G v2 đã ra mắt: Giọng nói AI nhanh hơn, biểu cảm hơn với thẻ âm thanh

Chúng tôi đang nâng cấp G v1 lên G v2 — và đây là bước nhảy vọt lớn nhất từ trước đến nay về chất lượng giọng nói AI của chúng tôi. G v2 được hỗ trợ bởi mô hình Gemini 3.1 Flash TTS hoàn toàn mới của Google, thay thế cho các engine Gemini 2.5 Flash và Pro đứng sau phiên bản ban đầu. Kết quả: giọng nói tự nhiên hơn, biểu cảm hơn, độ phủ ngôn ngữ rộng hơn rất nhiều, và một cách thức mới để chỉ đạo cách đọc đến từng từ một.

Tuyệt vời nhất là cách bạn làm việc không hề thay đổi. Chỉ cần chuyển sang G v2 trong nút chọn nhà cung cấp, chọn một giọng nói, rồi tạo — số tín dụng hiện có của bạn vẫn hoạt động y như trước.

Có gì mới trong G v2

Một mô hình duy nhất, tốt hơn

G v1 chạy trên hai phân hạng — một mô hình Flash nhanh hơn và một mô hình Pro chất lượng cao hơn. G v2 hợp nhất tất cả vào Gemini 3.1 Flash TTS, một engine giọng nói được thiết kế chuyên biệt mang lại chất lượng ngang tầm Pro với tốc độ của Flash. Trên bảng xếp hạng TTS độc lập của Artificial Analysis — nơi ghi nhận hàng nghìn lượt nghe thử mù của con người — nó nằm trong số những mô hình có âm thanh tự nhiên nhất hiện có. Một mô hình, độ trễ thấp, đầu ra hàng đầu.

Thẻ âm thanh để điều khiển đến từng từ

Đây là tính năng nổi bật nhất. Bên cạnh các hướng dẫn đọc bằng tiếng Anh đơn giản mà bạn đã quen thuộc, G v2 còn hiểu các thẻ âm thanh nội dòng — những gợi ý đặt trong ngoặc vuông mà bạn chèn trực tiếp vào văn bản để điều chỉnh cách đọc ngay giữa câu:

Welcome back! [excited] You won't believe what happened next. [whispers] It was completely silent... [laughs]

Các thẻ bao quát cảm xúc ([excited], [curious], [frustrated]), nhịp độ ([slow], [fast], [long pause]), và âm thanh phi ngôn ngữ ([laughs], [sighs], [whispers]). Không có danh sách cố định nào cả — mô hình sẽ cố gắng hết sức để diễn giải bất cứ thứ gì bạn đặt trong ngoặc vuông, vì vậy bạn có thể sáng tạo tùy theo yêu cầu của kịch bản.

Hơn 70 ngôn ngữ

G v2 hỗ trợ hơn 70 ngôn ngữ và biến thể vùng miền — gần gấp ba độ phủ của G v1. Nó thậm chí còn xử lý được việc chuyển đổi ngôn ngữ ngay trong cùng một đoạn văn và các chỉ dẫn phiên âm cho những thuật ngữ kỹ thuật khó, nhờ đó nội dung đa ngôn ngữ và pha trộn ngôn ngữ nghe đúng chuẩn mà không cần ghép nối thủ công.

Hội thoại đa người nói tốt hơn

Chế độ đa người nói vẫn còn đây và tốt hơn bao giờ hết. Hãy gán những giọng nói riêng biệt cho từng người nói và tạo ra một cuộc trò chuyện tự nhiên giữa hai người chỉ trong một lượt — hoàn hảo cho podcast, phỏng vấn và kể chuyện. G v2 giữ cho giọng của mỗi nhân vật nhất quán và xử lý việc luân phiên lượt nói tự nhiên hơn trước.

Cách sử dụng G v2

1. Chuyển sang G v2 — Nhấp vào nút G v2 trong phần chọn nhà cung cấp (bên cạnh AZ v1) ở bảng điều khiển bên phải.
2. Chọn chế độ của bạn — Single Speaker để thuyết minh, Multi Speaker để hội thoại.
3. Chọn một giọng nói — Duyệt, tìm kiếm theo tên hoặc phong cách, rồi chọn. Trong chế độ đa người nói, hãy gán một giọng cho mỗi người nói.
4. Thêm chỉ đạo (tùy chọn) — Viết một hướng dẫn đọc bằng tiếng Anh đơn giản, chèn các thẻ âm thanh nội dòng, hoặc cả hai.
5. Tạo — Âm thanh của bạn sẽ sẵn sàng trong vài giây.

Giá vẫn giữ nguyên

G v2 sử dụng số dư tín dụng hiện có của bạn ở mức 2 tín dụng cho mỗi ký tự — không thay đổi gì so với G v1. Tài khoản miễn phí được tặng 10.000 tín dụng hàng tháng, và tín dụng của bạn dùng được trên cả G v2 lẫn AZ v1, nên bạn có thể kết hợp các engine cho từng dự án.

G v2 so với AZ v1: Khi nào nên dùng cái nào

Cả hai engine đều vẫn hoạt động đầy đủ:

• Chọn G v2 cho lời thuyết minh tự nhiên, biểu cảm, hội thoại đa người nói, điều khiển đến từng từ bằng thẻ âm thanh, hoặc độ phủ đa ngôn ngữ rộng.
• Chọn AZ v1 khi bạn cần hơn 500 giọng nói hoặc khả năng điều khiển ở cấp độ SSML.

Bắt đầu ngay

G v2 đã hoạt động ngay bây giờ cho tất cả người dùng đã đăng ký. Hãy truy cập Studio của simpleTTS.ai, chuyển sang G v2, và tự mình thử các thẻ âm thanh mới. Số tín dụng hiện có của bạn hoạt động được ngay lập tức.

Chúng tôi rất nóng lòng được nghe những gì bạn sáng tạo.