TTS là gì?

TTS là viết tắt của text to speech, nghĩa là công nghệ chuyển văn bản thành giọng nói: bạn đưa vào một đoạn chữ, máy đọc to đoạn đó bằng giọng nghe như người nói. Bài này giải thích TTS là gì, máy biến chữ thành tiếng thế nào, có những loại nào, dùng vào việc gì, hay vấp ở đâu, và cách thử bằng công cụ text to speech tiếng Việt ngay trên trình duyệt.

Một lưu ý để khỏi nhầm: trong tin tuyển dụng và du học Nhật Bản, “TTS” thường là thực tập sinh. Bài này nói về TTS trong công nghệ giọng nói.

Text to speech là gì

Text to speech, gọi tắt là TTS, còn có tên tiếng Việt là chuyển văn bản thành giọng nói, đọc văn bản hay tổng hợp tiếng nói. Đầu vào là chữ, đầu ra là âm thanh. Bạn đã gặp nó nhiều lần mà có thể không để ý: giọng chỉ đường trong ứng dụng bản đồ, tổng đài tự động đọc số dư, trợ lý ảo trả lời bằng tiếng, hay chức năng đọc màn hình cho người khiếm thị.

Hai khái niệm hay bị đặt cạnh nhau:

• TTS (text to speech): chữ thành tiếng.
• STT (speech to text): tiếng thành chữ, tức là nhận dạng giọng nói, dùng khi bạn đọc chính tả cho điện thoại hoặc gỡ băng cuộc họp.

Cái đầu giúp bạn nghe thay vì đọc, cái sau giúp bạn nói thay vì gõ. Muốn đi sâu vào mục đích nghe, bạn có thể xem thêm sách nói là gì, nơi giải thích bản đọc của người thật và bản đọc bằng máy khác nhau thế nào.

TTS hoạt động như thế nào

Nhìn từ ngoài, TTS là ba bước nối nhau: máy hiểu chữ, quyết định đọc ra sao, rồi tạo âm thanh.

1. Phân tích văn bản. Máy làm sạch và chuẩn hóa chữ trước. Số “2.000” phải thành “hai nghìn”, ngày “16/10” thành “ngày mười sáu tháng mười”, ký hiệu “%” thành “phần trăm”. Với tiếng Việt, bước này còn phải nhận ra từng âm tiết và dấu thanh, vì cùng một chữ “ma” có sáu thanh khác nhau với nghĩa khác nhau.
2. Quyết định cách đọc. Từ chữ đã chuẩn hóa, máy xác định từng âm cần phát ra thế nào, ngắt nghỉ ở đâu, câu nào lên giọng, câu nào xuống giọng. Dấu chấm, dấu phẩy và độ dài câu ảnh hưởng nhiều đến nhịp điệu ở bước này.
3. Tạo âm thanh. Cuối cùng, máy ghép các thông tin trên thành sóng âm và lưu thành tệp nghe được, thường là MP3.

Các hệ thống đời đầu ghép sẵn những đoạn thu âm nhỏ của người thật, nên nghe cứng và đứt quãng. Hệ thống hiện đại học từ lượng lớn giọng nói thật để tự sinh âm thanh liền mạch hơn, nhờ vậy ngữ điệu mượt và dễ nghe hơn hẳn. Bạn không cần biết chi tiết bên trong để dùng; điều cần nắm là chất lượng đầu ra phụ thuộc cả giọng đọc lẫn việc văn bản đầu vào được viết rõ ràng thế nào.

Các loại TTS thường gặp

Có thể chia theo nơi chạy và cách dùng:

Người dùng phổ thông thường rơi vào hàng thứ hai. Giọng trên máy tiện cho việc nghe tức thời nhưng khó xuất ra tệp để chèn vào video. API mạnh nhưng cần người viết code. Công cụ trực tuyến nằm giữa: không cài gì, có sẵn giọng, lấy ngay MP3. Nếu bạn đang chọn công cụ miễn phí, bài text to speech miễn phí so sánh giới hạn ký tự, đăng nhập và giọng đọc của vài lựa chọn.

TTS được dùng vào việc gì

• Lồng tiếng video. Người làm TikTok, YouTube, review phim đọc kịch bản bằng giọng máy khi không muốn tự thu âm. Hướng dẫn ghép vào clip có trong bài cách lồng tiếng vào video.
• Giáo dục. Giáo viên đổi giáo án thành bản nghe, người học ngoại ngữ nghe từng câu nhiều lần với tốc độ chậm.
• Hỗ trợ tiếp cận. Người khiếm thị, người khó đọc chữ hoặc người lớn tuổi nghe được nội dung thay vì phải nhìn.
• Dịch vụ khách hàng. Tổng đài đọc thông báo, cửa hàng tạo bản thu quảng cáo, ngân hàng nhắc lịch.
• Nghe thay đọc. Nghe bài viết, truyện dài khi đi đường hoặc mỏi mắt.
• Soát bản thảo. Nghe lại bài của mình bằng giọng máy là cách tốt để bắt câu gượng và lỗi gõ mà mắt đã quen bỏ qua.

Giới hạn của TTS

Giọng đọc máy đã tiến xa nhưng vẫn có những chỗ dễ lộ:

• Tên riêng và địa danh lạ. Máy đọc theo cách đọc chung, nên tên hiếm hoặc tên nước ngoài có thể sai.
• Số, ngày, ký hiệu. Phần lớn được đọc đúng, song cách đọc “1/2”, “3-5”, mã sản phẩm hay số điện thoại dài có thể không như bạn muốn.
• Từ tiếng Anh xen trong câu. Ở công cụ của chúng tôi, chữ tiếng Anh được đọc theo chính tả tiếng Việt, nên “marketing” hay “livestream” nghe khác với phát âm gốc.
• Cảm xúc và nhấn nhá. Máy đọc đều và rõ, nhưng ít khi diễn đạt được mỉa mai, hồi hộp hay xúc động như người thật.
• Từ đồng âm khác nghĩa, câu mơ hồ. Khi chữ viết không cho đủ manh mối, máy chọn cách đọc phổ biến nhất.
• Văn bản không dấu. Giọng đọc phát âm theo đúng chữ bạn gõ, nên câu không dấu sai thanh điệu và khó nghe.

Gặp những chỗ này, cách sửa thường nằm ở văn bản: viết số thành chữ, ghi tên riêng theo cách bạn muốn nghe, tách câu dài thành hai câu ngắn có dấu chấm.

Thử TTS tiếng Việt trên Đọc Lên

Công cụ chuyển văn bản thành giọng nói của Đọc Lên chạy trên trình duyệt, dùng được trên điện thoại. Một số điều cần biết trước:

• Mỗi thiết bị có 2.000 ký tự miễn phí mỗi ngày, không cần đăng ký tài khoản.
• Mỗi lần đọc tối đa 1.000 ký tự. Văn bản dài thì chia thành nhiều phần.
• Có 25 giọng nam và nữ của ba miền Bắc, Trung, Nam.
• Tốc độ đọc chỉnh được từ 0,75 đến 1,5 lần.
• Kết quả tải về dưới dạng tệp MP3.

Các bước tạo một đoạn âm thanh

1. Mở trang text to speech tiếng Việt và kéo xuống ô dán văn bản.
2. Dán đoạn chữ có dấu, dài không quá 1.000 ký tự.
3. Chọn một giọng trong danh sách. Nút “Nghe thử” cạnh mỗi giọng phát một câu mẫu của giọng đó, không phải văn bản bạn vừa dán, nên dùng nó để so giọng chứ không để kiểm tra chữ của mình.
4. Chỉnh tốc độ nếu cần: chậm hơn một chút cho bài học hoặc truyện thiếu nhi, nhanh hơn cho thông báo ngắn.
5. Bấm tạo âm thanh, nghe kết quả ngay trên trang.
6. Thấy chỗ nào đọc chưa đúng thì sửa chữ ở đoạn đó (ví dụ viết số thành chữ) và tạo lại.
7. Tải tệp MP3 về máy để gửi qua Zalo hoặc chèn vào video.

Công cụ này đọc văn bản bạn dán vào. Nó không tạo giọng theo mẫu của riêng bạn, không đọc trực tiếp tệp PDF hay Word (bạn sao chép chữ ra rồi dán), và không làm nhạc nền.

Chọn đúng công cụ cho nhu cầu của bạn

Mỗi nhu cầu có một trang riêng với ví dụ và câu hỏi thường gặp:

• Muốn nghe nhanh một bài viết hay tin nhắn dài: đọc văn bản online.
• Muốn có tệp để gửi cho người khác: tạo audio từ văn bản.
• Muốn so các giọng trước khi chọn: giọng đọc AI tiếng Việt.
• Muốn xem toàn bộ công cụ giọng nói: tất cả công cụ.

TTS không thay được người thu âm trong mọi trường hợp. Với quảng cáo thương hiệu lớn hay sách diễn cảm, người thật vẫn hơn. Với bản tin, bài giảng, video hướng dẫn, tin nhắn thoại hay soát bản thảo, giọng máy cho bạn kết quả sau vài phút mà không cần phòng thu.