Nhân bản giọng nói là công nghệ tổng hợp giọng nói AI giúp tái tạo chất lượng giọng nói, phong cách nói và ngữ điệu của một người cụ thể với độ chính xác cao từ các mẫu giọng nói từ vài giây đến vài phút.
Nhân bản giọng nói là công nghệ sử dụng mô hình học máy để tìm hiểu dữ liệu giọng nói của người nói mục tiêu và tạo ra giọng nói tổng hợp bắt chước giọng điệu, nhịp điệu và biểu hiện cảm xúc độc đáo của người đó. Không giống như TTS thông thường (chuyển đổi văn bản thành giọng nói), tính năng lớn nhất của nó là có thể tái tạo chất lượng giọng nói của một cá nhân cụ thể.
Khi đi vào hoạt động thực tế vào năm 2026, nó sẽ nhanh chóng trở nên phổ biến khi được tích hợp vào các tổng đài điện thoại AI và tường thuật video trở nên đa ngôn ngữ. Có ba cạm bẫy phổ biến trong lĩnh vực này: (1) Nếu mẫu đào tạo ngắn hơn 5 giây, độ chính xác của việc tái tạo cảm xúc sẽ giảm đáng kể, (2) Tiếng ồn xung quanh trong môi trường ghi sẽ làm giảm đáng kể chất lượng của bản sao và (3) Việc sử dụng mà không có sự đồng ý của người đó sẽ tiềm ẩn rủi ro theo Đạo luật ngăn chặn cạnh tranh không lành mạnh và Đạo luật bản quyền.
Giá thị trường là 10.000 đến 50.000 yên Nhật mỗi tháng trên cơ sở API (xử lý vài nghìn đến hàng chục nghìn ký tự) và chi phí ban đầu để xây dựng mô hình tùy chỉnh cho các công ty thường là khoảng 1 triệu yên Nhật. Theo như ReviewAI đã xác nhận, việc tái tạo ngữ điệu tự nhiên trong tiếng Nhật vẫn chậm hơn tiếng Anh từ một đến hai thế hệ và trong hầu hết các trường hợp, cần phải tinh chỉnh thêm.