Giọng đọc máy của các vùng khác nhau ở ít nhất năm lớp: phụ âm đầu (như r, d, gi, v), vần và âm cuối (như an và ang), hệ thanh điệu, ngữ điệu chung và cách đọc số, từ ngữ quen dùng; vì thế muốn có một giọng Nam hay giọng Huế đúng chất, không thể chỉ lấy giọng Bắc rồi đổi cao độ, mà phải đổi cả luật chuyển chữ thành âm và có dữ liệu ghi âm của người vùng đó.
Người nghe Việt rất nhạy với giọng vùng: một giọng tự nhận là giọng Sài Gòn mà đọc "gi" như người Hà Nội sẽ bị nhận ra ngay. Bài này mô tả các lớp khác biệt chính giữa giọng Bắc, Trung, Nam dưới góc ngữ âm, cách một hệ thống tổng hợp xử lý từng lớp, và những câu hỏi nên đặt ra khi chọn giọng vùng cho sản phẩm. Các mô tả ở đây là xu hướng phổ biến của giọng Hà Nội, giọng Sài Gòn và giọng Huế; mỗi vùng còn nhiều biến thể địa phương.
Năm lớp khác biệt giữa giọng vùng
Bảng dưới tóm tắt những khác biệt hay được nhắc trong mô tả ngữ âm học tiếng Việt, kèm ảnh hưởng tới hệ thống tổng hợp. Giọng miền Trung thay đổi rất nhiều theo địa phương, nên chỉ ghi ở mức chung.
| Lớp | Giọng Bắc (Hà Nội) | Giọng Nam (Sài Gòn) | Giọng Trung (khái quát) | Ảnh hưởng tới máy đọc |
|---|---|---|---|---|
| Phụ âm đầu | r, d, gi đọc gần như nhau; tr và ch, s và x thường không phân biệt | v, d, gi thường đọc như một âm gần "d" mềm; nhiều người giữ phân biệt tr và ch, s và x | nhiều nơi giữ phân biệt tr/ch, s/x, r rõ | luật chuyển chữ thành âm khác theo vùng |
| Vần, âm cuối | phân biệt rõ an/ang, at/ac | an và ang, at và ac thường gần nhau; một số vần biến đổi | có các biến đổi riêng tuỳ vùng | cùng một chữ ra chuỗi âm vị khác |
| Thanh điệu | sáu thanh, ngã và nặng có thanh quản thắt | hỏi và ngã gần như nhập một | nhiều nơi số thanh ít hơn, dáng khác giọng Bắc | cần dữ liệu và nhãn thanh riêng |
| Ngữ điệu, nhịp | nhịp rõ, các thanh phân biệt mạnh | nhịp mềm, kéo dài cuối câu ở khẩu ngữ | nhịp và độ cao chung đặc trưng từng vùng | học từ dữ liệu, khó viết luật |
| Số và từ ngữ | linh, nghìn; "tháng tư" | lẻ, ngàn; một số từ địa phương | tuỳ vùng | bộ chuẩn hoá văn bản phải theo giọng |
Bảng cho thấy chỉ có lớp thanh điệu và ngữ điệu là thuần âm học; ba lớp còn lại thuộc khâu xử lý ngôn ngữ phía trước. Nghĩa là muốn đổi vùng, một hệ thống cần ít nhất hai thứ: bộ luật hoặc từ điển chuyển chữ thành âm theo vùng, và dữ liệu ghi âm của người vùng đó để mô hình âm học học được thanh và nhịp.
Lớp ngôn ngữ: từ chữ viết chung đến chuỗi âm vị riêng
Chữ Quốc ngữ ghi theo một hệ thống chung, giữ những phân biệt mà nhiều giọng không còn phát âm. Chữ viết phân biệt "dao", "giao", "rao", nhưng người Hà Nội đọc ba chữ này gần như nhau; người Nam đọc "dao" và "giao" gần nhau nhưng "rao" khác; người nhiều vùng miền Trung giữ "r" rõ. Một bộ chuyển chữ thành âm vị cho giọng Bắc sẽ ánh xạ cả ba về một âm, bộ cho giọng Nam ánh xạ khác.
Ở cấp vần, chữ "an" và "ang" được người Bắc đọc khác hẳn, nhưng trong khẩu ngữ Sài Gòn thường gần nhau; "bạn" và "bạng" có thể nghe giống. Chữ "uyên", "ươn", "inh" cũng có những biến thể vùng. Với hệ thống tổng hợp dùng âm vị làm đầu vào, mỗi giọng vùng cần một bộ luật riêng. Với hệ thống đưa thẳng chữ vào mô hình, mô hình phải tự học các ánh xạ này từ dữ liệu của người vùng đó, và nếu dữ liệu trộn vùng thì kết quả trộn theo.
Một quyết định thiết kế thú vị là mức độ "địa phương" của giọng. Người đọc tin của đài phát thanh ở miền Nam thường có giọng Nam nhưng chuẩn hoá một số phân biệt để dễ nghe với người cả nước, khác với giọng khẩu ngữ ngoài chợ. Khi dựng giọng vùng cho máy, bạn cần quyết định mình nhắm giọng phát thanh của vùng hay giọng đời thường, vì hai thứ này cần người đọc và kịch bản ghi âm khác nhau.
Lớp âm học: thanh và nhịp phải học từ người thật
Không thể suy thanh giọng Nam từ thanh giọng Bắc. Hệ thanh giọng Nam không chỉ là giọng Bắc gộp hỏi với ngã. Dáng cao độ của nhiều thanh khác, và thanh nặng, thanh ngã không có kiểu thắt thanh quản mạnh như giọng Bắc. Biến đổi cao độ bằng luật từ một giọng Bắc sẽ ra một giọng nghe "giả Nam" rất dễ nhận.
Giọng Trung khó nhất vì đa dạng. Giọng Huế, giọng Quảng Nam, giọng Nghệ Tĩnh, giọng Bình Định đều được gọi chung là giọng miền Trung nhưng khác nhau rõ về thanh và vần. Một giọng "miền Trung" chung chung không thuyết phục người vùng nào. Muốn làm, phải chọn cụ thể một địa phương.
Nhịp và ngữ điệu gắn với vùng. Người nghe nhận ra vùng không chỉ qua thanh mà qua nhịp: cách kéo dài âm tiết cuối, cách dùng tiểu từ cuối câu như "nha", "nghen", "hỉ", "nờ". Giọng đọc tin tức thường bỏ bớt tiểu từ khẩu ngữ, nhưng nhịp vẫn còn, và mô hình chỉ học được nhịp từ dữ liệu ghi âm.
Dữ liệu giọng vùng: chỗ thiếu thật sự
Phần lớn dữ liệu giọng nói tiếng Việt có chất lượng phòng thu, cả thương mại lẫn mã nguồn mở, tập trung vào giọng Hà Nội và giọng Sài Gòn, vì đó là hai thị trường lớn và có nhiều người đọc chuyên nghiệp. Các dự án đóng góp giọng nói cộng đồng như Common Voice của Mozilla có phần tiếng Việt, nhưng dữ liệu kiểu này thường ghi bằng điện thoại, nhiều giọng, phục vụ nhận dạng giọng nói tốt hơn là tổng hợp. Để dựng một giọng tổng hợp chất lượng, người ta vẫn cần một người đọc, một phòng thu, nhiều giờ đọc nhất quán.
Hệ quả là giọng các vùng ít người nói hơn ít được làm, và khi có thì thường chất lượng kém hơn. Đây không phải giới hạn kỹ thuật cố hữu: các kỹ thuật học chuyển giao cho phép bắt đầu từ mô hình đã học nhiều giọng, rồi thích nghi với giọng vùng bằng lượng dữ liệu ít hơn. Nhưng vẫn cần ai đó bỏ công tìm người đọc vùng đó, soạn kịch bản phủ đủ âm tiết, ghi âm có hợp đồng rõ ràng và có sự đồng ý về việc dùng giọng.
Với giọng nói của đồng bào dân tộc thiểu số khi nói tiếng Việt, hay tiếng Việt của người Việt ở nước ngoài, dữ liệu còn hiếm hơn. Đây là vùng mà các dự án cộng đồng và nghiên cứu có thể đóng góp, với điều kiện tôn trọng quyền của người cho giọng và minh bạch về mục đích sử dụng.
Chọn giọng vùng cho một sản phẩm: các câu hỏi nên đặt ra
Nhiều đội làm sản phẩm chọn giọng đọc theo cảm tính hay theo ý sếp. Một quy trình có hệ thống giúp tránh vừa chọn sai vùng vừa chọn một giọng vùng làm kém.
- Xác định người nghe chính: khách hàng ở đâu, độ tuổi nào, nghe trong bối cảnh nào (tổng đài, ứng dụng, video). Một tổng đài phục vụ khách cả nước có lý do chọn giọng phát thanh trung tính; một ứng dụng địa phương có lý do chọn giọng vùng.
- Liệt kê các giọng vùng công cụ thực sự có, và xem mỗi giọng được dựng từ người đọc vùng nào. Nếu nhà cung cấp không nói được người đọc là người vùng nào, đó là dấu hiệu nên thận trọng.
- Nhờ người bản xứ của từng vùng nghe bộ câu thử: câu có nhiều r, d, gi, v; câu có vần an/ang, at/ac; câu có thanh hỏi và ngã; câu có số. Hỏi họ một câu đơn giản: giọng này có giống người quê mình không.
- Kiểm sự nhất quán giữa giọng và bộ chuẩn hoá: giọng Nam mà đọc "một trăm linh năm", "hai nghìn" là dấu hiệu bộ chuẩn hoá chỉ được viết cho một vùng.
- Cân nhắc cho người dùng tự chọn giọng nếu sản phẩm phục vụ nhiều vùng. Đặt mặc định theo vị trí hay theo ngôn ngữ thiết bị là tiện, nhưng đừng khoá cứng.
- Ghi lại kết quả nghe thử và lý do chọn, để khi đổi nhà cung cấp hay cập nhật giọng có cơ sở so sánh.
Đừng dùng giọng vùng như một yếu tố hài hước hay để gắn một vùng với một kiểu nhân vật nhất định. Thiên lệch kiểu "giọng vùng này cho vai người giúp việc, giọng vùng kia cho vai sếp" từng bị phê phán trong phim ảnh, và lặp lại trong sản phẩm AI còn khó nhận ra hơn.
Giọng lai và lỗi trộn vùng: nhận ra thế nào
Một lỗi khó chịu đặc biệt là giọng lai: cùng một giọng đọc nhưng có chữ đọc kiểu Bắc, có chữ đọc kiểu Nam. Lỗi này thường xuất hiện khi mô hình được huấn luyện trên dữ liệu trộn nhiều người đọc mà không gắn nhãn vùng, hoặc khi bộ chuyển chữ thành âm theo một vùng nhưng mô hình âm học học từ người vùng khác. Người nghe khó nói rõ vì sao, chỉ thấy giọng "kỳ kỳ", không phải người ở đâu cả.
Một nguồn trộn vùng khác ít người nghĩ tới là chính người đọc. Người đọc chuyên nghiệp sống lâu ở thành phố khác quê thường có giọng đã pha, chỗ giữ giọng gốc chỗ theo giọng nơi ở. Nghe trực tiếp thì không ai để ý, nhưng khi mô hình học từ vài chục giờ giọng ấy, sự không nhất quán được phóng đại và lặp lại đều đặn. Khi tuyển người đọc cho một giọng vùng, việc thử giọng nên có một bài đọc chứa nhiều chữ nhạy cảm theo vùng, và người nghe thử nên là người bản xứ của vùng đó chứ không chỉ là đạo diễn âm thanh.
Cách nhận ra: nghe một đoạn dài có nhiều chữ chứa r, gi, v và vần an/ang; nếu thấy cùng một âm khi thì đọc kiểu này khi thì kiểu kia, đó là trộn vùng. Lỗi này không sửa được bằng cách chỉnh văn bản; chỉ nhà cung cấp mới sửa được bằng dữ liệu hoặc bộ luật nhất quán. Nếu bạn tự dựng giọng, hãy đảm bảo mỗi giọng đọc gắn với một người đọc và một bộ luật vùng, và đánh nhãn vùng cho mọi bản ghi trong dữ liệu.
Câu hỏi thường gặp
Có thể lấy giọng Bắc rồi chỉnh thành giọng Nam không?
Chỉnh cao độ không đủ, vì giọng Nam khác giọng Bắc cả ở phụ âm đầu, vần, dáng thanh và nhịp. Muốn có giọng Nam đúng chất cần bộ chuyển chữ thành âm theo giọng Nam và dữ liệu ghi âm của người Nam. Kỹ thuật học chuyển giao giúp giảm lượng dữ liệu cần, không thay được dữ liệu.
Vì sao ít thấy giọng đọc máy giọng Huế hay giọng Nghệ?
Chủ yếu vì thiếu dữ liệu ghi âm chất lượng phòng thu của người đọc vùng đó, và vì thị trường thương mại tập trung vào hai đô thị lớn. Giọng miền Trung lại đa dạng, nên phải làm riêng từng địa phương, tốn công hơn. Đây là khoảng trống mà các dự án cộng đồng có thể góp phần.
Giọng phát thanh và giọng vùng đời thường khác nhau thế nào khi dựng giọng máy?
Giọng phát thanh của một vùng giữ đặc trưng vùng nhưng chuẩn hoá bớt một số biến đổi khẩu ngữ để người cả nước nghe dễ. Giọng đời thường có nhiều tiểu từ, nhịp kéo dài, biến âm hơn. Hai mục tiêu cần người đọc và kịch bản ghi âm khác nhau.
Một giọng đọc có đổi được sang nhiều giọng vùng không?
Một số mô hình nhiều người nói cho phép tách đặc điểm vùng khỏi đặc điểm chất giọng, về nguyên lý có thể giữ chất giọng và đổi vùng. Kết quả thực tế tuỳ hệ thống và thường kém hơn giọng dựng riêng từ người bản xứ. Nên nhờ người vùng đó nghe kiểm trước khi dùng.
Chọn giọng vùng cho tổng đài phục vụ cả nước thì nên chọn giọng nào?
Không có đáp án đúng cho mọi trường hợp. Nhiều đơn vị chọn giọng phát thanh trung tính của một vùng, số khác cho khách chọn giọng. Điều quan trọng là thử với khách hàng thật ở các vùng, đo xem họ có nghe rõ không, thay vì chọn theo sở thích của người quyết định.
Dùng giọng vùng có thể gây thiên lệch không?
Có, nếu giọng vùng được gán cố định cho những vai hay kiểu nội dung nhất định, như vai hài, vai phục vụ, hay ngược lại chỉ dùng một giọng cho mọi nội dung nghiêm túc. Nên chọn giọng theo người nghe và bối cảnh, không theo định kiến về vùng miền.