Chatterbox TTS: Giải Pháp Thay Thế ElevenLabs Mã Nguồn Mở?

Rebecca Kovács

Rebecca Kovács

6 tháng 6 2025

Chatterbox TTS: Giải Pháp Thay Thế ElevenLabs Mã Nguồn Mở?
💡
Bạn muốn một công cụ kiểm thử API tuyệt vời có thể tạo ra Tài liệu API đẹp mắt?

Bạn muốn một nền tảng tích hợp, tất cả trong một cho Đội ngũ Phát triển của bạn để làm việc cùng nhau với năng suất tối đa?

Apidog đáp ứng mọi nhu cầu của bạn và thay thế Postman với mức giá phải chăng hơn nhiều!
button

Trong bối cảnh trí tuệ nhân tạo không ngừng phát triển, các mô hình Chuyển văn bản thành giọng nói (TTS) chất lượng cao đã trở thành công cụ thiết yếu cho các nhà phát triển, người sáng tạo nội dung và doanh nghiệp. Mặc dù có nhiều hệ thống TTS mạnh mẽ tồn tại, nhưng chúng thường là mã nguồn đóng và đi kèm với giấy phép hạn chế cùng chi phí cao. Hôm nay, chúng ta sẽ tìm hiểu sâu về một nhân tố mới mang tính đột phá trong lĩnh vực này: Chatterbox TTS của Resemble AI.

Hướng dẫn toàn diện này sẽ giúp bạn hiểu mọi thứ cần biết về Chatterbox TTS. Chúng ta sẽ khám phá điều gì làm cho nó đặc biệt, cách thiết lập và chạy nó, cũng như cách khai thác các tính năng mạnh mẽ của nó để tạo ra giọng nói biểu cảm, giống con người cho các dự án của bạn.

Chatterbox TTS là gì?

So sánh Chatterbox và Elevenlabs

Chatterbox là một mô hình TTS mã nguồn mở, cấp độ sản xuất, tiên tiến nhất được phát triển bởi đội ngũ tại Resemble AI. Được phát hành theo giấy phép MIT cho phép, Chatterbox trao quyền cho mọi người tạo ra tổng hợp giọng nói chất lượng cao mà không bị ràng buộc vào một hệ sinh thái độc quyền.

Được xây dựng trên nền tảng Llama 0.5B mạnh mẽ, Chatterbox đã được đào tạo trên một tập dữ liệu khổng lồ gồm nửa triệu giờ dữ liệu âm thanh đã được làm sạch. Quá trình đào tạo chuyên sâu này đã tạo ra một mô hình không chỉ có khả năng cao mà còn được đánh giá so sánh với các giải pháp thay thế mã nguồn đóng hàng đầu như ElevenLabs, và thường được ưa chuộng hơn trong các so sánh trực tiếp.

Các tính năng chính của Chatterbox TTS

Vậy, điều gì làm cho Chatterbox nổi bật giữa đám đông? Dưới đây là một số tính năng nổi bật của nó:

Bắt đầu với Chatterbox TTS

Bây giờ bạn đã làm quen với những gì Chatterbox có thể làm, hãy thiết lập và sẵn sàng chạy nó.

Điều kiện tiên quyết

Trước khi bạn có thể bắt đầu tạo giọng nói, bạn cần cài đặt Python trên hệ thống của mình. Chatterbox yêu cầu phiên bản Python 3.8 trở lên. Bạn cũng cần pip, trình cài đặt gói Python, thường đi kèm với các bản cài đặt Python hiện đại.

Cài đặt

Cài đặt Chatterbox đơn giản chỉ bằng cách chạy một lệnh duy nhất trong terminal của bạn. Lệnh này sẽ tải xuống và cài đặt Chatterbox cùng tất cả các phụ thuộc của nó, bao gồm các thư viện mạnh mẽ như PyTorch và Transformers.

pip install chatterbox-tts

Vậy là xong! Chỉ với một lệnh đó, bạn đã sẵn sàng bắt đầu tổng hợp giọng nói.

Những từ đầu tiên của bạn: Tạo TTS cơ bản

Hãy bắt đầu với một ví dụ đơn giản về việc tạo giọng nói từ một đoạn văn bản. Đoạn mã Python sau đây sẽ lấy một câu và lưu nó dưới dạng tệp âm thanh WAV.

import torch
import torchaudio as ta
from chatterbox.tts import ChatterboxTTS

# Tự động phát hiện thiết bị tốt nhất có sẵn (GPU hoặc CPU)
if torch.cuda.is_available():
    device = "cuda"
elif hasattr(torch.backends, 'mps') and torch.backends.mps.is_available():
    device = "mps" # Đối với máy Mac dùng chip Apple Silicon
else:
    device = "cpu"

print(f"Đang sử dụng thiết bị: {device}")

# Tải mô hình Chatterbox
model = ChatterboxTTS.from_pretrained(device=device)

# Văn bản bạn muốn chuyển thành giọng nói
text = "Hello, world! I am Chatterbox, a powerful open-source text-to-speech engine."

# Tạo dạng sóng âm thanh
wav = model.generate(text)

# Lưu âm thanh đã tạo vào tệp
ta.save("hello_chatterbox.wav", wav, model.sr)

print("Âm thanh đã được lưu dưới dạng hello_chatterbox.wav")

Hãy cùng phân tích những gì đang diễn ra trong đoạn mã này:

  1. Chúng ta nhập các thư viện cần thiết: torch cho các phép toán tensor cốt lõi, torchaudio để xử lý tệp âm thanh và ChatterboxTTS cho mô hình chính.
  2. Chúng ta bao gồm một đoạn mã tiện dụng tự động phát hiện xem bạn có GPU tương thích hay không (cuda cho NVIDIA, mps cho Apple Silicon) và chuyển về sử dụng CPU nếu không. Điều này đảm bảo mã chạy hiệu quả trên các phần cứng khác nhau.
  3. Chúng ta tải mô hình Chatterbox đã được đào tạo trước bằng cách sử dụng ChatterboxTTS.from_pretrained(), truyền vào thiết bị đã phát hiện.
  4. Chúng ta định nghĩa văn bản muốn tổng hợp.
  5. Chúng ta gọi model.generate(text) để tạo dạng sóng âm thanh.
  6. Cuối cùng, chúng ta sử dụng torchaudio.save() để lưu dạng sóng dưới dạng tệp WAV. model.sr cung cấp tốc độ mẫu chính xác cho âm thanh.

Nghệ thuật nhân bản giọng nói

Một trong những khả năng thú vị nhất của Chatterbox là nhân bản giọng nói. Bạn có thể cung cấp một đoạn âm thanh ngắn của một giọng nói, và Chatterbox sẽ sử dụng nó để tạo ra giọng nói trong cùng giọng đó.

Đây là cách bạn có thể làm:

Để có kết quả tốt nhất, đoạn âm thanh mẫu của bạn nên là một bản ghi âm rõ ràng của một người nói duy nhất, tốt nhất là không có tiếng ồn xung quanh. Chỉ cần vài giây âm thanh thường là đủ để Chatterbox nắm bắt được giọng nói.

Để khởi chạy giao diện web, trước tiên bạn cần cài đặt Gradio:

pip install gradio

Sau đó, lưu đoạn mã sau đây dưới dạng tệp Python (ví dụ: app.py) và chạy nó từ terminal của bạn bằng lệnh python app.py. Đoạn mã này thường được bao gồm dưới dạng gradio_tts_app.py trong các tệp dự án.

Sau khi chạy đoạn mã, bạn sẽ thấy một URL cục bộ trong terminal của mình. Mở URL này trong trình duyệt web để truy cập giao diện.

Bạn sẽ được chào đón bằng một bố cục sạch sẽ và trực quan, nơi bạn có thể:

Ứng dụng Gradio là cách hoàn hảo để nhanh chóng thử nghiệm với các giọng nói và cài đặt khác nhau mà không cần phải viết bất kỳ đoạn mã nào.

Tinh chỉnh, Chuyển đổi giọng nói và Dấu bản quyền giọng nói trong ChatterBox

Đây là lúc Chatterbox thực sự tỏa sáng. Bạn có thể điều chỉnh hiệu suất của giọng nói được tổng hợp bằng cách sử dụng hai tham số chính: exaggerationcfg_weight.

Hãy thử nghiệm với các tham số này để tìm ra cách diễn đạt hoàn hảo cho nội dung của bạn.

Chatterbox cũng bao gồm một tính năng chuyển đổi giọng nói mạnh mẽ. Điều này cho phép bạn lấy một bản ghi âm giọng nói của ai đó và chuyển đổi nó sang một giọng nói mục tiêu khác.

Sức mạnh lớn đi kèm với trách nhiệm lớn. Resemble AI đã tích hợp công nghệ đóng dấu bản quyền PerTh (Perceptual Threshold) của họ trực tiếp vào Chatterbox. Mỗi đoạn âm thanh được tạo ra bởi mô hình đều chứa một dấu bản quyền không thể nghe thấy. Dấu bản quyền này rất bền và có thể tồn tại qua các thao tác xử lý âm thanh thông thường, cho phép truy tìm nguồn gốc của âm thanh về mô hình đã tạo ra nó.

Kết luận: Giọng nói của bạn, theo cách của bạn

Chatterbox TTS không chỉ là một mô hình chuyển văn bản thành giọng nói khác. Đó là một nền tảng mạnh mẽ, linh hoạt và mở để tạo ra giọng nói tổng hợp biểu cảm và chất lượng cao. Sự kết hợp giữa hiệu suất tiên tiến nhất, các tính năng độc đáo như kiểm soát cảm xúc và cam kết về mã nguồn mở cùng AI có trách nhiệm làm cho nó trở thành một công cụ vô giá cho bất kỳ nhà phát triển hoặc người sáng tạo nào.

Dù bạn đang xây dựng trợ lý AI tuyệt vời tiếp theo, tạo nội dung hấp dẫn cho video và trò chơi, hay chỉ đơn giản là khám phá các khả năng sáng tạo của tổng hợp giọng nói, Chatterbox mang đến cho bạn sự tự do và sức mạnh để biến ý tưởng của mình thành hiện thực.

Để tìm hiểu thêm, hãy thử bản demo trực tiếp trên Hugging Face Spaces:

Thực hành thiết kế API trong Apidog

Khám phá cách dễ dàng hơn để xây dựng và sử dụng API