thử, nhưng đừng kỳ vọng nó thay thế bạn hoàn toàn.
Còn về chuyện thu âm audiobook bằng AI miễn phí – tôi đã thử và tôi vẫn sẽ dùng cho những đoạn ngắn, nhưng với sách dài, tôi đành chịu khó thu giọng thật. Có lẽ tôi nên tập nghe giọng mình hơn là ép AI làm điều nó chưa giỏi. Bạn đã bao giờ thử nhân bản giọng nói chưa? Nếu có, hãy kể tôi nghe bạn đã xử lý vụ đọc sai dấu kiểu gì nhé – tôi vẫn đang cần thêm mẹo đây.
Còn nếu bạn muốn tự mình thử, tôi để link trang tôi dùng ở đây: trang chủ, trang nhân bản giọng nói, và mấy bài viết khác – tôi đọc lướt qua thấy cũng có vài mẹo hay. Chúc bạn tìm được giọng đọc ưng ý, đừng để con robot nó hành như tôi nhé.