voicebox: phòng thu giọng nói AI cục bộ — hướng dẫn cài đặt và dùng
Bài này là một góc nhìn khác về jamiepine/voicebox — repo từng đổi tên nên mình viết lại với cách tiếp cận khác. Bài hướng dẫn chính: Voicebox: clone giọng nói, đọc văn bản, đọc chính tả offline — hướng dẫn cài đặt và dùng →

Tóm tắt nhanh
Voicebox là phòng thu giọng nói AI mã nguồn mở, chạy ưu tiên trên máy cá nhân để clone giọng, chuyển văn bản thành giọng nói, đọc chính tả và kết nối agent qua MCP hoặc REST API. Ứng dụng hỗ trợ macOS, Windows, Linux, Docker và nhiều loại GPU; cài bằng bản tải sẵn là cách đơn giản nhất, còn README chưa ghi đầy đủ quy trình cài từ mã nguồn.
Voicebox là một phòng thu giọng nói AI mã nguồn mở, chạy cục bộ trên máy tính của bạn. Công cụ này có thể clone giọng từ một đoạn âm thanh, biến văn bản thành giọng nói, chuyển lời nói thành văn bản và cho agent AI nói ra bằng một giọng đã chọn.
Điểm đáng giá nhất là Voicebox gom cả hai chiều của giao tiếp giọng nói vào một ứng dụng: bạn có thể đọc chính tả vào bất kỳ ô nhập văn bản nào, sau đó để máy đọc câu trả lời bằng giọng riêng. Mô hình, dữ liệu giọng nói và bản ghi được giữ trên máy theo mô tả của dự án.
Voicebox phù hợp với chủ shop muốn tạo lời thoại, nhân viên văn phòng muốn đọc chính tả, người làm nội dung cần dựng podcast hoặc dev muốn tích hợp giọng nói vào ứng dụng và agent. Repo hiện có khoảng 60.540 sao và 7.604 fork, dùng giấy phép MIT.
jamiepine/voicebox
Phòng thu giọng nói AI chạy cục bộ: clone giọng, tạo giọng nói, đọc chính tả và cho agent nói bằng giọng bạn chọn.
I.Voicebox làm được gì
A.Clone giọng và tạo giọng nói
Bạn có thể tạo voice profile từ tệp âm thanh hoặc ghi trực tiếp trong ứng dụng. Voicebox hỗ trợ clone giọng zero-shot từ mẫu tham chiếu, nhiều mẫu cho cùng một profile, nhập và xuất profile để sao lưu hoặc chia sẻ.
Nếu không muốn dùng mẫu giọng, bạn có thể chọn hơn 50 giọng dựng sẵn thông qua Kokoro và Qwen CustomVoice. Qwen VoiceDesign còn cho phép mô tả giọng bằng ngôn ngữ tự nhiên, chẳng hạn giọng nam trầm, chậm và thân thiện.
B.Nhiều engine và nhiều ngôn ngữ
Voicebox có 8 engine chuyển văn bản thành giọng nói. Qwen3-TTS phù hợp khi cần clone giọng đa ngôn ngữ và điều khiển cách đọc. Qwen CustomVoice có 9 giọng dựng sẵn. LuxTTS nhẹ, tạo âm thanh 48 kHz và được mô tả là có thể chạy nhanh trên CPU.
Chatterbox Multilingual có phạm vi 23 ngôn ngữ rộng nhất trong danh sách. Chatterbox Turbo tập trung vào tiếng Anh và hỗ trợ thẻ biểu cảm. TADA, Kokoro và các engine Qwen bổ sung những lựa chọn khác về chất lượng, tốc độ, bộ nhớ và giọng có sẵn.
C.Điều khiển cảm xúc và cách đọc
Khi chọn Chatterbox Turbo, bạn có thể chèn các thẻ như [laugh], [sigh], [gasp], [whispering] hoặc [dramatic] vào văn bản. Voicebox có trình chèn thẻ khi bạn gõ / trong ô nhập.
Cần lưu ý rằng chỉ Chatterbox Turbo diễn giải các thẻ này thành âm thanh hoặc cách thể hiện. Qwen3-TTS, LuxTTS, Chatterbox Multilingual và HumeAI TADA sẽ đọc thẻ như văn bản thông thường.
Qwen CustomVoice nhận hướng dẫn cách đọc bằng ngôn ngữ tự nhiên. Bạn có thể yêu cầu nói chậm, nói như đang quảng cáo hoặc dùng giọng kể chuyện tùy khả năng của engine.
D.Hậu kỳ âm thanh
Sau khi tạo giọng, bạn có thể áp dụng 8 hiệu ứng gồm đổi cao độ, vang, delay, chorus hoặc flanger, compressor, tăng giảm âm lượng, lọc tần số cao và lọc tần số thấp.
Ứng dụng có 4 preset dựng sẵn: Robotic, Radio, Echo Chamber và Deep Voice. Bạn cũng có thể tạo preset riêng hoặc đặt chuỗi hiệu ứng mặc định cho từng voice profile. Tính năng này hữu ích khi bạn muốn tất cả lời thoại của một nhân vật có cùng màu âm.
E.Tạo nội dung dài
Voicebox tự chia văn bản tại ranh giới câu, tạo từng đoạn rồi nối bằng crossfade. Tính năng này dùng được cho kịch bản, bài viết, chương sách, podcast hoặc nội dung dài đến 50.000 ký tự.
Giới hạn tự chia đoạn có thể đặt từ 100 đến 5.000 ký tự. Thanh crossfade hỗ trợ khoảng 0 đến 200 ms. Bộ tách câu có xét đến từ viết tắt, dấu câu CJK và các thẻ biểu cảm.
F.Stories editor
Stories editor là trình biên tập timeline nhiều track cho hội thoại, podcast và nội dung kể chuyện. Bạn có thể kéo thả nhiều giọng, cắt và tách âm thanh ngay trong track, phát lại theo playhead và ghim phiên bản cho từng đoạn.
G.Đọc chính tả và chuyển giọng nói thành văn bản
Voicebox có phím tắt đọc chính tả toàn hệ thống với hai kiểu push-to-talk và toggle. Trong ứng dụng, nút micro xuất hiện ở các ô nhập văn bản như biểu mẫu tạo giọng, mô tả profile và tiêu đề story.
Voicebox dùng OpenAI Whisper cho speech-to-text. Có các cỡ Base, Small, Medium, Large và Turbo. Turbo được mô tả là nhanh hơn khoảng 8 lần so với Whisper Large với mức giảm chất lượng nhỏ.
Trên macOS, ứng dụng có thể kiểm tra quyền Accessibility và Input Monitoring, rồi dán bản chép lời vào ô đang được chọn. Tính năng này cần quyền hệ thống phù hợp. Voicebox cũng có thể tinh chỉnh bản chép lời bằng local LLM để bỏ từ đệm, lỗi nói vấp hoặc giữ lại thuật ngữ kỹ thuật.
H.Gọi Voicebox từ agent và ứng dụng khác
Voicebox có REST API và MCP server tích hợp. Agent tương thích MCP như Claude Code, Cursor hoặc Cline có thể gọi voicebox_speak để đọc thông báo bằng voice profile đã chọn.
Ứng dụng không dùng MCP có thể gọi endpoint /speak. Có cả HTTP và stdio transport cho các client MCP. Trong phần Settings → MCP, bạn có thể gán giọng riêng cho từng agent để biết agent nào đang nói.
I.Lưu và quản lý bản ghi
Mọi lần đọc chính tả, ghi âm trong ứng dụng và tệp âm thanh tải lên đều được đưa vào Captures. Bản gốc và transcript được giữ cùng nhau. Bạn có thể phát lại, chạy lại transcription bằng cỡ Whisper khác, chỉnh sửa transcript và biến capture thành mẫu giọng.
II.Cần chuẩn bị gì
Voicebox hỗ trợ macOS, Windows và Linux. macOS dùng MLX/Metal trên Apple Silicon. Windows với NVIDIA dùng PyTorch/CUDA và ứng dụng có thể tự tải bản CUDA từ bên trong. Linux NVIDIA dùng PyTorch/CUDA; Linux AMD có ROCm; Windows có thể dùng DirectML; Intel Arc có IPEX/XPU.
Máy không có GPU vẫn chạy được bằng CPU, nhưng tốc độ chậm hơn. LuxTTS được mô tả là cần khoảng 1 GB VRAM. Những engine và kích cỡ mô hình khác có yêu cầu bộ nhớ riêng, nhưng phần README được cung cấp chưa nêu bảng VRAM đầy đủ.
Bạn cần quyền tải ứng dụng hoặc chạy Docker. Nếu dùng macOS cho đọc chính tả toàn hệ thống, cần cấp quyền Accessibility và Input Monitoring khi ứng dụng yêu cầu. Nếu muốn kết nối agent, cần một client MCP tương thích hoặc một chương trình có thể gọi REST API.
README không nói rằng bạn cần tài khoản dịch vụ hay API key bên ngoài. Dự án mô tả mô hình, dữ liệu giọng và bản ghi chạy trên máy. Chi phí phần cứng, dung lượng tải mô hình và thời gian tạo giọng vẫn phụ thuộc máy của bạn.
III.Cài đặt từng bước
- Chọn cách chạyTải bản cài theo hệ điều hành hoặc dùng Docker
- Cài ứng dụngMở gói cài phù hợp với máy
- Khởi động VoiceboxMở ứng dụng và chờ các mô hình cần thiết
- Tạo profileGhi hoặc nhập mẫu âm thanh để thử clone giọng
- Kiểm tra tích hợpGọi API hoặc cấu hình MCP nếu cần
A.Chọn bản cài phù hợp
README cung cấp bản tải cho macOS Apple Silicon, macOS Intel và Windows. Linux chưa có binary dựng sẵn; README hướng người dùng Linux đến trang hướng dẫn build từ source. Repo cũng có cấu hình Docker.
Nếu bạn dùng Windows, chọn bản MSI. Nếu dùng macOS, kiểm tra máy là Apple Silicon hay Intel trước khi chọn DMG. Người mới nên dùng bản cài sẵn thay vì build source.
docker compose upLệnh trên là cách khởi động theo Docker được README nêu trực tiếp. Hãy mở Terminal hoặc PowerShell trong thư mục repo có file docker-compose.yml, sau đó chạy lệnh. README được cung cấp chưa ghi rõ biến môi trường, cổng bổ sung hay bước cài Docker trước đó.
B.Mở ứng dụng lần đầu
Sau khi cài bản phù hợp, mở Voicebox từ hệ điều hành. Khi ứng dụng yêu cầu tải mô hình, chọn engine và kích cỡ phù hợp với bộ nhớ máy. Model Management cho phép tải, hủy tải, xóa hoặc chuyển thư mục mô hình. Bạn có thể đặt thư mục tùy chỉnh bằng biến VOICEBOX_MODELS_DIR, nhưng README chưa đưa ra lệnh thiết lập cụ thể cho từng hệ điều hành.
Trên macOS, nếu muốn dùng đọc chính tả toàn hệ thống, làm theo các màn hình cấp quyền Accessibility và Input Monitoring trong ứng dụng. Quyền này liên quan đến việc nhận phím tắt và dán transcript vào ô đang được chọn.
C.Tạo voice profile
Trong ứng dụng, tạo profile từ một tệp âm thanh hoặc chọn ghi trực tiếp. Nhập transcript hoặc thông tin cần thiết theo biểu mẫu của Voicebox, rồi lưu profile. Bạn có thể thêm nhiều mẫu vào cùng profile để tăng chất lượng clone, đặt mô tả và thẻ ngôn ngữ.
README được cung cấp không có lệnh CLI riêng để tạo profile. Vì vậy, hãy thao tác trong giao diện Voicebox thay vì tự đoán tên endpoint hoặc tham số.
D.Kiểm tra API và MCP
Khi Voicebox đang chạy, README minh họa API tại địa chỉ 127.0.0.1:17493. Lệnh sau gửi văn bản để tạo giọng bằng profile có mã abc123:
curl -X POST http://127.0.0.1:17493/generate \
-H "Content-Type: application/json" \
-d '{"text": "Hello world", "profile_id": "abc123", "language": "en"}'Thay abc123 bằng mã profile thật của bạn. Lệnh này dùng ngôn ngữ tiếng Anh vì README minh họa en; muốn dùng ngôn ngữ khác, trước hết kiểm tra engine và ngôn ngữ được hỗ trợ trong giao diện.
Để cho một script hoặc ứng dụng nói bằng profile, README minh họa endpoint /speak:
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 JSON nên chưa đủ để chép nguyên một lệnh /speak hoàn chỉnh. Không nên tự đoán phần còn thiếu. Hãy xem phần API đầy đủ trong README.md của repo trước khi chạy.
Với MCP, README cho ví dụ gọi công cụ trong một agent tương thích:
await voicebox_speak({
text: "Deploy complete.",
profile: "Morgan",
});Tên profile trong ví dụ là Morgan, chỉ là giá trị minh họa. Bạn cần dùng profile đã tạo trên máy mình và cấu hình transport theo phần Settings → MCP hoặc hướng dẫn đầy đủ trong repo.
E.Nếu muốn build từ mã nguồn
Repo có package.json, requirements.txt, Dockerfile, docker-compose.yml, thư mục app/, backend/, web/ và tauri/. Tuy nhiên, phần README được cung cấp không ghi đủ lệnh cài dependency và build source.
Vì vậy, hãy mở README.md, Dockerfile, docker-compose.yml, package.json và requirements.txt trong repo để xem quy trình tương ứng. README cũng trỏ người dùng Linux đến trang hướng dẫn build từ source. Không tự thêm tên gói, cờ lệnh hoặc biến môi trường khi chưa kiểm tra các file này.
Dữ liệu giọng nói và bản ghi là dữ liệu nhạy cảm. Chỉ clone giọng khi bạn có quyền sử dụng mẫu âm thanh. Kiểm tra kỹ profile, thư mục model và quyền MCP trước khi cho agent tự động đọc nội dung.
IV.Kiểm tra đã chạy được chưa
Cách kiểm tra đơn giản nhất là mở giao diện Voicebox, tạo hoặc chọn một voice profile, nhập một câu ngắn rồi tạo audio. Nếu audio phát được, bạn đã kiểm tra thành công phần TTS cơ bản.
Bạn cũng có thể kiểm tra API bằng endpoint /generate trong ví dụ README. Khi Voicebox đang chạy và profile ID đúng, request phải được tiếp nhận bởi dịch vụ tại http://127.0.0.1:17493.
Để kiểm tra đọc chính tả, bấm nút micro trong một ô nhập văn bản hoặc dùng phím tắt đã cấu hình. Màn hình pill sẽ lần lượt thể hiện các trạng thái như recording, transcribing, refining và speaking khi những tính năng tương ứng hoạt động.
Để kiểm tra MCP, gọi voicebox_speak từ agent. Agent phải phát ra câu được yêu cầu, đồng thời pill hiển thị trạng thái speaking và tên voice profile. README cho biết phần Settings → MCP có timestamp last_seen_at để xác nhận client đã thực sự kết nối.
V.Dùng vào việc thật
A.Chủ shop tạo lời thoại cho video sản phẩm
Chủ shop có thể tạo một voice profile từ giọng của người được phép sử dụng, sau đó nhập kịch bản sản phẩm. Với nội dung dài, Voicebox tự chia câu, tạo từng đoạn và nối bằng crossfade.
Bạn có thể dùng một preset như Radio hoặc Deep Voice, rồi chỉnh gain, compressor và pitch. Kết quả là các đoạn lời thoại được lưu trong phần generations; bản gốc, phiên bản hiệu ứng và các take khác được theo dõi riêng.
B.Nhân viên văn phòng đọc chính tả
Nhân viên văn phòng có thể giữ phím tắt push-to-talk, nói nội dung email hoặc ghi chú, rồi thả phím. Trên macOS, Voicebox có thể dán transcript vào ô đang được chọn sau khi được cấp quyền cần thiết.
Nếu transcript có nhiều từ đệm hoặc câu nói vấp, bật tinh chỉnh bằng local LLM trước khi dán. Bản ghi và transcript gốc vẫn nằm trong Captures để bạn nghe lại hoặc sửa sau.
C.Người làm podcast dựng hội thoại nhiều nhân vật
Người làm podcast có thể tạo nhiều voice profile, gán từng profile cho một nhân vật và đưa các đoạn thoại vào Stories editor. Timeline nhiều track giúp sắp xếp hội thoại, cắt đoạn và phát lại theo playhead.
Nếu cần giọng có cảm xúc, chọn Chatterbox Turbo rồi chèn [laugh], [sigh] hoặc [dramatic]. Không dùng các thẻ này với engine khác nếu bạn không muốn chúng bị đọc thành chữ.
D.Dev cho agent nói khi hoàn thành tác vụ
Dev có thể cấu hình agent MCP dùng voice profile riêng. Khi xong việc, agent gọi:
await voicebox_speak({
text: "Deploy complete.",
profile: "Morgan",
});Cách này phù hợp khi bạn đang chạy build, test hoặc tác vụ dài và muốn nghe thông báo thay vì liên tục nhìn màn hình. Nếu chương trình không hỗ trợ MCP, README cho biết có thể dùng REST endpoint /speak, nhưng phần lệnh hoàn chỉnh cần xem trong README đầy đủ vì đoạn tư liệu hiện có đã bị cắt.
Một voice profile có thể trở thành giao diện âm thanh chung cho cả người dùng lẫn agent.
Ông T
E.Người dùng cần giọng hỗ trợ giao tiếp
Người gặp khó khăn khi nói có thể dùng một capture hoặc mẫu âm thanh đã có để tạo voice profile, sau đó biến văn bản thành lời nói bằng giọng phù hợp. Voicebox cũng cho phép gắn personality vào profile để local LLM viết lại câu theo cách nói của nhân vật trước khi chuyển thành audio.
Tính năng này cần được dùng với sự đồng ý của người sở hữu giọng và cần kiểm tra kỹ nội dung trước khi phát.
VI.Lỗi hay gặp và cách xử lý
A.Ứng dụng chạy nhưng tạo giọng rất chậm
CPU vẫn được hỗ trợ nhưng chậm hơn GPU. Hãy thử engine nhẹ hơn như Kokoro hoặc LuxTTS, giảm kích cỡ mô hình nếu giao diện cho phép và tránh tải nhiều model cùng lúc. Voicebox có chức năng unload từng model để giải phóng bộ nhớ GPU.
B.Hết bộ nhớ GPU khi đổi engine
Các engine có kích cỡ khác nhau, một số model TTS và local LLM có thể cùng dùng bộ nhớ. Vào Model Management để unload model không cần dùng, sau đó thử lại. Không xóa model nếu bạn chỉ cần giải phóng VRAM; README phân biệt unload với xóa tải xuống.
C.Đọc chính tả không dán được vào ứng dụng khác
Trên macOS, hãy kiểm tra quyền Accessibility và Input Monitoring. Voicebox có màn hình hướng dẫn cấp quyền và liên kết đến System Settings. Nếu chỉ cần thử trong Voicebox, dùng nút micro trong một ô nhập của ứng dụng trước.
D.Thẻ cảm xúc bị đọc thành chữ
Chỉ Chatterbox Turbo diễn giải thẻ như [laugh] hoặc [whispering]. Với Qwen3-TTS, LuxTTS, Chatterbox Multilingual và HumeAI TADA, các thẻ này có thể được đọc nguyên văn. Hãy đổi engine hoặc xóa thẻ.
E.API hoặc MCP không phản hồi
Kiểm tra Voicebox đã mở và dịch vụ đang chạy tại địa chỉ cục bộ trong README. Với API, dùng đúng Content-Type, endpoint và profile ID. Với MCP, kiểm tra client đã được thêm trong Settings → MCP; phần timestamp last_seen_at giúp xác nhận client đã kết nối. README được cung cấp chưa ghi đầy đủ cấu hình cho từng client nên không nên tự đoán tham số.
VII.Có nên dùng không
Nên dùng Voicebox nếu bạn muốn một bộ công cụ giọng nói chạy cục bộ, có clone giọng, TTS, STT, hậu kỳ âm thanh, editor nhiều track và tích hợp agent trong cùng ứng dụng. Việc hỗ trợ CPU, nhiều loại GPU, REST API và MCP giúp công cụ phù hợp từ người dùng văn phòng đến dev.
Điểm mạnh khác là dữ liệu được mô tả là ở trên máy, ứng dụng dùng giấy phép MIT và không có quảng cáo hoặc màn hình chen ngang. Hỗ trợ 23 ngôn ngữ của Chatterbox Multilingual, nhiều engine và chức năng quản lý phiên bản giúp bạn có nhiều cách thử nghiệm.
Giới hạn là chất lượng, tốc độ và mức dùng bộ nhớ thay đổi theo engine và phần cứng. Linux chưa có binary dựng sẵn. Quyền macOS cần cấu hình đúng nếu muốn dán transcript toàn hệ thống. Phần README được cung cấp cũng chưa đủ quy trình build source và đoạn API /speak bị cắt.
Nếu bạn chỉ cần đọc văn bản đơn giản trên máy yếu, một công cụ TTS nhẹ hơn có thể dễ dùng hơn. Nếu bạn cần dịch vụ cloud, dashboard nhóm hoặc quy trình cấp quyền doanh nghiệp, README chưa cung cấp đủ thông tin để kết luận Voicebox đáp ứng. Còn nếu bạn ưu tiên riêng tư, muốn tự quản lý voice profile và cần cho agent nói bằng giọng riêng, Voicebox là lựa chọn đáng thử.
Câu hỏi thường gặp
Voicebox có miễn phí không?
README mô tả Voicebox là công cụ miễn phí và mã nguồn mở, dùng giấy phép MIT. Tuy vậy, tài liệu được cung cấp chưa nêu chi phí phần cứng, dung lượng lưu trữ hoặc các chi phí liên quan khác.
Voicebox có cần GPU không?
Không bắt buộc. Voicebox chạy được trên CPU nhưng chậm hơn; dự án cũng hỗ trợ CUDA, ROCm, DirectML, IPEX/XPU và MLX/Metal tùy hệ điều hành.
Voicebox có chạy trên Windows không?
Có. README cung cấp bản MSI cho Windows, đồng thời nêu hỗ trợ NVIDIA CUDA, DirectML và Intel Arc IPEX/XPU.
Dữ liệu giọng nói có được gửi lên cloud không?
README mô tả Voicebox là local-first và cho biết mô hình, dữ liệu giọng cùng bản ghi không rời khỏi máy. Tài liệu được cung cấp chưa mô tả mọi trường hợp kết nối mạng ngoài việc tải ứng dụng hoặc model.
Có cần API key không?
README không nói rằng Voicebox cần tài khoản dịch vụ hoặc API key bên ngoài. Công cụ có REST API cục bộ và MCP server để ứng dụng khác gọi vào.
Có thể dùng Voicebox cho Claude Code hoặc Cursor không?
Có. README cho biết các agent MCP-aware như Claude Code, Cursor và Cline có thể gọi `voicebox_speak`. Phần Settings → MCP cho phép gán voice profile riêng cho từng agent.
Linux có bản cài sẵn không?
Chưa có binary dựng sẵn cho Linux theo README. Người dùng Linux được hướng đến tài liệu build from source; repo cũng có cấu hình Docker.


