ViFastTts · Giọng đọc tiếng Việt

ViFastTts N0 — Ngọc Huyền (research, non-commercial)

Model nghiên cứu, KHÔNG production thương mại. Dataset pnnbao-ump/ngochuyen_voice là CC BY-NC 4.0. Không dùng để giả giọng, lừa đảo, bán lại hoặc triển khai thương mại khi chưa có quyền riêng. Code ViFastTts là MIT; quyền dataset/giọng vẫn giữ nguyên.

Model TTS tiếng Việt một giọng nữ, acoustic small 6,1M tham số, 24 kHz. Repo này chứa checkpoint, config, stats, ONNX FP32, Vocos pretrained và 10 câu demo.

Vocab Q (27/10/2026)

ONNX trong repo này đã có onset Q (onset_has_q=true) cho chữ qu; Q ở cuối vocab, khởi tạo bằng K cho N0 Bắc. Checkpoint/ONNX chưa có cờ này bị frontend mới từ chối; không có adapter Q→K. Checkpoint .pt cũ vẫn là model K (dùng --init-from nếu fine-tune Q).

Hai luồng sử dụng

A. Chỉ dùng model để tạo âm thanh

Không cần train, không cần torch nếu dùng ONNX.

git clone https://github.com/dvchd/ViFastTts.git
cd ViFastTts
./scripts/run_ngochuyen_demo.sh       # macOS / Linux
# Windows PowerShell:
# powershell -ExecutionPolicy Bypass -File .\scripts\run_ngochuyen_demo.ps1

Hoặc tải ONNX trong repo này:

from huggingface_hub import hf_hub_download
acoustic = hf_hub_download("dvchd/vifasttts-ngochuyen-small", "onnx/acoustic.onnx")
vocoder = hf_hub_download("dvchd/vifasttts-ngochuyen-small", "onnx/vocoder.onnx")

Sau đó dùng vifasttts.runtime.onnx_engine hoặc service demo: https://vifasttts.hoctuthien.com/

Mặc định: sharpen_alpha=1.5, Vocos pretrained, model tự ngắt nghỉ. Nghỉ cố định là opt-in (--fixed-pauses / pause_mode="fixed"), mặc định tắt.

B. Tự train một giọng mới

Cần Python 3.11+, torch, MFA/aligner, audio + transcript.

git clone https://github.com/dvchd/ViFastTts.git
cd ViFastTts
python -m venv .venv
source .venv/bin/activate              # Windows: .venv\Scripts\Activate.ps1
pip install -e ".[dev,audio,train,onnx]"

Quy trình và số đo đầy đủ:

docs/TRAINING_N0.md: pipeline N0, thời gian, chọn dữ liệu small/base.
docs/TRAINING.md: hướng dẫn train tổng quát.
docs/DATA_PIPELINE.md: chuẩn bị dữ liệu và alignment.

Kết quả tham chiếu

Chỉ số	Giá trị
Dữ liệu	21,57 h raw → 19,89 h sạch; train 17,9 h
Huấn luyện	60.000 bước, batch 8, khoảng 5 h 46 trên Mac mini M6
Holdout mel L1	4,0 dB (z 0,298)
Free-run 80 câu	16,57 dB, length 0,999, pause F1 0,825
Thanh điệu	thật 0,9835 · copy 0,9784 · free 0,9743
A/B tai người	24/24 chọn model mới so P2 zero-shot
RTF thực tế	0,045 end-to-end trên VPS CPU (5 câu, 22,44 s audio / 1,01 s xử lý)

File

runs/acoustic_ngochuyen/best.pt        # acoustic small 60k
configs/small_ngochuyen.yaml            # config
data/ngochuyen/mel_stats.json
data/ngochuyen/f0_stats_v2.json
artifacts/pretrained/vocos-mel-24khz/pytorch_model.bin
onnx/acoustic.onnx
onnx/vocoder.onnx
demo/                                   # 10 câu mới + texts.json

Giấy phép và attribution

Dataset: pnnbao-ump/ngochuyen_voice, revision 1ebbfbd1fb828dfd41bff8b1645ad9e56cfc614a, CC BY-NC 4.0.
Vocos: charactr/vocos-mel-24khz, MIT.
Model weights: chỉ dùng research/non-commercial; xem LICENSE.md.

Liên kết

Code: https://github.com/dvchd/ViFastTts
Demo: https://vifasttts.hoctuthien.com/
Hugging Face: https://huggingface.co/dvchd/vifasttts-ngochuyen-small
Space demo: https://huggingface.co/spaces/dvchd/vifasttts-ngochuyen-demo
Research release: https://github.com/dvchd/ViFastTts/releases/tag/n0-ngochuyen-research-v1
ONNX release: n0_onnx_fp32.zip

Giới hạn

Single-speaker; không speaker ID, không zero-shot giọng khác.
Từ “ấm” trong câu demo fresh04 có thể hơi rè cục bộ.
Không có safety filter; không dùng cho impersonation.

Downloads last month: -; Downloads are not tracked for this model. How to track

dvchd
/

vifasttts-ngochuyen-small