Khi 172 người được yêu cầu phân biệt giọng thật với giọng do AI tạo ra, họ chỉ đúng 53,95% số lần, chỉ nhỉnh hơn việc tung đồng xu một chút, trong khi cũng những người tham gia ấy phân loại đúng khuôn mặt 65,48% số lần (Ivory và cộng sự, Scientific Reports 2026, đang in). Bản sao của người thật đánh lừa người nghe ngay cả về danh tính: độ chính xác khớp giảm từ 86,98% đối với giọng tự nhiên xuống 68,94% đối với deepfake (Roswandowitz và cộng sự, Communications Biology 2024). Trên 1.212 người tham gia và ba bộ dữ liệu deepfake được dùng rộng rãi, độ chính xác của con người trung bình là 73% (Warren và cộng sự, ACM CCS 2024), vậy mà thung lũng kỳ lạ kinh điển, tức là sự sụt giảm cảm giác thoải mái khi một thứ gần giống nhưng chưa hoàn toàn giống người, hầu như không xuất hiện với riêng giọng nói tổng hợp. Chúng tôi tổng hợp dữ liệu từ PLOS One, Scientific Reports, Communications Biology, eNeuro, ISCA Archive, Frontiers, ACM CCS, i-Perception và hai khảo sát ngành năm 2026. Về các chuẩn đo từ thử nghiệm nghe đằng sau công nghệ chuyển văn bản thành giọng nói hiện đại, xem thống kê độ tự nhiên của giọng nói tổng hợp và MOS của chúng tôi, còn về các lỗi cao độ và trọng âm vẫn làm lộ giọng tổng hợp, xem thống kê lỗi ngữ điệu của TTS thần kinh của chúng tôi.
Tóm tắt nhanh
- Người nghe phân loại đúng giọng thật và giọng tổng hợp 53,95% số lần, so với 65,48% đối với khuôn mặt (Ivory và cộng sự, Scientific Reports 2026).
- Độ tự tin không đi cùng độ chính xác đối với giọng nói: AUROC 0,48, trong đó 0,5 nghĩa là không có khả năng tự nhận biết (Ivory và cộng sự, Scientific Reports 2026).
- Bản sao giọng được gắn nhãn là người ở mức 0,70, bản ghi âm thật ở mức 0,72 và giọng AI thông thường ở mức 0,39 (Lavan và cộng sự, PLOS One 2025).
- Độ chính xác trung bình của con người trên ba bộ dữ liệu deepfake là 73% với 1.212 người tham gia (Warren và cộng sự, ACM CCS 2024).
- Khớp danh tính giảm từ 86,98% đối với giọng tự nhiên xuống 68,94% đối với deepfake (Roswandowitz và cộng sự, Communications Biology 2024).
- Giọng TTS càng giống người thì càng được đánh giá dễ chịu: r(203) = 0,48, p < 0,001 (Ross, Corley và Lai, Speech Prosody 2024).
- Các cặp khuôn mặt và giọng nói lệch khớp được đánh giá rùng rợn hơn các cặp khớp nhau, t(47) = 6,042, p < 0,001 (Mitchell và cộng sự, i-Perception 2011).
- Giọng người nâng độ yêu thích của một nhân vật ảo lên 3,75 so với 2,99 đối với giọng robot (Choi và cộng sự, IEEE ISMAR-Adjunct 2023).
- Sau khi biết giọng lồng tiếng họ nghe là AI, 25% thính giả radio có thiện cảm hơn và 20% có thiện cảm kém hơn (Crowd React Media 2026).
- Việc làm quen bằng ví dụ chỉ nâng khả năng phát hiện deepfake trung bình 3,84% (Mai và cộng sự, PLOS ONE 2023).
- 67% người trưởng thành ở Mỹ, Anh và khu vực DACH lo ngại giọng nói của mình bị nhân bản (Malwarebytes 2026, khảo sát của nhà cung cấp).
1. Phát Hiện: Người Nghe Phân Biệt Giọng AI Với Giọng Người Thường Xuyên Đến Mức Nào
Điểm đáng chú ý không phải là con người thất bại, mà là sự thất bại này đặc thù ở thính giác. Cũng những người tham gia ấy, vốn vượt xa mức ngẫu nhiên khi nhìn khuôn mặt, chỉ đạt 53,95% với giọng nói (KTC 95% = [52,64; 55,27]) trong một nghiên cứu đăng ký trước của Lancaster University thử nghiệm cả hai giác quan song song (Ivory và cộng sự, Scientific Reports, đang in). Giỏi nhận ra khuôn mặt giả không cho biết gì về việc có giỏi nhận ra giọng nói giả hay không: các tác giả không tìm thấy khả năng phát hiện chung nào giữa các giác quan.
Hình thức nhiệm vụ làm thay đổi con số nhiều hơn kỹ năng của người nghe. Khi các nhà nghiên cứu UCL phát từng đoạn một, 529 người nghe đúng 70,35% số lần, nhưng khi một đoạn thật và một đoạn deepfake được nghe cùng nhau, đoạn giả được nhận ra ở 85,59% số lượt (Mai và cộng sự, PLOS ONE 2023). Đời thực hiếm khi có sẵn đoạn đối chiếu. Độ mới của bộ dữ liệu cũng quan trọng: trong nghiên cứu 1.212 người tham gia của University of Florida, độ chính xác dao động từ 65% trên bộ Wavefake đến 81% trên bộ FakeAVCeleb.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Giọng thật và giọng tổng hợp được phân loại đúng (172 người tham gia, 40 giọng thật và 40 giọng tổng hợp) | 53,95% (KTC 95% = [52,64; 55,27]) | Ivory và cộng sự, Scientific Reports 2026 (đang in) |
| Khuôn mặt thật và khuôn mặt do AI tạo ra được cùng những người tham gia ấy phân loại đúng | 65,48% (KTC 95% = [63,75; 67,21]) | Ivory và cộng sự, Scientific Reports 2026 (đang in) |
| Phân loại đúng khi đánh giá từng đoạn một (n = 529, tiếng Anh và tiếng Quan Thoại) | 70,35% | Mai và cộng sự, PLOS ONE 2023 |
| Deepfake được nhận ra khi nghe cùng một đoạn thật (nhiệm vụ hai đoạn) | 85,59% số lượt | Mai và cộng sự, PLOS ONE 2023 |
| Độ chính xác trung bình của con người trên ba bộ dữ liệu deepfake (1.212 người tham gia) | 73% | Warren và cộng sự, ACM CCS 2024 |
| Độ chính xác trung bình trên bộ dữ liệu khó nhất (Wavefake) so với dễ nhất (FakeAVCeleb) | 65% so với 81% | Warren và cộng sự, ACM CCS 2024 |
| Bản sao giọng AI được nhận diện đúng là AI (mẫu Prolific gồm 604 người tham gia trong hai nghiên cứu) | khoảng 60% | Barrington, Cooper và Farid, Scientific Reports 2025 |
| Độ nhạy của người nghe (d prime) khi tách giọng AI thông thường khỏi giọng người so với tách bản sao giọng khỏi giọng người (n = 50) | 2,93 so với 0,13 | Lavan và cộng sự, PLOS One 2025 |
Ghi chú ngữ cảnh: d prime (d’) là điểm độ nhạy của lý thuyết phát hiện tín hiệu, trong đó 0 nghĩa là người nghe hoàn toàn không thể tách hai nhóm. Các deepfake trong nghiên cứu của Mai và cộng sự đến từ những thuật toán tương đối cũ, như chính các tác giả chỉ ra; dữ liệu mới nhất hiện có cho phép so sánh một đoạn với hai đoạn: Mai và cộng sự, PLOS ONE 2023.
2. Bản Sao Giọng: Khi Bản Sao Được Coi Là Chính Người Đó
Một giọng AI thông thường vẫn nghe như một sản phẩm. Bản sao của một người cụ thể thì không, và đó là chỗ thính giác con người đầu hàng. Các nhà nghiên cứu tại Queen Mary University of London tạo bản sao từ khoảng 4 phút ghi âm mỗi người nói bằng một công cụ nhân bản thương mại, và người nghe gắn nhãn các bản sao đó là người với tỷ lệ 0,70, so với 0,72 đối với bản ghi âm thật (Lavan và cộng sự, PLOS One 2025). Kết luận của các tác giả rất chính xác: bản sao nghe thật, nhưng chưa “siêu thực” theo cách khuôn mặt AI có thể trông thật hơn cả khuôn mặt thật. Một bản sao hiện chỉ cần bao nhiêu âm thanh được theo dõi trong thống kê âm thanh tham chiếu để nhân bản giọng nói zero-shot của chúng tôi.
Danh tính là phép thử thứ hai, và bản sao vượt qua phần lớn thời gian. Trong một nghiên cứu của UC Berkeley, người tham gia đánh giá giọng AI có cùng danh tính với bản gốc thật khoảng 80% số lần (Barrington, Cooper và Farid, arXiv v2, được công bố trên Scientific Reports 2025). Trong một nghiên cứu chụp ảnh não của University of Zurich dùng các câu tiếng Đức hai từ (kích thích của nghiên cứu có ‘Er fällt’, tiếng Đức nghĩa là ‘Anh ấy ngã’), khớp danh tính giảm từ 86,98% đối với giọng tự nhiên xuống 68,94% đối với deepfake (Roswandowitz và cộng sự, Communications Biology 2024).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Tỷ lệ giọng được gắn nhãn ‘người’: bản sao giọng so với bản ghi âm người thật so với giọng AI thông thường (Thí nghiệm 2, n = 50 người trưởng thành ở Anh) | 0,70 so với 0,72 so với 0,39 | Lavan và cộng sự, PLOS One 2025 |
| Điểm chân thực trung bình: giọng AI thông thường so với bản sao giọng so với bản ghi âm người thật | 47,4 so với 63,0 so với 63,8 | Lavan và cộng sự, PLOS One 2025 |
| Bản sao AI được đánh giá có cùng danh tính với người nói thật | khoảng 80% số lần | Barrington, Cooper và Farid, Scientific Reports 2025 |
| Tương quan giữa thời lượng đoạn âm thanh và độ chính xác của các đánh giá về độ tự nhiên | Spearman ρ = 0,245 | Barrington, Cooper và Farid, Scientific Reports 2025 |
| Độ chính xác khớp danh tính: các cặp giọng tự nhiên so với deepfake ghép với giọng tự nhiên (n = 25) | 86,98% so với 68,94% | Roswandowitz và cộng sự, Communications Biology 2024 |
| Các lượt thử deepfake: bỏ sót so với báo động giả | 28,64% so với 29,86% | Roswandowitz và cộng sự, Communications Biology 2024 |
Ghi chú ngữ cảnh: nhóm Queen Mary thực hiện ba thí nghiệm, mỗi thí nghiệm 50 người tham gia ở Anh, độ tuổi từ 18 đến 65 và được tuyển qua Prolific. Trong nghiên cứu Zurich, bỏ sót nghĩa là một deepfake bị chấp nhận là người nói thật, còn báo động giả nghĩa là một danh tính đúng bị bác bỏ; hai tỷ lệ gần bằng nhau cho thấy người nghe đoán mò ở cả hai hướng chứ không nghiêng về một phía.
3. Có Thung Lũng Kỳ Lạ Đối Với Giọng Nói Không?
Thung lũng kỳ lạ thị giác dự đoán rằng cảm giác thoải mái giảm ngay trước khi một khuôn mặt nhân tạo trở nên hoàn toàn giống người. Với giọng nói tổng hợp, phần lớn dữ liệu chỉ theo hướng ngược lại: càng gần con người càng tốt. Trong một nghiên cứu của Frontiers in Neurorobotics, 95 người trưởng thành đánh giá hai giọng tổng hợp (IBM Watson và robot Sophia) cùng một giọng người, và độ giống người cao hơn dự đoán độ rùng rợn thấp hơn đối với cả hai giọng tổng hợp. Một nhóm ở Edinburgh nhận thấy độ giống người và độ dễ chịu có tương quan thuận, r(203) = 0,48, p < 0,001, nhưng không giọng TTS nào đạt 50% độ giống người, nên phần đỉnh của đường cong, nơi một thung lũng sẽ nằm, chưa bao giờ được kiểm tra (Ross, Corley và Lai, Speech Prosody 2024).
Khi thung lũng xuất hiện, nó đến từ sự lệch chuẩn chứ không phải từ tính nhân tạo. Diel và Lewis tìm thấy một thung lũng kỳ lạ về giọng nói do các giọng bị méo và giọng bệnh lý gây ra, và kết luận rằng “giọng tổng hợp thoát khỏi nó một cách thành công” (Computers in Human Behavior Reports 2024). Với bất kỳ ai chọn giọng bằng một trình tạo giọng nói AI, đây là quy tắc thực tế: cách đọc lạ, gượng hoặc giật cục rủi ro hơn một cách đọc rõ ràng là tổng hợp.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Điểm độ giống người: giọng TTS giống người nhất (dải cao độ phóng đại) so với bản ghi âm người (205 người nghe) | 46,1 so với 71,5 | Ross, Corley và Lai, Speech Prosody 2024 |
| Điểm độ rùng rợn: cùng giọng TTS đó so với bản ghi âm người | 40,4 so với 28,9 | Ross, Corley và Lai, Speech Prosody 2024 |
| Tương quan giữa độ giống người và độ dễ chịu | r(203) = 0,48, p < 0,001 | Ross, Corley và Lai, Speech Prosody 2024 |
| Độ giống người dự đoán độ rùng rợn đối với hai giọng tổng hợp (95 người trưởng thành) | β = −0,64 và β = −0,66, p < 0,001 | Kühne, Fischer và Zhou, Frontiers in Neurorobotics 2020 |
| Số giọng trong nghiên cứu về độ yêu thích so với độ giống người (25 người nghe): giọng nam tiếng Đức từ 5 phương pháp tổng hợp cộng một giọng người đối chứng | 13 | Baird và cộng sự, Interspeech 2018 |
| Người tham gia trong hai thí nghiệm xác định một thung lũng kỳ lạ về giọng nói ở các giọng lệch chuẩn | n = 50 và n = 35 | Diel và Lewis, Computers in Human Behavior Reports 2024 |
| Người tham gia trong nghiên cứu về trợ lý giọng nói mà ngoại hình giống người làm tăng độ rùng rợn | 34 | Zhao, Chen và Zhao, Human Factors and Ergonomics in Manufacturing 2026 |
| Số lần tiếp xúc trước khi độ yêu thích một giọng người xa lạ tăng lên (câu nói, 238 sinh viên đại học) | 8 | Mavromati, Erdinch và Paterson, bản thảo tiền xuất bản PsyArXiv 2025 |
Ghi chú ngữ cảnh: Baird và cộng sự nhận thấy độ yêu thích tăng theo độ giống người, ngược với thung lũng kỳ lạ thị giác (Interspeech 2018); dữ liệu mới nhất hiện có cho phép so sánh giữa các thế hệ tổng hợp, và nghiên cứu của Kühne và cộng sự có từ năm 2020. Trong nghiên cứu về trợ lý giọng nói, độ rùng rợn đến từ ngoại hình giống người chứ không phải từ giọng nói. Bản thảo tiền xuất bản của Mavromati và các cộng sự đã thử nghiệm giọng người thật: những giọng được nghe 2 hoặc 5 lần ít được yêu thích hơn những giọng chưa từng nghe, một chữ ‘U’ ngược mà các tác giả gọi là thung lũng kỳ lạ của những giọng ‘quen mà lạ’.
4. Lệch Khớp Giữa Khuôn Mặt Và Giọng Nói: Nơi Thung Lũng Thực Sự Xuất Hiện
Nếu riêng giọng nói hiếm khi rơi vào thung lũng thì các tổ hợp lại có. Phép thử nền tảng ghép một hình robot hoặc hình người với một giọng khớp hoặc không khớp, và hai cặp lệch khớp được đánh giá rùng rợn hơn hai cặp khớp nhau, t(47) = 6,042, p < 0,001 (Mitchell và cộng sự, i-Perception 2011). Hình người với giọng tổng hợp là điều kiện rùng rợn nhất trong bốn điều kiện. Bài học thiết kế mà các tác giả rút ra vẫn đúng: hãy làm cho mức độ giống người của khuôn mặt khớp với của giọng nói.
Các nghiên cứu mới hơn cho thấy giọng nói thường chi phối ấn tượng. Trong một nghiên cứu thực tế ảo, giọng người làm tăng độ yêu thích và cảm giác an toàn của một nhân vật, trong khi bản thân ngoại hình không có tác động đáng kể đến độ yêu thích (Choi và cộng sự, IEEE ISMAR-Adjunct 2023). Với đầu robot Furhat, thiết lập khuôn mặt và giọng nói làm thay đổi sự ấm áp của ấn tượng đầu tiên, nhưng tác động không còn đáng kể sau khi người tham gia tương tác với robot (Huang và Moore, Frontiers in Robotics and AI 2024).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Điểm độ rùng rợn: hình người với giọng tổng hợp so với hình người với giọng người (48 người tham gia sinh ra ở Mỹ) | M = 0,19 so với M = −1,10 | Mitchell và cộng sự, i-Perception 2011 |
| Điểm độ rùng rợn: hình robot với giọng người so với hình robot với giọng tổng hợp | M = −0,10 so với M = −0,60 | Mitchell và cộng sự, i-Perception 2011 |
| Các cặp khuôn mặt và giọng nói lệch khớp so với khớp nhau (kiểm định t cặp) | t(47) = 6,042, p < 0,001 | Mitchell và cộng sự, i-Perception 2011 |
| Độ yêu thích của một nhân vật ảo: giọng người so với giọng robot (21 người tham gia) | 3,75 so với 2,99 | Choi và cộng sự, IEEE ISMAR-Adjunct 2023 |
| Độ giống người cảm nhận được (nhân hóa) của một nhân vật ảo: giọng người so với giọng robot | 3,18 so với 2,58 | Choi và cộng sự, IEEE ISMAR-Adjunct 2023 |
| Sự ấm áp của ấn tượng đầu tiên: thiết lập khuôn mặt và giọng nói giống trẻ em so với giống người lớn so với giống robot (52 người tham gia, 156 mẫu) | 3,37 so với 2,60 so với 2,06 | Huang và Moore, Frontiers in Robotics and AI 2024 |
| Tác động của thiết lập khuôn mặt và giọng nói lên sự ấm áp trước khi tương tác | F(2,147) = 16,75, p < 0,001 | Huang và Moore, Frontiers in Robotics and AI 2024 |
Ghi chú ngữ cảnh: trong nghiên cứu Furhat, một số người tham gia mô tả thiết lập giống trẻ em là lệch khớp (‘âm thanh giống trẻ em hơn nhưng vẻ ngoài ít giống trẻ em hơn’). Một thí nghiệm tác tử ảo 2x2 của Alimardani và cộng sự (IVA 2024) nhận thấy sự lệch khớp giữa giọng nói và ngoại hình làm thay đổi mức nhân hóa được cảm nhận nhưng không làm thay đổi mức độ thường xuyên mà mọi người làm theo lời khuyên của tác tử. Nghiên cứu của Mitchell và cộng sự có từ năm 2011; đây là dữ liệu mới nhất hiện có cho thiết kế khuôn mặt-giọng nói chính xác này.
5. Đặc Điểm Xã Hội Và Hiệu Ứng Tiết Lộ
Người nghe không chỉ đánh giá một giọng có thật hay không; họ đọc ra tính cách từ đó, và giọng tổng hợp được đọc khác đi. Trong các thí nghiệm về đặc điểm của Queen Mary, giọng AI thông thường được đánh giá chi phối hơn và đáng tin hơn một chút so với giọng người. Nhóm Zurich lại thấy điều ngược lại với deepfake của họ, vốn được người tham gia đánh giá là “kém tự nhiên, kém dễ mến và kém đáng tin cậy một cách đáng kể” so với giọng tự nhiên (Roswandowitz và cộng sự, Communications Biology 2024). Chất lượng của kích thích quyết định các đặc điểm nghiêng về hướng nào.
Trong một thử nghiệm mù gần với truyền thông thực tế hơn, chất lượng không còn là vấn đề và việc tiết lộ lên ngôi. Sau khi tiết lộ, 48% thính giả nghe giọng lồng tiếng người có thiện cảm hơn, so với 25% số người nghe giọng AI (Crowd React Media AI Voiceover Study 2026). Trước khi ai được cho biết bất cứ điều gì, hai giọng đạt điểm gần như nhau. Cách đọc đều đều là điểm yếu còn lại: khoảng 68% người dùng trong điều kiện không cảm xúc chê giọng điệu của một tác tử hội thoại (Cihodaru-Ștefanache và Podina, Frontiers in Psychology 2025).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Điểm mức chi phối: giọng AI thông thường so với giọng người (n = 50) | 58,1 so với 40,4 (p < 0,001) | Lavan và cộng sự, PLOS One 2025 |
| Điểm độ đáng tin cậy: giọng AI thông thường so với giọng người | 57,9 so với 53,8 (p = 0,002) | Lavan và cộng sự, PLOS One 2025 |
| Mức hấp dẫn chung của đoạn đầu tiên: giọng lồng tiếng AI so với giọng lồng tiếng người (1.326 thính giả radio Mỹ từ 18 đến 45 tuổi) | 61% so với 60% | Crowd React Media AI Voiceover Study 2026 |
| Giọng lồng tiếng được đánh giá ‘hài hước’: giọng người so với giọng AI (chênh lệch có ý nghĩa duy nhất) | 33% so với 26% | Crowd React Media AI Voiceover Study 2026 |
| Sau khi tiết lộ, thính giả của giọng AI: có thiện cảm hơn so với kém hơn | 25% so với 20% | Crowd React Media AI Voiceover Study 2026 |
| Sau khi tiết lộ, thính giả của giọng người: có thiện cảm hơn so với kém hơn | 48% so với 4% | Crowd React Media AI Voiceover Study 2026 |
| Người dùng trong điều kiện không cảm xúc chê giọng điệu của một tác tử hội thoại | khoảng 68% | Cihodaru-Ștefanache và Podina, Frontiers in Psychology 2025 |
Ghi chú ngữ cảnh: bài tổng quan trên Frontiers in Psychology sàng lọc được 29 nghiên cứu về các tác tử hội thoại có hình thể (những nhân vật hoạt hình trên màn hình trò chuyện với người dùng) và đánh giá phần lớn trong số đó có chất lượng phương pháp luận yếu hoặc trung bình. Thử nghiệm radio do một bộ phận nghiên cứu thị trường của Harker Bos Group thực hiện và kiểm tra ý nghĩa thống kê bằng kiểm định z hai tỷ lệ ở độ tin cậy 95%; thính giả không được cho biết họ đã nghe giọng nào cho đến sau khi chấm điểm.
6. Huấn Luyện, Độ Tự Tin Và Bộ Não Khi Lắng Nghe
Huấn luyện ngắn hầu như không giúp được gì, và người nghe không biết khi nào mình sai. Đối với giọng nói, khả năng siêu nhận thức đo bằng AUROC là 0,48, thấp hơn một chút so với 0,5 vốn nghĩa là độ tự tin không mang thông tin gì về độ chính xác, so với 0,59 đối với khuôn mặt trong cùng nghiên cứu Lancaster (xem phần 1). Việc làm quen với các ví dụ deepfake hầu như không làm độ chính xác dịch chuyển (xem bảng). Khi người nghe không chắc chắn, nhóm University of Florida nhận thấy họ nghiêng về việc tin rằng âm thanh là của người (Warren và cộng sự, ACM CCS 2024), chính xác là thiên kiến mà lừa đảo nhân bản giọng nói dựa vào; xem thống kê lừa đảo gia đình bằng nhân bản giọng nói của chúng tôi.
Tuy nhiên bộ não ghi nhận nhiều hơn những gì người nghe báo cáo. Sau một buổi huấn luyện 12 phút, 30 người bản ngữ tiếng Quan Thoại cho thấy sự khác biệt thần kinh giữa giọng người và giọng AI ở khoảng 55, 210 và 455 mili giây, nhưng khả năng phân biệt về hành vi của họ không cải thiện đáng kể (Yang và cộng sự, eNeuro 2026). Trong nghiên cứu fMRI ở Zurich, vỏ não thính giác theo dõi sự khác biệt âm học giữa giọng deepfake và giọng tự nhiên, trong khi nhân accumbens, một phần của hệ thống phần thưởng, kém hoạt động hơn khi so sánh deepfake với giọng tự nhiên (Roswandowitz và cộng sự, Communications Biology 2024).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Khả năng siêu nhận thức (AUROC) đối với giọng nói so với khuôn mặt, trong đó 0,5 nghĩa là không có khả năng tự nhận biết | 0,48 so với 0,59 | Ivory và cộng sự, Scientific Reports 2026 (đang in) |
| Mức tăng khả năng phát hiện nhờ làm quen với các ví dụ deepfake | trung bình 3,84% | Mai và cộng sự, PLOS ONE 2023 |
| Độ nhạy (d prime) đối với giọng người trước so với sau một buổi huấn luyện 12 phút (30 người tham gia) | 0,383 so với 0,536 | Yang và cộng sự, eNeuro 2026 |
| Độ nhạy (d prime) đối với các bản sao AI đã tinh chỉnh trước so với sau cùng buổi huấn luyện đó | 0,266 so với 0,341 | Yang và cộng sự, eNeuro 2026 |
| Tác động chính của buổi huấn luyện lên độ nhạy | F(1,29) = 3,918, p = 0,057 | Yang và cộng sự, eNeuro 2026 |
| Độ trễ phân biệt thần kinh giữa giọng người và giọng AI sau huấn luyện | khoảng 55 ms, 210 ms và 455 ms | Yang và cộng sự, eNeuro 2026 |
| Người trưởng thành lo ngại giọng nói của mình bị nhân bản (1.500 người trưởng thành ở Mỹ, Anh, Áo, Đức và Thụy Sĩ) | 67% | Malwarebytes AI Scams Report 2026 (khảo sát của nhà cung cấp) |
| Người trưởng thành nhận cuộc gọi bằng giọng nhân bản từ người quen trong 12 tháng qua | 16% | Malwarebytes AI Scams Report 2026 (khảo sát của nhà cung cấp) |
Ghi chú ngữ cảnh: AUROC (diện tích dưới đường cong đặc trưng hoạt động của bộ thu) ở đây đo xem độ tự tin của người nghe có cao hơn ở các câu trả lời đúng so với câu trả lời sai hay không. Các câu trong nghiên cứu eNeuro lấy từ một bài kiểm tra nhận thức giọng nói tiếng Quan Thoại, và giọng AI được tạo bằng một mô hình nhân bản mã nguồn mở. Khảo sát của Malwarebytes được thực hiện trực tuyến từ ngày 1 đến ngày 17 tháng 3 năm 2026 bởi một chuyên gia tư vấn nghiên cứu độc lập; đây là khảo sát của chính một nhà cung cấp bảo mật, nên hãy coi nó là bối cảnh chứ không phải một phép đo nhận thức.
Tổng Kết: Thung Lũng Kỳ Lạ Ở Giọng Nói Tổng Hợp Qua Các Con Số
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Giọng thật và giọng tổng hợp được phân loại đúng | 53,95% | Ivory và cộng sự, Scientific Reports 2026 (đang in) |
| Độ chính xác trung bình của con người trên ba bộ dữ liệu deepfake (1.212 người tham gia) | 73% | Warren và cộng sự, ACM CCS 2024 |
| Độ chính xác trung bình trên bộ dữ liệu deepfake khó nhất so với dễ nhất | 65% so với 81% | Warren và cộng sự, ACM CCS 2024 |
| Phát hiện deepfake: từng đoạn một so với cùng một đoạn thật | 70,35% so với 85,59% | Mai và cộng sự, PLOS ONE 2023 |
| Bản sao AI được đánh giá có cùng danh tính với người nói thật | khoảng 80% | Barrington, Cooper và Farid, Scientific Reports 2025 |
| Tỷ lệ gắn nhãn ‘người’: bản sao giọng so với bản ghi âm thật so với giọng AI thông thường | 0,70 so với 0,72 so với 0,39 | Lavan và cộng sự, PLOS One 2025 |
| Khớp danh tính: giọng tự nhiên so với deepfake | 86,98% so với 68,94% | Roswandowitz và cộng sự, Communications Biology 2024 |
| Tương quan giữa độ giống người và độ dễ chịu đối với giọng TTS | r(203) = 0,48, p < 0,001 | Ross, Corley và Lai, Speech Prosody 2024 |
| Độ giống người: giọng TTS giống người nhất so với bản ghi âm người | 46,1 so với 71,5 | Ross, Corley và Lai, Speech Prosody 2024 |
| Độ rùng rợn: giọng TTS giống người nhất so với bản ghi âm người | 40,4 so với 28,9 | Ross, Corley và Lai, Speech Prosody 2024 |
| Độ giống người dự đoán độ rùng rợn đối với hai giọng tổng hợp | β = −0,64 và β = −0,66 | Kühne, Fischer và Zhou, Frontiers in Neurorobotics 2020 |
| Các cặp khuôn mặt và giọng nói lệch khớp so với khớp nhau | t(47) = 6,042, p < 0,001 | Mitchell và cộng sự, i-Perception 2011 |
| Độ rùng rợn: hình người với giọng tổng hợp so với hình người với giọng người | M = 0,19 so với M = −1,10 | Mitchell và cộng sự, i-Perception 2011 |
| Độ yêu thích của một nhân vật ảo: giọng người so với giọng robot | 3,75 so với 2,99 | Choi và cộng sự, IEEE ISMAR-Adjunct 2023 |
| Sự ấm áp của ấn tượng đầu tiên: thiết lập giống trẻ em so với giống người lớn so với giống robot | 3,37 so với 2,60 so với 2,06 | Huang và Moore, Frontiers in Robotics and AI 2024 |
| Mức hấp dẫn chung: giọng lồng tiếng AI so với giọng lồng tiếng người | 61% so với 60% | Crowd React Media AI Voiceover Study 2026 |
| Người dùng chê giọng điệu của một tác tử hội thoại không cảm xúc | khoảng 68% | Cihodaru-Ștefanache và Podina, Frontiers in Psychology 2025 |
| Tác động của buổi huấn luyện 12 phút lên độ nhạy đối với giọng AI | F(1,29) = 3,918, p = 0,057 | Yang và cộng sự, eNeuro 2026 |
Phương Pháp Luận Và Nguồn
- Ivory, McGettigan, Nuttall và Nightingale, “Human Detection of AI-Generated Faces and Voices is Not Domain-General”, Scientific Reports 2026, đang in, kho lưu trữ của Lancaster University
- Lavan và cộng sự, “Voice clones sound realistic but not (yet) hyperrealistic”, PLOS One 2025, PubMed Central
- Barrington, Cooper và Farid, “People are poorly equipped to detect AI-powered voice clones”, Scientific Reports 2025, PubMed Central và arXiv v2
- Mai, Bray, Davies và Griffin, “Warning: Humans cannot reliably detect speech deepfakes”, PLOS ONE 2023, PLOS ONE
- Warren và cộng sự, “Better Be Computer or I’m Dumb: A Large-Scale Evaluation of Humans as Audio Deepfake Detectors”, ACM CCS 2024, PDF của University of Florida
- Roswandowitz và cộng sự, “Cortical-striatal brain network distinguishes deepfake from real speaker identity”, Communications Biology 2024, PubMed Central
- Yang, Jiang, Bai, Ni và Teng, “Short-Term Perceptual Training Modulates Neural Responses to Deepfake Speech but Does Not Improve Behavioral Discrimination”, eNeuro 2026, PubMed Central
- Ross, Corley và Lai, “Is there an uncanny valley for speech? Investigating listeners’ evaluations of realistic TTS voices”, Speech Prosody 2024, ISCA Archive
- Kühne, Fischer và Zhou, “The Human Takes It All: Humanlike Synthesized Voices Are Perceived as Less Eerie and More Likable”, Frontiers in Neurorobotics 2020, Frontiers
- Baird và cộng sự, “The Perception and Analysis of the Likeability and Human Likeness of Synthesized Speech”, Interspeech 2018, ISCA Archive
- Diel và Lewis, “Deviation from typical organic voices best explains a vocal uncanny valley”, Computers in Human Behavior Reports 2024, ScienceDirect
- Zhao, Chen và Zhao, “Does the Uncanny Valley Effect Exist When Voice Assistants Have Minds and Human-Like Appearances?”, Human Factors and Ergonomics in Manufacturing and Service Industries 2026, Wiley qua DOI
- Mavromati, Erdinch và Paterson, “The uncanny valley of familiarly unfamiliar voices”, bản thảo tiền xuất bản PsyArXiv 2025, OSF
- Mitchell và cộng sự, “A Mismatch in the Human Realism of Face and Voice Produces an Uncanny Valley”, i-Perception 2011, PubMed Central
- Choi, Koilias, Volonte, Kao và Mousas, “Exploring the Appearance and Voice Mismatch of Virtual Characters”, IEEE ISMAR-Adjunct 2023, PDF
- Huang và Moore, “Freedom comes at a cost?: An exploratory study on affordances’ impact on users’ perception of a social robot”, Frontiers in Robotics and AI 2024, Frontiers
- Alimardani, de Roode, Vaitonyte và Louwerse, “Effect of a Virtual Agent’s Appearance and Voice on Uncanny Valley and Trust in Human-Agent Collaboration”, IVA 2024, ACM qua DOI
- Cihodaru-Ștefanache và Podina, “The uncanny valley effect in embodied conversational agents: a critical systematic review”, Frontiers in Psychology 2025, Frontiers
- Crowd React Media (Harker Bos Group), AI Voiceover Study 2026, Crowd React Media, cũng được Radio Ink đưa tin
- Malwarebytes, AI Scams Report 2026 (khảo sát của nhà cung cấp với 1.500 người trưởng thành), Malwarebytes
- Lưu ý về dữ liệu: nghiên cứu khuôn mặt và giọng nói của Lancaster được trích từ phiên bản đã được chấp nhận trong kho lưu trữ của trường đại học, nên các con số có thể thay đổi đôi chút trong phiên bản tạp chí chính thức. Nghiên cứu bản sao giọng của UC Berkeley in các tỷ lệ phần trăm chính dưới dạng hình ảnh trong phiên bản tạp chí, vì vậy các con số khoảng 80% và khoảng 60% được lấy từ văn bản arXiv v2, khớp với phần tóm tắt đã công bố. Mức nền của Queen Mary thay đổi giữa các thí nghiệm (người nghe gắn nhãn ‘người’ cho 81% giọng người ở Thí nghiệm 1a, 62% ở Thí nghiệm 1b và 72% ở Thí nghiệm 2), vì vậy bản sao và giọng người chỉ nên so sánh trong cùng một thí nghiệm, không bao giờ so sánh giữa các thí nghiệm. Hai con số 73% từ các nghiên cứu của UCL (2023) và University of Florida (2024) đo các nhiệm vụ và bộ dữ liệu khác nhau và không phải là sự lặp lại của nhau. Thử nghiệm mù trên radio không tìm thấy sự khác biệt có ý nghĩa thống kê về mức độ thường xuyên hai giọng được nhận diện, và tỷ lệ nhận diện chính xác của nó chỉ xuất hiện trong một biểu đồ. Không có thử nghiệm đã công bố nào ở đây đạt tới các giọng TTS được đánh giá gần như hoàn toàn giống người, nên phần đỉnh của đường cong thung lũng kỳ lạ về giọng nói vẫn chưa được kiểm tra. Điểm độ tự nhiên chuẩn (MOS và CMOS) được cố ý dành cho bài tổng hợp MOS của chúng tôi.
Cập nhật lần cuối: ngày 8 tháng 11 năm 2026. Chúng tôi cập nhật bài tổng hợp này hàng quý, và lần làm mới tiếp theo dự kiến diễn ra khi phiên bản cuối cùng của nghiên cứu phát hiện khuôn mặt và giọng nói của Lancaster được công bố trên Scientific Reports.