Chuyển văn bản thành giọng nói AI

Chuyển văn bản thành giọng nói, hay TTS, biến văn bản viết thành âm thanh lời nói. TTS đời cũ đọc từng từ nối tiếp nhau bằng giọng đều đều. TTS AI hiện đại đọc cả đoạn trước, nên hiểu cần nhấn từ nào, câu nào chuyển thành câu hỏi và khi nào một quãng ngừng tạo điểm nhấn, rồi nói với hơi thở và nhịp điệu như người thật.

Trên Mage, chuyển văn bản thành giọng nói chạy bằng Eleven Speech, mô hình mới nhất của ElevenLabs, Eleven v4. Bạn dán tối đa 5.000 ký tự, chọn một trong 16 giọng và nhận file MP3 dài đúng bằng thời lượng đọc. Các thẻ âm thanh trong ngoặc vuông, như [whispers], [laughs] hoặc [excited], điều khiển cách đọc mà không bị đọc thành tiếng.

Tính năng này nằm trong cùng tài khoản với các mô hình ảnh và video của Mage. Một đoạn thuyết minh có thể đặt thẳng vào video, gán cho nhân vật làm giọng nói, hoặc đưa vào ứng dụng Lipsync để chân dung nói theo.

Công cụ chuyển văn bản thành giọng nói đọc đúng những gì bạn đưa vào, nên hãy viết cho tai nghe. Viết ra đúng cách muốn nghe: "mười hai tiếng" thay vì "12h", "năm hai nghìn không trăm hai mươi sáu" nếu con số cần đọc như một năm, và viết đầy đủ những từ viết tắt không đọc theo từng chữ cái. Hãy tách câu dài thành các câu ngắn hơn, vì người nghe không thể cuộn ngược lại.

Dấu câu là cách rẻ nhất để điều chỉnh nhịp đọc. Dấu phẩy là một hơi ngắt ngắn, dấu chấm là hơi ngắt dài hơn, dấu ba chấm là sự ngập ngừng, còn dấu gạch ngang là một cú ngắt đột ngột. Dấu hỏi thay đổi giai điệu của cả câu, nên hãy kiểm tra xem các câu hỏi đã kết thúc bằng dấu hỏi chưa.

• Viết số thành chữ khi cách đọc quan trọng
• Giữ câu ngắn và gần với văn nói
• Dùng dấu ba chấm để nghỉ và dấu gạch ngang để ngắt
• Đọc to kịch bản một lần trước khi tạo
• Chia văn bản rất dài thành từng chương

16 giọng đọc đáp ứng hầu hết các nhu cầu phổ biến. Với lời dẫn dài và sách nói, hãy chọn một người kể chuyện điềm đạm như Darian, Florence hoặc Sawyer. Với bản tin, đào tạo và video giải thích, hãy chọn giọng phát thanh viên rõ ràng như Alicia hoặc Eldrin. Với quảng cáo và video mạng xã hội, hãy chọn giọng tươi vui, hiện đại như Elowen, Jade hoặc Lawrence. Với trò chơi, hãy chọn giọng nhân vật như Kaelen.

Mọi giọng đều nói được tất cả ngôn ngữ được hỗ trợ, nên kịch bản tiếng Tây Ban Nha hay tiếng Nhật đều dùng được với bất kỳ giọng nào. Hãy tạo hai, ba câu đầu bằng vài giọng khác nhau, so sánh, rồi chạy toàn bộ kịch bản bằng giọng hợp nhất.

Eleven v4 hiểu các thẻ trong ngoặc vuông như chỉ dẫn. [excited], [nervous], [sarcastic] và [softly] thay đổi cảm xúc; [whispers] và [shouting] thay đổi âm lượng; [sighs], [laughs] và [gulps] thêm phản ứng; [door creaks] hay [applause] thêm một âm thanh vào giữa lời đọc. Hãy đặt thẻ ngay trước câu cần thay đổi và dùng một hai thẻ cho mỗi câu.

Thẻ giúp hội thoại và lời thoại nhân vật sống động hơn, còn phần dẫn thông thường thường không cần thẻ nào. Với giọng nhân vật cần giữ nguyên trong mọi video, hãy xem hướng dẫn tạo giọng nói AI, còn với bài hát và nhạc nền, hãy xem hướng dẫn tạo nhạc AI.

Những giọng nói này cũng chạy qua Mage API: gửi văn bản và một giọng đọc đến POST /v1/eleven_speech/generate rồi nhận về tệp MP3, tính giá theo khối 250 ký tự. Trang Mage API có thông tin về khóa và giá. Khi đã kết nối máy chủ Mage MCP, Claude, ChatGPT và các trợ lý khác có thể đọc to kịch bản cho bạn ngay trong cuộc trò chuyện, sau khi báo trước số Gems cần dùng.