AI tạo giọng nói (text-to-speech, TTS) đọc văn bản qua ba khâu: chuẩn hoá chữ thành cách đọc, dự đoán ngữ điệu (ngắt nghỉ, cao độ, tốc độ), rồi sinh ra sóng âm từng phần nhỏ của giây. Các hệ thống đời mới dùng mạng nơ-ron học từ hàng nghìn giờ giọng người thật nên nghe tự nhiên hơn hẳn kiểu giọng robot đều đều trước đây.
Nhân bản giọng là biến thể của kỹ thuật này: mô hình đã học cách nói chung của rất nhiều người, giờ chỉ cần một đoạn mẫu ngắn, có khi vài giây đến vài chục giây, để bắt chước âm sắc của một người cụ thể. Chính vì dễ như vậy nên dùng giọng người khác phải được họ cho phép.
Đường đi từ dòng chữ đến tiếng nói
Lấy ví dụ câu "Hẹn gặp lúc 7h30 ngày 15/10 tại P.302". Hệ thống TTS xử lý lần lượt:
- Chuẩn hoá văn bản: đổi mọi thứ không phải chữ thường thành chữ đọc được. "7h30" thành "bảy giờ ba mươi", "15/10" thành "mười lăm tháng mười" chứ không phải "mười lăm phần mười", "P.302" thành "phòng ba trăm linh hai" hoặc "ba không hai" tuỳ ngữ cảnh. Khâu này hay sai nhất với tiếng Việt vì cách viết tắt rất đa dạng.
- Chuyển chữ thành âm: tách từng âm tiết thành phụ âm đầu, vần và thanh điệu. Tiếng Việt viết khá sát cách đọc nên khâu này dễ hơn tiếng Anh, trừ từ mượn và tên riêng nước ngoài.
- Dự đoán ngữ điệu: quyết định chỗ nào ngắt, ngắt bao lâu, âm nào kéo dài, nhấn vào đâu, câu hỏi lên giọng ra sao. Mô hình học điều này từ giọng người thật đọc cả câu, không theo quy tắc viết tay.
- Tạo bản phổ âm thanh: mô hình âm học sinh ra một bức "ảnh" mô tả năng lượng của từng dải tần số theo thời gian (thường gọi là phổ mel), giống bản nháp của tiếng nói.
- Sinh sóng âm: bộ tạo sóng (vocoder) biến bản phổ thành dãy mẫu âm thanh thật, thường hai mươi mấy nghìn mẫu cho mỗi giây, đủ để loa phát ra.
Nhiều mô hình mới gộp các khâu sau lại làm một, hoặc đổi âm thanh thành chuỗi "token âm" rồi đoán token kế tiếp giống cách mô hình ngôn ngữ đoán chữ. Nhưng về logic, chuẩn hoá chữ, ngữ điệu và sinh sóng âm vẫn là ba việc phải làm.
Nhân bản giọng: vì sao chỉ cần vài giây mẫu
Giọng nói của mỗi người có hai lớp. Lớp chung là cách nói tiếng Việt: phát âm từng âm, đi thanh điệu, ngắt câu. Lớp riêng là âm sắc: độ trầm bổng gốc, độ khàn, độ vang mũi, thói quen kéo dài cuối câu. Mô hình nhân bản giọng đã học lớp chung từ hàng nghìn người nói, nên khi gặp giọng mới nó chỉ cần nắm lớp riêng.
Đoạn mẫu được nén thành một dãy số gọi là dấu vân giọng (speaker embedding), giống toạ độ của giọng đó trong không gian các giọng đã biết. Khi đọc văn bản mới, mô hình dùng dấu vân này để "tô màu" cho tiếng nói. Kiểu nhân bản tức thì này chỉ cần khoảng vài giây đến nửa phút mẫu, nhưng giọng ra thường giống ở âm sắc mà chưa giống thói quen nói.
Muốn giống sâu hơn, người ta tinh chỉnh mô hình trên vài chục phút đến vài giờ thu âm sạch của đúng người đó. Lúc này mô hình bắt được cả nhịp, cách nhấn, tiếng thở. Chất lượng mẫu quan trọng hơn độ dài: một phút thu trong phòng yên tĩnh, micro cách miệng một gang tay, cho kết quả tốt hơn mười phút thu ngoài quán có tiếng nhạc.
Hệ quả đáng lo: chỉ một đoạn video ngắn bạn đăng công khai cũng có thể bị dùng làm mẫu. Đây là lý do kẻ gian giả giọng người thân gọi điện vay tiền, và lý do mọi cuộc gọi đòi chuyển tiền gấp đều nên được xác minh lại bằng kênh khác.
Tiếng Việt khó với AI giọng nói ở đâu
Tiếng Việt có những đặc điểm khiến mô hình học từ tiếng Anh không dùng lại được nguyên xi:
| Đặc điểm | Vì sao khó | Lỗi thường nghe thấy |
|---|---|---|
| Sáu thanh điệu | Cao độ mang nghĩa: "ma, mà, má, mả, mã, mạ" là sáu từ khác nhau. Ngữ điệu câu không được lấn át thanh của từng chữ. | Đọc lệch thanh khi lên giọng cuối câu hỏi, "nặng" nghe như "huyền" |
| Giọng vùng miền | Giọng Bắc phân biệt hỏi và ngã; nhiều vùng phía Nam gộp hai thanh này, phát âm "v", "r", vần "-an/-ang" khác nhau. | Lẫn giọng Bắc Nam trong cùng câu nếu dữ liệu trộn lẫn |
| Viết tắt, số, ký hiệu | TP., Q.1, km/h, 1.000 (dấu chấm phân nghìn), %, đơn vị tiền tệ | Đọc "một chấm không không không" thay vì "một nghìn" |
| Từ mượn, tên riêng | Tên thương hiệu, thuật ngữ tiếng Anh xen lẫn trong câu tiếng Việt | Phiên âm lơ lớ hoặc đánh vần từng chữ cái |
| Dữ liệu ít hơn tiếng Anh | Kho thu âm có văn bản đi kèm, chất lượng cao, đủ vùng miền còn hạn chế | Giọng đọc tin tức ổn nhưng đọc truyện, hội thoại thiếu cảm xúc |
Mẹo khi dùng: tự viết số và viết tắt thành chữ trước khi đưa vào ("15/10" viết thành "ngày mười lăm tháng mười"), chèn dấu phẩy chỗ muốn ngắt, và nghe lại toàn bộ trước khi xuất bản.
Những ứng dụng chính đáng
Sách nói và báo nói. Biến sách, bài báo thành âm thanh để nghe khi lái xe, nấu ăn. Với sách dài hàng trăm trang, giọng AI giúp giảm đáng kể thời gian và chi phí thu âm, dù sách văn chương vẫn cần người đọc để giữ cảm xúc.
Hỗ trợ người khiếm thị và người khó đọc. Trình đọc màn hình trên điện thoại, máy tính dùng TTS để đọc tin nhắn, nút bấm, trang web. Giọng tự nhiên hơn giúp nghe lâu đỡ mệt. Người mắc chứng khó đọc hoặc người lớn tuổi mắt kém cũng hưởng lợi.
Giữ giọng cho người sắp mất giọng. Người bệnh cần phẫu thuật thanh quản hoặc mắc bệnh thần kinh tiến triển có thể thu âm giọng mình từ sớm để sau này máy đọc thay bằng chính giọng đó. Đây là một trong những ứng dụng nhân văn nhất của nhân bản giọng.
Lồng tiếng, thuyết minh, bài giảng. Video hướng dẫn, bài giảng trực tuyến, thông báo nội bộ có thể sửa lời rồi đọc lại trong vài phút thay vì hẹn thu âm. Lồng tiếng sang ngôn ngữ khác bằng chính giọng người nói gốc cũng đã làm được, với điều kiện được người đó đồng ý.
Trợ lý giọng nói và tổng đài. Hệ thống trả lời tự động đọc số dư, lịch hẹn, mã đơn hàng. Ở đây độ rõ ràng và đọc đúng con số quan trọng hơn cảm xúc.
Thử một giọng đọc AI: nghe gì để đánh giá
Trước khi chọn một công cụ đọc văn bản cho sách nói, video hay bài giảng, hãy đưa vào một đoạn thử "khó" thay vì câu chào đơn giản. Đoạn thử nên có:
- Số và ngày tháng: "Ngày 5/3/2025, giá tăng 12,5% lên 1.250.000 đồng." Nghe xem máy đọc đúng "năm tháng ba", "mười hai phẩy năm phần trăm", "một triệu hai trăm năm mươi nghìn" không.
- Cặp thanh dễ lẫn: "Cô ấy đã nghĩ kỹ, mãi mới chịu ngả lưng." Nghe thanh hỏi, ngã có rõ không và có giữ đúng giọng vùng đã chọn không.
- Câu hỏi và câu cảm: "Thật vậy sao? Trời ơi, mừng quá!" Giọng có lên xuống tự nhiên hay vẫn đều đều như câu kể.
- Câu dài nhiều dấu phẩy: kiểm chỗ ngắt hơi có hợp lý không, có hụt hơi ở cuối câu không.
- Từ tiếng Anh xen lẫn: "Mở email, bấm vào nút download." Nghe xem máy phiên âm có chấp nhận được với người nghe của bạn không.
- Đọc liền mười phút: một số giọng nghe hay ở câu đơn nhưng sau vài phút lộ nhịp lặp lại, dễ gây mệt tai.
Ghi chú lỗi theo từng loại, rồi so hai ba công cụ trên cùng một đoạn. Lỗi số và viết tắt sửa được bằng cách viết lại văn bản; lỗi thanh điệu và ngữ điệu thì khó sửa hơn nhiều, nên đó mới là tiêu chí quyết định.
Dùng giọng người khác: xin phép và giới hạn
Giọng nói gắn với danh tính, cũng như khuôn mặt. Nhân bản giọng của người khác mà không xin phép, dù để đùa vui, có thể xâm phạm quyền nhân thân của họ; dùng giọng giả để mạo danh vay tiền, lừa đảo là hành vi vi phạm pháp luật nghiêm trọng. Quy định cụ thể về giọng nói và nội dung do AI tạo đang được nhiều nước bổ sung, nên khi dùng cho mục đích thương mại, hãy kiểm văn bản pháp luật hiện hành và điều khoản của công cụ.
Thực hành tốt khi làm sản phẩm có giọng AI: có văn bản đồng ý của người cho giọng, ghi rõ được dùng vào việc gì, trong bao lâu, có trả thù lao không; ghi chú cho người nghe rằng đây là giọng tổng hợp; không nhân bản giọng người nổi tiếng hay người đã mất khi chưa có sự đồng ý của người có quyền. Nhiều dịch vụ uy tín yêu cầu người dùng đọc một câu xác nhận bằng chính giọng mình trước khi cho nhân bản, để chặn việc lấy trộm giọng.
Về phía bảo vệ bản thân: hạn chế đăng công khai đoạn ghi âm dài giọng nói rõ nét của trẻ em và người lớn tuổi trong nhà, thống nhất với người thân một câu hỏi hoặc mật khẩu riêng để xác minh khi có cuộc gọi bất thường đòi tiền gấp.
Câu hỏi thường gặp
Giọng AI tiếng Việt hiện nay nghe có giống người thật không?
Với văn bản tin tức, hướng dẫn, câu ngắn rõ ràng thì nhiều giọng đã rất khó phân biệt. Với truyện có hội thoại, cảm xúc mạnh, câu đùa hay giọng địa phương đặc sệt thì người nghe kỹ vẫn nhận ra chỗ ngắt lạ, nhấn sai hoặc cảm xúc phẳng.
Thu mẫu giọng để nhân bản cần chuẩn bị gì?
Chọn phòng yên tĩnh, ít vang, tắt quạt và điều hoà, micro cách miệng khoảng một gang tay. Đọc tự nhiên ở tốc độ thường ngày, đủ loại câu kể, câu hỏi, câu cảm. Tránh tiếng nhạc nền, tiếng nhiều người nói chồng lên nhau và âm thanh bị nén từ mạng xã hội.
Có chạy AI đọc văn bản ngay trên máy tính, không cần mạng không?
Có. Hệ điều hành máy tính và điện thoại thường có sẵn giọng đọc ngoại tuyến, chất lượng ở mức khá. Ngoài ra có những mô hình mã nguồn mở chạy trên máy cá nhân, cần card đồ hoạ để chạy nhanh. Giọng chất lượng cao nhất thường vẫn chạy trên máy chủ của nhà cung cấp.
Làm sao biết một đoạn ghi âm là giọng AI?
Nghe chỗ lấy hơi bất thường hoặc thiếu tiếng thở, thanh điệu lệch ở chữ cuối câu, âm thanh quá sạch không có tiếng phòng, hoặc giọng không đổi sắc thái dù nội dung căng thẳng. Cách chắc nhất vẫn là gọi lại cho người đó bằng số quen hoặc hỏi một chuyện chỉ hai bên biết.
Dùng giọng AI để làm video kiếm tiền có bị hạn chế không?
Mỗi nền tảng video có chính sách riêng về nội dung tổng hợp, một số yêu cầu gắn nhãn nội dung do AI tạo hoặc hạn chế kiếm tiền với nội dung lặp lại hàng loạt. Bạn cần đọc chính sách hiện hành của nền tảng và giấy phép của công cụ tạo giọng trước khi đăng.
