Tuần trước, mình ngồi cà phê với thằng bạn làm content cho kênh TikTok về ẩm thực Sài Gòn. Nó khoe video mới đạt 200k view nhờ giọng đọc “nghe như người thật” – nhưng thật ra là giọng AI. Mình cười khẩy, bảo “giọng AI đọc tiếng Việt nghe khó ưa lắm, dấu huyền dấu nặng sai be bét”. Nó không nói gì, đưa điện thoại cho mình nghe thử. Ấn tượng đầu tiên: ủa, sao tự nhiên vậy? Không có cái kiểu đọc “rô-bốt” mà mình từng ghét. Tò mò, mình quyết định tự thử. Và đó là lúc mình bắt đầu hành trình từ một kẻ hoài nghi thành người dùng giọng AI hằng tuần.

Cú vấp đầu tiên: thu âm bằng điện thoại trong quán cà phê

Mình mở web vi.web666.cc – nghe nói miễn phí, không cần đăng ký, chỉ cần upload vài giây giọng nói là clone được. Mình nghĩ “dễ ợt”, mở app ghi âm trên iPhone, ngồi ngay trong quán, xung quanh ồn ào tiếng tách tách, tiếng người nói chuyện. Mình đọc một đoạn trong bài báo về giá xăng, khoảng 20 giây, rồi upload thẳng vào trang clone. Bấm nút, chờ 2 phút, nghe kết quả. Thảm họa.

Giọng clone ra nghe như mình đang nói chuyện dưới đáy giếng, có tiếng rè rè, vài chỗ nuốt chữ. Dấu hỏi ngã lẫn lộn. Mình đọc lại văn bản “Tôi muốn hỏi bạn một câu” mà nó đọc thành “Tôi muốn hõi bạn một câu”. Nghe xong mình tắt ngay, tưởng tool này dở tệ. Nhưng khoan – mình soi lại file ghi âm. Trời, mình thu trong quán ồn, có tiếng ly va, tiếng máy xay cà phê. Chất lượng âm thanh kém là lỗi tại mình chứ không phải tool.

Bài học số 1: âm thanh đầu vào quyết định 90% kết quả

Sau lần đó, mình về nhà, đóng cửa phòng, bật quạt nhỏ ra chỗ khác, ngồi trong chăn bông để hút tiếng vang. Dùng mic của tai nghe AirPods, đặt cách miệng 10cm, đọc chậm và rõ từng chữ. Lần này thu 30 giây, vì mình đọc kỹ hơn. Upload lại vào trang clone. Kết quả khác hẳn – giọng mình rõ, tự nhiên, đọc dấu đúng hơn hẳn. Mình nhận ra: không phải cứ có tool miễn phí là tự động hay, mà mình phải biết cách thu âm. Trang web có hướng dẫn rất chi tiết: yêu cầu môi trường yên tĩnh, mic tốt, đọc rõ ràng, không cắt ngang. Nhưng lúc đầu mình lười đọc, giờ mới thấm.

Giọng đọc AI miễn phí vs bản trả phí – mình thử cả hai

Sau khi clone được giọng ưng ý, mình tự hỏi: nếu mình trả tiền cho mấy dịch vụ TTS nổi tiếng như ElevenLabs hay Google WaveNet thì có hơn không? Mình quyết định thử. Đăng ký gói dùng thử của ElevenLabs – được 10 phút đọc miễn phí mỗi tháng. Mình clone giọng bằng cùng một file thu âm, rồi so sánh với bản miễn phí của vi.web666.cc.

Kết quả: bản trả phí nghe mượt hơn một chút ở chỗ ngắt nghỉ, nhưng bản miễn phí cũng rất ổn – đặc biệt là đọc đúng dấu tiếng Việt. Có đoạn mình đọc “Một con mèo đang ngồi trên mái nhà” thì cả hai đều đọc chuẩn, không bị vấp. Điểm khác biệt lớn nhất là tốc độ xử lý: bản trả phí xử lý nhanh hơn, nhưng bản miễn phí cũng chỉ mất khoảng 30 giây cho một đoạn 100 từ – chấp nhận được. Về độ tự nhiên, mình cho bản miễn phí 8/10, bản trả phí 8.5/10. Khác biệt rất nhỏ, nhưng giá thì khác xa: bản trả phí 5 đô/tháng cho 30 phút, còn bản miễn phí thì không tốn gì.

Cách mình dùng giọng clone để làm video TikTok – và vấn đề bản quyền

Mình làm kênh TikTok về review sách, trước giờ toàn đọc voice-over bằng giọng thật. Nhưng mỗi lần quay video mất cả buổi, vì nói sai là phải quay lại. Giờ mình soạn kịch bản, dán vào trang TTS, chọn giọng clone của mình, tải file mp3 về ghép với hình ảnh. Mất khoảng 10 phút cho một video, thay vì 1 tiếng như trước. Lượt xem tăng đều vì giọng nghe tự nhiên, người xem không nhận ra là AI.

Nhưng có một chuyện mình phải cảnh báo: bản quyền. Mình từng thử clone giọng của một YouTuber nổi tiếng để làm video chế, nghe vui lắm, nhưng bạn ấy có thể kiện mình vì dùng giọng mà không xin phép. Ở Việt Nam, luật sở hữu trí tuệ ngày càng chặt, mình không muốn dính kiện tụng. Từ đó mình chỉ clone giọng của mình hoặc của người thân được đồng ý. Còn nếu muốn giọng khác, mình dùng giọng có sẵn trong thư viện của trang – họ có mấy giọng đọc tin tức nghe cũng được.

Những lỗi người mới hay gặp – và cách tránh

Mình thấy nhiều bạn vào trang dynamic hỏi sao clone ra giọng bị rè, bị méo. Lý do thường là:

  • Thu âm bằng mic laptop rẻ tiền, hoặc trong phòng có tiếng quạt, tiếng ồn từ đường.
  • Đọc quá nhanh, nuốt âm cuối.
  • Upload file quá ngắn (dưới 5 giây) – tool không đủ dữ liệu để học.
  • Dùng nhạc nền trong lúc thu – nhạc sẽ lẫn vào giọng.

Mình từng mắc cả 4 lỗi này. Bây giờ mình có checklist: tắt quạt, đóng cửa, dùng mic phone, đọc chậm, thu ít nhất 20 giây, và nghe lại file trước khi upload. Chỉ cần vậy là giọng clone nghe mượt ngay.

Phần mềm chỉnh giọng hát miễn phí – một nhánh khác mình ghé thử

Nhân tiện, mình có thử mấy phần mềm chỉnh giọng hát miễn phí vì nghe nói có thể dùng để autotune giọng hát của mình rồi clone thành giọng hát AI. Nhưng thật sự thì mấy cái đó phức tạp hơn, cần cài đặt phần mềm, cần xử lý MIDI, mình không rành. Còn với giọng đọc thường thì web TTS này đủ dùng. Nếu bạn muốn hát, mình khuyên nên tìm hiểu kỹ hơn, đừng nhầm lẫn giữa clone giọng nói và clone giọng hát – hai thứ khác nhau.

Tổng kết – nhưng không phải kiểu liệt kê khô khan

Mình từng nghĩ giọng AI tiếng Việt chỉ dành cho mấy kênh tin tức đọc chán ngắt. Giờ mình dùng nó hằng tuần để làm video, tiết kiệm thời gian, mà giọng nghe vẫn là của mình. Tất nhiên, không gì thay thế được giọng thật khi cần cảm xúc – nhưng với video hướng dẫn, review, kể chuyện, thì giọng clone miễn phí quá đủ. Nếu bạn đang phân vân, mình khuyên: thử ngay với một file thu âm sạch, đừng nản sau lần đầu thất bại. Chính mình từng suýt bỏ cuộc, nhưng giờ thì làm video nhanh gấp đôi. Còn bạn, bạn sẽ dùng giọng clone để làm gì? Kể mình nghe với nhé.