Công nghệ chuyển văn bản thành giọng nói đã phát triển trong nhiều thập kỷ, nhưng nhờ những tiến bộ trong học máy, chất lượng của giọng nói nhân tạo đã được cải thiện đáng kể. Ngày nay, những giọng nói được tạo ra bởi Text to Speech ngày càng tự nhiên và có cảm xúc như con người, được sử dụng rộng rãi trong nhiều lĩnh vực khác nhau.
1. Nguồn gốc của công nghệ Text to Speech (TTS)
Hơn 200 năm trước, con người đã bắt đầu ấp ủ ý tưởng về việc tạo ra máy móc có thể mô phỏng giọng nói con người. Năm 1779, Giáo sư người Nga Christian Kratzenstein đã chế tạo một thiết bị có khả năng tạo ra các nguyên âm một cách nhân tạo. Một phát minh khác tiếp nối vào năm 1791, đó là “Acoustic-Mechanical Speech Machine” của Wolfgang Von Kempelen. Chiếc máy này có thể tạo ra những âm thanh đơn lẻ và một số tổ hợp âm thanh.
Đến đầu những năm 1800, Charles Wheatstone đã chế tạo thành công “máy nói” dựa trên thiết kế của Von Kempelen. “Máy nói” này phức tạp hơn và có khả năng tạo ra các nguyên âm cũng như hầu hết phụ âm. Thậm chí, một số sự kết hợp âm thanh và cả từ đầy đủ cũng có thể được tạo ra.
Sang giai đoạn năm 1937 – 1938, tại Bell Labs, Homer Dudley đã phát triển thành công thiết bị tổng hợp giọng nói VODER dựa trên công trình trước đó của ông về bộ phát âm. VODER được trưng bày tại Hội chợ Thế giới New York năm 1939 và đã gây tiếng vang lớn.
2. Các giai đoạn hình thành công nghệ TTS
Để có thể phát triển hoàn thiện như ngày hôm nay, công nghệ chuyển văn bản thành âm thanh đã trải qua nhiều thách thức và hạn chế để cải tiến và phát triển.
2.1. Giai đoạn bắt đầu (1950 – 1970)
Năm 1950, hệ thống tổng hợp giọng nói dựa trên máy tính đầu tiên ra đời. Năm 1961, tại Bell Labs, nhà vật lý John Larry Kelly, Jr và đồng nghiệp Louis Gerstman đã sử dụng máy tính IBM 704 để tổng hợp giọng nói.
Sau đó, Kelly đã sử dụng bộ công nghệ này để tạo ra phiên bản khác cho bài hát “Daisy Bell”. Và phiên bản này đã được Arthur C. Clarke sử dụng trong cảnh cao trào của kịch bản cuốn tiểu thuyết “2001: A Space Odyssey”.
Đến năm 1966, mã hóa dự đoán tuyến tính (LPC) xuất hiện và liên tục được phát triển cho đến những năm 1970.
2.2. Giai đoạn phát triển (1970 – 2010)
Năm 1975, Fumitada Itakura đã phát triển phương pháp cặp phổ vạch (LSP) để mã hóa giọng nói có độ nén cao. Từ năm 1975 đến năm 1981, Itakura nghiên cứu các vấn đề về phân tích và tổng hợp giọng nói dựa trên phương pháp LSP.
Năm 1975, hệ thống tổng hợp giọng nói MUSA được phát hành. Năm 1976, một trong những thiết bị điện tử cầm tay có tính năng tổng hợp giọng nói đầu tiên ra đời là máy tính cầm tay Speech+ của Telesensory Systems Inc. (TSI) dành cho người mù. Hay các thiết bị khác như đồ chơi Speak & Spell do Texas Instruments sản xuất vào năm 1978. Những món đồ chơi này là ví dụ về công nghệ giọng nói với ngữ điệu chính xác, giúp phân biệt rõ ràng với giọng robot phổ biến vào thời bấy giờ.
Vào những năm 1980, công nghệ chuyển văn bản thành âm thanh bắt đầu làm khuynh đảo thế giới trò chơi điện tử. Trong đó phải kể đến như bản phát hành năm 1980 của Stratovox (một game arcade phong cách bắn súng) được cho ra mắt bởi Sun Electronics, Manbiki Shoujo hay Milton của Công ty Milton Bradley.
Năm 1990, một cột mốc lịch sử được ghi dấu khi Ann Syrdal tại AT&T Bell Laboratories đã tạo ra giọng nữ đầu tiên cho máy tổng hợp giọng nói. Suốt thập niên 90, các kỹ sư không ngừng nghiên cứu và cải tiến, lần lượt chinh phục những thử thách để biến giọng nói máy tính trở nên sống động và gần gũi hơn.
Năm 1999, Microsoft phát hành Narrator, một giải pháp đọc màn hình hiện được tích hợp trong mọi bản sao của Microsoft Windows.
2.3. Giai đoạn bùng nổ (2010 – nay)
Kể từ năm 2010, trí tuệ nhân tạo (AI) đã đưa công nghệ chuyển văn bản thành giọng nói lên một tầm cao mới, mang đến những trải nghiệm âm thanh sống động và đầy cảm xúc. Từ Mô hình Markov ẩn (Hidden Markov Model – HMM) tạo ra giọng đọc cứng nhắc, thiếu cảm xúc và ít đa dạng, Text to Speech đã phát triển vượt bậc nhờ Mạng lưới thần kinh sâu (DNN – Deep neural networks).
DNN đã thay thế HMM, trở thành yếu tố quan trọng trong Text to Speech. Nhờ khả năng học hỏi từ lượng lớn dữ liệu âm thanh, DNN có thể mô phỏng chính xác cách phát âm, ngữ điệu và cảm xúc, tạo ra giọng đọc tự nhiên, mượt mà, chân thực.
Công nghệ TTS dựa trên DNN đã được áp dụng rộng rãi trong nhiều lĩnh vực như trợ lý ảo (Google Assistant, Siri – Apple, Alexa), dịch vụ khách hàng tự động, hệ thống thông báo công cộng, và nhiều ứng dụng giáo dục, giải trí khác như trò chơi điện tử, phim ảnh hoặc sách nói…
Một số công cụ ứng dụng DNN được phát triển trong giai đoạn này phải kể đến như WaveNet – mô hình tổng hợp giọng nói tạo ra dạng sóng âm thanh thô, được phát triển bởi DeepMind; Deep Voice 3 của Baidu – mô hình chuyển văn bản thành giọng nói có khả năng sao chép giọng nói của con người chỉ với một vài phút dữ liệu âm thanh hay Jukebox của OpenAI có thể tạo ra các bài hát có lời và giọng hát ở nhiều thể loại và phong cách khác nhau… Các công cụ này giúp mọi thông tin được tiếp cận một cách thuận lợi hơn, dễ dàng hơn, hỗ trợ nhiều tác vụ công việc một cách hiệu quả.
3. Tương lai của công nghệ chuyển văn bản sang tiếng nói
Tương lai của công nghệ Text to Speech rất thú vị và đầy hứa hẹn. Với sự phát triển của trí tuệ nhân tạo và học sâu, các mô hình giọng nói nhân tạo giờ đây có thể truyền tải những cảm xúc như vui, buồn hoặc tức giận, giúp cho việc tương tác và truyền tải thông tin trở nên dễ dàng, hấp dẫn và cá nhân hơn.
Hãy cùng tìm hiểu về các xu hướng mới trong công nghệ chuyển văn bản thành giọng nói:
1. Voice Cloning, Singing Text to Speech Voice Cloning
Voice Cloning – Nhân bản giọng nói hay Singing Text to Speech Voice Cloning – Nhân bản giọng hát là việc sử dụng thuật toán, mạng thần kinh (Neural Network) và kỹ thuật học sâu (Deep Learning) để tái tạo hoặc bắt chước giọng nói của một người. Việc nhân bản cho phép người dùng tạo các mô hình bằng giọng nói của bất kỳ ai theo thời gian thực. Tạo ra giọng nói mà không cần thu âm, mang lại trải nghiệm cá nhân hóa cho người nghe và tạo nội dung độc đáo.
2. Dubbing
Dubbing – Ứng dụng công nghệ AI tiên tiến để tạo ra bản lồng tiếng chất lượng cao bằng các ngôn ngữ khác nhau. Công nghệ Text to Speech và giọng nói AI được sử dụng để chuyển văn bản ngôn ngữ gốc sang các đoạn lồng tiếng ngôn ngữ khác nhau. Ví dụ: một video tiếng Anh có thể được lồng tiếng sang tiếng Hindi hoặc bất kỳ ngôn ngữ nước ngoài nào khác, nâng cao trải nghiệm xem cho khán giả không nói tiếng Anh.
Dubbing đang cách mạng hóa ngành lồng tiếng truyền thống, giúp nội dung được bản địa hóa dễ tiếp cận hơn và giá cả phải chăng hơn. Đồng thời cải thiện trải nghiệm xem cho khán giả trên toàn thế giới.
3. Voice Conversion
Voice Conversion – Chuyển đổi giọng nói cho phép bạn chuyển đổi giọng nói của một người thành giọng nói của người khác. Công nghệ này sử dụng quy trình sao chép giọng nói để mã hóa giọng nói mục tiêu (giọng nói gốc chúng ta sử dụng để chuyển đổi) và tạo ra giọng nói tương ứng nhưng vẫn giữ nguyên ngữ điệu ban đầu. Công nghệ chuyển đổi giọng nói chất lượng cao có khả năng cách mạng hóa cách thức sản xuất, phân phối và tương tác nội dung trong nhiều lĩnh vực.
4. Đối tượng sử dụng giải pháp Text to Voice
Chuyển văn bản thành giọng nói đem đến nhiều lợi ích và được ứng dụng cho mọi đối tượng. Bất kỳ ai cũng đều có thể sử dụng Text to Speech để phục vụ cho công việc, học tập hay đơn giản chỉ là để giải trí.
1. Người khuyết tật / người khiếm thị
Công nghệ chuyển văn bản thành âm thanh (Text to Audio) đóng một vai trò quan trọng trong việc cải thiện chất lượng cuộc sống cho người khuyết tật. Bằng cách chuyển văn bản viết thành lời nói, những công cụ này cho phép các cá nhân có thể đọc hiểu thông tin, tạo điều kiện tiếp cận kiến thức và tin tức một cách dễ dàng. Từ đó giúp họ có tham gia tích cực vào các công việc cũng như hoạt động xã hội.
2. Sáng tạo nội dung
Với công nghệ tổng hợp giọng nói, các nhà sáng tạo nội dung có thể tiết kiệm đáng kể thời gian thu âm lồng tiếng. Điều này không chỉ đẩy nhanh quá trình tạo nội dung mà còn đảm bảo các nội dung âm thanh luôn nhất quán và chất lượng cao, tăng khả năng tiếp cận khán giả. Với Text to Speech, nhà sáng tạo nội dung có thể tập trung thời gian và sức lực của mình vào việc tạo ra các kịch bản hấp dẫn thay vì tập trung quá nhiều vào việc thu âm một cách chính xác.
3. Doanh nghiệp
Các doanh nghiệp nhỏ với nguồn lực hạn chế hay các tập đoàn lớn đều có thể sử dụng công nghệ chuyển văn bản thành giọng nói để tăng năng suất công việc. Text to Speech được sử dụng để chăm sóc khách hàng tự động thông qua các hệ thống voice bot và chatbot, giúp cá nhân hóa và nâng cao trải nghiệm khách hàng.
Sản xuất video quảng cáo bằng giọng nói hoặc xây dựng tiếng nói thương hiệu giúp tăng khả năng tiếp cận và nhận diện. Ngoài ra, công nghệ này cũng có thể được sử dụng để đọc hoặc tạo ra các tài liệu phục vụ cho công việc đào tạo của doanh nghiệp.
5. Ứng dụng công nghệ Text to Speech trong các lĩnh vực đời sống
Nhờ khả năng mang lại nhiều lợi ích thiết thực, công nghệ TTS hiện đang được ứng dụng rộng rãi trong mọi lĩnh vực của đời sống.
5.1. Trong giáo dục
Trong thời đại kỹ thuật số ngày nay, công nghệ đóng vai trò then chốt trong giáo dục, cung cấp các công cụ và tài nguyên phục vụ nhu cầu học tập đa dạng. Trong đó, các phần mềm ứng dụng công nghệ chuyển văn bản thành giọng nói giúp việc học trở nên dễ tiếp cận và hấp dẫn hơn bao giờ hết.
1. Tạo sách nói
Sử dụng giọng nói AI để tạo sách nói mang lại nhiều lợi ích hấp dẫn. Công nghệ giúp bạn tiết kiệm thời gian, chi phí thuê diễn viên lồng tiếng, loại bỏ nhu cầu đầu tư vào thiết bị âm thanh và chỉnh sửa khi có sai sót.
Bên cạnh đó, người dùng có thể lựa chọn giọng đọc phù hợp với họ. Text to Speech cung cấp nhiều tiếng nói khác nhau theo độ tuổi, giới tính và ngôn ngữ phù hợp với nhiều thể loại sách khác nhau và nhu cầu nghe khác nhau.
Hơn nữa, sách nói được tạo ra bởi công nghệ này còn tạo điều kiện giúp mọi người có thể tiếp cận thông tin dễ dàng, đặc biệt là những người bận rộn, người mắc chứng khó đọc và những người khuyết tật.
2. Hỗ trợ học tập cho người khuyết tật
Một trong những lợi ích quan trọng nhất của công nghệ chuyển văn bản thành tiếng nói (Text to Voice) là giúp cho nội dung dễ tiếp cận với nhiều người dùng hơn, bao gồm cả những người khiếm thị hay những người mắc chứng khó đọc.
Những người khuyết tật về khả năng đọc như chứng khó đọc hoặc chứng mất ngôn ngữ có thể thông qua công nghệ chuyển văn bản thành giọng nói để nghe và hiểu nội dung văn bản. Ví dụ, một học sinh mắc chứng khó đọc đang phải vật lộn với việc đọc sách giáo khoa. Với Text to Speech, họ có thể nghe âm thanh của văn bản, hiểu và làm theo hướng dẫn. Điều này sẽ giúp nâng cao khả năng tiếp thu kiến thức và học tập hiệu quả hơn.
Đối với những người khiếm thị, công nghệ Text to Speech có thể giúp họ vượt qua những thách thức trong việc tiếp cận thông tin văn bản. Bằng cách lắng nghe, họ có thể tiếp cận thông tin một cách dễ dàng mà bình thường không thể tiếp cận được. Điển hình như đọc sách, báo hay tài liệu học tập…
5.2. Trong doanh nghiệp
Doanh nghiệp là một trong những đối tượng được hưởng lợi nhiều nhất từ công nghệ Text to Speech bởi công nghệ này đảm nhận đa vai trò và có khả năng thực hiện nhiều nhiệm vụ khác nhau.
1. Truyền thông/Marketing
Trong truyền thông, marketing, sử dụng công nghệ chuyển văn bản thành giọng nói giúp doanh nghiệp mở rộng phạm vi tiếp cận khách hàng. Khi doanh nghiệp của bạn phát triển, nhu cầu về nội dung tiếp thị, quảng cáo chất lượng ngày càng tăng theo.
Đó là lúc Text to Speech giúp bạn mở rộng quy mô sản xuất nội dung âm thanh. Công cụ này cực kỳ dễ sử dụng và chúng tạo ra nội dung âm thanh một cách nhanh chóng. Bạn có thể tạo nội dung bằng nhiều giọng đọc, ngôn ngữ khác nhau một cách nhất quán. Điều này không chỉ giúp tạo ra tiếng nói riêng cho thương hiệu mà còn hỗ trợ mở rộng phạm vi tiếp cận khách hàng toàn cầu.
2. Hệ thống trả lời tự động bằng giọng nói (IVR – Interactive Voice Response)
Một trong những lợi ích quan trọng nhất của công nghệ chuyển văn bản thành giọng nói là khả năng tự động hóa các tương tác dịch vụ khách hàng. Với sự trợ giúp của hệ thống trả lời tự động (IVR), doanh nghiệp có thể cung cấp hỗ trợ khách hàng ngay lập tức 24/7 mà không cần sự can thiệp của con người.
IVR có thể xử lý một loạt tương tác của khách hàng, bao gồm trả lời các câu hỏi thường gặp, đặt hàng, cung cấp thông tin về sản phẩm hoặc dịch vụ và thậm chí xử lý khiếu nại. Nhờ đó, doanh nghiệp có thể tiết kiệm chi phí hiệu quả và có thể tăng cường xử lý các yêu cầu của khách hàng, cải thiện sự hài lòng và lòng trung thành của khách hàng.
3. Dịch vụ khách hàng
Hỗ trợ khách hàng là điều cần thiết để xây dựng niềm tin, lòng trung thành và sự hài lòng của khách hàng với doanh nghiệp. Tuy nhiên, việc cung cấp dịch vụ chất lượng cao và nhất quán có thể là một thách thức, đặc biệt khi giải quyết đa dạng các nhu cầu của khách hàng.
Text to Speech có thể giúp doanh nghiệp vượt qua những khó khăn này bằng cách cho phép mang lại trải nghiệm cá nhân hóa trên các nền tảng và thiết bị khác nhau. Tự động hóa các công việc lặp đi lặp lại có thể giảm chi phí và tăng hiệu quả. Ngoài ra, việc phục vụ những khách hàng có ngôn ngữ, giọng nói khác nhau có thể cải thiện khả năng tiếp cận và tính toàn diện. Nâng cao hình ảnh và danh tiếng thương hiệu của bạn bằng cách thể hiện sự đổi mới và lấy khách hàng làm trung tâm là một lợi ích khác của việc sử dụng Text to Speech.
5.3. Sử dụng trong cuộc sống hàng ngày
Ngay cả trong cuộc sống hàng ngày, Text to Speech cũng hiện diện ở hầu hết mọi nơi, mang đến cho người dùng nhiều sự tiện lợi.
1. Thiết bị nhà thông minh (Smart Home)
Việc tích hợp liền mạch Text to Speech trong các thiết bị nhà thông minh đánh dấu sự tiến bộ đáng kể trong tương tác bằng giọng nói. Từ tivi, điều hòa, rèm cửa đến bóng đèn… hầu hết các thiết bị điều khiển thủ công giờ đây đều có thể được điều khiển bằng giọng nói.
Ví dụ, nếu muốn xem một kênh tin tức nào đó trên tivi, bạn chỉ cần nói tên kênh mà không cần thiết phải tìm kiếm bằng điều khiển. Hay nếu bạn cảm thấy lạnh khi thức dậy vào ban đêm, bạn cũng có thể yêu cầu máy điều hòa tăng nhiệt độ trong nhà. Hiện nay, việc sử dụng điều khiển bằng giọng nói ngày càng phổ biến bởi sự thuận tiện.
2. Trợ lý ảo
Trợ lý ảo sử dụng tính năng nhận dạng giọng nói tự động và xử lý ngôn ngữ tự nhiên để đưa ra câu trả lời bằng giọng nói cho các truy vấn. Những trợ lý ảo sử dụng phổ biến hiện nay phải kể đến như Siri, Alexa hoặc Google Assistant có thể kích hoạt bằng lệnh thoại và được sử dụng cho các tác vụ đơn giản như tìm kiếm thông tin, đặt báo thức hoặc phát nhạc.
5.4. Trong y tế
Text to Voice đã và đang được ứng dụng ngày càng nhiều trong lĩnh vực y tế khi có thể giúp ích cho cả bệnh nhân và các bác sĩ trong việc khám chữa bệnh.
- Hỗ trợ người khiếm thị hoặc gặp khó khăn khi đọc: Chuyển chữ viết sang lời nói giúp những người này có thể tiếp cận thông tin y tế một cách dễ dàng hơn, bao gồm hồ sơ bệnh án, tài liệu hướng dẫn và các tài liệu giáo dục sức khỏe.
- Phá vỡ rào cản ngôn ngữ: Có thể đọc văn bản bằng nhiều ngôn ngữ khác nhau, giúp các bệnh nhân không nói tiếng mẹ đẻ có thể hiểu được thông tin y tế quan trọng.
- Cải thiện trải nghiệm của bệnh nhân: Có thể được sử dụng để tạo ra các video, audio hướng dẫn cá nhân hóa cho bệnh nhân về cách sử dụng thuốc, thực hiện các bài tập vật lý trị liệu hoặc quản lý tình trạng sức khỏe của họ. Điều này có thể giúp bệnh nhân tham gia tích cực hơn vào việc chăm sóc sức khỏe của họ và cải thiện kết quả điều trị.
- Tổng đài tự động: Có thể được sử dụng để cung cấp thông tin y tế cơ bản, trả lời các câu hỏi thường gặp và đặt lịch hẹn cho bệnh nhân.
5.5. Trong giải trí
Chuyển văn bản thành âm thanh (Text to Audio) đang tạo nên cuộc cách mạng trong ngành giải trí, mang đến vô số lợi ích cho các nhà sản xuất và nhà sáng tạo nội dung.
1. Lồng tiếng phim ảnh
- Tiết kiệm thời gian: Từ việc tốn hàng tuần, thậm chí hàng tháng để lồng tiếng thủ công, giờ đây chỉ mất vài giờ hoặc vài ngày với TTS.
- Tiết kiệm chi phí: Chi phí lồng tiếng thấp hơn đáng kể so với phương pháp truyền thống, giúp tối ưu hóa ngân sách sản xuất.
- Chất lượng âm thanh: TTS mô phỏng giọng nói con người một cách chân thực, sinh động, mang đến trải nghiệm nghe mượt mà.
- Cảm xúc phong phú: Tùy chỉnh ngữ điệu, cảm xúc phù hợp với từng nội dung, thu hút người xem/nghe.
- Đa ngôn ngữ: Lồng tiếng nhiều ngôn ngữ nhanh chóng, đơn giản, giúp tiếp cận khán giả toàn cầu. Loại bỏ rào cản ngôn ngữ, tối ưu hóa chi phí so với dịch thuật và lồng tiếng thủ công.
2. Tạo video tin tức, giải trí
- Tạo bản tin nhanh: Phóng viên có thể sử dụng TTS để tạo bản tin ngắn, cập nhật tin tức nóng hổi đến khán giả một cách nhanh chóng và kịp thời.
- Tiết kiệm thời gian, công sức: Loại bỏ nhu cầu ghi âm thủ công, giải phóng thời gian cho phóng viên tập trung vào thu thập thông tin và sáng tạo nội dung.
- Tạo bản tin phong phú, hấp dẫn:
- Thêm giọng thuyết minh vào video hướng dẫn, chia sẻ mẹo hữu ích, giúp người xem dễ dàng tiếp thu thông tin.
- Tạo video hài hước, thú vị bằng cách kết hợp TTS với âm nhạc, hiệu ứng âm thanh, mang đến tiếng cười cho người xem.
- Tiếp cận rộng rãi: Hỗ trợ đa ngôn ngữ, phụ đề, giúp video tiếp cận đối tượng khán giả toàn cầu.
Text to Speech đang phát triển nhanh chóng với những tiến bộ mới trong công nghệ giúp tạo ra những lời nói tự nhiên giàu cảm xúc. Những tiến bộ này mang đến cơ hội mới về khả năng tiếp cận và sáng tạo nội dung không giới hạn cho các nhà sản xuất, doanh nghiệp và các ngành công nghiệp trên toàn thế giới.
