Model giọng nói: chuyển văn bản thành tiếng Việt nghe tự nhiên

Khách hàng gọi lên tổng đài, nghe câu chào đầu tiên bằng giọng máy đều đều, ngắt nhịp sai chỗ, và không ít người đã cúp máy ngay trước khi nghe hết câu giới thiệu. Vấn đề không nằm ở việc công ty bạn chưa dùng AI, mà nằm ở chỗ chưa chọn đúng model giọng nói đủ tự nhiên cho tiếng Việt.

Trước khi đi vào tiêu chí chọn giọng, nếu bạn còn chưa chắc nên bắt đầu từ đâu trong cả rừng model AI hiện nay, có thể xem qua AI Model là gì và doanh nghiệp nên chọn model nào cho công việc để có bức tranh tổng quan trước.

Vì sao giọng tổng đài nghe "cứng"

Tiếng Việt là ngôn ngữ có thanh điệu, nghĩa của một từ có thể thay đổi hoàn toàn chỉ vì lên hay xuống giọng khác đi một chút, cộng thêm cách ngắt nghỉ, nhấn nhá theo cảm xúc câu nói mà người Việt nghe quen tai. Một model giọng nói được huấn luyện chủ yếu trên dữ liệu tiếng Anh rồi "thêm" tiếng Việt như một ngôn ngữ phụ thường xử lý thanh điệu không thật, ngắt câu sai vị trí, nghe đều đều thiếu cảm xúc, dù phát âm từng từ vẫn đúng chính tả.

Đây chính là lý do một tổng đài dùng công nghệ giọng nói AI hiện đại vẫn có thể khiến khách hàng khó chịu: vấn đề không phải AI kém, mà là model đó chưa thực sự mạnh cho riêng tiếng Việt, dù vẫn quảng cáo hỗ trợ đa ngôn ngữ.

Tiêu chí đánh giá chất lượng giọng tiếng Việt

Thay vì tin vào demo mẫu trên trang chủ nhà cung cấp, vốn thường được chọn lọc kỹ càng, bạn nên tự đánh giá theo bốn tiêu chí cụ thể sau với chính kịch bản của doanh nghiệp mình.

• Độ chính xác thanh điệu: đọc thử các câu có từ dễ gây nhầm dấu (ví dụ những từ chỉ khác nhau ở dấu hỏi/ngã, dấu sắc/huyền) để nghe xem model có phát âm đúng nghĩa không.
• Cách ngắt nghỉ theo ngữ nghĩa: câu dài có ngắt đúng chỗ theo ý câu hay ngắt máy móc theo dấu phẩy, khiến người nghe phải nghe lại mới hiểu.
• Sắc thái cảm xúc phù hợp ngữ cảnh: giọng chào khách khác giọng xin lỗi vì sự cố, model tốt cần thể hiện được sự khác biệt này chứ không đọc đều một tông cho mọi câu.
• Xử lý từ vay mượn và tên riêng: tên thương hiệu, từ tiếng Anh xen trong câu tiếng Việt, số điện thoại, mã đơn hàng có được đọc tự nhiên hay bị vấp.

Nhóm nhà cung cấp khác nhau ở đâu

Trên thị trường hiện có hai nhóm nhà cung cấp giọng nói AI mà doanh nghiệp Việt Nam thường cân nhắc. Nhóm nền tảng quốc tế lớn có ưu thế về công nghệ nền, độ ổn định hạ tầng và khả năng mở rộng sang nhiều ngôn ngữ khác nếu doanh nghiệp có kế hoạch ra nước ngoài, nhưng chất lượng giọng tiếng Việt của từng nhà cung cấp trong nhóm này không đồng đều, có nơi rất tự nhiên và có nơi vẫn còn nghe rõ "chất máy". Nhóm nhà cung cấp trong nước thường đầu tư sâu và lâu năm riêng cho tiếng Việt, nên phần thanh điệu và ngữ điệu vùng miền thường mượt hơn, đổi lại hệ sinh thái tích hợp và tài liệu kỹ thuật có thể không phong phú bằng các nền tảng quốc tế.

Cách thử nghiệm trước khi ký hợp đồng năm

Sai lầm phổ biến nhất là ký hợp đồng theo năm chỉ dựa trên bản demo mẫu của nhà cung cấp, trong khi kịch bản thật của doanh nghiệp luôn có những câu đặc thù mà bản demo không bao giờ thể hiện hết. Quy trình thử nghiệm nên đi theo các bước sau.

1. 1

   Chuẩn bị kịch bản thật, không dùng câu mẫu

   Lấy đúng 5-10 câu tổng đài của bạn hay dùng nhất, gồm cả câu chào, câu xin lỗi, câu đọc mã đơn hàng và tên thương hiệu.

2. 2

   Cho ít nhất 2-3 nhà cung cấp đọc cùng kịch bản

   So sánh cùng một nội dung ở các công cụ khác nhau để loại bỏ yếu tố "câu dễ đọc hơn câu kia" khi so sánh.

3. 3

   Cho người ngoài team nghe và chấm điểm

   Người trực tiếp làm dự án dễ quen tai với giọng mình chọn, nên cho vài đồng nghiệp không liên quan nghe thử và cho điểm độc lập.

4. 4

   Thử nghiệm trên chính kênh sẽ dùng thật

   Giọng nghe hay trên loa máy tính chưa chắc nghe hay qua đường truyền điện thoại nén âm thanh, nên cần thử đúng kênh sẽ triển khai trước khi quyết định.

Chi phí và điều khoản nhân bản giọng

Ngoài chất lượng, hai điểm về hợp đồng cũng đáng lưu ý không kém. Thứ nhất là cách tính phí, thường theo số ký tự hoặc số phút âm thanh phát sinh mỗi tháng, doanh nghiệp cần ước tính đúng khối lượng cuộc gọi hoặc nội dung cần đọc để tránh vượt hạn mức gói đã chọn. Thứ hai, nếu doanh nghiệp muốn tạo một giọng đọc riêng mang bản sắc thương hiệu (nhân bản giọng từ một người thật), cần đọc kỹ điều khoản về quyền sử dụng giọng đã nhân bản, thời hạn lưu trữ mẫu giọng, và quyền của người được thu âm mẫu giọng gốc, vì đây là khu vực pháp lý còn khá mới và chính sách giữa các nhà cung cấp chưa hoàn toàn giống nhau.

Đặc biệt, nếu tổng đài của bạn không chỉ cần đọc kịch bản có sẵn mà còn cần hiểu và trả lời câu hỏi khách hàng, đây là lúc câu chuyện vượt ra khỏi phạm vi một model giọng nói đơn thuần và cần ghép thêm một AI Agent chăm sóc khách hàng phía sau để xử lý phần nội dung trả lời, còn model giọng nói chỉ đảm nhận phần "cất tiếng nói" cho agent đó.