NVIDIA vừa phát hành mô hình chuyển văn bản thành giọng nói (TTS) mã nguồn mở Magpie Multilingual TTS, cho phép các nhà phát triển triển khai và tối ưu hóa hệ thống trợ lý giọng nói đa ngôn ngữ ngay trên hạ tầng của mình. Mô hình tương thích sẵn với NVIDIA NIM, giải quyết bài toán độ trễ phản hồi (latency) – yếu tố cốt lõi ảnh hưởng trực tiếp đến trải nghiệm người dùng trong các ứng dụng AI đàm thoại.
Magpie TTS hỗ trợ 12 ngôn ngữ khác nhau, bao gồm tiếng Việt, Anh, Tây Ban Nha, Pháp, Đức, Ý, Quan thoại, Hindi, Nhật Bản và mới bổ sung thêm tiếng Ả Rập chuẩn, Tiếng Hàn cùng tiếng Bồ Đào Nha Brazil. Mỗi ngôn ngữ đều tích hợp cả giọng nam và nữ thông qua cấu trúc biểu diễn người nói chung. Ngoài ra, phiên bản mới còn cải thiện khả năng chuyển đổi ngôn ngữ linh hoạt (code-switching) cho tiếng Hindi và Nhật Bản nhờ xử lý IPA grapheme-to-phoneme và từ điển phát âm tùy chỉnh.
Về mặt hiệu năng, Magpie TTS giúp rút ngắn đáng kể chỉ số TTFA (Thời gian đến âm thanh đầu tiên). Khi chạy trên GPU NVIDIA B200, mô hình đạt độ trễ TTFA chỉ 32ms, dành phần lớn “ngân sách thời gian” cho các công đoạn ASR và LLM nhằm giữ tổng thời gian phản hồi dưới 200ms – mức lý tưởng cho giao tiếp tự nhiên. Kiến trúc dạng tầng (cascaded) giúp doanh nghiệp tự do tùy chỉnh từng mô hình ASR, LLM và TTS theo nhu cầu riêng mà không lo ngại rủi ro về quyền riêng tư dữ liệu.
Đây là tin vui lớn cho cộng đồng phát triển AI tại Việt Nam, đặc biệt là các doanh nghiệp xây dựng tổng đài tự động hay trợ lý ảo đa ngôn ngữ. Việc Magpie hỗ trợ sẵn tiếng Việt cùng trọng số mở (open weights) giúp nhà phát triển trong nước dễ dàng tự triển khai giải pháp voice AI chất lượng cao với chi phí tối ưu mà không phụ thuộc vào các API đám mây bên thứ ba.
Nguồn: Hugging Face — Biên dịch & tổng hợp: danhbaai.com