Trải nghiệm khi dùng ChatTTS
Bạn tải mã nguồn về, cài thư viện bằng pip rồi chạy một lệnh để mở giao diện web mà repo kèm theo. Trong giao diện bạn gõ câu cần đọc, chọn giọng và các tham số rồi bấm tạo để nghe kết quả. Nếu thích dòng lệnh, bạn chạy một script, truyền vào các câu cần đọc và nhận về các file âm thanh.
Cái làm ChatTTS khác nhiều mô hình khác là cách điều khiển biểu cảm. Bạn có thể chèn thẻ đặc biệt trong văn bản để chỉ chỗ ngắt hơi, tiếng cười hoặc mức độ nói chuyện thân mật. Bạn cũng có thể lấy mẫu ngẫu nhiên một giọng mới và lưu lại để dùng lại về sau nếu muốn giữ cùng một giọng.
Tuy vậy, hãy đặt kỳ vọng đúng: README nói rõ mô hình công bố là bản 40.000 giờ huấn luyện trước, chưa qua tinh chỉnh bổ sung, và phiên bản mở dành cho nghiên cứu. Tiếng Anh vẫn được ghi là thử nghiệm trong ví dụ, và tiếng Việt không nằm trong danh sách hỗ trợ.
Tính năng nổi bật
Tối ưu cho hội thoại
Thiết kế để làm giọng cho trợ lý AI và các đoạn thoại, hỗ trợ nhiều người nói.
Điều khiển biểu cảm chi tiết
Chèn thẻ để điều khiển tiếng cười, quãng ngừng, ngắt hơi ở mức câu hoặc từng chữ.
Chọn và lưu giọng
Lấy mẫu một giọng ngẫu nhiên rồi lưu vector giọng để tái sử dụng sau.
Giao diện web và dòng lệnh
Có giao diện web sẵn trong examples và script chạy dòng lệnh lưu ra file mp3.
Cài từ PyPI
Có thể cài thẳng gói ChatTTS bằng pip rồi dùng trong mã Python vài dòng.
Phát âm thanh dạng luồng
Roadmap ghi đã có tạo âm thanh theo luồng (streaming) để nghe sớm hơn.
Tận dụng ChatTTS vào việc gì?
Lập trình viên
Giọng đọc cho trợ lý hoặc chatbot tiếng Anh và tiếng Trung
Gắn ChatTTS vào bot để trả lời bằng giọng, đặc biệt khi cần lời thoại có cảm xúc nhẹ.
Sinh viên, nhà nghiên cứu
Nghiên cứu giọng nói hội thoại
Thử các thẻ điều khiển và so sánh kết quả để hiểu cách mô hình học nhịp điệu.
Người viết kịch bản, người làm nội dung
Làm bản đọc thử cho kịch bản
Tạo nhanh bản nghe thử để duyệt nhịp điệu thoại trước khi thu âm thật (trong phạm vi nghiên cứu, phi thương mại).
Giáo viên, sinh viên
Dạy và học về TTS
Dùng làm ví dụ minh hoạ các kỹ thuật điều khiển biểu cảm trong tổng hợp giọng nói.
Cần chuẩn bị gì?
- Python (README dùng ví dụ conda với Python 3.11), cài thư viện bằng pip.
- Card đồ hoạ hỗ trợ tốt hơn, nhưng README không nêu mức VRAM cụ thể.
- Kết nối Internet lần đầu để tải mô hình từ Hugging Face.
- Đọc kỹ giấy phép: mô hình CC BY-NC 4.0 không dùng cho mục đích thương mại.
Hướng dẫn cài đặt chi tiết
Cài trên Chạy từ mã nguồn
Tải mã nguồn về rồi vào thư mục dự án.
git clone https://github.com/2noise/ChatTTS cd ChatTTSTạo môi trường conda và cài thư viện theo README.
conda create -n chattts python=3.11 conda activate chattts pip install -r requirements.txtMở giao diện web. Trình duyệt sẽ trỏ đến địa chỉ hiện trong Terminal.
python examples/web/webui.py
Cài trên Cài từ PyPI
Nếu chỉ muốn dùng như một thư viện Python, cài bản ổn định bằng pip.
pip install ChatTTSHoặc cài bản mới nhất từ GitHub.
pip install git+https://github.com/2noise/ChatTTS
Dùng thử lần đầu
Chạy giao diện web, gõ một câu tiếng Anh hoặc tiếng Trung ngắn rồi bấm tạo để nghe thử.
Thử dòng lệnh: lệnh dưới tạo file output_audio_n.mp3 cho mỗi câu truyền vào, theo mô tả trong README.
python examples/cmd/run.py "Your text 1." "Your text 2."Thử dùng trong Python với đoạn mã cơ bản dưới đây (lấy theo ví dụ README). Lệnh torchaudio.save có thể cần đổi cách gọi tuỳ phiên bản torchaudio.
import ChatTTS, torch, torchaudio chat = ChatTTS.Chat() chat.load(compile=False) wavs = chat.infer(["Hello, this is a test."]) torchaudio.save("basic_output0.wav", torch.from_numpy(wavs[0]).unsqueeze(0), 24000)Thử các thẻ điều khiển như [uv_break] (ngắt hơi) và [laugh] (tiếng cười) trong văn bản để cảm nhận khác biệt, theo ví dụ nâng cao trong README.
Nếu thích một giọng, lưu lại vector giọng (spk_emb) để dùng lại cho lần sau.
Mẹo dùng hay
- Thử các giá trị temperature, top_P, top_K ở mức README gợi ý để cân bằng ổn định và sinh động.
- Không cài TransformerEngine hay FlashAttention-2 như README đã cảnh báo: chúng chưa chạy ổn hoặc làm chậm.
- Dùng các thẻ điều khiển vừa phải; lạm dụng quá nhiều có thể làm giọng gượng.
- Muốn sản phẩm có giao diện đẹp sẵn, README gợi ý xem danh sách Awesome-ChatTTS do cộng đồng duy trì.
Lưu ý và hạn chế
- Mô hình theo giấy phép CC BY-NC 4.0, chỉ dành cho giáo dục và nghiên cứu, không dùng cho mục đích thương mại hoặc bất hợp pháp. Mã nguồn theo AGPLv3+.
- Chỉ hỗ trợ tiếng Anh và tiếng Trung; chưa có tiếng Việt chính thức.
- Tác giả cho biết có thêm nhiễu tần số cao và nén mô hình nhằm hạn chế lạm dụng. Hãy dùng có trách nhiệm, không dùng để lừa đảo hoặc giả mạo.
Câu hỏi thường gặp
ChatTTS có đọc tiếng Việt không?
README ghi hỗ trợ tiếng Anh và tiếng Trung, các ngôn ngữ khác chưa có. Đừng kỳ vọng tiếng Việt.
Có dùng để bán hàng, làm kênh kiếm tiền được không?
Mô hình theo CC BY-NC 4.0 nên không dùng cho mục đích thương mại. Hãy đọc kỹ điều khoản gốc trước khi dùng.
Cài có khó không?
Cần quen Python và Terminal. Cách nhẹ nhất là chạy giao diện web đi kèm repo sau khi cài thư viện.
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/2noise/ChatTTS.gitRepo tương tự nên xem
Kokoro
hexgrad / kokoro
Mô hình đọc văn bản bằng giọng nói nhỏ gọn 82 triệu tham số, nhanh và chạy được cả trên máy yếu
F5-TTS
SWivid / F5-TTS
Bắt chước giọng nói từ vài giây âm thanh mẫu rồi đọc văn bản mới bằng giọng đó
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.