VBD 
Công nghệ tổng hợp giọng nói đang phát triển nhanh chóng và ngày càng được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau, từ trợ lý ảo, xe thông minh đến hệ thống thông báo công cộng. Bài viết này sẽ cung cấp cho bạn tất cả những thông tin cần thiết về tổng hợp giọng nói, bao gồm khái niệm, nguyên lý hoạt động, ứng dụng và cách thức lựa chọn đơn vị triển khai phù hợp.
1. Tổng hợp giọng nói là gì?
Tổng hợp giọng nói (Speech synthesis), về bản chất, là quá trình mô phỏng giọng nói của con người một cách nhân tạo bằng máy tính hoặc bất kỳ phần mềm tiên tiến nào. Công nghệ này còn có một tên gọi khác phổ biến hơn là chuyển văn bản thành giọng nói (text to speech).
Quá trình tổng hợp giọng nói gồm ba bước:
- Phân tích ngữ cảnh của văn bản đã nhập: Xác định ngữ cảnh và ý nghĩa của đoạn văn bản.
- Chuyển đổi văn bản thành các đơn vị âm thanh tương ứng: Chuyển đổi từng ký tự, từ ngữ trong văn bản thành các đơn vị âm thanh tương ứng.
- Tạo ra âm thanh đã chuyển đổi theo trình tự văn bản bằng cách sử dụng giọng nói tổng hợp hoặc giọng nói người được ghi âm: Sử dụng các giọng nói được tổng hợp sẵn hoặc giọng người được ghi âm chất lượng cao để tạo ra thành phẩm là giọng nói mô phỏng.
Chất lượng giọng nói được tạo ra phụ thuộc vào mức độ phần mềm hiểu ngữ cảnh của văn bản và chuyển đổi nó thành giọng nói.
Tổng hợp giọng nói được ứng dụng rộng rãi trong các công nghệ hỗ trợ học trực tuyến (eLearning), marketing, điều hướng – dẫn đường, công nghệ rảnh tay, v.v. giúp các doanh nghiệp tối ưu hóa chi phí cho các chiến dịch marketing hay hỗ trợ người khiếm thị “đọc” văn bản bằng cách nghe đọc to thành tiếng, cùng nhiều ứng dụng khác.
2. Tổng hợp giọng nói hoạt động như thế nào?
Tổng hợp giọng nói là quá trình tạo ra giọng nói từ văn bản. Quá trình này diễn ra qua ba bước đơn giản:
- Chuyển đổi văn bản thành từ riêng lẻ
- Chuyển đổi từ thành âm vị
- Chuyển đổi âm vị thành âm thanh
Quá trình chuyển đổi văn bản thành giọng nói có thể diễn ra chỉ trong vài giây, tùy thuộc vào độ chính xác và hiệu quả của phần mềm được sử dụng
2.1. Chuyển văn bản thành từng từ
Trước khi chuyển văn bản thành giọng nói, các bộ tổng hợp cần phải “làm sạch” và tinh chỉnh văn bản đầu vào. Quá trình này được gọi là “tiền xử lý” hoặc “chuẩn hóa”.
Chuẩn hóa giúp hệ thống tổng hợp giọng nói (TTS) hiểu được bối cảnh cần thiết để chuyển đổi văn bản thành giọng nói. Nếu không có chuẩn hóa, giọng nói được tổng hợp có thể nghe không tự nhiên hoặc thậm chí vô nghĩa.
Để dễ hiểu hơn, hãy lấy ví dụ về các từ viết tắt: “Dr” được đọc là “Doctor” (Tiến sĩ). Nếu không được chuẩn hóa, phần mềm sẽ chỉ đọc nó theo các quy tắc ngữ âm thay vì ngữ cảnh, dẫn đến lỗi.
2.2. Chuyển từ thành âm vị
Bước thứ hai trong quá trình chuyển đổi văn bản thành giọng nói là phân tích văn bản đã được chuẩn hóa và xác định các âm vị tương ứng cho từng từ. Mỗi phần mềm tổng hợp giọng nói (TTS) đều có một thư viện âm vị tương ứng với các từ viết cụ thể.
Âm vị là một đơn vị âm thanh cơ bản, không thể chia nhỏ hơn, tạo nên một phần của từ trong một ngôn ngữ. Âm vị giúp phần mềm TTS phân biệt các từ khác nhau trong bất kỳ ngôn ngữ nào.
Khi nhận được văn bản đã chuẩn hóa, phần mềm sẽ ngay lập tức bắt đầu tìm kiếm các âm vị tương ứng và ghép các đoạn âm thanh nhỏ lại với nhau. Tuy nhiên, có một điều cần lưu ý: không phải tất cả các từ được viết giống nhau đều được đọc giống nhau. Do đó, phần mềm sẽ xem xét ngữ cảnh của toàn bộ câu để xác định ngữ điệu phù hợp nhất cho một từ và chọn các âm vị phù hợp cho đầu ra.
Ví dụ: từ “lead” có thể được đọc theo hai cách: “ledd” (dẫn dắt) và “leed” (kim loại chì). Phần mềm sẽ chọn âm vị phù hợp nhất tùy thuộc vào ngữ cảnh của câu được viết.
2.3. Chuyển âm vị thành âm thanh
Bước cuối cùng là chuyển đổi âm vị thành âm thanh. Trong khi âm vị xác định âm thanh đi với từ, phần mềm vẫn chưa tạo ra bất kỳ âm thanh nào. Có ba cách phần mềm tạo ra dạng sóng âm thanh:
- Ghép đoạn (Concatenative): Phương pháp này sử dụng các đoạn âm thanh thu sẵn của giọng người để tạo đầu ra. Phần mềm phân tích các đoạn ghi âm và sắp xếp lại chúng theo danh sách các âm vị đã tạo thành bài nói đầu ra.
- Tổng hợp tần số (Formant): Phương pháp formant tương tự như cách các thiết bị điện tử khác tạo ra âm thanh. Bằng cách mô phỏng tần số, bước sóng, độ cao và các đặc tính khác của các âm vị trong danh sách đã tạo, phần mềm có thể tạo ra âm thanh. Phương pháp này hiệu quả hơn phương pháp ghép đoạn.
- Mô phỏng phát âm (Articulatory): Đây là loại chip tổng hợp giọng nói phức tạp nhất hiện có và có khả năng mô phỏng giọng nói của người một cách đáng ngạc nhiên.
3. Ứng dụng của tổng hợp giọng nói
Tổng hợp giọng nói có thể được ứng dụng trong nhiều lĩnh vực khác nhau, tiêu biểu như:
3.1. Công nghệ hỗ trợ
Một trong những ứng dụng có lợi nhất của tổng hợp giọng nói là trong lĩnh vực công nghệ hỗ trợ. Theo dữ liệu từ WHO, trên thế giới có khoảng 2,2 tỷ người mắc một số dạng khuyết tật về thị giác. Đây là một con số đáng kể, nếu xét đến tầm quan trọng của việc đọc sách đối với sự phát triển và hoàn thiện bản thân.
Với phần mềm tổng hợp giọng nói, giờ đây những người này có thể tiếp cận nội dung văn bản bằng cách lắng nghe. Chuyển đổi văn bản thành giọng nói loại bỏ khó khăn khi đọc đối với người khiếm thị. Họ có thể chỉ cần nghe văn bản trên màn hình hoặc quét một đoạn văn bản vào thiết bị di động của mình và nghe phần mềm đọc to thành tiếng.
3.2. Học trực tuyến
Học trực tuyến đã không ngừng phát triển kể từ khi đại dịch buộc phần lớn dân số thế giới phải ở nhà. Ngày càng nhiều giáo viên sử dụng công nghệ tổng hợp giọng nói để tạo ra các bài học được số hóa, mang đến cho người học trải nghiệm tự nhiên và thú vị hơn thay vì chỉ đọc bài giảng. Việc học thông qua nghe và ghi nhớ thông tin được chứng minh là yếu tố quan trọng trong việc cải thiện nhận thức của học sinh.
Công nghệ tổng hợp giọng nói có thể ứng dụng trong học trực tuyến theo nhiều cách như:
- Sử dụng giọng nói AI để đọc nội dung khóa học thành tiếng
- Tạo giọng nói cho video
- Tạo lời nhắc học tập
3.3. Tiếp thị và Quảng cáo
Tiếp thị và quảng cáo là những lĩnh vực đòi hỏi thương hiệu phải đầu tư nhiều thời gian và công sức. Công nghệ tổng hợp giọng nói cho phép doanh nghiệp dễ dàng tạo ra giọng đọc phù hợp với từng nội dung, thông điệp mà họ muốn truyền tải.
Ngoài ra, tổng hợp giọng nói còn giúp các doanh nghiệp tiết kiệm rất nhiều chi phí. Bằng cách thêm giọng nói tổng hợp giống tự nhiên vào các video quảng cáo và bản demo sản phẩm, các doanh nghiệp tiết kiệm được chi phí cần thiết để thuê và trả lương cho:
- Kỹ sư âm thanh
- Diễn viên lồng tiếng
- Đội ngũ kỹ thuật
Giọng nói AI cũng giúp tiết kiệm thời gian trong khi chỉnh sửa kịch bản, loại bỏ thao tác thu âm lại giọng nói của diễn viên khi có kịch bản mới. Công cụ chuyển đổi văn bản thành giọng nói có thể hoạt động để tạo ra âm thanh tương ứng với kịch bản đã chỉnh sửa chỉ trong thời gian rất ngắn.
3.4. Sản xuất nội dung
Một trong những ứng dụng thú vị nhất của công nghệ tổng hợp giọng nói là tạo ra nội dung video và âm thanh lôi cuốn. Ví dụ, bạn có thể tạo video YouTube, sách nói, podcast và thậm chí cả các bản nhạc trữ tình bằng các công cụ này.
Không cần đầu tư vào diễn viên lồng tiếng, bạn có thể tận dụng hàng trăm giọng nói AI và chỉnh sửa chúng theo sở thích của mình. Nhiều công cụ tổng hợp giọng nói cho phép bạn điều chỉnh:
- Độ cao của giọng nói AI
- Tốc độ đọc
- Ngữ điệu
- Nhấn mạnh
- Ngắt nghỉ
- Cảm xúc
- Âm lượng
Điều này cho phép người sáng tạo điều chỉnh giọng nói AI theo nhu cầu và bản chất của nội dung, giúp nội dung trở nên hấp dẫn và thu hút hơn.
4. Hướng dẫn lựa chọn và tích hợp công nghệ tổng hợp giọng nói
Để lựa chọn công nghệ tổng hợp giọng nói phù hợp, cần lưu ý đến một số tiêu chí:
- Ngôn ngữ: Ngôn ngữ mà công cụ tổng hợp giọng nói hỗ trợ.
- Loại giọng nói: Giọng nam, giọng nữ, giọng trẻ em, giọng vùng miền,…
- Chất lượng giọng nói: Độ tự nhiên, mượt mà, cảm xúc của giọng nói được tổng hợp.
- Nhà cung cấp: Uy tín, chất lượng dịch vụ, hỗ trợ kỹ thuật
Việc nắm được các thông tin này sẽ giúp bạn dễ dàng lựa chọn giải pháp phù hợp với nhu cầu của mình. Thực tế, không phải tất cả các công ty cung cấp TTS đều có kho giọng nói đa dạng tương đương nhau. Do đó, việc tìm kiếm và lựa chọn đối tác uy tín là rất quan trọng trước khi bắt đầu triển khai dự án.
Tiếp theo, ngôn ngữ và loại giọng nói là những tiêu chí quan trọng ảnh hưởng đến trải nghiệm người dùng. Giọng nói được tổng hợp cần phù hợp với ngữ cảnh sử dụng và tạo được thiện cảm cho người nghe.
Tại thị trường Việt Nam, VinBigdata là một trong những công ty công nghệ hàng đầu phát triển dịch vụ tổng hợp giọng nói. Công nghệ tổng hợp giọng nói của VinBigdata sở hữu lợi thế đặc biệt về khả năng hiểu và phát âm chính xác ngôn ngữ tiếng Việt, với giọng đọc tự nhiên, đa dạng giới tính, vùng miền (miền Bắc, miền Nam).
Video sử dụng công nghệ tổng hợp giọng nói do VinBigdata phát triển
Về mặt tích hợp, công nghệ tổng hợp giọng nói có thể được triển khai trên nền tảng đám mây (cloud), nhúng (embedded) hoặc tại chỗ (còn gọi là on-premise). Lưu ý rằng phương án embedded giới hạn về mặt kỹ thuật trong việc lưu trữ câu, trong khi phương án cloud không gặp phải vấn đề này. Tuy nhiên, trong khi cloud cần kết nối mạng thì giọng nói được nhúng vẫn hoạt động ngay cả khi mất kết nối. Hãy cân nhắc các yếu tố này dựa trên đặc thù dự án của bạn. Ví dụ, trong lĩnh vực giao thông vận tải, bạn nên ưu tiên sử dụng tổng hợp giọng nói nhúng để đảm bảo dịch vụ hoạt động liên tục.
Kết luận
Công nghệ tổng hợp giọng nói đang mang đến những thay đổi to lớn trong cách chúng ta tương tác với máy móc. Với những ưu điểm vượt trội như khả năng mô phỏng giọng nói tự nhiên, dễ dàng tích hợp và chi phí hợp lý, tổng hợp giọng nói hứa hẹn sẽ tiếp tục phát triển mạnh mẽ trong tương lai, đóng góp vào sự phát triển của nhiều ngành công nghiệp và cải thiện chất lượng cuộc sống của con người.
Liên hệ với VinBigdata để nhận tư vấn triển khai công nghệ tổng hợp giọng nói:
- Fanpage: VinBigdata
- LinkedIn: VinBigData
- Email: info@vinbigdata.com
- Hotline: (024) 3 208 8208
