ViFastTts · Giọng đọc tiếng Việt

Ngọc Huyền

Demo đầy đủ · phi thương mại SMALL · 6,1M · 24 kHz

Bản demo đầy đủ với tốc độ, alpha, nghỉ, stream, phương ngữ, từ điển riêng và lịch sử. Nhập câu tiếng Việt (tối đa 3000 ký tự); model tự ngắt nghỉ; Vocos pretrained; làm nét mel alpha 1.5.

Bạn đang ở bản đầy đủ. ← Về trang chủ ViFastTts để xem giới thiệu và hướng dẫn cài từng nền tảng. Góp ý / báo lỗi đã chuyển sang mục Góp ý ở trang chủ.

Câu cần đọc

Ctrl/⌘ + Enter
0/3000Tối đa 3000 ký tự

Nghe mẫu có sẵn (không cần gọi API):

Thử nhanh:

Tùy chọn nâng cao

Đọc & nghỉ
i Nghỉ cố định: chèn khoảng lặng theo dấu câu (0,25 giây sau phẩy; 0,55 giây sau chấm/hỏi/than) thay vì để model tự dự đoán. Mặc định tắt vì model tự ngắt nghỉ tự nhiên hơn; bật khi cần nhịp đọc đều, dễ đoán. i Peak normalize: chuẩn hoá đỉnh của toàn bộ WAV về −3 dBFS để không bị clip và âm lượng ổn định hơn. Có thể làm to cả tiếng nền/rè; không dùng khi stream vì cần biết đỉnh toàn file. Mặc định tắt. Mặc định tắt i OOV = token lạ (tên riêng, viết tắt, tiếng Anh, mã sản phẩm…). Bật để tra từ điển hoặc đánh vần tên chữ cái (VNG → “vê en giê”); tắt để giữ fallback, không tự đoán.
i Mỗi dòng một quy tắc dạng “từ gốc = cách đọc”. Hỗ trợ từ, cụm, domain hoặc công thức; không hỗ trợ regex/script. Quy tắc tự lưu khi gõ trong trình duyệt; nếu bật gửi duyệt, server chỉ lưu cặp từ/cách đọc vào hàng chờ, không lưu câu hay IP. Bấm chip ví dụ để thêm nhanh.

Ví dụ nhanh:

Giải thích các cài đặt

Tốc độ: 1.00× là bình thường; nhỏ hơn chậm hơn, lớn hơn nhanh hơn (0,5–2,0×).

Độ nét mel (alpha): 1,5 là mặc định; cao hơn nét hơn nhưng dễ làm rõ rè/nhiễu, thấp hơn mềm hơn.

Pause cố định: tự chèn khoảng lặng sau dấu câu (khoảng 0,25 s sau phẩy; 0,55 s sau chấm/hỏi/than) thay vì để model tự đoán. Mặc định tắt.

Peak normalize: đưa đỉnh toàn bộ WAV về −3 dBFS để tránh clip và ổn định âm lượng; có thể làm to cả rè/nền. Không dùng khi stream vì cần biết đỉnh cả file.

Stream: phát ngay từng đoạn khi tổng hợp xong; không dùng peak normalize; WAV/SRT/VTT chỉ có sau khi stream xong nếu bật lưu.

Max ký tự/chunk: độ dài tối đa mỗi đoạn đưa vào model. Nhỏ = ít RAM nhưng nhiều lần ngắt; lớn = ít ngắt nhưng chậm/nặng hơn.

Phương ngữ: đổi cách đọc một số từ qua normalizer. Model N0 hiện là giọng Bắc; muốn đổi giọng nền hoàn toàn cần model của vùng đó.

Resolve OOV: OOV là token lạ (tên riêng, viết tắt, từ tiếng Anh, mã sản phẩm…). Bật để thử tra từ điển/đánh vần tên chữ cái (ví dụ VNG → “vê en giê”); tắt để giữ fallback, không tự đoán.

Từ điển / Cách đọc: mỗi dòng từ = cách đọc; dùng cho từ lạ, viết tắt, tên riêng, domain. Quy tắc được áp trước normalizer/STEM; remote sẽ gửi kèm request.

Local / Remote: Local chạy model trên máy/trình duyệt; Remote gửi văn bản tới server. Server cũ có thể bỏ qua một số tùy chọn.

RTF: thời gian xử lý chia cho thời lượng audio; nhỏ hơn 1 là nhanh hơn thời gian thực (0,05 ≈ nhanh gấp 20 lần).

Không lưu văn bản hay audio. Giới hạn 6 lần/phút mỗi IP. Đây là demo nghiên cứu, không dùng để giả giọng, lừa đảo hoặc thương mại. Xem mã nguồn GitHub · Hugging Face · Space demo · release v0.3.5.