Try AI Narrator Free
Sign up free — no credit card required. Turn your documents into natural-sounding audio in minutes.
Sign Up FreeTry AI Narrator Free
Experience the voices mentioned in this article. Install the Google Docs add-on and generate audio from any document in seconds.
Browse All VoicesDuyệt các danh mục khác
Các phương pháp hay nhất về Gemini TTS: Tạo âm thanh nhất quán và biểu cảm mọi lúc
Tip
Tóm tắt nhanh: Các mô hình Gemini TTS (2.5 Flash, 2.5 Pro và 3.1 Flash) khác biệt cơ bản so với TTS truyền thống — chúng là các mô hình ngôn ngữ lớn tạo ra âm thanh. Điều này có nghĩa là lời nhắc, lựa chọn giọng nói và thẻ nội dòng của bạn có tác động rất lớn đến chất lượng đầu ra. Hướng dẫn này bao gồm năm trụ cột của việc tạo âm thanh nhất quán: Cài đặt trước, lựa chọn giọng nói, thẻ cảm xúc, lời nhắc hệ thống và rào cản.
Các mô hình Gemini TTS của Google đã định nghĩa lại những gì có thể làm được với tổng hợp giọng nói AI. Không giống như các công cụ chuyển văn bản thành giọng nói thông thường chỉ đọc to văn bản, các mô hình Gemini TTS được xây dựng trên cùng kiến trúc mô hình ngôn ngữ lớn thúc đẩy Gemini — chúng hiểu phải nói gì, ai là người nói và nó nên nghe như thế nào.
Nhưng sức mạnh này đi kèm với sự phức tạp. Nếu bạn nhận được kết quả không nhất quán — đôi khi xuất sắc, đôi khi bằng phẳng — hướng dẫn này sẽ chỉ cho bạn lý do tại sao và chính xác cách khắc phục nó.
Trước khi đi sâu vào từng phương pháp hay nhất, hãy hiểu rằng Gemini TTS hoạt động dựa trên ba đòn bẩy liên kết với nhau. Cả ba phải được căn chỉnh để có đầu ra dự đoán được và chất lượng cao:
Đầu ra của Gemini TTS được điều khiển bởi ba yếu tố hoạt động cùng nhau. Căn chỉnh cả ba là cách nhanh nhất để đạt được kết quả có thể dự đoán trước:
Gợi ý phong cách (Hướng dẫn hệ thống)
Động lực chính của tông màu cảm xúc tổng thể và phong cách diễn đạt. Thiết lập ngữ cảnh cho toàn bộ phân đoạn.Nội dung văn bản (Bản ghi)
Ý nghĩa của chính các từ. Văn bản giàu cảm xúc giúp mô hình có nhiều thứ để xử lý hơn là văn bản trung tính.Thẻ nội tuyến (Đánh dấu)
Các công cụ sửa đổi nằm trong ngoặc vuông như [whispers] hoặc [laughs] để kiểm soát cục bộ đối với các cụm từ cụ thể, hoạt động cùng với gợi ý phong cách.
Warning
1. Cài đặt trước âm thanh — Nền tảng nhất quán của bạn
Cài đặt trước âm thanh là các khối cấu hình có thể tái sử dụng giúp xác định ai đang nói, họ đang ở đâu và họ nên thể hiện như thế nào. Hãy coi chúng là "thiết lập đạo diễn" đã lưu, đảm bảo mọi thế hệ từ cùng một kịch bản đều nghe như thể đến từ cùng một phiên ghi âm.
Giải phẫu cài đặt trước Gemini TTS
# HỒ SƠ ÂM THANH: Nova
## "Người dẫn chương trình buổi sáng"
## BỐI CẢNH: Studio phát thanh trực tiếp
[Một studio ấm áp, mời gọi với ánh sáng buổi sáng dịu nhẹ.
Nova thoải mái, tự tin và lôi cuốn — cô ấy
nói chuyện trực tiếp với người nghe như một người bạn.]
### GHI CHÚ CỦA ĐẠO DIỄN
Phong cách: Ấm áp, trò chuyện, hơi vui vẻ
Nhịp độ: Trung bình — không vội vã, không chậm
Giọng: Tiếng Anh Mỹ, trung tính
Tông giọng: Thân thiện và dễ gần, giống như đang
trò chuyện với bạn thân bên ly cà phê
- Khả năng tái tạo: Cùng một cài đặt trước được áp dụng cho các bản ghi khác nhau tạo ra âm thanh giống như cùng một người nói trong cùng một phiên.
- Quy trình làm việc nhiều người nói: Xác định một cài đặt trước cho mỗi người nói (người phỏng vấn, khách mời, người tường thuật) để giữ các giọng nói riêng biệt qua các tập.
- Giảm tình trạng lệch gợi ý: Nếu không có cài đặt trước, mô hình sẽ suy ra phong cách chỉ từ văn bản, điều này sẽ bị lệch trong một dự án dài.
- Lặp lại nhanh hơn: Khi cài đặt trước nghe có vẻ chuẩn, bạn chỉ cần điều chỉnh bản ghi, chứ không phải tạo lại giọng nói mỗi lần.
Các phương pháp hay nhất về cài đặt sẵn
- Đặt tên cho nhân vật. Việc cố định mô hình bằng một tên ("Nova", "Dr. Claire", "Marcus") sẽ gắn kết màn trình diễn lại với nhau.
- Xác định danh tính, không chỉ tông giọng. "DJ radio" hoặc "người tường thuật phim tài liệu" cung cấp cho mô hình một hình mẫu biểu diễn để bám vào.
- Cụ thể về môi trường. "Quán cà phê buổi sáng đông đúc" so với "phòng thu yên tĩnh" tạo ra các cấu hình âm thanh khác nhau.
- Bao gồm ghi chú của đạo diễn. Giải quyết phong cách, nhịp độ, giọng điệu và tông giọng một cách rõ ràng thay vì phó mặc cho may rủi.
- Giữ các cài đặt trước ngắn gọn. Cài đặt trước tập trung sẽ giúp mô hình dễ dàng tuân theo một cách nhất quán hơn.
2. Lựa chọn giọng nói — Phù hợp giọng nói với nhân vật
Bạn muốn tự mình nghe những giọng nói này?
Hãy dùng thử miễn phí Trình tường thuật AI của chúng tôi ngay bây giờ. Không cần đăng ký.
2. Lựa chọn giọng nói — Kết hợp giọng nói với nhân vật
| Tên giọng nói | Giới tính | Tốt nhất cho | Đặc điểm |
|---|---|---|---|
| Kore | Nữ | Giọng đọc ấm áp, podcast | Thân thiện, ấm áp, gần gũi |
| Puck | Nam | Nội dung sôi động, quảng cáo | Năng động, tự tin |
| Enceladus | Nam | Giọng đọc bình tĩnh, sách nói | Thở nhẹ, nội tâm |
| Aoede | Nữ | Bài thuyết trình chuyên nghiệp | Rõ ràng, trau chuốt |
| Fenrir | Nam | Giọng đọc kịch tính | Mạnh mẽ, mãnh liệt |
| Orus | Nam | Nội dung kỹ thuật | Chính xác, có tiết tấu |
Các tùy chọn giọng nói khả dụng (Gemini TTS)
- Khớp giọng nói với phong cách cài đặt sẵn. Nếu cài đặt sẵn của bạn mô tả một nhân vật mệt mỏi, nội tâm, hãy chọn một giọng có hơi thở nhiều hơn như Enceladus thay vì giọng vui tươi.
- Kiểm thử giọng nói trong sân chơi (playground). Hãy nghe cách mỗi giọng xử lý các câu lệnh khác nhau trước khi quyết định.
- Sử dụng sự kết hợp giữa giọng nói và câu lệnh. Một giọng nói trầm, uy quyền kết hợp với câu lệnh phong cách uy quyền sẽ củng cố hiệu ứng.
- Tránh các câu lệnh về độ tuổi hoặc giọng điệu không phù hợp. Yêu cầu một giọng trầm phát ra âm thanh giống như một đứa trẻ nhỏ sẽ tạo ra kết quả kỳ lạ.
- Khóa một giọng nói cho mỗi nhân vật. Trong nội dung có nhiều người nói, hãy chỉ định một giọng cho mỗi người nói và không thay đổi nó giữa chừng dự án.
Info
Các phương pháp hay nhất khi chọn giọng nói
3. Thẻ cảm xúc nội tuyến — Hệ thống [Dấu ngoặc vuông]
3. Thẻ cảm xúc nội dòng — Hệ thống [Bracket]
Gemini TTS hỗ trợ thẻ đánh dấu nội dòng — các chú thích trong dấu ngoặc vuông được nhúng trực tiếp vào bản ghi của bạn giúp sửa đổi cách thể hiện các cụm từ cụ thể. Đây là tính năng mạnh mẽ nhất để kiểm soát chi tiết.
| Thẻ | Hiệu ứng | Độ tin cậy |
|---|---|---|
| [thở dài] | Chèn âm thanh tiếng thở dài | Cao |
| [cười] | Chèn một tiếng cười | Cao |
| [ừm] | Chèn sự do dự | Cao |
| [thở dốc] | Chèn tiếng há hốc mồm/thở dốc | Cao |
| [ho] | Chèn tiếng ho | Trung bình |
Nghiên cứu từ Google Cloud cho thấy các thẻ trong ngoặc vuông hoạt động theo ba chế độ riêng biệt:
| Thẻ | Hiệu ứng | Độ tin cậy |
|---|---|---|
| [thì thầm] | Giọng thì thầm | Cao |
| [hào hứng] | Giọng phấn khích, năng nổ | Cao |
| [chán nản] | Giọng đều đều, thờ ơ | Cao |
| [bình tĩnh] | Giọng thoải mái, điềm đạm | Cao |
| [chậm rãi] | Tốc độ chậm hơn | Cao |
| [nhanh chóng] | Tốc độ nhanh hơn | Cao |
| [tạm dừng] | Tạm dừng ngắn trước khi tiếp tục | Cao |
Thẻ được thay thế bằng một âm thanh phi ngôn ngữ có thể nghe được. Bản thân thẻ không được đọc lên.
Cùng một câu có thể được thể hiện rất khác nhau tùy thuộc vào các thẻ:
Chế độ 2: Bộ điều chỉnh phong cách
Thẻ thay đổi cách văn bản tiếp theo được thể hiện — tông giọng, nhịp độ, nhấn mạnh.
Bạn đã sẵn sàng dùng thử Trình tường thuật AI chưa?
Bắt đầu chuyển đổi Google Docs của bạn thành âm thanh chuyên nghiệp ngay hôm nay. Miễn phí mãi mãi!
Thêm vào Doc - Miễn phí- Sử dụng thẻ cho những khoảnh khắc cục bộ, không phải tông giọng tổng thể. Đặt tông giọng tổng thể bằng lời nhắc hệ thống; sử dụng thẻ cho một tiếng cười ở đây, một tiếng thì thầm ở kia.
- Đừng lạm dụng thẻ. Quá nhiều thẻ trong một đoạn văn ngắn nghe sẽ rất mất tự nhiên. Hãy nhắm mục tiêu một hoặc hai thẻ cho mỗi đoạn.
- Giữ cho các thẻ phù hợp với lời nhắc và văn bản. Thẻ [cheerful] trong một cảnh mà lời nhắc mô tả là ảm đạm sẽ xung đột với đầu ra.
- Hãy kiểm tra các thẻ mới trước. Một thẻ mà bạn mong đợi là bộ sửa đổi phong cách có thể được đọc như văn bản nghĩa đen. Hãy kiểm tra thẻ đó trong môi trường thử nghiệm trước khi sử dụng trong môi trường sản xuất.
Chế độ 3: Nhịp độ & Nhấn mạnh
Các thẻ kiểm soát tốc độ và sự nhấn mạnh của giọng đọc.
Bạn là một nhà biên soạn kịch bản và đạo diễn âm thanh.
Tôi có ngữ cảnh nhưng không có bản ghi.
NHIỆM VỤ:
1. Viết một kịch bản hấp dẫn dựa trên ngữ cảnh.
2. Định dạng đầu ra thành một câu lệnh TTS có cấu trúc.
ĐỊNH DẠNG ĐẦU RA:
# HỒ SƠ ÂM THANH: [Tên]
## "[Tiêu đề]"
## CẢNH: [Cảnh]
[Mô tả]
### GHI CHÚ CỦA ĐẠO DIỄN
Phong cách: [Phong cách]
Nhịp độ: [Nhịp độ]
Giọng điệu: [Giọng điệu]
Ví dụ về thẻ trong thực tế
- Hãy cụ thể, đừng chung chung. "Nói chuyện giống phát thanh viên radio thập niên 1940" hay hơn "nói theo kiểu lỗi thời".
- Thiết lập bối cảnh. Bối cảnh môi trường (một sân bay đông đúc, một phòng thu yên tĩnh) định hướng cho việc diễn giải âm thanh.
- Xác định trạng thái cảm xúc của nhân vật. "Nova thư giãn và tự tin" cung cấp cho mô hình một cơ sở cho mọi dòng.
- Bao gồm chi tiết giao hàng. Đề cập đến nhịp độ, khoảng dừng và kết cấu giọng nói. "Hơi thở nhẹ, nhịp độ vừa phải" có tính thực tế hơn là "bình tĩnh".
- Giữ các prompt nhất quán trong suốt một chuỗi. Đối với một podcast, hãy sử dụng cùng một system prompt cho mọi tập.
// Mặc định — không có thẻ
Chào bạn, tôi là một mô hình chuyển đổi văn bản thành giọng nói
mới. Tôi có thể giúp gì cho bạn hôm nay?
// Hào hứng
[excitedly] Chào bạn, tôi là một mô hình chuyển đổi văn bản thành
giọng nói mới! Tôi có thể giúp gì cho bạn hôm nay?
// Chán nản
[bored] Chào bạn, tôi là một mô hình chuyển đổi văn bản thành
giọng nói mới... Tôi có thể giúp gì cho bạn hôm nay?
// Mỉa mai kèm theo tạm dừng
[sighs] Chào bạn... [pause] Tôi là một mô hình chuyển đổi văn bản
thành giọng nói mới. [pause] Tôi có thể giúp gì cho bạn hôm nay?
// Thì thầm kèm tiếng cười
[whispers] Chào bạn... [laughing] Tôi là một mô hình chuyển đổi
văn bản thành giọng nói mới. Tôi có thể giúp gì cho bạn hôm nay?
Kinh nghiệm sử dụng thẻ tốt nhất
| Cân nhắc | Tác động | Giảm thiểu |
|---|---|---|
| Đầu ra dài | Chất lượng có thể bị lệch trong các lần tạo đơn lẻ rất dài | Chia nhỏ các bản ghi âm tại các điểm dừng tự nhiên và ghép âm thanh trong khâu hậu kỳ |
| Giọng nói không khớp với prompt | Âm thanh có thể không khớp với người nói dự định | Giữ cho preset, giọng nói và prompt đồng bộ |
| Gắn thẻ phát âm | Một số thẻ có thể được đọc dưới dạng văn bản theo nghĩa đen | Kiểm tra các thẻ trong playground trước khi sản xuất |
| Giới hạn tỷ lệ & hạn ngạch | Điều tiết API khi sử dụng khối lượng lớn | Sử dụng đúng bậc mô hình và xếp hàng các yêu cầu |
4. Lời nhắc hệ thống — Chỉ đạo diễn xuất
Lời nhắc hệ thống (còn gọi là "style prompt") là đòn bẩy quan trọng nhất để đạt được sự nhất quán tổng thể. Nó cho mô hình biết ai đang nói, họ đang ở đâu và họ nên truyền đạt nội dung như thế nào.
Cấu trúc lời nhắc hệ thống
- Presets — Xác định ai, ở đâu và như thế nào (có thể tái sử dụng cho mỗi người nói)
- Chọn giọng nói — Khớp các đặc điểm giọng nói với nhân vật của bạn
- Thẻ nội tuyến — Kiểm soát chi tiết theo từng cụm từ (sử dụng tiết kiệm, kiểm tra trước)
- System prompts — Đặt âm điệu tổng thể, bối cảnh và phong cách thể hiện
- Rào chắn bảo vệ — Chia nhỏ nội dung dài, kiểm tra thẻ, căn chỉnh giọng nói với prompt
Note
Kinh nghiệm tốt nhất cho lời nhắc hệ thống
Hướng dẫn liên quan
- API giọng nói AI tốt nhất năm 2026 — So sánh toàn diện mọi nhà cung cấp TTS API
- Hướng dẫn nhân bản giọng nói AI — Nhân bản bất kỳ giọng nói nào với hướng dẫn từng bước
- AI Narrator so với ElevenLabs — So sánh trực tiếp chất lượng và giá cả
Nghe văn bản của chính bạn được đọc to — miễn phí, ngay tại đây
Dán bất kỳ văn bản nào và nghe bằng hơn 50 giọng đọc AI tự nhiên. Không cần tải xuống và không cần đăng ký.
Mở công cụ TTS miễn phíDisclosure
Some of the tools compared on this site — including AI Narrator — are our own products. We review them on the same footing as competitors, on current pricing and hands-on testing, and always tell you when a product is ours.