English

So sánh

ElevenLabs vs Gemini TTS cho tiếng Việt (2026): chọn cái nào?

Người viết: Zuzuway Team · Cập nhật 25 thg 10, 2026

Bài có link affiliate — chúng tôi có thể nhận hoa hồng. Cách chúng tôi review

Kết luận nhanh

Chọn ElevenLabs v3 nếu bạn cần cảm xúc, muốn điều khiển giọng bằng thẻ và có ngân sách. Chọn Gemini TTS nếu bạn cần chi phí thấp hơn ElevenLabs hoặc giọng có thể ra miền Nam, và sẵn sàng dựng bước kiểm tra vì nó có lúc bỏ sót chữ mà không báo lỗi.

Hợp với: ElevenLabs: thiền, kể chuyện, nội dung cần cảm xúc · Gemini TTS: khối lượng vừa và lớn, cần giọng Nam, có người kiểm tra đầu ra

Không hợp với: ElevenLabs: ngân sách gần 0 mà cần đọc hàng trăm video · Gemini TTS: quy trình không có bước kiểm tra file trước khi đăng

So sánh nhanh

Tiêu chíElevenLabs v3Gemini TTS
Mô hình chúng tôi dùngeleven_v3gemini-3.8-flash-tts (Google AI Studio)
Hỗ trợ tiếng Việt✓✓
Cảm xúc tự nhiên✓ tốt nhất chúng tôi từng dùng✓ tự chậm, nhẹ, không cần chỉ dẫn
Thẻ cảm xúc trong ngoặc vuông✓ hoạt động✗ bị đọc thành tiếng
Chỉ dẫn phong cáchQua thẻ✗ bị đọc to; trường system instruction báo lỗi 400
Giọng miền NamChưa kiểm chứngCó thể (Erinome), ngẫu nhiên mỗi lượt
Bỏ sót chữ không báo lỗiChưa kiểm tra riêngCó, phải tự kiểm tra
Định dạng trả vềMP3 (gói thấp không cho 192 kbps)WAV 24 kHz mono, rất sát 0 dBFS
Bài dàiCắt đoạn, nối MP3, gỡ ID3/XingĐọc cả bài một lượt, cắt theo khoảng lặng
Gói miễn phí10.000 credit/tháng, không thương mạiXem trang giá Google AI Studio
Chi phí theo mức dùng của chúng tôi≈ 3.600 credit / bài 5 phút≈ 100.000đ / ~100 lượt đọc

Ưu điểm

  • ElevenLabs: cảm xúc tự nhiên nhất, thẻ cảm xúc hoạt động thật
  • Gemini TTS: tự đọc chậm, nhẹ không cần chỉ dẫn; chi phí thấp; có thể ra giọng miền Nam

Nhược điểm

  • ElevenLabs: đắt nhất khi làm nhiều; gói miễn phí không cho dùng thương mại
  • Gemini TTS: đọc to thẻ và chỉ dẫn phong cách; có lúc bỏ sót chữ; giọng Bắc/Nam ngẫu nhiên mỗi lượt

Kết luận: chọn ElevenLabs hay Gemini TTS?

Chúng tôi dùng cả hai trong sản xuất thật để đọc lời dẫn thiền tiếng Việt. Không có người thắng tuyệt đối; tuỳ việc bạn cần:

  • Chọn [ElevenLabs](go:elevenlabs) nếu bạn cần cảm xúc rõ, muốn điều khiển giọng bằng thẻ như [softly] hay [whispering], làm thiền hoặc kể chuyện, và có ngân sách cho giọng đọc.
  • Chọn Gemini TTS nếu bạn cần chi phí thấp, cần giọng có thể ra miền Nam, hoặc cần chạy nhiều giọng song song, và bạn sẵn sàng dựng bước kiểm tra đầu ra.

Tỉ số sáu hiệp bên dưới: ElevenLabs thắng 3, Gemini thắng 2, hoà 1. Nhưng hai hiệp Gemini thắng (giá và giọng miền Nam) có thể là hai hiệp quan trọng nhất với bạn.

Thử ElevenLabs miễn phí →

Chúng tôi so trên nội dung gì

Đội ngũ Zuzuway làm cả YogaWay, một ứng dụng yoga và thiền. Trang quản trị của YogaWay có Voice Studio: dán kịch bản thiền có hướng dẫn, chọn công cụ và giọng, nhận về MP3. Kịch bản dài khoảng 500 đến 5.000 ký tự, khoảng 11 ký tự cho mỗi giây đọc. ElevenLabs v3 là giọng nữ mặc định; Gemini TTS là lựa chọn thứ hai trong cùng công cụ, với các giọng Sulafat (nữ), Algieba (nam), Erinome (nữ, có thể ra giọng miền Nam) và Achird (nam, tiếng Anh).

Hiệp 1: Cảm xúc và độ tự nhiên. Thắng: ElevenLabs

ElevenLabs v3 là giọng tiếng Việt có cảm xúc tự nhiên nhất mà chúng tôi từng dùng. Gemini TTS cũng làm chúng tôi bất ngờ: không cần chỉ dẫn gì, nó tự đọc chậm và nhẹ, rất hợp với thiền. Với nội dung bình thản, khoảng cách không lớn. Khi bài cần thay đổi cảm xúc theo từng đoạn, ElevenLabs vượt lên rõ, và lý do nằm ở hiệp 2.

Hiệp 2: Điều khiển giọng đọc. Thắng: ElevenLabs

ElevenLabs v3 hiểu thẻ cảm xúc trong ngoặc vuông: [calmly], [softly], [whispering], [sleepy], [deep breath], [exhale]. Chúng tôi dùng chúng để giọng chậm và mềm dần về cuối bài thiền ngủ, và thẻ hoạt động thật.

Gemini TTS thì gần như không điều khiển được theo cách này:

  • Thẻ trong ngoặc vuông bị đọc thành tiếng, ví dụ đọc to chữ “Pause”.
  • Có lúc nó bỏ luôn câu đứng ngay sau thẻ [pause].
  • Chỉ dẫn phong cách viết trong lời nhắc cũng bị đọc to thành lời.
  • Đặt chỉ dẫn vào trường system instruction thì nhận lỗi 400 “Developer instruction is not enabled”.

Kết luận thực tế: với Gemini, hãy gỡ sạch thẻ và chỉ gửi đúng phần lời cần đọc.

Hiệp 3: Độ tin cậy của đầu ra. Thắng: ElevenLabs

Đây là hiệp quan trọng nhất nếu bạn chạy tự động. Gemini TTS có thể bỏ qua một đoạn chữ mà không báo lỗi gì. File vẫn trả về bình thường, chỉ là ngắn hơn. Chúng tôi phải thêm bước kiểm tra: so thời lượng âm thanh với độ dài văn bản, và chép ngược âm thanh ra chữ để đối chiếu.

Với ElevenLabs, sự cố lớn nhất chúng tôi gặp lại nằm ở khâu của chính mình: nối nhiều đoạn MP3 mà còn header ID3 ở giữa khiến bài 8 phút chỉ phát được 2 phút. Gỡ header ID3 và Xing trước khi nối là hết. Chi tiết ở bài đánh giá ElevenLabs v3.

Hiệp 4: Giọng miền Nam. Thắng: Gemini TTS (có điều kiện)

Giọng Erinome của Gemini có thể ra giọng miền Nam. Điều kiện: mỗi lượt gọi, Gemini chọn giọng Bắc hoặc Nam ngẫu nhiên. Nếu đọc từng đoạn riêng rồi ghép lại, bạn sẽ có một bài lẫn hai giọng. Cách sửa của chúng tôi: đọc cả bài trong một lượt, rồi cắt theo khoảng lặng.

Với ElevenLabs, chúng tôi chưa kiểm chứng riêng chuyện giọng miền Nam nên không khẳng định. Nếu giọng Nam là yêu cầu bắt buộc, hãy nghe thử bằng gói miễn phí trước khi quyết định.

Hiệp 5: Chi phí khi làm nhiều. Thắng: Gemini TTS

ElevenLabs v3 tốn khoảng 1 credit cho mỗi ký tự; một bài thiền 5 phút khoảng 3.600 credit. Gói miễn phí 10.000 credit/tháng chỉ đủ khoảng 2 bài và không cho dùng thương mại. Đây là lựa chọn đắt nhất trong các công cụ chúng tôi dùng khi làm số lượng lớn.

Gemini TTS, với cách dùng của chúng tôi, tốn khoảng 100.000đ cho chừng 100 lượt đọc. Chúng tôi từng chạm giới hạn chi tiêu tháng đặt trong Google AI Studio, nên hãy đặt giới hạn và theo dõi. Giá cả hai bên thay đổi, hãy xem trang giá chính thức.

Hiệp 6: Xử lý file sau khi đọc. Hoà

Cả hai đều cần làm thêm một chút trước khi dùng:

  • ElevenLabs: bài dài phải cắt đoạn và nối MP3, nhớ gỡ header ID3/Xing. Gói thấp không cho xuất 192 kbps, chúng tôi tự lùi về 128 kbps.
  • Gemini: trả về WAV 24 kHz mono rất sát 0 dBFS. Chúng tôi hạ 6 dB cho khỏi vỡ tiếng, rồi nén MP3 64 kbps: 10 phút từ 28 MB còn 4,7 MB.
  • Gemini: câu đứng riêng quá ngắn, cỡ 3 giây, có tạp âm tần số cao quanh 8–11 kHz to hơn câu dài khoảng 20 dB, nghe chói. Đọc đoạn dài thay vì từng câu ngắn.

Không hợp cả hai? Thử Google Cloud TTS

Nếu bạn cần đọc rất nhiều với chi phí gần 0 và không cần giọng miền Nam, Google Cloud Text-to-Speech dòng Chirp 3 HD đáng thử. Theo ghi chép của chúng tôi, nó có 1 triệu ký tự miễn phí mỗi tháng, giọng ổn định và sạch; chúng tôi chọn Despina cho tiếng Việt và Achird cho tiếng Anh. Điểm trừ: 19 giọng nữ tiếng Việt chúng tôi nghe đều là giọng Bắc. Xem bảng đủ bốn công cụ ở bài giọng đọc AI tiếng Việt tốt nhất.

Zuzuway dùng các giọng này trong quy trình làm video tự động, và video làm xong có thể tự đăng lên nhiều kênh.

Bảng giá

ElevenLabs miễn phí10.000 credit/thángKhoảng 2 bài 5 phút; không cho dùng thương mại
ElevenLabs v3 theo mức dùng≈ 1 credit/ký tựBài 5 phút ≈ 3.600 credit; giá gói xem trang chính thức
Gemini TTS (Google AI Studio)≈ 100.000đ cho ~100 lượt đọcTheo mức dùng của chúng tôi; xem trang giá của Google và đặt giới hạn chi tiêu tháng

Chúng tôi đã thử thế nào

Cả hai công cụ đều chạy trong Voice Studio, công cụ nội bộ của YogaWay (ứng dụng anh em của Zuzuway) chuyển kịch bản thiền tiếng Việt dài khoảng 500 đến 5.000 ký tự thành MP3. ElevenLabs (eleven_v3) là giọng nữ mặc định, dùng thẻ cảm xúc cho các bài thiền ngủ. Với Gemini TTS (gemini-3.8-flash-tts) chúng tôi dùng các giọng Sulafat, Algieba, Erinome và Achird; kiểm tra thời lượng âm thanh so với độ dài văn bản và chép ngược âm thanh thành chữ để bắt đoạn bị sót; trong một lần thử chạy song song hai giọng, kết quả đúng 1.448/1.448 từ sau 80 giây. Các hiệp so sánh dưới đây dựa trên những gì chúng tôi gặp trong sản xuất, không phải điểm đánh giá của người dùng.

Câu hỏi thường gặp

ElevenLabs hay Gemini TTS đọc tiếng Việt tự nhiên hơn?

Theo trải nghiệm của chúng tôi, ElevenLabs v3 có cảm xúc tự nhiên nhất. Gemini TTS cũng tự nhiên và tự đọc chậm, nhẹ mà không cần chỉ dẫn, nên với nội dung bình thản khoảng cách không quá lớn.

Cái nào có giọng miền Nam?

Gemini TTS với giọng Erinome có thể ra giọng miền Nam, nhưng mỗi lượt gọi chọn Bắc hoặc Nam ngẫu nhiên. Với ElevenLabs, chúng tôi chưa kiểm chứng riêng chuyện giọng Nam.

Gemini TTS có dùng thẻ cảm xúc như ElevenLabs không?

Không theo cách đó. Gemini đọc to chữ trong ngoặc vuông, có lúc bỏ câu ngay sau thẻ [pause], và đọc to cả chỉ dẫn phong cách viết trong lời nhắc. Hãy gỡ hết thẻ trước khi gửi.

Vì sao Gemini TTS đọc thành tiếng chữ “Pause”?

Vì nó coi thẻ trong ngoặc vuông là chữ cần đọc. Đây là thẻ dành cho ElevenLabs v3; khi gửi cùng kịch bản sang Gemini, hãy gỡ thẻ trước.

Gemini TTS có miễn phí không?

Chúng tôi dùng trả tiền theo mức dùng, khoảng 100.000đ cho ~100 lượt đọc, và từng chạm giới hạn chi tiêu tháng trong Google AI Studio. Hãy xem trang giá hiện hành của Google để biết hạn mức miễn phí nếu có.

Có nên dùng cả hai không?

Có thể. Trong Voice Studio của chúng tôi, ElevenLabs là giọng mặc định cho thiền, còn Gemini là lựa chọn thứ hai trong cùng công cụ, chạy song song được hai giọng.

Nhận bảng so sánh công cụ AI cho người làm nội dung

Mỗi tuần một thư ngắn: công cụ mới đáng thử, ưu đãi, mẹo làm nội dung nhanh hơn. Không spam.

Cùng nhóm