"Đã quyết tâm đầu tư gói trả phí để clone giọng nói của chính mình...
Nhưng sao nghe giọng cứ bị ngắt quãng, vấp váp và thiếu tự nhiên vậy nhỉ?"
Chào các bạn, đây là Sonetho. ⚡
Thời gian gần đây, chúng tôi nhận thấy nhiều bạn sau khi theo dõi các bài viết hướng dẫn đã bắt đầu thử sức với Professional Voice Cloning (PVC).
Tuy nhiên, cũng có không ít câu hỏi gửi về thắc mắc rằng tại sao kết quả nhận được không được mượt mà như mong đợi.
Xin khẳng định với các bạn, đó hoàn toàn không phải do chất lượng giọng nói tự nhiên của bạn.
Vấn đề nằm ở chính 'Dữ liệu huấn luyện (Kịch bản)' mà bạn đang sử dụng.
1. AI sẽ "nói" theo những gì bạn "cho ăn"
Nhiều bạn khi bắt đầu huấn luyện AI thường chọn đại bất cứ cuốn sách nào có sẵn trong tầm tay để đọc. Từ tiểu thuyết, báo chí cho đến tài liệu... tất nhiên cách này không tệ, nhưng nó tồn tại những điểm yếu chí mạng sau:
- Thiếu sót về số liệu và đơn vị: AI sẽ phát âm ra sao với "120mmHg"? Nếu dữ liệu đầu vào không có định dạng chuẩn, AI sẽ bị vấp hoặc phát âm sai lệch mỗi khi gặp các con số.
- Xử lý viết tắt và ký tự tiếng Anh: "ISO 9001" thì sao? AI sẽ không thể phân biệt được đó là đọc từng ký tự "I-S-O" hay đọc liền thành một từ nếu không được cung cấp dữ liệu đối chiếu chính xác.
- Dung lượng dữ liệu nghèo nàn: Mặc dù PVC có thể thực hiện chỉ với 30 phút dữ liệu, nhưng để đạt kết quả xuất sắc, bạn cần nhiều hơn thế với các mẫu âm thanh chất lượng cao.
- Sự thiếu nhất quán về tông giọng (Tone & Manner): Nếu bạn dùng giọng đọc báo khô khan để huấn luyện rồi sau đó lại yêu cầu AI diễn đạt cảm xúc, kết quả sẽ rất lạc quẻ. (Hãy tưởng tượng một giọng đọc bản tin thời sự đang cố gắng kể một câu chuyện buồn — thật là một thảm họa!)
[Kịch bản độc quyền do Sonetho biên soạn]
Chúng tôi đã chuẩn bị sẵn kịch bản tối ưu với thời lượng từ 1-2 tiếng
"Dữ liệu đầu vào (Input) chất lượng sẽ tạo ra giọng nói (Output) chuẩn chỉnh."
Đây là quy luật bất biến trong thế giới AI hiện nay.
2. 'Kịch bản học' được thiết kế chuyên biệt
Để giải quyết các vấn đề trên, chúng tôi đã tự tay xây dựng một bộ kịch bản chuyên dụng. Không phải là những văn bản ngẫu nhiên, mà là tập hợp các Edge Case (trường hợp biên) — những điểm mà chúng tôi rút ra được sau hàng ngàn lần thử nghiệm rằng: "À, AI thường xuyên bị nhầm lẫn ở những đoạn này."
📜 Đặc điểm nổi bật của bộ kịch bản từ Sonetho
- Hướng dẫn phát âm chuẩn: Bên cạnh các đơn vị dễ gây nhầm lẫn, chúng tôi cung cấp kèm cách đọc phiên âm chuẩn xác.
Ví dụ: 120mmHg (một trăm hai mươi milimét thủy ngân) - Bao phủ đa dạng phong cách: Từ tiểu thuyết đầy cảm xúc, bản tin sự kiện, đến các bài luận khoa học chứa nhiều thuật ngữ, giúp AI làm chủ mọi sắc thái biểu cảm.
- Xử lý triệt để ký tự đặc biệt: Ghi chú rõ ràng cách đọc các ký hiệu thường gặp như @, #, %.
Chỉ cần bạn dành khoảng 30 phút đến 3 tiếng để thu âm dựa trên kịch bản này,
AI của bạn sẽ trở thành một model 'High Quality PVC' thực thụ, đọc trôi chảy và tự nhiên bất kỳ đoạn văn nào bạn nhập vào.
3. Cách truy cập và sử dụng kịch bản
Chúng tôi chia sẻ miễn phí bộ kịch bản này cho độc giả của Sonetho.
Vì khối lượng dữ liệu khá lớn, chúng tôi đã biên soạn thành một bài viết hướng dẫn chuyên sâu riêng biệt.
Hãy nhấn vào nút bên dưới để xem chi tiết và bắt đầu thực hiện buổi thu âm của bạn ngay nhé.
Lưu ý quan trọng: Gói Starter hiện tại chưa hỗ trợ tính năng 'Professional Voice Cloning (PVC)'.
Các bạn hãy nhớ rằng tính năng này chỉ khả dụng từ gói Creator ($22/tháng) trở lên nhé!
❓ Câu hỏi thường gặp (FAQ)
Q1. Kết quả PVC bị lầm bầm và không tự nhiên, có phải do giọng của tôi không?
A. Không phải do giọng của bạn mà khả năng cao là do dữ liệu học, tức là kịch bản.
AI học theo những gì bạn cung cấp.
Nếu bạn chỉ đọc sách tiểu thuyết hoặc tin tức bất kỳ, AI sẽ không có cơ hội học các con số, đơn vị và từ viết tắt tiếng Anh.
Khi đó, mỗi khi gặp các biểu đạt như vậy, nó sẽ bị vấp.
Q2. Đọc bất kỳ cuốn sách nào thì có vấn đề gì?
A. Có bốn điều sẽ bị thiếu hụt.
Thứ nhất, các con số và đơn vị, AI sẽ không biết cách đọc '120mmHg'.
Thứ hai, các từ viết tắt tiếng Anh, AI không biết nên đọc 'ISO 9001' là "I-S-O" hay "I-so".
Thứ ba, dung lượng dữ liệu, dù chỉ cần tối thiểu 30 phút để tạo nhưng càng nhiều dữ liệu thì chất lượng càng cao.
Thứ tư, tông giọng và phong cách, nếu chỉ cho đọc tin tức khô khan mà yêu cầu diễn xuất cảm xúc, nó vẫn sẽ đọc theo tông tin tức ngay cả khi nội dung buồn.
Q3. Kịch bản dùng để huấn luyện có điểm gì khác biệt?
A. Chúng tôi đã thiết kế kịch bản tập trung vào những điểm mà AI thường hay nhầm lẫn.
Bên cạnh các đơn vị gây nhiễu, chúng tôi có chú thích cách phát âm tiếng Hàn. Ví dụ, bên cạnh 120mmHg sẽ viết là "một trăm hai mươi milimét thủy ngân".
Chúng tôi kết hợp tiểu thuyết, tin tức và tài liệu khoa học để huấn luyện nhiều tông giọng khác nhau.
Chúng tôi cũng thêm cả cách đọc các ký tự đặc biệt như a còng, dấu thăng và phần trăm.
Q4. Tôi cần thu âm bao nhiêu lâu?
A. Bạn chỉ cần thu âm khoảng từ 30 phút đến 3 giờ một cách chuẩn xác.
Kịch bản đã được chuẩn bị sẵn với thời lượng từ 1 đến 2 giờ.
Càng cung cấp nhiều dữ liệu, chất lượng sẽ càng tốt hơn.
Q5. Tôi dùng gói Starter có được không?
A. Với gói Starter, bạn không thể sử dụng tính năng nhân bản giọng nói (PVC).
Bạn cần sử dụng từ gói Creator trở lên để có thể tạo và sử dụng PVC.
Cảm ơn các bạn đã đồng hành.
Sonetho ⚡