# voicebox: Phòng thu giọng nói AI chạy cục bộ — hướng dẫn cài đặt và dùng

> Voicebox là phòng thu giọng nói AI mã nguồn mở, chạy cục bộ trên máy để nhân bản giọng, chuyển văn bản thành giọng nói, đọc chính tả và kết nối với AI agent. Ứng dụng hỗ trợ macOS, Windows, Linux, Docker cùng nhiều loại GPU; cách dễ nhất là tải bản cài sẵn cho hệ điều hành của bạn.

- Tác giả: Ông T (https://ongt.vn/gioi-thieu)
- Chủ đề: Repo & Skill
- Đăng: 2026-09-30 · Cập nhật: 2026-11-13
- URL: https://ongt.vn/bai-viet/voicebox-ai-voice-studio

Voicebox là một phòng thu giọng nói AI mã nguồn mở, chạy cục bộ trên máy tính. Bạn có thể dùng vài giây âm thanh để tạo hồ sơ giọng, nhập văn bản để sinh giọng nói, đọc chính tả vào ứng dụng khác và cho AI agent nói bằng giọng đã chọn.

Repo phù hợp với chủ shop muốn làm nội dung âm thanh, nhân viên văn phòng muốn đọc chính tả, người làm nội dung cần nhiều giọng đọc và lập trình viên muốn tích hợp giọng nói vào ứng dụng. Điểm đáng giá nhất là dữ liệu giọng, tệp ghi âm và các mô hình được xử lý trên máy, thay vì phải gửi toàn bộ nội dung lên dịch vụ đám mây.

Repo hiện có khoảng 60540 sao và 7604 fork. Dự án dùng Python ở phần chính, giấy phép MIT, đồng thời có giao diện native xây bằng Tauri. Bạn có thể chạy bằng bản cài sẵn, Docker hoặc tự dựng từ mã nguồn tùy hệ điều hành.

```repo
- repo | jamiepine/voicebox
- kind | Ứng dụng
- desc | Phòng thu giọng nói AI mã nguồn mở: nhân bản giọng, tạo giọng nói, đọc chính tả và cho AI agent nói bằng giọng bạn chọn.
- stars | 61k
- lang | Python
- license | MIT
```

## Voicebox làm được gì

### Nhân bản giọng và tạo giọng mới

Bạn có thể tạo voice profile từ tệp âm thanh hoặc ghi âm trực tiếp trong ứng dụng. Voicebox hỗ trợ zero-shot voice cloning từ một đoạn giọng tham chiếu, cũng như nhiều mẫu âm thanh cho kết quả ổn định hơn.

Nếu không muốn cung cấp âm thanh tham chiếu, bạn vẫn có thể chọn giọng dựng sẵn hoặc mô tả giọng bằng văn bản với Qwen VoiceDesign. Cách này phù hợp khi bạn cần giọng kể chuyện, giọng quảng cáo hoặc giọng nhân vật mà chưa có người đọc mẫu.

### Tạo giọng nói bằng nhiều engine

Voicebox có 8 engine TTS, mỗi engine phù hợp một nhu cầu khác nhau. Qwen3-TTS hỗ trợ nhân bản giọng đa ngôn ngữ và hướng dẫn cách đọc như nói chậm hoặc thì thầm. Kokoro nhẹ, nhanh và có 50 giọng dựng sẵn. LuxTTS dùng ít VRAM hơn và phù hợp khi máy không có GPU mạnh.

Chatterbox Multilingual hỗ trợ phạm vi ngôn ngữ rộng. Chatterbox Turbo tập trung vào tốc độ và có các thẻ biểu cảm như `[laugh]`, `[sigh]` hoặc `[whispering]`. Qwen CustomVoice cho phép điều khiển cách đọc bằng ngôn ngữ tự nhiên mà không cần tệp tham chiếu.

### Hỗ trợ 23 ngôn ngữ

Tùy engine, Voicebox có thể tạo giọng bằng nhiều ngôn ngữ từ tiếng Anh, Ả Rập, Nhật, Hindi đến Swahili và nhiều ngôn ngữ khác. Chatterbox Multilingual có phạm vi ngôn ngữ rộng nhất trong danh sách được README nêu.

### Thêm hiệu ứng âm thanh

Sau khi tạo giọng, bạn có thể áp dụng pitch shift, reverb, delay, chorus, flanger, compressor, gain, high-pass filter và low-pass filter. Ứng dụng có sẵn các preset như Robotic, Radio, Echo Chamber và Deep Voice, đồng thời cho phép tạo preset riêng.

Nhờ vậy, cùng một voice profile có thể dùng cho nhiều mục đích: giọng radio, giọng nhân vật, giọng thông báo hoặc giọng trầm cho video.

### Tạo nội dung dài và dựng nhiều giọng

Voicebox tự chia văn bản dài theo ranh giới câu, tạo từng đoạn rồi crossfade để nối lại. Giới hạn văn bản tối đa là 50.000 ký tự. Bạn có thể chỉnh giới hạn chia đoạn từ 100 đến 5.000 ký tự và chỉnh thời gian crossfade từ 0 đến 200 ms.

Stories editor cung cấp timeline nhiều track để dựng hội thoại, podcast và nội dung kể chuyện. Bạn có thể kéo thả, cắt đoạn âm thanh và ghim phiên bản cần dùng cho từng clip.

### Đọc chính tả vào mọi ứng dụng

Voicebox dùng Whisper cho speech-to-text. Bạn có thể nhấn phím tắt toàn hệ thống, nói, rồi thả phím để chèn nội dung vào ô văn bản đang được chọn. Trên macOS, ứng dụng hỗ trợ tự dán vào ô đang có tiêu điểm sau khi được cấp quyền phù hợp.

Ngoài phím tắt, mọi ô nhập văn bản trong Voicebox đều có nút microphone. Tính năng refinement tùy chọn có thể làm sạch từ đệm, nói lắp và các đoạn mở đầu thừa trước khi dán kết quả.

### Cho AI agent nói bằng giọng đã chọn

Voicebox có MCP server và REST API. AI agent tương thích MCP như Claude Code, Cursor hoặc Cline có thể gọi `voicebox_speak` để nói thông báo, câu trả lời hoặc kết quả công việc bằng một voice profile.

Bạn cũng có thể dùng `POST /speak` từ script, ứng dụng riêng hoặc công cụ không hỗ trợ MCP. Voicebox hiển thị trạng thái speaking trên lớp phủ của ứng dụng, giúp bạn biết agent đang phát âm thanh.

### Gắn tính cách cho voice profile

Bạn có thể gắn một persona tự do cho từng voice profile, chẳng hạn một trợ lý nói ngắn gọn, một nhân vật kể chuyện hoặc một giọng tư vấn thân thiện. Tính năng Compose tạo câu mới theo persona. Tính năng Speak in character viết lại nội dung theo persona trước khi chuyển thành giọng nói.

Phần này dùng Qwen3 LLM chạy cục bộ. Các lựa chọn được README nêu gồm Qwen3 0.6B, 1.7B và 4B.

## Cần chuẩn bị gì

Voicebox hỗ trợ macOS Apple Silicon, macOS Intel, Windows, Linux, Docker, AMD ROCm, Intel Arc và CPU. README có bản tải sẵn cho macOS Apple Silicon, macOS Intel và Windows. Linux hiện chưa có bản dựng sẵn, nên cần xem hướng dẫn build-from-source của dự án.

Nếu dùng macOS Apple Silicon, Voicebox sử dụng MLX và Metal. Windows hoặc Linux với GPU NVIDIA dùng PyTorch CUDA. Linux AMD dùng ROCm. Windows có thể dùng DirectML với GPU bất kỳ. Intel Arc dùng IPEX/XPU. CPU cũng chạy được nhưng chậm hơn.

Bạn cần chuẩn bị GPU tương ứng nếu muốn tăng tốc. Riêng LuxTTS được mô tả là dùng khoảng 1 GB VRAM. Kokoro có model 82M và phù hợp hơn với máy cần nhẹ. README không nêu một mức RAM, VRAM hoặc phiên bản Python bắt buộc chung cho toàn bộ ứng dụng.

Bạn không bắt buộc phải có tài khoản dịch vụ đám mây hoặc API key để dùng các tính năng cục bộ được mô tả. README cũng không nêu yêu cầu phải đăng ký tài khoản trước khi chạy.

```note
Nếu nhân bản giọng của người khác, hãy có sự đồng ý rõ ràng và thông báo phù hợp khi dùng bản ghi tạo ra. Dữ liệu giọng nói là dữ liệu nhạy cảm; hãy kiểm tra thư mục lưu trữ và quyền truy cập trên máy của bạn.
```

## Cài đặt từng bước

```steps
- Chọn cách cài | Dùng bản cài sẵn, Docker hoặc build từ mã nguồn
- Tải hoặc lấy mã nguồn | Chuẩn bị bộ cài tương ứng với hệ điều hành
- Khởi động Voicebox | Mở ứng dụng hoặc chạy Docker Compose
- Tạo hồ sơ giọng | Thêm tệp âm thanh hoặc ghi âm trong ứng dụng
- Kiểm tra tích hợp | Thử tạo giọng, đọc chính tả hoặc gọi API
```

### Chọn bản cài phù hợp

Với macOS Apple Silicon, tải bản DMG dành cho Apple Silicon. Với macOS Intel, dùng bản DMG dành cho Intel. Với Windows, dùng bản MSI. Đây là cách phù hợp nhất cho người mới vì README đã cung cấp các gói cài sẵn tương ứng.

Linux chưa có binary dựng sẵn. README yêu cầu người dùng xem hướng dẫn build-from-source của dự án. Phần tư liệu được cung cấp chưa chép các lệnh build Linux cụ thể, nên không nên tự đoán tên script hoặc gói cần cài.

### Chạy bằng Docker

Nếu chọn Docker, mở terminal tại thư mục chứa các tệp Docker của repo, sau đó chạy lệnh README cung cấp:

```bash
docker compose up
```

Lệnh này khởi động các service được khai báo trong `docker-compose.yml`. Bạn cần cài Docker trước, nhưng README được cung cấp chưa nêu phiên bản Docker tối thiểu.

Nếu bạn lấy mã nguồn trước, có thể clone repo bằng lệnh phổ thông sau rồi đi vào thư mục dự án:

```bash
git clone https://github.com/jamiepine/voicebox.git
cd voicebox
```

README cũng có `docker-compose.rocm.yml` cho trường hợp dùng ROCm, nhưng phần tư liệu không cung cấp lệnh khởi động riêng hoặc yêu cầu phần cứng chi tiết cho file này. Hãy xem cấu hình Docker trong repo trước khi chọn nó.

### Mở ứng dụng và tạo voice profile

Sau khi cài bản DMG hoặc MSI, mở Voicebox như các ứng dụng khác trên hệ điều hành. Tạo một voice profile mới bằng cách nhập tệp âm thanh hoặc ghi âm trực tiếp trong ứng dụng.

Nên bắt đầu bằng một đoạn ghi âm rõ tiếng, ít tiếng nền và chỉ dùng giọng của người đã đồng ý. Bạn có thể nhập nhiều mẫu cho cùng một profile nếu muốn tăng chất lượng cloning. Voicebox cũng cho phép import, export và sao lưu profile.

### Chọn engine và tạo âm thanh

Nhập văn bản vào ô tạo giọng, chọn voice profile và chọn engine. Nếu dùng Chatterbox Turbo, bạn có thể gõ `/` trong ô văn bản để mở trình chèn thẻ biểu cảm. Chọn `[laugh]`, `[sigh]`, `[gasp]` hoặc thẻ delivery như `[happy]`, `[dramatic]`, `[whispering]`.

Chỉ Chatterbox Turbo được README xác nhận là diễn giải các thẻ này. Qwen3-TTS, LuxTTS, Chatterbox Multilingual và HumeAI TADA sẽ đọc các thẻ như văn bản thông thường.

### Thử API

Khi Voicebox đang chạy cục bộ, README cung cấp API tại địa chỉ `127.0.0.1:17493`. Lệnh tạo giọng mẫu là:

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

Trong đó `text` là nội dung cần đọc, `profile_id` là mã voice profile và `language` là ngôn ngữ. Bạn phải thay `abc123` bằng mã profile thực tế của mình. README được cung cấp chưa giải thích cách lấy mã profile nên hãy kiểm tra API hoặc giao diện trong repo nếu chưa biết mã này.

Để cho một script hoặc ứng dụng khác phát lời nói bằng voice profile, dùng:

```bash
curl -X POST http://127.0.0.1:17493/speak \
  -H "Content-Type: application/json" \
  -H "X-Voicebox-Client-Id: my-script" \
  -d '{"text": 
```

Đoạn README được cung cấp bị cắt giữa lệnh này, nên không đủ payload JSON hoàn chỉnh để chạy an toàn. Không nên tự nối phần còn thiếu; hãy mở phần API đầy đủ trong `README.md` của repo.

## Kiểm tra đã chạy được chưa

Cách kiểm tra đơn giản nhất là mở được giao diện Voicebox và tạo thành công một voice profile. Sau đó nhập một câu ngắn, chọn profile và tạo audio. Nếu nghe được âm thanh, quy trình TTS cơ bản đã chạy.

Bạn cũng có thể kiểm tra các chức năng sau:

- Chọn Chatterbox Turbo, nhập `/` và thấy trình chèn thẻ biểu cảm.
- Nhấn microphone trong một ô nhập văn bản và thấy các trạng thái recording, transcribing hoặc refining.
- Tạo một đoạn văn dài và kiểm tra ứng dụng tự chia đoạn rồi nối bằng crossfade.
- Gọi endpoint `/generate` trên `127.0.0.1:17493` bằng lệnh `curl` ở trên.
- Dùng tính năng agent speech và thấy lớp phủ chuyển sang trạng thái speaking.

Nếu dùng Docker, cửa sổ terminal cần hiển thị service khởi động mà không dừng vì lỗi. README không cung cấp một chuỗi log thành công cố định, nên hãy kiểm tra trực tiếp giao diện hoặc endpoint sau khi `docker compose up` chạy.

## Dùng vào việc thật

### Chủ shop làm giọng đọc cho sản phẩm

Chủ shop có thể tạo một voice profile từ giọng của mình, sau đó nhập nội dung giới thiệu sản phẩm. Dùng Qwen CustomVoice nếu muốn chọn giọng dựng sẵn và điều khiển cách đọc bằng câu mô tả tự nhiên. Dùng voice profile riêng nếu muốn giữ giọng nhận diện của shop.

Với nhiều sản phẩm, hãy lưu từng bản generation và đánh dấu bản yêu thích. Có thể áp dụng preset Radio hoặc Compressor để giọng dễ nghe hơn trong video ngắn.

### Nhân viên văn phòng đọc chính tả

Nhân viên văn phòng có thể dùng global dictation hotkey để nói nội dung email, biên bản hoặc ghi chú. Trên macOS, sau khi cấp quyền cần thiết, Voicebox có thể dán transcript vào ô văn bản đang được chọn.

Nếu bản ghi có nhiều từ đệm hoặc nói lắp, bật LLM refinement tùy chọn trước khi dán. Nếu cần kiểm tra lại, mở Captures để phát lại audio, chuyển ngữ lại bằng kích thước Whisper khác hoặc sửa transcript trực tiếp.

### Người làm nội dung dựng podcast nhiều nhân vật

Người làm podcast có thể tạo nhiều voice profile, chia lời thoại thành từng đoạn rồi đưa vào Stories editor. Mỗi track có thể đại diện cho một nhân vật. Bạn có thể cắt, chia, kéo thả và phát lại timeline để kiểm tra nhịp hội thoại.

Khi cần thay một câu, tạo một take mới thay vì mất bản gốc. Voicebox lưu Original, các phiên bản effects và takes, đồng thời theo dõi nguồn của từng phiên bản.

### Lập trình viên cho AI agent nói thành tiếng

Lập trình viên có thể kết nối Claude Code, Cursor, Cline hoặc một MCP-aware agent với Voicebox. Agent gọi công cụ `voicebox_speak` như sau:

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

Agent có thể dùng giọng Morgan để báo hoàn tất tác vụ. Bạn cũng có thể dùng REST API cho script không hỗ trợ MCP. Trong Settings → MCP, mỗi agent có thể được gắn một voice profile riêng để phân biệt ai đang nói.

> Khi AI nói bằng một giọng quen thuộc, bạn có thể nhận biết trạng thái công việc mà không cần nhìn vào màn hình.
>
> — Ông T

## Lỗi hay gặp và cách xử lý

### Không tạo được audio vì chọn engine quá nặng

Một số engine cần nhiều tài nguyên hơn. Hãy thử Kokoro hoặc LuxTTS trước. Kokoro có model nhỏ, còn LuxTTS được README mô tả là nhẹ và dùng khoảng 1 GB VRAM.

### GPU không được nhận

Kiểm tra bạn đã chọn đúng backend cho hệ điều hành chưa: MLX/Metal trên Apple Silicon, CUDA trên NVIDIA, ROCm trên Linux AMD, DirectML trên Windows hoặc IPEX/XPU trên Intel Arc. Nếu vẫn lỗi, thử chạy bằng CPU để xác định vấn đề nằm ở GPU hay ở dữ liệu đầu vào.

### Thẻ cảm xúc bị đọc thành chữ

Chỉ Chatterbox Turbo diễn giải thẻ như `[laugh]` và `[sigh]`. Nếu đang dùng Qwen3-TTS, LuxTTS, Chatterbox Multilingual hoặc HumeAI TADA, các thẻ có thể được đọc nguyên văn. Hãy chuyển sang Chatterbox Turbo khi cần âm thanh biểu cảm.

### Dictation không dán được vào ứng dụng khác

Trên macOS, kiểm tra quyền Accessibility và Input Monitoring. Voicebox có giao diện hướng dẫn cấp quyền trong lần chạy đầu. Bạn cũng có thể dùng microphone ngay trong ô nhập của Voicebox nếu chưa muốn bật dán toàn hệ thống.

### Docker chạy nhưng chưa biết ứng dụng có hoạt động không

Giữ terminal đang chạy `docker compose up`, sau đó thử mở giao diện hoặc gọi endpoint cục bộ. Nếu cần dùng GPU AMD, xem lại file `docker-compose.rocm.yml`. README được cung cấp chưa có danh sách lỗi Docker cụ thể nên không nên tự thêm biến môi trường hoặc cờ lệnh không được tài liệu xác nhận.

## Có nên dùng không

Nên dùng Voicebox nếu bạn muốn một bộ công cụ giọng nói đầy đủ chạy cục bộ: nhân bản giọng, TTS, Whisper, đọc chính tả, hiệu ứng âm thanh, timeline nhiều track, REST API và MCP server. Số lượng engine lớn giúp bạn chọn giữa chất lượng, tốc độ, ngôn ngữ và mức dùng tài nguyên. MIT license, dữ liệu xử lý cục bộ và hỗ trợ nhiều nền tảng cũng là điểm mạnh rõ ràng.

Giới hạn chính là việc cài đặt và chọn backend có thể khó hơn một dịch vụ đám mây đơn giản. Hiệu năng phụ thuộc phần cứng. Linux chưa có bản dựng sẵn theo README, còn các tính năng GPU cần đúng backend. Một số engine chỉ hỗ trợ tiếng Anh hoặc ít ngôn ngữ hơn các engine khác.

Nếu bạn chỉ cần đọc vài câu bằng giọng dựng sẵn và không quan tâm chạy cục bộ, một dịch vụ TTS đơn giản có thể dễ dùng hơn. Nếu bạn cần kiểm soát dữ liệu, nhiều voice profile, đọc chính tả và kết nối AI agent trong cùng một ứng dụng, Voicebox là lựa chọn rất đáng thử.

## Câu hỏi thường gặp

### Voicebox có miễn phí không?

README mô tả Voicebox là ứng dụng miễn phí và mã nguồn mở, phát hành theo giấy phép MIT. Tư liệu chưa nêu chi phí phần cứng, điện năng hoặc các chi phí phụ phát sinh khi tự chạy.

### Có cần GPU để dùng Voicebox không?

Không bắt buộc. README xác nhận Voicebox chạy được trên CPU, nhưng chậm hơn. GPU được hỗ trợ qua MLX/Metal, CUDA, ROCm, DirectML và IPEX/XPU tùy nền tảng.

### Voicebox có chạy trên Windows không?

Có. README cung cấp bản MSI cho Windows và nêu hỗ trợ CUDA, DirectML cùng Intel Arc. Tư liệu chưa nêu phiên bản Windows tối thiểu.

### Dữ liệu giọng nói có được gửi lên máy chủ không?

Voicebox được mô tả là local-first; model, dữ liệu giọng và bản ghi được xử lý trên máy. README không nêu một dịch vụ máy chủ bắt buộc, nhưng bạn vẫn nên kiểm tra quyền truy cập thư mục dữ liệu khi dùng Docker hoặc tích hợp bên ngoài.

### Có cần API key hay tài khoản dịch vụ không?

README được cung cấp không nêu yêu cầu API key hoặc tài khoản để dùng các chức năng cục bộ. Voicebox có REST API và MCP server chạy cùng ứng dụng.

### Voicebox khác gì ElevenLabs hoặc WisprFlow?

README mô tả Voicebox là lựa chọn mã nguồn mở, chạy cục bộ, kết hợp cả đầu ra giọng nói kiểu ElevenLabs và đầu vào đọc chính tả kiểu WisprFlow. Ngoài ra, Voicebox còn có Stories editor, MCP server và API tích hợp.

### Có thể cho Claude Code hoặc Cursor nói bằng giọng đã nhân bản không?

Có. Agent MCP-aware có thể gọi `voicebox_speak`, còn ứng dụng không hỗ trợ MCP có thể dùng endpoint `POST /speak`. Bạn cũng có thể gắn voice profile riêng cho từng agent trong phần Settings → MCP.
