Chuyển đến nội dung

index-tts / index-tts

IndexTTS

Mô hình nhân bản giọng từ một đoạn mẫu, điều khiển cảm xúc, tốc độ và cách phát âm.

IndexTTS là hệ thống text-to-speech zero-shot (không cần huấn luyện lại) của đội Index tại bilibili: đưa một đoạn ghi âm mẫu, nó đọc nội dung mới bằng giọng đó. Bản mới nhất IndexTTS-2.5 hỗ trợ tiếng Trung, Anh, Nhật, Tây Ban Nha và Ả Rập, có điều khiển cảm xúc và tốc độ. Cần Python, uv và card đồ hoạ; giấy phép riêng của bilibili.

  • 25.111 sao
  • 2.946 fork
  • Python
  • Cập nhật 1 tháng trước
  • Giấy phép riêng, xem trên GitHub
Độ khó
Khó Dành cho người biết lập trình
Dạng
Mô hình AI, Web tự cài (self-host)
Chạy trên
Windows, Linux, Python
Chi phí
Miễn phí cho cá nhân

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)

  1. Cài Git rồi tải mã nguồn về và vào thư mục dự án.

    Terminal
    git clone https://github.com/index-tts/index-tts.git
    cd index-tts
  2. Cài 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.

    Terminal
    pip install -U uv
    uv sync --all-extras
  3. Cài 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.

    Terminal
    uv tool install "huggingface-hub"
    hf download IndexTeam/IndexTTS-2.5 --local-dir=checkpoints
  4. Kiểm tra máy có nhận card đồ hoạ không.

    Terminal
    uv run tools/gpu_check.py

Dùng thử lần đầu

  1. Khởi động giao diện web. Lần đầu nó tự tải thêm file âm thanh mẫu.

    Terminal
    uv run webui.py
  2. Mở địa chỉ hiện trong README trên trình duyệt cùng máy.

    Văn bản
    http://127.0.0.1:7860
  3. Chọn 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.

  4. Muốn tiết kiệm bộ nhớ GPU, bật chế độ BF16 trong cài đặt trang web; xem hết các tuỳ chọn bằng lệnh dưới.

    Terminal
    uv run webui.py -h
  5. Cần 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.

Terminal
git clone https://github.com/index-tts/index-tts.git

Repo tương tự nên xem

Giọng nói & âm thanh AI24,4K

CosyVoice

QwenAudio / CosyVoice

Mô hình đọc văn bản đa ngôn ngữ của Alibaba, nhân bản giọng, hỗ trợ nhiều phương ngữ Trung Quốc.

KhóLinuxDockerPython
Giọng nói & âm thanh AI33,8K

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.

KhóLinuxDockerPython
Giọng nói & âm thanh AI15,6K

F5-TTS

SWivid / F5-TTS

Bắt chước giọng nói từ vài giây âm thanh mẫu rồi đọc văn bản mới bằng giọng đó

KhóWindowsLinuxDockerPython

Nội dung được biên soạn bằng tiếng Việt dựa trên tài liệu chính thức của dự án, cập nhật lần cuối 16/11/2026. Lệnh cài có thể thay đổi theo phiên bản mới; nếu có khác biệt, hãy làm theo README trên GitHub.

Cùng chủ đề: Giọng nói & âm thanh AI

Giọng nói & âm thanh AI113K

Whisper

openai / whisper

Chuyển giọng nói trong file ghi âm, video thành văn bản ngay trên máy, hỗ trợ nhiều ngôn ngữ

VừaWindowsmacOSLinuxPython
Giọng nói & âm thanh AI65,2K

GPT-SoVITS

RVC-Boss / GPT-SoVITS

Nhân bản giọng nói chỉ từ 5 giây âm thanh, hoặc tinh chỉnh với khoảng 1 phút dữ liệu, kèm WebUI đầy đủ

VừaWindowsmacOSLinuxDocker+1
Giọng nói & âm thanh AI57,2K

VibeVoice

microsoft / VibeVoice

Bộ mô hình giọng nói của Microsoft: nhận dạng giọng nói dài 60 phút và đọc văn bản theo thời gian thực

KhóLinuxDockerPython
Giọng nói & âm thanh AI55,2K

whisper.cpp

ggml-org / whisper.cpp

Chạy mô hình nhận dạng giọng nói Whisper của OpenAI ngay trên máy, nhẹ, offline, không cần Python

KhóWindowsmacOSLinuxAndroid+2
Giọng nói & âm thanh AI40K

ChatTTS

2noise / ChatTTS

Mô hình đọc văn bản cho hội thoại, giọng tự nhiên có cả tiếng cười và quãng ngắt nghỉ

KhóWindowsLinuxmacOSPython
Giọng nói & âm thanh AI39,3K

RVC (Retrieval-based Voice Conversion WebUI)

RVC-Project / Retrieval-based-Voice-Conversion-WebUI

Đổi giọng nói thành giọng khác chỉ cần khoảng 10 phút dữ liệu để huấn luyện, có giao diện web

KhóWindowsLinuxPython

Xem cả 20 repo Giọng nói & âm thanh AI Về Kho Repo