Tuần trước một bạn làm kênh TikTok review đồ ăn gửi mình file voice-over nhờ "chữa". Mình bật lên nghe được đúng ba giây đã phải dừng — giọng thì đọc trơn tru đấy, nhưng sao nghe như cái máy thông báo ở bến xe, mà còn lẫn tiếng ù ù phía sau. Bạn ấy nhắn tin than thở: dùng cùng một trang tạo giọng nói miễn phí với đứa bạn cùng nhóm, sao đứa kia lồng tiếng video bằng ai miễn phí nghe tự nhiên thế mà mình làm ra nghe "AI" kinh vậy?

Mình xin file âm thanh mẫu dùng để nhân bản giọng nói. Nghe xong là hiểu ngay. Tất cả vấn đề nằm gọn trong ba mươi giây đó.

Âm thanh mẫu mới là ranh giới giữa người và máy

Nhiều người cứ nghĩ voice cloning tiếng việt tự nhiên hay không là do công cụ. Thật ra công cụ chỉ chiếm phân nửa. Phân nửa còn lại nằm hoàn toàn ở đoạn audio mẫu bạn "đút" cho mô hình. Mô hình học theo mẫu của bạn — mẫu dính lỗi gì, nó phóng to lỗi đó.

Bạn kia của mình thu âm trong phòng có điều hòa chạy, tiếng ù tần thấp rõ ràng, nên giọng đọc văn bản bằng giọng nói ai tạo ra cũng mang theo cái "mùi phòng máy" y hệt. Chưa hết, lúc thu bạn ấy đọc kịch bản như... thuộc bài. Từng chữ một, đều đều, không lên xuống. Mô hình học đúng cái giọng ấy, vậy là video ra lò cũng đều đều y hệt.

Nên lần sau đừng vội đổ lỗi cho công cụ. Nghe lại audio mẫu của mình trước: có tiếng ồn nền không? Giọng có bị phẳng không? Có tiếng nuốt nước bọt, tiếng pô (popping) không?

Thu thế nào để không ra giọng robot

Vài chi tiết mình rút ra sau khi dính đủ kiểu. Nghe có vẻ "trống trải" lắm, nhưng cực kỳ hiệu quả.

  • Môi trường: tắt điều hòa, tắt quạt. Chui vào tủ quần áo hay đắp chăn lại thu cũng được, miễn là diệt được vang và tiếng ồn trầm. App ghi âm trên điện thoại là đủ dùng, đừng mê thiết bị xịn — máy đắt không có nghĩa là phòng yên tĩnh.
  • Độ dài: 30 giây đến 1 phút là đẹp nhất. Ngắn quá, mô hình học không trọn; dài quá, lại học luôn cả lúc bạn mệt, lúc giọng sai tông giữa chừng.
  • Giọng điệu: đây là điều quan trọng nhất. Hãy nói như lúc bạn đang quay TikTok, đang kể chuyện cho bạn nghe — có nhấn nhá, có ngắt nghỉ. Muốn video ra cảm giác nào, thu mẫu đúng cảm giác đó. Muốn thân thiện thì vừa cười vừa thu, muốn nghiêm túc thì giữ giọng lại chút.
  • Nội dung: đọc một đoạn văn tự nhiên, đừng đọc đoạn toàn thuật ngữ hay câu lủng củng. Tốc độ bình thường, giữa các câu chừa một nhịp lấy hơi.

Thu xong tự nghe lại một lượt. Nghe mà thấy dễ chịu thì mô hình làm ra cũng dễ chịu.

Quy trình mình đang dùng để lồng tiếng

Mình dùng VoxClone, lý do đơn giản: voice clone không cần đăng ký, mở lên là làm được luôn, khỏi mất công tạo tài khoản chỉ để lồng một cái video. Quy trình của mình như sau —

Trước hết, vào trang nhân bản giọng nói, tải file audio mẫu đã thu lên, đặt tên cho dễ nhớ, ví dụ "giọng nữ kể chuyện - ấm". Sau đó quay lại trang chuyển văn bản thành giọng nói, dán kịch bản vào, chọn giọng vừa clone, bấm tạo, nghe thử, chỉnh dấu câu rồi tạo lại.

Đúng vậy, dấu câu quan trọng lắm. Muốn nó ngắt ở đâu, đặt dấu phẩy hoặc dấu chấm ở đó; muốn nhấn một từ, cứ viết lại câu cho từ đó đứng đầu hoặc đứng cuối. TTS không hiểu ý trong lòng bạn — dấu chính là kịch bản của nó.

Một điều nữa: kịch bản nên "viết lại cho nói được". Văn viết bỏ thẳng vào thì đọc lên luôn thấy gượng — "do đó" đổi thành "nên là", "tóm lại" đổi thành "nói ngắn gọn thì", câu dài chẻ ra thành câu ngắn. Chỉ vậy thôi mà chất lượng lên hẳn một bậc.

FAQ

Có nhất thiết phải thu âm mẫu bằng người thật không? Cắt âm thanh từ video có được không?

Được, nhưng có điều kiện. Track âm thanh không được có nhạc nền, không được có nhiều người nói, không được có tiếng vang. Podcast thu干, video giảng bài tương đối sạch thì dùng được; cắt từ phim thì gần như bỏ đi — nhạc phim trộn vào là giọng clone ra cũng自带 cái "chất sân khấu".

Clone một lần có dùng lại được mãi không?

Được. Sau khi nhân bản xong, giọng đó thành một "chất giọng" tái sử dụng, mọi video, mọi kịch bản sau này đều gọi ra dùng được, không cần tải lại audio. Mình khuyên bạn làm sẵn vài chất giọng khác nhau: giọng giới thiệu, giọng tổng kết, giọng kể case study. Khi dựng video chuyển giữa các giọng theo đoạn, tự nhiên hơn hẳn là một giọng đọc đều đều từ đầu đến cuối.

Kịch bản dài thì một lần chuyển được bao nhiêu?

VoxClone là chuyển văn bản thành âm thanh miễn phí không giới hạn độ dài, dán cả kịch bản vào một lần cũng được, không cần tự cắt khúc. Tuy nhiên thói quen của mình vẫn là chia theo phần — một là dễ thu âm lại riêng đoạn nào bị lỗi, hai là chia nhỏ thì về sau cắt ghép video đỡ khổ hơn.

Chốt lại

Nói thật lòng: thu âm audiobook bằng ai miễn phí hay lồng tiếng video bằng ai miễn phí, công cụ thì miễn phí hết, công sức nằm ở mười phút thu âm mẫu. Lần sau làm ra nghe như robot, đừng vội đổi trang, quay lại thu audio mẫu lần nữa — tìm một góc thật yên, dùng đúng giọng bạn vẫn nói hằng ngày, cười cười nói hết ba mươi giây đó.

Thử một lần là bạn thấy khác liền. Muốn đọc thêm mẹo thu âm và nhân bản, ghé trang hướng dẫn của VoxClone, toàn bài thực hành, không lý thuyết suông.