Trải nghiệm khi dùng IndexTTS
Sau khi cài xong, bạn chạy một lệnh và mở trang web trên máy mình. Ở đó bạn chọn một file giọng mẫu, nhập đoạn chữ cần đọc rồi bấm tạo. Một lúc sau có file âm thanh đọc đoạn chữ đó bằng giọng gần với mẫu. Đây là cách dễ nhất để thử, không cần viết mã.
Điểm hay của dòng 2 và 2.5 là tách riêng âm sắc và cảm xúc: bạn có thể lấy giọng từ một người nhưng cảm xúc từ một đoạn khác. Bản 2.5 còn cho đặt tốc độ nói bằng hệ số thời lượng từ 0,5 đến 2 lần và chỉnh cách đọc bằng pinyin, âm vị CMU (tiếng Anh) hay kana (tiếng Nhật).
Nhưng đây không phải phần mềm cài bằng một cú nhấp. Tài liệu yêu cầu cài uv, tải mô hình bằng công cụ của Hugging Face hoặc ModelScope và CUDA Toolkit 12.8 trở lên nếu dùng card NVIDIA. Danh sách ngôn ngữ trong README chưa có tiếng Việt.
Tính năng nổi bật
Nhân bản giọng từ một đoạn mẫu
Chỉ cần một đoạn ghi âm tham chiếu, mô hình sẽ đọc nội dung mới bằng âm sắc tương tự.
Điều khiển cảm xúc
Cảm xúc có thể được điều khiển qua nhiều cách đầu vào và tách rời với âm sắc người nói.
Chỉnh tốc độ đọc
Bản 2.5 có tham số duration_factor để đọc nhanh hoặc chậm trong khoảng 0,5 đến 2 lần thời lượng.
Kiểm soát phát âm
Gõ trực tiếp pinyin, âm vị CMU hoặc kana để ép đọc đúng những từ dễ đọc sai.
Giao diện web có sẵn
Chạy webui.py là có trang web trên máy để thử mà không phải viết mã Python.
Phục vụ quy mô lớn bằng vLLM
README có hướng dẫn triển khai bản 2.5 bằng vLLM cho nhu cầu chạy dịch vụ.
Tận dụng IndexTTS vào việc gì?
Người làm video đa ngôn ngữ
Lồng tiếng video bằng tiếng Trung, Anh hoặc Nhật
Đọc kịch bản bằng giọng nhất quán xuyên suốt nhiều video.
Người làm nội dung audio
Làm giọng đọc có cảm xúc
Điều chỉnh sắc thái vui, buồn, nghiêm túc cho từng đoạn thay vì giọng đều đều.
Nhà làm game độc lập
Thử nghiệm giọng nhân vật game
Tạo thoại mẫu nhanh cho nhân vật trong giai đoạn prototype.
Sinh viên, kỹ sư AI
Nghiên cứu mô hình giọng nói
Đọc mã, bài báo và chạy thử để hiểu cách tách cảm xúc khỏi âm sắc.
Cần chuẩn bị gì?
- Git và uv (cài bằng pip install -U uv hoặc theo trang uv chính thức); uv tự tạo môi trường và cài đúng phiên bản Python.
- Card NVIDIA với CUDA Toolkit 12.8 trở lên khi gặp lỗi CUDA lúc cài. README không ghi rõ dung lượng VRAM tối thiểu.
- Dung lượng ổ cứng cho thư mục checkpoints tải từ Hugging Face hoặc ModelScope.
- Windows có thể khó cài DeepSpeed, khi đó bỏ cờ --all-extras theo ghi chú trong README.
Hướng dẫn cài đặt chi tiết
Cài trên uv (Windows, Linux)
Cài Git rồi tải mã nguồn về và vào thư mục dự án.
git clone https://github.com/index-tts/index-tts.git cd index-ttsCài uv (nếu chưa có) rồi để uv cài toàn bộ thư viện. Lệnh này tự tạo thư mục .venv. Trên Windows nếu DeepSpeed báo lỗi, bỏ cờ --all-extras và chỉ thêm --extra webui.
pip install -U uv uv sync --all-extrasCài công cụ tải mô hình của Hugging Face rồi tải IndexTTS-2.5 về thư mục checkpoints. Nếu lệnh hf không tìm thấy, đọc thông báo của uv để thêm vào PATH.
uv tool install "huggingface-hub" hf download IndexTeam/IndexTTS-2.5 --local-dir=checkpointsKiểm tra máy có nhận card đồ hoạ không.
uv run tools/gpu_check.py
Dùng thử lần đầu
Khởi động giao diện web. Lần đầu nó tự tải thêm file âm thanh mẫu.
uv run webui.pyMở địa chỉ hiện trong README trên trình duyệt cùng máy.
http://127.0.0.1:7860Chọn một file giọng mẫu (có sẵn hoặc của bạn), nhập câu cần đọc bằng một trong các ngôn ngữ hỗ trợ rồi bấm tạo. Nghe thử kết quả.
Muốn tiết kiệm bộ nhớ GPU, bật chế độ BF16 trong cài đặt trang web; xem hết các tuỳ chọn bằng lệnh dưới.
uv run webui.py -hCần gọi từ mã Python, xem mục Python API trong README (dùng uv run để mã chạy đúng môi trường).
Mẹo dùng hay
- Đừng tự kích hoạt môi trường ảo trước khi chạy: README nhấn mạnh mọi lệnh uv đã tự kích hoạt đúng môi trường, kích hoạt thêm có thể gây xung đột thư viện.
- Mạng chậm khi tải từ Hugging Face thì đặt biến HF_ENDPOINT sang một mirror theo ghi chú của README, hoặc tải qua ModelScope.
- Thử cả chế độ có DeepSpeed và không có; README nói nó có thể làm nhanh hơn hoặc chậm hơn tuỳ máy.
Lưu ý và hạn chế
- Giấy phép là bilibili Model Use License Agreement, không phải MIT hay Apache. README còn dặn đọc DISCLAIMER và liên hệ email của đội nếu dùng thương mại. Hãy đọc kỹ trước khi đưa vào sản phẩm.
- Nhân bản giọng dễ bị dùng sai. Chỉ dùng giọng của chính bạn hoặc người đã đồng ý, không dùng để giả danh hay lừa đảo.
- README liệt kê tiếng Trung, Anh, Nhật, Tây Ban Nha và Ả Rập cho bản 2.5, không có tiếng Việt, nên đừng kỳ vọng đọc tiếng Việt tốt.
Câu hỏi thường gặp
IndexTTS có đọc được tiếng Việt không?
Bản 2.5 nêu hỗ trợ tiếng Trung, Anh, Nhật, Tây Ban Nha và Ả Rập. Tiếng Việt không có trong danh sách của README, nên hãy tự thử nghiệm trước khi dựa vào nó.
Dùng thương mại được không?
Phụ thuộc vào giấy phép bilibili Model Use License Agreement. README ghi để dùng thương mại và hợp tác thì liên hệ đội phát triển qua email trong tài liệu.
Có chạy được trên máy không có card NVIDIA không?
README tập trung vào GPU và CUDA. Không có hướng dẫn chạy CPU rõ ràng trong phần đã đọc, nên máy không có card rời nhiều khả năng sẽ gặp khó.
Tải mã nguồn về máy
Nếu bạn muốn xem hoặc sửa mã nguồn, mở Terminal (trên Windows là PowerShell) và chạy lệnh dưới. Máy cần cài sẵn Git.
git clone https://github.com/index-tts/index-tts.gitRepo tương tự nên xem
CosyVoice
QwenAudio / CosyVoice
Mô hình đọc văn bản đa ngôn ngữ của Alibaba, nhân bản giọng, hỗ trợ nhiều phương ngữ Trung Quốc.
Fish Speech
fishaudio / fish-speech
Mô hình đọc văn bản thành giọng nói, nhân bản giọng và điều khiển cảm xúc bằng thẻ trong câu.
F5-TTS
SWivid / F5-TTS
Bắt chước giọng nói từ vài giây âm thanh mẫu rồi đọc văn bản mới bằng giọng đó