Nhờ những tiến bộ kỹ thuật mà công nghệ chuyển văn bản thành giọng nói đã có sự phát triển vượt bậc. Từ giải pháp hỗ trợ người khiếm thị đến tạo dựng chỗ đứng và trở thành một phần không thể thiếu trong nhiều ngành nghề. Mặc dù lợi ích tiềm năng của TTS là không thể phủ nhận, nhưng thực tế cũng cần nhìn nhận lại những thách thức và hạn chế khi triển khai công nghệ này.
Thách thức của công nghệ chuyển văn bản thành giọng nói
Công nghệ giọng nói đã đi được một chặng đường dài và đánh dấu bằng những tiến bộ mang tính “cách mạng hóa” trong việc tiếp cận nội dung và giao tiếp. Tuy nhiên, bên cạnh những tiến bộ vẫn còn tồn tại rất nhiều thách thức mà các nhà phát triển phải đối mặt trong quá trình hoàn thiện hệ thống TTS.
Giọng nói không tự nhiên
Một trong những hạn chế và thách thức hàng đầu của công nghệ TTS là giọng đọc được tạo ra kém tự nhiên. Điều này là do các hệ thống chưa có khả năng bắt chước âm điệu và ngữ điệu tự nhiên từ giọng nói của con người.
Thông thường, khi giao tiếp chúng ta sẽ nhấn mạnh một số từ hoặc cụm từ cụ thể nào đó, có thể điều chỉnh cao hoặc thấp giọng, tốc độ nói nhanh hơn hoặc chậm hơn để truyền đạt ý nghĩa và cảm xúc một cách tự nhiên. Tuy nhiên giọng đọc AI được tạo ra bởi TTS có xu hướng truyền tải khá đơn điệu, thậm chí không có điểm nhấn và mang đậm tính chất “giọng máy”. Mặc dù đã trải qua một chặng đường dài phát triển nhưng các hệ thống TTS vẫn chưa thể tái tạo được giai điệu, ngữ điệu và tính biến đổi trong giọng nói y chang như con người.
Ngữ điệu, phát âm không chính xác
Ngữ điệu và phát âm là hai khía cạnh quan trọng của ngôn ngữ nói. Đây cũng chính là một trong những thách thức mà công nghệ chuyển văn bản thành giọng nói cần phải khắc phục. Giọng đọc tổng hợp không có điểm nhấn nhá, thiếu tính trôi chảy và cảm xúc của giọng đọc con người. Vấn đề này có thể gây ra những sai sót trong việc tiếp cận thông tin và tạo ra cảm giác nhàm chán cho người nghe.
Mặc dù những tiến bộ sau đó của mô hình học sâu (Deep Learning) đã nỗ lực cải thiện đáng kể ngữ điệu cho giọng đọc đầu ra được tạo bởi công nghệ tổng hợp giọng nói, nhưng để đạt được mức độ tự nhiên như giọng đọc của con người vẫn đang là một thách thức cần thời gian lâu dài để tối ưu.
Giọng đọc AI thiếu cảm xúc
Hơn thế nữa, các giọng nói được tạo ra từ công nghệ chuyển văn bản thành âm thanh (Text to Audio) vẫn còn hạn chế về mặt cảm xúc. Trong quá trình giao tiếp, con người thường thể hiện rất nhiều sắc thái cảm xúc khác nhau trong lời nói. Tuy nhiên, các giải pháp chuyển văn bản thành giọng nói hiện tại chỉ có khả năng truyền tải những cảm xúc cơ bản và còn vướng mắc khá nhiều trong việc truyền tải các trạng thái cảm xúc phức tạp hay biến đổi ngữ điệu linh hoạt.
Hạn chế này thể hiện rõ nhất trong các ứng dụng như sách nói, trợ lý ảo và chatbot dịch vụ khách hàng. Đây đều là những lĩnh vực đòi hỏi khả năng biểu đạt cảm xúc cực kỳ quan trọng để tạo ra các tương tác hấp dẫn và dễ hiểu.
Vì vậy, việc phát triển các thuật toán tiên tiến hơn để nắm bắt và tái tạo đa dạng cảm xúc con người trong giọng đọc AI là điều cần thiết để nâng cao trải nghiệm người dùng và làm cho công nghệ TTS trở nên linh hoạt và hiệu quả hơn.
Hỗ trợ ngôn ngữ hạn chế
Sự đa dạng của ngôn ngữ vượt ra ngoài các cấu trúc ngôn ngữ đơn thuần. Hiện có khoảng hơn 7.000 ngôn ngữ được sử dụng trên thế giới và việc tạo mô hình chuyển văn bản thành tiếng nói (Text to Voice) cho mỗi ngôn ngữ là một thách thức phức tạp. Bởi mỗi ngôn ngữ lại có các phương ngữ và giọng điệu khác nhau. Điều này khiến cho việc đảm bảo phát âm tự nhiên và chính xác trở nên khó khăn.
Ngắt nghỉ không tự nhiên
Thông thường giọng đọc của con người sẽ có những khoảng ngắt nghỉ tự nhiên do các hành động như nuốt, thở và nghỉ ngắn trước khi bắt đầu một câu hoặc đoạn mới. Tuy nhiên hầu hết các hệ thống TTS chưa có khả năng xác định các khoảng ngắt nghỉ thích hợp dẫn đến các giọng đọc được tạo ra không được chân thực.
Những khoảng ngắt nghỉ tự nhiên là yếu tố vô cùng cần thiết để mang lại trải nghiệm người nghe “chân thực” và giống con người hơn. Việc nói liên tục không ngắt nghỉ có thể gây khó chịu cho người nghe và thậm chí làm giảm khả năng tập trung của họ.
Khó khăn trong việc xử lý các từ khó phát âm
Các hạn chế về mặt kỹ thuật như hạn chế tùy chọn giọng đọc hoặc không thể xử lý các văn bản khó phát âm cũng là những thách thức đối với các hệ thống tổng hợp tiếng nói (Voice synthesis). Với các từ vựng phức tạp hoặc liên quan đến kỹ thuật, chẳng hạn như thuật ngữ y tế hoặc thuật ngữ khoa học, hệ thống chuyển văn bản thành giọng nói sẽ mất rất nhiều thời gian để hiểu và xử lý chính xác.
Bản chất của công nghệ này là dựa trên cơ sở dữ liệu các từ và cách phát âm liên quan nên có thể phát âm sai hoặc hiểu sai các từ vựng kỹ thuật, dẫn đến gây ra sự nhầm lẫn hoặc thiếu chính xác. Hạn chế này có thể khiến người dùng khó tương tác hơn với nội dung đòi hỏi hiểu biết sâu hơn về ngôn ngữ kỹ thuật.
Hạn chế của công nghệ Text-to-speech về mặt đạo đức và xã hội
Mức độ phổ biến và độ hoàn thiện ngày càng tăng của giọng đọc nhân tạo đã đặt ra những thách thức quan trọng đối với việc quản lý và sử dụng công nghệ này một cách có đạo đức.
Bị lợi dụng vào mục đích xấu
Một trong những mối lo ngại khi sử dụng công nghệ TTS là khả năng thao túng và thông tin sai lệch. Với khả năng tạo ra các video và âm thanh nhanh chóng, kẻ xấu có thể tận dụng lợi ích của chuyển văn bản thành giọng nói để tạo ra các nội dung với mục đích xấu, thậm chí là đánh lừa và thao túng các cá nhân, dẫn đến hậu quả nghiêm trọng trên các diễn đàn công cộng, quảng cáo và tương tác cá nhân.
Lừa đảo (giả mạo giọng nói)
Với khả năng tạo ra các video và âm thanh nhanh chóng, kẻ xấu có thể tận dụng công nghệ này để tạo ra các nội dung với mục đích xấu, thậm chí là đánh lừa và thao túng các cá nhân, dẫn đến hậu quả nghiêm trọng trên các diễn đàn công cộng, quảng cáo và tương tác cá nhân.
Mặt khác, các công nghệ này cũng có thể gây ra mối đe dọa đối với quyền riêng tư và bảo mật, vì các cá nhân có thể trở thành mục tiêu tống tiền, lừa đảo qua mạng.
Quyền con người (vấn đề việc làm)
Bên cạnh đó việc ứng dụng giọng nói AI trong nhiều ngành nghề và lĩnh vực vừa mang đến giải pháp thúc đẩy hiệu suất làm việc, mặt khác điều này cũng dấy lên những lo ngại về vấn đề việc làm.
Một mặt TTS có thể tự động hóa các tác vụ đơn giản mang tính chất lặp đi lặp lại giúp giải phóng vai trò của con người đồng thời nâng cao hiệu suất và tiết kiệm chi phí. Tuy nhiên các tác vụ này trước đây vốn do con người thực hiện nên việc ứng dụng TTS có thể dẫn đến nguy cơ thất nghiệp cho người lao động.
Điển hình như việc ứng dụng công nghệ chuyển văn bản sang tiếng nói để tạo thu âm lồng tiếng video có thể thay thế vai trò của các diễn viên lồng tiếng trong một số trường hợp nhất định. Hay việc ứng dụng giọng nói AI và Chatbot có thể xử lý các vấn đề cơ bản của khách hàng ngay lập tức có thể dẫn đến giảm nhu cầu về nhân viên tổng đài, đặc biệt là những nhân viên làm các công việc đơn giản, lặp đi lặp lại.
Bản quyền về giọng nói
Các vấn đề liên quan đến bản quyền cũng là một trong những hạn chế và mối quan tâm đạo đức hàng đầu khi thảo luận về công nghệ chuyển văn bản sang âm thanh (Text to Audio). Vấn đề bản quyền phát sinh khi giọng nói của một người được thu âm và sử dụng để tạo ra giọng nói tổng hợp trong công nghệ TTS mà không có sự đồng ý của họ có thể vi phạm quyền riêng tư và quyền sở hữu trí tuệ.
Ví dụ điển hình về vi phạm bản quyền giọng nói trong công nghệ TTS như sử dụng giọng nói của người nổi tiếng để tạo thu âm lồng tiếng mà không được sự cho phép của họ hay nhân bản giọng nói của người khác để thực hiện các hành vi lừa đảo, giả mạo,….
Để giải quyết các vấn đề liên quan đến bản quyền cần có những quy định pháp lý rõ ràng về việc sử dụng giọng nói trong công nghệ tổng hợp giọng nói. Mặt khác, các quy định này cần đảm bảo sự cân bằng giữa quyền lợi của chủ sở hữu giọng nói và lợi ích chung của xã hội.
Nhìn về tương lai, với những tiến bộ liên tục của công nghệ chuyển văn bản thành giọng nói hứa hẹn sẽ định hình lại bối cảnh của giọng đọc AI. Bao gồm việc cải thiện tính tự nhiên trong giọng nói và những hạn chế về mặt đạo đức đã đề cập ở trên. Điều quan trọng là phải lường trước và chủ động giải quyết tất cả những tác động này để đảm bảo TTS phục vụ lợi ích của xã hội một cách có trách nhiệm và có đạo đức.
