Text-to-speech (TTS) là công nghệ chuyển văn bản thành giọng nói do máy tạo ra. Bạn nhập “Cảm ơn quý khách đã gọi đến tổng đài”, hệ thống TTS trả về file âm thanh đọc câu đó với giọng nam hoặc nữ, theo vùng miền và tốc độ bạn chọn. TTS hiện đại dùng mạng nơ-ron nên giọng gần với người thật, có ngữ điệu và ngắt nghỉ. Doanh nghiệp dùng TTS cho lời chào tổng đài, video đào tạo, thông báo cửa hàng, đọc bài viết trên website và voice agent. Với tiếng Việt, chất lượng phụ thuộc nhiều vào cách xử lý thanh điệu, số, từ viết tắt.
Text-to-speech là gì
Text-to-speech, viết tắt TTS, còn gọi là tổng hợp tiếng nói, là quá trình máy tính đọc to một đoạn văn bản. Đầu vào là chữ, đầu ra là âm thanh. TTS là chiều ngược lại của speech-to-text, vốn chuyển giọng nói thành chữ.
TTS đã có từ lâu: giọng đọc trên máy tính cũ, giọng dẫn đường của thiết bị GPS thế hệ đầu là ví dụ. Điểm thay đổi lớn của những năm gần đây là TTS dùng mạng nơ-ron (neural TTS), cho giọng mượt, có cảm xúc, khó phân biệt với người thật trong câu ngắn.
Trong doanh nghiệp, TTS thường xuất hiện dưới ba dạng:
- Tạo file âm thanh có sẵn: lời chào tổng đài, lời nhắc chờ máy, nhạc chờ có lời.
- Đọc theo thời gian thực: voice agent trả lời khách qua điện thoại, trợ lý ảo đọc kết quả.
- Tính năng trợ năng: nút “nghe bài viết” trên website, đọc tài liệu cho người khiếm thị hoặc người bận tay.
TTS hoạt động thế nào
Một hệ thống TTS thường đi qua các bước sau, dù với mô hình đầu cuối mới, một số bước được gộp lại bên trong mạng nơ-ron:
- Chuẩn hóa văn bản: chuyển “15/9” thành “ngày mười lăm tháng chín”, “2,5 kg” thành “hai phẩy năm ki lô gam”, “TP.HCM” thành “Thành phố Hồ Chí Minh”.
- Phân tích ngữ âm: xác định cách phát âm từng âm tiết, thanh điệu, chỗ ngắt câu.
- Dự đoán ngữ điệu: câu hỏi lên giọng ở cuối, câu liệt kê ngắt đều, từ quan trọng được nhấn.
- Mô hình âm học: tạo biểu diễn trung gian của âm thanh, thường là phổ mel.
- Vocoder: biến phổ thành sóng âm nghe được.
Phần lớn lỗi khó chịu mà người nghe phát hiện đến từ bước một: đọc sai số điện thoại, đọc “HĐ” thành hai chữ cái rời, đọc tên sản phẩm tiếng Anh theo kiểu tiếng Việt. Vì vậy chất lượng TTS không chỉ là giọng hay mà còn là xử lý văn bản đúng.
| Thế hệ | Cách tạo giọng | Đặc điểm khi nghe |
|---|---|---|
| Ghép nối | Ghép các đoạn âm thu sẵn | Rõ chữ nhưng giật ở chỗ nối |
| Tham số thống kê | Mô hình tạo tham số âm | Mượt hơn, giọng hơi “máy” |
| Neural TTS | Mạng nơ-ron sinh trực tiếp | Tự nhiên, có ngữ điệu |
| Mô hình lớn đa người nói | Học từ rất nhiều giọng, điều khiển bằng mô tả | Linh hoạt, có thể đổi cảm xúc, phong cách |
Vì sao TTS tiếng Việt khó hơn
Tiếng Việt là ngôn ngữ có thanh điệu. Cùng âm “ma” nhưng sáu thanh cho sáu nghĩa khác nhau. Một hệ thống đọc sai thanh không chỉ nghe lạ mà còn đổi nghĩa câu. Ngoài ra còn các thách thức riêng:
- Phương ngữ: giọng Bắc, Trung, Nam khác nhau về thanh hỏi ngã, phụ âm đầu. Doanh nghiệp ở TP.HCM phục vụ khách miền Nam thường muốn giọng Nam cho gần gũi.
- Số và đơn vị: dấu chấm, dấu phẩy phân cách hàng nghìn và thập phân trong tiếng Việt ngược với tiếng Anh, dễ đọc sai.
- Từ viết tắt: “CSKH”, “ĐVT”, “MST” cần quy tắc đọc riêng.
- Từ tiếng Anh xen kẽ: tên sản phẩm, thương hiệu, thuật ngữ công nghệ.
- Câu dài nhiều mệnh đề: văn bản hành chính dễ bị ngắt sai chỗ.
Cách khắc phục thực tế
Viết kịch bản dành cho tai nghe, không phải cho mắt đọc: câu ngắn, viết số thành chữ ở chỗ quan trọng, thay từ viết tắt bằng từ đầy đủ. Nhiều dịch vụ TTS hỗ trợ SSML, một chuẩn đánh dấu của W3C cho phép chỉ định chỗ ngắt, cách đọc số, phát âm thay thế. Khi ghi ví dụ, các thẻ SSML có dạng <break> hay <say-as> được chèn vào văn bản gửi đi.
Doanh nghiệp dùng TTS vào những việc gì
TTS giúp tiết kiệm thời gian thu âm và cho phép sửa nội dung bất cứ lúc nào mà không cần gọi lại người đọc. Một số ứng dụng điển hình:
- Tổng đài và IVR: lời chào, menu “bấm phím 1 để gặp kỹ thuật”, thông báo ngoài giờ. Khi đổi giờ làm việc dịp lễ, chỉ cần sửa chữ và tạo lại file.
- Video đào tạo nội bộ: công ty 30 người làm video hướng dẫn quy trình mới, dùng TTS lồng tiếng thay vì nhờ nhân viên thu âm nhiều lần.
- Thông báo tại cửa hàng: chuỗi cửa hàng phát thông báo khuyến mãi, nhắc giờ đóng cửa đồng nhất ở mọi chi nhánh.
- Website và blog: nút nghe bài viết cho người đọc trên điện thoại.
- Voice agent: AI nghe khách nói bằng speech-to-text, suy luận bằng LLM, trả lời bằng TTS.
- Nhắc lịch tự động: phòng khám, spa gọi nhắc lịch hẹn với lời đọc tạo sẵn.
Điểm chung là nội dung lặp lại, cần nhất quán và thay đổi thường xuyên. Với thông điệp mang tính cảm xúc cao như xin lỗi khách vì sự cố lớn, giọng người thật vẫn tạo thiện cảm hơn.
Tiêu chí chọn công cụ TTS
Thị trường có TTS tích hợp sẵn trong hệ điều hành, dịch vụ đám mây của các hãng lớn, nền tảng chuyên giọng nói và mô hình mã nguồn mở tự chạy. Đừng chỉ nghe một câu mẫu rồi quyết định; hãy thử bằng kịch bản thật của bạn, có số điện thoại, tên sản phẩm, từ viết tắt.
| Tiêu chí | Câu hỏi cần kiểm tra | Vì sao quan trọng |
|---|---|---|
| Chất lượng tiếng Việt | Có giọng Nam, Bắc? Đọc thanh điệu đúng không? | Quyết định cảm nhận của khách |
| Xử lý số, viết tắt | Đọc đúng ngày tháng, số tiền, mã đơn? | Lỗi sai nghĩa gây hiểu nhầm |
| Điều khiển | Hỗ trợ SSML, chỉnh tốc độ, ngắt nghỉ? | Sửa lỗi phát âm không cần đổi công cụ |
| Độ trễ | Có chế độ phát trực tuyến cho voice agent? | Hội thoại cần phản hồi nhanh |
| Quyền sử dụng | Được dùng thương mại, phát trên tổng đài, quảng cáo? | Tránh rủi ro bản quyền giọng |
| Dữ liệu | Văn bản gửi đi có được lưu, dùng huấn luyện? | Bảo mật nội dung nội bộ |
Các bước triển khai TTS cho một dự án nhỏ
Chuẩn bị
Xác định nơi phát (điện thoại, loa, video), giọng mong muốn, định dạng file mà hệ thống tổng đài hoặc phần mềm dựng video chấp nhận.
- Viết kịch bản cho tai: câu dưới 20 chữ, mỗi câu một ý, tránh ngoặc đơn.
- Lập từ điển phát âm: danh sách tên công ty, sản phẩm, từ viết tắt và cách đọc mong muốn.
- Thử hai đến ba công cụ: tạo cùng một đoạn, cho ba người nghe chấm điểm mà không biết công cụ nào.
- Tinh chỉnh: chỉnh tốc độ, thêm ngắt nghỉ, sửa chữ để đọc tự nhiên hơn.
- Xuất file đúng chuẩn: tổng đài thường yêu cầu định dạng và tần số lấy mẫu riêng, hãy hỏi nhà cung cấp tổng đài.
- Lưu kịch bản gốc: giữ văn bản và cấu hình để lần sau sửa nhanh.
Kiểm tra kết quả
Nghe trên đúng thiết bị đích: loa điện thoại bàn khác hẳn tai nghe. Kiểm tra mọi con số, tên riêng. Nhờ một người không biết kịch bản nghe và nhắc lại thông tin chính.
Lỗi thường gặp và lưu ý pháp lý khi dùng TTS
Những lỗi hay gặp nhất khi doanh nghiệp tự làm TTS:
- Dán nguyên văn bản viết: câu dài, ký hiệu đặc biệt, số dạng 1.250.000 khiến giọng đọc vấp.
- Không nghe lại toàn bộ: chỉ nghe đoạn đầu, bỏ sót lỗi ở cuối file.
- Dùng giọng không rõ quyền: tải giọng mẫu trên mạng, không biết có được dùng thương mại không.
- Giọng quá “máy” cho kênh quan trọng: khách cảm thấy bị đối xử máy móc ở tình huống khiếu nại.
Lưu ý về giọng giống người thật
Nếu TTS được thiết kế để giống giọng một người cụ thể, đó đã là nhân bản giọng nói và cần sự đồng ý rõ ràng của người đó. Ngay cả với giọng chung, nhiều doanh nghiệp chọn cách minh bạch cho khách biết họ đang nghe giọng AI, đặc biệt trong cuộc gọi. Quy định về dữ liệu cá nhân và nội dung do AI tạo ra đang được cập nhật, nên hãy kiểm tra văn bản pháp luật hiện hành trước khi dùng cho quảng cáo hay cuộc gọi chủ động.
Trước khi chọn công cụ, hãy viết một đoạn thử “khó” gồm số điện thoại, ngày tháng, số tiền, tên sản phẩm tiếng Anh và một câu hỏi. Công cụ nào đọc đoạn đó tốt nhất mới là công cụ phù hợp, chứ không phải công cụ có câu mẫu hay nhất.
Muốn đưa AI vào công việc của doanh nghiệp? PCTech tư vấn, đánh giá mức sẵn sàng AI và triển khai chatbot, AI agent, tự động hóa cho doanh nghiệp.
10 câu hỏi, 2 phút, nhận mức độ và việc nên làm tiếp theo. Dùng thử ngay
Câu hỏi thường gặp
TTS và AI voice có giống nhau không?
AI voice là cách gọi rộng cho các công nghệ giọng nói dùng AI. TTS là một phần trong đó, chuyên chuyển văn bản thành giọng nói.
Có công cụ TTS tiếng Việt miễn phí không?
Có. Hệ điều hành, trình duyệt và một số dịch vụ có giọng tiếng Việt dùng miễn phí hoặc có gói miễn phí giới hạn. Kiểm tra điều khoản sử dụng thương mại trước khi đưa vào sản phẩm.
Dùng TTS làm lời chào tổng đài có được không?
Được và khá phổ biến. Chỉ cần xuất file đúng định dạng hệ thống tổng đài yêu cầu và nghe thử trên điện thoại thật.
Làm sao để TTS đọc đúng số điện thoại?
Viết số thành nhóm có dấu cách hoặc dùng thẻ SSML chỉ định cách đọc từng chữ số. Nếu công cụ không hỗ trợ, viết số thành chữ trong kịch bản.
TTS có chạy được trên máy tính không cần internet không?
Có. Một số mô hình TTS mã nguồn mở chạy được trên máy cục bộ, nhưng chất lượng tiếng Việt khác nhau, cần thử trước.
Video dùng giọng TTS có bị nền tảng hạn chế không?
Phụ thuộc chính sách từng nền tảng tại thời điểm đăng. Một số nền tảng yêu cầu gắn nhãn nội dung do AI tạo nếu dễ gây nhầm là người thật.
Bài viết liên quan
- AI voice là gì? Công nghệ chuyển văn bản thành giọng nói
- Speech-to-text là gì? AI chuyển giọng nói thành văn bản
- Cách tạo giọng đọc AI tiếng Việt cho video: tự nhiên, đúng dấu, đúng bản quyền
- ElevenLabs vs giọng đọc AI miễn phí cho tiếng Việt: chọn công cụ nào
- AI voice agent cho tổng đài: nghe máy, đặt lịch, chuyển người
- Voice cloning là gì? Rủi ro nhân bản giọng nói cho doanh nghiệp
- Từ điển thuật ngữ AI cho người làm doanh nghiệp (A–Z)
