Hôm qua tối, đang ngồi cà phê đá ở quán góc phố, bỗng nghe bạn bè nói: "Mày thấy kênh YouTube kia đọc truyện ma hay quá, giọng nào mà tự nhiên thế?" Tôi cười nhạo: "Chắc dùng AI rùi, free mà nghe như thật." Đêm đó tôi quyết định thử ngay, và kết quả khiến tôi phải 인정: chỉ với một chiều làm việc, một cuốn tiểu thuyết ngắn đã biến thành file audio đủ chất để up lên Voiz và TikTok.

Chuẩn bị "mẫu giọng" – đừng vội vàng bấm record

Nhiều người nghĩ chỉ cần nói vài câu vào micro là xong. Thực tế, công cụ miễn phí đối xử khắt khe với chất lượng mẫu hơn bản trả phí rất nhiều. Tôi chọn phòng tắm – gạch men hút âm tốt – đặt điện thoại cách miệng 15‑20 cm, bật ứng dụng ghi âm gốc, đọc một bài báo khoa học khoảng 10 phút, tốc độ 200 từ/phút. Quan trọng: không dùng giọng phát thanh, hãy để尾 âm đều, không lên cao ở cuối câu. Sau khi xong, cắt bỏ khoảng lặng đầu/cuối và tiếng thở, xuất ra WAV (MP3 nén mất chi tiết âm màu).

Lần đầu clone trên web666.cc

Mở trang chủ, chọn mục Nhân bản giọng nói. Đăng ký xong, trang yêu cầu tải mẫu lên. Mẹo nhỏ: chia mẫu thành 3 đoạn, mỗi đoạn 3‑4 phút thay vì một file dài. Vì bộ nhớ GPU của phiên bản free bị giới hạn, file dài sẽ bị hạ sampling rate khiến giọng nghe ù ù. Upload từng đoạn, chờ 5‑10 phút, sau đó bấm Thử nghe với câu "Xin chào, đây là giọng thử". Nghe kỹ hai điểm: âm "x" trong "xin" có rõ không, và cuối câu "giọng thử" có底 noise không. Nếu có, quay lại xóa đoạn lặng quá nhỏ rồi upload lại.

Chia nhỏ nội dung – đừng dán cả chương vào ô TTS

Đây là hố lớn nhất. Nếu dán toàn bộ chương vào ô nhập liệu, AI sẽ đọc liền mạch, không phân biệt lời thoại và lời kể. Tôi mở Google Docs, tách thành hai cột: Lời kể và Lời thoại. Với lời thoại, chèn thẻ cảm xúc dạng [vui], [buồn], [gấp] ngay trước câu – đây là tính năng ẩn của trang TTS động mà ít hướng dẫn nhắc đến. Mỗi lần sinh tối đa 500 ký tự; đoạn dài sẽ bị "mất tập trung" khiến tốc độ đọc tăng dần. Sau khi có các file mp3 riêng, dùng CapCut hoặc Audacity ghép theo thứ tự, chèn 0,3 giây lặng giữa các đoạn để nghe như người thật đang hít thở.

"Làm người" cho giọng AI – mix thêm lớp chuẩn và nhạc nền

Giọng clone vẫn còn máy móc ở chỗ dừng quá ngắn: dấu phẩy 0,2 giây, dấu chấm 0,2 giây thay vì 0,5/1 giây như người. Cách khắc phục: chạy lại toàn bộ chương bằng giọng chuẩn của web666.cc (ví dụ "Nam ấm áp" hoặc "Nữ tri thức"), sau đó kết hợp hai track: track clone để âm lượng 70 %, track chuẩn để 10 %. Kết quả là tiếng thở, rít nhẹ của giọng chuẩn "làm mềm" cái cứng của clone. Cuối cùng, tải một đoạn white‑noise "quán cà phê mưa đêm" từ YouTube Library, chỉnh âm lượng -30 dB, mix vào track nền. Nhạc nền che đi hoàn toàn dải 2‑4 kHz nơi giọng AI thường toát ra cảm giác nhựa. Thực test up lên Voiz, tỷ lệ duyệt tăng rõ rệt so với file dry voice.

Kết quả và lời khuyên cuối

Sau quy trình trên, một tiếng làm ra được khoảng 15 phút audio thành phẩm, chất lượng đủ để đăng ký kênh audiobook trên Voiz, TikTok Reels hay YouTube Shorts. Tự nhiên, free tool vẫn có giới hạn: câu quá dài đôi khi bị nuốt chữ, cảm xúc phức tạp như khóc, cười lạnh chưa bắt được. Nhưng với thể loại trinh thám, lịch sử, khoa học phổ thông – nó đủ dùng. Khi kênh đã có vài nghìn nghe, mới cân nhắc nâng cấp bản trả phí. Quan trọng nhất: đã chạy được vòng tròn từ văn bản đến xuất bản, rồi mới lo hoàn thiện âm chất.

Mẹo nhỏ: Nếu không muốn đăng ký tài khoản, hãy thử tính năng voice clone không cần đăng ký trên trang – chỉ cần kéo thả file WAV là xong, rất tiện cho các project gấp.

Hãy thử ngay hôm nay, ghi âm một đoạn 10 phút rồi xem phép màu xảy ra. Nếu vướng chỗ nào, để lại bình luận bên dưới, mình sẽ cùng thảo luận thêm.