Bỏ qua tới nội dung
Ông T.vn

Voicebox: clone giọng nói, đọc văn bản, đọc chính tả offline — hướng dẫn cài đặt và dùng

10 phút đọcCập nhật
Voicebox: clone giọng nói, đọc văn bản, đọc chính tả offline — hướng dẫn cài đặt và dùng

Tóm tắt nhanh

Voicebox là một "studio giọng nói AI" mã nguồn mở (MIT) chạy cục bộ: clone giọng, tạo giọng đọc, đọc chính tả vào mọi ô nhập liệu và cho các agent AI biết nói. Trên Windows và macOS bạn chỉ cần tải bộ cài về chạy, nên cài không khó. Dữ liệu, mô hình và bản ghi âm nằm trên máy của bạn.

Voicebox là một ứng dụng "studio giọng nói AI" mã nguồn mở, chạy ngay trên máy tính của bạn. Nó gộp hai việc mà bình thường phải dùng hai dịch vụ đám mây riêng: biến chữ thành giọng nói (kiểu ElevenLabs) và biến giọng nói thành chữ (kiểu WisprFlow). Tác giả mô tả nó là bản thay thế miễn phí cho cả hai, chạy local.

Ai nên dùng? Người làm nội dung cần lồng tiếng video, podcast, sách nói; nhân viên văn phòng muốn đọc chính tả thay vì gõ; lập trình viên muốn agent như Claude Code hay Cursor "nói" cho mình nghe khi xong việc. Repo hiện có khoảng 60.522 sao và 7.602 fork, giấy phép MIT, và vẫn được cập nhật trong những tháng gần đây.

Điểm đáng giá nhất: mọi thứ chạy trên máy bạn. Mô hình, mẫu giọng và bản ghi không rời khỏi máy theo như README. Và trên Windows, macOS bạn có bộ cài tải về dùng luôn, không cần gõ lệnh.

Ứng dụng

jamiepine/voicebox

Voicebox là ứng dụng mã nguồn mở chạy trên máy bạn: clone giọng từ vài giây âm thanh, đọc văn bản thành tiếng, chuyển giọng nói thành chữ.

★ 61kPythonMIT
Xem repo trên GitHub

I.Voicebox làm được gì

A.Clone giọng từ một đoạn âm thanh ngắn

Bạn đưa vào một mẫu giọng (file âm thanh hoặc ghi âm trực tiếp trong app), Voicebox tạo thành "hồ sơ giọng" (voice profile). Từ đó bạn gõ chữ, nó đọc bằng giọng đó. Hồ sơ có thể xuất/nhập để chia sẻ hoặc sao lưu, và có thể thêm nhiều mẫu để clone chất lượng hơn.

B.8 engine đọc, chọn tuỳ việc

Mỗi lần tạo giọng bạn có thể đổi engine: Qwen3-TTS, Qwen CustomVoice (giọng có sẵn, điều khiển cách đọc bằng lời thường), Qwen VoiceDesign (mô tả giọng bằng chữ rồi nó tạo ra), LuxTTS (nhẹ, tiếng Anh, khoảng 1GB VRAM), Chatterbox Multilingual (23 ngôn ngữ), Chatterbox Turbo (có thẻ cảm xúc), TADA và Kokoro (mô hình nhỏ, có 50 giọng dựng sẵn, chạy CPU nhanh). Ý nghĩa thực tế: máy yếu chọn engine nhẹ, cần nhiều ngôn ngữ chọn engine rộng.

C.Cảm xúc và hiệu ứng

Với Chatterbox Turbo, bạn gõ / trong ô nhập để chèn thẻ như [laugh], [sigh], [gasp]. Lưu ý: chỉ engine này hiểu thẻ; các engine khác sẽ đọc thẳng thành chữ. Ngoài ra có 8 hiệu ứng âm thanh (đổi cao độ, reverb, echo, chorus, nén, tăng giảm âm lượng, lọc cao/thấp) và 4 preset sẵn: Robotic, Radio, Echo Chamber, Deep Voice.

D.Đọc văn bản dài

Văn bản được tự cắt theo câu, tạo từng đoạn rồi nối mượt bằng crossfade. Giới hạn tối đa là 50.000 ký tự, nên bài viết hay một chương sách vẫn làm được.

E.Stories editor và các phiên bản

Stories là timeline nhiều track để dựng hội thoại, podcast. Mỗi lần tạo giọng đều lưu bản gốc, bản có hiệu ứng, bản "take" mới (đổi seed) nên bạn thử thoải mái mà không mất bản cũ.

F.Đọc chính tả toàn hệ thống

Giữ một phím tắt ở bất kỳ đâu, nói, thả ra. Trên macOS, chữ được dán thẳng vào ô đang chọn. Mỗi ô nhập trong app cũng có nút mic. Phần nhận dạng giọng nói dùng Whisper. Có tuỳ chọn dùng LLM nội bộ để dọn các chữ "ừm", nói lặp trước khi dán.

G.Giọng nói cho agent AI

Voicebox có sẵn MCP server và REST API. Agent nào hỗ trợ MCP (Claude Code, Cursor, Cline) gọi voicebox_speak là đọc cho bạn nghe bằng giọng bạn đã clone. Bạn còn gán giọng riêng cho từng agent trong phần Settings → MCP để nghe là biết agent nào đang nói.

H.Cá tính cho giọng

Bạn gắn một mô tả "tính cách" vào hồ sơ giọng. Khi đó có nút Compose (tự viết một câu đúng chất nhân vật) và chế độ "nói theo nhân vật" (viết lại chữ của bạn theo giọng điệu đó trước khi đọc). Phần này dùng LLM Qwen3 chạy local.

II.Cần chuẩn bị gì

Theo README, bạn cần:

  • Windowstải file MSI. Nếu có card NVIDIA (CUDA), app tự tải bản chạy CUDA ngay trong ứng dụng. Card khác dùng được DirectML.
  • macOScó bản cho Apple Silicon và bản cho Intel. Apple Silicon chạy qua MLX (Metal), README ghi nhanh hơn 4-5 lần.
  • Linuxchưa có bản dựng sẵn, phải build từ mã nguồn (xem trang hướng dẫn trên trang chủ dự án).
  • Dockercó sẵn docker-compose.yml, và một file riêng cho AMD ROCm.
  • Không có GPUvẫn chạy được trên CPU, chỉ chậm hơn.

Mình xin nói thẳng: phần README mình có không ghi dung lượng ổ đĩa, RAM tối thiểu hay phiên bản Node/Python cho người dùng bản cài sẵn. Chỉ có LuxTTS ghi cần khoảng 1GB VRAM. Mô hình sẽ được tải về khi dùng, nên hãy chừa chỗ trống trên ổ cứng. README cũng không nói cần API key hay tài khoản nào để dùng.

III.Cài đặt từng bước

  1. Chọn cách càiWindows/macOS tải bộ cài, Linux build từ nguồn, hoặc dùng Docker
  2. Cài và mở ứng dụngChạy file MSI hoặc DMG vừa tải
  3. Cấp quyền (macOS)Cho phép Accessibility và Input Monitoring nếu muốn đọc chính tả
  4. Tải mô hìnhChọn engine rồi để app tải mô hình về lần đầu
  5. Thử tạo giọngTạo hồ sơ giọng và đọc một câu thử

A.Cách 1: Windows hoặc macOS (dễ nhất)

Vào trang chủ dự án, mục Download, chọn đúng bản: macOS Apple Silicon (DMG), macOS Intel (DMG) hoặc Windows (MSI). Cả bản mới nhất cũng nằm ở trang Releases của repo. Tải về, chạy file, làm theo hướng dẫn như cài phần mềm thông thường. Không cần gõ lệnh nào.

Chỗ người mới hay vấp: Mac dùng chip Apple (M1, M2…) thì chọn "Apple Silicon"; Mac đời cũ chip Intel mới chọn bản Intel. Chọn nhầm sẽ chạy chậm hoặc không chạy.

B.Cách 2: Docker

Nếu bạn quen Docker, README ghi đúng một lệnh docker compose up. Lệnh này phải chạy trong thư mục có file docker-compose.yml, nên bạn cần tải mã nguồn về trước:

Terminal
git clone https://github.com/jamiepine/voicebox.git
cd voicebox
docker compose up

Giải thích: git clone tải mã nguồn về máy, cd voicebox đi vào thư mục vừa tải, docker compose up khởi động dịch vụ. Bạn cần mở terminal (PowerShell trên Windows, Terminal trên Mac) và đã cài Git, Docker. Với AMD ROCm, repo có file docker-compose.rocm.yml riêng; README phần mình có chưa ghi lệnh cụ thể, bạn xem trong repo.

C.Cách 3: Linux

README ghi rõ: bản dựng sẵn cho Linux chưa có. Hướng dẫn build từ mã nguồn nằm ở trang linux-install trên trang chủ dự án (voicebox.sh). Với card NVIDIA, README gợi ý dùng backend Python (local hoặc từ xa) có PyTorch bản CUDA. Phần lệnh chi tiết mình không chép lại vì tư liệu mình có không ghi.

D.Quyền trên macOS

Nếu muốn đọc chính tả toàn hệ thống, app sẽ có màn hình hướng dẫn xin quyền Accessibility và Input Monitoring, kèm đường dẫn tới System Settings. Bạn bấm cho phép theo từng bước. Không cấp quyền thì phần dán chữ tự động không hoạt động.

Nhân bản giọng người khác khi chưa được phép có thể gây hại hoặc vi phạm pháp luật. Repo có file RESPONSIBLE_USE.md, bạn nên đọc trước khi dùng. Chỉ clone giọng của chính bạn hoặc người đã đồng ý.

IV.Kiểm tra đã chạy được chưa

Cách đơn giản nhất: mở app, tạo một hồ sơ giọng từ file mẫu hoặc ghi âm vài giây, rồi gõ một câu ngắn và bấm tạo. Nếu nghe được giọng đọc, bạn đã cài thành công. Lần đầu có thể phải chờ vì app cần tải mô hình.

Nếu chạy qua Docker hoặc muốn kiểm tra API, README cho biết API nghe ở địa chỉ http://127.0.0.1:17493. Bạn thử gọi lệnh tạo giọng như sau (thay abc123 bằng ID hồ sơ giọng thật của bạn):

Terminal
curl -X POST http://127.0.0.1:17493/generate \
  -H "Content-Type: application/json" \
  -d '{"text": "Hello world", "profile_id": "abc123", "language": "en"}'

Lệnh curl gửi yêu cầu tới Voicebox đang chạy trên máy bạn: text là câu cần đọc, profile_id là hồ sơ giọng, language là ngôn ngữ. Có phản hồi trả về nghĩa là dịch vụ đang chạy. Trên Windows PowerShell, curl có thể là bí danh của lệnh khác, nên bạn dùng Git Bash hoặc curl.exe cho chắc.

V.Dùng vào việc thật

A.Lồng tiếng video bán hàng

Bối cảnh: bạn là chủ shop online, muốn video giới thiệu sản phẩm có giọng đọc đều và rõ nhưng không muốn thuê người thu âm mỗi lần. Cách làm: ghi âm vài giây giọng của chính bạn trong app, lưu thành hồ sơ giọng, dán kịch bản vào ô văn bản, chọn engine hỗ trợ ngôn ngữ bạn cần (xem bảng ngôn ngữ của từng engine trong README) rồi tạo. Nếu thấy giọng đều quá, thử một "take" mới hoặc thêm hiệu ứng nhẹ. Kết quả: file âm thanh để ghép vào video. Lưu ý mình chưa thấy README nói rõ chất lượng tiếng Việt, bạn nên nghe thử trước khi dùng thật.

Một câu lệnh, và agent của bạn nói bằng chính giọng bạn đã clone.

Ông T

B.Đọc chính tả khi soạn văn bản

Bối cảnh: nhân viên văn phòng phải soạn nhiều email, biên bản họp, mỏi tay gõ. Cách làm: cài app, đặt phím tắt đọc chính tả, giữ phím và nói, thả ra. Trên macOS chữ tự dán vào ô đang chọn; trên hệ điều hành khác, bạn dùng nút mic trong chính app. Bật tuỳ chọn tinh chỉnh bằng LLM để bỏ "ừm, à". Kết quả: đoạn chữ sạch hơn, và mọi bản ghi lưu ở tab Captures để nghe lại, chỉnh sửa hoặc chạy lại bằng cỡ Whisper khác.

C.Cho Claude Code "nói" khi xong việc

Bối cảnh: lập trình viên cho agent chạy tác vụ dài, không muốn ngồi nhìn màn hình. Cách làm: trong Settings → MCP của Voicebox, thêm Voicebox vào agent bạn dùng (README nói có thể cài bằng URL cho Claude Code, Cursor, Windsurf, VS Code, hoặc dùng voicebox-mcp cho client chỉ hỗ trợ stdio), rồi gán một giọng cho agent đó. Agent gọi công cụ như ví dụ trong README:

TypeScript
await voicebox_speak({
  text: "Deploy complete.",
  profile: "Morgan",
});

Kết quả: khi agent xong việc, bạn nghe giọng đã chọn, và có một thanh nhỏ trên màn hình hiện tên giọng trong suốt lúc nói. Script shell hay công cụ không hỗ trợ MCP thì dùng endpoint POST /speak, cần header X-Voicebox-Client-Id; phần body đầy đủ bạn xem trong tài liệu của dự án.

D.Dựng podcast hoặc truyện nhiều nhân vật

Bối cảnh: người sáng tạo nội dung muốn một đoạn hội thoại hai ba nhân vật. Cách làm: tạo mỗi nhân vật một hồ sơ giọng (có thể dùng giọng dựng sẵn của Kokoro hay Qwen CustomVoice nếu không có mẫu thu), mở Stories editor, kéo thả từng đoạn thoại lên các track, cắt tỉa, ghim phiên bản ưng ý cho từng clip. Kết quả: một bản hội thoại hoàn chỉnh để xuất ra mà không cần phần mềm dựng âm thanh riêng cho bước đầu.

VI.Lỗi hay gặp và cách xử lý

  • Tạo giọng rất chậm hoặc báo thiếu bộ nhớ. Thường do chạy CPU hoặc GPU yếu. Chuyển sang engine nhẹ như Kokoro hay LuxTTS, và dùng tính năng gỡ mô hình khỏi bộ nhớ (unload) trong phần quản lý mô hình. Việc này không xoá mô hình đã tải.
  • Mô hình tải mãi không xong. Kiểm tra mạng và dung lượng ổ đĩa. README có mục tải mô hình với nút huỷ/xoá tiến trình tải để bạn thử lại. Ổ chính đầy thì có thể chuyển thư mục mô hình sang ổ khác (app có chức năng chuyển thư mục kèm thanh tiến trình).
  • Thẻ như [laugh] bị đọc thành chữ. Đây là hành vi đúng theo README: chỉ Chatterbox Turbo hiểu thẻ cảm xúc. Muốn có tiếng cười, đổi sang engine này.
  • Đọc chính tả trên Mac không dán được chữ. Gần như chắc chắn thiếu quyền. Vào System Settings, bật Accessibility và Input Monitoring cho Voicebox, rồi mở lại app.
  • Cài hoặc chạy GPU gặp lỗi lạ. README có một trang Troubleshooting riêng về cài đặt, tạo giọng, tải mô hình và GPU. Hãy xem trang đó trước khi tự sửa lung tung.

VII.Có nên dùng không

Điểm mạnh: miễn phí, giấy phép MIT, chạy cục bộ nên dữ liệu giọng không phải gửi lên đám mây theo như tư liệu. Một app làm được cả đọc, ghi, clone giọng, dựng nhiều giọng và nối với agent AI. Nhiều engine để chọn theo cấu hình máy. Cài trên Windows và Mac gần như bấm là xong.

Giới hạn: Linux phải tự build, nên khó hơn cho người mới. Máy không có GPU sẽ chạy chậm. Tính năng dán chữ tự động trong README chỉ nói rõ cho macOS. Tư liệu mình có chưa đánh giá chất lượng tiếng Việt, và hai engine hỗ trợ nhiều ngôn ngữ nhất là Chatterbox Multilingual (23 ngôn ngữ), nên hãy tự nghe thử với kịch bản của bạn. Mô hình đọc và nhận dạng cũng chưa chắc hoàn hảo với tên riêng hay thuật ngữ chuyên ngành.

Nên chọn cách khác khi: bạn cần giọng chất lượng phát sóng cho dự án thương mại và đòi hỏi cam kết dịch vụ; máy quá yếu để chạy mô hình; hoặc chỉ cần đọc một đoạn ngắn vài lần, khi đó dịch vụ trực tuyến có thể tiện hơn. Còn nếu bạn coi trọng quyền riêng tư, muốn thử clone giọng của chính mình, hoặc muốn agent AI biết nói, Voicebox rất đáng cài thử.

5.0/5 · Ông T chấm

Chưa có độc giả chấm

Bài này có ích với bạn không?

Câu hỏi thường gặp

Voicebox có miễn phí không?

Có. README ghi Voicebox là mã nguồn mở theo giấy phép MIT, miễn phí và không có màn hình quảng cáo hay banner làm phiền trong app. Mình không có thông tin về chi phí khác ngoài việc tải mô hình và điện năng chạy máy.

Có cần GPU không?

Không bắt buộc. README ghi chế độ CPU chạy được trên mọi máy, chỉ chậm hơn. Có GPU (NVIDIA CUDA, Apple Silicon qua MLX, AMD ROCm, Intel Arc hay DirectML) sẽ nhanh hơn. Engine LuxTTS ghi cần khoảng 1GB VRAM.

Chạy được trên Windows không?

Được. README có file MSI cho Windows. Với card NVIDIA, app tự tải bản chạy CUDA ngay trong ứng dụng; card khác dùng DirectML. Cũng có bản macOS cho cả Apple Silicon lẫn Intel, còn Linux thì phải build từ mã nguồn.

Dữ liệu giọng nói của tôi có an toàn không?

README nhấn mạnh mô hình, dữ liệu giọng và bản ghi không rời khỏi máy bạn, bản ghi gốc và chữ lưu trong thư mục dữ liệu của Voicebox. Repo cũng có file SECURITY.md để xem chính sách bảo mật. Mình không có thêm thông tin kiểm toán độc lập nào.

Voicebox khác gì ElevenLabs và WisprFlow?

Theo README, ElevenLabs mạnh ở đầu ra (đọc), WisprFlow ở đầu vào (đọc chính tả), còn Voicebox làm cả hai và chạy hoàn toàn trên máy bạn. Bạn cũng không phải dựa vào dịch vụ đám mây. Mình chưa có so sánh chất lượng cụ thể giữa các công cụ.

Hỗ trợ tiếng Việt không?

Tư liệu mình có không nêu rõ tiếng Việt trong danh sách ngôn ngữ. README chỉ nói hỗ trợ 23 ngôn ngữ (ví dụ Ả Rập, Nhật, Hindi, Swahili) và liệt kê một số ngôn ngữ của Chatterbox Multilingual. Bạn nên xem trang tài liệu hoặc tự nghe thử trước khi dùng cho việc quan trọng.

Dùng giọng của người khác có được không?

Repo có file RESPONSIBLE_USE.md về việc sử dụng có trách nhiệm. Bạn nên đọc file này và chỉ clone giọng của chính mình hoặc người đã đồng ý. Mình không có thông tin pháp lý cụ thể hơn.

Chuyển nhanh tới mục

  1. I.Voicebox làm được gì
    1. A.Clone giọng từ một đoạn âm thanh ngắn
    2. B.8 engine đọc, chọn tuỳ việc
    3. C.Cảm xúc và hiệu ứng
    4. D.Đọc văn bản dài
    5. E.Stories editor và các phiên bản
    6. F.Đọc chính tả toàn hệ thống
    7. G.Giọng nói cho agent AI
    8. H.Cá tính cho giọng
  2. II.Cần chuẩn bị gì
  3. III.Cài đặt từng bước
    1. A.Cách 1: Windows hoặc macOS (dễ nhất)
    2. B.Cách 2: Docker
    3. C.Cách 3: Linux
    4. D.Quyền trên macOS
  4. IV.Kiểm tra đã chạy được chưa
  5. V.Dùng vào việc thật
    1. A.Lồng tiếng video bán hàng
    2. B.Đọc chính tả khi soạn văn bản
    3. C.Cho Claude Code "nói" khi xong việc
    4. D.Dựng podcast hoặc truyện nhiều nhân vật
  6. VI.Lỗi hay gặp và cách xử lý
  7. VII.Có nên dùng không

Repo & Skill · 13/11/2026 · 11 phút đọc

Garden Skills: bộ skill thiết kế web, tạo ảnh, làm video cho AI — hướng dẫn cài đặt và dùng

Garden Skills là bộ sưu tập Agent Skills (kỹ năng cho AI) của tác giả ConardLi, dùng được với Claude Code, Cursor, Codex và các AI coding agent khác. Mỗi skill dạy agent làm tốt một việc như thiết kế trang web, tạo ảnh, làm video bằng code, biến tài liệu thành bài viết đẹp. Cài không khó, nhưng README có nhiều cách cài nên bạn cần chọn một cách hợp với công cụ đang dùng.

Repo & Skill · 13/11/2026 · 15 phút đọc

thesysdev/openui: xây giao diện AI dạng streaming — hướng dẫn cài đặt và dùng

OpenUI là framework full-stack, độc lập framework, giúp mô hình AI sinh giao diện có cấu trúc và hiển thị dần khi dữ liệu streaming về. Bạn có thể dựng nhanh một ứng dụng chat bằng CLI hoặc cài từng gói cho React, Vue, Svelte, Angular và LangChain. Việc bắt đầu khá đơn giản nếu máy có đúng phiên bản Node; README chưa ghi đầy đủ lệnh chạy ứng dụng sau khi scaffold.

Repo & Skill · 13/11/2026 · 11 phút đọc

Ruflo: điều phối nhóm agent AI cho Claude Code và Codex — hướng dẫn cài đặt và dùng

Ruflo (trước đây là Claude Flow) là một agent harness: lớp công cụ bao quanh Claude Code và Codex, bổ sung nhiều agent chuyên biệt, bộ nhớ qua các phiên và khả năng chia việc cho nhóm agent. Cài bằng một lệnh `npx ruflo@latest init` trong thư mục dự án, cần Node 20 trở lên. Cài khá dễ, nhưng hệ thống rất rộng nên bạn nên bắt đầu từ một tác vụ nhỏ.