Bạn vừa thu xong một đoạn thuyết minh sản phẩm dài ba phút, đưa vào video rồi mới nhận ra vấn đề: lật hết thư viện giọng nói có sẵn mà không giọng nào giống người bạn hình dung. Quá trẻ, quá giống phát thanh viên, giọng vùng miền cũng không đúng.

Nhiều người đến bước này sẽ làm cùng một việc: tìm công cụ nhân bản giọng nói, lấy một giọng làm mẫu. Nhưng thứ họ gặp tiếp theo thường không phải vấn đề kỹ thuật, mà là một câu hỏi khác: giọng này là của ai? Người đó có biết không?

Trong video Gemini 3.8 Flash TTS with Voice Cloning, Sam Witteveen đặt cả hai chuyện này vào cùng một video. Bài viết này sắp xếp lại các điểm chính của video và bổ sung những điều cần nghĩ rõ trước khi sử dụng.

Hai mô hình mới, phân công khác nhau

Theo video, lần này Google ra mắt hai mô hình chuyển văn bản thành giọng nói: Gemini 3.8 Flash TTS và Gemini 3.8 Flash Light TTS.

Hai mô hình có định vị khác nhau. Flash TTS thiên về sáng tạo, phù hợp lồng tiếng nhân vật, sách nói, Podcast, trò chơi. Flash Light thiên về sản xuất hàng loạt, phù hợp chuyển đổi lồng tiếng, xuất lượng lớn âm thanh, voice agent, tức là những trường hợp chi phí quan trọng hơn việc chỉnh từng chữ.

Google tự nhận đây là mô hình giọng nói biểu cảm nhất hiện nay. Thái độ của tác giả video là: đúng một phần, nhưng nhìn vào các con số độc lập thì kết quả phân hóa hơn so với những gì blog chính thức trình bày. Hãy nhớ câu này, phần sau sẽ quay lại.

Không chọn giọng, mà mô tả giọng

Video cho rằng tính năng đáng chú ý nhất là thiết kế giọng nói. Bạn không cần chọn một giọng trong danh sách cố định mà dùng lời thường để mô tả giọng mình muốn, gồm vai diễn, giọng vùng miền, độ tuổi, và mô hình sẽ tạo ra theo đó. Video nói rằng có hỗ trợ hơn 100 ngôn ngữ.

Tác giả cũng nói đến chỗ loại mô hình này hay làm người dùng bí: không giọng mặc định nào dùng được, cuối cùng đành chuyển sang nhân bản. Cách làm của anh là tạo nhiều giọng tổng hợp từ các mô tả hơi khác nhau, chọn giọng tốt nhất, rồi nhân bản chính giọng nhân tạo đó. Lợi ích là đối tượng bị sao chép vốn không phải người thật.

Ngoài ra, thư viện có hơn 2.000 giọng cùng nhiều giọng vùng miền, có thể điều chỉnh rồi lưu lại để dùng nhiều lần.

Video có trình diễn một nhân vật nhà thiên văn học: khoảng sáu mươi tuổi, giọng Anh. Nhận xét của tác giả rất thực tế: nghe hơi giống lời dẫn phim tài liệu, nhưng anh thấy giọng trẻ hơn nhiều so với độ tuổi đã đặt. Điều này nhắc rằng mô tả không đồng nghĩa với đảm bảo, bạn cần nghe thử.

Đạo diễn từng câu, và hội thoại hai người

Sau khi chọn được giọng, bạn có thể đưa chỉ dẫn biểu diễn cho từng câu: câu này thì thầm, câu này gấp gáp, câu này mang chút mỉa mai. Trong văn bản cũng có thể chèn thẻ phi ngôn ngữ như thở dài, cười, hít vào.

Video thử cùng một câu với ba phong cách là bình thản, hào hứng, căng thẳng gần như thì thầm, và tác giả cảm thấy nghe khác nhau rất nhiều. Anh đặc biệt thích một điểm: phong cách ảnh hưởng đến độ dài âm thanh, thay vì ép nội dung vào một khoảng thời gian cố định.

Ngoài ra, một lần gọi API có thể mang hai người nói, mỗi người một phong cách riêng. Google tuyên bố bản ghi dài vẫn giữ được giọng ổn định, không bị trôi. Tác giả nói gần đây anh quả thật gặp vấn đề văn bản dài càng đọc càng lệch ở một số TTS mã nguồn mở, nên điểm này hấp dẫn với anh. Có điều sau khi nghe bản trình diễn hai người, cảm giác của anh là nó rất giống một chương trình kiểu NotebookLM tạo tự động.

Voice cloning: mẫu 30 giây, kèm một đoạn ghi âm đồng ý

Tiếp theo là phần nhạy cảm nhất của cả video. Video nói cách thao tác là cung cấp mẫu khoảng 30 giây để hệ thống tạo ra giọng đó.

Nhưng quy trình có một chốt chặn: người bị nhân bản phải ghi một đoạn tuyên bố đồng ý, và đoạn này phải khớp với người nói trong âm thanh tham chiếu thì hệ thống mới tạo giọng sao chép. Video còn nhắc mỗi đoạn đầu ra đều được gắn watermark SynthID kèm chứng nhận C2PA.

Video cũng chỉ ra rằng tính năng voice cloning trong AI Studio, do yêu cầu pháp lý, không dùng được ở khá nhiều quốc gia, thậm chí ở một số bang của Hoa Kỳ. Điều này cho thấy ngay cả Google cũng xử lý chuyện này rất thận trọng. Còn việc tính năng có dùng được ở Việt Nam hay không, video không nói, bài viết này cũng chưa kiểm chứng, vui lòng tự xác nhận trước khi dùng.

Kết quả thử nghiệm của tác giả hơi bất ngờ: nhân bản từ 30 giây giọng của chính mình, anh nghe thấy "khác biệt khá lớn", và đoán rằng đưa âm thanh tham chiếu dài hơn sẽ tốt hơn. Đồng thời anh cho rằng Qwen TTS mã nguồn mở vẫn rất mạnh ở khoản nhân bản, nhưng ở phần tạo giọng bằng mô tả thì Gemini có lợi thế hơn.

Dừng lại một chút: sự đồng ý, mạo danh và việc bạn nên làm

Phần này không phải trọng tâm của video, nhưng là phần bạn thực sự phải tự chịu trách nhiệm.

Rủi ro lớn nhất của nhân bản giọng nói không phải là âm thanh chưa đủ giống, mà là quá giống. Giọng nói có thể bị dùng để mạo danh người khác, lừa đảo, hoặc phát ngôn thay mà đối phương không hề hay biết. Việc Google đưa bản ghi âm đồng ý của chính người đó vào thành một mắt xích trong quy trình kỹ thuật chính là vì hậu quả của việc lạm dụng loại này rất nặng.

Nếu bạn định dùng voice cloning, hãy làm ít nhất những việc sau.

Một, chỉ sao chép giọng của chính bạn, hoặc có văn bản ủy quyền rõ ràng, lưu giữ được từ chủ nhân giọng nói, nêu rõ mục đích, phạm vi và thời hạn.

Hai, không sao chép giọng của người nổi tiếng, đồng nghiệp, khách hàng hay bất kỳ bên thứ ba nào, dù chỉ là "thử cho biết".

Ba, nếu công bố âm thanh ra bên ngoài, hãy chủ động ghi rõ đó là giọng tổng hợp bằng AI, đồng thời lưu giấy ủy quyền và nhật ký tạo giọng.

Bốn, nếu có thể dùng thiết kế giọng nói để tạo một giọng tổng hợp không thuộc về ai, thông thường sẽ an toàn hơn nhân bản người thật.

Những điều trên là nhắc nhở chung về rủi ro, không phải ý kiến pháp lý. Quy định về hình ảnh, giọng nói và dữ liệu cá nhân khác nhau tùy nơi, trước khi dùng cho mục đích thương mại hãy tham khảo bộ phận pháp chế.

Bài kiểm tra benchmark: nên hiểu "hạng nhất" thế nào

Quay lại câu nói ở trên. Video cho biết các con số của Google chủ yếu trích từ benchmark của Hume AI, tuyên bố Flash TTS xếp hạng nhất trong benchmark thiết kế giọng nói của Hume, đặc biệt giỏi về giọng vùng miền.

Tác giả sau đó chỉ ra một mối liên hệ lợi ích: một trong hai tác giả của bài blog đó, trước tháng 1 năm nay từng là CEO kiêm giám đốc khoa học của Hume AI; khi ấy Google DeepMind đã cấp phép công nghệ của Hume và tuyển một nhóm nhân sự của công ty. Tác giả nhấn mạnh anh không nói con số sai, mà việc dùng benchmark do chính mình thiết kế để chấm chính mình thì chưa chắc là cách đánh giá tốt nhất.

Tham chiếu độc lập hơn là bảng xếp hạng Elo theo mức ưa thích của Artificial Analysis: Gemini 3.8 Flash TTS đứng thứ hai, Flash Light đứng thứ sáu, Flash đứng ngay trước Audio 3 TTS Plus mới của Qwen. Video nói Gemini nổi bật ở các hạng mục liên quan đến phát âm, điều này quan trọng với voice agent phải đọc số, mã số. Đa ngôn ngữ là thế mạnh của Google, nhưng Cartesia và ElevenLabs cũng tiến bộ rất nhanh.

Về giá, theo video thì Google nằm ở mức giữa: có lợi thế về giá hơn một số gói của Cartesia, ElevenLabs, và cả Minimax, nhưng còn rất xa mức rẻ nhất. Thú vị hơn, Flash Light không rẻ hơn Flash bao nhiêu, khác với tình hình ở các phiên bản mô hình văn bản. Cảm nhận của tác giả sau khi nghe thử là Light có xu hướng uể oải hơn, có thể kéo dài hơn, còn Flash đắt hơn khoảng 50%, nên nếu không phải nội dung dài thì có lẽ anh sẽ chọn mô hình có chất lượng âm thanh tốt hơn.

Kết: đổi cách đặt câu hỏi

Quay lại đoạn thuyết minh ba phút ở đầu bài.

Bạn tưởng vấn đề là "giọng nào giống nhất". Video chỉ trình diễn quy trình thiết kế bằng mô tả và nhân bản; còn lời khuyên của bài viết này là: trước hết hãy dùng mô tả để thiết kế một giọng không thuộc về ai, khi cần nhân bản thì chỉ nhân bản giọng của chính bạn, hoặc của người đã ủy quyền rõ ràng cho bạn.

Lần tới khi lật thư viện giọng nói đến phát bực, hãy tự hỏi hai câu trước: giọng này là của ai? Người đó đã đồng ý chưa? Có câu trả lời cho hai câu này rồi hãy bàn đến giống hay không.

Câu hỏi thường gặp

Câu 1: Gemini 3.8 Flash TTS và Flash Light TTS khác nhau ở đâu? Theo video, Flash thiên về sáng tạo như nhân vật, sách nói, Podcast, trò chơi; Flash Light thiên về sản xuất hàng loạt như chuyển đổi lồng tiếng và voice agent. Video cũng cho biết chênh lệch giá giữa hai bên không lớn, Flash đắt hơn khoảng 50%.

Câu 2: Voice cloning cần mẫu như thế nào? Video trình diễn dùng âm thanh tham chiếu khoảng 30 giây và yêu cầu người bị nhân bản ghi âm một đoạn tuyên bố đồng ý. Tác giả cho rằng mẫu dài hơn có thể cho kết quả tốt hơn, nhưng đó là phỏng đoán của anh, không phải cam kết chính thức.

Câu 3: Có thể nhân bản giọng của người khác không? Không nên làm tùy tiện. Cần có sự ủy quyền rõ ràng của chính người đó; quy trình trong video cũng yêu cầu chính người đó ghi âm tuyên bố đồng ý và đối chiếu với giọng tham chiếu. Sao chép giọng người khác khi chưa được đồng ý có thể liên quan đến mạo danh và các vấn đề pháp lý khác.

Câu 4: Khu vực của tôi có dùng được voice cloning không? Video chỉ ra rằng tính năng này trong AI Studio không dùng được ở khá nhiều quốc gia và một số bang của Hoa Kỳ. Việc Việt Nam có dùng được hay không, bài viết chưa kiểm chứng, vui lòng lấy thông báo chính thức của Google làm chuẩn.

Tuyên bố nguồn dữ liệu

Bài viết này là bản biên soạn lại và tổng hợp, không phải dịch từng câu. Nội dung được sắp xếp lại dựa trên video YouTube Gemini 3.8 Flash TTS with Voice Cloning, kênh Sam Witteveen, ngày đăng 2026-09-24, liên kết gốc https://www.youtube.com/watch?v=GDUBXR-ql78. Các nhận định về nhân vật và benchmark đều là quan điểm của người nói trong video và đã ghi rõ nguồn gốc; trong phụ đề không thấy lời công bố tài trợ. Các mô tả liên quan đến giá chỉ là so sánh tương đối, chưa có bảng giá cụ thể, vui lòng xem trang chính thức. Phần nhắc nhở rủi ro về voice cloning là giải thích chung, không phải ý kiến pháp lý.

Đọc thêm

Trên trang của chúng tôi còn có bốn bài liên quan: một bài về Gemini 3.8 Live và extended thinking để chọn voice agent, một bài hướng dẫn dùng Gemini Live API dựng voice AI agent thời gian thực, một bài về giá Gemini API năm 2026 gồm Flash, Pro và Flash-Lite, và một bài hướng dẫn cách tính giá Token của Gemini.

Trước khi bạn chọn giọng tiếp theo

Nếu muốn xem danh sách mô hình, số dư và mức sử dụng của nhiều mô hình trong cùng một cửa vào, bạn có thể xem thử AI Token King tại aitokenking.com.tw/home. Mô hình giọng nói được nhắc trong bài có gọi được qua nền tảng này hay không, vui lòng lấy danh sách mô hình chính thức làm chuẩn.