Lịch sử và Tương lai Giọng đọc AI:
Từ Robot đến Cảm xúc Tự nhiên

1. Buổi bình minh: Tổng hợp Nối ghép (Concatenative Synthesis)

Đây là một trong những phương pháp phổ biến đầu tiên, được sử dụng rộng rãi trong nhiều năm, kể cả trong các phiên bản đầu của Google TTS. Kỹ thuật này hoạt động bằng cách ghi âm lại một lượng lớn các đơn vị âm thanh (như âm vị, âm tiết, từ) từ một người nói, sau đó cắt và ghép các đoạn ghi âm này lại với nhau để tạo thành câu nói mong muốn.

Ưu điểm của phương pháp này là âm thanh có thể khá rõ ràng vì nó dựa trên giọng nói thật. Tuy nhiên, nhược điểm lớn là giọng đọc thường thiếu tự nhiên, đứt quãng tại các điểm nối ghép, thiếu ngữ điệu linh hoạt và rất khó để thay đổi giọng điệu hay cảm xúc. Việc tạo ra một bộ dữ liệu âm thanh chất lượng cũng cực kỳ tốn kém và mất thời gian.

2. Bước đệm: Tổng hợp Tham số Thống kê (Statistical Parametric Synthesis - SPS)

Để khắc phục những hạn chế của tổng hợp nối ghép, các nhà nghiên cứu đã phát triển phương pháp tổng hợp tham số, điển hình là sử dụng Mô hình Markov ẩn (HMM - Hidden Markov Models). Thay vì ghép các đoạn ghi âm, phương pháp này xây dựng một mô hình thống kê biểu diễn các đặc trưng âm thanh (như tần số cơ bản, phổ năng lượng) và quy tắc chuyển đổi giữa chúng.

SPS linh hoạt hơn trong việc thay đổi đặc tính giọng nói, nhưng chất lượng âm thanh thường bị đánh giá là "muffled" (nghe như bị nghẹt) và thiếu độ tự nhiên so với giọng người thật hay thậm chí là tổng hợp nối ghép chất lượng cao.

3. Cách mạng Mạng Neuron: WaveNet và Kỷ nguyên Mới (Khoảng 2016 trở đi)

Cuộc cách mạng thực sự trong công nghệ TTS đến với sự ra đời của các mô hình mạng neuron sâu (Deep Neural Networks - DNN). Một cột mốc quan trọng là WaveNet của DeepMind (thuộc Google) vào năm 2016. WaveNet là một mô hình sinh trực tiếp dạng sóng âm thanh, tạo ra giọng nói với chất lượng tự nhiên vượt trội so với các phương pháp trước đó.

Tiếp theo đó là sự xuất hiện của các mô hình end-to-end như Tacotron và Tacotron 2 (cũng từ Google), kết hợp việc chuyển đổi văn bản thành biểu diễn phổ âm thanh (mel-spectrogram) và sau đó tổng hợp dạng sóng từ phổ đó (thường dùng bộ mã hóa giọng nói - vocoder như WaveNet hoặc các biến thể nhanh hơn). Các mô hình này đơn giản hóa quy trình TTS và tiếp tục cải thiện đáng kể độ tự nhiên và ngữ điệu.

4. Tăng tốc và Tinh chỉnh: Mô hình Phi tự hồi quy và Kiểm soát Cảm xúc

Mặc dù chất lượng âm thanh rất tốt, các mô hình như WaveNet và Tacotron ban đầu (dạng tự hồi quy - autoregressive) có tốc độ tổng hợp chậm. Để giải quyết vấn đề này, các mô hình phi tự hồi quy (non-autoregressive) như FastSpeech, Parallel WaveGAN, MelGAN đã được phát triển, cho phép tạo ra giọng nói song song, nhanh hơn đáng kể mà vẫn giữ được chất lượng cao.

Song song đó, nghiên cứu tập trung vào việc kiểm soát các khía cạnh tinh tế hơn của giọng nói như cảm xúc, ngữ điệu, và phong cách. Các kỹ thuật như Global Style Tokens (GSTs), Variational Autoencoders (VAEs), và sử dụng bộ mã hóa tham chiếu (reference encoders) cho phép mô hình học và tái tạo phong cách từ một đoạn âm thanh mẫu. Khả năng sao chép giọng nói (voice cloning) chỉ từ vài giây âm thanh mẫu (few-shot hoặc zero-shot voice cloning) cũng đạt được những tiến bộ ấn tượng.

5. Hiện tại và Tương lai gần (Cuối 2024 trở đi): Transformers, Diffusion và Hơn thế nữa

Hiện nay, cuộc đua cải tiến TTS vẫn tiếp tục sôi động. Các kiến trúc Transformer (vốn rất thành công trong xử lý ngôn ngữ tự nhiên) đang được áp dụng mạnh mẽ vào TTS, ví dụ như mô hình VITS (Variational Inference with adversarial learning for end-to-end Text-to-Speech), cho phép huấn luyện end-to-end và đạt chất lượng rất cao.

Các mô hình khuếch tán (Diffusion models), nổi lên từ lĩnh vực sinh ảnh, cũng đang cho thấy tiềm năng lớn trong TTS (ví dụ: Grad-TTS, DiffTTS), hứa hẹn khả năng tạo ra giọng nói tự nhiên và đa dạng hơn nữa. Cộng đồng nghiên cứu AI, bao gồm cả các nền tảng như Hugging Face nơi chia sẻ nhiều mô hình và bộ dữ liệu, đang không ngừng khám phá các hướng đi mới.

Xu hướng tương lai bao gồm việc cải thiện hơn nữa khả năng kiểm soát giọng nói, tạo giọng nói đa ngôn ngữ (cross-lingual TTS) mượt mà, tổng hợp giọng nói thời gian thực (real-time TTS) với độ trễ thấp, và tích hợp sâu hơn với các mô hình ngôn ngữ lớn (LLMs) để tạo ra giọng nói không chỉ tự nhiên mà còn phù hợp hoàn hảo với ngữ cảnh.