Công nghệ TTS hiện đại đã giải quyết bài toán hiểu đúng nội dung từ nhiều năm trước. Sự kiện Blizzard Challenge, một cuộc thi đánh giá tổng quan về tổng hợp tiếng nói diễn ra hằng năm từ 2005, cho thấy đến năm 2021, tiếng nói tổng hợp đã gần như không thể phân biệt với tiếng nói tự nhiên về độ rõ, và hầu như không thể nhận ra về độ tự nhiên (Perrotin et al., 2024). Vì vậy, trọng tâm của ngành đã thay đổi. Câu hỏi đáng quan tâm không còn là bạn có nghe rõ giọng nói không mà là liệu giọng nói có thực sự truyền tải được ý nghĩa không. Speechify Studio trả lời câu hỏi này bằng công nghệ chuyển văn bản thành giọng nói giàu biểu cảm, được xây dựng trên nền tảng chuyển văn bản thành giọng nói tiêu chuẩn. Với API dành cho lập trình viên, câu trả lời còn tùy vào mô hình, và các mô hình hiện tại không áp dụng các kiểu biểu cảm.
Kiểu cảm xúc là tính năng của Simba 1.6
Trên API, các kiểu cảm xúc được khai báo bằng thẻ SSML <speechify:style>, và chỉ các mô hình Simba 1.6, gồm simba-english và simba-multilingual, mới áp dụng thẻ này. Có 13 giá trị: Angry, Cheerful, Sad, Terrified, Relaxed, Fearful, Surprised, Calm, Assertive, Energetic, Warm, Direct và Bright. Simba 1.6 đã ngừng cho không gian làm việc mới, và từ ngày 21/11/2026, cả hai định danh đó sẽ được chuyển sang mô hình hiện tại; các mô hình này chỉ chấp nhận thẻ nhưng không áp dụng hiệu ứng. Xem hướng dẫn chuyển khỏi Simba 1.6.
Sử dụng cảm xúc trong Speechify AI Voice Generator
AI Voice Generator nằm trong Speechify Studio và là công cụ dành cho nhà sáng tạo để làm voice-over, video marketing, sách nói và podcast. Bạn chỉ cần dán kịch bản, chọn giọng đọc, rồi áp dụng phong cách cảm xúc cho toàn bộ đoạn hoặc phần được chọn. Nhờ khả năng gán cảm xúc theo từng đoạn, cùng một bản lồng tiếng có thể có phần mở đầu Cheerful, đoạn truyền tải giá trị mang sắc thái Assertive và phần kết ấm áp (Warm) mà không cần đổi giọng.
Một số quy trình thực tế rất cần đến tính năng này: video marketing làm bằng CapCut thường cần 2–3 sắc thái giọng, chẳng hạn mở đầu gây chú ý, phần giữa nêu lợi ích và đoạn cuối kêu gọi hành động. Thay vì thu nhiều lần, bạn chỉ cần tạo một bản lồng tiếng rồi đổi cảm xúc cho từng câu. Với sách nói và truyện, tính năng này còn hữu ích hơn, vì hội thoại giữa các nhân vật có thể truyền tải nhiều sắc thái mà không cần thuê nhiều giọng đọc khác nhau. Với video giải thích (explainer), một giọng Calm cho các phần nội dung dài đôi khi còn rõ ràng hơn việc cố làm cho mọi câu đều "sôi động".
Những gì Speechify API hiện hỗ trợ
Với các mô hình simba-3.2 và simba-3.0, Speechify API chấp nhận <speechify:style> và trả về mã 200, nhưng sẽ đọc phần văn bản trong thẻ mà không áp dụng kiểu. <prosody pitch>, <prosody volume>, <emphasis> cũng vậy. Ba thẻ SSML hiện được áp dụng là: <break> (ngắt nghỉ), <prosody rate> (tốc độ nói), và <sub alias> (phát âm). Tham khảo hướng dẫn SSML để biết chi tiết theo từng mô hình.
Ví dụ, <speak>Your order has shipped. <break time="500ms" /> <prosody rate="slow">Read the <sub alias="Frequently Asked Questions">FAQ</sub> for delivery times.</prosody></speak> sẽ ngắt nửa giây, đọc câu thứ hai chậm hơn và thay "FAQ" bằng "Frequently Asked Questions".
Cách thể hiện trên các mô hình hiện tại phụ thuộc vào nội dung văn bản và giọng đọc. Dấu câu và cấu trúc câu quyết định nhịp ngắt, nên hãy viết đúng theo cách bạn muốn được đọc, đồng thời thêm <break> ở những chỗ cần dừng lâu hơn. Lựa chọn giọng đọc sẽ định hình sắc thái nền. Với bài học trực tuyến, nên dùng câu ngắn, đơn giản cho các câu trả lời đúng, dùng <prosody rate="slow"> cho phần gợi ý và thêm <break> trước phần giải thích.
So sánh Speechify AI Voice Generator và Speechify API: Nên chọn cái nào
Những trường hợp cảm xúc thực sự tạo khác biệt cho sản phẩm của bạn
Chuyển văn bản thành giọng nói có cảm xúc là mảnh ghép còn thiếu cho nhiều sản phẩm sáng tạo: một giọng nổi tiếng đọc trọn vẹn sách nói, một nhân vật hoạt hình lúc hài hước lúc buồn bã, hay một lời dẫn podcast tròn vai — tất cả đều khó làm được với giọng tổng hợp phẳng. Giờ đây, cảm xúc được thể hiện ngay trong giọng đọc, chứ không chỉ nằm ở chỉ dẫn kỹ thuật. Với các nhà sáng tạo đã dùng giọng nhân vật hoặc người nổi tiếng của Speechify, biểu cảm chính là khác biệt giữa một giọng chỉ giống bản mẫu và một giọng thể hiện đúng tinh thần của bản mẫu đó.
Biểu cảm có thực sự giúp nghe hiểu tốt hơn?
Có, và điều này có thể đo lường được ngay cả ngoài lĩnh vực AI. Trong nghiên cứu năm 2022 với nhóm tuổi 11–13 và một lần lặp lại vào năm 2025, các nhà khoa học Dylman và Champoux-Larsson phát hiện rằng người nghe trả lời đúng nhiều câu hỏi nội dung hơn khi nghe cùng một tài liệu được đọc với ngữ điệu tích cực thay vì giọng trung tính (Dylman et al., 2025). Mức cải thiện này không hề nhỏ và vẫn giữ nguyên ở cả bài kiểm tra ngay sau đó lẫn bài kiểm tra muộn. Với nội dung giáo dục, hướng dẫn sản phẩm hay bất kỳ audio dài nào đòi hỏi ghi nhớ, giọng đọc phù hợp về cảm xúc thực sự có thể cải thiện khả năng tiếp thu.
Câu hỏi thường gặp
TTS có cảm xúc là gì?
Đó là giọng nói tổng hợp có thể truyền tải cảm xúc được chọn, như vui hay buồn, ngoài ý nghĩa từ ngữ thông thường, để cùng một câu có thể được đọc theo nhiều sắc thái khác nhau. Trong AI Voice Generator của Speechify Studio, bạn có thể chọn cảm xúc cho từng đoạn. Các mô hình hiện tại của Speechify API không áp dụng kiểu cảm xúc.
Speechify API hỗ trợ bao nhiêu kiểu cảm xúc?
Các mô hình hiện tại không hỗ trợ kiểu cảm xúc: simba-3.2 và simba-3.0 chỉ chấp nhận thẻ <speechify:style> rồi đọc bình thường. 13 giá trị cảm xúc từ Angry đến Bright chỉ dùng được với Simba 1.6, nay đã ngừng hỗ trợ. AI Voice Generator trong Speechify Studio có công cụ riêng để chọn các cảm xúc này.
Chỉnh cảm xúc giọng nói trong AI Voice Generator ở đâu?
Trong Speechify Studio, sau khi nhập kịch bản, bộ chọn cảm xúc sẽ xuất hiện cạnh phần chọn giọng. Bạn có thể áp dụng cho đoạn mong muốn hoặc phần đã bôi đậm, rồi tạo lại giọng đọc.
Có thể đặt cảm xúc cho Speechify API không?
Không, với các mô hình hiện tại. simba-3.2 và simba-3.0 chấp nhận <speechify:style emotion="..."> và trả về mã 200, nhưng vẫn đọc bình thường. Hãy điều chỉnh giọng đọc thông qua cách bạn viết văn bản và giọng bạn chọn, đồng thời tận dụng các thẻ đang được áp dụng: <break>, <prosody rate>, <sub alias>. Tham khảo hướng dẫn SSML.
Có thể dùng nhiều cảm xúc khác nhau trong cùng một bản lồng tiếng không?
Trong Speechify Studio, cảm xúc được áp dụng theo từng đoạn nên một bản lồng tiếng có thể thay đổi sắc thái theo từng câu. Trên các mô hình API hiện tại, kiểu cảm xúc không được áp dụng. Tuy vậy, bạn vẫn có thể thay đổi tốc độ (<prosody rate>) và ngắt nghỉ (<break>) cho từng đoạn.
Giọng cảm xúc có tự nhiên như giọng trung tính không?
Rất gần. Các mô hình TTS có cảm xúc hiện nay đạt khoảng 3,94/5 điểm về độ biểu cảm và 3,98/5 điểm về độ tự nhiên trong đánh giá của người nghe — gần như tương đương nhau.
Biểu cảm có thật sự giúp người nghe ghi nhớ nội dung không?
Có. Nghiên cứu trên người nói thực tế đã xác nhận điều này. Ngữ điệu tích cực giúp ghi nhớ thông tin thực tế tốt hơn trong các nghiên cứu có kiểm soát. Nguyên lý tương tự cũng áp dụng cho voice-over AI nếu được triển khai phù hợp.
Có được phép sử dụng giọng cảm xúc cho lồng tiếng thương mại không?
Giấy phép của Speechify cho phép sử dụng thương mại các bản lồng tiếng được tạo ra, bao gồm cả giọng cảm xúc. Vui lòng kiểm tra giới hạn thời lượng theo gói của bạn.
Khác biệt giữa điều chỉnh cảm xúc và chỉ điều chỉnh tốc độ hay cao độ?
Trên Simba 1.6, cảm xúc là sự thay đổi toàn diện về ngữ điệu — gồm ngắt nghỉ, nhấn nhá, cao độ và năng lượng — nên phiên bản "giận dữ" không chỉ là một bản đọc nhanh hơn hoặc cao hơn của giọng trung tính. Trên các mô hình hiện tại, chỉ điều chỉnh tốc độ (<prosody rate>) là được áp dụng, còn cao độ và cảm xúc thì không.
