Bạn mở một đoạn voice note vừa gửi, nghe vài giây rồi gần như lập tức muốn tắt đi. Giọng phát ra có vẻ mỏng hơn, cao hơn, nhỏ hơn hoặc xa lạ đến mức khó tin đó là âm thanh của chính mình. Chiếc điện thoại có thu sai không? Micro có bóp méo giọng không? Ứng dụng có biến nó thành giọng của một người khác không? Thiết bị quả thật có thể làm âm thanh thay đổi, nhưng nguyên nhân lớn nhất thường nằm ở khoảng cách giữa cách bạn nghe mình khi đang nói và cách bản ghi tái hiện âm thanh truyền qua không khí.

Giọng nói bắt đầu khi không khí từ phổi đi lên thanh quản. Hai nếp gấp thanh âm, thường gọi là dây thanh, tiến lại gần nhau và dao động trong luồng khí. Tốc độ dao động góp phần tạo nên tần số cơ bản, liên quan đến pitch vật lý. Âm thanh sau đó đi qua cổ họng, khoang miệng và khoang mũi. Hình dạng các khoang cộng hưởng, cùng vị trí lưỡi, môi, hàm và màn hầu, làm nổi bật hoặc làm yếu những dải tần khác nhau. Giọng vì thế không chỉ có một nốt cao hay thấp, mà còn có cấu trúc âm sắc phức tạp và dấu ấn riêng.

Pitch không đồng nghĩa hoàn toàn với cảm giác giọng cao hay thấp. Pitch vật lý liên quan đến chu kỳ dao động của nếp thanh âm và có thể đo bằng hertz. Timbre, hay âm sắc, phụ thuộc vào phổ hài, cộng hưởng, hơi thở, cách phát âm và sự phân bố năng lượng giữa các dải tần. Nếu bản ghi thiếu dải thấp hoặc nhấn mạnh vùng trung cao, giọng có thể được cảm nhận là cao và mỏng hơn dù tần số cơ bản gần như không đổi. Ngược lại, thêm nhiều bass có thể khiến giọng nghe đầy và trầm hơn mà không có nghĩa nếp thanh âm đang dao động chậm hơn.

Khi người khác nghe bạn nói, âm thanh từ miệng truyền qua không khí đến tai họ. Vành tai thu sóng âm, ống tai dẫn chúng đến màng nhĩ, rồi dao động truyền qua các xương nhỏ của tai giữa tới ốc tai. Tại tai trong, chuyển động cơ học được chuyển thành tín hiệu thần kinh để não xử lý thành lời nói, cao độ, âm sắc và vị trí. Đây là air conduction, hay dẫn truyền qua không khí. Micro thông thường cũng chủ yếu thu phần âm thanh đã đi ra ngoài theo con đường này.

Nhưng lúc bạn nói, tai còn nhận dao động truyền từ thanh quản và các khoang phát âm qua mô mềm, xương hàm và hộp sọ tới tai trong. Con đường này thường được gọi là bone conduction, hay dẫn truyền qua xương, dù cơ thể thực tế tham gia bằng nhiều cơ chế phức tạp hơn một đường rung đơn giản. Âm thanh bạn nghe khi nói là hỗn hợp của dẫn truyền qua không khí và dẫn truyền qua cơ thể. Micro đặt bên ngoài không thu đầy đủ hỗn hợp nội tại ấy, nên bản ghi không giống phiên bản đã trở nên quen thuộc trong đầu.

Bone conduction cũng không đơn giản là xương luôn làm mọi giọng trầm hơn. Georg von Békésy, người có những nghiên cứu nền tảng về cơ học thính giác và nhận giải Nobel, từng khảo sát cách rung động của đầu tạo ra cảm giác âm thanh. Các cơ chế có thể liên quan đến biến dạng hộp sọ, quán tính của cấu trúc tai giữa, chuyển động dịch trong ốc tai và âm thanh trong ống tai. Mức đóng góp thay đổi theo tần số, vị trí rung, giải phẫu và điều kiện nghe. Dẫn truyền qua cơ thể có thể khiến giọng bản thân nghe đầy, ấm hoặc khác biệt, nhưng không bảo đảm mọi giọng đều trầm xuống theo cùng một cách.


Một phần quan trọng khác là auditory feedback, tức phản hồi thính giác. Trong khi nói, não liên tục đối chiếu âm thanh nhận được với âm thanh dự kiến, rồi dùng sai lệch để điều chỉnh phát âm, cao độ, cường độ và nhịp. Trong nghiên cứu đăng trên Science năm 1998, John Houde và Michael Jordan bí mật thay đổi các formant trong tín hiệu phản hồi mà người tham gia nghe khi phát âm. Họ dần điều chỉnh cách nói theo hướng bù lại thay đổi, thường không nhận thức đầy đủ việc đó. Giọng nói không chỉ được phát ra; nó được theo dõi và tinh chỉnh trong một vòng phản hồi liên tục.

Pascal Belin và cộng sự, trong nghiên cứu đăng trên Nature năm 2000, xác định những vùng ở thùy thái dương phản ứng chọn lọc với giọng người. Điều này không có nghĩa não lưu một tệp âm thanh chuẩn, bất biến của riêng mỗi người. Nhận diện giọng kết hợp nhiều thông tin như âm sắc, ngữ âm, ký ức, ngữ cảnh và kỳ vọng. Giọng bản thân vì vậy vừa là tín hiệu âm học, vừa gắn với cảm giác về danh tính.

Bạn đã nghe self-voice qua hỗn hợp nội tại này hàng nghìn lần khi trò chuyện, cười, hát hoặc tranh luận. Sự lặp lại khiến nó cực kỳ quen thuộc. Trong khi đó, giọng thu qua không khí có thể chỉ được nghe thỉnh thoảng. Khi hai phiên bản không khớp, âm thanh mới xung đột với dự đoán về giọng bản thân. Cảm giác khó chịu có thể xuất hiện trước khi chất lượng được đánh giá công bằng. Sự xa lạ vì thế không chứng minh giọng xấu; nhiều khi nó chỉ phản ánh familiarity, tức mức độ quen thuộc, chưa được hình thành với phiên bản thu âm.

Khi nghe người khác, sự chú ý thường hướng đến nội dung và thái độ. Khi nghe chính mình, từng hơi thở, tiếng nuốt, âm cuối, khoảng ngập ngừng hoặc từ phát ra khác ý định lại dễ trở thành tâm điểm. Một chi tiết người khác không để ý có thể bị phóng đại vì bạn biết chính xác mình định nói thế nào. Cảm giác ngượng khi nghe voice note do đó không phải thiết bị đo đáng tin cậy về độ hay, độ rõ hoặc mức dễ chịu của giọng.

Tuy nhiên, bản ghi cũng không phải bản sao tuyệt đối của điều người khác nghe. Mỗi micro có đáp tuyến tần số riêng. Micro điện thoại thường được tối ưu cho lời nói rõ hơn thay vì tái tạo trung tính toàn bộ phổ âm thanh. Máy có thể giảm tiếng ồn, cắt bớt dải thấp, tăng vùng giúp phụ âm nổi bật, tự động chỉnh gain hoặc kết hợp nhiều micro để định hướng thu. Những xử lý này hữu ích cho cuộc gọi nhưng có thể khiến âm sắc khác với giọng trực tiếp trong phòng.

Khoảng cách và hướng micro tạo ra khác biệt lớn. Đặt quá xa khiến bản ghi thu thêm tiếng nền cùng phản xạ từ tường, làm giọng rỗng, mỏng hoặc thiếu gần gũi. Đặt quá gần một số micro định hướng có thể tạo proximity effect, tăng dải thấp và làm giọng dày bất thường. Luồng hơi thổi thẳng vào màng thu gây tiếng bật ở các phụ âm như p hoặc b. Đặt lệch quá nhiều có thể mất dải cao, còn chĩa thẳng vào miệng dễ nhấn hơi và âm xuýt. Chỉ một thay đổi nhỏ về khoảng cách hoặc góc cũng có thể đổi kết quả.

Căn phòng tiếp tục thêm dấu vết riêng. Trong không gian có nhiều bề mặt cứng, phản xạ tới micro muộn hơn âm trực tiếp, tạo tiếng vang ngắn và làm lời kém rõ. Phòng nhỏ có thể nhấn mạnh một số cộng hưởng, khiến giọng nghe hộp hoặc ù. Rèm, thảm, tủ sách và đồ nội thất giúp hấp thụ hoặc phân tán bớt phản xạ. Người nghe trực tiếp còn có hai tai, hình ảnh người nói và khả năng thích nghi với không gian; một micro đơn ở vị trí bất lợi không có đầy đủ những lợi thế đó.

Sau khi thu, âm thanh có thể tiếp tục đi qua compression động học, nén dữ liệu và xử lý của ứng dụng. Compression động học nâng những phần nhỏ và kiềm chế các đỉnh lớn, nhưng cũng có thể kéo hơi thở và tiếng phòng lên rõ hơn. Nếu mức thu quá cao, tín hiệu bị clipping sẽ méo gắt; nén thêm không khôi phục được phần đã mất. Codec giảm dung lượng bằng cách loại bỏ hoặc xấp xỉ một phần thông tin. Ở bitrate thấp, giọng có thể nghe sạn, kim loại hoặc thiếu không gian. Nền tảng nhắn tin đôi khi còn nén lại một tệp đã nén.

Thiết bị phát cũng quyết định phần âm thanh đến tai. Loa điện thoại nhỏ khó tái tạo dải trầm sâu, khiến giọng dễ sáng và mỏng. Tai nghe nhấn bass có thể làm giọng nặng hơn, còn thiết bị nhấn vùng hiện diện làm phụ âm sắc và gần hơn. Âm lượng phát lại cũng thay đổi cảm nhận về cân bằng tần số. Nếu cùng một tệp nghe khác nhau trên loa điện thoại, tai nghe và loa ngoài, sự khác biệt thuộc về toàn bộ chuỗi thu, xử lý và phát, không chỉ thuộc về giọng.

Vì vậy, bản ghi không chính xác tuyệt đối, nhưng cũng không hoàn toàn xa rời giọng thật. Với điều kiện hợp lý, nó thường gần góc nghe của người đứng bên ngoài hơn self-voice nội tại, vì người khác và micro đều chủ yếu nhận âm thanh qua không khí. Dù vậy, người nghe thật tiếp nhận giọng bằng hai tai, trong không gian ba chiều, cùng biểu cảm và ngữ cảnh. Bản ghi chỉ là một mẫu âm thanh tại một vị trí, qua một hệ thống kỹ thuật cụ thể.

Muốn kiểm tra công bằng hơn, hãy phát cùng một tệp bằng tai nghe tương đối tốt, loa điện thoại và ít nhất một loa khác, ở âm lượng vừa phải. Nếu âm sắc chỉ khó chịu trên một thiết bị, đáp tuyến phát lại có thể là nguyên nhân lớn. Đừng lấy một voice note nén mạnh trên loa nhỏ làm tiêu chuẩn duy nhất. Nếu có thể, hãy so sánh cả tệp gốc ít nén với phiên bản đã gửi qua ứng dụng.

Khi thu, giữ khoảng cách micro ổn định và đặt nó hơi lệch khỏi luồng hơi. Với điện thoại, vài chục centimet là điểm khởi đầu hợp lý, nhưng khoảng cách tối ưu còn tùy micro, âm lượng nói và căn phòng. Hãy ghi cùng một câu ở vài khoảng cách và góc khác nhau rồi so sánh. Chọn nơi yên tĩnh có rèm, thảm hoặc vật mềm; tránh đứng sát tường trống. Giảm tiếng phòng ngay từ lúc thu thường tự nhiên và hiệu quả hơn cố sửa một bản ghi quá vang sau đó.

Hãy tạo nhiều bản ghi trong các ngày khác nhau với điều kiện gần giống nhau. Giọng tự nhiên biến đổi theo giấc ngủ, độ ẩm, căng thẳng, sức khỏe, mức sử dụng giọng và thời điểm trong ngày. Một clip duy nhất có thể được thu đúng lúc mệt, nói quá nhỏ hoặc đặt micro sai hướng. Nhiều mẫu giúp tách đặc điểm ổn định khỏi biến động tạm thời, đồng thời giảm nguy cơ đánh giá cả giọng nói từ một lần thu không đại diện.

Đừng để mức thu quá nhỏ rồi dùng compression mạnh để kéo mọi thứ lên, cũng đừng để tín hiệu chạm ngưỡng và clipping. Hãy thử vài câu ở mức lớn nhất dự kiến, kiểm tra đỉnh tín hiệu và giữ khoảng dự phòng. Xử lý nhẹ có thể hỗ trợ độ rõ; equalization hoặc compression quá mạnh dễ khiến giọng thiếu tự nhiên, hơi thở nổi bật và âm lượng mệt mỏi. Mục tiêu không phải ép pitch xuống để tái tạo cảm giác rung trong đầu.

Khi nghe lại, hãy trì hoãn phán xét về âm sắc và tập trung vào những yếu tố hữu ích hơn: lời có rõ không, nhịp có quá nhanh không, âm lượng có ổn định không, câu có đủ khoảng nghỉ không, và ý định cảm xúc có được truyền đạt không. Đây là các yếu tố có thể kiểm tra và luyện tập. Nghe những đoạn ngắn thường xuyên, ở âm lượng dễ chịu, cũng giúp não xây dựng kỳ vọng chính xác hơn về giọng thu qua không khí. Cảm giác xa lạ thường giảm dần khi phiên bản đó trở nên quen thuộc.


Cũng cần phân biệt sự xa lạ bình thường với thay đổi giọng đáng lưu ý. Nếu giọng thay đổi kéo dài, đau khi nói, khàn dai dẳng, mất tiếng, hụt hơi bất thường hoặc phải gắng sức để phát âm, bản ghi không đủ để tự chẩn đoán nguyên nhân. Khi đó cần được bác sĩ tai mũi họng hoặc chuyên gia phù hợp đánh giá, nhất là khi triệu chứng kéo dài hoặc ảnh hưởng sinh hoạt. Không nên kết luận có tổn thương nếp thanh âm chỉ từ một clip kém, nhưng cũng không nên bỏ qua triệu chứng dai dẳng vì cho rằng đó chỉ là lỗi micro.

Lần tới khi mở một đoạn voice note và muốn tắt ngay vì giọng nghe mỏng, cao hoặc xa lạ, hãy dừng lại trước khi phán xét. Thiết bị không nhất thiết đã biến giọng thành của người khác. Bản ghi chỉ thiếu phần dẫn truyền qua xương và mô đã quen thuộc, rồi thêm dấu vết của micro, khoảng cách, căn phòng, compression, codec và loa. Nó không hoàn hảo, nhưng cho thấy một góc nghe khác, gần hơn với con đường âm thanh đi qua không khí đến người đối diện. Và khi voice note vang lại, điều nghe như một người xa lạ đôi khi chỉ là giọng quen thuộc của bạn vọng về từ phía bên kia.