Giọng nói deepfake và chuyển văn bản thành giọng nói

Nhờ vào những tiến bộ trong trí tuệ nhân tạo (AI) và học sâu, con người giờ đây có thể tạo ra phương tiện tổng hợp chất lượng cao và chân thực đến khó tin. Công nghệ này đã mở ra cánh cửa cho nhiều công nghệ sáng tạo mới, tác động đến vô số ngành công nghiệp. Một trong số đó là deepfake, còn được gọi là giọng nói tổng hợp và nhân bản giọng nói.

Deepfake voice là gì?

Deepfake là các nội dung truyền thông được tạo ra bằng máy, còn được biết đến như là nhân bản giọng nói. Với AI, người dùng có thể tạo ra video deepfake hoán đổi khuôn mặt ai đó trên màn ảnh hoặc khiến người đó nói điều mà xưa nay họ chưa từng phát ngôn, hay còn gọi là nhân bản giọng nói. Hãy tưởng tượng bạn có thể khiến giọng Arnold Schwarzenegger lặp lại bất cứ điều gì bạn muốn.

Quá trình này cần phần mềm chuyên dụng để phân tích khuôn mặt, xử lý giọng nói từ văn bản và mô phỏng chuyển động miệng trong không gian ba chiều.

Có nhiều ứng dụng tiên tiến cho công nghệ này, một trong số đó là nhân bản giọng nói. Hầu hết mọi người, dù không rành công nghệ, đều từng nghe đến các vụ bê bối deepfake. Tuy nhiên, gần đây có một bộ phim tài liệu phát hành sau khi Tony Bourdain qua đời khiến khán giả bất ngờ vì ông vẫn có thể tự thuật chuyện trong phim.

Các startup công nghệ đã hỗ trợ ê-kíp sản xuất tái tạo giọng nói của Bourdain để làm cho câu chuyện chân thực hơn. Đây thực sự là một thành tựu lớn, song cũng đặt ra không ít vấn đề đạo đức. Chỉ với một chiếc máy tính và phần mềm phù hợp, bất kỳ ai cũng có thể tạo ra hình ảnh hoặc âm thanh chỉnh sửa sai sự thật về người khác.

Deepfake được tạo ra như thế nào?

Trước tiên, bạn cần thu thập đủ mẫu giọng nói của ai đó. Dữ liệu đầu vào có thể đến từ bài đăng mạng xã hội, cuộc gọi điện thoại, chương trình truyền hình, v.v. Sau đó, phần mềm vận hành bằng thuật toán AI sẽ kết hợp các mẫu để tạo ra một giọng nói giả mạo. 

Đây chỉ là cái nhìn khái quát về một quy trình rất phức tạp, nhưng về cơ bản, công cụ AI sẽ dùng dữ liệu thu thập được để tạo ra các giọng nói tự nhiên có thể đọc văn bản số. Vì lý do này, deepfake có mối liên hệ mật thiết với công nghệ chuyển văn bản thành giọng nói (TTS). 

Sự tích hợp của giọng nói deepfake vào chuyển văn bản thành giọng nói

Người dùng có thể điều chỉnh các đặc điểm như âm sắc, độ tuổi và ngữ điệu nhờ vào công nghệ deepfake được tích hợp trong hệ thống chuyển văn bản thành giọng nói. Nhờ đó, họ có thể tạo ra giọng nói tổng hợp phù hợp với phong cách hoặc giọng điệu mong muốn, ví dụ khi bị khiếm khuyết về phát âm. Việc cá nhân hóa này giúp nâng cao khả năng giao tiếp và cải thiện chất lượng cuộc sống cho người dùng nói chung.

Nhờ ứng dụng deepfake, các nhà sáng tạo nội dung có thể sản xuất nội dung âm thanh ấn tượng hơn để thu hút người nghe và xây dựng sự trung thành. Họ dùng giọng nói deepfake mô phỏng các phát thanh viên nổi tiếng hoặc người nổi tiếng nhằm lôi cuốn và tạo hứng thú cho khán giả. Điều này đặc biệt giá trị với các nội dung đa phương tiện như sách nói, podcast, nơi âm thanh giữ vai trò đánh thức cảm xúc và tăng sự gắn kết của người nghe.

Tuy vậy, việc tích hợp giọng nói deepfake vào hệ thống TTS cũng đặt ra nhiều câu hỏi đạo đức. Giọng nói deepfake có thể bị lợi dụng để giả mạo hoặc thao túng – đánh lừa những người không biết hoặc không cho phép hành vi đó. Điều này cho thấy cần có những quy định và luật pháp nghiêm ngặt để đảm bảo công nghệ này được sử dụng đúng mục đích và có trách nhiệm.

Tóm lại, việc tích hợp giọng nói deepfake vào hệ thống chuyển văn bản thành giọng nói mang lại cơ hội cá nhân hóa và sáng tạo trong tổng hợp giọng nói. Công nghệ này hứa hẹn thay đổi mạnh mẽ cách chúng ta tương tác với giọng nói do máy tạo ra, khiến trải nghiệm trở nên thân thiện, dễ tiếp cận hơn và nâng cao sự hài lòng của người dùng, với điều kiện luôn đặt yếu tố đạo đức lên hàng đầu.

Ưu điểm

Deepfake mang lại nhiều điểm tích cực. Video deepfake “This Is Not Morgan Freeman” năm 2021 đã chứng minh công nghệ Tăng cường thực tế có thể được ứng dụng hữu ích như thế nào.

Đoạn video cho thấy khi huấn luyện AI bằng các bản ghi âm và đoạn phim, người ta có thể tạo ra bản nhái lại diễn xuất của nam diễn viên, gồm cả cử động, ngoại hình và giọng nói của ông. Như đã đề cập, công nghệ này có vấn đề về đạo đức, nhưng lại vô giá với những người như diễn viên Val Kilmer.

Tuy bị ung thư vòm họng khiến Val Kilmer mất giọng, nhiều người nghĩ đây sẽ là dấu chấm hết cho sự nghiệp Hollywood của ông. Trong phim tài liệu Prime Voice phát trên Amazon Prime về Kilmer, khán giả được tiết lộ rằng con trai ông chính là người lồng tiếng thay khi Kilmer đảm nhận vai diễn mới.

Tuy nhiên, khi Kilmer hợp tác với Sonantic – một startup về mô hình giọng nói, ông đã phần nào lấy lại được tiếng nói của mình. Nhờ công nghệ deepfake, công ty đã tái tạo giọng nói của Kilmer và khán giả có thể nghe lại giọng ông trong bộ phim Top Gun: Maverick mới ra mắt.

Nhược điểm

Học máy có thể bắt chước giọng nói của ai đó ở những thành phố như New York, nơi công nghệ phát triển nhanh chóng. Điều này khiến người dùng dễ vô tình tiết lộ thông tin cá nhân và rơi vào các cuộc gọi lừa đảo hoặc mạo danh.

Các mối quan ngại đạo đức về công nghệ Deepfake

Có nhiều câu hỏi về đạo đức liên quan đến việc sử dụng giọng nói deepfake và công nghệ deepfake chuyển văn bản thành giọng nói. Khi công nghệ phát triển hơn nữa, sẽ xuất hiện nhiều rủi ro mới. Ví dụ, các giọng nói AI của Arnold Schwarzenegger tự nhiên đến mức có thể đánh lừa người nghe. Điều này khiến chúng ta hoài nghi bất cứ điều gì mình nghe được và thậm chí nghi ngờ cả chính cảm nhận của bản thân.

Khi xã hội tiếp nhận bất kỳ công nghệ mới nào, cần hết sức cẩn trọng với các mặt trái có thể xảy ra. Deepfake có thể đánh lừa và tác động đến con người thông qua giọng nói. Vì vậy, lo lắng là điều hoàn toàn dễ hiểu, bởi nó có thể làm suy giảm niềm tin công chúng và xâm phạm quyền riêng tư.

Vấn đề cấp thiết nhất hiện nay là việc sử dụng deepfake một cách sai trái. Đặc biệt, việc dùng giọng nói tổng hợp trong các cuộc gọi lừa đảo và chiến dịch tung tin giả đang ngày càng lan rộng. Hãy tưởng tượng bạn nhận một cuộc gọi lạ nhưng nghe giọng cực kỳ quen thuộc — bạn nghĩ đó là bạn bè, người thân, hoặc người yêu. Thế nhưng, bạn sẽ nhanh chóng phát hiện tất cả chỉ là giả mạo. Sự thao túng này có thể gây ra hậu quả nghiêm trọng, ảnh hưởng đến cả cá nhân, cộng đồng hoặc thậm chí là cả một quốc gia.

Giảm thiểu tác động tiêu cực của việc sử dụng sai giọng nói deepfake

Để giảm mối đe dọa này, cần có các chương trình quản lý mạnh tay và nâng cao nhận thức người dùng. Giọng nói deepfake cần được sử dụng một cách thận trọng, với nguyên tắc và quy định rõ ràng do chính phủ và các công ty công nghệ phối hợp ban hành. Đã có những biện pháp hiệu quả nhằm phát hiện, ngăn chặn việc lạm dụng công nghệ giọng nói tổng hợp cũng như giáo dục người dùng về mối nguy hiểm tiềm ẩn này.

Ngoài ra, cần cân nhắc cẩn trọng khi đổi mới nhưng không vượt quá giới hạn trong việc sử dụng giọng nói deepfake và công nghệ chuyển văn bản thành giọng nói. Dù công nghệ rất hứa hẹn, song phải đảm bảo tính minh bạch và trách nhiệm rõ ràng khi ứng dụng. Việc thông báo cho người dùng về giọng nói tổng hợp giúp họ phân biệt được đâu là thật, đâu là giả.

Vấn đề pháp lý và quyền riêng tư liên quan đến giọng nói deepfake

Các yếu tố pháp lý và quyền riêng tư cũng là vấn đề lớn khi nói đến giọng nói deepfake. Điều này đặt ra câu hỏi về quyền sở hữu đối với giọng nói tổng hợp và nguy cơ bị sử dụng trái phép. Cần có hướng dẫn rõ ràng để giải quyết những vấn đề phức tạp này, bảo đảm quyền lợi cá nhân được bảo vệ và công nghệ được sử dụng có trách nhiệm.

Khi đối mặt với các vấn đề đạo đức quanh giọng nói deepfake, sự trao đổi cởi mở và toàn diện là điều cần thiết. Các nhà đạo đức học, nhà hoạch định chính sách, chuyên gia công nghệ và công chúng nên cùng nhau thảo luận, đưa ra giải pháp để định hướng tương lai công nghệ này vì lợi ích chung cho toàn xã hội.

Hãy tưởng tượng bạn nhận cuộc gọi nghe như người thân, bạn bè, nhưng thực chất đó là giọng giả đang cố lừa bạn. Điều này có thể gây hại cho cá nhân, cộng đồng và thậm chí cả quốc gia. Deepfake giọng nói có nhiều mục đích, từ giải trí như cho Alexa nói giọng người nổi tiếng đến các ứng dụng nghiêm trọng, dễ gây hiểu nhầm.

Sự cần thiết của quy định để sử dụng deepfake voice một cách đạo đức

Để bảo vệ người dùng, chúng ta cần các quy tắc chặt chẽ và chương trình giáo dục về giọng nói deepfake. Chính phủ và các công ty công nghệ nên phối hợp cùng nhau để tạo ra những chuẩn mực cho việc sử dụng deepfake đúng đắn, cũng như tìm cách phát hiện và ngăn chặn các deepfake gây hại.

Khi sử dụng giọng deepfake, cần thận trọng và cân nhắc yếu tố đạo đức. Dù công nghệ này rất hấp dẫn, nhưng nên được ứng dụng một cách minh bạch và trung thực. Người nghe nên được thông báo khi họ đang nghe một giọng nói do máy tính tạo ra để có thể tự quyết định mức độ tin tưởng thông tin ấy.

Việc thảo luận về các vấn đề liên quan đến giọng nói deepfake là rất quan trọng. Mọi người, từ chuyên gia đến người dùng phổ thông, đều nên chia sẻ ý kiến để công nghệ này mang lại lợi ích cho tất cả.

May mắn thay, khi phần mềm tạo giọng nói phát triển, chúng ta cũng sẽ ngày càng giỏi hơn trong việc phát hiện giọng giả. Các công ty công nghệ đang phát triển công cụ nhận diện và ngăn chặn giọng deepfake. Điều này sẽ giúp ngân hàng và tổng đài ở New York, chẳng hạn, đảm bảo họ đang trò chuyện với người thật thay vì giọng máy tính mạo danh.

Phần mềm tạo giọng nói deepfake đáng thử

Công cụ học máy có thể tác động tích cực tới cuộc sống của nhiều người và bạn có thể muốn thử tạo một audio deepfake. Dù cần phần cứng và phần mềm hiện đại để có kết quả chất lượng cao, bạn vẫn có thể dùng một số chương trình để tạo ra giọng nói tự nhiên. Dưới đây là năm trình tạo giọng deepfake mà bạn có thể thử:

Resemble

Resemble AI là một công cụ chuyển văn bản thành giọng nói và tạo deepfake, giúp tạo ra giọng nói con người chỉ từ dữ liệu giới hạn. Chỉ sau khoảng năm phút ghi âm, người dùng đã có thể tạo ra sản phẩm deepfake đầu tiên.

Bạn có thể thử tính năng lấy mẫu và nạp vào ứng dụng các đoạn ghi âm của chính mình, chỉ sau vài phút sẽ nghe được giọng quen thuộc. Người dùng đánh giá cao Resemble vì giao diện dễ dùng và khả năng điều chỉnh ngữ điệu âm thanh đầu ra.

Descript

Phần mềm tổng hợp giọng nói này cực kỳ ấn tượng với khả năng chỉnh sửa mạnh mẽ. Chương trình phân tích bản ghi âm, video và văn bản để tạo ra giọng nói AI. Nếu bạn không hài lòng với chất lượng dữ liệu đầu vào, có thể chỉnh sửa trực tiếp ngay trên ứng dụng mà không phải thu lại nhiều lần.

Descript chủ yếu hỗ trợ các nhà sáng tạo nội dung tạo giọng lồng tiếng chất lượng cho podcast và video. Ứng dụng có vô số giọng mẫu cho bạn thử nghiệm, giúp bạn nhanh chóng làm quen với các tính năng của Descript.

ReSpeecher

ReSpeecher là giải pháp deepfake đáng tin cậy đã góp phần tái tạo giọng Luke Skywalker trong The Mandalorian. Phần mềm này rất phù hợp cho phim ảnh, truyền hình nhưng cũng là lựa chọn tuyệt vời để tạo lồng tiếng cho quảng cáo, hoạt hình, trò chơi, podcast, v.v. 

iSpeech

iSpeech có bản ứng dụng máy tính, nhưng bạn cũng có thể thử phiên bản web. Ngoài tính năng tổng hợp giọng, ứng dụng còn có chuyển văn bản thành giọng nói, đọc web và nhận diện giọng nói. Để làm quen với phần mềm, bạn có thể thử các bản demo với giọng Barack Obama, Arnold Schwarzenegger hoặc Scarlett Johansson.

Nhân bản giọng nói theo thời gian thực

Dự án mã nguồn mở này được phát hành miễn phí trên GitHub. Bộ công cụ toàn diện này có thể tổng hợp giọng của một người chỉ từ năm giây âm thanh. Tuy nhiên, một số người dùng cho biết việc sử dụng phần mềm cần kỹ năng kỹ thuật ở mức trung bình đến nâng cao.

Speechify – lựa chọn TTS dễ dùng thay cho giọng nói deepfake

Chuyển văn bản thành giọng nói (TTS) như Speechify và các trình tạo deepfake dựa trên công nghệ tương tự, nhưng mục đích sử dụng khác nhau. Speechify là công cụ TTS hoặc đọc to văn bản, có thể đọc bất kỳ văn bản in hoặc số nào. Người dùng chỉ cần nhập tệp Word, bài viết, hoặc bản ghi vào ứng dụng và chọn giọng đọc yêu thích, Speechify sẽ tự động đọc nội dung đó.

Phần mềm này có nhiều lựa chọn giọng nam và nữ chất lượng cao, hỗ trợ hơn 20 ngôn ngữ như tiếng Anh, Tây Ban Nha, Pháp, Ý, Bồ Đào Nha. Nếu bạn muốn tăng hiệu suất hay muốn nghe người nổi tiếng như Gwyneth Paltrow đọc cho bạn, hãy thử Speechify ngay!

Tải chương trình về máy tính, iPhone hoặc thiết bị Android và thử Speechify miễn phí ngay hôm nay.

Câu hỏi thường gặp

FakeYou có miễn phí không?

FakeYou là chương trình thân thiện với người dùng và hoàn toàn miễn phí để bạn tạo giọng nói nghe tự nhiên.

Làm sao nhận biết một giọng nói là deepfake?

Rất khó nhận biết deepfake nếu không có phần mềm chuyên dụng. Các công ty an ninh mạng dùng hệ thống nhận diện giọng nói sinh trắc học để ngăn chặn gian lận deepfake. 

Deepfake voice có nguy hiểm gì?

Deepfake đôi khi bị sử dụng với mục đích xấu, lan truyền thông tin sai lệch, hủy hoại danh tiếng cá nhân và khiến niềm tin vào các tổ chức chính phủ suy giảm.