Chuyển đến nội dung

SWivid / F5-TTS

F5-TTS

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

F5-TTS là mô hình chuyển văn bản thành giọng nói (TTS) có khả năng sao chép giọng từ một đoạn âm thanh mẫu ngắn (zero-shot). Bạn đưa file ghi âm giọng mẫu cùng lời của đoạn đó, rồi gõ văn bản mới để mô hình đọc bằng giọng tương tự. Có giao diện web Gradio, dòng lệnh và Docker. Lưu ý quan trọng: các mô hình đã huấn luyện được cấp phép CC-BY-NC, tức không dùng cho mục đích thương mại.

  • 15.598 sao
  • 2.281 fork
  • Python
  • Cập nhật 13 ngày trước
  • MIT (dùng tự do, kể cả thương mại)
Độ khó
Khó Dành cho người biết lập trình
Dạng
Mô hình AI, Thư viện lập trình
Chạy trên
Windows, Linux, Docker, Python
Chi phí
Miễn phí hoàn toàn

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)

  1. Tạo môi trường riêng bằng conda với Python 3.11 và cài FFmpeg.

    Terminal
    conda create -n f5-tts python=3.11
    conda activate f5-tts
    conda install ffmpeg
  2. Cài 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.

    Terminal
    pip install torch==2.8.0+cu128 torchaudio==2.8.0+cu128 --extra-index-url https://download.pytorch.org/whl/cu128
  3. Cài F5-TTS bằng pip.

    Terminal
    pip install f5-tts

Cài trên Từ mã nguồn (để tinh chỉnh)

  1. 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.

    Terminal
    git clone https://github.com/SWivid/F5-TTS.git
    cd F5-TTS
    pip install -e .

Cài trên Docker

  1. 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.

    Terminal
    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 0.0.0.0
  2. Sau khi chạy, mở trình duyệt đến http://localhost:7860.

Dùng thử lần đầu

  1. 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.

  2. Mở giao diện web bằng lệnh dưới rồi vào địa chỉ hiện trong Terminal.

    Terminal
    f5-tts_infer-gradio
  3. Tải 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.

  4. 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.

    Terminal
    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."
  5. 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.

Terminal
git clone https://github.com/SWivid/F5-TTS.git

Repo tương tự nên xem

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 AI38,3K

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

KhóLinuxWindowsDockerPython

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 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
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

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