Tại sao giọng dịch nghe như robot, quá nhanh hoặc không giống bạn

Bài viết này hướng dẫn về tính năng lồng tiếng trong Dịch âm thanh, cùng một phần riêng dành cho Dịch video. Mọi tùy chọn lồng tiếng đều được điều chỉnh trong phần cài đặt: chạm vào biểu tượng cài đặt (thanh trượt) ở góc trên bên phải và mở tab Lồng tiếng.

Kiểm tra nhanh: hiện tượng, nguyên nhân, cách xử lý

Hầu hết các vấn đề bắt nguồn từ hai lý do: bản dịch được đọc bằng giọng tiêu chuẩn, hoặc giọng đọc phát văn bản dịch theo tốc độ riêng mà không khớp với bản gốc.

Nếu giọng nghe như robot hoặc đều đều

Âm thanh giống robot thường xuất hiện khi bản dịch được đọc bằng giọng tiêu chuẩn của ElevenLabs hoặc OpenAI. Các giọng này giống nhau cho tất cả người dùng và không bắt chước người nói gốc. Giọng của OpenAI vốn được thiết kế ở mức trung tính.

• Mở tab Lồng tiếng và chọn một tùy chọn trong mục Có sao chép giọng: MiniMax (ứng dụng mô tả là chuẩn xác nhất về âm sắc và cảm xúc) hoặc Qwen 3. Sau đó chạm phát lại.

• Để có kết quả tự nhiên nhất, hãy chọn ElevenLabs Dubbing v2. Tùy chọn này lồng tiếng trực tiếp lên bản ghi gốc, giữ trọn nhịp điệu và âm sắc. Chi phí là 4.4 token mỗi giây, vì vậy tin nhắn dài một phút tốn khoảng 264 token.

• Bản sao chép tạo từ bản ghi có nhạc nền, tiếng ồn đường phố hoặc nhiều người nói cũng sẽ nghe thiếu tự nhiên. Hãy dùng bản ghi có một người nói rõ ràng trong phút đầu tiên.

Nếu bản dịch quá nhanh hoặc quá chậm

Bộ lồng tiếng đọc văn bản dịch theo tốc độ tự nhiên của giọng đọc đó. Nó không kéo dài hay thu ngắn giọng nói theo độ dài bản gốc, do đó bản dịch có thể kết thúc sớm hơn hoặc muộn hơn bản gốc.

• MiniMax: trong khung MiniMax, mở Cài đặt và chỉnh Tốc độ xuống dưới 1.0x. Phạm vi điều chỉnh từ 0.5x đến 2.0x.

• Qwen 3: chọn Chậm trong mục Phong cách nói. Phong cách nói chỉ hoạt động với tùy chọn Sao chép từ tệp, không áp dụng cho giọng đã lưu.

• Các giọng tiêu chuẩn của ElevenLabs và OpenAI không có cài đặt tốc độ trong Dịch âm thanh.

• Để bám sát nhịp độ của bản gốc, hãy chọn ElevenLabs Dubbing v2.

Sau khi đổi tốc độ hoặc phong cách, hãy chạm phát lại. Với MiniMax, việc phát lại bản lồng tiếng cho cùng một kết quả sẽ không trừ thêm 180 token phí sao chép.

Nếu giọng không giống bạn hoặc người nói

Tính năng Sao chép từ tệp sẽ sao chép giọng của bất kỳ ai nói trong bản ghi. Nếu kết quả không giống người đó, hãy lần lượt kiểm tra các nguyên nhân sau.

1. Bạn đang dùng giọng tiêu chuẩn. Điều này xảy ra nếu bạn đã chọn Dùng giọng AI trong hộp thoại Sao chép giọng? (nếu tích Không hỏi lại, ứng dụng sẽ ghi nhớ lựa chọn này), chọn ElevenLabs hoặc OpenAI trong cài đặt, hoặc chọn ngôn ngữ không hỗ trợ sao chép giọng. Hãy chọn MiniMax hoặc Qwen 3 trên tab Lồng tiếng.

2. Bản ghi quá ngắn: Qwen 3 cần tối thiểu 3 giây, MiniMax cần tối thiểu 10 giây. Khi đó ứng dụng sẽ dùng giọng tiêu chuẩn và thông báo «Âm thanh quá ngắn để sao chép giọng, đã dùng giọng tiêu chuẩn».

3. Quá trình sao chép giọng gặp lỗi và ứng dụng thông báo «Hiện không thể sao chép giọng nói. Đã sử dụng giọng tiêu chuẩn.» Hãy chạm phát lại sau hoặc chọn MiniMax.

4. Bạn đang chọn giọng đã lưu thay vì bản ghi. Nếu Giọng MiniMax của tôi hoặc Giọng Qwen của tôi đang bật, bản dịch sẽ được đọc bằng giọng đã lưu đó. Hãy chọn Sao chép từ tệp.

5. 60 giây đầu tiên có nhiều tạp âm. MiniMax và Qwen 3 chỉ lấy mẫu giọng từ phút đầu tiên của tệp. Âm nhạc, người khác nói xen vào hoặc tiếng ồn lớn ở đoạn này sẽ làm giảm độ tương đồng của giọng sao chép.

Nếu bạn muốn dùng giọng của mình cho tin nhắn của người khác, ví dụ để gửi câu trả lời, hãy lưu giọng một lần trong mục Cài đặt → Giọng của tôi và chọn làm Giọng MiniMax của tôi hoặc Giọng Qwen của tôi. Xem thêm các mẹo lấy mẫu tốt tại Mẹo để có chất lượng sao chép giọng nói tốt nhất.

Nếu sai ngữ điệu hoặc phương ngữ

Dịch âm thanh không thể tùy chỉnh ngữ điệu hoặc biến thể theo vùng miền. Danh sách ngôn ngữ chỉ có một lựa chọn cho mỗi ngôn ngữ: tiếng Bồ Đào Nha không phân biệt Brazil hay Bồ Đào Nha, tiếng Anh không chia ra Mỹ hay Anh.

• Bản sao chép giữ âm sắc của người nói và thường giữ cả ngữ điệu vốn có của họ. Một người nói tiếng Anh thường sẽ phát âm tiếng Bồ Đào Nha lơ lớ như người nước ngoài, ngay cả khi bản dịch chuẩn xác.

• Giọng tiêu chuẩn là giọng mặc định cố định cho mọi ngôn ngữ, và bạn không thể chọn giọng khác trong Dịch âm thanh.

Các phương án xử lý:

• Sao chép văn bản dịch, mở Chuyển văn bản thành giọng nói và chọn một giọng ElevenLabs bằng các bộ lọc theo ngôn ngữ và ngữ điệu. Giọng đọc sẽ là của người khác, nhưng đúng cách phát âm bạn cần.

• Đối với video, hãy dùng Dịch video: danh sách ngôn ngữ ở đây có sẵn các biến thể vùng miền như tiếng Bồ Đào Nha (Brazil) và tiếng Anh (Hoa Kỳ).

Nếu mất đi cảm xúc

MiniMax và Qwen 3 sao chép âm sắc giọng nói nhưng lại đọc theo văn bản dịch, vì vậy ngữ điệu của từng câu không được lấy từ bản gốc. Mô hình sẽ tự chọn ngữ điệu dựa trên câu chữ trừ khi bạn chủ động thiết lập.

• MiniMax: đặt Cảm xúc thành Vui vẻ, Buồn bã, Giận dữ, Sợ hãi, Ngạc nhiên, Điềm tĩnh hoặc Ghê tởm. Một cảm xúc sẽ áp dụng cho toàn bộ bản dịch. Tùy chọn Tự động (khuyến nghị) sẽ để mô hình tự quyết định.

• Qwen 3: Phong cách nói gồm Điềm tĩnh, Năng động, Thân thiện, Nhẹ nhàng hoặc Chuyên nghiệp.

• ElevenLabs Dubbing v2 xử lý trực tiếp từ bản ghi gốc và giữ được cách biểu đạt sát với thực tế nhất.

Nếu hai người nói lại ra cùng một giọng

Trong Dịch âm thanh, mọi tùy chọn ngoại trừ Dubbing v2 đều đọc toàn bộ bản dịch bằng một giọng duy nhất. MiniMax và Qwen 3 chỉ tạo một bản sao chép duy nhất từ phần đầu tệp, do đó trong một cuộc trò chuyện, cả hai người sẽ nhận chung một giọng tạo từ phút đầu tiên của bản ghi.

Để mỗi người nói có giọng riêng, hãy chọn ElevenLabs Dubbing v2. Tùy chọn này sẽ nhận diện từng người nói và sao chép giọng riêng cho mỗi người.

Nếu không giữ được các đoạn ngắt nghỉ

MiniMax, Qwen 3 và các giọng tiêu chuẩn đọc bản dịch thành một văn bản liên tục, nên các khoảng lặng dài của bản gốc sẽ biến mất. Dịch âm thanh không có cài đặt nào để giữ lại những khoảng ngắt này. ElevenLabs Dubbing v2 lồng tiếng khớp theo dòng thời gian gốc và giữ trọn thời lượng ngắt nghỉ.

Trong Dịch video

Dịch video có các cài đặt riêng: hãy chạm vào biểu tượng cài đặt ở góc trên bên phải của Dịch video trước khi bắt đầu.

• Một người bị lồng bằng hai giọng khác nhau, ví dụ nam và nữ. Khi dùng HeyGen và đặt Số lượng người nói là Tự động, HeyGen sẽ tự phán đoán số người nói và có thể nhận diện nhầm thành hai người. Hãy chỉnh Số lượng người nói thành 1 và dịch lại.

• Giọng nghe như robot hoặc khác xa bản gốc: với HeyGen, hãy bật Sao chép nâng cao (chi phí gấp đôi), hoặc chọn ElevenLabs để sao chép riêng từng người nói và giữ đúng nhịp thời gian. Nếu bản gốc có nhiều tạp âm, hãy bật Nâng cao chất lượng giọng nói.

• Sai phương ngữ: hãy chọn biến thể vùng miền trong danh sách ngôn ngữ, ví dụ tiếng Bồ Đào Nha (Brazil).

Tất cả tùy chọn của Dịch video được giải thích chi tiết trong Cách thức hoạt động của Dịch video.

Khi nào cần liên hệ hỗ trợ

Nếu các bước trên không giải quyết được vấn đề, hãy chạm vào Không hài lòng với kết quả? trong khung Phản hồi bên dưới kết quả và mô tả những gì bạn nghe thấy. Biểu mẫu sẽ đính kèm tác vụ dịch đó để đội ngũ hỗ trợ có thể nghe trực tiếp bản ghi. Bạn cũng có thể dùng biểu mẫu chung tại vocalingo.app/support.