Giọng đọc AI biến chữ thành tiếng qua ba chặng chính: chuẩn hoá văn bản để biết chữ nào đọc thế nào, dự đoán cách phát âm cùng ngữ điệu, rồi tạo ra sóng âm thanh. Các mô hình hiện nay làm cả ba chặng bằng mạng nơ-ron học từ hàng nghìn giờ ghi âm người đọc thật, nên giọng tự nhiên hơn hẳn giọng máy "đều đều" của mười năm trước.
Tuy vậy, nếu bạn từng nghe giọng AI đọc báo tiếng Việt, hẳn bạn đã gặp cảnh đọc "TP.HCM" thành từng chữ cái, "2/9" thành "hai phần chín", ngắt câu sai chỗ hay lên giọng ở cuối câu khẳng định. Bài này giải thích từng chặng của giọng đọc AI và vì sao tiếng Việt có những cái bẫy riêng. Giọng nói của một người cụ thể bị sao chép thì đã có bài riêng về nhân bản giọng nói trong danh mục này.
Từ một dòng chữ tới tiếng nói: các chặng bên trong
Các hệ thống khác nhau gộp hoặc tách các chặng theo cách riêng, nhưng về nguyên lý, câu chữ của bạn đi qua những bước sau trước khi thành âm thanh.
- Chuẩn hoá văn bản. Máy quyết định "15/10" là ngày tháng hay phân số, "Q.1" là "quận một", "kg" là "ki-lô-gam". Chữ viết có nhiều thứ không đọc theo đúng mặt chữ, và đây là chặng hay sai nhất.
- Chuyển chữ thành cách phát âm. Với tiếng Việt, đa số âm tiết đọc theo quy tắc khá đều, nhưng từ mượn tiếng nước ngoài, tên riêng, từ lóng thì cần quyết định riêng: đọc "email" theo kiểu Việt hoá hay giữ âm gốc.
- Dự đoán ngữ điệu. Chỗ nào ngắt, ngắt dài hay ngắn, từ nào nhấn, giọng lên hay xuống, đọc nhanh hay chậm. Chặng này quyết định giọng nghe "có hồn" hay đều đều.
- Tạo bản đồ âm thanh. Mô hình sinh ra một dạng biểu diễn trung gian mô tả âm thanh theo thời gian: lúc nào năng lượng ở tần số nào. Có thể hình dung như bản nhạc chi tiết, chưa phải tiếng.
- Tạo sóng âm. Một bộ phận gọi là bộ tạo sóng biến bản đồ đó thành sóng âm thật để phát ra loa. Chất lượng bộ phận này quyết định giọng nghe trong hay rè.
Nhiều mô hình mới gộp mấy chặng giữa làm một, đi thẳng từ chữ tới âm thanh. Cách gộp này cho giọng liền mạch hơn, nhưng khi sai thì cũng khó biết sai ở đâu để sửa. Chặng chuẩn hoá văn bản thì hầu như hệ thống nào cũng vẫn cần, vì nó phụ thuộc quy ước viết của từng ngôn ngữ.
Vì sao giọng máy ngày xưa nghe như robot
Những hệ thống đọc chữ đời đầu tạo âm thanh bằng các quy tắc mô phỏng bộ máy phát âm của người, cho ra giọng rõ chữ nhưng cứng, đặc trưng giọng máy trong phim khoa học viễn tưởng cũ. Thế hệ sau ghép âm: người ta thu một người đọc rất nhiều câu, cắt thành mảnh nhỏ, rồi khi cần đọc câu mới thì chọn mảnh phù hợp ghép lại. Giọng nghe giống người hơn, nhưng chỗ nối giữa các mảnh hay bị gợn, và ngữ điệu không liền mạch vì mỗi mảnh được cắt từ một câu khác.
Bước ngoặt đến khi mạng nơ-ron được dùng để tạo trực tiếp sóng âm. Năm 2016, DeepMind công bố WaveNet, một mô hình tạo âm thanh từng mẫu nhỏ một, cho giọng tự nhiên hơn hẳn cách ghép âm trong các phép thử nghe của họ. Phiên bản ban đầu rất chậm, nhưng mở ra hướng đi mà các hệ thống sau tối ưu dần. Từ đó, cả chặng dự đoán ngữ điệu lẫn chặng tạo sóng âm đều chuyển sang mô hình học từ dữ liệu.
Gần đây, một số giọng đọc được xây trên nền mô hình ngôn ngữ lớn, coi âm thanh cũng là một chuỗi "mẩu" để đoán tiếp, giống cách chatbot đoán chữ. Cách này giúp giọng biết thở, ngập ngừng, đổi cảm xúc theo nội dung. Đổi lại, nó cũng mang theo tính ngẫu nhiên: cùng một câu, đọc hai lần có thể khác nhau, và thỉnh thoảng có lỗi lạ như đọc lặp, bỏ chữ hay chèn âm không có trong văn bản.
Tiếng Việt có những cái bẫy riêng nào
Sáu thanh điệu mang nghĩa. Trong tiếng Anh, lên giọng cuối câu thường chỉ là câu hỏi. Trong tiếng Việt, cao độ của từng âm tiết là thanh điệu, đổi thanh là đổi nghĩa. Mô hình phải vừa giữ đúng thanh của từng chữ, vừa tạo ngữ điệu cả câu chồng lên đó. Học từ dữ liệu ít, nó dễ làm thanh hỏi nghe như thanh ngã, hay kéo giọng cả câu làm méo thanh.
Số, ngày tháng, đơn vị. "1/2" có thể là ngày một tháng hai hay một phần hai; "1.000" là một nghìn theo cách viết Việt nhưng là một phẩy không theo cách viết Anh. Mô hình học nhiều văn bản tiếng Anh dễ nhầm quy ước.
Từ viết tắt dày đặc. Văn bản hành chính, báo chí tiếng Việt đầy chữ viết tắt: UBND, THPT, TP, BHXH. Có chữ đọc nguyên cụm, có chữ đánh vần, có chữ tuỳ người. Nếu hệ thống không có danh sách riêng, nó sẽ đoán, và hay đoán sai.
Ngắt câu dài. Câu tiếng Việt trên báo và văn bản pháp lý có thể rất dài, ít dấu phẩy. Ngắt sai chỗ làm đổi nghĩa: "bán xe máy cũ" ngắt sau "xe" hay sau "máy" nghe khác hẳn. Máy phải hiểu cấu trúc câu mới ngắt đúng, và đây là chỗ mô hình ngôn ngữ giúp nhiều.
Giọng vùng miền. Giọng Bắc, Trung, Nam khác nhau ở thanh điệu, phụ âm cuối, cả cách dùng từ. Giọng đọc thường được huấn luyện theo một vùng; đọc văn bản dùng từ địa phương vùng khác có thể nghe lạ tai.
Ngữ điệu và cảm xúc: vì sao giọng AI đọc truyện vẫn hay đều đều
Cùng một câu "anh về rồi đấy à", người đọc có thể đọc bằng giọng mừng rỡ, hờn dỗi hay mỉa mai. Thông tin đó không nằm trong chữ mà nằm trong ngữ cảnh: câu chuyện trước đó, nhân vật là ai, chuyện gì vừa xảy ra. Giọng đọc AI đời trước chỉ nhìn từng câu riêng lẻ, nên chọn ngữ điệu "an toàn" nhất, nghe giống người đọc tin tức. Với tin tức thì ổn; với truyện, thơ, kịch bản thì nghe nhạt.
Các mô hình mới nhìn được đoạn văn dài hơn và một số cho phép ghi chú cảm xúc, nên đã đọc truyện có biểu cảm hơn. Nhưng hiểu đúng ý của người viết vẫn khó: mỉa mai, nói ngược, đùa, những chỗ người đọc thật phải suy nghĩ mới đọc đúng. Mô hình cũng có xu hướng làm quá, nhấn cảm xúc ở chỗ không cần, vì dữ liệu huấn luyện có nhiều giọng đọc diễn cảm kiểu quảng cáo.
Đó là lý do người làm sách nói chuyên nghiệp vẫn nghe lại từng đoạn và sửa bằng tay những chỗ máy đọc sai ý. Giọng AI rất hợp để đọc văn bản thông tin số lượng lớn, giúp người khiếm thị nghe tin tức, giúp người bận nghe tài liệu khi lái xe. Với tác phẩm văn chương cần diễn giải, người đọc thật vẫn có lợi thế rõ, dù khoảng cách đang hẹp lại.
Người lồng tiếng, giọng máy và chuyện ghi rõ đâu là giọng AI
Mỗi giọng đọc AI chất lượng tốt đều bắt đầu từ những giờ thu âm của người thật. Người lồng tiếng đọc hàng nghìn câu được chọn sao cho phủ đủ các âm, các thanh, các kiểu ngữ điệu, trong phòng thu yên tĩnh. Dữ liệu đó dạy mô hình cách một con người cụ thể phát âm. Vì vậy, câu hỏi ai sở hữu giọng sau khi đã thành mô hình, người lồng tiếng được trả công thế nào khi giọng của họ đọc hàng triệu câu họ chưa từng đọc, đang được giới lồng tiếng nhiều nước đặt ra trong hợp đồng và trong các cuộc thương lượng nghề nghiệp.
Một câu hỏi khác thuộc về người nghe: có nên biết mình đang nghe giọng máy không. Với tổng đài, trợ lý ảo, sách nói, nhiều người cho rằng có, vì cách ta tin và phản ứng với một lời nói phụ thuộc vào việc ai đang nói. Một số nước đã có hoặc đang bàn quy định yêu cầu ghi nhãn nội dung do AI tạo; mức độ và phạm vi khác nhau tuỳ nơi, bạn nên kiểm văn bản hiện hành nếu cần dùng giọng AI trong công việc.
Với người dùng thường, thói quen hợp lý là coi giọng đọc AI như một công cụ đọc hộ, không phải một nguồn thông tin. Nó đọc đúng những gì có trong văn bản, cộng thêm những lỗi có thể có ở chặng chuẩn hoá. Văn bản sai thì giọng đọc cũng sai, chỉ là sai bằng một giọng rất tự tin và dễ nghe. Chính sự trơn tru đó là lý do nên giữ thói quen đối chiếu với bản chữ khi thông tin quan trọng.
Giọng đọc AI đang được dùng ở đâu và cần lưu ý gì
Giọng tổng hợp xuất hiện quanh ta nhiều hơn ta nghĩ, từ bản đồ chỉ đường tới loa thông báo. Mỗi chỗ dùng có yêu cầu khác nhau về độ chính xác và độ tự nhiên.
| Nơi dùng | Điểm lợi | Lưu ý |
|---|---|---|
| Trợ năng cho người khiếm thị, người khó đọc | Nghe được mọi văn bản trên điện thoại, máy tính | Đọc sai số, tên riêng có thể gây hiểu nhầm thông tin quan trọng |
| Bản đồ chỉ đường, thông báo nhà ga | Đọc được tên đường mới ngay, không cần thu âm lại | Tên đường, địa danh sau sáp nhập tỉnh dễ đọc sai nếu dữ liệu chưa cập nhật |
| Sách nói, báo nói | Sản xuất nhanh khối lượng lớn | Cần người nghe soát; nên ghi rõ là giọng AI |
| Tổng đài, trợ lý ảo | Trả lời tự động cả ngày | Người gọi có quyền biết đang nói chuyện với máy |
| Video ngắn, quảng cáo | Rẻ, nhanh, nhiều giọng | Giọng giống người thật cần có sự đồng ý của người đó |
| Học ngoại ngữ, luyện phát âm | Nghe mẫu bất kỳ câu nào | Giọng máy có thể sai trọng âm, nên đối chiếu nguồn uy tín |
Nếu bạn cần chọn công cụ giọng đọc cho công việc, trang AI Giọng Nói trong cùng hệ có hướng dẫn thao tác. Ở đây, điều đáng giữ lại là cách nghĩ: giọng AI rất giỏi ở khối lượng và tốc độ, còn chỗ cần chính xác tuyệt đối như số tiền, liều lượng, tên người thì luôn cần người soát.
Câu hỏi thường gặp
Vì sao cùng một văn bản mà mỗi công cụ đọc một kiểu?
Mỗi công cụ có bộ quy tắc chuẩn hoá văn bản riêng, dữ liệu giọng riêng và mô hình ngữ điệu riêng. Một công cụ có danh sách từ viết tắt tiếng Việt đầy đủ sẽ đọc đúng "UBND", công cụ khác thì không. Với mô hình mới, ngay cùng một công cụ đọc hai lần cũng có thể hơi khác vì có yếu tố ngẫu nhiên.
Làm sao giọng đọc AI biết đọc số điện thoại khác với số tiền?
Chặng chuẩn hoá văn bản dựa vào ngữ cảnh: dãy chữ số bắt đầu bằng số không và đủ độ dài thường là số điện thoại, đọc từng chữ số; con số kèm chữ "đồng" thì đọc theo hàng nghìn, hàng triệu. Khi ngữ cảnh mơ hồ, máy dễ đoán sai, nên văn bản viết rõ ràng giúp giọng đọc chính xác hơn.
Giọng đọc AI có tự học để đọc đúng hơn theo thời gian không?
Mô hình đã phát hành không tự học từ việc bạn nghe. Nhà phát triển cải thiện bằng cách thu thêm dữ liệu, sửa quy tắc và phát hành phiên bản mới. Một số công cụ cho người dùng tự thêm từ điển phát âm riêng, giúp đọc đúng tên riêng hay thuật ngữ trong ngành của bạn.
Giọng đọc AI có phải là giọng của một người thật không?
Thường là có gốc từ người thật: các hãng thuê người lồng tiếng thu âm nhiều giờ để huấn luyện một giọng, theo hợp đồng. Một số giọng là pha trộn đặc điểm nhiều người để không giống ai cụ thể. Giọng nhân bản từ một người không đồng ý là chuyện khác và có thể vi phạm quyền của họ.
Vì sao giọng AI đôi khi đọc lặp chữ hoặc bỏ cả đoạn?
Với các giọng dựa trên mô hình đoán chuỗi tiếp theo, đôi khi mô hình "lạc nhịp" giống chatbot bịa chữ: đoán sai một bước rồi lặp lại, hoặc nhảy qua một đoạn. Lỗi này hiếm nhưng có, nhất là với văn bản dài hoặc có ký tự lạ, nên văn bản quan trọng cần người nghe lại.