Dự án VoxCPM2 của OpenBMB giới thiệu một hệ thống TTS không cần token hoá, trực tiếp sinh ra biểu diễn âm thanh liên tục qua kiến trúc diffusion autoregressive. Đây là bước tiến lớn giúp tạo ra giọng nói tự nhiên, biểu cảm và đa ngôn ngữ.
Phiên bản hiện tại có 2 tỷ tham số, được huấn luyện trên hơn 2 triệu giờ dữ liệu âm thanh đa ngôn ngữ, hỗ trợ 30 ngôn ngữ từ tiếng Anh, tiếng Trung tới tiếng Việt. Model cho phép
- Voice Design – tạo giọng mới chỉ bằng mô tả ngôn ngữ tự nhiên
- Controllable Voice Cloning – sao chép giọng từ file âm thanh mẫu và điều chỉnh tốc độ, cảm xúc
- Ultimate Cloning – sao chép chi tiết âm thanh khi cung cấp cả file mẫu và transcript
Để sử dụng, người dùng chỉ cần pip install voxcpm, tải mô hình qua VoxCPM.from_pretrained("openbmb/VoxCPM2") và gọi model.generate(). Kết quả được lưu dưới dạng WAV 48 kHz, phù hợp cho podcast, trợ lý ảo, và các ứng dụng đa phương tiện.
VoxCPM2 được phát hành dưới giấy phép Apache‑2.0, cho phép sử dụng thương mại và tùy chỉnh. Điều này tạo cơ hội cho các nhà phát triển Việt Nam tích hợp TTS chất lượng cao vào sản phẩm, đồng thời thúc đẩy nghiên cứu về mô hình diffusion trong lĩnh vực âm thanh.
Với khả năng đa ngôn ngữ và công cụ thiết kế giọng, VoxCPM2 hứa hẹn sẽ làm phong phú thêm hệ sinh thái AI tiếng Việt, mở ra các ứng dụng từ giáo dục ngôn ngữ tới truyền thông đa phương tiện.
Nguồn: GitHub Trending — Biên dịch & tổng hợp: danhbaai.com