Clone giọng nói của chính bạn từ 20 giây ghi âm với Gemini 3.8 Flash TTS

Cụm từ then chốt: ‘giọng clone’ (cloned voice), ‘model text to speech’. Lưu ý lỗi chính tả phổ biến trong transcript (‘text to speed’ thay vì ‘text to speech’). Cấu trúc giới thiệu bản thân kết hợp làm rõ ngay lập tức bằng ‘hay nói chính xác hơn’ giúp người nghe nắm bắt nhanh nội dung.

Từ vựng kỹ thuật: ‘kho giọng AI’ (voice library), ‘cling’ (lỗi chính tả của ‘clone’), ‘thiết kế giọng’ (voice design). Cấu trúc ‘Ngoài việc A, còn cho phép B’ dùng để bổ sung tính năng mới so với mô hình cũ.

Thuật ngữ: ‘nhân bản giọng nói AI’ (AI voice cloning). ‘Jin9’ là cách phát âm/viết tắt sai của Gemini. Cụm ‘giải pháp giá rẻ và chất lượng’ thể hiện kỳ vọng về tính thực tiễn của công nghệ.

Cấu trúc lời kêu gọi hành động (CTA) phổ biến trong video hướng dẫn: ‘Cách dùng như thế nào + hãy tìm hiểu ngay’. Giọng thân mật với ‘nhé’ tạo sự gần gũi.

Tên riêng quan trọng: Google AI Studio, Playground. Đây là bước đầu tiên trong quy trình thực hành, dùng cấu trúc tuần tự ‘Trước tiên bạn sẽ…’.

Thuật ngữ: ‘lựa chọn model’, ‘audio’. Lỗi chính tả ‘DTS’ thay vì ‘TTS’. Cấu trúc hướng dẫn từng bước rõ ràng với ‘Tiếp theo…’.

Từ chuyên ngành: ‘flagship’ (model hàng đầu), ‘text to speech’, ‘clone giọng nói’, ‘thiết kế giọng nói’. Cấu trúc liệt kê tính năng bằng dấu phẩy.

Tên model: Gemini 3.8 Flash Light TTS. Cụm ‘Ngoài ra còn có…’ dùng để giới thiệu biến thể nhẹ hơn của cùng dòng model.

So sánh tính năng: ‘nhẹ hơn, tốc độ nhanh hơn, chi phí thấp hơn’. Cụm ‘phù hợp trong trường hợp…’ giải thích use-case cụ thể (tạo audio số lượng lớn).

Thông tin quan trọng về chi phí: ‘model trả phí’. Từ ngữ khí thân mật ‘nhá’ thường gặp trong video hướng dẫn tiếng Việt.

Cấu trúc chuyển tiếp: ‘Trước tiên mình sẽ… và chúng ta sẽ bắt đầu với…’. Từ khóa hành động: ‘clone giọng nói’.

Thuật ngữ giao diện: ‘create new voice’. Câu mô tả trực tiếp vị trí trên màn hình giúp người xem dễ theo dõi.

Câu ngắn hướng dẫn thao tác trực tiếp. Từ ‘Ấn’ là cách nói phổ biến thay cho ‘Click’ trong tiếng Việt.

Hai khái niệm cốt lõi: ‘voice design’ (thiết kế giọng) và ‘voice replication’ (nhân bản giọng). Đây là thuật ngữ chính của tính năng mới.

Quyết định thứ tự thực hiện: chọn ‘voice replication’ trước. Câu ngắn gọn, rõ ràng trong hướng dẫn từng bước.

Ba bước bắt buộc với tính năng trả phí: tạo project – tạo API key – nạp tiền. Cấu trúc liệt kê hành động bằng dấu phẩy.

Thuật ngữ giao diện: ‘choose unimported project’. Hướng dẫn tùy chọn tạo project mới.

Ví dụ đặt tên project thực tế: ‘Gemini TTS’. Giúp người xem dễ hình dung cách đặt tên gợi nhớ.

Thao tác cụ thể: nhấn nút ‘Create Project’. Câu ngắn, tập trung vào hành động.

Mục đích đặt tên API key: ‘để phân biệt’. Lời khuyên thực tế khi quản lý nhiều key.

Thao tác tạo API key. Giữ nguyên cách viết thường của transcript.

Câu xác nhận hoàn thành bước: ‘Và như vậy là… đã được tạo’. Dùng để chốt từng giai đoạn hướng dẫn.

Bước tiếp theo bắt buộc: ‘cài đặt thanh toán’. Từ vựng tài chính trong ngữ cảnh API.

Lỗi chính tả trong transcript: ‘Setup Building’ thay vì ‘Setup Billing’. Đây là điểm cần lưu ý khi làm theo hướng dẫn.

Khái niệm quan trọng: liên kết billing account với Google Cloud. Cụm ‘liên kết trực tiếp với…’ giải thích mối quan hệ hệ thống.

Cấu trúc điều kiện: ‘Nếu bạn đã có… thì chỉ việc…’. Đưa ra trường hợp người dùng đã có sẵn tài khoản.

Ví dụ thực tế: chọn ‘My Building Account’ (lỗi chính tả của Billing) và nhấn Continue. Minh họa thao tác cụ thể.

Thông tin chi phí cụ thể: nạp tối thiểu 150.000đ. Đây là ngưỡng thanh toán thực tế người dùng cần biết.

Thuật ngữ giao diện: ‘add payment method’. Câu mệnh lệnh trực tiếp hướng dẫn thao tác.

Hướng dẫn nhập thông tin thẻ. Cụm ‘điền số thẻ tín dụng… để thanh toán’ là bước bắt buộc trong quy trình billing.

Thao tác cuối cùng của bước billing: ‘link and continue’. Cấu trúc ‘Sau khi… bạn sẽ được…’ mô tả kết quả sau hành động.

Câu chốt ngắn gọn báo hiệu hoàn thành một giai đoạn lớn trong hướng dẫn.

Chuyển sang phần chính: ‘clon giọng nói’ (lỗi chính tả của clone). Câu chuyển tiếp rõ ràng.

Bước đầu tiên của quy trình clone: đặt tên giọng. Cấu trúc ‘Trước tiên là…’.

Thuật ngữ giao diện: ‘record your voice’. Kết hợp tiếng Anh UI và giải thích tiếng Việt ‘để thu âm giọng nói của bạn’.

Khái niệm: ‘đoạn script’ (script mẫu). Gemini cung cấp sẵn nội dung để người dùng đọc khi thu âm.

Lời khuyên kỹ thuật quan trọng: đọc khoảng 20 giây để đạt chất lượng clone tốt nhất. Đây là thông số then chốt của quy trình.

Hai thao tác sau ghi âm: ‘play’ (nghe lại) và ‘xóa’. Cấu trúc lựa chọn ‘có thể A hoặc B nếu…’.

Khuyến khích thử nghiệm: ‘record lại nhiều lần’. Cụm ‘cho đến khi… thì thôi’ thể hiện sự linh hoạt của quy trình.

Bước xác minh danh tính giọng nói (voice verification). Yêu cầu đọc to dòng chữ trên màn hình để xác nhận quyền sở hữu.

Thao tác cụ thể: ‘record verification’. Kết hợp nhấn nút và hành động đọc.

Câu xác nhận ngắn gọn kết thúc bước verification.

Thao tác cuối cùng của quy trình clone: ‘replicate voice’. Cụm ‘đợi Gemini hoạt động để nhân bản’ mô tả quá trình xử lý phía server.

Nhấn mạnh tốc độ xử lý nhanh của model. Cụm ‘Rất là nhanh thôi thì…’ thể hiện sự bất ngờ tích cực.

Chuyển sang giai đoạn kiểm thử: ‘use voice’ và ‘test trong tình huống thực tế’. Từ khóa hành động quan trọng sau khi clone xong.

Thao tác chuẩn bị nội dung: ‘dán vào đây một đoạn nội dung’. Quy trình test thực tế.

Giao diện: ‘speaker setting’. Xác nhận giọng clone đã xuất hiện chính xác trong danh sách.

Thuật ngữ: ‘custom voice’ (giọng tùy chỉnh/nhân bản). Phân biệt với giọng có sẵn của hệ thống.

Tùy chọn phong cách đọc: ‘style là friendly’. Một trong các tham số điều chỉnh cảm xúc của giọng.

Khái niệm quan trọng: ‘Expression’ – thẻ cảm xúc chèn vào nội dung để điều khiển sắc thái đọc của AI. Đây là kỹ thuật nâng cao giúp audio tự nhiên hơn.

Tham chiếu video trước: ‘cách tạo giọng ai nói như người thật’. Tạo liên kết kiến thức giữa các video trong series.

Lời mời xem lại nội dung liên quan. Từ ngữ khí ‘nhá’ tạo sự thân mật.

Chuyển sang phần nghe thử. Câu mời gọi đơn giản, trực tiếp.

Đoạn audio mẫu bắt đầu. Nội dung mang tính storytelling, phù hợp để test cảm xúc và nhịp điệu.

Cấu trúc mở đầu kể chuyện: ‘Hôm nay mình muốn kể về…’. Chủ đề gần gũi giúp đánh giá độ tự nhiên của giọng clone.

Câu ngắn nhấn mạnh chủ đề. Dùng để test khả năng ngắt nghỉ và nhấn giọng của model.

Lặp lại với thêm ‘của mình nha’ để tạo sự cá nhân hóa và thân mật.

Nội dung thực tế, gần gũi. Dùng để đánh giá khả năng truyền tải cảm xúc tiếc nuối và nhịp kể chuyện.

Liệt kê các khoản chi tiêu. Transcript có lỗi chính tả (‘taiay nghe mưa’). Nội dung giàu cảm xúc để test expression.

Thành ngữ/ khẩu ngữ: ‘trứng trơn’ (trống trơn). Kiểm tra khả năng xử lý từ địa phương và cảm xúc hài hước.

Câu ngắn thể hiện cảm xúc. Dùng để đánh giá độ chân thực của sắc thái giọng.

Chuyển cảm xúc từ tiếc nuối sang chấp nhận. Kiểm tra khả năng thay đổi tone của model.

Câu kết luận mang tính chiêm nghiệm. Phù hợp để test nhịp điệu và cảm xúc ấm áp.

Đánh giá chủ quan của người dùng: ‘chưa hoàn toàn giống… nhưng khá là ổn’. Đây là nhận xét thực tế về chất lượng clone hiện tại.

Con số cụ thể: giống khoảng 80%. Giúp người xem có kỳ vọng thực tế về kết quả clone.

Điểm mạnh: hỗ trợ ‘tax cảm xúc’ (tags/expression). Lỗi chính tả ‘tax’ thay vì ‘tag’. Khả năng đọc theo cảm xúc là ưu điểm lớn.

Kết quả đạt được: audio có cảm xúc và nhịp điệu. Đây là mục tiêu chính khi dùng expression tags.

Hạn chế quan trọng nhất hiện tại: chỉ hỗ trợ ghi âm clone bằng tiếng Anh. Đây là điểm yếu lớn với người dùng Việt.

Hai hạn chế cụ thể: không chọn ngôn ngữ và không upload file audio có sẵn. Ảnh hưởng trực tiếp đến chất lượng clone tiếng Việt.

Phân tích hậu quả: clone bằng tiếng Anh rồi dùng cho tiếng Việt có thể làm mất sắc thái. Đây là insight kỹ thuật quan trọng.

Lời kỳ vọng cải tiến. Cấu trúc ‘Hy vọng là… sẽ có thể…’ thể hiện thái độ tích cực nhưng thực tế.

Câu chốt kết thúc phần clone. Chuyển sang chủ đề tiếp theo.

Câu hỏi chuyển tiếp tự nhiên sang phần Voice Design. Dùng để dẫn dắt sang tính năng tiếp theo.

Giới thiệu tính năng Voice Design. Cụm ‘theo đúng yêu cầu của bạn’ nhấn mạnh tính tùy biến cao.

Quy trình tạo Voice Design: chọn model → create new voice → chọn voice design → đặt tên. Hướng dẫn tuần tự rõ ràng.

Bước quan trọng của Voice Design: viết mô tả (prompt) cho giọng nói.

Hệ thống có sẵn hướng dẫn viết prompt mô tả giọng. Giúp người mới dễ tiếp cận.

Tính năng hỗ trợ: ‘Improve My Prompt’. Gemini tự tối ưu lại mô tả của người dùng, giảm rào cản kỹ thuật.

Lỗi chính tả: ‘già soát’ (rà soát), ‘prom’ (prompt). Bước kiểm tra trước khi generate.

Thao tác tạo giọng: ‘generate voice’.

Kết quả: ba phiên bản giọng khác nhau. Người dùng có thể nghe và chọn phiên bản ưng ý nhất.

Hướng dẫn nghe thử. Phần ‘Yeah man’ là mẫu âm thanh của một phiên bản giọng.

Đoạn mẫu tiếng Anh do giọng thiết kế tạo ra. Dùng để người xem đánh giá chất lượng và phong cách giọng.

Câu tiếng Anh ngắn trong mẫu audio. Kiểm tra độ rõ ràng và tự nhiên.

Quyết định chọn ‘giọng anh Khoa 3’. Kết hợp mẫu tiếng Anh và lời nhận xét tiếng Việt của người dẫn.

Thao tác cuối: ‘continue’ và ‘use voice’. Lỗi chính tả ‘Google Air Studio’ (AI Studio).

Hướng dẫn tổng quát cách dùng cả hai loại giọng (clone + design). Lỗi chính tả ‘DTS’ và ‘Flash DTS’.

Vị trí tìm giọng tùy chỉnh: ‘speaker settings’ → ‘custom voices’.

Xác nhận danh sách giọng đã tạo xuất hiện đầy đủ trong custom voices.

Gán giọng cho speaker 1 trong kịch bản nhiều người nói.

Gán giọng design cho speaker 2. Tạo hội thoại hai nhân vật.

Tùy chỉnh thêm: chọn tông giọng (style/tone) riêng cho từng speaker.

Khái niệm: ‘speech block’. Mỗi khối thoại tương ứng một lượt nói của nhân vật.

Chuẩn bị trước nội dung kèm expression tags. Lỗi chính tả ‘tác cảm xúc’ (tag cảm xúc).

Quy tắc: mỗi câu thoại = một speech block mới. Giúp kiểm soát rõ ràng từng lượt nói.

Thao tác lặp lại copy-paste để hoàn thiện kịch bản nhiều người.

Thao tác cuối cùng để generate audio hội thoại: nhấn ‘run’.

Ưu điểm nổi bật: tốc độ generate nhanh. So sánh ngầm với các model trước.

So sánh thực tế với Gemini 2.5 và 3.1 TTS. Model 3.8 Flash nhanh hơn rõ rệt.

Khẳng định tốc độ: chỉ vài giây. Điểm cộng lớn cho trải nghiệm người dùng.

Chuyển sang phần nghe thử kết quả hội thoại hai người.

Bắt đầu đoạn hội thoại mẫu hai nhân vật. Kiểm tra sự chuyển đổi giọng giữa hai speaker.

Lời thoại mang tính hội thoại tự nhiên (‘tụi mình’). Đánh giá độ mượt khi chuyển speaker.

Câu ngắn chuyển chủ đề. Kiểm tra ngắt nghỉ giữa hai giọng.

Lời thoại nhân vật Khoa. Lỗi chính tả ‘tháng lưng’. Kiểm tra khả năng giữ đặc trưng giọng design.

Phản ứng cảm xúc ngắn. Đánh giá expression và chuyển giọng.

Lời thoại dài hơn kèm câu hỏi lại. Kiểm tra độ ổn định giọng và xử lý khẩu ngữ.

Đoạn kể chuyện dài, nhiều cảm xúc. Đây là thử thách lớn cho độ ổn định và biểu cảm của model.

Câu chiêm nghiệm. Kiểm tra khả năng giữ tone ấm áp của giọng.

Chuyển cảm xúc sang sợ hãi + câu hỏi lại. Kiểm tra sự tương tác tự nhiên giữa hai speaker.

Mô tả cảm giác cụ thể, giàu hình ảnh. Thử thách expression và nhịp kể.

Câu đồng cảm ngắn. Kiểm tra chuyển giọng mượt mà.

Chuyển sang phần giải pháp. Nội dung mang tính podcast tài chính, phù hợp test storytelling.

Câu chốt sau khi phát audio mẫu.

Đánh giá use-case thực tế: podcast tài chính cho giới trẻ. Minh họa tiềm năng ứng dụng.

Nhận xét hạn chế: giọng design chưa ổn định hoàn toàn giữa các câu.

Chi tiết lỗi: âm điệu miền Nam xuất hiện không nhất quán. Đây là vấn đề về tính ổn định của model.

Kết luận về độ ổn định: vẫn còn vấn đề giống các model TTS trước của Gemini. Lỗi chính tả ‘take to speed’.

Nhắc lại tính chất trả phí của các tính năng clone và design.

Câu hỏi dẫn dắt sang phần miễn phí. Tạo sự quan tâm cho người dùng chưa sẵn sàng chi tiền.

Thông tin quan trọng: bản miễn phí vẫn dùng được model với kho giọng có sẵn > 2000 giọng. Đây là điểm cộng lớn so với trước.

So sánh rõ rệt: từ ~30 giọng lên >2000 giọng. Bước tiến lớn về đa dạng hóa.

Chỉ vào khu vực miễn phí trên giao diện.

Minh họa bằng cách chọn template có sẵn.

Nhận xét về sự khác biệt giao diện so với model 2.5 và 3.1. Người dùng cũ cần làm quen lại.

Trấn an người dùng: dù khác nhưng vẫn dễ sử dụng.

Tính linh hoạt mới: vừa chọn style có sẵn vừa có thể mô tả tùy ý.

Điểm cải tiến so với thế hệ trước: khả năng mô tả tông giọng tự do.

Tiếp tục nhấn mạnh tính năng Expression. Lỗi chính tả ‘t cảm xúc’.

Chuyển sang so sánh trực tiếp với model cũ để làm rõ sự khác biệt giao diện.

So sánh chi tiết: model 2.5 Pro có thêm ‘scene’ và ‘sample context’. Giúp hiểu sự khác biệt cấu trúc prompt.

Các trường bổ sung ở model cũ: ‘audio profile’ và ‘director notes’. Mang tính chỉ đạo đạo diễn hơn.

Lỗi chính tả ‘Gemina’. Nhấn mạnh sự khác biệt giao diện nhưng bản chất tương đồng.

Kết luận: dù giao diện khác, nội dung người dùng cần điền vẫn tương tự.

Bản chất chung của các trường: đều là mô tả ngôn ngữ tự nhiên để điều khiển giọng AI.

Quyết định không đi sâu vào model cũ trong video này để giữ trọng tâm.

Hướng dẫn xem video liên quan (thường là video picture-in-picture).

Câu tóm tắt giá trị cốt lõi của tính năng mới: không còn bị giới hạn ở giọng có sẵn.

Lời khuyên kết hợp kỹ thuật: Voice clone/design + Expression tags = audio chất lượng cao, mang dấu ấn cá nhân.

CTA cuối video: thử nghiệm + để lại cảm nhận. Kết thúc bằng ‘Yeah’ tạo cảm giác thân thiện, gần gũi.