ElevenLabs hay Gemini TTS đọc tiếng Việt: sai 3 hay 7 từ?

Chúng tôi đưa cùng một đoạn tiếng Việt 493 ký tự, có số, giờ, tiền và tên sản phẩm, qua năm model của hai hãng bằng API, rồi nhờ một model bên thứ ba chép lại từng file để đếm từ nghe sai.

Đo ngày 05/11/2026 bằng script Python trên PC Windows 11 ở Việt Nam (WSL, Ubuntu 24.04), tài khoản ElevenLabs miễn phí và khoá API Gemini trả phí. Giá đọc trên trang chính chủ của hai hãng sáng cùng ngày; quy ra tiền Việt theo tỉ giá bán Vietcombank 25.910 đồng/USD (6:04 sáng 05/11/2026).

Kết quả chính

• Tiếng Việt: Eleven v4 ít lỗi nhất. Chép lại bằng một model bên thứ ba, Eleven v4 sai 3/105 từ, Gemini 3.8 Flash-Lite TTS 5, Eleven v4 Turbo 6, Gemini 3.8 Flash TTS 7, Eleven Flash v2.5 8. Mỗi model chỉ chạy một lần với tiếng Việt, nên đây là gợi ý, chưa phải bảng xếp hạng.
• Gemini rẻ hơn rõ. Một phút giọng Việt: Gemini Flash-Lite TTS khoảng 240 đồng, Gemini Flash TTS 350 đồng, Eleven v4 Turbo 870 đồng, Eleven Flash v2.5 960 đồng, Eleven v4 1.800 đồng.
• ElevenLabs Flash nhanh nhất. Cả file tiếng Việt khoảng 32 giây về sau 0,8 giây với Flash v2.5. Gemini Flash TTS và Eleven v4 mất khoảng 9–10 giây.
• Tiếng Anh thì ba model hoà. Với đoạn tiếng Anh tương đương (chạy 3 lần mỗi model), Eleven v4, v4 Turbo và Gemini Flash TTS đều không sai từ nào. Khác biệt chỉ còn ở giá và tốc độ.
• Giá Gemini sẽ tăng gấp đôi từ 01/01/2027. Lúc đó Gemini Flash TTS vào khoảng 700 đồng một phút, vẫn rẻ hơn ElevenLabs nhưng khoảng cách hẹp lại.

Cách đo

Ảnh minh hoạ tạo bằng AI

• Tài khoản: ElevenLabs gói Free (10.000 credit mỗi tháng, cả phép đo tốn 3.751). Gemini qua dự án AI Studio đã nạp tiền (Tier 1).
• Gọi API: Python 3.13 với httpx, không dùng SDK. ElevenLabs trả MP3; Gemini trả âm thanh thô trong JSON, chúng tôi tự đóng thành file WAV 24 kHz.
• Model: eleven_v4, eleven_v4_turbo, eleven_flash_v2_5, gemini-3.8-flash-tts, gemini-3.8-flash-lite-tts.
• Giọng: mỗi hãng một giọng có sẵn, để mặc định. ElevenLabs dùng "George" cho cả hai thứ tiếng. Gemini dùng "Umbriel" cho tiếng Việt, cũng là giọng Dunggi đang lồng cho video của kênh.
• Đoạn văn: tự viết cho khó đọc: số phiên bản "2.1", ngày "30 tháng 10", "16 GB", "1,84 đô la", "4 giờ 30 chiều" và ba tên hãng Higgsfield, ElevenLabs, Gemini.
• Chấm: file của từng model được chép lại bằng gpt-4o-transcribe của OpenAI, bên không thuộc hãng nào trong hai hãng. Trước khi đếm, cách viết số được quy về một kiểu ("hai mươi đô la" và "20 đô la" tính là một), áp cùng luật cho mọi model.

Script đo, file JSON kết quả và luật chấm lưu cùng mã nguồn bài. Bảng dưới vẽ từ chính file kết quả đó.

Giọng Việt nghe sai ở đâu

Lỗi tiếng Việt chủ yếu nằm ở dấu và tên riêng:

Không model nào đọc đúng chữ "Higgsfield" theo tai của bộ chép. Nếu kịch bản của bạn nhiều tên hãng, tên sản phẩm tiếng Anh, hãy nghe thử đúng những chữ đó trước khi chọn.

Cách chấm này đo xem một "người nghe máy" hiểu được bao nhiêu, không đo giọng có tự nhiên, có cảm xúc hay không. Một số lỗi có thể do bộ chép chứ không do giọng đọc, nên mọi model đều đi qua cùng một bộ chép với cùng luật. Chúng tôi không mở phiên nghe thử với người thật. Gemini Flash TTS sai nhiều dấu hơn Flash-Lite trong lượt này là điều chúng tôi chưa giải thích được với một lần chạy; cần thêm vài lượt nữa mới nói được Flash hay Flash-Lite đọc tiếng Việt chuẩn hơn.

Tính ra tiền Việt

Ảnh minh hoạ tạo bằng AI

Hai hãng tính tiền theo hai thứ khác nhau. ElevenLabs tính theo số ký tự bạn gửi đi, nên giọng đọc chậm cho nhiều giây hơn với cùng số tiền. Gemini tính chủ yếu theo âm thanh trả về: trang giá của Google ghi 25 token cho mỗi giây âm thanh, và số token chúng tôi nhận khớp với con số đó. Phần chữ gửi vào gần như không đáng kể, 148 token cho đoạn tiếng Việt.

Tiếng Việt có dấu nên một phút đọc chứa nhiều ký tự hơn tiếng Anh một chút. Với ElevenLabs, điều đó làm giá mỗi phút tiếng Việt cao hơn tiếng Anh khoảng 10% (Eleven v4: 0,0694 USD so với 0,0624 USD một phút). Với Gemini thì không đổi, vì trả theo giây âm thanh.

Bảng trên là giá trả theo dùng qua API. Gói Free của ElevenLabs không trả đồng nào mà trừ credit: v4 trừ 1 credit mỗi ký tự, v4 Turbo và Flash trừ nửa credit. Với 10.000 credit một tháng, bạn có khoảng 11 phút giọng Việt trên v4 hoặc khoảng 24 phút trên v4 Turbo, đủ để thử kỹ trước khi trả tiền. Bảng quy đổi credit ra phút theo từng gói có ở bài bảng giá ElevenLabs tính theo phút tiếng Việt.

Giá Gemini hiện là giá giới thiệu: Google ghi rõ mức 9 USD áp tới hết 31/12/2026, từ 01/01/2027 là 18 USD; Flash-Lite từ 6 lên 12 USD. Nếu bạn định làm kênh đọc truyện, đọc bài dài hạn bằng Gemini, hãy tính sẵn khoảng 700 đồng một phút cho năm sau.

Trả tiền từ Việt Nam

• ElevenLabs: đăng ký bằng email, gói Free không cần thẻ. Lên gói trả phí hoặc trả theo dùng qua API thì trả bằng thẻ Visa/Mastercard quốc tế; hoá đơn tính bằng USD, ngân hàng phát hành thẻ quy đổi theo tỉ giá và biểu phí ngoại tệ của họ, nên số tiền trừ thật sẽ nhỉnh hơn bảng trên.
• Gemini API: trang giá có ghi mức Free Tier cho hai model TTS này; dự án của Dunggi dùng mức trả phí (Paid Tier, thanh toán bằng thẻ quốc tế) nên chúng tôi chưa kiểm trần của mức miễn phí. Ở Tier 1 trả phí, dự án gặp trần 100 lượt TTS mỗi ngày hồi tháng 10; video dài nhiều câu thì phải chia ngày hoặc gọi cùng model qua Vertex AI.
• Lấy khoá ElevenLabs và đặt trần credit cho khoá: xem hướng dẫn lấy API key ElevenLabs.

Điểm được

• Cả hai API chạy ngay lần gọi đầu bằng HTTP thường, không cần SDK.
• Gói Free của ElevenLabs đủ để chạy toàn bộ phép đo, kể cả hai model v4 mới nhất.
• Gemini trả số token trong mỗi phản hồi, nên tự kiểm được tiền của từng lần gọi.

Điểm chưa được

• Không model nào đọc tiếng Việt sạch như đọc tiếng Anh: tốt nhất vẫn sai 3/105 từ, so với 0/96 ở tiếng Anh.
• Tên hãng tiếng Anh trong câu tiếng Việt làm mọi model vấp.
• Gemini trả âm thanh thô, phải tự đóng file WAV; ElevenLabs trả MP3 dùng ngay.

Kết luận

Nếu bạn làm video hay bài đọc tiếng Việt dựng sẵn, số lượng nhiều và ngân sách nhỏ, Gemini 3.8 Flash TTS là lựa chọn hợp lý: rẻ hơn Eleven v4 khoảng 5 lần, sai nhiều hơn vài từ, và lỗi chủ yếu là dấu nên sửa được bằng cách nghe lại một lượt. Nếu bạn cần giọng Việt ít sai nhất, hoặc cần file trả về gần như tức thì cho app, chatbot, chọn ElevenLabs: Eleven v4 cho độ chính xác, Flash v2.5 cho tốc độ. Đừng chọn Eleven v4 Turbo cho tiếng Việt chỉ vì nó hoà v4 ở tiếng Anh: trong lượt đo tiếng Việt của chúng tôi nó sai gấp đôi v4.

Thử với văn bản của bạn: ElevenLabs. Dunggi là đối tác giới thiệu độc lập (independent affiliate) của ElevenLabs và có thể nhận hoa hồng nếu bạn đăng ký hoặc nâng gói qua liên kết này. Dunggi không có quan hệ affiliate với Google.

Câu hỏi thường gặp

Gemini TTS có đọc được tiếng Việt không?

Có. Trong phép đo của chúng tôi, Gemini 3.8 Flash TTS với giọng Umbriel đọc đoạn tiếng Việt 105 từ, bộ chép bên thứ ba nghe sai 7 từ, chủ yếu ở dấu thanh.

ElevenLabs hay Gemini rẻ hơn?

Gemini rẻ hơn. Một phút giọng Việt khoảng 350 đồng với Gemini Flash TTS, khoảng 870–960 đồng với Eleven v4 Turbo hoặc Flash v2.5, khoảng 1.800 đồng với Eleven v4 (tỉ giá Vietcombank 05/11/2026). Giá Gemini tăng gấp đôi từ 01/01/2027.

Dùng ElevenLabs miễn phí được không?

Được. Gói Free có 10.000 credit mỗi tháng và gọi được API; cả phép đo này tốn 3.751 credit. Với tiếng Việt, 10.000 credit đủ khoảng 11 phút trên Eleven v4.

Nên chọn model ElevenLabs nào cho tiếng Việt?

Trong lượt đo này, Eleven v4 sai ít nhất (3/105 từ). Flash v2.5 nhanh nhất nhưng sai nhiều nhất (8/105). v4 Turbo nằm giữa (6/105) với giá bằng một nửa v4.