Khi giọng nói trở thành điều AI có thể tạo ra

Một cuốn sách nằm trên trang giấy hay màn hình có thể chờ người đọc tìm đến. Nhưng để biến câu chuyện ấy thành sách nói, có thêm một người bước vào: người kể. Họ chọn nhịp dừng, nhấn một từ, thay đổi giọng khi nhân vật vui, buồn hay do dự.

Dòng Chảy AI · Hành Trình AI

Nhìn lại tuần từ ngày 31 tháng 12 năm 2022 đến ngày 6 tháng 1 năm 2023. Những diễn biến trước và sau tuần này được ghi rõ thời điểm.

Đầu năm 2023, một câu hỏi bắt đầu xuất hiện rõ hơn: điều gì xảy ra khi một phần công việc ấy có thể được thực hiện bằng giọng nói tạo ra bởi máy?

Với tác giả Kristen Ethridge, một câu trả lời đã xuất hiện trong chính những cuốn sách của mình. Ngày 5 tháng 1, báo The Guardian viết về phiên bản sách nói của tiểu thuyết Shelter from the Storm, sử dụng giọng đọc kỹ thuật số trên Apple Books. Ethridge nói với tờ báo rằng bà không tin giọng đọc AI sẽ khiến người đọc sách nói biến mất. Đó là góc nhìn của một tác giả, không phải dự báo chắc chắn cho cả ngành. 1

Cũng trong tuần ấy, một nhóm nghiên cứu khác đưa ra một câu hỏi gần gũi nhưng không giống hẳn: nếu có một đoạn ghi âm rất ngắn, liệu AI có thể tạo ra lời nói mang đặc điểm giọng của người trong đoạn ghi âm đó?

Hai câu chuyện cùng nói về giọng nói tổng hợp. Nhưng chúng không phải cùng một sản phẩm. Và khi đặt cạnh nhau, chúng dẫn đến những câu hỏi về cơ hội, công việc và quyền quyết định đối với giọng nói của mỗi người.

Một cuốn sách, nhiều cách có được giọng kể

Ngày 4 tháng 1 năm 2023, The Guardian đưa tin trên Apple Books đã có một danh mục sách nói sử dụng giọng đọc kỹ thuật số. Những cuốn sách này được giới thiệu là dùng giọng kỹ thuật số dựa trên giọng của người đọc. Bài báo nói đến khả năng thay đổi thị trường sách nói, đồng thời ghi nhận những câu hỏi từ giới xuất bản. 2

Theo 9to5Mac, chương trình đã được Apple giới thiệu vào cuối năm trước; đầu tháng 1, những cuốn sách đầu tiên được báo chí ghi nhận là đã có thể tải xuống. Khi đó, sách tham gia cần bằng tiếng Anh và tác giả cần có quyền sản xuất phiên bản sách nói. Nguồn này không xác định chính xác ngày đầu tiên từng đầu sách xuất hiện. 3

Với một tác giả độc lập, sản xuất sách nói có thể là một quyết định khó: cần người đọc, thời gian thu âm và kinh phí. Một phương án đọc kỹ thuật số có thể mở thêm lựa chọn cho những tác phẩm chưa có bản âm thanh. Nhưng có thêm một lựa chọn không tự động có nghĩa mọi tác giả đều tiết kiệm được tiền hay mọi người nghe đều thích kết quả.

Ở phía bên kia là người kể chuyện. Công việc của họ không chỉ là đọc đúng từng chữ. Cách một câu được ngắt, một nhân vật được thể hiện hay một đoạn im lặng được giữ lại đều có thể thay đổi cảm nhận của người nghe. Người đọc sách nói có lý do để quan tâm khi một công đoạn trong công việc của họ bắt đầu được tự động hóa.

Ngày 6 tháng 1, bài viết trên Znews cũng đề cập đến khả năng tự động hóa sách nói ở quy mô lớn và những lo ngại về công việc của diễn viên lồng tiếng. Bài báo cho thấy cuộc thảo luận đã đến với độc giả tiếng Việt trong tuần ấy; nó không cho biết có bao nhiêu người làm nghề ở Việt Nam bị ảnh hưởng. 4

Ba giây giọng nói có thể cho máy biết điều gì?

Ngày 5 tháng 1 năm 2023, các nhà nghiên cứu công bố bản thảo nghiên cứu về VALL-E, một mô hình tổng hợp lời nói. Nhóm mô tả việc dùng một đoạn giọng mẫu dài ba giây cùng với văn bản để tạo lời nói có đặc điểm của người nói trong mẫu. Họ huấn luyện hệ thống trên dữ liệu lời nói tiếng Anh và báo cáo kết quả so sánh về độ tự nhiên, độ giống giọng trong các thử nghiệm của mình. 5

Có thể hình dung văn bản cho biết cần nói gì, còn đoạn âm thanh mẫu cho hệ thống thông tin tham chiếu về giọng nói. Nhưng “ba giây” là độ dài của mẫu được đưa vào khi tạo lời nói trong mô tả nghiên cứu; nó không có nghĩa hệ thống được xây dựng chỉ bằng ba giây dữ liệu. Trước đó, mô hình đã được huấn luyện trên một lượng lớn dữ liệu tiếng Anh.

Nhóm nghiên cứu trình bày những kết quả đầy hứa hẹn trong điều kiện thử nghiệm của họ. Chúng ta chưa thể từ đó kết luận rằng VALL-E sao chép hoàn hảo giọng của bất kỳ ai, hoạt động tốt bằng tiếng Việt hay đã trở thành công cụ thương mại mà mọi người có thể dùng.

Bài báo của Ars Technica ngày 9 tháng 1, sau tuần đang nhìn lại, cho biết phóng viên không thể tự thử hệ thống vì mã của VALL-E chưa được công bố khi đó. Bài báo cũng nêu rủi ro mạo danh mà các nhà nghiên cứu nhắc đến. Đây là thông tin xuất hiện sau mốc thời gian chính của câu chuyện. 6

Và một điểm cần giữ rõ: không có bằng chứng trong các nguồn này cho thấy Apple Books sử dụng VALL-E. Một bên là dịch vụ sách nói đã được báo chí ghi nhận; bên kia là công trình nghiên cứu về tạo giọng nói. Đặt chúng cạnh nhau giúp ta nhìn thấy một hướng phát triển rộng hơn, chứ không chứng minh chúng có cùng công nghệ.

Khi giọng nói vừa là công việc, vừa là một phần con người

Một giọng đọc kỹ thuật số được tạo và sử dụng theo thỏa thuận không tự động giống với việc giả giọng một người mà họ không đồng ý. Điều quan trọng là biết từng giọng được tạo ra như thế nào, những ai đã đồng ý với việc sử dụng nó, và người nghe được thông báo điều gì.

Hãy hình dung một người làm sách nói ở Việt Nam nhận được đề nghị cho phép tạo phiên bản kỹ thuật số từ giọng của mình. Đây là tình huống minh họa, không phải một cuộc phỏng vấn. Người ấy có thể muốn biết: giọng sẽ được dùng trong những cuốn sách nào? Thỏa thuận kéo dài bao lâu? Nếu sau này đổi ý thì sao? Người nghe có biết mình đang nghe giọng kỹ thuật số không?

Những câu hỏi này không tự trả lời thay cho luật pháp hay hợp đồng cụ thể. Chúng giúp ta thấy rằng một khả năng kỹ thuật có thể kéo theo những lựa chọn của con người: ai được hưởng lợi, ai chịu rủi ro, và ai có tiếng nói trong quá trình ấy.

Người nghe cũng có thể có nhiều ưu tiên khác nhau. Có người muốn thêm sách nói để nghe trên đường đi làm. Có người đặc biệt yêu thích cách diễn giải của một nghệ sĩ. Có người cần biết nguồn gốc giọng đọc trước khi lựa chọn. Chúng ta chưa có một khảo sát đại diện trong tuần đó để nói cách nhìn nào phổ biến nhất.

Nhìn lại: nhiều khả năng, câu hỏi vẫn còn

Ngày 16 tháng 5 năm 2023, vài tháng sau tuần này, Apple giới thiệu một tính năng trợ năng có tên Personal Voice. Công ty mô tả khả năng giúp người dùng tạo giọng nói giống giọng của chính họ, hướng đến những người có nguy cơ mất khả năng nói. Đây là một sản phẩm khác với VALL-E và là thông báo về một hướng sử dụng, không phải bằng chứng rằng nó đã giải quyết được khó khăn của mọi người cần hỗ trợ. 7

Đến tháng 7 năm 2025, The Guardian tiếp tục ghi nhận những băn khoăn của nghệ sĩ đọc sách nói khi AI mở rộng trong ngành. Trong cùng bài báo, đại diện Audible nói công ty đã thuê nhiều người đọc sách nói hơn trong hai năm 2023 và 2024 so với trước đó. Đó là thông tin từ một doanh nghiệp, không đủ để kết luận toàn bộ thị trường đang tăng hay giảm việc làm. 8

Nhìn lại, ta có thể thấy giọng nói tổng hợp tiếp tục được phát triển cho nhiều mục đích. Nhưng những điều chưa biết cũng quan trọng không kém: các thay đổi ấy ảnh hưởng đến thu nhập của người làm nghề Việt Nam ra sao? Những người có giọng được sử dụng có đủ quyền lựa chọn không? Và người nghe đánh giá thế nào về sự khác biệt giữa một giọng kể do người thể hiện và một giọng được tạo bằng máy?

Trong một phần trước của Hành Trình AI, các nghệ sĩ đặt câu hỏi về tác phẩm của mình trong thời đại AI tạo ảnh. Đầu năm 2023, một câu hỏi tương tự vang lên bằng âm thanh: khi giọng nói có thể được tạo lại, ai sẽ có quyền quyết định câu chuyện tiếp theo?