🎯 Bài viết này sẽ giúp bạn nắm bắt những gì?
• Bảng giá mỗi 1 triệu ký tự — Chi phí thực tế theo cấp độ của ElevenLabs / Google / Amazon Polly (Cập nhật tháng 6/2026)
• Nội dung sáng tạo vs Thông báo hàng loạt — Tiêu chí ra quyết định theo từng mục đích sử dụng
• Sự thật về nền tảng duy nhất cho phép cá nhân sao chép giọng nói (Voice Cloning)
• Tình trạng giọng đọc tiếng Việt hiện nay (Eleven v3, Flash v2.5, Multilingual v2)
• 4 nhược điểm "thẳng thắn" của ElevenLabs — Giá cả, xếp hạng Arena, cạm bẫy gói miễn phí và độ trễ
📌 Lời mở đầu
Chào bạn, đây là ElevenLabs Lab.
Khi được hỏi "Nên dùng API TTS nào?", cộng đồng thường chia làm hai phe: Một bên là những người ưu ái ElevenLabs, và bên còn lại là những người tối ưu hóa ngân sách với lựa chọn Google hoặc Amazon Polly.
Cả hai đều chỉ đúng một nửa. Câu trả lời hoàn toàn phụ thuộc vào mục đích sử dụng của bạn.
Hôm nay, dựa trên bảng giá chính thức tháng 6/2026 và các tài liệu độc lập (như Blind Arena), chúng ta sẽ so sánh ba loại API này. Dù là ElevenLabs Lab, nhưng chúng mình sẽ thẳng thắn chỉ ra cả những điểm chưa tốt!
⚡ 3 kết luận nhanh cho người bận rộn
1️⃣ Nội dung như lồng tiếng YouTube, sách nói, giọng nhân vật — nơi "người nghe trả tiền" → ElevenLabs (Khả năng diễn đạt cảm xúc + tự sao chép giọng nói).
2️⃣ Thông báo hàng loạt, IVR, hệ thống nội bộ — nơi "số lượng ký tự chính là chi phí" → Polly Generative hoặc Google Chirp 3 HD ($30/1 triệu ký tự).
3️⃣ Nếu đã dùng sẵn hệ sinh thái GCP/AWS → Tiếp tục dùng dịch vụ TTS của nhà cung cấp đó sẽ tối ưu hóa vận hành hơn.
📖 Trước khi bắt đầu — Làm rõ 4 thuật ngữ cơ bản ⚡
• TTS = Text-to-Speech, công nghệ AI "biết nói" giúp chuyển văn bản thành giọng đọc tự nhiên.
• Giá mỗi 1 triệu ký tự = Đơn vị chuẩn để tính phí TTS. 1 triệu ký tự tương đương khoảng 700 trang A4.
• Sao chép giọng nói (Voice Cloning) = Tính năng học giọng của bạn để AI có thể nói bằng chính chất giọng đó dù bạn không đọc.
• Self-serve = Có thể sử dụng ngay bằng thẻ tín dụng mà không cần qua quy trình ký kết hợp đồng phức tạp với đội ngũ sale. (Đây là một yếu tố quan trọng hơn bạn nghĩ đấy).
💰 1. Giá cả — Sự khác biệt rõ rệt trên mỗi 1 triệu ký tự
Cấp độ | ElevenLabs | Google Cloud TTS | Amazon Polly |
|---|---|---|---|
Cơ bản (Cũ) | — | Standard/WaveNet $4 | Standard $4 |
Trung cấp (Neural) | — | Neural2 $16 | Neural $16 |
AI tạo sinh mới nhất | Flash v2.5/Turbo $50 | Chirp 3 HD $30 | Generative $30 |
Flagship (Cao cấp) | Eleven v3·Multilingual v2 $100 | Studio $160 | Long-Form $100 |
▲ Đơn vị tính: USD trên 1 triệu ký tự. Nguồn: elevenlabs.io/pricing/api · cloud.google.com/text-to-speech/pricing · aws.amazon.com/polly/pricing (Cập nhật tháng 6/2026)
Những con số biết nói:
Cùng ở cấp độ "AI tạo sinh mới nhất", ElevenLabs ($50) cao hơn khoảng 1,7 lần so với Google/Polly ($30) và lên đến 25 lần so với gói Standard cũ ($4). Với các tác vụ xử lý hàng loạt như thông báo, đọc tin tức hay hệ thống tổng đài tự động (IVR), đây không phải lựa chọn tối ưu về chi phí.
Tuy nhiên, kể từ ngày 7/5/2026, ElevenLabs đã giảm giá API lên đến 55% và áp dụng mô hình thanh toán linh hoạt (PAYG), nên khoảng cách này đã thu hẹp đáng kể. Với mô hình Flash, giá đã giảm từ $0.11 xuống $0.05 cho mỗi 1.000 ký tự, nên định kiến "ElevenLabs là món hàng xa xỉ" đã không còn đúng nữa.
Các giọng đọc cũ ($4) của Google/Polly tuy rẻ nhưng nghe rất "máy móc". Hãy so sánh công bằng trên cùng một cấp độ công nghệ.
🎭 2. Chất lượng âm thanh và cảm xúc — Không ai là "vô đối"
Dữ liệu minh bạch nhất chính là Blind Arena (người nghe so sánh giọng từ các mô hình ẩn danh và đưa ra đánh giá). Đây là sự thật bạn cần biết:
Tính đến tháng 6/2026, ElevenLabs không nằm trong Top 5 của Artificial Analysis Speech Arena. Các vị trí dẫn đầu đang thuộc về những cái tên như Alibaba Fun-Realtime-TTS (ELO 1228) hay Gemini 3.1 Flash TTS (1225). Việc khẳng định ElevenLabs luôn là số 1 về chất lượng âm thanh đã trở thành dữ liệu của quá khứ. Nếu bạn thấy bài viết nào khẳng định "ElevenLabs luôn đứng đầu", hãy cẩn thận với thông tin đó.
Dù vậy, lý do ElevenLabs vẫn được khuyến nghị cho người sáng tạo nội dung không nằm ở bảng xếp hạng âm thanh, mà nằm ở khả năng tùy biến và quy trình làm việc:
Audio Tags của Eleven v3 — Sử dụng các thẻ như [excited], [whispers] để điều khiển cảm xúc trực tiếp trong văn bản. Hỗ trợ hơn 70 ngôn ngữ (bao gồm tiếng Việt). Đây là yếu tố then chốt cho các nội dung kể chuyện.
(Xem thêm đánh giá thực tế tại So sánh Eleven v3 và v2)
Multilingual v2 — Mô hình chủ lực cho lồng tiếng và kể chuyện dài hơi, kết nối mượt mà với quy trình lồng tiếng chuyên nghiệp.
Google Chirp 3 HD cũng rất mạnh mẽ với 51 ngôn ngữ, streaming, đánh dấu [pause] và điều khiển phát âm IPA — nếu xét về hiệu năng trên giá thành, đây là một đối thủ đáng gờm.
🎤 3. Sao chép giọng nói — Lựa chọn thực tế duy nhất cho cá nhân
Nếu bạn muốn "tự tạo nội dung bằng chính giọng nói của mình", câu hỏi sẽ trở nên rất đơn giản:
Dịch vụ | Cách sao chép giọng | Khả năng tiếp cận cá nhân |
|---|---|---|
ElevenLabs | Instant(1-2 phút) / Professional(30 phút+) | Self-serve — Sử dụng ngay sau khi thanh toán |
Google (Custom Voice) | Cần phê duyệt (Allowlist) — Liên hệ sale + ghi âm xác nhận | Hầu như không khả thi với cá nhân |
Amazon Polly (Brand Voice) | Hợp đồng riêng với đội ngũ AWS để tạo giọng độc quyền | Chỉ dành cho doanh nghiệp |
▲ Nguồn: Tài liệu chính thức các hãng (Cập nhật tháng 6/2026)
Bắt đầu với ElevenLabs API ngay →
🇻🇳 4. Hiện trạng giọng đọc tiếng Việt
Amazon Polly: Bản nâng cấp engine Generative tháng 11/2025 xoay quanh giọng tiếng Hàn 'Seoyeon' và các region Seoul, Singapore, Tokyo. Giọng tiếng Việt hỗ trợ ra sao, hãy tra danh sách giọng đọc chính thức của AWS.
Google: Chirp 3 HD hỗ trợ 51 locale kèm tùy chỉnh phát âm bằng IPA — rất thực tế với tên riêng hay thuật ngữ chuyên ngành. Locale tiếng Việt có trong đó không, hãy xác nhận ở tài liệu chính thức của Google.
ElevenLabs: Flash v2.5 hỗ trợ 32 ngôn ngữ, Multilingual v2 là 29, còn Eleven v3 phủ hơn 70 ngôn ngữ — chi tiết từng ngôn ngữ xem ở tài liệu model chính thức. Cần kể chuyện có cảm xúc? Audio Tags của v3 chính là vũ khí lợi hại.
⚠️ 5. 4 nhược điểm "thẳng thắn" của ElevenLabs
① Chi phí cao hơn — So với các model cùng cấp, ElevenLabs cao hơn 1,7 lần. Nếu bạn xử lý trên 1 triệu ký tự mỗi tháng, Polly Generative hay Chirp 3 HD ($30) sẽ là lựa chọn kinh tế hơn.
② Không còn đứng đầu trong Arena — Thời kỳ "không đối thủ về âm thanh" đã qua (tính đến tháng 6/2026). Thị trường cạnh tranh rất khốc liệt, hãy tự mình nghe và kiểm chứng.
③ Gói miễn phí không được thương mại hóa + bắt buộc ghi nguồn — Việc sử dụng giọng đọc từ gói miễn phí cho video kiếm tiền là vi phạm bản quyền. Bản quyền thương mại chỉ áp dụng từ gói Starter ($6/tháng). Đây là điều mà các bài viết quảng cáo thường không nói rõ.
④ Con số "độ trễ 75ms" chỉ là thời gian suy luận của model — Độ trễ thực tế bao gồm cả mạng (TTFB) sẽ cao hơn. Nếu bạn xây dựng dịch vụ hội thoại real-time, hãy đo đạc thực tế tại khu vực của mình.
🆓 6. So sánh gói miễn phí — "Cạm bẫy" từ Amazon Polly
Google: Miễn phí 4 triệu ký tự Standard + 1 triệu ký tự Chirp 3 HD hàng tháng — Gói miễn phí vĩnh viễn hào phóng nhất hiện nay.
Amazon Polly: Gói miễn phí 5 triệu ký tự/tháng — nhưng chỉ giới hạn trong 12 tháng đầu kể từ khi tạo tài khoản AWS. Hãy kiểm tra kỹ thời điểm tạo tài khoản khi xem các bài hướng dẫn "dùng Polly miễn phí".
ElevenLabs: Gói Free 10.000 ký tự mỗi tháng — với điều kiện không sử dụng thương mại và bắt buộc ghi nguồn như đã nêu.
🚀 Lời kết — Một câu chốt cho bạn
"Nếu giọng đọc cần chạm đến cảm xúc người nghe" hãy dùng ElevenLabs, "Nếu chỉ cần chuyển đổi văn bản sang tiếng nói đơn thuần" hãy cân nhắc Polly hoặc Google. Với việc giảm giá và áp dụng thanh toán theo mức dùng kể từ tháng 5/2026, chi phí gia nhập ElevenLabs đã rẻ hơn rất nhiều, đây chính là thời điểm vàng để bạn chạy thử nghiệm.
Thực hành tích hợp API tại Hướng dẫn bắt đầu cho nhà phát triển ElevenLabs, và so sánh về công nghệ nhận diện giọng nói (STT) tại Scribe vs Whisper vs Deepgram.
Bắt đầu so sánh với gói miễn phí →
ElevenLabs Lab — Luôn đồng hành cùng bạn! ⚡