Dữ liệu để dựng một giọng đọc tiếng Việt chất lượng gồm bốn thứ: một kịch bản câu được chọn để phủ đủ âm tiết, vần, thanh điệu và các kiểu câu; một người đọc giữ được chất giọng, tốc độ, cảm xúc ổn định qua nhiều buổi; bản ghi sạch trong môi trường yên, cùng thiết bị; và văn bản khớp chính xác với từng chữ người đọc đã nói. Thiếu bất kỳ thứ nào, mô hình hiện đại đến đâu cũng học ra một giọng có tật.
Lượng dữ liệu cần thiết phụ thuộc mục tiêu: dựng một giọng hoàn toàn mới từ đầu cần nhiều giờ đọc, còn tinh chỉnh từ một mô hình đã học nhiều giọng có thể cần ít hơn đáng kể. Bài này không nêu con số cố định vì nó thay đổi theo kiến trúc, mà đi vào những quyết định thực tế khi chuẩn bị dữ liệu, những lỗi phổ biến làm hỏng giọng, và phần hợp đồng với người đọc, thứ thường bị bỏ qua cho tới khi có tranh chấp.
Kịch bản: chọn câu để phủ tiếng Việt
Kịch bản ghi âm không phải là một tập văn bản ngẫu nhiên. Mục tiêu là trong một lượng câu giới hạn, phủ được càng nhiều đơn vị ngữ âm càng tốt: mọi phụ âm đầu, mọi vần, sáu thanh, và các tổ hợp chuyển tiếp giữa âm tiết này với âm tiết sau. Với tiếng Việt, đơn vị tự nhiên để đếm độ phủ là âm tiết có thanh và cặp âm tiết liền kề. Các âm tiết phổ biến tự nhiên xuất hiện nhiều; cái khó là các âm tiết và vần hiếm, như "khuếch", "nguệch", "oạch", phải được chủ động đưa vào.
Cách làm phổ biến là bắt đầu từ một kho văn bản lớn đã làm sạch, rồi dùng thuật toán chọn câu tham lam: mỗi bước chọn câu mang lại nhiều đơn vị chưa có nhất, cho đến khi đạt độ phủ mong muốn. Sau đó người biên tập rà lại để loại câu khó đọc, câu có nội dung nhạy cảm, câu sai chính tả, câu chứa tên người thật. Kịch bản còn nên có tỷ lệ hợp lý giữa câu kể, câu hỏi, câu cảm, câu liệt kê, câu dài và câu ngắn, để mô hình học đủ kiểu ngữ điệu.
Một chỗ hay bị xem nhẹ là số, ngày tháng và từ nước ngoài. Nếu kịch bản đã được chuẩn hoá thành chữ ("hai mươi lăm" thay vì "25"), người đọc đọc đúng theo chữ. Nếu để nguyên số, người đọc tự quyết cách đọc, và văn bản ghi kèm phải được sửa theo đúng lời họ nói. Lệch giữa chữ và lời là một trong những nguồn lỗi lớn nhất của dữ liệu giọng nói.
Người đọc: tiêu chí quan trọng hơn giọng hay
Độ ổn định. Người đọc phải giữ cùng chất giọng, cùng tốc độ, cùng khoảng cách đến micro qua hàng chục buổi ghi, có khi kéo dài nhiều tuần. Một giọng rất hay nhưng hôm khàn hôm trong, hôm nhanh hôm chậm sẽ cho mô hình học một giọng chập chờn. Khi tuyển, nên thử đọc một đoạn ở đầu buổi và cuối buổi để xem giọng có xuống không.
Phát âm vùng nhất quán. Người đọc cần đọc theo đúng một giọng vùng, không lúc theo giọng gốc lúc theo giọng nơi ở. Với giọng Bắc, kiểm các cặp tr/ch, s/x, r/d/gi xem người đọc có phân biệt hay không, rồi giữ đúng kiểu đó suốt kịch bản; với giọng Nam, kiểm cách đọc v, gi và các vần an/ang.
Khả năng đọc tự nhiên câu lạ. Kịch bản phủ âm tiết có nhiều câu khó, ít gặp. Người đọc giỏi vẫn đọc được tự nhiên, không lên giọng đọc chính tả mỗi khi gặp chữ lạ. Đây là kỹ năng của người đọc chuyên nghiệp, khác với người có giọng đẹp nhưng chưa quen đọc văn bản.
Sức khoẻ giọng. Đọc nhiều giờ mỗi ngày gây mệt dây thanh. Lịch ghi nên có nghỉ, nước uống, giới hạn số giờ mỗi buổi, và người đọc có quyền dừng khi giọng mệt. Dữ liệu ghi lúc giọng đã mệt thường phải bỏ, nên ép năng suất là lỗ.
Phòng thu và kỹ thuật ghi: những thứ quyết định độ sạch
Mô hình nơ-ron học cả những thứ không mong muốn có trong bản ghi: tiếng vang phòng, tiếng quạt, tiếng ồn điện, tiếng môi miệng. Bảng dưới đây liệt kê các yếu tố kỹ thuật cần kiểm soát, theo thực hành chung của nghề thu âm giọng nói.
| Yếu tố | Yêu cầu chung | Hậu quả nếu bỏ qua |
|---|---|---|
| Phòng | yên, ít vang, xử lý tiêu âm cơ bản | giọng tổng hợp có vang "trong hộp", khó khử sau |
| Micro và khoảng cách | cùng một micro, cùng khoảng cách, có lưới chắn hơi | chất giọng đổi giữa các buổi; tiếng bật hơi ở âm p, b |
| Định dạng ghi | ghi không nén, tần số lấy mẫu và độ sâu bit đủ cao, thống nhất | mất chi tiết âm xát như s, x; lỗi khi trộn định dạng |
| Mức âm lượng | đều, không vỡ tiếng (clipping) ở chỗ nói to | tiếng rè do vỡ không sửa lại được |
| Khoảng lặng | có khoảng lặng ngắn đầu và cuối mỗi câu | khó cắt và căn chỉnh tự động; mô hình học nhầm tiếng thở |
| Nhật ký buổi ghi | ghi ngày, giờ, thiết bị, ghi chú bất thường | không truy được vì sao một nhóm bản ghi nghe khác |
Không phải dự án nào cũng có phòng thu chuyên nghiệp. Các dự án cộng đồng hay nghiên cứu nhỏ thường ghi ở phòng yên với thiết bị phổ thông, rồi dùng công cụ khử ồn. Cách này dùng được, nhưng khử ồn mạnh tay cũng làm méo giọng, và mô hình sẽ học luôn kiểu méo đó. Nguyên tắc là ghi sạch từ đầu luôn tốt hơn sửa sau.
Làm sạch, căn chỉnh và kiểm dữ liệu sau khi ghi
Sau khi có bản ghi thô, khâu xử lý dữ liệu quyết định phần lớn chất lượng cuối cùng. Một quy trình điển hình gồm các bước sau.
- Cắt bản ghi thành từng câu theo kịch bản, giữ khoảng lặng ngắn hai đầu. Nếu ghi liền nhiều câu, có thể dùng công cụ căn chỉnh cưỡng bức (forced alignment) để tìm ranh giới câu.
- Đối chiếu văn bản với lời đọc. Cho một hệ nhận dạng giọng nói nghe lại từng câu, so kết quả với kịch bản; những câu lệch nhiều được đánh dấu để người nghe kiểm. Người đọc có thể đã đọc lệch một chữ, đọc lặp, hay tự sửa giữa chừng.
- Sửa văn bản theo lời hoặc bỏ câu. Nguyên tắc là văn bản phải khớp tuyệt đối với tiếng; nếu người đọc nói "hai mươi tư" trong khi kịch bản ghi "hai mươi bốn", sửa văn bản.
- Loại các câu có tạp âm, vỡ tiếng, ho, tiếng giấy, hoặc giọng khác hẳn phần còn lại. Mất một ít dữ liệu tốt hơn dạy mô hình những tật này.
- Chuẩn hoá âm lượng và định dạng cho đồng nhất, nhưng không xử lý mạnh tay làm đổi chất giọng.
- Thống kê độ phủ thực tế sau khi loại: còn đủ âm tiết, vần, thanh không? Nếu thiếu, ghi bổ sung một đợt nhỏ với cùng điều kiện.
- Lưu kèm thông tin mô tả: người đọc (mã hoá, không lưu tên thật trong tệp dữ liệu), vùng giọng, ngày ghi, thiết bị, giấy phép sử dụng.
Khâu đối chiếu văn bản với lời đọc thường tốn công nhất và cũng hay bị cắt giảm nhất. Kinh nghiệm chung của những người làm dữ liệu giọng nói là thời gian bỏ ra ở đây trả lại gấp nhiều lần khi huấn luyện: ít lỗi đọc sót, lỗi thanh điệu, lỗi lặp chữ hơn.
Hợp đồng với người đọc: giọng là dữ liệu của một con người
Giọng nói gắn với danh tính một người. Pháp luật về dữ liệu cá nhân ở Việt Nam, gồm Nghị định 13/2023/NĐ-CP và Luật Bảo vệ dữ liệu cá nhân được Quốc hội thông qua năm 2025, đặt ra yêu cầu về sự đồng ý và mục đích xử lý dữ liệu; nhiều cách hiểu xếp dữ liệu giọng dùng để nhận diện người vào nhóm dữ liệu sinh trắc học, cần bảo vệ chặt hơn. Cách áp dụng cụ thể cho dữ liệu dựng giọng cần tra văn bản hiện hành và hỏi người làm pháp lý; bài này chỉ nêu những điều nên có ở mức nguyên tắc.
Một hợp đồng ghi âm giọng cho tổng hợp giọng nói nên nói rõ: giọng sẽ được dùng để làm gì (giọng đọc cho một sản phẩm, giọng thương mại bán cho nhiều khách, hay chỉ nghiên cứu); có được dùng để nhân bản giọng hay tạo biến thể không; ai được dùng, trong bao lâu, ở lãnh thổ nào; người đọc có được biết giọng mình đang được dùng ở đâu không; có được rút lại sự đồng ý không và khi đó dữ liệu, mô hình xử lý thế nào; thù lao trả một lần hay theo mức sử dụng.
Những điểm này không phải thủ tục. Đã có những tranh cãi công khai trên thế giới về việc người đọc ký hợp đồng ghi âm cho một mục đích rồi sau đó phát hiện giọng mình được bán làm giọng đọc tổng hợp ở khắp nơi. Với người đọc Việt Nam, nhiều người chưa quen với khái niệm giọng mình có thể "sống" độc lập trong một mô hình, nên trách nhiệm giải thích rõ thuộc về bên làm dữ liệu. Phần đồng ý và nhân bản giọng được bàn kỹ hơn trong bài riêng về nhân bản giọng trên trang này.
Dữ liệu mở và dữ liệu cộng đồng: dùng được đến đâu
Có những bộ dữ liệu giọng nói tiếng Việt mở để nghiên cứu, cũng như dữ liệu do cộng đồng đóng góp như phần tiếng Việt trong Common Voice. Phần lớn dữ liệu cộng đồng được ghi bằng điện thoại, mỗi người vài câu, nhiều giọng, nên hợp cho nhận dạng giọng nói hơn là dựng giọng tổng hợp chất lượng cao. Một số bộ dữ liệu được làm riêng cho tổng hợp, với một hay vài người đọc; trước khi dùng cần đọc kỹ giấy phép, vì nhiều bộ chỉ cho phép nghiên cứu, không cho phép thương mại.
Một điểm cần cẩn trọng nữa: dữ liệu thu từ video, phim, sách nói trên mạng không phải dữ liệu mở chỉ vì nó công khai. Giọng của người đọc sách nói hay phát thanh viên vẫn gắn với quyền của họ và quyền của bên sản xuất. Dựng giọng từ nguồn như vậy mà không có phép có thể vi phạm cả quyền tác giả, quyền liên quan lẫn quyền đối với dữ liệu cá nhân. Nếu cần một giọng cụ thể, con đường đúng là làm việc với chính người có giọng.
Câu hỏi thường gặp
Cần bao nhiêu giờ ghi âm để dựng một giọng đọc tiếng Việt?
Không có con số cố định. Dựng một giọng mới từ đầu chất lượng cao thường cần nhiều giờ đọc của một người; tinh chỉnh từ mô hình đã học nhiều giọng cần ít hơn nhiều. Chất lượng và độ phủ của dữ liệu thường quan trọng hơn tổng số giờ.
Có thể dùng sách nói trên mạng để dựng giọng không?
Không nên nếu không có phép. Giọng người đọc và bản ghi thuộc quyền của người đọc và bên sản xuất; giọng còn là dữ liệu cá nhân. Ngoài rủi ro pháp lý, sách nói thường có nhạc nền, chỉnh sửa và nhiều giọng nhân vật, không hợp làm dữ liệu dựng giọng.
Vì sao văn bản phải khớp tuyệt đối với lời đọc?
Mô hình học ánh xạ từ chữ sang âm. Nếu văn bản ghi một chữ mà tiếng nói chữ khác, mô hình học sai ánh xạ đó, dẫn tới đọc sót, đọc nhầm thanh hay lặp chữ khi tổng hợp. Lệch nhỏ ở nhiều câu cộng lại thành lỗi rõ rệt.
Ghi âm tại nhà có dùng được để dựng giọng không?
Dùng được nếu phòng đủ yên, ít vang, dùng micro tốt và ổn định qua các buổi. Chất lượng thường kém phòng thu chuyên nghiệp, và khử ồn mạnh tay sau đó sẽ làm méo giọng. Nên thử dựng với một lượng nhỏ trước để nghe kết quả rồi mới ghi tiếp.
Người đọc có quyền gì đối với giọng tổng hợp dựng từ giọng mình?
Quyền cụ thể tuỳ hợp đồng và pháp luật hiện hành về dữ liệu cá nhân, quyền liên quan. Nguyên tắc nên có là người đọc biết rõ giọng được dùng làm gì, ở đâu, bao lâu, và có cách rút lại sự đồng ý. Khi có tranh chấp, nên hỏi luật sư; trang AI Cố Vấn là một nơi để bắt đầu tìm hiểu.
Kịch bản ghi âm có nên chứa tên người, địa chỉ thật không?
Không nên. Kịch bản sẽ được nhiều người đọc, nghe, lưu trữ, có khi chia sẻ cùng dữ liệu. Thay tên và địa chỉ thật bằng tên giả có cấu trúc tương tự vẫn đảm bảo độ phủ ngữ âm mà không lộ thông tin cá nhân của ai.