Chọn theo kiểu công việc, không chỉ theo điểm số
Công cụ AI chuyển văn bản thành giọng nói (TTS) biến văn bản thành âm thanh lời nói, đồng thời có thể cho phép người dùng chọn giọng, điều khiển cách diễn đạt hoặc tạo giọng phản hồi nhanh cho ứng dụng. Nếu ưu tiên chi phí và chất lượng giọng do nhà cung cấp tuyển chọn, Gemini Flash TTS là lựa chọn đáng cân nhắc; nếu cần ghi chỉ dẫn diễn xuất chi tiết vào kịch bản, Fish Audio Drama 3 phù hợp hơn; còn Inworld Realtime TTS-2 hướng tới giọng có thể kiểm soát và hội thoại tương tác. Đây không phải cuộc đua mà một mô hình thắng ở mọi mặt: kết quả phụ thuộc vào việc bạn muốn tự đạo diễn từng câu hay để hệ thống đáp ứng nhanh theo ngữ cảnh. Trong so sánh giọng đọc AI, hãy cân nhắc cả điểm đánh giá lẫn mức độ công sức cần bỏ ra để có được âm thanh mong muốn.
So sánh thông số cốt lõi cho thấy ba lựa chọn nhắm tới những ưu tiên khác nhau. Giá dưới đây chỉ được trình bày khi nguồn nêu trực tiếp mức giá bằng đồng Việt Nam; các mức giá trong nguồn được nêu bằng ngoại tệ nên không đưa vào bài.
| Tiêu chí | Fish Audio Drama 3 | Gemini Flash TTS | Inworld Realtime TTS-2 |
|---|---|---|---|
| Trọng tâm sử dụng | Đọc diễn cảm theo chỉ dẫn sân khấu viết trong kịch bản | Giọng do nhà cung cấp tuyển chọn; chú trọng chất lượng giọng và phát âm | TTS có tốc độ phù hợp cho tương tác, hướng đến ngữ cảnh hội thoại |
| Cách tính giá được nêu | Theo byte UTF-8 đầu vào | Theo token âm thanh đầu ra | Nguồn không nêu mức giá quy đổi theo giờ trong phần tư liệu này |
| Provider Voice Arena | 1.278 Elo; hạng 6 trong so sánh với Inworld | Elo 1.283 trong nguồn so sánh với Drama 3 | 1.267 Elo; hạng 8 trong so sánh với Drama 3 |
| Controlled Voice Arena | 1.085 Elo; hạng 12 trong so sánh với Inworld | 1.053 Elo trong nguồn so sánh với Drama 3 | 1.146 Elo; hạng 7, hơn Drama 3 61 điểm |
| Đặc điểm đáng chú ý | Mô hình mixture-of-experts 35 tỷ tham số, khoảng 3 tỷ tham số hoạt động mỗi token | Điểm đánh giá thay đổi đáng kể giữa giọng của nhà cung cấp và giọng tham chiếu dùng chung | Có thể tiếp nhận các lượt hội thoại trước để suy luận giọng điệu và nhịp độ |
Gemini tiết kiệm hơn theo giá niêm yết, nhưng lợi thế tùy loại giọng
Theo phép quy đổi trong tư liệu, Gemini 3.8 Flash TTS có chi phí khoảng 0,81 USD mỗi giờ âm thanh, còn Drama 3 ở giá niêm yết khoảng 4,17 USD mỗi giờ; khi ưu đãi ra mắt còn hiệu lực, Drama 3 được nêu ở mức khoảng 0,83 USD mỗi giờ. Do quy định bài viết không dùng giá ngoại tệ, các con số này chỉ được nhắc như dữ kiện đối chiếu nguồn, không phải báo giá dành cho người mua tại Việt Nam. Điều quan trọng về quyết định là Gemini có lợi thế chi phí rõ hơn sau thời gian ưu đãi, trong khi Drama 3 có thể đội chi phí sử dụng khi kịch bản chứa nhiều chỉ dẫn, vì phần hướng dẫn cũng được tính như văn bản đầu vào. Hai bên còn dùng đơn vị tính khác nhau: Gemini dựa trên token âm thanh đầu ra, còn Drama 3 tính theo byte UTF-8 đầu vào. Vì vậy, đừng so trực tiếp mức giá mỗi triệu đơn vị nếu chưa quy đổi về cùng lượng âm thanh.
Điểm đánh giá cũng không tạo ra một kết luận duy nhất. Trong nhóm giọng của nhà cung cấp, Gemini đạt Elo 1.283, nhỉnh hơn Drama 3 ở mức 1.278; nhưng ở nhóm giọng tham chiếu có kiểm soát, Drama 3 đạt 1.085, cao hơn Gemini ở mức 1.053. Tư liệu cũng đánh giá Drama 3 nổi bật về giọng của nhà cung cấp và khả năng phát âm. Vì thế, người cần giọng đọc sẵn có chất lượng cao nên thử Gemini trước, còn người phải giữ một giọng tham chiếu hoặc tinh chỉnh cách thể hiện nên nghe thử Drama 3 trên chính kịch bản của mình. Điểm Elo hữu ích để sàng lọc, nhưng không thay thế việc kiểm tra tên riêng, ngôn ngữ và sắc thái trong nội dung thực tế.
Drama 3 dành cho đạo diễn; Inworld cho hội thoại và kiểm soát
Drama 3 phù hợp khi bản thu cần được đạo diễn ngay trong văn bản: có thể đặt chỉ dẫn cho thì thầm, nhấn mạnh, tốc độ hoặc lực giọng; thêm khoảng dừng và sự kiện âm thanh; ghim âm vị để cố định cách phát âm; chuyển ngôn ngữ ở một cụm từ; và tạo hội thoại nhiều người nói trong một yêu cầu. Đổi lại, người viết phải chủ động chỉ rõ cách thể hiện. Đây là ưu thế cho sách nói, kịch bản nhiều nhân vật hoặc lồng tiếng cần lặp lại nhất quán, nhưng là gánh nặng không cần thiết nếu chỉ muốn tạo nhanh lời đọc trung tính. Drama 3 là mô hình mixture-of-experts 35 tỷ tham số với khoảng 3 tỷ tham số hoạt động trên mỗi token, nên nhóm cần tự triển khai cũng phải tính đến yêu cầu hạ tầng thay vì chỉ nhìn khả năng điều khiển.
Inworld Realtime TTS-2 hợp với tác nhân hội thoại cần phản hồi nhanh và có thể suy luận sắc thái từ các lượt nói trước, thay vì chờ người viết gắn chỉ dẫn sân khấu cho từng câu. Ở Controlled Voice Arena, Inworld đạt 1.146 Elo so với 1.085 của Drama 3, dẫn trước 61 điểm. Tuy vậy, tên “Realtime” nói về độ trễ chứ không biến sản phẩm này thành chuyển giọng nói sang giọng nói; đó là một sản phẩm riêng. Inworld cũng công bố bản xem trước nghiên cứu ngày 5 tháng 5 năm 2026 và phát hành rộng rãi ngày 2 tháng 9 năm 2026. Hãy chọn Inworld cho bot hỗ trợ hoặc nhân vật tương tác cần phản ứng theo hội thoại; chọn Drama 3 khi độ trung thành với chỉ dẫn dựng cảnh quan trọng hơn việc mô hình tự suy ra cảm xúc.
Buy if / Skip if
- Buy the Gemini Flash TTS if bạn muốn ưu tiên chi phí theo giá niêm yết và thích chất giọng trong danh mục của nhà cung cấp.
- Skip the Gemini Flash TTS if bạn cần điểm cao hơn trong nhóm giọng tham chiếu có kiểm soát so với Drama 3.
- Buy the Fish Audio Drama 3 if bạn cần điều khiển phát âm, nhịp nghỉ, cảm xúc và nhiều người nói ngay trong kịch bản.
- Skip the Fish Audio Drama 3 if bạn không muốn viết chỉ dẫn diễn xuất hoặc cần mô hình suy luận sắc thái hội thoại thay mình.
- Buy the Inworld Realtime TTS-2 if bạn đang xây dựng tác nhân hội thoại và ưu tiên giọng có thể kiểm soát theo ngữ cảnh.
- Skip the Inworld Realtime TTS-2 if công việc chính là dựng sẵn một cảnh nhiều nhân vật với chỉ dẫn diễn xuất cụ thể cho từng câu.
