# VoxCPM: Tạo giọng nói đa ngôn ngữ, nhân bản giọng — hướng dẫn cài đặt và dùng

> VoxCPM là mô hình chuyển văn bản thành giọng nói (TTS) mã nguồn mở của OpenBMB. Bản VoxCPM2 hỗ trợ 30 ngôn ngữ trong đó có tiếng Việt, tạo giọng từ lời mô tả và nhân bản giọng từ file thu mẫu, xuất âm thanh 48kHz. Cài bằng một lệnh pip, nhưng README yêu cầu Python từ 3.10 đến dưới 3.13, PyTorch từ 2.5.0 và CUDA từ 12.0.

- Tác giả: Ông T (https://ongt.vn/gioi-thieu)
- Chủ đề: Repo & Skill
- Đăng: 2026-06-12 · Cập nhật: 2026-11-13
- URL: https://ongt.vn/bai-viet/voxcpm-tao-giong-noi-da-ngon-ngu-nhan-ban-giong-2

VoxCPM là một hệ thống chuyển văn bản thành giọng nói (TTS) mã nguồn mở, do nhóm OpenBMB phát triển. Bản mới nhất là VoxCPM2: mô hình 2 tỷ tham số, huấn luyện trên hơn 2 triệu giờ dữ liệu giọng nói nhiều ngôn ngữ. Bạn đưa vào một đoạn chữ, nó trả ra file âm thanh đọc đoạn chữ đó.

Repo này hợp với ai? Người làm nội dung cần giọng đọc cho video, người làm kinh doanh muốn có giọng thuyết minh cho quảng cáo hay bài giảng, và lập trình viên muốn gắn giọng nói vào ứng dụng của mình. Repo hiện có khoảng 42.400 sao và khoảng 4.800 fork trên GitHub, giấy phép Apache-2.0.

Điểm đáng giá nhất: tiếng Việt nằm trong 30 ngôn ngữ được hỗ trợ, và bạn không cần ghi chú ngôn ngữ nào, cứ gõ chữ vào là nó đọc. Ngoài ra bạn có thể tạo hẳn một giọng mới chỉ bằng lời mô tả ("giọng nữ trẻ, nhẹ nhàng") mà không cần file thu mẫu. Giấy phép Apache-2.0 cho phép dùng thương mại, theo đúng lời README.

```repo
- repo | OpenBMB/VoxCPM
- kind | Mô hình
- desc | VoxCPM2 là mô hình chuyển văn bản thành giọng nói mã nguồn mở, hỗ trợ 30 ngôn ngữ gồm tiếng Việt, tự thiết kế giọng và nhân bản giọng từ một đoạn thu ngắn.
- stars | 42k
- lang | Python
- license | Apache-2.0
```

## VoxCPM làm được gì

Dưới đây là các tính năng chính, kèm lợi ích thực tế cho bạn.

- **30 ngôn ngữ, không cần gắn thẻ ngôn ngữ.** Bạn gõ chữ bằng ngôn ngữ nào, mô hình đọc luôn ngôn ngữ đó. Danh sách gồm tiếng Việt, Anh, Trung, Nhật, Hàn, Thái, Indonesia và nhiều thứ tiếng khác. README còn nói có hỗ trợ một số giọng địa phương của tiếng Trung.
- **Thiết kế giọng (Voice Design).** Bạn mô tả giọng bằng lời: giới tính, tuổi, tông giọng, cảm xúc, tốc độ… Mô hình tạo ra một giọng mới mà không cần file mẫu. Hữu ích khi bạn cần một giọng riêng cho thương hiệu mà chưa có người thu âm.
- **Nhân bản giọng có điều khiển.** Bạn đưa một đoạn thu ngắn, mô hình bắt lấy âm sắc của giọng đó. Bạn vẫn có thể thêm chỉ dẫn như "nhanh hơn một chút, vui vẻ" để chỉnh cảm xúc và tốc độ.
- **Nhân bản tối đa (Ultimate Cloning).** Bạn đưa cả file thu mẫu lẫn lời thoại chính xác của file đó. Mô hình nói tiếp từ đoạn mẫu, giữ lại âm sắc, nhịp điệu, cảm xúc và phong cách. Phù hợp khi bạn cần giọng giống nhất có thể.
- **Âm thanh 48kHz.** Bạn có thể đưa file mẫu 16kHz, đầu ra vẫn là 48kHz, có sẵn bước nâng chất lượng bên trong nên không cần công cụ upscale riêng.
- **Đọc ngữ cảnh.** Mô hình tự suy ra cách ngắt nghỉ và nhấn nhá từ nội dung câu chữ, nên bạn đỡ phải chỉnh tay.
- **Phát trực tiếp (streaming).** README nói tốc độ có thể đạt RTF khoảng 0,3 trên card NVIDIA RTX 4090, và khoảng 0,13 nếu dùng Nano-vLLM hoặc vLLM-Omni. RTF càng nhỏ thì càng nhanh so với thời lượng âm thanh tạo ra.
- **Nhiều cách triển khai.** Có API Python, lệnh dòng lệnh, giao diện web, và hướng dẫn chạy máy chủ hoặc chạy trên thiết bị không cần Python (llama.cpp-omni).

## Cần chuẩn bị gì

Phần này chỉ nêu những gì README ghi.

- **Python:** từ 3.10 trở lên và dưới 3.13 (README), file pyproject.toml ghi yêu cầu Python từ 3.10.
- **PyTorch:** từ 2.5.0 trở lên.
- **CUDA:** từ 12.0 trở lên (README ghi trong phần yêu cầu cài đặt). Tức là README hướng tới máy có card NVIDIA.
- **Giao diện web:** README nói tuỳ chọn `--device` nhận các giá trị `auto`, `cpu`, `mps`, `cuda`, `cuda:N`; trên máy Mac chip Apple, `auto` dùng MPS nếu có.
- **Mạng Internet:** lệnh `from_pretrained` tải mô hình `openbmb/VoxCPM2` về. README không nêu dung lượng tải, bạn nên để dư ổ cứng.
- **File thu mẫu:** nếu muốn nhân bản giọng, bạn cần một file âm thanh của giọng đó. Nếu dùng chế độ nhân bản tối đa, bạn cần thêm lời thoại chính xác của file.

README không nói gì về tài khoản hay API key cho cách dùng cơ bản. Thông tin về RAM, dung lượng VRAM tối thiểu: chưa có trong tư liệu.

```note
Nhân bản giọng của người khác khi chưa được họ đồng ý có thể gây rắc rối pháp lý và đạo đức. Chỉ dùng giọng của chính bạn hoặc giọng bạn có quyền sử dụng.
```

## Cài đặt từng bước

```steps
- Kiểm tra môi trường | Chắc chắn máy có Python 3.10–3.12, PyTorch và CUDA đúng yêu cầu
- Cài gói | Chạy pip install voxcpm
- Chạy thử bằng Python | Tạo file demo.wav từ một câu mẫu
- Thử bằng dòng lệnh | Dùng lệnh voxcpm design để tạo giọng
- Mở giao diện web | Chạy python app.py rồi vào trình duyệt
```

### Kiểm tra môi trường

Mở terminal (PowerShell hoặc Command Prompt trên Windows, Terminal trên Mac/Linux). Bạn kiểm tra phiên bản Python bằng lệnh phổ thông:

```bash
python --version
```

Nếu ra phiên bản từ 3.10 đến 3.12 là ổn. Người mới hay vấp ở chỗ máy cài Python 3.13 trở lên, trong khi README ghi dưới 3.13. Khi đó bạn nên cài phiên bản Python phù hợp trước. README chưa hướng dẫn cách cài PyTorch hay CUDA cụ thể, bạn xem mục Quick Start trong tài liệu của dự án: https://voxcpm.readthedocs.io/en/latest/quickstart.html

### Cài gói voxcpm

Đây là lệnh cài duy nhất mà README ghi cho cách dùng thông thường:

```sh
pip install voxcpm
```

Lệnh này tải gói `voxcpm` từ kho Python về máy. Nó cũng cho bạn lệnh `voxcpm` dùng ở bước sau. Bạn nên chạy trong một môi trường ảo riêng để khỏi lẫn với các dự án khác.

Nếu bạn muốn tải mô hình từ ModelScope trước (README có nêu cách này), hãy cài thêm:

```bash
pip install modelscope
```

### Chạy thử bằng Python

Tạo một file, ví dụ `thu.py`, dán đoạn mã sau (chép từ README). Lần chạy đầu sẽ tải mô hình về nên chờ lâu hơn:

```python
from voxcpm import VoxCPM
import soundfile as sf

model = VoxCPM.from_pretrained(
  "openbmb/VoxCPM2",
  load_denoiser=False,
)

wav = model.generate(
    text="VoxCPM2 is the current recommended release for realistic multilingual speech synthesis.",
    cfg_value=2.0,
    inference_timesteps=10,
    seed=42,
)
sf.write("demo.wav", wav, model.tts_model.sample_rate)
print("saved: demo.wav")
```

Giải thích nhanh: `from_pretrained` nạp mô hình; `generate` tạo âm thanh từ chữ; `seed=42` giúp kết quả lặp lại được; `sf.write` ghi ra file `demo.wav`. Bạn muốn đọc tiếng Việt thì thay nội dung `text` bằng câu tiếng Việt.

Nếu bạn muốn dùng bản mô hình tải từ ModelScope, README ghi cách sau:

```python
from modelscope import snapshot_download
snapshot_download("OpenBMB/VoxCPM2", local_dir='./pretrained_models/VoxCPM2')

from voxcpm import VoxCPM
import soundfile as sf
model = VoxCPM.from_pretrained("./pretrained_models/VoxCPM2", load_denoiser=False)
```

### Thử bằng dòng lệnh

Sau khi cài gói, bạn có lệnh `voxcpm`. Ví dụ tạo giọng không cần file mẫu (viết trên một dòng):

```bash
voxcpm design --text "VoxCPM2 brings studio-quality multilingual speech synthesis." --output out.wav
```

Xem toàn bộ tuỳ chọn bằng:

```bash
voxcpm --help
```

### Mở giao diện web

Nếu bạn không thích gõ lệnh, README có sẵn giao diện web. Bạn cần có mã nguồn của repo (file `app.py` nằm ở thư mục gốc), nên tải về trước:

```bash
git clone https://github.com/OpenBMB/VoxCPM.git
cd VoxCPM
```

Rồi chạy:

```bash
python app.py --port 8808
```

Sau đó mở trình duyệt vào `http://localhost:8808`. Muốn chọn thiết bị chạy:

```bash
python app.py --device auto
```

## Kiểm tra đã chạy được chưa

Cách đơn giản nhất là chạy đoạn mã Python ở trên. Nếu thành công, terminal in ra dòng `saved: demo.wav` và trong thư mục hiện tại có file `demo.wav`. Bạn mở file bằng trình phát nhạc nào cũng được, nghe thấy câu đọc rõ ràng là xong.

Với dòng lệnh, thành công nghĩa là có file `out.wav`. Với giao diện web, thành công là trang mở được ở địa chỉ `http://localhost:8808`.

Nếu lệnh `voxcpm --help` in ra danh sách lệnh con thì gói đã cài đúng.

## Dùng vào việc thật

### Chủ shop cần giọng đọc quảng cáo

Bạn bán hàng online và cần một đoạn thuyết minh cho video giới thiệu sản phẩm, nhưng chưa có giọng thu. Bạn dùng Voice Design: đặt mô tả trong ngoặc tròn ở đầu `text`, theo đúng định dạng README.

```python
wav = model.generate(
    text="(A young woman, gentle and sweet voice)Hello, welcome to VoxCPM2!",
    cfg_value=2.0,
    inference_timesteps=10,
    seed=42,
)
sf.write("voice_design.wav", wav, model.tts_model.sample_rate)
```

Bạn thay phần chữ sau ngoặc bằng lời quảng cáo tiếng Việt của mình. Kết quả là file `voice_design.wav` với giọng mới đúng như mô tả. Nếu chưa ưng, bạn đổi mô tả hoặc đổi `seed` rồi chạy lại.

### Nhân viên văn phòng làm video đào tạo nội bộ

Bạn có một đoạn thu ngắn giọng của chính mình, muốn đọc thêm nhiều đoạn nội dung mà không phải ngồi thu lại. Bạn dùng nhân bản giọng:

```bash
voxcpm clone --text "This is a voice cloning demo." --reference-audio path/to/voice.wav --output out.wav
```

Thay `path/to/voice.wav` bằng đường dẫn file của bạn, và thay `--text` bằng nội dung cần đọc. Kết quả là `out.wav` mang âm sắc giọng của bạn. Muốn chỉnh tốc độ và cảm xúc, bạn dùng Python và thêm chỉ dẫn trong ngoặc ở đầu câu:

```python
wav = model.generate(
    text="(slightly faster, cheerful tone)This is a cloned voice with style control.",
    reference_wav_path="path/to/voice.wav",
    cfg_value=2.0,
    inference_timesteps=10,
    seed=42,
)
sf.write("controllable_clone.wav", wav, model.tts_model.sample_rate)
```

> Một đoạn thu ngắn cộng một câu mô tả là đủ để có giọng đọc riêng, không cần phòng thu.
>
> — Ông T

### Người làm nội dung cần giọng giống nhất có thể

Bạn làm podcast và muốn giọng tạo ra bám sát giọng gốc cả nhịp điệu lẫn cảm xúc. Bạn dùng chế độ nhân bản tối đa: đưa file mẫu cùng lời thoại chính xác của file đó.

```python
wav = model.generate(
    text="This is an ultimate cloning demonstration using VoxCPM2.",
    prompt_wav_path="path/to/voice.wav",
    prompt_text="The transcript of the reference audio.",
    reference_wav_path="path/to/voice.wav", # optional, for better simliarity
)
sf.write("hifi_clone.wav", wav, model.tts_model.sample_rate)
```

Lưu ý: lời thoại `prompt_text` phải khớp đúng với những gì người nói trong file mẫu. README khuyên dùng cùng một file cho cả `reference_wav_path` và `prompt_wav_path` để giống nhất.

### Lập trình viên làm hàng loạt hoặc cần phát trực tiếp

Bạn có nhiều câu cần đọc cùng lúc. Repo có lệnh xử lý theo lô, đọc từ một file văn bản:

```bash
voxcpm batch --input examples/input.txt --output-dir outs
```

File `examples/input.txt` nằm sẵn trong repo, bạn xem để biết định dạng rồi làm file của mình. Kết quả nằm trong thư mục `outs`. Nếu cần nghe ngay từng đoạn khi đang tạo, bạn dùng API streaming:

```python
import numpy as np

chunks = []
for chunk in model.generate_streaming(
    text="Streaming text to speech is easy with VoxCPM!",
):
    chunks.append(chunk)
wav = np.concatenate(chunks)
sf.write("streaming.wav", wav, model.tts_model.sample_rate)
```

Nếu cần phục vụ nhiều người dùng cùng lúc, README giới thiệu hai hướng triển khai riêng là Nano-vLLM-VoxCPM và vLLM-Omni (có điểm cuối tương thích OpenAI `/v1/audio/speech`). Hai hướng này cài riêng và phức tạp hơn, bạn xem README của repo để làm theo.

## Lỗi hay gặp và cách xử lý

**1. `pip install voxcpm` báo lỗi hoặc không tìm thấy phiên bản phù hợp.** Thường do Python quá mới hoặc quá cũ. README yêu cầu từ 3.10 đến dưới 3.13. Bạn kiểm tra bằng `python --version`, nếu lệch thì dùng môi trường ảo với đúng phiên bản.

**2. Lỗi liên quan CUDA hoặc PyTorch.** README yêu cầu PyTorch từ 2.5.0 và CUDA từ 12.0. Nếu máy không đáp ứng, bạn đối chiếu lại phiên bản. README chưa hướng dẫn cách cài PyTorch, bạn xem trang Quick Start của dự án.

**3. Lần chạy đầu rất lâu hoặc báo lỗi tải mô hình.** Lệnh `from_pretrained` phải tải mô hình về qua mạng. Bạn kiểm tra kết nối. Nếu tải từ Hugging Face khó khăn, thử cách ModelScope mà README có ghi (`pip install modelscope` rồi `snapshot_download`).

**4. Giọng nhân bản nghe không giống.** Thử chế độ nhân bản tối đa với lời thoại chính xác của file mẫu, và truyền cùng file cho cả `reference_wav_path` và `prompt_wav_path`, theo gợi ý của README. Nếu lời thoại ghi sai so với file thật, kết quả sẽ kém.

**5. Mở `http://localhost:8808` không được.** Kiểm tra terminal có đang chạy `python app.py --port 8808` không, và bạn đã đứng trong thư mục `VoxCPM` chưa (file `app.py` nằm ở đó). Nếu cổng bị chiếm, đổi số cổng khác.

## Có nên dùng không

**Điểm mạnh:** hỗ trợ tiếng Việt, tạo giọng bằng lời mô tả, nhân bản giọng từ đoạn thu ngắn, đầu ra 48kHz, giấy phép Apache-2.0 cho dùng thương mại, và có đủ giao diện: Python, dòng lệnh, web. Repo còn được cập nhật trong 3 tháng gần đây.

**Giới hạn:** README yêu cầu CUDA từ 12.0, nên máy không có card NVIDIA sẽ gặp khó, dù giao diện web có tuỳ chọn `cpu` và `mps`. Tư liệu chưa nêu yêu cầu RAM hay VRAM tối thiểu, và chưa nêu chất lượng riêng cho tiếng Việt so với các ngôn ngữ khác. Phần đầu của README ghi rõ có mục Risks and Limitations, nhưng phần đó nằm ngoài tư liệu mình có, bạn nên đọc trong repo trước khi dùng nghiêm túc.

**Khi nào chọn cách khác:** nếu bạn chỉ cần vài câu đọc nhanh và máy yếu, một dịch vụ đọc văn bản trực tuyến có thể tiện hơn. Nếu bạn cần chạy không có Python, README có hướng dẫn llama.cpp-omni, nhưng cách này phải biên dịch bằng CMake nên khó hơn. Nếu bạn cần phục vụ nhiều người cùng lúc, hãy xem hướng Nano-vLLM hoặc vLLM-Omni. Còn nếu bạn muốn thử ngay mà chưa cài gì, README có liên kết tới một trang chạy thử (Playground) trên Hugging Face.

## Câu hỏi thường gặp

### VoxCPM có miễn phí không?

Có. README ghi mã nguồn và trọng số mô hình được phát hành theo giấy phép Apache-2.0, dùng thương mại được. Bạn chỉ tốn chi phí điện và phần cứng của chính mình.

### VoxCPM có đọc được tiếng Việt không?

Có. Tiếng Việt nằm trong danh sách 30 ngôn ngữ mà VoxCPM2 hỗ trợ. README nói bạn gõ chữ bằng ngôn ngữ nào thì mô hình đọc luôn, không cần gắn thẻ ngôn ngữ. Tư liệu chưa có số liệu đánh giá riêng cho tiếng Việt.

### Có cần card đồ hoạ (GPU) không?

README ghi yêu cầu CUDA từ 12.0 và PyTorch từ 2.5.0, nên hướng tới máy có card NVIDIA. Giao diện web có tuỳ chọn thiết bị gồm cpu và mps (Mac chip Apple), nhưng README chưa nói tốc độ hay yêu cầu cấu hình tối thiểu cho các trường hợp này.

### Chạy được trên Windows không?

Tư liệu chưa nêu rõ hệ điều hành nào được hỗ trợ cho cách cài bằng pip. README chỉ ghi yêu cầu Python, PyTorch và CUDA. Bạn nên xem trang Quick Start của dự án để biết chi tiết cho Windows.

### Muốn nhân bản giọng thì cần gì?

Bạn cần một file âm thanh của giọng muốn nhân bản. Nếu muốn giống nhất, README yêu cầu thêm lời thoại chính xác của file đó và dùng chế độ nhân bản tối đa. Bạn chỉ nên dùng giọng bạn có quyền sử dụng.

### Dữ liệu của tôi có được gửi lên mạng không?

README không nói rõ về quyền riêng tư. Có thể hiểu từ cách dùng là mô hình chạy trên máy bạn sau khi tải về, nhưng lần đầu cần Internet để tải mô hình. Chi tiết về dữ liệu chưa có trong tư liệu.

### VoxCPM2 khác gì các bản VoxCPM trước?

Theo bảng trong README, VoxCPM2 có 2 tỷ tham số, âm thanh 48kHz và hỗ trợ 30 ngôn ngữ. VoxCPM1.5 có 0,6 tỷ tham số, 44,1kHz và 2 ngôn ngữ (Trung, Anh). VoxCPM-0.5B có 0,5 tỷ tham số, 16kHz và 2 ngôn ngữ. VoxCPM2 được ghi là bản mới nhất.
