TTS là gì — đọc văn bản thành giọng nói tự nhiên để doanh nghiệp nói chuyện ở quy mô

Bài này dành cho chủ doanh nghiệp và người quyết. TTS được giải bằng ẩn dụ dễ hiểu, kèm khác giọng thu sẵn, cơ chế và cách MONA áp dụng.

Vì sao đáng quan tâm: TTS là nửa còn lại của giọng nói. Ghép với ASR để nghe, doanh nghiệp có cả một trợ lý nói chuyện được với khách qua điện thoại.

Hình dung một đài phát thanh. Nếu chỉ có băng thu sẵn, đài chỉ phát đúng những câu đã thu, muốn đọc bản tin mới phải vào phòng thu lại. Mỗi thay đổi nhỏ là một lần thu.

Một phát thanh viên thật thì khác. Đưa cho họ tờ giấy nào cũng đọc được ngay, đọc trôi chảy, ngữ điệu tự nhiên, không cần chuẩn bị trước từng câu.

Giọng thu sẵn là băng thu trước. TTS là phát thanh viên tự động: đưa văn bản nào cũng đọc thành giọng nói được ngay, nên nói được vô số câu mà không phải thu lại.

TTS nhận chuỗi chữ, phân tích cách đọc rồi sinh ra dạng sóng âm thanh nghe như giọng người, dựa trên mô hình học từ rất nhiều giọng nói thật. Giọng, tốc độ, ngữ điệu có thể điều chỉnh.

• Từ chữ sang cách đọc. Hiểu chữ viết tắt, số, ngắt câu để đọc đúng.
• Sinh giọng tự nhiên. Tạo âm thanh có ngữ điệu, không đều đều như máy cũ.
• Tuỳ chỉnh giọng. Chọn giọng, tốc độ, đôi khi cả sắc thái cảm xúc.

TTS là bước phát ra của xử lý giọng nói. Mô hình ngôn ngữ nghĩ ra câu trả lời, TTS đọc câu đó cho khách nghe, khép kín một cuộc đối thoại bằng giọng.

• Tổng đài tự động. Nói được câu trả lời bất kỳ thay vì chỉ phát câu thu sẵn.
• Thông báo theo thời gian thực. Đọc trạng thái đơn, nhắc lịch ngay khi có.
• Đọc nội dung cho khách. Bài viết, hướng dẫn, sách nói phục vụ người thích nghe.
• Giọng đồng nhất đa kênh. Một giọng thương hiệu dùng cho mọi điểm chạm.
• Tiết kiệm thu âm. Đổi nội dung không phải vào phòng thu lại.

TTS là cách đưa giọng nói vào dịch vụ mà không bị khoá vào kho câu thu sẵn cứng nhắc và tốn kém.

Một dây chuyền TTS chuẩn gồm bốn nhịp:

• Chuẩn hoá văn bản. Đọc số, ngày, viết tắt, đơn vị cho đúng tiếng Việt.
• Sinh giọng. Tạo âm thanh tự nhiên với ngữ điệu và nhịp hợp lý.
• Áp giọng thương hiệu. Chọn giọng, tốc độ nhất quán với nhận diện doanh nghiệp.
• Phát ra kênh. Đưa giọng vào tổng đài, ứng dụng hoặc file thông báo.

Với tiếng Việt, khâu chuẩn hoá cách đọc rất quan trọng: đọc sai số tiền, sai tên riêng làm mất uy tín ngay, nên cần tinh chỉnh theo nội dung thật.

Giả sử cần gọi nhắc khách về một đơn hàng sắp giao, kèm mã đơn và khung giờ. Mỗi khách một mã, một giờ khác nhau, không thể thu sẵn từng câu.

TTS nhận câu thông báo có chèn mã đơn và giờ, chuẩn hoá cách đọc số rồi sinh giọng tự nhiên đọc cho khách nghe. Cùng một mẫu câu, mỗi khách nghe đúng thông tin của mình.

Kết quả là doanh nghiệp gọi nhắc hàng loạt bằng giọng nói tự nhiên mà không cần người đọc và không cần thu trước. Đó là cách TTS đưa giọng vào việc ở quy mô.

Hai cách đưa giọng nói vào dịch vụ khác nhau rõ về linh hoạt:

Giọng thu sẵn vẫn hợp cho vài câu cố định ít đổi. TTS thắng khi nội dung nhiều, đổi thường xuyên và cần thông tin riêng cho từng khách.

Đưa TTS vào dịch vụ cần cân vài điểm:

• Độ tự nhiên. Giọng càng giống người thật thường càng nặng tính toán.
• Độ trễ. Nói trong cuộc gọi cần phát nhanh, không để khách chờ.
• Kiểm soát cách đọc. Số tiền, tên riêng, mã đơn phải đọc đúng, cần luật rõ.

Cách làm đúng là chọn mức tự nhiên đủ dùng cho từng kênh, ưu tiên đọc đúng thông tin quan trọng hơn là cố ép giọng hoàn hảo.

TTS phục vụ nhiều tình huống, chọn theo nhu cầu:

Thực tế thường bắt đầu từ thông báo và nhắc hẹn vì dễ thấy hiệu quả, rồi mở sang trợ lý nói trong cuộc gọi khi cần đối thoại tức thời.

• Bỏ qua chuẩn hoá cách đọc. Đọc sai số tiền, ngày, tên riêng làm mất uy tín.
• Chọn giọng quá nặng cho cuộc gọi. Giọng đẹp nhưng trễ cao khiến khách chờ.
• Giọng không nhất quán. Mỗi kênh một giọng làm loãng nhận diện thương hiệu.
• Đọc đều đều vô cảm. Thiếu ngắt nghỉ và ngữ điệu khiến khách khó nghe.
• Lạm dụng cho mọi việc. Có chỗ khách cần đọc chữ hoặc cần người thật, không nên ép giọng.

Phần lớn trải nghiệm TTS kém đến từ khâu chuẩn hoá cách đọc và chọn giọng sai kênh, không phải từ bản thân giọng nói. Làm kỹ thì rất tự nhiên.

MONA làm TTS theo tình huống nghiệp vụ, không bật giọng máy cho có:

• Chọn tình huống trước. Bắt đầu từ thông báo, nhắc hẹn hoặc trợ lý tổng đài.
• Chuẩn hoá cách đọc tiếng Việt. Đọc đúng số tiền, ngày, mã đơn, tên riêng.
• Chọn giọng thương hiệu. Một giọng nhất quán, hợp ngành và đối tượng khách.
• Nối kênh phát. Đưa giọng vào tổng đài, app, thông báo, ghép với ASR cho đối thoại hai chiều.

Thông báo bằng giọng có thể chứa thông tin cá nhân của khách. MONA tuân thủ guardrails và nguyên tắc dữ liệu theo Nghị định 13/2023, kiểm soát nội dung đọc ra cho khách.

TTS đáng cân nhắc khi doanh nghiệp cần nói cho khách nghe ở quy mô:

• Tổng đài, chăm sóc khách. Trợ lý gọi nói câu trả lời bất kỳ, nhắc hẹn.
• Thông báo theo sự kiện. Báo trạng thái đơn, lịch, biến động cho từng khách.
• Nội dung dạng nghe. Bài viết, hướng dẫn, đào tạo cho người thích nghe.
• Dịch vụ đa kênh. Cần một giọng thương hiệu nhất quán mọi nơi.

Khi chỉ cần vài câu cố định, giọng thu sẵn vẫn ổn. Khi nội dung nhiều, đổi thường xuyên và cần thông tin riêng từng khách, TTS là lựa chọn co giãn được.

TTS dễ hiểu nhưng làm cho tự nhiên và đọc đúng tiếng Việt cần kinh nghiệm chuẩn hoá cách đọc và chọn giọng. Doanh nghiệp nên cân nhắc MONA khi:

• Muốn tổng đài hoặc trợ lý nói được câu trả lời bất kỳ thay vì câu thu sẵn.
• Cần gọi nhắc, thông báo hàng loạt với thông tin riêng từng khách.
• Cần giọng đọc tiếng Việt đúng số tiền, tên riêng và nhất quán thương hiệu.
• Muốn ghép giọng nói hai chiều, nghe bằng ASR và nói bằng TTS.

Giải pháp giọng nói của MONA dựng dây chuyền TTS chuẩn hoá cho tiếng Việt và ghép với ASR thành trợ lý nói chuyện được. Tham khảo Sale AI cho tổng đài và nhắc hẹn, LMS AI cho nội dung đào tạo dạng nghe.