Trình tạo giọng nói AI là gì? Hướng dẫn dành cho người mới bắt đầu

Nếu bạn từng nghe một đoạn thuyết minh mượt mà trên YouTube hoặc một bài học e-learning rõ ràng và tự hỏi liệu có người thật nào đã thu âm nó hay không, thì bạn đã gặp công nghệ đứng sau câu hỏi này rồi. Trình tạo giọng nói AI là gì? Nói đơn giản, đó là phần mềm biến văn bản viết hoặc một tham chiếu âm thanh thành giọng nói được phát ra bằng các mô hình học máy, nhờ đó bạn có thể tạo lời thuyết minh mà không cần đặt phòng thu, micro hay diễn viên lồng tiếng cho mỗi lần thay đổi kịch bản. Chỉ một khả năng đó thôi cũng thay đổi cách những người sáng tạo nội dung, nhà tiếp thị, người xây dựng khóa học và lập trình viên lên kế hoạch cho công việc âm thanh của họ.

Hướng dẫn này giải thích trình tạo giọng nói AI thực sự là gì, nó tạo ra lời nói như thế nào, nó liên quan ra sao đến chuyển văn bản thành giọng nói và nhân bản giọng nói, cùng những tiêu chí thực sự quan trọng khi bạn chọn một công cụ. Chúng tôi tập trung vào quyết định, không phải sự thổi phồng: tính chân thực đơn thuần là lý do yếu để chọn một công cụ, bởi vì khả năng kiểm soát phát âm, phạm vi ngôn ngữ, quyền sử dụng và quyền riêng tư thường mới là yếu tố quyết định liệu một dự án có hoàn thành suôn sẻ hay không.

Mục lục

Trình tạo giọng nói AI thực sự tạo ra lời nói như thế nào

Hầu hết các trình tạo giọng nói AI chạy trên các mô hình chuyển văn bản thành giọng nói, hay TTS, và công việc diễn ra qua hai giai đoạn lớn: hệ thống phân tích văn bản của bạn, sau đó tổng hợp âm thanh từ phân tích đó. IBM mô tả các hệ thống TTS phân tích từ ngữ, dấu câu, cấu trúc câu, cách phát âm, thời gian và ngữ điệu trước khi chuyển đổi kết quả thành một dạng sóng âm thanh.

Trong giai đoạn phân tích, mô hình đọc nhiều hơn chỉ là các chữ cái thô. Nó xác định ranh giới câu, dấu câu và chỗ ngắt, chữ viết tắt và con số, cùng ngôn ngữ hoặc giọng điệu mong muốn. Điều này quan trọng vì văn bản viết hiếm khi cho bạn biết nó nên được đọc như thế nào. "Dr." có thể cần trở thành "Doctor," và một tên sản phẩm hay từ viết tắt kỹ thuật có thể cần một cách phát âm tùy chỉnh mà không quy tắc mặc định nào đoán được.

Tiếp theo, mô hình dự đoán cách truyền tải: cao độ, trọng âm, thời lượng âm vị, nhịp điệu, ngữ điệu và sắc thái cảm xúc. Tổng hợp lại chúng được gọi là ngữ điệu (prosody), và đó là thứ tách biệt một bài đọc đều đều với lời thuyết minh có thể phân biệt một câu hỏi với một câu khẳng định. Hệ thống sau đó chuyển phân tích đó thành các đặc trưng âm học được căn chỉnh theo thời gian, thường được biểu diễn dưới dạng quang phổ đồ (spectrogram) ánh xạ các thay đổi tần số theo thời gian.

Cuối cùng, một bộ mã hóa giọng nói thần kinh (neural vocoder) biến các đặc trưng âm học đó thành một dạng sóng âm thanh kỹ thuật số mà trình chỉnh sửa của bạn có thể phát hoặc xuất ra. IBM lưu ý rằng các hệ thống TTS thần kinh học mối quan hệ giữa ngôn ngữ và các đặc trưng âm học từ dữ liệu huấn luyện chứa các bản thu âm và bản ghi chép tương ứng. Nếu bạn muốn tìm hiểu sâu hơn về cơ chế của giai đoạn này, bài giải thích của chúng tôi về cách chuyển văn bản thành giọng nói thần kinh hoạt động phân tích quy trình chi tiết hơn.

Trình tạo giọng nói AI so với chuyển văn bản thành giọng nói so với nhân bản giọng nói

Những thuật ngữ này thường đi cùng nhau, nên người ta cho rằng chúng giống nhau. Chúng không giống nhau, và sự khác biệt làm thay đổi những gì bạn có thể làm với đầu ra, cả về mặt pháp lý lẫn thực tế.

Sự khác biệt thực tế nằm ở đầu vào và quyền gắn liền với nó. Một giọng TTS tiêu chuẩn được chọn từ thư viện của nhà cung cấp, vì vậy bạn có thể dùng nó ngay lập tức. Một giọng được nhân bản được xây dựng từ bản thu âm của một người cụ thể, nghĩa là sự đồng ý và quyền sử dụng phải được cân nhắc trước khi bạn tạo ra dù chỉ một từ. Xem hai thứ này như có thể thay thế cho nhau là lỗi phổ biến nhất của người mới bắt đầu, và đó là lỗi có hậu quả pháp lý lớn nhất.

Những gì bạn có thể tạo ra với nó

Phạm vi đầu ra rất rộng: thuyết minh YouTube, lồng tiếng cho nội dung mạng xã hội dạng ngắn, phần mở đầu podcast, bản nháp sách nói, demo sản phẩm, bài học khóa học trực tuyến, mô-đun đào tạo doanh nghiệp, video giải thích, lời thoại trò chơi, lời nhắc dịch vụ khách hàng, âm thanh trợ năng và các phiên bản đa ngôn ngữ của bất kỳ nội dung nào ở trên.

Giá trị tăng vọt khi nội dung thay đổi thường xuyên, cần nhiều ngôn ngữ, hoặc đòi hỏi nhiều phiên bản cho các đối tượng khác nhau. Một doanh nghiệp nhỏ có thể viết một kịch bản sản phẩm và tạo ra các biến thể bản địa hóa. Một nhà sáng tạo YouTube có thể thay thế một đoạn giới thiệu đã chỉnh sửa mà không cần thu lại toàn bộ video. Một đội ngũ e-learning có thể cập nhật một bài học sau khi chỉnh sửa một vài câu, thay vì đặt lại lịch với người thuyết minh. Nếu âm thanh của bạn được tạo một lần và không bao giờ chạm vào nữa, một trình tạo giọng nói sẽ ít hữu ích hơn; nếu nó thay đổi liên tục, nó sẽ rất hữu ích. Hướng dẫn của chúng tôi về chuyển văn bản thành giọng nói trực tuyến một cách nhanh chóng cho thấy bản nháp đầu tiên đó được tạo ra như thế nào trong thực tế.

Các loại giọng nói do AI tạo ra phổ biến

Không phải mọi lựa chọn giọng nói đều có cùng chi phí thiết lập hay cùng nghĩa vụ về quyền, vì vậy sẽ hữu ích khi tách ba danh mục thực tế trước khi bạn cam kết.

Giọng nói có sẵn là các giọng tổng hợp làm sẵn do nền tảng cung cấp, thường được sắp xếp theo phong cách, biểu hiện giới tính, độ tuổi, giọng điệu, ngôn ngữ, năng lượng và loại thuyết minh. Chúng có ngay lập tức và không cần giấy tờ đồng ý, điều này khiến chúng là lựa chọn mặc định phù hợp khi tốc độ và tính nhất quán quan trọng hơn việc khớp với một người cụ thể.

Giọng nói tùy chỉnh hoặc nhân bản được tạo ra từ bản thu âm của một người nói cụ thể, nhờ đó một nhà sáng tạo, thương hiệu hoặc tổ chức có thể giữ một người thuyết minh dễ nhận biết xuyên suốt nhiều video. Vì một giọng nói có thể gắn liền với danh tính và danh tiếng của một người thật, việc nhân bản chỉ nên diễn ra với sự cho phép có hiểu biết của người nói và trong khuôn khổ các quy tắc sử dụng của nhà cung cấp.

Giọng nhân vật và giọng biểu cảm hướng tới kể chuyện, trò chơi, hoạt hình hoặc tiếp thị, và chúng thường cung cấp khả năng kiểm soát tinh tế hơn về nhịp độ, nhấn mạnh, cảm xúc và phong cách nói. Sự biểu cảm có thể nâng cao mức độ tương tác, nhưng nó phải phù hợp với công việc: một bài đọc đầy kịch tính phù hợp với trailer hư cấu nhưng lại gây hại tích cực cho một hướng dẫn y tế hay một thông báo tuân thủ.

Những tiêu chí quyết định công cụ nào phù hợp

Trình tạo giọng nói AI tốt nhất phụ thuộc vào đầu ra bạn cần, không phải vào việc một đoạn clip demo nghe hay đến mức nào. Đây là những gì thực sự tách biệt một công cụ bạn có thể xuất bản với một công cụ bạn phải vật lộn.

Chất lượng giọng nói, được kiểm tra một cách trung thực. Hãy chạy một kịch bản đại diện qua nó, không phải một câu quảng cáo ngắn. Bao gồm các tên thật, thuật ngữ, dấu câu và độ dài câu từ dự án của bạn, rồi lắng nghe xem có tên bị phát âm sai, các khoảng dừng gượng gạo, nhấn mạnh không tự nhiên, từ bị lặp và cảm xúc đều đều hay bị phóng đại không.

Phạm vi ngôn ngữ và giọng điệu. Xác nhận công cụ hỗ trợ chính xác các ngôn ngữ và giọng điệu vùng miền bạn cần. Một nền tảng có thể hỗ trợ một ngôn ngữ trong giao diện của nó nhưng lại cung cấp ít giọng hơn hoặc phát âm yếu hơn trong ngôn ngữ đó. Đối với bản địa hóa, cũng hãy kiểm tra xem nó có xử lý dịch thuật, lồng tiếng, tính nhất quán giọng nói giữa các ngôn ngữ và căn chỉnh thời gian hay không.

Các điều khiển phát âm và cách truyền tải. Bạn cần một cách đáng tin cậy để sửa tên, từ viết tắt và con số thông qua từ điển phát âm, cách viết phiên âm hoặc định dạng có thể chỉnh sửa, cộng với các điều khiển cho tốc độ, khoảng dừng, nhấn mạnh, cao độ, tông giọng và cách truyền tải cảm xúc. Công cụ Chuyển văn bản thành giọng nói của chúng tôi cho phép bạn chọn từ hơn 300 giọng AI, điều chỉnh tốc độ nói, thêm cảm xúc thông qua thẻ hội thoại, nhấn mạnh từ ngữ và viết số ra chữ khi cần sửa cách phát âm.

Các tùy chọn chỉnh sửa, xuất file và API. Một trình chỉnh sửa trên trình duyệt có thể đủ cho các nhà sáng tạo. Các lập trình viên và agency thường quan tâm nhiều hơn đến việc tự động tạo âm thanh bên trong một ứng dụng hoặc quy trình video, nơi mà xác thực, các định dạng được hỗ trợ, tạo đồng bộ so với bất đồng bộ, giới hạn tốc độ và giá cả có thể dự đoán được đều quan trọng. Nếu bạn đang cân nhắc sử dụng theo kiểu lập trình, bài giới thiệu của chúng tôi về voice AI API là gì đề cập đến những điểm đánh giá đó một cách chi tiết.

Quyền thương mại và điều khoản sử dụng. Trước khi xuất bản, hãy xác nhận liệu việc sử dụng thương mại có được cho phép hay không, liệu âm thanh có thể chạy trong quảng cáo trả phí hay không, liệu việc nhân bản có yêu cầu tài liệu đồng ý hay không, và liệu giấy phép có thay đổi sau khi một gói đăng ký kết thúc hay không. Đừng giả định rằng một gói miễn phí cấp quyền thương mại không giới hạn.

Quyền riêng tư và xử lý dữ liệu. Các bản thu âm giọng nói có thể mang thông tin sinh trắc học, cá nhân hoặc nhạy cảm về mặt thương mại. Hãy xem xét thời gian lưu trữ, các điều khiển xóa, mã hóa và các chính sách về dữ liệu huấn luyện, đặc biệt là đối với bản thu âm của nhân viên, cuộc gọi của khách hàng, phương tiện truyền thông chưa phát hành và các giọng nói được nhân bản.

Những hạn chế và rủi ro đáng được xem xét nghiêm túc

Việc tạo giọng nói AI hữu ích, nhưng không phải là hoàn hảo tuyệt đối, và một vài rủi ro xứng đáng được chú ý thực sự.

Lỗi phát âm và ngữ cảnh là chuyện thường ngày: các mô hình đọc sai tên, các từ đồng tự, con số và thuật ngữ ngành, vì vậy nội dung pháp lý, tài chính, y tế, giáo dục và kỹ thuật luôn cần được nghe lại trước khi phát hành. Cảm xúc cũng có thể lệch; một giọng nói có thể nghe tự nhiên qua từng câu nhưng lại đặt sai điểm nhấn mạnh, khiến người nghe thấy phân tâm hoặc thậm chí gây hiểu lầm.

Những rủi ro nặng nề hơn liên quan đến danh tính. Việc nhân bản giọng nói có thể bị lạm dụng để bắt chước các thành viên gia đình, các lãnh đạo hoặc nhân vật công chúng. Ủy ban Thương mại Liên bang (FTC) cảnh báo rằng những kẻ lừa đảo sử dụng giọng nói được nhân bản để làm cho các yêu cầu về tiền hoặc thông tin cá nhân nghe đáng tin hơn, và họ khuyến nghị nên liên hệ độc lập với người được cho là đang nói thông qua một số điện thoại đáng tin cậy hoặc một kênh đã biết khác. NIST tương tự xác định nội dung tổng hợp, bao gồm cả âm thanh, là tư liệu có thể được sử dụng để đánh lừa mọi người hoặc hỗ trợ gian lận, bao gồm cả các nỗ lực đánh bại xác thực sinh trắc học.

Điều đó dẫn đến một bộ trách nhiệm thực tế: chỉ tạo giọng nói từ văn bản và bản thu âm mà bạn được phép sử dụng, có được sự đồng ý rõ ràng trước khi nhân bản bất kỳ ai, lưu giữ hồ sơ cho phép, và không bao giờ triển khai một giọng nói nhân bản để lừa dối. Kiểm chứng kịch bản trước khi tạo ra bản cuối cùng, công bố về việc thuyết minh tổng hợp khi sự minh bạch là phù hợp hoặc bắt buộc, bảo vệ các bản thu âm được tải lên, và chỉ định một người đánh giá cho nội dung có tác động lớn. Tự động hóa tạo ra âm thanh; nó không đảm bảo tính chính xác, sự phù hợp văn hóa hay sự an toàn.

Giọng nói AI hay diễn viên lồng tiếng con người?

Đây không phải là những lựa chọn thay thế tự động cho nhau, và câu trả lời trung thực cho nhiều đội ngũ là "cả hai, cho những công việc khác nhau."

Một cách phân chia phổ biến: để một giọng nói AI xử lý các bản nháp, đào tạo nội bộ, các phiên bản bản địa hóa và các bản cập nhật thường xuyên, trong khi một người trình diễn đảm nhận chiến dịch chủ lực hoặc tư liệu nhạy cảm về mặt cảm xúc. Hãy quyết định dựa trên nhu cầu chất lượng, quyền, quyền riêng tư, năng lực đánh giá, phạm vi ngôn ngữ và tổng chi phí sản xuất thay vì chỉ dựa vào độ hoàn thiện của bản demo. Khi mục tiêu là bản địa hóa, quy trình Lồng tiếng AI của chúng tôi lồng lại giọng cho nội dung hiện có trên 33 ngôn ngữ để một nguồn có thể tiếp cận nhiều thị trường.

Câu hỏi thường gặp

Trình tạo giọng nói AI là gì nói một cách đơn giản?

Đó là một công cụ tạo ra âm thanh được phát ra từ văn bản hoặc một đầu vào giọng nói khác. Hầu hết chạy trên các mô hình chuyển văn bản thành giọng nói được huấn luyện trên các bản thu âm giọng nói và bản ghi chép để tạo ra lời thuyết minh tổng hợp.

Trình tạo giọng nói AI có giống với chuyển văn bản thành giọng nói không?

Không phải lúc nào cũng vậy. Chuyển văn bản thành giọng nói là một loại của việc tạo giọng nói AI. Danh mục rộng hơn cũng bao gồm nhân bản giọng nói, chuyển đổi giọng nói thành giọng nói và lồng tiếng AI.

Giọng nói AI có thể nghe giống con người không?

Chúng có thể nghe rất tự nhiên, nhưng chất lượng thay đổi tùy theo nhà cung cấp, ngôn ngữ, giọng nói, kịch bản và cách truyền tải. Độ chính xác về phát âm và cảm xúc vẫn cần sự đánh giá của con người trước khi bạn xuất bản.

Tôi có thể sử dụng giọng nói do AI tạo ra trên YouTube không?

Thường là có, miễn là giấy phép của công cụ cho phép mục đích sử dụng dự định của bạn và nội dung tuân theo các chính sách của YouTube. Hãy kiểm tra các điều khoản sử dụng thương mại, quy tắc công bố, và các chính sách về nội dung gây hiểu lầm hoặc mạo danh.

Giọng nói do AI tạo ra có miễn phí không?

Một số dịch vụ cung cấp quyền truy cập miễn phí hoặc tín dụng miễn phí; những dịch vụ khác tính phí theo ký tự, thời lượng, tín dụng, đăng ký hoặc mức sử dụng API. Hãy so sánh tổng chi phí của khối lượng sản xuất dự kiến của bạn thay vì hạn mức miễn phí được quảng cáo.