Công cụ AI voice tốt nhất cho tiếng Việt (2026)The Best AI Voice Generators for Vietnamese (2026)

Đây là phần dễ bị nói vống nhất, nên chúng tôi bám sát tài liệu.

ElevenLabs liệt kê tiếng Việt (vie) trong danh sách 70+ ngôn ngữ của Eleven v3, và tài liệu Flash v2.5 ghi rõ model này hỗ trợ 32 ngôn ngữ — "toàn bộ ngôn ngữ của model v2, cộng thêm tiếng Hungary, Na Uy và Việt". Câu đó cũng đồng thời cho biết một điều quan trọng: Eleven Multilingual v2, model mà chính ElevenLabs mô tả là tiên tiến và giàu cảm xúc nhất, chỉ có 29 ngôn ngữ và không gồm tiếng Việt. Với tiếng Việt, bạn đang dùng v3 hoặc Flash v2.5.

Murf có trang tạo giọng tiếng Việt riêng và là bên duy nhất trong danh sách nêu rõ giọng được huấn luyện trên bản ghi của người bản ngữ theo hai accent Bắc và Nam. Trang này cũng nêu con số 99,38% độ chính xác phát âm — đó là số liệu do Murf tự công bố cho toàn bộ ngôn ngữ hỗ trợ, không phải kết quả đo độc lập cho riêng tiếng Việt.

Google Cloud đi xa nhất về mức cụ thể: tài liệu liệt kê đích danh các giọng vi-VN — Neural2-A và Neural2-D, bốn giọng Standard (A–D), bốn giọng WaveNet (A–D) — và tiếng Việt (vi-VN) cũng nằm trong danh sách locale của Chirp 3: HD, dòng giọng mới nhất có hỗ trợ streaming.

Azure liệt kê ba giọng vi-VN: vi-VN-HoaiMyNeural (nữ), vi-VN-NamMinhNeural (nam) và một giọng nữ mới hơn được đánh dấu đang ở bản public preview. Ít lựa chọn hơn Google, nhưng đi kèm SSML đầy đủ.

FPT.AI là nhà cung cấp duy nhất ở đây coi tiếng Việt là sản phẩm chính chứ không phải một mục trong danh sách ngôn ngữ, và cũng là bên duy nhất công bố accent miền Trung bên cạnh Bắc và Nam.

Một lưu ý cho mọi lựa chọn: tiếng Việt là ngôn ngữ có thanh điệu, dấu phụ quyết định nghĩa. Hãy thử ngay những chỗ hay hỏng — tên riêng, chữ viết tắt, số điện thoại, đơn vị tiền tệ và câu chuyển tông giữa tiếng Việt với tiếng Anh.

This is the claim most often exaggerated, so we stick to what is written down.

ElevenLabs lists Vietnamese (vie) in Eleven v3’s 70+ language list, and the Flash v2.5 documentation states the model covers 32 languages — "all languages from v2 models plus: Hungarian, Norwegian & Vietnamese". That sentence also reveals something important: Eleven Multilingual v2, the model ElevenLabs itself calls its most advanced and emotionally aware, covers 29 languages and does not include Vietnamese. For Vietnamese you are on v3 or Flash v2.5.

Murf maintains a dedicated Vietnamese text-to-speech page and is the only tool here that states its voices are trained on native-speaker recordings across Northern and Southern regional accents. That page also cites 99.38% pronunciation accuracy — a vendor-published figure covering all supported languages, not an independent measurement for Vietnamese specifically.

Google Cloud is the most concrete: its documentation names the vi-VN voices individually — Neural2-A and Neural2-D, four Standard voices (A–D) and four WaveNet voices (A–D) — and Vietnamese (vi-VN) also appears in the locale list for Chirp 3: HD, its newest voice family with streaming support.

Azure lists three vi-VN voices: vi-VN-HoaiMyNeural (female), vi-VN-NamMinhNeural (male) and a newer female voice flagged as public preview. Fewer choices than Google, but with full SSML control.

FPT.AI is the only vendor here for which Vietnamese is the product rather than an entry in a language list, and the only one publishing a Central regional accent alongside Northern and Southern.

One caveat that applies to all of them: Vietnamese is tonal and diacritics carry meaning. Test the parts that actually break — proper nouns, abbreviations, phone numbers, currency, and sentences that switch between Vietnamese and English.

Khác biệt lớn nhất giữa năm lựa chọn này không phải chất lượng giọng mà là nơi bạn ngồi làm.

Ứng dụng web, dán văn bản ra audio: ElevenLabs và Murf. ElevenLabs nhanh nhất để có file audio đầu tiên; Studio của hãng phục vụ nội dung dài và lồng tiếng. Murf đưa bạn vào một timeline có thể ghép lời thoại với hình ảnh, video và nhạc nền, kèm chỗ ngồi cho đội nhóm — hợp khi sản phẩm cuối là một video chứ không phải một file WAV.

Chỉ có API: Google Cloud và Azure không có trình dựng nội dung. Bạn gửi văn bản (hoặc SSML), nhận về audio. Đây là ưu điểm nếu tiếng nói là một phần trong hệ thống lớn hơn — IVR, ứng dụng di động, đọc bài viết tự động — và là nhược điểm nếu bạn chỉ muốn làm một video YouTube.

Cả hai: FPT.AI có Voice Maker chạy trên web cho người dùng phổ thông và API cho lập trình viên, còn Murf bán API tách khỏi Studio.

Trước khi chọn, hãy trả lời một câu: bạn cần file audio, hay cần video đã dựng xong? Nếu là vế thứ hai, xem thêm hướng dẫn về các lựa chọn thay thế ElevenLabs, trong đó có mục riêng cho video có người dẫn AI.

The biggest difference between these five is not voice quality — it is where you sit to do the work.

Web app, paste text and get audio: ElevenLabs and Murf. ElevenLabs gets you to a first audio file fastest, and its Studio handles long-form content and dubbing. Murf drops you into a timeline where narration sits alongside images, video and background music, with seats for a team — the right shape when the deliverable is a video rather than a WAV file.

API only: Google Cloud and Azure ship no content editor. You send text (or SSML) and get audio back. That is an advantage when speech is one part of a larger system — IVR, a mobile app, article read-aloud — and a drawback if you just want to narrate one YouTube video.

Both: FPT.AI offers a browser-based Voice Maker for non-developers plus an API, and Murf sells its API separately from Studio.

Answer one question before choosing: do you need an audio file, or a finished video? If it is the second, see our guide to ElevenLabs alternatives, which has a section dedicated to AI presenter video.

Mỗi bên bán một đơn vị khác nhau, nên "rẻ hơn" chỉ có nghĩa khi gắn với khối lượng cụ thể của bạn.

ElevenLabs bán credit theo tháng: Free $0 (10.000 credits), Starter $6 (30.000 credits, có Commercial License và Instant Voice Cloning), Creator $22 (121.000 credits, thêm Professional Voice Cloning), Pro $99 (600.000 credits), Scale $299 (1,8 triệu credits, 3 chỗ ngồi), Business $990 (6 triệu credits, 10 chỗ ngồi). Quan trọng: gói Free không liệt kê Commercial License — mức vào thực tế để dùng thương mại là $6.

Murf bán thời lượng tạo giọng theo gói Studio, bắt đầu ở Creator $29/tháng mỗi người dùng. Bản miễn phí dùng để thử: theo FAQ của Murf, tải xuống chỉ có ở gói trả phí. Murf ghi rõ mọi audio tạo trên gói trả phí đều được phép dùng thương mại, gồm quảng cáo, e-learning, phát sóng và xuất bản.

Google Cloud tính theo ký tự và có hạn mức miễn phí hằng tháng cho từng dòng giọng: 1 triệu ký tự đầu với Chirp 3: HD (sau đó $30/1 triệu), 1 triệu ký tự đầu với Neural2 (sau đó $16/1 triệu), 4 triệu ký tự đầu với WaveNet và Standard (sau đó $4/1 triệu). Với một video 10 phút (~9.000 ký tự kịch bản), hạn mức miễn phí đó đi được rất xa.

Azure có bậc Free F0 gồm 0,5 triệu ký tự neural mỗi tháng, sau đó tính theo ký tự với các bậc cam kết khối lượng cho nhu cầu lớn. Trang giá của Azure hiển thị số tiền theo vùng và loại tiền tệ bạn chọn, nên chúng tôi không trích số cụ thể ở đây.

FPT.AI báo giá bằng VND: miễn phí 100.000 ký tự/tháng ở dòng giọng chất lượng cao nhất (kèm giới hạn tốc độ và số yêu cầu mỗi ngày), rồi các gói 500.000 VND (+1,5 triệu ký tự), 1.000.000 VND (+4 triệu), 2.000.000 VND (+10 triệu) và 5.000.000 VND (+27 triệu), cùng gói doanh nghiệp có hỗ trợ kỹ thuật.

Đừng cộng thẳng các con số này lại. Credit không bằng ký tự, ký tự không bằng phút, và số phút một gói cho bạn còn phụ thuộc tốc độ đọc. Cách so sánh đúng: lấy một kịch bản thật của bạn, đếm ký tự, rồi tính chi phí trên từng nền tảng.

Each vendor sells a different unit, so "cheaper" only means something once you attach it to your volume.

ElevenLabs sells monthly credits: Free $0 (10,000 credits), Starter $6 (30,000 credits, plus a Commercial License and Instant Voice Cloning), Creator $22 (121,000 credits, adding Professional Voice Cloning), Pro $99 (600,000 credits), Scale $299 (1.8M credits, 3 seats) and Business $990 (6M credits, 10 seats). Note that the Free plan does not list a Commercial License — the real commercial entry point is $6.

Murf sells voice-generation time through Studio plans, starting at Creator at $29/month per user. The free tier is for evaluation: per Murf’s own FAQ, downloads are available only on paid plans. Murf states that all audio generated on paid plans is cleared for commercial use, including advertising, e-learning, broadcast and publication.

Google Cloud bills per character with a monthly free allowance per voice family: the first 1M characters on Chirp 3: HD (then $30 per 1M), the first 1M on Neural2 (then $16 per 1M), and the first 4M on WaveNet and Standard (then $4 per 1M). For a 10-minute video — roughly 9,000 script characters — that free allowance goes a long way.

Azure offers a Free F0 tier including 0.5M neural characters a month, then per-character billing with commitment tiers for larger volumes. Azure’s pricing page renders amounts according to the region and currency you select, so we do not quote specific figures here.

FPT.AI quotes in VND: 100,000 characters a month free on its highest-quality voice generation (with throughput and daily-request limits), then packages at 500,000 VND (+1.5M characters), 1,000,000 VND (+4M), 2,000,000 VND (+10M) and 5,000,000 VND (+27M), plus an enterprise tier that adds technical support.

Do not add these numbers together. Credits are not characters, characters are not minutes, and the minutes a plan buys depend on speaking rate. The right comparison: take one real script of yours, count its characters, and cost it out on each platform.

ElevenLabs cho gọi qua HTTP hoặc WebSocket với thư viện Python (pip install elevenlabs) và Node.js (@elevenlabs/elevenlabs-js) chính thức. Điểm đáng chú ý: credit của gói thuê bao dùng chung giữa giao diện và API, nên bạn không phải mua hai lần. Instant Voice Cloning có từ gói Starter $6; Professional Voice Cloning từ Creator $22 — đây là con đường tự phục vụ rẻ nhất trong nhóm này.

Murf tính phí API tách hẳn khỏi thuê bao Studio: bản dùng thử cho 100.000 ký tự với 1 API key, giới hạn 5 kết nối đồng thời và 1.000 yêu cầu/phút; gói trả theo dùng bán 1.000 ký tự với giá $0,03 (mua tối thiểu $2), cho tối đa 3 API key với 15 kết nối đồng thời và 10.000 yêu cầu/phút. Tài liệu API mô tả streaming qua WebSocket, model Falcon 2 với thời gian tới audio đầu tiên dưới 100ms, cùng các API riêng cho voice changer, dịch và lồng tiếng.

Google Cloud và Azure là API thuần túy, có SDK cho hầu hết ngôn ngữ lập trình phổ biến, quyền IAM, log và cam kết vùng dữ liệu — thứ mà bộ phận pháp chế thường hỏi tới. Về nhân bản giọng, hai bên đi hai hướng: Google có instant custom voice tính $60 cho mỗi 1 triệu ký tự, còn Custom Neural Voice của Azure là năng lực có kiểm soát, phải nộp đơn đăng ký sử dụng.

FPT.AI công bố API TTS với tài liệu song ngữ Việt/Anh và hotline hỗ trợ trong nước — yếu tố thực tế nếu đội bạn làm việc bằng tiếng Việt và cần hóa đơn VND.

Về mặt pháp lý: mọi hoạt động nhân bản giọng đều yêu cầu bạn có quyền và sự đồng ý với giọng nói đầu vào. Đừng clone giọng người khác vì "nghe hay hơn".

ElevenLabs supports HTTP or WebSocket calls with official Python (pip install elevenlabs) and Node.js (@elevenlabs/elevenlabs-js) libraries. Notably, subscription credits are shared between the UI and the API, so you are not buying capacity twice. Instant Voice Cloning is available from the $6 Starter plan and Professional Voice Cloning from Creator at $22 — the cheapest self-service cloning path in this group.

Murf bills its API entirely separately from Studio subscriptions: the free trial grants 100,000 characters with 1 API key, a concurrency limit of 5 and 1,000 requests per minute; pay-as-you-go sells 1,000 characters for $0.03 with a $2 minimum purchase, allowing up to 3 API keys with concurrency of 15 and 10,000 requests per minute. Murf’s API docs describe WebSocket streaming, a Falcon 2 model with time-to-first-audio under 100ms, and separate APIs for voice changing, translation and dubbing.

Google Cloud and Azure are API-first, with SDKs across mainstream languages plus IAM, logging and data-residency commitments — the things a legal team asks about. On cloning the two diverge: Google offers an instant custom voice priced at $60 per 1M characters, while Azure’s Custom Neural Voice is a gated capability requiring an access application.

FPT.AI publishes a TTS API with documentation in both Vietnamese and English and an in-country support hotline — a practical factor if your team works in Vietnamese and needs VND invoicing.

On the legal side: every cloning feature requires you to hold the rights and consent for the source voice. Do not clone someone else’s voice because it sounds better.

Công cụ nào đọc tiếng Việt tự nhiên nhất?

Chúng tôi không trả lời câu này, vì trả lời trung thực cần một bài kiểm thử nghe có kiểm soát với người bản ngữ mà bài viết này không có. Điều chúng tôi khẳng định được là bên nào công bố hỗ trợ tiếng Việt và ở model nào. Cách tốt nhất: lấy 200 từ trong kịch bản thật của bạn, chạy qua gói miễn phí của từng công cụ, rồi nghe bằng chính thiết bị khán giả của bạn dùng.

Vì sao model tốt nhất của ElevenLabs lại không có tiếng Việt?

Tài liệu của ElevenLabs cho biết Eleven Multilingual v2 hỗ trợ 29 ngôn ngữ, còn Flash v2.5 hỗ trợ 32 ngôn ngữ gồm "toàn bộ ngôn ngữ của model v2, cộng thêm tiếng Hungary, Na Uy và Việt" — nghĩa là tiếng Việt không nằm trong Multilingual v2. Với tiếng Việt bạn dùng Eleven v3 hoặc Flash v2.5. Đây là chi tiết đáng biết, không phải lý do loại ElevenLabs.

Có công cụ nào làm được giọng miền Trung không?

Trong danh sách này, chỉ FPT.AI công bố accent miền Trung bên cạnh Bắc và Nam. Murf công bố accent Bắc và Nam. Các bên còn lại không phân tách giọng Việt theo vùng miền trong tài liệu công khai.

Tôi dùng gói miễn phí cho video kiếm tiền được không?

Đừng mặc định là được. Gói Free của ElevenLabs không liệt kê Commercial License, và Murf chỉ cho tải xuống ở gói trả phí. Hạn mức miễn phí của Google và Azure nằm trong hợp đồng dịch vụ đám mây có tính phí, nên điều khoản khác hẳn. Hãy đọc điều khoản của đúng gói bạn đang dùng.

Nên chọn công cụ có sẵn giao diện hay dùng API?

Nếu sản phẩm cuối là file audio hoặc video và bạn làm thủ công từng cái, hãy chọn ElevenLabs, Murf hoặc FPT.AI Voice Maker. Nếu tiếng nói được sinh tự động bên trong một sản phẩm khác, hãy chọn Google Cloud, Azure, hoặc API của Murf và ElevenLabs.

Which one sounds the most natural in Vietnamese?

We do not answer that, because answering it honestly requires a controlled listening test with native speakers that this article does not contain. What we can state is which vendors document Vietnamese and in which models. The best approach: take 200 words of your real script, run it through each free tier, and listen on the device your audience actually uses.

Why does ElevenLabs’ best model not support Vietnamese?

ElevenLabs’ documentation states that Eleven Multilingual v2 covers 29 languages, while Flash v2.5 covers 32 including "all languages from v2 models plus: Hungarian, Norwegian & Vietnamese" — which means Vietnamese is not in Multilingual v2. For Vietnamese you use Eleven v3 or Flash v2.5. It is a detail worth knowing, not a reason to rule ElevenLabs out.

Can any of these produce a Central Vietnamese accent?

Of this shortlist, only FPT.AI publishes a Central accent alongside Northern and Southern. Murf publishes Northern and Southern. The others do not break Vietnamese down by region in their public documentation.

Can I use a free tier for monetised video?

Do not assume so. The ElevenLabs Free plan does not list a Commercial License, and Murf restricts downloads to paid plans. Google’s and Azure’s free allowances sit inside paid cloud service agreements with quite different terms. Read the terms attached to the exact plan you are on.

Should I pick a tool with a UI, or an API?

If the deliverable is an audio file or video you produce one at a time, pick ElevenLabs, Murf or FPT.AI Voice Maker. If speech is generated automatically inside another product, pick Google Cloud, Azure, or the Murf and ElevenLabs APIs.