Trải nghiệm khi dùng F5-TTS
Sau khi cài gói bằng pip và cài đúng PyTorch cho card đồ hoạ, bạn gõ một lệnh để mở giao diện web trên máy. Trang web có ô tải lên file giọng mẫu, ô nhập lời của đoạn mẫu (có thể để trống để hệ thống tự nhận dạng), và ô nhập văn bản cần đọc. Bấm tạo và bạn nghe được giọng mới ngay trên trang.
README mô tả giao diện hỗ trợ đọc theo từng đoạn văn dài, nhiều phong cách và nhiều người nói trong cùng một câu chuyện, và có cả chế độ trò chuyện bằng giọng với mô hình Qwen2.5-3B. Với người dùng Việt, điều cần nhớ là mô hình gốc huấn luyện tiếng Anh và tiếng Trung; ngôn ngữ khác cần các mô hình do cộng đồng tinh chỉnh.
Nếu bạn có nhu cầu riêng, repo còn có công cụ tinh chỉnh (finetune) với giao diện web, để dạy mô hình ngôn ngữ hoặc giọng mới. Việc này đòi hỏi dữ liệu âm thanh sạch và phần cứng khá mạnh.
Tính năng nổi bật
Nhân bản giọng từ mẫu ngắn
Chỉ cần một file giọng mẫu ngắn, mô hình đọc văn bản mới bằng giọng gần giống, không phải huấn luyện lại.
Giao diện web Gradio
Một lệnh mở trang web để tải mẫu, nhập chữ và nghe kết quả, hỗ trợ chia đoạn dài để đọc liền mạch.
Nhiều giọng, nhiều phong cách
Cấu hình đọc nhiều người nói và nhiều phong cách trong một văn bản, tiện cho truyện hoặc hội thoại.
Dòng lệnh và tệp cấu hình
Lệnh f5-tts_infer-cli đọc tham số hoặc file cấu hình toml, phù hợp để chạy hàng loạt.
Hỗ trợ nhiều loại phần cứng
README có hướng dẫn cài PyTorch cho NVIDIA CUDA, AMD ROCm (Linux), Intel XPU, và cả bản mặc định cho máy khác.
Docker và tinh chỉnh
Có image Docker sẵn và giao diện tinh chỉnh mô hình bằng dữ liệu của bạn.
Tận dụng F5-TTS vào việc gì?
Người làm YouTube, podcast
Làm bản đọc cho video và podcast
Dùng giọng của chính bạn (đã có sự đồng ý của bạn) để đọc kịch bản dài thay vì phải thu âm lại nhiều lần.
Lập trình viên
Thử nghiệm giọng đọc cho ứng dụng
Nhúng F5-TTS vào dự án để sinh lời thoại, bot trả lời bằng giọng hoặc thử nghiệm giao diện giọng nói.
Sinh viên, nhà nghiên cứu
Nghiên cứu TTS và finetune
Đọc code và bài báo, tinh chỉnh mô hình với dữ liệu giọng đã được cho phép.
Người làm quảng cáo, người dựng phim
Làm lời bình mẫu cho bản dựng thử
Tạo nhanh giọng đọc tạm để duyệt nhịp phim trước khi thu âm thật.
Cần chuẩn bị gì?
- Python 3.10 trở lên (README dùng ví dụ conda với Python 3.11), cần cài FFmpeg.
- PyTorch khớp với phần cứng: NVIDIA CUDA, AMD ROCm (chỉ Linux) hoặc Intel XPU, hoặc bản mặc định cho các máy khác.
- Card NVIDIA giúp nhanh hơn nhiều; README không nêu mức VRAM tối thiểu cụ thể.
- Kết nối Internet lần đầu để tải mô hình từ Hugging Face.
Hướng dẫn cài đặt chi tiết
Cài trên pip (chỉ suy luận)
Tạo môi trường riêng bằng conda với Python 3.11 và cài FFmpeg.
conda create -n f5-tts python=3.11 conda activate f5-tts conda install ffmpegCài PyTorch phù hợp với card đồ hoạ. Ví dụ cho NVIDIA CUDA 12.8 (README còn nhiều ví dụ khác cho ROCm và XPU). Nếu không có card rời, chạy lệnh pip install torch torchaudio mặc định.
pip install torch==2.8.0+cu128 torchaudio==2.8.0+cu128 --extra-index-url https://download.pytorch.org/whl/cu128Cài F5-TTS bằng pip.
pip install f5-tts
Cài trên Từ mã nguồn (để tinh chỉnh)
Dùng khi bạn muốn huấn luyện hoặc tinh chỉnh mô hình. Sau khi chuẩn bị môi trường và PyTorch như tab pip, tải mã nguồn và cài ở chế độ chỉnh sửa.
git clone https://github.com/SWivid/F5-TTS.git cd F5-TTS pip install -e .
Cài trên Docker
Chạy giao diện web từ image trên GitHub Container Registry, cần card NVIDIA và NVIDIA Container Toolkit. Giao diện mở ở cổng 7860 như trong README.
docker container run --rm -it --gpus=all --mount 'type=volume,source=f5-tts,target=/root/.cache/huggingface/hub/' -p 7860:7860 ghcr.io/swivid/f5-tts:main f5-tts_infer-gradio --host 0.0.0.0Sau khi chạy, mở trình duyệt đến http://localhost:7860.
Dùng thử lần đầu
Chuẩn bị một file ghi âm giọng mẫu rõ, ít tiếng ồn, dài vài giây, và chép lại chính xác lời nói trong file đó. Đảm bảo bạn có quyền dùng giọng này.
Mở giao diện web bằng lệnh dưới rồi vào địa chỉ hiện trong Terminal.
f5-tts_infer-gradioTải file giọng mẫu lên, dán lời của file mẫu vào ô tương ứng, rồi nhập một câu văn bản mới. Bấm tạo và nghe thử.
Chạy bằng dòng lệnh với cùng ý tưởng. Để trống ref_text thì hệ thống tự nhận dạng lời mẫu nhưng tốn thêm bộ nhớ GPU.
f5-tts_infer-cli --model F5TTS_v1_Base --ref_audio "duong_dan_file_mau.wav" --ref_text "Noi dung cua file mau." --gen_text "Van ban moi ban muon doc."Nếu cần giọng ngôn ngữ khác (ví dụ tiếng Việt), đọc hướng dẫn mô hình tuỳ chỉnh trong thư mục infer của repo và tìm mô hình do cộng đồng chia sẻ, kiểm tra giấy phép từng mô hình.
Mẹo dùng hay
- File mẫu càng sạch và rõ thì giọng sao chép càng ổn; tránh nhạc nền hay tiếng vang.
- Chia văn bản dài thành nhiều đoạn ngắn để kết quả đọc đều hơn.
- Dùng bản cài chỉnh sửa (pip install -e .) chỉ khi cần tinh chỉnh mô hình; nếu chỉ đọc thì pip install f5-tts là đủ.
- Có thể dùng tham số --share để tạo link tạm truy cập từ xa, nhưng hãy cân nhắc về bảo mật trước khi công khai.
Lưu ý và hạn chế
- Mã nguồn MIT nhưng các mô hình huấn luyện sẵn theo CC-BY-NC do dữ liệu Emilia, nghĩa là không dùng cho mục đích thương mại. Hãy đọc kỹ giấy phép của từng mô hình trước khi đưa vào sản phẩm bán hàng.
- Nhân bản giọng có thể bị lạm dụng để giả mạo người khác. Chỉ dùng giọng của chính bạn hoặc người đã đồng ý rõ ràng, không dùng để lừa đảo hay mạo danh.
- Mô hình gốc huấn luyện tiếng Anh và tiếng Trung; tiếng Việt cần mô hình tinh chỉnh từ cộng đồng và chất lượng khác nhau.
Câu hỏi thường gặp
F5-TTS có đọc được tiếng Việt không?
Mô hình gốc của repo hướng tới tiếng Anh và tiếng Trung. Với tiếng Việt, README dẫn tới hướng dẫn dùng mô hình tuỳ chỉnh và cộng đồng có thể có bản tinh chỉnh, nhưng chất lượng cần bạn nghe thử và đánh giá.
Có dùng thương mại được không?
Mã nguồn theo MIT nhưng README nêu các mô hình huấn luyện sẵn theo CC-BY-NC, tức không dùng thương mại. Hãy kiểm tra giấy phép từng mô hình.
Máy không có card đồ hoạ chạy được không?
Có thể cài PyTorch bản mặc định để chạy CPU, nhưng sẽ chậm và README không đưa số liệu cụ thể; nên thử với câu ngắn trước.
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/SWivid/F5-TTS.gitRepo tương tự nên xem
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
OpenVoice
myshell-ai / OpenVoice
Nhân bản âm sắc giọng nói từ một đoạn mẫu ngắn và cho đọc bằng nhiều ngôn ngữ, giấy phép MIT