Nhân bản giọng nói bằng AI là việc tạo ra một giọng tổng hợp mô phỏng giọng của một người cụ thể, thường chỉ cần vài phút ghi âm mẫu, rồi dùng giọng đó đọc bất kỳ nội dung nào. Nó khác giọng tổng hợp thông thường ở chỗ người nghe nhận ra đó là giọng của một người có thật.
Ngày 3 tháng 10 năm 2026, Toà án quận Tokyo ra phán quyết xác nhận giọng nói của một người có thể được bảo vệ theo quyền đối với hình ảnh và đặc điểm nhận diện cá nhân. Vụ việc liên quan tới diễn viên lồng tiếng Kenjiro Tsuda, khi một tài khoản ẩn danh dùng AI tái tạo giọng ông trong 188 video. Thẩm phán Aya Takahashi nhận định giọng nói có thể mang tính biểu tượng cho nhân cách của một người tương tự chân dung. Bài này xem xét điều đó có ý nghĩa gì với doanh nghiệp đang dùng giọng nói AI trong chăm sóc khách hàng.
Phán quyết đặt ra ranh giới nào?
Điểm quan trọng nhất không phải việc toà công nhận giọng nói được bảo vệ, mà là điều kiện kèm theo: bảo vệ áp dụng khi mục đích sử dụng là khai thác sức hút thương mại của giọng đó. Toà nói rõ rằng không phải mọi giọng AI nghe giống một người đều tự động vi phạm.
Cách diễn giải này tạo ra một ranh giới có tính thực tiễn cao. Việc dùng một giọng tổng hợp tình cờ nghe hao hao ai đó không nằm trong phạm vi vi phạm. Việc cố ý dùng giọng của một người cụ thể để thu hút sự chú ý vốn thuộc về danh tiếng của người đó thì nằm trong phạm vi.
Đây là phán quyết của toà Nhật Bản nên không áp dụng trực tiếp tại Việt Nam. Nhưng hướng lập luận thì đáng tham khảo, vì nó đặt câu hỏi đúng chỗ: bạn đang dùng giọng đó vì chất lượng âm thanh, hay vì giọng đó gắn với một con người cụ thể.
Doanh nghiệp dùng giọng nói AI ở những khâu nào?
Trước khi bàn ranh giới, cần biết nhóm ứng dụng nào đang phổ biến, vì mức rủi ro pháp lý của chúng khác nhau rất xa.
| Khâu | Dùng giọng gì | Mức rủi ro |
|---|---|---|
| Lời chào và menu tổng đài | Giọng tổng hợp sẵn | Thấp |
| Gọi tự động nhắc lịch hẹn | Giọng tổng hợp sẵn | Thấp |
| Hội thoại hai chiều với khách | Giọng tổng hợp sẵn | Trung bình, do nội dung chứ không do giọng |
| Thuyết minh video quảng cáo | Giọng nhân bản từ người thật | Cao nếu không có thoả thuận rõ |
| Giọng người nổi tiếng hoặc lãnh đạo | Giọng nhân bản | Rất cao |
Ba hàng đầu chiếm phần lớn nhu cầu thực tế của doanh nghiệp vừa và nhỏ, và chúng dùng giọng tổng hợp không gắn với cá nhân nào nên gần như không chạm tới vấn đề phán quyết trên đặt ra. Hai hàng cuối mới là nơi cần cẩn thận.
Nhân bản giọng nhân viên có cần sự đồng ý không?
Có, và nên là sự đồng ý bằng văn bản chứ không phải sự đồng thuận miệng trong một cuộc họp. Lý do không chỉ nằm ở pháp lý mà còn nằm ở quan hệ lao động.
Giọng nói là dữ liệu gắn với một cá nhân cụ thể, nên việc thu thập và xử lý nó chịu các nghĩa vụ chung về bảo vệ dữ liệu cá nhân theo quy định hiện hành tại Việt Nam, trong đó có yêu cầu về cơ sở pháp lý khi xử lý và về việc thông báo cho chủ thể dữ liệu. Phần diễn giải các nghĩa vụ này nằm ở trang bảo mật dữ liệu.
Ngoài ra còn một yếu tố mà hợp đồng lao động thông thường chưa lường tới: giọng của nhân viên tiếp tục tồn tại và tiếp tục làm việc cho doanh nghiệp sau khi người đó đã nghỉ. Điều này cần được nói rõ từ đầu thay vì để thành tranh chấp về sau.
Khi nhân viên nghỉ việc thì giọng đã thu còn dùng được không?
Câu trả lời phụ thuộc hoàn toàn vào văn bản thoả thuận ban đầu, và đây là lý do việc ghi rõ ngay từ lúc thu âm quan trọng hơn mọi điều khoản bổ sung về sau.
- Phạm vi sử dụng. Chỉ dùng cho tổng đài nội bộ, hay dùng cả cho quảng cáo và nội dung công khai.
- Thời hạn. Quyền sử dụng kéo dài bao lâu sau khi chấm dứt hợp đồng lao động.
- Quyền rút lại. Người đó có quyền yêu cầu ngừng sử dụng giọng mình không, và trong bao lâu thì doanh nghiệp phải thực hiện.
- Mức thù lao. Trả một lần khi thu âm, hay trả theo thời gian sử dụng.
- Nghĩa vụ xoá. Khi ngừng sử dụng thì bản mẫu giọng và mô hình đã huấn luyện có phải xoá không.
Mục cuối hay bị bỏ qua nhất. Việc ngừng phát một đoạn ghi âm khác hẳn với việc xoá mô hình giọng đã huấn luyện, và nếu không ghi rõ thì doanh nghiệp vẫn giữ khả năng tạo ra giọng đó bất kỳ lúc nào.
Nên chọn giọng tổng hợp sẵn hay nhân bản giọng người thật?
Với phần lớn doanh nghiệp vừa và nhỏ, giọng tổng hợp sẵn là lựa chọn hợp lý hơn, và lý do không chỉ là pháp lý mà còn là vận hành.
| Tiêu chí | Giọng tổng hợp sẵn | Nhân bản giọng người thật |
|---|---|---|
| Ràng buộc pháp lý | Theo giấy phép của nhà cung cấp | Cần thoả thuận riêng với cá nhân |
| Khi muốn đổi giọng | Đổi ngay trong cấu hình | Phải thu âm và thoả thuận lại |
| Rủi ro tranh chấp | Thấp | Có, nhất là sau khi người đó nghỉ việc |
| Mức độ gần gũi với khách | Trung tính | Cao hơn nếu khách đã quen giọng đó |
| Chi phí | Theo gói dịch vụ | Thêm chi phí thu âm và thù lao |
Lợi thế duy nhất rõ rệt của nhân bản nằm ở hàng thứ tư, và nó chỉ có giá trị trong một số ít trường hợp, chẳng hạn khi một người đã là gương mặt gắn với thương hiệu trong nhiều năm. Ngoài trường hợp đó, phần rủi ro thêm vào thường lớn hơn phần giá trị thu được.
Có phải báo cho khách biết họ đang nghe giọng máy không?
Nên báo, và cách báo gọn nhất là một câu ở đầu cuộc gọi. Lý do vừa là tôn trọng người nghe vừa là bảo vệ chính doanh nghiệp.
Khi khách biết mình đang nói chuyện với hệ thống, họ nói ngắn gọn hơn, ít dùng cách diễn đạt vòng vo, và chủ động yêu cầu gặp người thật khi vấn đề vượt phạm vi. Cả ba điều đó đều làm tăng tỷ lệ cuộc gọi kết thúc trọn vẹn. Ngược lại, khi khách tin mình đang nói với nhân viên rồi phát hiện ra không phải, phản ứng thường mạnh hơn nhiều so với việc được nói rõ từ đầu.
Về cách dựng kịch bản và chỗ đặt điểm chuyển sang người thật, phần phân biệt giữa các loại hệ thống gọi tự động được trình bày trong bài callbot là gì.
Dữ liệu ghi âm cuộc gọi phải xử lý thế nào?
Một hệ thống gọi tự động tạo ra hai loại dữ liệu đều thuộc nhóm nhạy cảm: giọng nói của khách hàng, và nội dung họ nói ra. Cả hai cần được xử lý với cùng mức cẩn trọng như hồ sơ khách hàng.
- Thông báo trước khi ghi âm. Nêu rõ mục đích ghi âm, không chỉ nêu rằng cuộc gọi có thể được ghi.
- Đặt thời hạn lưu trữ. Giữ đúng khoảng thời gian cần cho mục đích đã nêu, rồi xoá theo lịch.
- Giới hạn người nghe lại. Chỉ những vai trò cần cho công việc, có ghi nhật ký truy cập.
- Tách phần nhạy cảm. Số thẻ, thông tin sức khoẻ và giấy tờ tuỳ thân nên được loại khỏi bản lưu.
- Kiểm tra xem bản ghi có đi ra bên thứ ba không. Dịch vụ chuyển giọng thành văn bản cũng là một bên xử lý dữ liệu.
Mục cuối hay bị bỏ sót vì nó nằm trong phần kỹ thuật. Nhiều doanh nghiệp rà kỹ nơi lưu bản ghi nhưng không biết rằng mỗi cuộc gọi đều được gửi qua một dịch vụ bên ngoài để chuyển thành văn bản, và dịch vụ đó có chính sách lưu trữ riêng.
Giọng máy đọc tiếng Việt còn vướng ở đâu?
Ngoài phần pháp lý, còn một nhóm vấn đề kỹ thuật ảnh hưởng trực tiếp tới việc khách có nghe hiểu hay không, và tiếng Việt vướng nhiều hơn tiếng Anh ở vài chỗ cụ thể.
- Tên riêng và địa danh. Hệ thống hay đọc sai tên người và tên đường, nhất là các tên ít gặp hoặc có gốc tiếng dân tộc.
- Số và đơn vị. Số tiền, số điện thoại và mã đơn hàng cần quy tắc đọc riêng, nếu không khách phải hỏi lại.
- Giọng vùng miền. Một giọng miền này đọc tên riêng miền khác có thể gây khó nghe cho đúng nhóm khách bạn đang gọi.
- Từ vay mượn và tên thương hiệu. Các từ gốc tiếng Anh xen trong câu tiếng Việt là chỗ phát âm hay lệch nhất.
- Nhịp ngắt câu. Câu dài không có dấu ngắt hợp lý bị đọc liền một hơi, khách nghe không kịp.
Cách xử lý rẻ nhất là lập một bảng phiên âm riêng cho các từ hay gặp trong doanh nghiệp: tên thương hiệu, tên sản phẩm, tên chi nhánh, tên nhân sự thường được nhắc. Phần lớn dịch vụ đọc văn bản đều cho phép khai báo bảng này, và riêng việc đó đã xử lý được đa số lỗi phát âm gây khó chịu nhất.
Phép kiểm trước khi đưa vào vận hành cũng đơn giản: lấy hai mươi kịch bản thật, cho hệ thống đọc, rồi để một người không tham gia dự án nghe và ghi lại chỗ nào phải nghe lại lần hai. Mọi chỗ bị ghi lại đều cần sửa trước khi gọi cho khách thật.
Cần kiểm tra gì trong giấy phép của nhà cung cấp giọng?
Giọng tổng hợp sẵn cũng đi kèm điều kiện sử dụng, và chúng khác nhau khá nhiều giữa các nhà cung cấp. Bốn điểm dưới đây nên đọc trước khi đưa một giọng vào sản phẩm chính thức.
- Phạm vi thương mại. Một số giọng chỉ được dùng cho mục đích phi thương mại hoặc nội bộ.
- Yêu cầu ghi nhận nguồn. Có phải nêu tên nhà cung cấp trong sản phẩm cuối không.
- Quyền dùng tiếp khi ngừng thuê bao. Các tệp âm thanh đã tạo có còn được dùng không.
- Giới hạn về loại nội dung. Một số giấy phép cấm dùng cho nội dung chính trị, y tế hoặc tài chính.
Điểm thứ ba đáng chú ý với doanh nghiệp đã thu sẵn hàng trăm đoạn thoại cho hệ thống tổng đài. Nếu giấy phép không cho dùng tiếp sau khi ngừng thuê bao, việc đổi nhà cung cấp đồng nghĩa với việc thu âm lại toàn bộ.
Bước tiếp theo nên làm gì?
Việc nên làm trong tuần này là liệt kê mọi chỗ trong doanh nghiệp đang phát ra giọng nói tổng hợp, kèm ba thông tin: giọng đó lấy từ đâu, có gắn với người thật nào không, và giấy phép cho phép dùng tới đâu. Danh sách này thường ngắn hơn dự đoán và làm lộ ra một hai chỗ chưa ai kiểm tra.
Nếu bạn đang cân nhắc đưa hệ thống gọi tự động vào vận hành, phần chi phí thật và các trường hợp nên dùng được trình bày trong bài tổng đài ảo.
Nếu bạn muốn rà phần ranh giới dữ liệu và kịch bản chuyển người thật trước khi triển khai, hãy liên hệ với InCard để cùng đi qua danh sách kiểm tra trên đúng luồng cuộc gọi của bạn.
