Tôi đưa đoạn ghi âm quán cà phê đi nhân bản giọng nói và nhận về một giọng... đang ngộp nước

Ba giờ chiều thứ Tư. Tôi ngồi ở một quán cà phê gần nhà, tai nghe một bên, đọc lẩm nhẩm lời bình cho video demo sản phẩm. Khách đổi kịch bản phút chót, còn anh kỹ thuật thu âm thì kín lịch cả tuần. Trong đầu tôi lóe lên một ý tưởng nghe rất thông minh: thôi thì tự thu, rồi để AI đọc hộ.

Tôi rút điện thoại ra, đọc một mạch hơn hai trăm chữ. Phía sau là tiếng máy xay cà phê, tiếng hai người ngồi bàn bên nói chuyện, tiếng ly gõ vào khay inox. Và tôi nghĩ bụng — AI nó "dọn sạch" hết mà.

Ừ, nó dọn sạch thật.

Nghe xong mà khách im lặng năm giây

Giọng trả về nghe như vọng lên từ đáy bồn tắm. Chữ thì rõ, nhưng cả con người tôi chìm trong nước, đuôi câu kéo theo một lớp ù ù. Tôi gửi cho khách. Im lặng. Năm giây. Rồi ảnh nhắn: "Thôi để anh chờ bên thu âm vậy."

Tối đó tôi xóa file, làm lại từ đầu.

Tôi đã ném cái gì vào công cụ nhân bản giọng nói?

Nói trước cho rõ: tôi dùng đúng cái quy trình nhân bản giọng nói miễn phí cơ bản nhất — tải lên một đoạn ghi âm của mình, đợi nó học xong chất giọng, rồi gõ chữ để nó đọc. Công cụ không có lỗi. Lỗi ở tôi.

Tôi phải nghe lại đoạn ghi âm ba lần mới nhận ra vấn đề. Máy xay cà phê là tạp âm tần số thấp. Tiếng người nói chuyện là nhiễu tần số trung. Và điều tệ nhất: điện thoại cách miệng hơn hai mươi phân, nên nó ăn trọn cả độ vang của căn quán. Mô hình học chất giọng — nhưng nó học không chỉ cổ họng tôi, mà học cả cái quán cà phê.

Còn một điểm ngớ ngẩn nữa. Lúc đọc, tôi cố hạ giọng cho "có cảm xúc", thấp hơn giọng nói hằng ngày chừng nửa cung. Kết quả: một phiên bản tôi đang mệt, đang cảm.

Sau này tôi mới ngấm một câu — bạn cho nó cái gì, nó trả lại đúng cái đó. Trong chuyện nhân bản giọng nói, câu này đúng theo nghĩa đen.

Vấn đề không nằm ở công cụ, mà ở nguyên liệu

Hôm thu lại, tôi làm ba việc nghe rất quê mùa.

Một, đổi chỗ. Tôi chui vào tủ quần áo, sau lưng treo hai cái áo phao, điện thoại gá lên móc áo, cách miệng chừng một nắm tay. Cái tủ chẳng sang trọng gì, nhưng nó hút âm — thật hơn mọi plugin khử ồn tôi từng cài.

Hai, đổi kịch bản. Tôi không đọc lời bình trang trọng nữa, mà đọc một đoạn tản văn tự viết, bằng đúng cái giọng lúc nói chuyện phiếm. Càng thoải mái càng tốt, vì thứ cần clone là "cách bạn nói", không phải "cách bạn lên sóng".

Ba, thu dài hơn. Bốn phút. Trong đó có khoảng ngắt, có tiếng lấy hơi, có một câu đọc sai rồi tôi bật cười — để nguyên hết.

Rồi tôi tải lên lại. Lần này tôi nghe mà hơi chới với: đúng là tôi của ngày thường, chỉ khác nội dung.

Nói thêm, mấy chỗ chuyển văn bản thành giọng nói trực tuyến bây giờ tìm không khó, mở là dùng được. Cái khó là bước "chuẩn bị nguyên liệu" — và bước đó không ai làm thay bạn được.

Khi giọng đã sạch, đây mới là lúc dùng thật

Nguyên liệu đạt rồi tôi mới nhận ra: cái khó của chuyện tạo giọng nói miễn phí chưa bao giờ là chữ "miễn phí", mà là bạn có một đoạn ghi âm nghe được hay không.

Tôi từng thử hai hướng. Một là cài bản miễn phí của phần mềm nhân bản giọng nói về máy, rồi vật lộn với driver với card đồ họa. Hai là làm online — mở trang, tải file, gõ chữ, xuất âm thanh, voice clone không cần đăng ký, khỏi tạo tài khoản. Với người chỉ muốn giao video cho xong như tôi, hướng thứ hai tiết kiệm không phải tiền, mà là cảm xúc.

  • Đọc lời cho video ngắn. Kịch bản sửa mười lần thì phải thu lại mười lần. Trước đây là cực hình, giờ sửa chữ xong là có tiếng ngay, chi phí thử sai gần như bằng không.
  • Bài giảng, nội dung kiến thức. Chuyển giáo án thành âm thanh, vừa lái xe vừa nghe lại. Câu nào lủng củng, tai thính hơn mắt.
  • Sách nói và bài viết dài. Ai không muốn lộ mặt cũng không muốn lộ giọng thật, cứ dùng giọng clone của mình mà đọc — dễ chịu hơn giọng tổng hợp máy móc rất nhiều. Đây cũng là cách tôi thu âm audiobook bằng AI miễn phí cho mấy chương truyện ngắn.
  • Làm giọng cho người lớn tuổi trong nhà. Chuyển bài báo dài, tờ hướng dẫn, lời nhắc uống thuốc thành giọng nói — hữu ích hơn gửi một khối chữ.
  • Video demo và trợ năng. Video giới thiệu sản phẩm, tài liệu đọc màn hình: cần "giọng người" nhưng không cần người thật đọc đi đọc lại.

Mấy việc này tôi làm bằng cùng một luồng: lưu chất giọng trước, rồi lấy chữ đi tổng hợp. Vì không phải đăng ký, số chữ cũng không bị chặn, tôi tha hồ thử — cùng một câu, ba kiểu ngữ điệu, hai kiểu ngắt nghỉ, nghe xem cái nào thuận tai. Cái tự do mà chuyển văn bản thành âm thanh miễn phí mang lại quan trọng hơn hẳn mấy cái nút bật tắt trong bảng tính năng.

Nói thẳng: giờ muốn có một giọng đọc hay miễn phí, cái giá duy nhất bạn phải trả là ba phút thu âm tử tế.

Quy trình cố định của tôi bây giờ

Rất cố định: thu một đoạn sạch (phòng yên, mic điện thoại hoặc tai nghe, giọng bình thường, ba đến năm phút) → tải lên để clone chất giọng → gõ chữ → nghe thử → chưa ưng thì quay lại sửa dấu câu trong phần chữ.

Đúng, dấu câu. Đây là bài học thứ hai của tôi. Dấu phẩy là ngắt ngắn, dấu chấm là ngắt dài, dấu ba chấm là "chỗ này lấy hơi". Viết dấu câu cho đúng thì nhịp đọc tự đúng, hiệu quả hơn ngồi vặn thông số trong công cụ.

Giọng trả về đã gần mức tổng hợp giọng người thật, mà cả quá trình không tốn một đồng. Năm thứ ba làm video, tôi không dám mơ chuyện này.

Ba câu hỏi tôi hay bị hỏi

Thu âm có nhất thiết phải dùng mic chuyên nghiệp?

Không. Đoạn tôi thu bằng điện thoại trong tủ quần áo là đủ dùng. Thứ phá hỏng nguyên liệu là tạp âm môi trường và khoảng cách, không phải thiết bị. Phòng yên cộng với khoảng cách một nắm tay mạnh hơn một cây mic vài triệu đặt giữa phòng khách ồn ào.

Giọng clone ra có dùng thương mại được luôn không?

Còn tùy bạn clone giọng của ai và điều khoản của nền tảng. Clone giọng chính mình là đơn giản nhất. Clone giọng người khác — kể cả đồng nghiệp — thì hỏi trước một câu, kẻo rắc rối lớn hơn số tiền tiết kiệm được.

Bản miễn phí và bản trả phí khác nhau nhiều không?

Những gì tôi làm bằng luồng nhân bản giọng nói miễn phí này là đủ. Khác biệt chủ yếu nằm ở nhu cầu cực đoan: văn bản siêu dài, hoặc biến đổi cảm xúc thật tinh tế. Còn đọc lời video, bài giảng, thông báo hằng ngày thì giải pháp text to speech tiếng Việt miễn phí thừa sức. Mấy bạn lập trình hỏi tôi xin API tổng hợp giọng nói miễn phí, tôi đều trả lời: cứ chạy thử bản web cho nguyên liệu và văn bản trơn tru đã, rồi hẵng tính chuyện nối API — không thì bạn chỉ đang sản xuất nhiễu hàng loạt.

Còn nếu bạn muốn thử

Tối nay, tìm một phòng yên, lấy điện thoại thu ba phút. Đọc đại một bài viết nào đó trên bàn, giọng thả lỏng, đừng gồng. Rồi ném đoạn đó vào, gõ một câu, nghe xem nó ra sao.

Tôi mất một buổi chiều cho vụ tai nạn đó, đổi lại một điều: trong chuyện nhân bản giọng nói, tám phần thời gian nên dồn vào khâu thu, không phải khâu chỉnh. Hai phần còn lại, để công cụ lo.