Ngày 19/09/2026, tôi dựng một clip quảng cáo dài đúng 60 giây cho một sự kiện mà tôi làm nhà tài trợ. Không thuê người đọc, không thu âm — toàn bộ lời thoại do giọng đọc AI tiếng Việt đảm nhận. Bản nháp đầu nghe khá mượt, cho tới câu có tên viết tắt của ban tổ chức: ba chữ K-O-C. Máy đọc thành “cóc”.
Tôi đã đứng hơn 1.000 khóa đào tạo, giờ dạy người đi làm dùng AI. Vậy mà nếu không nghe lại, clip đó đã chiếu ở sự kiện với tên ban tổ chức bị đọc thành tên một con vật. Dưới đây là bài học từ clip đó và một video 80 giây làm sáu ngày sau.
Giọng đọc AI tiếng Việt hiện nay tốt tới đâu?
Câu tiếng Việt thuần, đúng dấu câu thì máy đọc tự nhiên. Clip 60 giây của tôi có 14 câu thoại, phần lớn đúng ngay lượt đầu.
Máy vấp ở ba chỗ: chữ không phải tiếng Việt (tên viết tắt, thương hiệu, từ tiếng Anh), chỗ nối giữa hai chữ, và số dính ký hiệu.
Những chữ máy đọc sai trong hai video của tôi
Danh sách thật, ghi khi làm clip 60 giây (19/09) và video 80 giây về một mô hình AI mới (25/09): KOC thành “cóc”, Coaching thành “qua chiên”, Anthropic thành “Anthopic”, code thành “có”, “sinh nhật rực rỡ” thành “sinh nhật được rỡ”. Hai lỗi số còn nguy hiểm hơn: ô trống trên 18 (▮/18) bị đọc “1/18”, ngược hẳn ý; “18+ GIỜ” nghe như nhãn “18+”.
“Sinh nhật rực rỡ” sai nhưng “tuổi mới rực rỡ” lại đúng: lỗi nằm ở chỗ nối “nhật – rực”. Hai lỗi số ở video 25/09 tôi không tự bắt được, phải tới vòng soát riêng trước khi xuất bản mới lộ ra.
Chọn công cụ giọng đọc AI tiếng Việt thế nào?
Cả hai video đều dùng edge-tts, một công cụ miễn phí gọi dịch vụ chuyển văn bản thành giọng nói của trình duyệt Microsoft Edge. Tiếng Việt có đúng hai giọng: NamMinh (nam) và HoaiMy (nữ). Tôi dùng NamMinh: muốn trầm thì hạ cao độ 12Hz, tăng tốc độ 3% (bản đầu clip 60 giây); muốn năng lượng hơn thì hạ 8Hz, tăng 12% (video 25/09).
Có Python thì cài và chạy bản trầm, thay chữ trong ngoặc kép bằng lời thoại:
pip install edge-ttsedge-tts --voice vi-VN-NamMinhNeural --pitch=-12Hz --rate=+3% --text "Xin chào, đây là thử giọng." --write-media loi-thoai.mp3
Có giọng miền Nam không? Không, cả hai đều giọng Bắc; khách ở miền Nam, miền Trung thì đó là giới hạn thật.
Công cụ khác có đỡ hơn không? Sáng 15/10/2026 tôi chạy cùng ba câu thử trên edge-tts và trên giọng “Linh” có sẵn trong máy Mac (lệnh say -v Linh), rồi cho faster-whisper chép lại:
| Bài thử | Câu cho máy đọc | edge-tts (NamMinh) | Mac (Linh) |
|---|---|---|---|
| Tên viết tắt | “Ban tổ chức KOC…” | “cóc” — sai | “cóc” — sai |
| Số kèm ký hiệu | “3/18 bài học” | “3, 18” — mất chữ “trên” | “3 trên 18” — đúng |
| Câu dài 20 chữ | “Mỗi sáng tôi dành mười lăm phút…” | đúng từng chữ | đúng từng chữ |
Cả hai đọc KOC thành “cóc”. Khi tôi viết sẵn “Cây, Ô, Xi” và “3 trên 18” vào lời thoại, edge-tts đọc đúng cả hai. Tức là đổi công cụ không cứu được tên viết tắt; bảng phiên âm ở bước 2 mới cứu. Dịch vụ trả phí tôi chưa thử.
Giới hạn của phép đo: mỗi câu chạy một lượt, chép lại bằng một mô hình (large-v3). Đổi sang mô hình nhỏ hơn, nó chép giọng Linh thành “cốc” và “chương trìu”: máy chép chữ cũng nghe nhầm. Chỗ nào lệch, tôi nghe lại bằng tai rồi mới kết luận.
Công cụ có “nhân bản giọng”? Đừng nhân bản giọng người khác khi chưa được họ đồng ý, kể cả để làm vui.
Quy trình 4 bước tôi dùng để giọng AI đọc đúng
1. Viết lời thoại bằng câu ngắn, chữ Việt thuần
Mỗi câu một ý, dưới 20 chữ, vì câu dài làm máy ngắt nghỉ sai chỗ. Từ tiếng Anh thay được thì thay (“deadline” thành “hạn chót”), số kèm ký hiệu viết thành chữ.
2. Lập “bảng phiên âm” cho tên riêng
Viết sẵn cách đọc cho tên thương hiệu, tên viết tắt, tên sản phẩm. Một phần bảng tôi đang dùng:
| Chữ gốc → máy đọc | Viết cho máy | Đọc kiểu gì và vì sao |
|---|---|---|
| KOC → “cóc” | Cây, Ô, Xi | đánh vần kiểu Anh như khách quen gọi; dấu phẩy để máy tách từng chữ cái |
| Coaching → “qua chiên” | Cô Chinh | viết theo âm tiếng Việt, máy không còn đoán từ tiếng Anh |
| Anthropic → “Anthopic” | An-thờ-rô-píc | gạch nối giữ đủ âm tiết, không bị nuốt mất “r” |
| code → “có” | cốt | thêm dấu sắc và “t” cuối, tránh bị đọc thành “có” |
| ▮/18 → “1/18” | 00/18 | ký hiệu lạ bị đoán thành số 1; số trơn thì máy đọc đúng nghĩa |
Dòng KOC, bản đầu tôi viết “Ca, Ô, Xê” kiểu Việt; máy đọc đúng, nhưng tôi chốt kiểu Anh. Đọc kiểu nào là quyết định của người, máy không biết khách của bạn quen gọi ra sao. Phụ đề trên màn hình vẫn giữ chữ gốc “KOC”, “Coaching”.
Cần câu lệnh để AI tự liệt kê chữ tiếng Anh, chữ viết tắt trong lời thoại và gợi ý phiên âm? Bắt đầu từ Bộ 20 Prompt AI miễn phí: các câu lệnh mẫu để bạn thay thông tin của mình vào.
3. Cho AI “nghe lại” và chép ra chữ
Máy đọc xong, tôi đưa file âm thanh cho faster-whisper (large-v3, chạy trên máy) chép thành chữ, rồi so với lời thoại gốc. Clip 60 giây được soát đủ 14/14 câu theo cách này mới xuất.
Không cài được phần mềm thì dùng trợ lý AI nhận tệp âm thanh: xuất lời đọc ra MP3, bấm nút đính kèm (ghim giấy) trong khung chat, rồi dán câu lệnh mẫu:
Đây là file ghi âm lời thoại một clip quảng cáo. Hãy chép lại đúng từng chữ bạn nghe được, không tự sửa cho hợp lý. Sau đó so với lời thoại gốc bên dưới và liệt kê mọi chỗ khác nhau dưới dạng bảng: câu số mấy · bản gốc · bản bạn nghe được.
[dán lời thoại gốc]
Thiếu câu “không tự sửa cho hợp lý”, AI sẽ đoán ý và chép đúng chữ gốc, che mất lỗi.
4. Ghép nhạc nền ở mức cố định
Tôi làm sai hai lần. Bản đầu, nhạc tự hạ mỗi khi có giọng. Bản 2, nhạc cố định nhưng công cụ vẫn tự cân âm lượng ở khâu cuối: lúc giọng nghỉ, nó kéo nhạc lên, giọng chỉ còn nổi hơn nhạc 0,4 dB, nghe như nhạc át lời. Bỏ khâu tự cân, hạ nhạc cố định −21 dB, giọng nổi hơn nhạc 12,9 dB.
Làm bằng ffmpeg: đo độ to từng file bằng bộ lọc ebur128, tính mức hạ nhạc sao cho giọng nổi hơn 12–13 dB, rồi trộn và chỉ đặt bộ chặn đỉnh ở cuối, không đặt loudnorm:
ffmpeg -i giong.wav -i nhac.mp3 -filter_complex "[1:a]volume=-21dB[n];[0:a][n]amix=inputs=2:normalize=0,alimiter" am-thanh.wav
−21 dB là mức của bản nhạc tôi dùng; nhạc khác thì đo lại.
Tên thương hiệu, nghe lại, và lúc nên tự nói
Đổi sang giọng nữ HoaiMy có đỡ hơn không?
Không, ít nhất với hai lỗi trên. Cùng sáng 15/10 tôi cho HoaiMy đọc hai câu thử: KOC vẫn ra “cóc”, “3/18” vẫn ra “3, 18”. Hai giọng trong edge-tts vấp cùng chỗ, nên bảng phiên âm dùng chung được.
Có cần nghe lại cả khi AI đã đọc đúng ở video trước?
Có. Cùng một chữ có thể đúng ở câu này, sai ở câu khác, như “rực rỡ”.
Khi nào nên tự nói thay vì dùng giọng AI?
Khi cảm xúc là thứ bạn bán: chuyện khách hàng, lời tri ân. Máy đúng chữ nhưng thiếu hơi thở, nên những clip đó tôi tự nói.
Bắt đầu từ một clip 30 giây
Tối nay, mở file ghi chú “Bảng phiên âm”, ghi tên công ty, tên sản phẩm và ba từ tiếng Anh bạn hay nói nhất. Viết 5 câu giới thiệu sản phẩm, cho máy đọc, cho AI nghe lại, rồi ghi mọi chữ đọc sai vào bảng. Clip sau, áp bảng đó trước khi cho máy đọc, chỉ nghe kỹ câu có chữ mới.
🎁 Biến 4 bước soát lời thoại thành quy trình cố định
Bộ 10 Skill AI cho Dân Văn Phòng (miễn phí) có skill “Viết quy trình (SOP)”: kể lại bốn bước vừa đọc, AI soạn thành quy trình để lần sau cứ thế làm theo.
0 Bình luận