Text-to-Speech API tiếng Việt – Hướng dẫn tích hợp

1. TTS dùng ở đâu?

Voice Bot / AI Callbot:

• Bot response được convert từ text → speech
• Realtime requirement cao

IVR (Interactive Voice Response):

• Menu options: “Nhấn 1 để gặp tư vấn viên…”
• Dynamic content: Số dư, mã đơn hàng…

Voice Notifications:

• OTP qua voice
• Thông báo cá nhân hóa
• Alerts, reminders

Accessibility:

• Đọc content cho người khiếm thị
• Audiobook generation

2. So sánh TTS vendors cho tiếng Việt

Nhận xét:

• Global vendors (Google, Amazon, Azure): Stable, multi-language, nhưng tiếng Việt chưa hoàn hảo ở accent và ngữ điệu.
• Local vendors (Alohub, Zalo, FPT): Tiếng Việt tốt hơn, latency thấp (server trong VN), support local.

3. Alohub TTS API

Đặc điểm:

• Optimize cho telephony (8kHz/16kHz output)
• Latency < 100ms (server VN)
• Giọng Bắc, Nam tự nhiên
• SSML support (pause, emphasis, speed)

Basic request:

POST https://api.alohub.vn/v1/tts/synthesize
{
  "text": "Xin chào, bạn có lịch hẹn lúc 3 giờ chiều ngày mai",
  "voice": "vi-VN-female-01",
  "format": "mp3",
  "sample_rate": 16000
}

Response:

{
  "audio_url": "https://cdn.alohub.vn/tts/abc123.mp3",
  "audio_base64": "//uQxAAAAAANIAAAAAExBT...",
  "duration_ms": 3200,
  "characters": 52
}

4. Voice options

Alohub – giải pháp AI Contact Center & nền tảng CPaaS tại Việt Nam – cung cấp các giọng:

5. SSML cho advanced control

SSML (Speech Synthesis Markup Language):

POST https://api.alohub.vn/v1/tts/synthesize
{
  "ssml": "<speak>
    Số dư tài khoản của bạn là 
    <say-as interpret-as='currency'>5000000 VND</say-as>.
    <break time='500ms'/>
    Giao dịch gần nhất: 
    <emphasis level='strong'>Rút tiền</emphasis> 
    ngày <say-as interpret-as='date'>2024-01-15</say-as>.
  </speak>",
  "voice": "vi-VN-female-01"
}

SSML tags phổ biến:

• <break time="500ms"/> – Pause
• <emphasis> – Nhấn mạnh
• <prosody rate="slow"> – Tốc độ
• <say-as interpret-as="date"> – Đọc đúng format (date, number, currency)
• <sub alias="Alohub">Alohub</sub> – Phát âm thay thế

6. Tích hợp với Voice Bot

Real-time TTS trong cuộc gọi:

// Khi nhận response từ AI
const aiResponse = "Dạ, em đã kiểm tra và đơn hàng của anh đang được giao";

// Gửi cho Alohub để TTS và phát
websocket.send(JSON.stringify({
  "event": "bot_response",
  "call_id": call_id,
  "text": aiResponse,
  "tts_config": {
    "voice": "vi-VN-female-01",
    "speed": 1.0
  }
}));

// Alohub sẽ TTS và stream audio cho khách

Pre-generated audio (nhanh hơn):

// Pre-generate common phrases
const commonPhrases = {
  "greeting": await tts("Xin chào, em là trợ lý AI"),
  "hold": await tts("Xin anh chị vui lòng giữ máy"),
  "goodbye": await tts("Cảm ơn anh chị đã liên hệ"),
  // ...
};

// Trong cuộc gọi, dùng cached audio
websocket.send(JSON.stringify({
  "event": "play_audio",
  "call_id": call_id,
  "audio_url": commonPhrases["greeting"]
}));

7. Best practices

Tối ưu latency:

• Pre-generate static phrases
• Stream audio chunks (không đợi full audio)
• Cache frequently used responses

Tối ưu chất lượng:

• Viết text tự nhiên, như người nói
• Dùng SSML cho số, ngày, tiền tệ
• Test với nhiều voices, chọn phù hợp brand

Tối ưu chi phí:

• Cache audio URLs (không generate lại)
• Batch requests khi có thể
• Dùng shorter responses

8. Tóm lại

• TTS: Chuyển text → speech, dùng trong Voice Bot, IVR, notifications.
• Vendors: Local (Alohub, Zalo, FPT) tốt hơn cho tiếng Việt.
• Alohub TTS: Latency < 100ms, giọng Bắc/Nam, SSML support.
• Best practices: Pre-generate, cache, dùng SSML.

Alohub – giải pháp AI Contact Center & nền tảng CPaaS tại Việt Nam – TTS optimized cho telephony với latency thấp.

FAQ

TTS có đọc được tên riêng, brand names không?

Có thể gặp vấn đề với foreign names và brand names. Giải pháp: Dùng SSML _{tag để specify cách phát âm. Ví dụ: <sub alias=”Ai lô háp”>Alohub}. Alohub có dictionary tên riêng phổ biến.

Chi phí TTS có đáng kể không?

Với volume cao, có thể significant. 1M characters ≈ 150-200 cuộc gọi ngắn. Alohub: ~100-200đ/request. Optimize: Cache static phrases, chỉ TTS dynamic content. Nhiều use cases, TTS cost < 10% tổng telephony cost.

Có thể train custom voice không?

Có, nhưng cần volume lớn (enterprise). Cần ~1-5 giờ recording của speaker. Timeline: 4-8 tuần để train. Chi phí: Liên hệ Alohub. Alternative: Chọn từ voices có sẵn, đa số use cases đủ tốt.