Viterbox là mô hình Text-to-Speech (TTS) tiếng Việt chất lượng cao, được fine-tune từ
Chatterbox của Resemble AI.
1git clone https://github.com/iamdinhthuan/viterbox
2cd viterbox
3pip install -e .
1from viterbox import Viterbox
2
3# Load model (tự động download)
4tts = Viterbox.from_pretrained("cuda")
5
6# Generate speech
7audio = tts.generate("Xin chào, tôi là Viterbox!")
8
9# Save to file
10tts.save_audio(audio, "output.wav")
1# Clone voice từ audio mẫu (3-10 giây)
2audio = tts.generate(
3 text="Tôi có thể nói bằng giọng của bạn!",
4 language="vi",
5 audio_prompt="reference.wav",
6 exaggeration=0.5,
7 cfg_weight=0.5,
8)
1text = """
2Việt Nam là một quốc gia nằm ở phía đông bán đảo Đông Dương.
3Đất nước có hình chữ S với chiều dài hơn 1600 km.
4Thủ đô Hà Nội là trung tâm văn hóa của cả nước.
5"""
6
7audio = tts.generate(
8 text=text,
9 language="vi",
10 sentence_pause_ms=500, # Nghỉ 0.5s giữa các câu
11)
1@misc{viterbox2025,
2 author = {Dolly VN, ContextBoxAI},
3 title = {Viterbox: Vietnamese Text-to-Speech with Voice Cloning},
4 year = {2025},
5 publisher = {HuggingFace},
6 url = {https://huggingface.co/dolly-vn/viterbox}
7}
