Chuyển Văn Bản Thành Lời Nói

Web Speech API Hoạt Động Như Thế Nào

Các trình duyệt cung cấp một giao diện SpeechSynthesis (thuộc Web Speech API, ban đầu được W3C Speech API Community Group soạn thảo) nhận văn bản và giọng nói đã chọn rồi tạo ra lời nói có thể nghe được thông qua engine TTS của hệ điều hành bên dưới. Bề mặt API đầy đủ nhỏ nhưng mạnh mẽ: speechSynthesis.speak(utterance) bắt đầu nói, cancel() / pause() / resume() điều khiển phát lại, và getVoices() liệt kê mọi giọng nói mà hệ điều hành cung cấp. Mỗi SpeechSynthesisUtterance mang theo văn bản, thẻ ngôn ngữ, giọng nói, tốc độ, cao độ và âm lượng.

Bản thân âm thanh được tạo ra bởi hệ điều hành, không phải trình duyệt. macOS và iOS đi kèm với hàng chục giọng nói chất lượng cao được tích hợp sẵn vào hệ thống. Windows hiển thị các giọng nói được cài đặt qua Cài đặt → Ngôn ngữ & Thời gian → Giọng nói. Android sử dụng engine Text-to-Speech của Google (hoặc các lựa chọn thay thế như Samsung TTS). Linux chuyển sang bất cứ thiết lập speech-dispatcher / espeak nào mà bản phân phối cung cấp, thường nghe có vẻ robot theo mặc định trừ khi bạn đã cài đặt engine tốt hơn.

Sự Phân Biệt Quyền Riêng Tư Đám Mây và Cục Bộ

Không phải mọi giọng nói «browser» đều chạy trên thiết bị của bạn. Một số trình duyệt gửi văn bản đến máy chủ từ xa để tạo âm thanh cho các giọng nói chất lượng cao hơn, rồi stream kết quả về. Điều này quan trọng đối với quyền riêng tư:

• Safari (macOS / iOS): quá trình tổng hợp chạy hoàn toàn trên thiết bị. Các giọng nói của Apple, bao gồm cả các giọng tự nhiên kiểu Siri, được đóng gói trong hệ điều hành. Không có văn bản nào rời khỏi thiết bị.
• Chrome (desktop và Android): đối với một số giọng nói được gắn nhãn «Google», văn bản được gửi đến dịch vụ TTS của Google để tạo âm thanh. Các giọng Chrome khác phản chiếu giọng nói hệ điều hành cục bộ thì ở lại trên thiết bị. Thuộc tính SpeechSynthesisVoice.localService cho bạn biết cái nào là cái nào (true = trên thiết bị, false = đám mây).
• Microsoft Edge: mô hình tương tự. Các giọng nói «Online Natural» chất lượng cao của Edge chuyển văn bản đến dịch vụ TTS đám mây của Microsoft; các giọng nói hệ điều hành tiêu chuẩn thì ở cục bộ.
• Firefox: hỗ trợ Web Speech API đã bị hạn chế về mặt lịch sử; trên các hệ thống nơi nó hoạt động, nó sử dụng engine hệ điều hành.

Nếu văn bản của bạn nhạy cảm (bản nháp tài liệu bí mật, bản ghi nhớ nội bộ công ty, bất cứ thứ gì bạn không muốn sao chép cho bên thứ ba) hãy chọn giọng nói được đánh dấu là cục bộ. Nếu bạn không thấy giọng nói cục bộ trong danh sách thả xuống, hãy cài đặt gói giọng nói hệ điều hành và chúng sẽ xuất hiện ở đó.

Các Trường Hợp Sử Dụng Phổ Biến

• Khả năng tiếp cận. Trình đọc màn hình (VoiceOver, NVDA, JAWS, TalkBack) đảm nhận phần nặng nhọc cho người dùng mù và thị lực kém, nhưng công cụ TTS nhanh giúp bất kỳ ai (chứng khó đọc, mỏi mắt, mệt mỏi) đôi khi nghe văn bản được đọc to.
• Đọc soát lỗi. Nghe bài viết của mình được đọc lại giúp phát hiện các câu lủng củng, từ bị thiếu và vấn đề nhịp điệu mà việc đọc thầm bỏ qua. Thủ thuật phổ biến của các nhà văn chuyên nghiệp.
• Phát âm học ngôn ngữ. Nghe các từ được phát âm trong ngôn ngữ mục tiêu; hữu ích khi đọc một bài báo nước ngoài và không chắc một từ phát âm như thế nào.
• Đọc to bài viết khi làm việc nhà. Nấu ăn, dọn dẹp, tập thể dục, đi lại, bất cứ nơi nào đọc không thực tế nhưng nghe thì được.
• Bản nháp lồng tiếng. Tạo nhanh một bài tường thuật để kiểm tra nhịp độ trước khi thu âm với diễn viên lồng tiếng thực hoặc thuê dịch vụ TTS trả phí như ElevenLabs.
• Giáo dục. Tạo tài liệu nói cho nội dung lớp học, luyện từ vựng, thực hành chính tả, khả năng tiếp cận cho người học đa dạng.

Những Điểm Kỳ Lạ và Hạn Chế Cần Biết

• Giới hạn văn bản dài của Chrome. Một lỗi Chromium lâu đời (679437) khiến speak() dừng lại sau khoảng 15 giây, thường vào khoảng 200-250 ký tự. Các biện pháp khắc phục chia văn bản thành các đoạn độ dài câu và gọi speak() cho mỗi đoạn.
• Sự kiện voiceschanged. Lần gọi đầu tiên đến speechSynthesis.getVoices() trên Chrome trả về một mảng rỗng. Các giọng nói được điền vào bất đồng bộ; các trang cần lắng nghe sự kiện voiceschanged trước khi hiển thị danh sách giọng nói.
• Yêu cầu cử chỉ người dùng. Giống như autoplay-with-audio, các trình duyệt chặn tổng hợp giọng nói cho đến khi người dùng nhấp hoặc chạm vào thứ gì đó. Nút Speak thỏa mãn cử chỉ đó; lời nói theo chương trình khi tải trang sẽ không hoạt động.
• Chế độ Tiết Kiệm Pin iOS. Khi iPhone ở Chế độ Tiết Kiệm Pin, Safari đôi khi từ chối bắt đầu tổng hợp giọng nói cho đến khi chế độ bị tắt.
• Lỗi pause / resume trên Android Chrome. Tạm dừng và tiếp tục đôi khi làm mất hàng đợi. Nếu độ tin cậy quan trọng, hãy khởi động lại từ speak() thay vì dựa vào pause() / resume().
• Tốc độ / cao độ ngoài phạm vi thất bại im lặng. Đặt tốc độ trên ~3,0 hoặc dưới 0,1, hoặc cao độ trên 2,0, khiến một số engine không tạo ra âm thanh nào cả thay vì giới hạn giá trị.

Tại Sao Chất Lượng Giọng Nói Lại Khác Nhau Đến Vậy

Chất lượng của giọng TTS phụ thuộc hoàn toàn vào engine bên dưới, engine phụ thuộc vào hệ điều hành, hệ điều hành phụ thuộc vào những gì bạn đã cài đặt. Các giọng thời những năm 1990 (eSpeak, Microsoft Anna, Mac «Fred» cũ) được tổng hợp từ các mẫu âm vị ghép nối và nghe có vẻ robot và cứng nhắc. Các giọng hiện đại (giọng Siri của Apple, giọng Online Natural của Microsoft, giọng dựa trên WaveNet của Google, giọng đăng ký của ElevenLabs) sử dụng học sâu để tạo ra âm thanh gần như không thể phân biệt với người đọc thực.

Nếu các giọng nói trong danh sách thả xuống của bạn nghe có vẻ robot, giải pháp không phải là công cụ này mà là cài đặt giọng nói tốt hơn trong hệ điều hành của bạn:

• Windows: Cài đặt → Ngôn ngữ & Thời gian → Giọng nói → Thêm giọng nói. Các giọng «Online Natural» của Microsoft tốt hơn đáng kể so với các giọng ngoại tuyến mặc định.
• macOS: Cài đặt Hệ thống → Trợ năng → Nội dung nói → Giọng hệ thống → Quản lý giọng. Tìm kiếm các giọng «Premium» / «Enhanced»; chúng tải xuống trong nền và cải thiện chất lượng đáng kể.
• iOS: Cài đặt → Trợ năng → Nội dung nói → Giọng nói. Quy ước đặt tên giống macOS.
• Android: Cài đặt → Trợ năng → Đầu ra chuyển văn bản thành giọng nói → Google → Cài đặt dữ liệu giọng nói.
• Linux: cài đặt festival hoặc mbrola để có chất lượng tốt hơn eSpeak, hoặc sử dụng TTS đám mây qua API.

Lỗi Phổ Biến

1. Kỳ vọng Firefox hỗ trợ. Hỗ trợ Web Speech API của Firefox đã bị tụt hậu. Nút Speak sẽ bị vô hiệu hóa khi bạn truy cập trong Firefox; hãy dùng trình duyệt dựa trên Chromium hoặc Safari để có TTS đáng tin cậy.
2. Dán văn bản bí mật vào phiên Chrome và giả định là cục bộ. Các giọng «Google» mặc định của Chrome gửi văn bản đến dịch vụ TTS của Google. Chọn giọng cục bộ hoặc dùng Safari cho nội dung nhạy cảm.
3. Khối văn bản dài trong Chrome. Giới hạn 15 giây / ~250 ký tự bắt gặp bất kỳ ai dán một đoạn văn và mong đợi nó đọc hết. Hãy chia văn bản hoặc sử dụng Safari (không có giới hạn).
4. Đặt tốc độ hoặc cao độ quá xa ngoài phạm vi. Engine không giới hạn; nó lặng lẽ không tạo ra âm thanh. Giữ trong phạm vi tốc độ 0,5-2,5 và cao độ 0,5-1,5 để có kết quả dự đoán được.
5. Coi TTS trình duyệt là lồng tiếng chất lượng sản xuất. Ngay cả các giọng trình duyệt tốt nhất cũng đủ tốt cho đọc soát lỗi, trợ năng và bản thảo thô, không phải cho podcast xuất bản hoặc lồng tiếng thương mại. Đối với điều đó, hãy xem xét ElevenLabs, Murf, hoặc các dịch vụ trả phí tương tự.
6. Quên rằng giọng nói tải xuống bất đồng bộ. Lần truy cập trang đầu tiên trên Chrome có thể không hiển thị giọng nào; hãy làm mới sau một lúc và chúng sẽ xuất hiện.

Câu Hỏi Thường Gặp Thêm

Làm thế nào để biết giọng nói là cục bộ hay dựa trên đám mây?

Theo chương trình, thuộc tính SpeechSynthesisVoice.localService là true cho giọng nói trên thiết bị và false cho giọng dựa trên đám mây. Trong thực tế, quy ước đặt tên giọng nói giúp ích: các giọng Chrome được gắn nhãn «Google» thường là dựa trên đám mây; các giọng khớp với giọng nói đã cài đặt của hệ điều hành (Microsoft David, Apple Samantha, Google Wavenet en-US-Wavenet-D) là cục bộ nếu hệ điều hành có chúng. Các giọng của Safari luôn là cục bộ.

Tôi có thể lưu âm thanh dưới dạng file MP3 không?

Không thể trực tiếp với Web Speech API của trình duyệt, đặc tả không cung cấp luồng âm thanh để ghi lại. Nếu bạn cần MP3 / WAV có thể tải xuống, các tùy chọn bao gồm: một ứng dụng lồng tiếng chuyên dụng như Audacity ghi âm thanh hệ thống của bạn, một TTS API trả phí (Google Cloud TTS, Amazon Polly, ElevenLabs) trả về file âm thanh, hoặc ứng dụng quay màn hình ghi lại phát lại.

Tại sao âm thanh bị ngắt quãng hoặc dừng giữa câu?

Nguyên nhân phổ biến nhất trên Chrome là lỗi văn bản dài, giọng nói dừng lại ở ~15 giây. Hãy làm mới và thử lại với đoạn ngắn hơn, hoặc chuyển sang Safari không có giới hạn đó. Các nguyên nhân khác: sự cố hệ thống trong engine giọng nói hệ điều hành (khởi động lại thường khắc phục), hoặc giọng đám mây không thể tải về khi ngoại tuyến (hãy chuyển sang giọng cục bộ).

Cái này có hoạt động với ngôn ngữ nào không?

Bất kỳ ngôn ngữ nào mà hệ điều hành của bạn đã cài đặt giọng nói. macOS và iOS đi kèm với hàng chục ngôn ngữ được tích hợp sẵn. Windows yêu cầu cài đặt gói giọng nói theo từng ngôn ngữ (Cài đặt → Ngôn ngữ & Thời gian → Giọng nói → Thêm giọng nói). Android cần Google TTS hoặc engine bên thứ ba để tải dữ liệu ngôn ngữ. Danh sách thả xuống Giọng nói liệt kê tất cả những gì có sẵn; thẻ ngôn ngữ (en-US, fr-FR, ja-JP, v.v.) cho bạn biết ngôn ngữ nào mỗi giọng tạo ra.

Cái này có hữu ích cho podcast không?

Cho bản thảo và kiểm tra nhịp độ, có. Cho các tập đã xuất bản, tiêu chuẩn chất lượng cao hơn, ngay cả các giọng trình duyệt tốt nhất cũng có những sản phẩm phụ tinh tế mà người nghe phát hiện nhanh chóng. Các dịch vụ trả phí như ElevenLabs và Murf cung cấp các mô hình giọng nói được huấn luyện cho tường thuật dài và tạo ra kết quả tốt hơn đáng chú ý, thường với giá vài xu mỗi nghìn ký tự.

Tôi có thể dùng cái này cho người dùng mù / thị lực kém trên trang của mình không?

Một trang web thường không cần nhúng TTS cho khả năng tiếp cận, các công nghệ hỗ trợ như trình đọc màn hình (VoiceOver trên thiết bị Apple, NVDA / JAWS trên Windows, TalkBack trên Android) xử lý điều đó một cách phổ quát. TTS nhúng hữu ích hơn cho sự tiện lợi đọc to thi thoảng cho người dùng có thị lực với mệt mỏi đọc hoặc người học. Đối với khả năng tiếp cận, hãy tập trung vào HTML ngữ nghĩa, nhãn ARIA, điều hướng bàn phím và độ tương phản, những thứ đó giúp mọi trình đọc màn hình hoạt động tốt hơn, bao gồm cả của người dùng.

Công cụ liên quan