Trong điện thoại của bạn đang có bao nhiêu clip sản phẩm quay xong rồi để đó, chỉ vì chưa dám thu tiếng? Quay thì dễ: cầm hàng lên, lia máy một vòng, cận cái đường may. Nhưng tới lúc phải nói vào đó thì nhà có tiếng xe, giọng mình nghe lại thấy ngại, thu ba lần vẫn vấp một chữ, và clip nằm im. Lồng tiếng AI giải đúng cái nút đó: bạn gõ lời, máy đọc, bạn ghép vào hình. Bài này đi theo đúng hành trình của một người bán hàng làm việc ấy lần đầu. Từ chỗ loay hoay tới lúc ra được một reel có lời đọc trong khoảng 20 phút. Kể cả những chỗ dễ hỏng mà các trang giới thiệu công cụ không nói.
Cập nhật: Tháng 9, 2026 · Tác giả: Nguyễn Đức Duy
Tóm tắt nhanh: 5 ý chính
- Clip nằm im vì ba lý do: ngại giọng mình, không có chỗ yên, không có mic. Lồng tiếng AI bỏ được cả ba, nhưng chỉ khi bạn hiểu nó là lớp giữa của video, không phải phép màu.
- Một video có lời đọc là ba lớp: hình, giọng đọc, nhạc nền. Sai nhiều nhất là để giọng dài hơn hình rồi kéo hình cho vừa. Làm ngược lại: cắt lời cho vừa cảnh.
- Quy trình 20 phút trong CapCut: viết bốn tới sáu câu theo cảnh, thêm chữ, bấm Đọc văn bản, chọn giọng, kéo khớp cảnh, hạ nhạc nền, xuất.
- Chọn công cụ theo nhu cầu: CapCut cho reel hằng ngày, Vbee khi cần chỉnh ngắt nghỉ và đọc số, ElevenLabs khi cần giọng có cảm xúc hơn. Cả ba đều có mức miễn phí.
- Bảy lỗi hay gặp đều sửa được bằng cách đổi chữ, không phải đổi công cụ: số, ký hiệu, chữ Anh trộn, lời viết cho mắt, nhạc át giọng, phụ đề chồng, mỗi clip một giọng.
Nội dung bài viết
- Lồng tiếng AI là gì, và hai nghĩa dễ lẫn
- Chặng 1, loay hoay: vì sao clip quay xong vẫn nằm im
- Chặng 2, vỡ ra: video có lời đọc chỉ là ba lớp xếp chồng
- Chặng 3, làm được: 20 phút trong CapCut, từng bước
- Chọn công cụ: CapCut, Vbee hay ElevenLabs
- Video nào vẫn nên thu giọng thật
- Bảy lỗi hay gặp và cách sửa
- Việc làm tối nay
- Câu hỏi thường gặp
- Kết luận
Lồng tiếng AI là gì, và hai nghĩa dễ lẫn
Khi bạn gõ “lồng tiếng AI” lên Google, kết quả trả về trộn lẫn hai việc khác hẳn nhau, và đó là lý do nhiều người đọc xong vẫn không biết bắt đầu từ đâu.
Nghĩa thứ nhất: bạn có video chưa có lời, bạn viết lời, máy đọc lời đó thành giọng người, bạn ghép vào video. Đây là chuyển văn bản thành giọng nói, rồi ghép. Người bán hàng cần đúng việc này.
Nghĩa thứ hai: bạn có video đã có người nói tiếng Việt, máy dịch và đọc lại bằng tiếng Anh hoặc tiếng Thái, khớp khẩu hình. Đây là lồng tiếng để đưa video ra nước ngoài. Các trang của Adobe, Canva, CapCut khi nói “AI dubbing” là nói việc này. Bạn bán áo ở Gò Vấp thì chưa cần tới nó.
Bài này nói nghĩa thứ nhất. Nếu bạn muốn hiểu sâu hơn về bản thân giọng máy, giọng nào nghe tự nhiên, miễn phí tới đâu, tôi đã viết riêng một bài về giọng nói AI. Bài này không lặp lại phần đó. Nó tập trung vào việc còn lại, và cũng là việc khó hơn: đưa giọng vào một clip sản phẩm cụ thể sao cho người xem không thấy chỏi.
Chặng 1, loay hoay: vì sao clip quay xong vẫn nằm im
Giả sử bạn bán túi xách, tối qua quay được một clip 20 giây khá ưng: mở hộp, lật mặt trong, đeo thử lên vai. Bạn định thu tiếng giới thiệu rồi đăng lên TikTok và trang Facebook. Rồi chuyện xảy ra theo một trong ba cách.
Cách một: bạn thu thử, nghe lại, thấy giọng mình nhỏ, hơi run, cuối câu tụt hơi. Xoá, thu lại. Lần ba vẫn vấp chữ “khoá kéo”. Tắt máy.
Cách hai: bạn đăng luôn clip câm, bật một bài nhạc đang thịnh. Người xem lướt qua trong hai giây vì không biết cái túi này khác gì mười cái túi khác trên bảng tin.
Cách ba: bạn nghe nói CapCut đọc được chữ, mở lên, dán nguyên cái bài đăng bán hàng dài 120 chữ vào ô văn bản, bấm đọc. Máy đọc một hơi 45 giây cho clip 20 giây. Bạn kéo dài hình ra, video thành ra một cái túi đứng im trong khi giọng máy đọc “giá 350.000đ” thành “giá ba trăm năm mươi nghìn đ”. Bạn kết luận lồng tiếng AI nghe giả, bỏ.
Cả ba cách đều có chung một điểm: bạn coi lời đọc là thứ thêm vào sau, khi hình đã xong. Chính thứ tự đó làm hỏng. Người làm video hằng ngày làm ngược lại, và đó là chỗ vỡ ra ở chặng hai.
Chặng 2, vỡ ra: video có lời đọc chỉ là ba lớp xếp chồng
Mở CapCut ra và nhìn xuống bàn dựng phía dưới màn hình, bạn thấy các dải nằm ngang chồng lên nhau. Đó chính là câu trả lời. Một video có lời đọc gồm đúng ba lớp: hình ở trên, giọng đọc ở giữa, nhạc nền ở dưới. Lồng tiếng AI chỉ làm ra lớp giữa. Hai lớp kia bạn đã có, hoặc lấy trong app là có.
Khi nhìn ra ba lớp, hai điều thay đổi ngay.
Thứ nhất, lời viết theo cảnh, không viết theo bài đăng. Clip có bốn cảnh thì lời có bốn câu, mỗi câu một ý, mỗi câu dài đúng bằng cảnh của nó. Cảnh 4 giây thì câu chừng 12 tới 15 chữ. Bạn không dán bài đăng vào nữa, vì bài đăng viết cho mắt, còn lời đọc viết cho tai. Nếu bạn hay viết bài đăng theo kiểu mẫu bài đăng bán hàng online thì cứ giữ bài đó cho phần chữ dưới video. Lời đọc thì viết lại, ngắn hơn một nửa.
Thứ hai, giọng phải nhường hình, không phải hình chiều giọng. Nếu máy đọc câu 2 hết 8 giây mà cảnh 2 chỉ 6 giây, bạn không kéo cảnh dài ra. Bạn cắt bớt ba chữ trong câu. Hình là thứ giữ người xem ở lại, giọng là thứ giải thích hình. Kéo hình đứng im để chờ giọng là cách nhanh nhất làm người ta lướt đi.
Với nhạc nền, chỉ cần nhớ một việc: nó nằm dưới cùng và nhỏ. Trong bài học biên tập CapCut mà tôi ghi lại trong kho tài liệu của mình có một thao tác đơn giản: chọn toàn bộ lớp giọng, tăng thêm khoảng 4 dB nếu nghe lí nhí, rồi bấm chuẩn hoá âm lượng. Nhạc thì hạ xuống còn khoảng 15 tới 20 phần trăm. Nghe lại bằng loa điện thoại, không phải tai nghe, vì khách xem bằng loa điện thoại.
Chặng 3, làm được: 20 phút trong CapCut, từng bước
Đây là quy trình cho clip sản phẩm 15 tới 30 giây, làm trên điện thoại. Tên nút lấy theo bản CapCut tiếng Việt, các bản mới có thể đổi vị trí một chút nhưng tên gọi vẫn thế.
| Bước | Việc | Làm cụ thể | Thời gian |
|---|---|---|---|
| 1 | Xem clip, đếm cảnh | Xem lại clip một lần, ghi ra giấy có mấy cảnh và mỗi cảnh mấy giây. Clip 20 giây thường có 3 tới 5 cảnh. | 2 phút |
| 2 | Viết lời theo cảnh | Mỗi cảnh một câu, 10 tới 15 chữ. Câu 1 nói món này là gì, câu 2 nói điểm khác biệt nhìn thấy trong cảnh, câu 3 nói hợp với ai, câu cuối nói giá và cách đặt. Số viết bằng chữ: “ba trăm năm mươi nghìn”. | 5 phút |
| 3 | Thêm chữ vào CapCut | Mở dự án, kéo tới đầu cảnh 1, bấm Văn bản rồi Thêm chữ, gõ câu 1. Lặp lại cho từng cảnh, mỗi câu một khối chữ riêng, đừng gõ cả bốn câu vào một khối. | 3 phút |
| 4 | Đọc văn bản | Chạm vào khối chữ, chọn Đọc văn bản, chọn tiếng Việt, nghe thử vài giọng rồi chọn một. Chỉnh tốc độ nếu cần. Bấm dấu tích. CapCut sinh ra một đoạn giọng nằm ở lớp âm thanh, ngay dưới khối chữ. | 4 phút |
| 5 | Kéo cho khớp cảnh | Nhìn lớp giọng: đoạn nào dài hơn cảnh thì quay lại sửa chữ cho ngắn rồi đọc lại, không kéo cảnh. Đoạn nào ngắn hơn thì để hình chạy thêm nửa giây, không sao. | 3 phút |
| 6 | Chữ, nhạc, xuất | Quyết định giữ khối chữ làm phụ đề hay ẩn đi. Thêm nhạc nền, hạ âm lượng. Nghe bằng loa ngoài. Xuất 1080p. | 3 phút |
Lần đầu bạn sẽ mất hơn 20 phút, chủ yếu ở bước 2 và bước 5, vì viết cho tai là kỹ năng mới. Từ clip thứ ba trở đi thời gian rơi xuống dưới 15 phút, và cái bạn giữ lại là một khuôn lời bốn câu dùng cho mọi sản phẩm cùng loại.
Nếu bạn quay bằng điện thoại và hình chưa đủ đẹp để giọng đọc có thứ mà giải thích, hãy xem thêm bài chụp ảnh sản phẩm. Phần ánh sáng và nền trong đó áp nguyên cho quay video. Còn nếu bạn chưa quay gì cả và muốn để máy làm nhiều hơn, bài AI làm video nói về hướng đó, nhưng tôi vẫn khuyên hàng thật thì quay thật.
Chọn công cụ: CapCut, Vbee hay ElevenLabs
Ba công cụ này đủ cho gần như mọi shop. Tôi xếp theo thứ tự nên thử, không theo thứ tự hay dở.
| Công cụ | Miễn phí tới đâu | Hợp với việc gì | Điểm yếu phải biết |
|---|---|---|---|
| CapCut (trong app dựng) | Giọng có sẵn trong app, dùng cho video làm bằng app không mất phí bản quyền. Một số giọng và hiệu ứng gắn nhãn Pro. | Reel hằng ngày, làm xong đăng luôn, không muốn chuyển file qua lại giữa các app. | Giọng tiếng Việt ít lựa chọn hơn tiếng Anh. Không chỉnh được chỗ ngắt nghỉ, muốn ngắt phải tách câu thành hai khối chữ. |
| Vbee AIVoice (web) | 3.000 ký tự mỗi ngày, nghe thử 2.000 ký tự trước khi tải. Hàng trăm giọng vùng miền. | Video hướng dẫn dài, cần đọc số, đọc giá, chèn ngắt nghỉ nửa giây, một giây đúng chỗ. | Phải tải file âm thanh về rồi kéo vào CapCut, thêm một bước. Hết 3.000 ký tự là phải chờ ngày mai hoặc trả tiền. |
| ElevenLabs (web) | 10.000 ký tự mỗi tháng, có tiếng Việt. | Khi cần giọng lên xuống có cảm xúc hơn, ví dụ video kể chuyện thương hiệu. | Giọng tiếng Việt đôi khi ngả âm nước ngoài ở vài từ. Giao diện tiếng Anh. Mức miễn phí tính theo tháng, dùng hết là chờ. |
Lời khuyên thẳng: bắt đầu bằng CapCut, làm năm clip. Chỉ khi bạn thấy mình cần chỗ ngắt nghỉ chính xác hoặc phải đọc nhiều con số mà CapCut đọc sai, lúc đó mới sang Vbee. Nhiều người làm ngược lại, mở ba tài khoản, so giọng cả buổi, cuối cùng không ra clip nào. Muốn có cái nhìn rộng hơn về các công cụ AI không mất tiền cho việc bán hàng, bài phần mềm AI miễn phí xếp chúng theo việc.
Video nào vẫn nên thu giọng thật
Có một câu hỏi tôi thấy quan trọng hơn câu “công cụ nào”: video nào không nên lồng tiếng AI? Vì nếu bạn lồng tiếng AI cho tất cả, kênh của bạn sẽ nghe như một cái máy bán hàng tự động. Khách bắt đầu không biết đằng sau shop là ai.
Nguyên tắc chỉ có một dòng: người xem cần tin bạn thì dùng giọng bạn, người xem cần thấy hàng thì giọng AI là đủ. Clip mở hộp, cận chi tiết, bảng giá, hướng dẫn bảo quản: giọng AI. Video bạn nói chuyện với khách, trả lời một thắc mắc, giải thích vì sao đơn giao chậm: giọng bạn, vấp cũng được, vì chỗ này sự vấp lại là bằng chứng có người thật.
Với người mới xây kênh TikTok để bán hàng, tỉ lệ hợp lý là khoảng bốn clip hàng dùng giọng AI cho một video có mặt mình. Bốn clip kia kéo người xem tới, video có mặt bạn biến người xem thành người tin.
Bảy lỗi hay gặp và cách sửa
Tất cả các lỗi dưới đây đều sửa bằng cách đổi chữ hoặc đổi cách xếp lớp, không lỗi nào cần đổi công cụ.
| Lỗi | Nghe thấy gì | Sửa |
|---|---|---|
| Số và ký hiệu | “350.000đ” đọc thành “ba trăm năm mươi chấm không không không đờ”, “20%” đọc lệch. | Viết bằng chữ: “ba trăm năm mươi nghìn”, “giảm hai mươi phần trăm”. Ký hiệu tiền, phần trăm, gạch chéo đều viết ra chữ. |
| Chữ Anh trộn chữ Việt | “size M”, “freeship”, “voucher” đọc nửa Việt nửa Anh, ngang tai. | Thay bằng chữ Việt: “cỡ M”, “miễn phí giao hàng”, “mã giảm giá”. Tên hãng nước ngoài thì viết theo cách đọc: “Ni-kê” thay cho Nike nếu máy đọc sai. |
| Lời viết cho mắt | Giọng đọc đều đều như đọc bảng giá, dù chọn giọng nào cũng thấy máy. | Đọc to lời của bạn trước khi dán vào. Chỗ nào bạn phải lấy hơi giữa câu thì cắt thành hai câu. Bỏ mọi câu trên 15 chữ. |
| Giọng dài hơn hình | Cảnh đứng im, hoặc hình bị kéo chậm để chờ giọng đọc xong. | Cắt chữ, không kéo hình. Mỗi câu chỉ được dài bằng cảnh của nó. |
| Nhạc át giọng | Nghe bằng tai nghe thì ổn, mở loa điện thoại thì không nghe rõ lời. | Hạ nhạc còn 15 tới 20 phần trăm, tăng giọng thêm vài dB, bấm chuẩn hoá âm lượng. Luôn nghe thử bằng loa ngoài. |
| Phụ đề chồng phụ đề | Đăng lên TikTok hoặc Facebook, nền tảng tự sinh phụ đề đè lên khối chữ bạn đã để. | Chọn một trong hai: giữ khối chữ trong CapCut thì tắt phụ đề tự động của nền tảng, hoặc ẩn khối chữ và để nền tảng tự làm. |
| Mỗi clip một giọng | Kênh nghe như năm người khác nhau thay phiên bán hàng. | Chọn một giọng, ghi tên giọng và tốc độ vào ghi chú điện thoại, dùng cho cả kênh. Đổi giọng là đổi nhận diện. |
Lỗi thứ ba là lỗi ăn nhiều thời gian nhất và cũng là lỗi người ta hay đổ cho công cụ. Viết cho tai là một kỹ năng riêng, gần với viết bài quảng cáo ngắn hơn là viết bài đăng dài. Nếu bạn đã quen dùng máy để soạn chữ, bài AI viết content có phần nhờ máy rút bài đăng thành lời đọc bốn câu. Dùng được ngay cho bước 2 ở trên.
Việc làm tối nay
- Chọn một clip đang nằm im trong điện thoại, loại 15 tới 30 giây, có hàng thật trong hình.
- Đếm cảnh, viết đúng số câu đó, mỗi câu dưới 15 chữ, số viết bằng chữ. Đọc to lên một lần, chỗ nào bạn phải lấy hơi thì cắt.
- Vào CapCut: Văn bản, Thêm chữ, Đọc văn bản, chọn một giọng tiếng Việt. Ghi tên giọng lại.
- Kéo khớp cảnh theo luật cắt chữ không kéo hình. Nhạc hạ xuống nhỏ. Nghe bằng loa ngoài.
- Đăng, rồi đọc bình luận sau ba ngày. Nếu có người hỏi giá dù bạn đã đọc giá trong clip, nghĩa là câu cuối bị nhạc át hoặc bị cắt sớm. Sửa clip sau.
Điều bạn nhận được sau tối nay không chỉ là một clip. Nó là một khuôn bốn câu và một giọng cố định, tức là một dây chuyền. Từ mai, mỗi sản phẩm mới về là một clip 15 phút. Đó là cách mà những shop ra video đều mỗi ngày làm được, không phải vì họ rảnh hơn bạn. Muốn dây chuyền đó nối tiếp sang bước bán, bài cách bán hàng trên TikTok nói phần từ video ra giỏ hàng.
Clip có lời đọc rồi, câu hỏi tiếp theo là cho ai xem
Lồng tiếng AI giải quyết phần làm video. Nhưng video hay tới đâu mà chạy quảng cáo tới sai người thì vẫn không ra đơn. Khoá Tư Duy Ra Đơn dạy đúng phần đó: hiểu khách của bạn là ai, họ đang ở nhiệt độ nào, video nào nên đẩy tiền, video nào để tự nhiên. Học theo ngành của bạn, có kèm 1-1, kết thúc bằng một chiến dịch thật trên chính shop bạn.
Tìm hiểu khoá Tư Duy Ra Đơn →Câu hỏi thường gặp
Lồng tiếng AI có miễn phí không?
Có, ở mức đủ cho người bán hàng nhỏ. CapCut có giọng đọc tiếng Việt ngay trong app, dùng cho video làm bằng app không mất phí bản quyền. Vbee cho 3.000 ký tự mỗi ngày, ElevenLabs cho 10.000 ký tự mỗi tháng. Một clip 20 giây chỉ tốn khoảng 300 ký tự.
Lồng tiếng AI trên CapCut làm thế nào?
Thêm chữ vào đúng cảnh bằng Văn bản rồi Thêm chữ, chạm vào khối chữ, chọn Đọc văn bản, chọn tiếng Việt và một giọng, bấm dấu tích. CapCut tạo ra một đoạn giọng ở lớp âm thanh. Mỗi câu làm một khối chữ riêng để dễ kéo khớp cảnh.
Vì sao giọng AI đọc sai giá tiền và số?
Vì máy đọc ký tự chứ không hiểu ngữ cảnh. “350.000đ” bị đọc từng chấm từng chữ. Cách sửa duy nhất chắc ăn là viết số bằng chữ: “ba trăm năm mươi nghìn”. Vbee có tính năng đọc số, nhưng viết bằng chữ vẫn là cách an toàn nhất trên mọi công cụ.
Video lồng tiếng AI đăng TikTok, Facebook có bị hạn chế không?
Giọng đọc lấy trong CapCut được phép dùng trong video làm bằng app và đăng lên các nền tảng. Điều cần để ý không phải luật mà là phụ đề: nền tảng có thể tự sinh phụ đề đè lên chữ bạn đã để, nên hãy chọn một trong hai.
Có nên tạo giọng AI giống giọng mình để lồng tiếng không?
Chưa cần ở giai đoạn đầu. Với clip sản phẩm, khách không đòi nghe giọng bạn. Với video cần lòng tin thì nên dùng giọng thật thu bằng điện thoại, vấp một chút vẫn hơn. Nhân bản giọng chỉ đáng làm khi bạn ra video mỗi ngày và đã có kênh ổn định.
Lồng tiếng AI khác gì dịch video bằng AI?
Lồng tiếng AI theo nghĩa trong bài này là máy đọc lời bạn viết rồi bạn ghép vào video. Dịch video bằng AI là máy nghe video có sẵn, dịch sang tiếng khác và đọc lại, thường khớp cả khẩu hình. Việc thứ hai dành cho người đưa video ra nước ngoài, shop trong nước chưa cần.
Kết luận
Clip sản phẩm nằm im trong điện thoại không phải vì bạn thiếu công cụ. Nó nằm im vì bạn coi lời đọc là việc làm sau cùng, khi đã quá mệt để thu tiếng. Lồng tiếng AI bỏ được cái mệt đó, nhưng chỉ thật sự chạy khi bạn nhìn video như ba lớp xếp chồng: hình, giọng, nhạc, và viết lời theo cảnh chứ không dán bài đăng vào.
Tối nay lấy một clip, viết bốn câu, mở CapCut, bấm Đọc văn bản. Sai thì sửa chữ, đừng đổi app. Từ clip thứ ba, bạn có dây chuyền. Và một shop có dây chuyền ra video sẽ luôn có thứ để đưa cho khách xem, trong khi shop bên cạnh vẫn đang thu lại lần thứ ba chữ “khoá kéo”.
Người viết tại duyday.com — chia sẻ về phát triển bản thân, marketing và kinh doanh tử tế. Triết lý: đến để giúp đỡ và cho đi.