Công nghệ deepfake chuyển văn bản thành giọng nói và âm thanh hoạt động ra sao?
Những công nghệ mới như tổng hợp giọng nói và chuyển văn bản thành giọng nói (TTS) được thiết kế để nhân bản giọng nói của một người, khiến nó nghe cực kỳ giống thật. Nhiều người dùng, chẳng hạn như các nhà làm phim và nhà phát triển game, đã tận dụng nhân bản giọng nói để tạo các bản lồng tiếng chất lượng cao và giọng nói cá nhân hóa cho nhân vật của họ. Trong bài viết này, bạn sẽ khám phá mọi thứ về công nghệ deepfake TTS.
Deepfaking là gì?
Deepfaking là một công cụ dựa trên trí tuệ nhân tạo sử dụng học sâu để thay thế hình ảnh của một người bằng người khác trên video hoặc tệp đa phương tiện. Các thuật toán học sâu xử lý và thao tác trên lượng dữ liệu khổng lồ được cung cấp, trong trường hợp này là các đoạn video của một người. Nhờ toàn bộ thông tin này, thuật toán sẽ học và tạo ra dữ liệu mới để thay thế khuôn mặt trong nội dung số. Kết quả là sản phẩm giả nhưng trông như thật. Cách phổ biến nhất để tạo deepfake là sử dụng mạng nơ-ron nhân tạo. Bạn cần một video nền và các đoạn video ngắn bổ sung của cùng một người. Cung cấp cho công cụ càng nhiều thông tin càng tốt thì phần mềm càng có khả năng tái tạo khuôn mặt của người đó từ mọi góc độ. Những ứng dụng tiên tiến nhất còn cho phép deepfake theo thời gian thực. Các phần mềm deepfake có thể tìm thấy trên các cộng đồng mã nguồn mở như GitHub. Một ví dụ là Vall-E. Ứng dụng này sử dụng Emotional Voices Database, cho phép tạo ra các bài nói chuyện cá nhân hóa với cảm xúc giống người thật.
Chuyển văn bản thành giọng nói hỗ trợ deepfaking thế nào?
Deepfaking không chỉ giới hạn ở video. Công nghệ AI còn phát triển đến mức có thể tái tạo giọng nói con người sao cho người nghe gần như không phân biệt được đâu là giọng thật, đâu là giọng giả. Cũng giống deepfake video, một trình tạo giọng nói cần được huấn luyện trên mô hình ngôn ngữ. Điều này đòi hỏi cung cấp cho phần mềm nhiều bản thu âm của người nói nhằm giúp AI nhân bản giọng nói gốc. Những sản phẩm deepfake âm thanh như vậy ngày càng phổ biến trên mạng xã hội.
Bạn có nhận ra giọng deepfake không?
Mặc dù các bộ tổng hợp giọng nói được thiết kế để tạo ra giọng nói tự nhiên, các nhà nghiên cứu đã dùng động lực học chất lỏng để phát hiện sự khác biệt giữa giọng người và giọng tổng hợp. Giọng deepfake được tạo ra bằng cách mô phỏng hệ thống phát âm không tồn tại ở người. Do đó, dù nghe rất giống thật, chúng thực chất không phải vậy. Tuy nhiên, công nghệ này vẫn không ngừng phát triển và có thể sẽ đạt đến mức bạn gần như không thể phân biệt âm thanh deepfake với giọng thật. Vì phần lớn giao tiếp giữa con người hiện nay là qua âm thanh như tin nhắn thoại hay cuộc gọi, nên giọng deepfake đã trở thành một mối nguy hiểm. Không ít người có thể dùng mô hình giọng nói để lừa đảo.
Công nghệ deepfake — Ưu và nhược điểm
Ưu điểm
- Cá nhân hóa — Đối với các thương hiệu, deepfake cho phép họ tạo ra các chiến dịch “đo ni đóng giày” cho khách hàng hơn. Ví dụ, thương hiệu có thể xét đến sắc tộc của khách hàng để tạo ra mô hình giống họ, giúp đối tượng mục tiêu dễ hình dung sản phẩm sẽ như thế nào khi dùng thử.
- Chiến dịch hiệu quả hơn — Khi loại bỏ chi phí thuê diễn viên, các công ty có thể triển khai các chiến dịch đa kênh. Thay vì phải quay lại nhiều lần cho từng nền tảng, công nghệ chuyển văn bản thành giọng nói có thể được dùng để tạo nội dung cho nhiều kênh marketing, như podcast và dịch vụ phát trực tuyến.
- Video giá rẻ — Chi phí thuê diễn viên đóng thật là một trong những khoản chi lớn của chiến dịch. Vì vậy, các marketer có xu hướng mua giấy phép sử dụng danh tính của diễn viên. Thay vì phải ghi lại cùng một đoạn âm thanh nhiều lần, họ có thể chỉnh sửa deepfake.
Nhược điểm
- Vấn đề đạo đức — Một thương hiệu có thể sử dụng deepfake vì nhiều mục đích khác nhau. Dù phần lớn ứng dụng là tích cực, như nâng cao câu chuyện thương hiệu, nhưng một số trường hợp có thể phi đạo đức và làm ảnh hưởng đến uy tín công ty. Ví dụ điển hình cho việc sử dụng công nghệ máy học thiếu đạo đức là có startup dùng deepfake để tạo đánh giá công ty giả.
- Rủi ro lừa đảo — Đã có nhiều người trở thành nạn nhân của các vụ lừa đảo deepfake. Giọng deepfake nghe quá giống thật khiến hầu như không ai nghi ngờ tính xác thực của một cuộc gọi.
Tạo giọng AI tự nhiên với Speechify
Speechify là một ứng dụng chuyển văn bản thành giọng nói được tạo ra để giúp người dùng nghe văn bản của họ. Bạn có thể tự tạo nội dung trên ứng dụng hoặc tải lên tài liệu của mình. Ứng dụng sẽ tự động tạo ra đoạn audio từ văn bản để bạn tải xuống. Ngoài ra, Speechify còn cho phép bạn tùy chỉnh giọng lồng tiếng bằng cách thay đổi cao độ và tốc độ theo ý muốn. Ứng dụng cũng hỗ trợ hơn 30 ngôn ngữ. Nền tảng tương thích với máy tính Microsoft, Apple, Android và iOS. Hãy thử Trình tạo Voice Over của Speechify ngay hôm nay và bắt đầu tạo audio với giọng AI tự nhiên.
Câu hỏi thường gặp
Có thể deepfake âm thanh không?
Có, deepfake âm thanh còn được gọi là nhân bản giọng nói hoặc giọng nói tổng hợp.
Làm thế nào để có giọng trầm với chuyển văn bản thành giọng nói?
Nhiều phần mềm chuyển văn bản thành giọng nói đã được phát triển để tạo giọng trầm nghe vô cùng tự nhiên. Speechify, chẳng hạn, hỗ trợ 30 loại giọng khác nhau, bao gồm cả các giọng nam trầm.
Âm thanh deepfake là gì?
Phiên bản âm thanh của deepfake là một bản ghi được tạo ra bởi công cụ AI, nhân bản giọng nói của một người thật bằng học sâu. Các công cụ như Resemble.ai có thể tạo deepfake audio cho mục đích giải trí.
15.ai có mất phí không?
Không, 15.ai là phần mềm miễn phí phi thương mại. Tuy nhiên, ứng dụng web AI này đã bị tạm ngừng hoạt động vào năm 2022 để bảo trì.
Sự khác nhau giữa deepfake chuyển văn bản thành giọng nói và deepfake âm thanh là gì?
Deepfake là công nghệ AI tái tạo hình ảnh của một người trên video, trong khi deepfake âm thanh tập trung vào giọng nói. Chuyển văn bản thành giọng nói là công nghệ chuyển đổi bất kỳ văn bản nào thành âm thanh. Tuy nhiên, trong trường hợp chuyển văn bản thành giọng nói, giọng nói không nhất thiết phải giống với diễn viên lồng tiếng hay người nổi tiếng, trừ khi nền tảng ghi chú rõ.
Ứng dụng chuyển văn bản thành giọng nói nào tốt nhất?
Speechify là một trong những ứng dụng tốt nhất hiện nay, với nhiều tính năng hữu ích cho phép người dùng tạo ra tệp âm thanh chân thực từ văn bản.
Tại sao âm thanh deepfake lại khó phát hiện?
Deepfake dựa trên thuật toán mạng nơ-ron tự học. Càng có nhiều thông tin cung cấp cho hệ thống thì nó càng học tốt cách bắt chước giọng nói con người, khiến việc nhận biết càng trở nên khó khăn.
Cách sử dụng deepfake như thế nào?
Deepfake có thể được sử dụng cho mục đích giải trí hoặc để tạo lồng tiếng cho video và các nội dung đa phương tiện khác.
