Kỹ thuật & AI

VoiceStudio: tạo giọng nói, clone giọng và lồng tiếng chạy ngay trên máy

VoiceStudio tạo giọng đọc và lồng tiếng ngay trên máy, giúp bạn thử nhiều model giọng nói mà không cần gửi tệp âm thanh lên dịch vụ đám mây.

Tóm tắt

  • Tạo một đoạn thuyết minh trên máy để đánh giá chất giọng và tốc độ trước khi tích hợp.
  • Ứng dụng có API tương thích OpenAI và MCP, nên AI agent và code sẵn có gọi được như một dịch vụ giọng nói.
  • Ứng dụng theo AGPL-3.0, nhưng mỗi model có license riêng; model mặc định OmniVoice nằm trong nhóm non-commercial trong danh mục license của dự án.
VoiceStudio: tạo giọng nói, clone giọng và lồng tiếng chạy ngay trên máy

Bạn cần tạo giọng thuyết minh từ kịch bản nội bộ nhưng muốn giữ nội dung trên máy của mình. VoiceStudio cho bạn thử tạo một đoạn ngắn tại chỗ, nghe chất giọng và kiểm tra tốc độ cùng giấy phép của model trước khi quyết định tích hợp.

Đánh giá dựa trên tài liệu của dự án, phiên bản v0.5.9-beta.6 (ngày 18/11/2026). HubCom chưa dùng công cụ này trong dự án khách hàng.

VoiceStudio làm được gì ngay trên máy?

  • Không tự làm model mới. VoiceStudio gom các model có sẵn vào một giao diện. Mặc định dùng OmniVoice, có thể chọn thêm hàng chục engine khác trong Model Manager.
  • Tạo giọng và clone giọng từ một đoạn ghi âm mẫu sạch, hoặc mô tả giọng bằng chữ để tạo giọng mới.
  • Lồng tiếng video: dịch và đọc lại khớp thời gian với bản gốc.
  • Chép lời và đọc chính tả bằng model chạy trên máy, dự án ghi hỗ trợ 646 ngôn ngữ.
  • Sách nói và hàng đợi: đọc truyện, sách dài, chạy nhiều việc nối tiếp.
  • Kết nối: API cục bộ tương thích OpenAI (/v1/audio/speech, /v1/audio/transcriptions), MCP server cho Claude Code và Cursor, và thư mục theo dõi để tự xử lý file mới.

Chạy trên macOS 13.3+ (Apple Silicon), Windows 10/11 x64 (NVIDIA CUDA, AMD ROCm tùy chọn, CPU), Linux x64 và Docker.

Khi nào nên áp dụng?

  • Nên dùng khi sản phẩm cần đọc văn bản thành giọng nói, kể chuyện, thuyết minh video, và bạn muốn dữ liệu không rời khỏi máy chủ của mình.
  • Nên dùng để thử nhiều model giọng nói trong một chỗ trước khi chọn model cho sản phẩm.
  • Nên dùng khi đội đã có code gọi API giọng nói của OpenAI: đổi địa chỉ API sang VoiceStudio là thử được.
  • Chưa nên dùng khi không có GPU phù hợp và cần tốc độ cao; dự án yêu cầu kiểm tra thiết bị tính toán thực tế, không mặc định có GPU.
  • Chưa nên dùng cho sản phẩm thương mại khi chưa kiểm tra license của model sẽ dùng.

Lưu ý

  • License của ứng dụng và của model là hai chuyện khác nhau. Ứng dụng theo AGPL-3.0, cho phép dùng thương mại theo điều khoản AGPL. Model, giọng và âm thanh tạo ra có license riêng, xem trong Model Manager.
  • Model mặc định OmniVoice nằm trong nhóm non-commercial trong danh mục license của VoiceStudio, cùng OmniVoice-GGUF, NLLB và Llama-OuteTTS. Mã nguồn OmniVoice theo Apache-2.0, nhưng license của trọng số model là chuyện riêng. Sản phẩm thương mại cần kiểm tra lại, hoặc chọn model khác.
  • AGPL-3.0 có điều kiện khi cung cấp qua mạng. Nếu bạn sửa mã nguồn VoiceStudio và cho người khác dùng qua mạng, phải công bố mã nguồn đã sửa. Cần người hiểu license xem trước khi tích hợp vào dịch vụ.
  • Clone giọng chỉ khi có sự đồng ý của chủ giọng. Dự án cấm dùng để giả mạo, lừa đảo.
  • Dự án đổi phiên bản rất nhanh (beta, nhiều bản trong một tuần). Nên ghim phiên bản khi đưa vào sản phẩm.
  • Bản Pro và Cloud là tùy chọn trả phí. Pro là bản đóng, có giấy phép thương mại cho công việc với khách hàng. Cloud là API trên mây, chưa ra mắt.

Thử nghiệm

Trước khi giao cho AI agent, chuẩn bị:

  • Máy chạy thử: hệ điều hành, GPU (NVIDIA, AMD, Apple Silicon) hay chỉ CPU.
  • Việc cần làm: đọc văn bản, clone giọng, lồng tiếng hay chép lời; ngôn ngữ cần dùng.
  • Mục đích: dùng nội bộ hay đưa vào sản phẩm bán cho khách, để chọn model đúng license.
  • Đoạn ghi âm mẫu nếu cần clone giọng, kèm sự đồng ý của chủ giọng.
  • Cách tích hợp: gọi API tương thích OpenAI từ app, hay để AI agent dùng qua MCP.

Tạo đoạn thuyết minh đầu tiên trên máy

  1. Cài ứng dụng bằng trình cài cho hệ điều hành, hoặc giao cho AI agent theo hướng dẫn docs/install/agent.md của dự án.
  2. Kiểm tra thiết bị tính toán ứng dụng nhận được: GPU hay CPU.
  3. Chọn model trong Model Manager. Ứng dụng hỏi trước khi tải; xem dung lượng và license của từng model trước khi đồng ý.
  4. Thử trên giao diện với một đoạn văn bản và giọng có sẵn.
  5. Gọi API cục bộ từ code: trỏ client OpenAI sang địa chỉ của VoiceStudio.
  6. Nối MCP nếu muốn AI agent tạo giọng hay chép lời trực tiếp.

Bẫy thường gặp

  • Dùng model mặc định cho sản phẩm thương mại mà không đọc license.
  • Để AI agent tự đồng ý tải model hay tự trả lời câu hỏi thu thập dữ liệu sử dụng. Hướng dẫn của dự án yêu cầu hỏi người dùng.
  • Clone giọng của người khác khi chưa có sự đồng ý bằng văn bản.
  • Mở API ra internet không có khóa. Ví dụ Docker của dự án đặt API key và chỉ mở cổng cho máy nội bộ (127.0.0.1); giữ cách đó nếu không cần truy cập từ ngoài.
  • Cài bản Tauri cũ. Dự án đã chuyển sang bản Electron; bản Tauri không còn được phát triển.

Máy và model có phù hợp để tích hợp không?

  • Ứng dụng báo đúng thiết bị đang dùng (GPU hay CPU).
  • Tạo một đoạn thuyết minh từ giao diện rồi nghe xem tên riêng và số có được đọc rõ không. Đo thời gian tạo đoạn đó trên máy dự kiến dùng. Thử lại qua API nếu sẽ tích hợp vào ứng dụng.
  • Mỗi model đang dùng có license phù hợp với mục đích sử dụng.
  • API chỉ truy cập được từ nơi bạn cho phép, có API key nếu mở ra ngoài.

Không nằm trong bài này

So sánh chất lượng giữa các model, chạy trên nhiều GPU, ứng dụng điện thoại và bản Cloud. Xem tài liệu của dự án.

Thuật ngữ trong bài (6)
VoiceStudio
Ứng dụng mã nguồn mở chạy trên máy, gom nhiều model giọng nói để tạo giọng, clone giọng, lồng tiếng và chép lời.
TTS (text-to-speech)
Chuyển văn bản thành giọng nói.
Clone giọng
Tạo giọng nói mới giống một người từ đoạn ghi âm mẫu của họ.
OmniVoice
Model tạo giọng nói mặc định của VoiceStudio.
AGPL-3.0
Giấy phép mã nguồn mở; nếu sửa phần mềm và cho người khác dùng qua mạng thì phải công bố mã nguồn đã sửa.
MCP (Model Context Protocol)
Giao thức mở để AI agent gọi công cụ bên ngoài, như tạo giọng hay chép lời.

Câu hỏi thường gặp

VoiceStudio có miễn phí để dùng thương mại không?

Ứng dụng theo AGPL-3.0 nên dùng thương mại được theo điều khoản AGPL. Nhưng mỗi model có license riêng, và model mặc định OmniVoice nằm trong nhóm non-commercial trong danh mục license của dự án, nên cần kiểm tra trước khi dùng cho sản phẩm bán cho khách.

Có cần GPU để chạy VoiceStudio không?

Không bắt buộc; ứng dụng chạy được trên CPU. GPU (NVIDIA CUDA, AMD ROCm, Apple Silicon) giúp tạo giọng nhanh hơn.

Code đang gọi API giọng nói của OpenAI có dùng được VoiceStudio không?

Có. VoiceStudio có API cục bộ tương thích OpenAI cho tạo giọng (`/v1/audio/speech`) và chép lời (`/v1/audio/transcriptions`).

Nguồn tham khảo

Trao đổi cùng HubCom ↗