Nhân bản giọng nói là dùng AI để tạo ra một giọng đọc mới nghe giống giọng của một người cụ thể, nói được cả những câu người đó chưa từng nói. Các mô hình hiện nay làm được việc này với mẫu ghi âm khá ngắn, có khi chỉ vài giây đến vài chục giây, vì chúng đã học từ trước hàng chục nghìn giọng khác nhau và chỉ cần mẫu của bạn để "định vị" chất giọng của bạn giữa những giọng đã biết.
Kỹ thuật này có nhiều ứng dụng chính đáng, như giúp người sắp mất giọng vì bệnh giữ lại giọng của mình hay lồng tiếng phim có sự đồng ý của diễn viên. Nó cũng bị dùng để giả giọng người thân gọi điện vay tiền. Bài này giải thích máy tách và bắt chước giọng thế nào, bản sao giống tới đâu, vì sao qua điện thoại lại khó nhận ra, và những thói quen giúp gia đình bạn an toàn hơn. Bài không hướng dẫn cách tạo giọng giả của người khác.
Máy "nghe" giọng nói của bạn thành những phần nào
Khi bạn nói "mẹ ơi, con về rồi", âm thanh phát ra mang ít nhất hai lớp thông tin. Lớp thứ nhất là nói cái gì: các âm, các thanh điệu tạo thành câu chữ. Lớp thứ hai là ai đang nói: độ trầm bổng tự nhiên, độ khàn hay trong, cách bạn kéo dài cuối câu, giọng vùng miền, nhịp nói nhanh hay chậm. Con người tách hai lớp này rất tự nhiên; nghe một câu qua điện thoại là ta biết ngay người nói là ai, dù câu đó chưa nghe bao giờ.
Các mô hình giọng nói được thiết kế để tách hai lớp tương tự. Một bộ phận chuyên nghe giọng và rút ra một dãy số ngắn đại diện cho chất giọng, có thể gọi nôm na là "dấu vân giọng" dạng số. Dãy số này không chứa nội dung câu nói, chỉ chứa những đặc điểm khiến giọng bạn khác giọng người khác. Một bộ phận khác lo phần nội dung: nhận câu chữ cần đọc và chuyển thành âm thanh.
Nhân bản giọng nói là ghép hai bộ phận đó: nội dung là câu mới, chất giọng là dấu vân giọng rút từ mẫu ghi âm của bạn. Mô hình tạo ra âm thanh vừa nói đúng câu mới, vừa mang những đặc điểm của giọng bạn. Một biến thể khác gọi là chuyển giọng: một người nói vào micro, máy đổi sang giọng người khác gần như tức thời, giữ nguyên nhịp và cảm xúc của người nói thật.
Vì sao chỉ cần vài giây ghi âm
Nhiều người ngạc nhiên vì tưởng phải có hàng giờ ghi âm mới bắt chước được một giọng. Điều đó đúng với các hệ thống đời cũ, khi mỗi giọng cần huấn luyện một mô hình riêng. Cách làm mới khác: mô hình được huấn luyện trước trên kho ghi âm của rất nhiều người nói, đủ già trẻ, nam nữ, vùng miền. Qua đó nó học được một "bản đồ các giọng nói", nơi giọng giống nhau nằm gần nhau và giọng khác nhau nằm xa nhau.
Khi nhận mẫu vài giây của bạn, mô hình không học lại từ đầu. Nó chỉ cần tìm xem giọng bạn nằm ở chỗ nào trên bản đồ đã có. Giống như một người làm nghề vẽ chân dung đã vẽ hàng nghìn gương mặt: nhìn bạn một lúc là phác được nét chính, vì họ đã quen với mọi kiểu mũi, kiểu mắt. Mẫu ngắn đủ để bắt độ trầm bổng, âm sắc chung; những nét riêng tinh tế hơn như cách bạn cười giữa câu, thói quen ngập ngừng thì cần mẫu dài hơn.
Đó cũng là lý do giọng nói công khai trên mạng, như video bán hàng, buổi phát trực tiếp, tin nhắn thoại trong nhóm đông người, có thể trở thành nguyên liệu. Không cần lấy trộm gì phức tạp; một đoạn video vài chục giây nói rõ ràng là đủ cho bản sao ở mức nghe qua điện thoại thấy quen. Điều này không có nghĩa bạn phải ngừng đăng video, nhưng là lý do để cả nhà có thói quen kiểm chứng khi nhận cuộc gọi bất thường.
Bản sao giọng giống tới đâu: làm được và chưa làm được
Chất lượng thay đổi nhanh theo từng thế hệ mô hình, nên bảng dưới chỉ mô tả xu hướng chung ở mức nguyên lý, không phải đánh giá công cụ cụ thể nào.
| Khía cạnh | Với mẫu ngắn | Với mẫu dài, chất lượng tốt |
|---|---|---|
| Âm sắc, độ trầm bổng chung | Thường đã khá giống | Rất giống |
| Giọng vùng miền, cách phát âm thanh điệu | Có thể lệch, nhất là với tiếng Việt ít dữ liệu | Bắt được tốt hơn |
| Thói quen nói riêng: từ đệm, cười, ngập ngừng | Thường mất | Bắt được một phần |
| Cảm xúc phù hợp ngữ cảnh: lo lắng, mừng rỡ | Hay đều đều hoặc quá đà | Tuỳ mô hình, vẫn là điểm yếu |
| Hội thoại tự nhiên, trả lời câu hỏi bất ngờ | Khó, vì cần thêm người hoặc chatbot điều khiển | Khó, có độ trễ dễ nhận ra |
| Tiếng ồn nền, chất lượng âm | Hay sạch bất thường hoặc có tiếng rè máy | Sạch hơn |
Điểm cần nhớ: những thứ bản sao làm kém nhất (cảm xúc tự nhiên, trả lời linh hoạt, thói quen riêng) lại chính là những thứ khó nhận ra qua một cuộc gọi ngắn, hoảng hốt, chất lượng kém. Kẻ gian thường dựng kịch bản để bạn không có thời gian nghe kỹ.
Cũng nên biết rằng bản sao giọng không "biết" gì về người bị sao. Nó không biết bạn hay gọi mẹ là gì, không nhớ chuyện cả nhà vừa đi đâu, trừ khi kẻ gian tự nhập thông tin đó vào kịch bản. Vì thế một câu hỏi về chuyện riêng trong nhà, thứ không có trên mạng, thường là phép thử hiệu quả hơn mọi cố gắng nghe kỹ âm sắc. Bản sao giọng chỉ sao được cái vỏ âm thanh, không sao được ký ức.
Vì sao giọng giả dễ lừa qua điện thoại
Đường truyền che lỗi. Âm thanh qua điện thoại bị nén mạnh, cắt bớt dải tần cao thấp. Những dấu vết máy móc nhỏ trong giọng tổng hợp, vốn nghe được trên loa tốt, bị lẫn vào tiếng rè của đường truyền.
Câu ngắn, cảm xúc mạnh. Kịch bản lừa đảo thường là vài câu gấp gáp: "con bị tai nạn", "mẹ chuyển tiền gấp giúp con". Câu ngắn ít lộ lỗi ngữ điệu, còn cảm xúc mạnh khiến người nghe không phân tích.
Não người tự lấp chỗ trống. Khi đã tin đó là người thân, ta tự bỏ qua chỗ nghe hơi lạ và giải thích bằng lý do hợp lý: chắc sóng yếu, chắc đang mệt. Đây là thói quen nhận thức bình thường, không phải do người nghe kém cỏi.
Kết hợp nhiều nguồn thông tin. Giọng giả thường đi kèm thông tin thật lấy từ mạng xã hội: tên người thân, nơi làm việc, chuyến đi gần đây. Chi tiết đúng làm tăng niềm tin vào giọng nói.
Máy dò giọng giả chưa sẵn trong tay người dùng. Có những công cụ phát hiện âm thanh tổng hợp, nhưng chúng không chạy sẵn trong cuộc gọi của bạn, và cũng có tỉ lệ sai. Giống như máy dò ảnh AI, chúng chỉ đưa ra xác suất chứ không phán quyết.
Những ứng dụng chính đáng của nhân bản giọng nói
Nhân bản giọng nói không chỉ là công cụ của kẻ gian. Có những ứng dụng giúp ích thật, với điểm chung là người có giọng đồng ý và biết giọng mình được dùng vào việc gì:
- Giữ giọng cho người sắp mất khả năng nói do bệnh thần kinh vận động hay phẫu thuật vùng họng. Họ ghi âm khi còn nói được, sau đó thiết bị hỗ trợ giao tiếp đọc bằng chính giọng của họ thay vì một giọng máy xa lạ.
- Lồng tiếng phim và nội dung sang ngôn ngữ khác bằng giọng của chính diễn viên, khi hợp đồng cho phép.
- Sách nói và bài giảng: tác giả hay giáo viên ghi âm mẫu, sau đó sửa một câu sai trong sách nói không cần ghi lại cả chương.
- Trợ lý ảo, tổng đài dùng giọng của người lồng tiếng đã ký thoả thuận, thay cho giọng máy chung chung.
- Lưu giữ kỷ niệm gia đình, như một số người muốn giữ lại giọng ông bà. Đây là vùng nhạy cảm về cảm xúc và cần cả gia đình đồng thuận.
Ranh giới giữa ứng dụng tốt và xấu không nằm ở kỹ thuật mà ở sự đồng ý và mục đích. Dùng giọng người khác mà không xin phép, dù để đùa, vẫn có thể gây tổn hại và vướng pháp luật về quyền nhân thân, dữ liệu cá nhân tuỳ quy định hiện hành. Chủ đề nhân vật số và video giả mặt có ở trang AI Hiện Thân; công cụ giọng nói cho công việc có ở trang AI Giọng Nói.
Thói quen giúp gia đình an toàn trước giọng giả
Hiểu cơ chế rồi, cách phòng hiệu quả nhất không phải là cố nghe ra giọng giả mà là có quy trình kiểm chứng không phụ thuộc vào giọng. Một vài thói quen đơn giản:
- Thống nhất một câu hỏi riêng trong nhà, thứ chỉ người trong nhà biết và không có trên mạng, để hỏi khi có cuộc gọi đòi tiền gấp.
- Cúp máy và gọi lại vào số quen của người thân, hoặc gọi cho một người khác ở cạnh họ. Kẻ gian sợ nhất bước này.
- Không chuyển tiền chỉ dựa vào giọng nói, kể cả khi giọng rất giống và câu chuyện rất gấp. Sự gấp gáp chính là dấu hiệu.
- Nói chuyện với ông bà, cha mẹ lớn tuổi về việc giọng nói có thể bị giả; người không biết khả năng này là người dễ bị lừa nhất.
- Cân nhắc giọng nói công khai: không cần ngừng đăng video, nhưng biết rằng giọng trên mạng có thể bị lấy làm mẫu.
Phần nhận diện các kịch bản lừa đảo dùng AI và cách xử lý khi đã lỡ chuyển tiền được trang AI Bảo Mật trình bày đầy đủ.
Câu hỏi thường gặp
Có cách nào nghe ra chắc chắn giọng nói là giả không?
Không có cách nào chắc chắn chỉ bằng tai, nhất là qua điện thoại. Một số dấu hiệu như ngữ điệu đều bất thường, trả lời chậm khi bị hỏi bất ngờ, âm thanh sạch lạ thường có thể gợi ý, nhưng giọng thật cũng có lúc như vậy. Cách tin cậy là kiểm chứng qua kênh khác, không dựa vào giọng.
Nhân bản giọng tiếng Việt có kém hơn tiếng Anh không?
Thường là có, vì dữ liệu ghi âm tiếng Việt dùng để huấn luyện ít hơn, và tiếng Việt có sáu thanh điệu nên sai một thanh là nghe ra ngay. Tuy vậy khoảng cách đang thu hẹp, và với câu ngắn qua điện thoại, bản sao tiếng Việt vẫn đủ để gây nhầm lẫn.
Ghi âm giọng của mình để AI đọc sách có an toàn không?
Tuỳ dịch vụ. Bạn nên đọc điều khoản xem mẫu giọng được lưu ở đâu, có dùng để huấn luyện mô hình chung không, có xoá được không, và ai được dùng giọng đã tạo. Giọng nói là dữ liệu sinh trắc học, nên đối xử với nó cẩn trọng như với ảnh khuôn mặt hay vân tay.
Nhân bản giọng nói có giống chuyển giọng trong ứng dụng vui không?
Khác nhau. Các hiệu ứng đổi giọng vui chỉ biến đổi âm thanh theo một mẫu chung, như giọng trẻ con hay giọng robot, không nhắm tới một người cụ thể. Nhân bản giọng nói nhắm vào việc nghe giống một người thật, nên mang theo rủi ro và trách nhiệm khác hẳn.
Ngân hàng xác thực bằng giọng nói có bị giọng giả qua mặt không?
Đây là rủi ro được giới bảo mật quan tâm. Hệ thống tốt thường kết hợp giọng nói với yếu tố khác và có thêm lớp phát hiện âm thanh tổng hợp, nhưng không có lớp nào hoàn hảo. Vì thế nhiều chuyên gia khuyên không dùng giọng nói làm yếu tố xác thực duy nhất.
Người đã mất có thể được "nói chuyện lại" bằng giọng nhân bản không?
Về kỹ thuật thì tạo được một giọng giống, có thể nối với chatbot để trò chuyện. Nhưng đó là máy nói theo kiểu thống kê, không phải người đã mất. Việc này đụng tới cảm xúc, sự đồng ý của người đã khuất và gia đình, nên nhiều người khuyên rất thận trọng và nên cân nhắc cùng người thân.