Giọng đọc AI tiếng Việt hiện nay thường lộ ở ngữ điệu đều và đúng quá mức, chỗ ngắt nghỉ rơi theo dấu câu thay vì theo ý, thiếu hơi thở và tiếng động nhỏ, đọc sai hoặc lúng túng với từ viết tắt, tên riêng, từ mượn, và giọng địa phương không nhất quán. Với đoạn ngắn và giọng nhân bản chất lượng cao, tai người thường không đủ để phân biệt, nên cần thêm nhãn và nguồn để biết chắc.
Bài này viết cho người nghe sách nói, người xem video có lời bình, người hay nghe quảng cáo trên mạng, và cho cả người làm nội dung muốn hiểu giọng đọc của mình nghe ra sao với khán giả. Phần lừa đảo bằng giọng giả qua điện thoại thuộc mảng an toàn thông tin và có hướng dẫn riêng trên trang AI Bảo Mật; ở đây chỉ bàn giọng trong nội dung phát hành.
Giọng đọc AI và giọng nhân bản khác nhau thế nào
Giọng đọc AI theo nghĩa rộng là giọng do máy tổng hợp từ văn bản. Có hai nhóm hay gặp. Nhóm thứ nhất là giọng có sẵn của công cụ: một bộ giọng nam, nữ, theo miền, được huấn luyện từ dữ liệu của người đọc chuyên nghiệp đã đồng ý. Nhóm thứ hai là giọng nhân bản: công cụ học từ vài phút đến vài giờ ghi âm của một người cụ thể rồi đọc bất kỳ văn bản nào bằng giọng của người đó.
Giọng có sẵn thường dễ nhận ra hơn vì nhiều kênh cùng dùng; nghe vài video là bạn nhận ra cùng một giọng xuất hiện ở các kênh không liên quan. Giọng nhân bản khó hơn vì nó mang đặc điểm riêng của một người thật, kể cả âm sắc và một số thói quen phát âm. Nếu bạn quen người đó, bạn có lợi thế; nếu không quen, việc phân biệt dựa chủ yếu vào ngữ điệu và nhịp.
Trong cả hai trường hợp, cơ chế chung là máy dự đoán âm thanh phù hợp nhất cho từng đoạn văn bản. Nó làm rất tốt những gì phổ biến trong dữ liệu, và kém đi ở những gì hiếm: từ lạ, câu cảm xúc mạnh, cách nói đặc trưng một vùng hẹp. Đó là lý do các dấu hiệu dưới đây tập trung ở những chỗ hiếm.
Sáu dấu hiệu tai người còn bắt được
Ngắt nghỉ theo dấu câu, không theo ý. Người đọc thật ngắt để nhấn ý, có khi ngắt giữa câu dài, có khi đọc liền hai câu ngắn. Giọng máy thường ngắt đúng ở dấu phẩy, dấu chấm, với độ dài gần như bằng nhau mỗi lần.
Ngữ điệu đúng nhưng phẳng. Thanh điệu tiếng Việt được máy xử lý khá tốt, nhưng sự lên xuống của cả câu, phần thể hiện thái độ, hay đều đều. Câu hỏi tu từ, câu đùa, câu cảnh báo đều được đọc với cùng một sắc thái.
Thiếu hơi thở hoặc hơi thở lặp lại. Đọc dài mà không có tiếng lấy hơi là bất thường. Một số công cụ chèn tiếng thở giả, nhưng tiếng thở đó thường giống hệt nhau và đặt ở vị trí đều đặn.
Lúng túng với chữ viết tắt, số, tên riêng. Chữ viết tắt bị đọc thành từng chữ cái hoặc đọc theo kiểu tiếng Anh, số có đơn vị đọc sai thứ tự, tên người nước ngoài và từ mượn phát âm lai. Người đọc thật sẽ đọc tự nhiên theo cách người Việt quen dùng.
Giọng miền không nhất quán. Một giọng nam miền Nam có thể đột nhiên phát âm một vài từ theo kiểu miền Bắc, hoặc âm cuối thay đổi giữa các câu. Đây là dấu hiệu khá rõ với người nghe là người địa phương đó.
Cảm xúc không đổi theo nội dung. Đoạn văn kể chuyện buồn và đoạn quảng cáo vui được đọc bằng cùng một độ tươi. Người đọc chuyên nghiệp thay đổi cường độ, tốc độ, độ ấm theo nội dung; giọng máy thường chỉ thay đổi khi người làm chỉnh tay từng đoạn.
Dấu hiệu theo từng loại nội dung
Mỗi loại nội dung có chỗ dễ lộ riêng. Biết chỗ cần nghe giúp bạn không mất thời gian nghe hết.
| Loại nội dung | Chỗ nên nghe kỹ | Dấu hiệu hay gặp |
|---|---|---|
| Sách nói, truyện đọc | Đoạn hội thoại có nhiều nhân vật | Mọi nhân vật cùng một giọng, chỉ đổi độ cao; lời thoại cảm xúc đọc như lời kể |
| Video có lời bình | Đoạn có tên riêng, số liệu, từ tiếng Anh | Phát âm lai, đọc sai đơn vị, nhấn sai trọng âm |
| Quảng cáo ngắn | Câu kêu gọi cuối video | Câu cảm thán đọc phẳng, không có độ hào hứng thật |
| Bản tin, thông báo | Chuyển đoạn giữa các tin | Không có câu nối tự nhiên, khoảng lặng bằng nhau |
| Video người dẫn ảo | So tiếng với khẩu hình | Giọng tự nhiên hơn hình, hoặc ngược lại; xem thêm bài dấu hiệu người dẫn ảo |
| Bài giảng | Chỗ giáo viên thường giải thích thêm | Không có câu chêm, không có hỏi lại, không có ví dụ ngẫu hứng |
Bảng này không dùng để bắt lỗi người làm nội dung. Rất nhiều kênh dùng giọng đọc AI một cách minh bạch và hợp lý, ví dụ người làm nội dung không muốn dùng giọng thật, hoặc cần đọc nhanh một khối lượng lớn. Điều đáng hỏi không phải là có dùng giọng AI hay không, mà là có báo cho người nghe không.
Giới hạn của tai người: khi nào không nên tin vào cảm giác
Các thử nghiệm cho người nghe phân biệt giọng thật và giọng tổng hợp, do nhiều nhóm nghiên cứu thực hiện, thường cho thấy một điểm chung: người nghe vẫn bị nhầm ở một tỉ lệ đáng kể, và càng nhầm nhiều khi giọng có chất lượng cao, đoạn nghe ngắn. Cảm giác tự tin cũng không đáng tin, người chắc chắn mình nghe ra vẫn có thể sai.
Có ba tình huống bạn đặc biệt không nên tin vào tai mình. Thứ nhất, đoạn âm thanh ngắn dưới nửa phút, không đủ để lộ các dấu hiệu về nhịp và cảm xúc. Thứ hai, âm thanh đã bị nén mạnh hoặc lẫn tiếng ồn, khiến cả giọng thật lẫn giọng máy đều méo. Thứ ba, giọng của người bạn không quen, vì khi đó bạn không có mẫu để so.
Với những tình huống đó, câu trả lời đúng là "không xác định được bằng tai". Bước tiếp theo là kiểm nhãn, kiểm nguồn đăng, kiểm thông tin nguồn gốc hay thuỷ vân âm thanh nếu có tệp gốc, và khi cần thì hỏi trực tiếp người được cho là đang nói. Nếu đoạn âm thanh dùng để đòi tiền hay ép làm gì gấp, hãy coi như có thể là giả cho đến khi xác minh xong.
Tập nghe để nhạy hơn
Bạn có thể luyện tai trong vài buổi, nhất là nếu làm nghề liên quan đến nội dung. Cách luyện đơn giản:
- Chọn một đoạn văn khoảng một trăm chữ có tên riêng, số và một câu cảm xúc.
- Tự đọc và ghi âm đoạn đó bằng giọng của chính bạn.
- Dùng công cụ đọc văn bản phổ biến tạo bản giọng máy của cùng đoạn, không dán thông tin cá nhân hay nội bộ vào.
- Nghe xen kẽ hai bản, ghi lại những chỗ khác nhau: ngắt nghỉ, số, tên riêng, câu cảm xúc, hơi thở.
- Lặp lại với giọng miền khác và với đoạn văn khác thể loại, ví dụ một đoạn hội thoại.
- Sau vài lần, nghe một đoạn bất kỳ trên mạng và thử đoán, rồi kiểm lại bằng nhãn hoặc nguồn để biết mình đúng sai ở đâu.
Bài tập này không biến bạn thành máy phát hiện, nhưng giúp bạn biết những chỗ nào cần dừng lại nghe kỹ, và quan trọng hơn là hiểu rõ giới hạn của chính mình. Người làm nội dung cũng có thể dùng nó để chỉnh giọng đọc AI của kênh cho tự nhiên hơn, rồi vẫn gắn nhãn đầy đủ.
Người làm nội dung dùng giọng AI nên ghi gì cho người nghe
Người nghe không cần biết mọi chi tiết kỹ thuật, nhưng cần đủ thông tin để không bị hiểu nhầm:
- Giọng đọc là giọng tổng hợp có sẵn hay giọng nhân bản của một người cụ thể.
- Nếu là giọng nhân bản, đó là giọng của ai và người đó đã đồng ý; nếu là giọng của chính bạn thì ghi "giọng nhân bản của chính chủ kênh".
- Nội dung do ai viết và kiểm, để người nghe biết ai chịu trách nhiệm.
- Với sách nói, ghi ở phần giới thiệu và đọc một câu nhãn ở đầu mỗi chương hoặc ít nhất đầu tệp.
- Với quảng cáo, ghi tách bạch giữa thông tin có tài trợ và thông tin dùng giọng AI.
- Với bản dịch lồng tiếng, ghi rõ được dịch và đọc bằng AI, để người nghe bản ngữ không nghĩ người nói gốc tự nói ngôn ngữ đó.
Những dòng này mất vài giây để viết nhưng giữ lòng tin của người nghe lâu dài. Phần quyền với giọng nói của người khác, kể cả người lồng tiếng chuyên nghiệp, có trong danh mục quyền hình ảnh và giọng nói của trang.
Giọng nhân bản của người quen: chỗ người thân dễ nghe ra
Từ quen miệng biến mất. Mỗi người có vài từ đệm, câu cửa miệng, cách gọi riêng như cách gọi tên con cháu. Giọng nhân bản đọc theo kịch bản do người khác viết nên thường thiếu đúng những thứ đó, hoặc dùng cách xưng hô người đó không bao giờ dùng.
Âm sắc giống nhưng tính cách không giống. Một người vốn nói chậm, hay đùa, lại nói nhanh và nghiêm túc lạ thường. Người ngoài không thấy gì, nhưng người thân thấy ngay có gì đó sai.
Chất lượng thu âm quá tốt so với hoàn cảnh. Người quen gửi tin nhắn thoại thường có tiếng xe, tiếng gió, tiếng trẻ con. Một đoạn giọng trong trẻo như thu trong phòng thu, mà được nói là ghi ở ngoài đường, là điều đáng nghi.
Nội dung không khớp với điều bạn biết. Người đó không bao giờ quảng cáo sản phẩm, không làm nghề liên quan, hoặc đang ở một nơi khác. Kiểm nội dung bao giờ cũng dễ hơn kiểm âm thanh.
Thiếu phản ứng với hoàn cảnh chung. Người thật hay nhắc tới chuyện vừa xảy ra trong nhà hoặc trong nhóm. Giọng nhân bản trong một đoạn ghi sẵn không biết những chuyện đó, nên nói chung chung, không có chi tiết riêng nào.
Câu hỏi thường gặp
Giọng đọc AI tiếng Việt bây giờ đã giống người thật chưa?
Với đoạn đọc thông tin ngắn, nhiều giọng đã rất gần người thật. Khác biệt còn rõ ở đoạn dài có cảm xúc, hội thoại nhiều nhân vật, từ viết tắt và tên riêng. Chất lượng thay đổi nhanh theo từng phiên bản công cụ.
Có cách nào kiểm một đoạn ghi âm là giọng AI bằng phần mềm không?
Có một số công cụ phát hiện và một số công cụ tạo giọng có cài thuỷ vân âm thanh để kiểm. Độ tin cậy khác nhau và giảm khi âm thanh bị nén hay cắt ghép. Nên dùng kết quả như một tín hiệu, cùng với nguồn đăng và nhãn.
Sách nói dùng giọng AI có kém hơn sách nói người thật đọc không?
Không nhất thiết kém về thông tin, nhưng thường kém ở cảm xúc và hội thoại. Với sách kiến thức, giọng AI tốt có thể đủ dùng. Với truyện, văn chương, nhiều người nghe vẫn chuộng người đọc thật. Quan trọng là được báo trước để tự chọn.
Người lồng tiếng chuyên nghiệp có cần lo bị nhân bản giọng không?
Có, và nên đưa điều khoản về nhân bản giọng vào hợp đồng: được dùng giọng để huấn luyện AI hay không, trong phạm vi nào, có thù lao riêng không, xoá khi nào. Phần quyền người biểu diễn có bài riêng trên trang AI Nghệ Thuật.
Vì sao giọng AI hay đọc sai số và đơn vị?
Vì cách đọc số tiếng Việt phụ thuộc ngữ cảnh: năm, giá, số điện thoại, phần trăm, số thứ tự đều đọc khác nhau. Máy phải đoán ngữ cảnh và hay đoán sai với câu ngắn. Người làm nội dung nên viết số thành chữ ở những chỗ quan trọng trước khi cho máy đọc.
Nghe ra giọng một người quen trong quảng cáo lạ thì nên làm gì?
Đừng chia sẻ và đừng làm theo lời kêu gọi trong quảng cáo. Báo cho người quen qua kênh liên lạc bạn đã biết từ trước để họ kiểm và báo cáo với nền tảng. Nếu quảng cáo kêu gọi chuyển tiền hay đầu tư, xem hướng dẫn chống lừa đảo trên trang AI Bảo Mật.