Voice remixing Gemini là gì: chỉnh giọng đọc AI bằng lời dặn

Thử hình dung thế này. Phòng đào tạo cần thu âm 20 video hướng dẫn nội bộ. Anh chị nghe thử giọng AI, thấy một giọng ưng tới tám phần: rõ, ấm, nhưng hơi trẻ và đọc hơi nhanh. Trước đây chỉ có hai đường: chịu giọng đó, hoặc dựng một giọng mới từ đầu rồi cầu may.

Ngày 04/11/2026, Google thêm đường thứ ba. Voice remixing Gemini cho phép lấy đúng giọng gần ưng ấy, dặn thêm một câu "trầm hơn, đọc chậm rãi hơn", và nhận về một giọng mới đã chỉnh.

Đọc nhanh trong 30 giây

• Voice remixing là tính năng của Gemini 3.8 Flash TTS, mô hình chuyển chữ thành giọng nói của Google, ra mắt ngày 04/11/2026.
• Nó lấy một giọng có sẵn làm gốc, chỉnh theo lời dặn bằng chữ (tuổi, cao độ, tốc độ, năng lượng, giọng vùng) và lưu thành một giọng mới.
• Dùng ngay trong Google AI Studio, hoặc gọi API POST /v1beta/voices. Gọi API cần project Gemini trả phí từ Tier 1.
• Hợp với đội làm video đào tạo, sách nói, tổng đài tự động muốn có giọng riêng mà không cần thu âm người thật.

Voice remixing Gemini là gì?

Voice remixing là tính năng của Gemini API giúp tạo giọng đọc AI mới bằng cách sửa một giọng có sẵn theo lời dặn tự nhiên. Theo tài liệu của Google, anh chị đưa vào hai thứ: một giọng gốc (base_voice) và một câu mô tả chỗ cần đổi (input). Mô hình giữ "chất" của giọng gốc, chỉ đổi những nét được dặn, rồi trả về một giọng mới mang mã voice_....

Ví von cho dễ hình dung: dựng giọng từ đầu giống đặt may một bộ áo mới chỉ bằng lời tả. Remix giống mang chiếc áo đã vừa tám phần tới thợ may và dặn "nới vai một chút, lên gấu hai phân". Thợ không cắt lại áo, chỉ sửa đúng chỗ anh chị nói.

Giọng gốc có thể là:

• Một trong 30 giọng dựng sẵn như Puck, Kore, Zephyr.
• Một giọng trong Extended Voice Library, kho giọng mở rộng có hàng trăm giọng theo ngôn ngữ và giọng vùng.
• Một giọng anh chị đã tự thiết kế hoặc đã remix trước đó.

Bốn bước từ một giọng có sẵn tới giọng riêng. Giọng gốc không bị sửa.

Điểm hay là mỗi lần remix sinh ra một giọng độc lập. Giọng gốc giữ nguyên, xóa giọng gốc về sau cũng không ảnh hưởng giọng đã remix. Anh chị có thể lấy giọng vừa remix làm gốc để chỉnh tiếp, từng bước một, như chỉnh ảnh qua nhiều lớp.

Voice remixing khác gì Voice design và Voice replication?

Voice remixing là cách thứ ba để có giọng riêng trong Gemini 3.8 TTS, nằm giữa hai cách đã có từ ngày 22/09/2026. Voice design dựng giọng từ một đoạn mô tả bằng chữ. Voice replication sao chép giọng một người thật từ file ghi âm mẫu, kèm ghi âm người đó đồng ý.

Đã có giọng gần đúng thì remix, chưa có gì thì design, cần đúng một người thì replication.

Thử Voice remixing trong 5 phút

Cách nhanh nhất là dùng giao diện. Vào trang tạo giọng của Google AI Studio, chọn một giọng làm gốc rồi gõ lời dặn chỉnh. Không cần viết dòng code nào.

Người làm kỹ thuật muốn đưa vào quy trình tự động thì gọi API. Các bước theo tài liệu chính thức:

1. Dùng project Gemini API ở Paid Tier, Tier 1 trở lên. Tài liệu ghi rõ remix qua API cần điều kiện này.
2. Cài thư viện. Python:

pip install -U google-genai

JavaScript:

npm install @google/genai

3. Đặt API key vào biến môi trường GEMINI_API_KEY.
4. Gọi client.voices.create với giọng gốc và lời dặn, nhận về mã giọng mới.

Rút gọn từ ví dụ chính thức: một lệnh gọi, nhận về mã voice_... và file nghe thử.

Ví dụ dưới đây rút gọn từ tài liệu của Google, chỉ thay lời dặn:

from google import genai

client = genai.Client()

voice = client.voices.create(
    store=True,
    voice={
        "model": "gemini-3.8-flash-tts",
        "type": "prompted",
        "prompted": {
            "base_voice": "Puck",
            "input": "Make the voice sound slightly older and more grounded, with measured narration pacing.",
        },
    },
)
print(voice.id)  # voice_...

Kết quả trả về có mã voice_... và một file WAV 24kHz để nghe thử. Mã này dùng được cho cả hai mô hình đọc: Gemini 3.8 Flash TTS và Gemini 3.8 Flash-Lite TTS.

Mẹo

Tài liệu khuyên mỗi lần chỉ đổi một hoặc hai nét, nghe bản thử rồi mới chỉnh tiếp. Giống chỉnh đài radio: vặn từng núm một thì biết núm nào làm tiếng hay lên. Vặn cả ba núm cùng lúc thì hỏng không biết do đâu.

Dùng Voice remixing vào việc gì trong doanh nghiệp?

Voice remixing hợp nhất với những việc cần một giọng đọc nhất quán, dùng lâu dài, mà không muốn phụ thuộc giọng một nhân viên cụ thể.

Phòng đào tạo: chọn một giọng gốc, remix cho chậm rãi và điềm tĩnh, rồi dùng chung cho cả bộ video hướng dẫn. Nhân viên nghe 20 video vẫn thấy cùng một "người dẫn".

Chăm sóc khách hàng: tổng đài tự động cần giọng thân thiện nhưng không quá hớn hở. Remix một giọng dựng sẵn cho ấm hơn, giảm năng lượng một chút, rồi dùng mô hình Flash-Lite cho phần trả lời nhanh.

Marketing: một thương hiệu có thể giữ một "giọng thương hiệu" riêng cho quảng cáo âm thanh và video ngắn, chỉnh dần qua nhiều vòng tới khi cả đội ưng.

Tiếng Việt nằm trong danh sách ngôn ngữ hỗ trợ của cả hai mô hình. Theo trang mô hình, Flash TTS hỗ trợ 130 ngôn ngữ, Flash-Lite TTS hỗ trợ 101 ngôn ngữ, và mô hình tự nhận ra ngôn ngữ của văn bản đầu vào.

Giới hạn và lưu ý

Lưu ý

• Cần project trả phí. Gọi remix qua API đòi Paid Tier từ Tier 1. Tài liệu remix không nêu giá riêng; anh chị xem trang giá của Gemini API trước khi chạy số lượng lớn.
• Tối đa 200 giọng lưu mỗi project, tính chung giọng thiết kế, giọng remix và giọng sao chép.
• Giọng hết hạn sau 1 năm không dùng. Mỗi lần đọc bằng giọng đó, hoặc lấy nó làm gốc để remix, hạn 1 năm được tính lại.
• Giọng vùng được giữ nguyên nếu lời dặn không nói đổi. Muốn đổi sang giọng khác thì phải ghi rõ trong lời dặn.
• Remix dành cho nét giọng lâu dài. Muốn đọc thì thầm hay hào hứng ở một câu cụ thể, tài liệu hướng dẫn dùng trường style lúc đọc, không remix thêm giọng mới.

Nhận xét của chuyên gia

Khi dựng video đào tạo và trợ lý giọng nói cho doanh nghiệp, chỗ tốn thời gian nhất thường không phải viết kịch bản mà là chốt giọng. Cả phòng nghe mười giọng, ai cũng thấy "gần được" nhưng không ai chịu giọng nào. Voice remixing đánh đúng vào chỗ đó: thay vì đổi sang giọng khác, mình sửa tiếp giọng gần được nhất.

Hợp với ai: đội đào tạo, marketing, chăm sóc khách hàng cần một giọng đọc cố định cho nhiều nội dung; đội kỹ thuật đang dựng tổng đài AI hay sách nói bằng Gemini API.

Chưa hợp với ai: người chỉ cần đọc vài đoạn ngắn thỉnh thoảng, giọng dựng sẵn đã đủ; đơn vị chưa có tài khoản Gemini API trả phí mà muốn tự động hóa qua API.

Cách bắt đầu của tôi: thử trên AI Studio trước, chọn ba giọng gốc, remix mỗi giọng hai vòng với một đoạn kịch bản tiếng Việt thật của công ty. Cho vài người không làm kỹ thuật nghe mù và chọn. Chốt được giọng rồi mới viết code gọi API.

Một câu để nhớ: đừng đi tìm giọng hoàn hảo, hãy tìm giọng gần đúng rồi sửa cho vừa.

Đọc thêm: Gemini cho tạo và sửa file ngay trong khung chat và hướng dẫn cài Gemini CLI.

Câu hỏi thường gặp

Voice remixing Gemini có dùng được cho tiếng Việt không?

Có. Tiếng Việt nằm trong danh sách ngôn ngữ của cả Gemini 3.8 Flash TTS và Flash-Lite TTS. Giọng remix giữ ngôn ngữ và giọng vùng của giọng gốc, trừ khi lời dặn yêu cầu đổi.

Remix có làm hỏng giọng gốc không?

Không. Mỗi lần remix tạo ra một giọng mới độc lập với mã voice_... riêng. Giọng gốc giữ nguyên, và xóa giọng gốc cũng không ảnh hưởng giọng đã remix.

Có cần biết lập trình để dùng Voice remixing không?

Không bắt buộc. Có thể remix trực tiếp trong giao diện Google AI Studio. Chỉ khi muốn đưa vào hệ thống tự động mới cần gọi API bằng Python, JavaScript hoặc REST.

Một project lưu được bao nhiêu giọng?

Tối đa 200 giọng lưu mỗi project, tính chung cả giọng thiết kế, giọng remix và giọng sao chép. Giọng không dùng trong 1 năm sẽ hết hạn.

Nguồn: Google, Voice remixing, Gemini API, 04/11/2026. Ngày tra nguồn: 05/11/2026.