Gõ kịch bản rồi chọn giọng, hoặc mô tả bản nhạc bạn muốn và thêm lời. Sáu mô hình âm thanh từ Google, xAI và MiniMax nằm chung một không gian làm việc, và mọi kết quả đều có trình phát để bạn nghe thử trước khi tải về.
Lồng tiếng cho phần lời bạn đã có, rồi soạn luôn phần nhạc cho cảnh đó, không cần đổi công cụ.
Dán kịch bản vào, AI Voice Generator sẽ đọc lại bằng giọng bạn chọn. xAI TTS v1 có hơn 80 giọng trải trên 20 tùy chọn ngôn ngữ và tự nhận diện ngôn ngữ cho bạn. Các mô hình Gemini TTS bổ sung 30 giọng dựng sẵn, điều chỉnh sắc thái và nhịp đọc bằng một câu chỉ dẫn ngắn.
Bạn tinh chỉnh cách đọc trước khi render. xAI TTS v1 cho chỉnh tốc độ từ 0,7× đến 1,5× và chuẩn hóa văn bản để số và ngày tháng đọc lên tự nhiên, sau đó xuất ra MP3, WAV, PCM, μ-law hoặc A-law ở tối đa 48 kHz. Kịch bản dài tới 15.000 ký tự, nên phần lớn bản thuyết minh gói gọn trong một file.
Mô tả bản nhạc bạn cần, thêm lời nếu muốn có giọng hát, AI Music Generator sẽ trả về một bài hát hoàn chỉnh đã phối và mix, dài tối đa năm phút. MiniMax Music 3.0 và 2.6 đọc được các thẻ cấu trúc như [Verse] và [Chorus], nên bài hát đi đúng bố cục bạn viết.
Chuyển sang chế độ hòa tấu khi bạn chỉ cần một lớp nhạc nền dưới giọng thuyết minh, rồi chọn sample rate và định dạng mà phần mềm dựng của bạn cần, từ MP3 16 kHz đến WAV 44,1 kHz.
Bốn mô hình text to speech và hai mô hình nhạc. Bạn chọn theo dải giọng, định dạng xuất file hoặc độ dài kịch bản cần lồng tiếng.
Dán đoạn văn bản cần lồng tiếng, hoặc mô tả bản nhạc và thêm lời có đánh dấu bằng thẻ [Verse] và [Chorus].
Chọn mô hình, rồi đặt giọng đọc cho phần lời hoặc chế độ giọng hát cho phần nhạc, và chọn định dạng xuất file.
Nghe kết quả ngay trên trình phát có sẵn, chạy lại nếu cách đọc chưa đạt, rồi tải file về để dựng.
Chọn tab gần với công việc của bạn để xem giọng đọc và nhạc do AI tạo ra hợp ở khâu nào.
Bạn không cần thu âm. Dán lời thuyết minh, chọn giọng hợp với hình, và thay kịch bản mỗi khi bản dựng đổi. Vẫn mô hình đó nên giọng đọc đồng nhất qua mọi phiên bản của video.
Một kịch bản 10.000 ký tự chạy xong trong một lượt, nên một chương sách nói hay một phân đoạn podcast trả về đúng một file, thay vì cả chồng clip phải ghép lại. Muốn đổi cách đọc thì thêm một câu chỉ dẫn phong cách ngắn rồi chạy lại.
Mô tả cảm xúc bạn muốn, chuyển sang chế độ hòa tấu và tạo lớp nhạc nền nằm dưới phần voice over ở tab đầu tiên. Khi brief đổi từ sôi động sang nhẹ nhàng, chỉ cần một mô tả mới là có bản nhạc mới ngay trong phiên làm việc đó.
Biến mô tả trên trang bán hàng thành một đoạn giới thiệu bằng giọng nói, rồi ghép với một bản hòa tấu ngắn. Mọi SKU dùng chung một giọng, nên cả catalogue nghe như một thương hiệu duy nhất.
Cho giọng nói một gương mặt, bằng video biết nói dựng từ một ảnh chân dung.
Tạo phần hình cho đúng những gì lời thuyết minh kể.
Cảnh người giới thiệu ghép cảnh sản phẩm, kèm voice over do AI tạo.
Cùng bộ giọng đọc và mô hình nhạc đó, gọi qua API ngay trong sản phẩm của bạn.
AI Audio Generator biến phần chữ bạn nhập vào thành âm thanh. Với giọng nói, bạn dán kịch bản rồi chọn giọng; với nhạc, bạn mô tả bản nhạc và có thể thêm lời. Mô hình render ra file, còn bạn tải về theo định dạng đã chọn.
Atlas Cloud hỗ trợ sáu mô hình âm thanh: xAI TTS v1, Gemini 3.1 Flash TTS, Gemini 2.5 Flash TTS và Gemini 2.5 Pro TTS cho giọng nói, cùng MiniMax Music 3.0 và MiniMax Music 2.6 cho phần nhạc.
Tùy mô hình. xAI TTS v1 liệt kê hơn 80 giọng thuộc 20 ngôn ngữ, còn các mô hình Gemini TTS có 30 giọng dựng sẵn như Kore, Puck và Charon, và cho bạn chỉnh sắc thái bằng một câu chỉ dẫn viết như nói thường.
Các mô hình Gemini TTS nhận tối đa 10.000 ký tự mỗi lần gọi, còn xAI TTS v1 nhận tới 15.000, nên phần lớn kịch bản thuyết minh chạy xong trong một lượt.
Được. Khi dùng như một công cụ sáng tác bài hát bằng AI, MiniMax Music 3.0 và 2.6 nhận một đoạn mô tả phong cách kèm phần lời có đánh dấu bằng các thẻ như [Verse] và [Chorus], rồi trả về một bài hát có giọng hát dài khoảng năm phút. Nếu chỉ cần phần nhạc, bạn chuyển sang chế độ hòa tấu.
Giọng nói từ các mô hình Gemini trả về WAV 24 kHz, còn xAI TTS v1 trả về MP3, WAV hoặc PCM. Các mô hình nhạc trả về MP3, WAV hoặc PCM ở sample rate từ 16 kHz đến 44,1 kHz.
Được. Tải file giọng nói về rồi tải lên làm phần tiếng cho các mô hình avatar ở tab Avatar, chúng sẽ làm ảnh chân dung mấp máy môi theo đúng bản ghi của bạn.
Text to speech tính theo mỗi 1.000 ký tự, còn nhạc tính theo mỗi lần tạo. Chi phí cụ thể của mô hình bạn chọn hiện ngay trong không gian làm việc trước khi bạn chạy.
Có. Mọi mô hình giọng nói và nhạc trên trang này đều gọi được qua API của Atlas Cloud, dùng chung cách xác thực với API ảnh và video. Xem các trang mô hình âm thanh để bắt đầu xây dựng.
So sánh giọng đọc, cách viết lời bài hát và quy trình làm voice over.
Rigid ID3 genre tags are killing your local music collection. By pairing AudioMuse-AI’s advanced sonic analysis with AtlasCloud’s scalable API, you can transform a static directory of media files into a deeply intuitive, semantic discovery engine that seamlessly routes emotion-driven playlists straight into your self-hosted server.
Read our hands-on Kling 2.6 review. Discover the perfect prompt formula for native audio lip-sync, limit fixes, and how it compares to Kling 3.0 & Veo 3.1.
The complete Kling AI lip sync tutorial: 60s max clips, 5 supported languages, TTS vs. audio upload, and fixes for the top 3 bugs creators hit in 2026.
