Mùa thu 2026 · Gửi từ Căn cứ Tĩnh Lặng
Ghé studio trên Mặt Trăng ↗
terryl.inNhật ký căn cứ Mặt Trăng — ghi chép phát triển từ Mặt Trăng
Làm game

AI lồng tiếng Anh miễn phí: TTS mã nguồn mở Kokoro, Chatterbox

Chuyển văn bản thành giọng nói tiếng Anh với Kokoro, Chatterbox: miễn phí, dùng cho thương mại, chạy CPU, có thể clone giọng cho game.

Trong quán bar của căn cứ mặt trăng, những sóng âm màu cam bay ra từ chiếc laptop về phía robot pha chế đang lau ly, một phi hành gia đeo tai nghe ngồi trên ghế quầy bar giơ ngón cái
Trong quán bar của căn cứ mặt trăng, những sóng âm màu cam bay ra từ chiếc laptop về phía robot pha chế đang lau ly, một phi hành gia đeo tai nghe ngồi trên ghế quầy bar giơ ngón cái

Trang chủ của website này là một căn cứ trên mặt trăng. Mở terryl.in là bạn vào ngay một minigame 3D làm bằng Three.js: điều khiển phi hành gia đi dạo trong căn cứ, mặc đồ du hành, đi qua buồng khóa khí ra bề mặt mặt trăng, hoặc ghé quầy bar gọi một ly cocktail đặc trưng. Blog "Nhật ký căn cứ mặt trăng" ghi lại từng bước xây dựng căn cứ này.

Trong quán bar của căn cứ có một robot pha chế tên là Arthur. Nhân vật này là lời tri ân dành cho Arthur, người máy pha chế trong phim Passengers (2016). Anh ta cũng ôn hòa, cực kỳ lịch sự và nói chuyện với gương mặt không cảm xúc. Vài câu thoại cũng được viết lại từ phim, ai đã xem chắc sẽ nhận ra. Hỏi anh ta sao cứ lau ly mãi, anh ta sẽ đáp: "Nếu tôi không lau ly, tôi sẽ buộc phải bắt chuyện." Tiếc là đến giờ, những câu thoại đó vẫn chỉ là chữ trong hộp thoại.

Bài trước mình dùng Stable Audio 3 Small SFX để làm hiệu ứng âm thanh cho căn cứ mặt trăng, bài này đến lượt lồng tiếng. Trước đây muốn lồng tiếng cho nhân vật game thì phải thuê diễn viên lồng tiếng, hoặc dùng dịch vụ đám mây chuyển văn bản thành giọng nói bằng AI như ElevenLabs, tính phí theo số ký tự. Giờ đã có vài mô hình TTS (chuyển văn bản thành giọng nói) mã nguồn mở, miễn phí và dùng thương mại được, tải về máy là dùng, không phải trả tiền theo lượt, có thể coi là một lựa chọn miễn phí thay cho ElevenLabs.

Bài này so sánh mấy mô hình TTS mã nguồn mở đáng dùng nhất hiện nay. Mình cài Kokoro TTS và Chatterbox TTS trên một chiếc laptop không có card đồ họa, dùng chúng để lồng tiếng Anh cho Arthur, và thử luôn clone giọng nói bằng AI miễn phí để nhân vật giữ cùng một chất giọng trong mọi câu thoại.

So sánh TTS mã nguồn mở: chuyển văn bản thành giọng nói cho mục đích thương mại

Xem kết luận trước. Đây là những mô hình mình đã kiểm tra giấy phép và chắc chắn dùng thương mại được:

Mô hình

Số tham số

Giấy phép

Clone giọng

Ngôn ngữ

Phần cứng

Kokoro-82M

82 triệu

Apache 2.0

Không, dùng 54 giọng có sẵn

8 ngôn ngữ

CPU là chạy được

Chatterbox-Nano

110 triệu

MIT

Có

Chỉ tiếng Anh

CPU là chạy được

Chatterbox-Turbo

350 triệu

MIT

Có

Chỉ tiếng Anh

CPU được, hơi chậm

Chatterbox (bản gốc, Multilingual V3, bản tiếng Trung)

500 triệu

MIT

Có

Bản gốc tiếng Anh, V3 có 23 ngôn ngữ, bản tinh chỉnh cho tiếng Trung

CPU được, rất chậm

Step Audio EditX

Khoảng 3 tỷ

Apache 2.0

Có

Mạnh về tiếng Trung

Cần card NVIDIA

Qwen3-TTS (0.6B, 1.7B)

600 triệu, 1,7 tỷ

Apache 2.0

Có, chỉ cần 3 giây giọng mẫu

10 ngôn ngữ, mạnh về tiếng Trung, có giọng Bắc Kinh và Tứ Xuyên

Bản 0.6B chạy được bằng CPU, clone rất chậm

Nói gọn:

  • Cần nhanh, nhẹ, laptop là chạy: Kokoro.
  • Cần clone giọng để nhân vật giữ một giọng thống nhất: Chatterbox. Tiếng Anh dùng Nano, tiếng Trung dùng bản tinh chỉnh tiếng Trung, các ngôn ngữ khác trong danh sách 23 ngôn ngữ thì dùng Multilingual V3.
  • Chủ yếu làm tiếng Trung và có card NVIDIA: Qwen3-TTS, có thể "thiết kế" giọng bằng một câu mô tả và điều khiển cảm xúc bằng lệnh về giọng điệu.
  • Có card đồ họa mạnh, muốn chất lượng và cảm xúc tốt nhất: Step Audio EditX.

Step Audio EditX cần card NVIDIA, laptop của mình không có nên bài này không thử. Qwen3-TTS thì mình thử bản nhỏ nhất 0.6B, chạy bằng CPU vẫn được, kết quả ở bên dưới.

Bài này là phần tổng quan, sau này mình sẽ viết bài riêng cho từng mô hình: Kokoro, Chatterbox, Qwen3-TTS, Step Audio EditX, và cả VoiceStudio.

Trên các bảng xếp hạng do người thật nghe và chấm điểm mà không biết âm thanh đến từ mô hình nào (như Speech Arena), đứng đầu vẫn là các dịch vụ đóng như ElevenLabs, mô hình mã nguồn mở chưa lọt vào top 10. Nhưng làm game không phải lúc nào cũng cần chất lượng âm thanh đỉnh nhất. Thoại NPC, giọng đọc AI trong phần hướng dẫn, hay giọng lồng tạm trong giai đoạn phát triển, dùng mô hình mã nguồn mở là đủ.

Một lựa chọn khác: Qwen3-TTS

Qwen3-TTS là dòng TTS mà nhóm Qwen của Alibaba mở mã nguồn vào tháng 1 năm 2026, giấy phép Apache 2.0, dùng thương mại được. Có hai kích cỡ 0.6B và 1.7B, mỗi kích cỡ chia thành vài phiên bản cho mục đích khác nhau:

  • Base: clone giọng, chỉ cần 3 giây giọng mẫu.
  • CustomVoice: 9 giọng có sẵn, trong đó có giọng nam mang khẩu âm Bắc Kinh và Tứ Xuyên; bản 1.7B còn điều khiển được giọng điệu bằng lệnh, ví dụ "nói với giọng cực kỳ tức giận".
  • VoiceDesign (1.7B): thiết kế giọng bằng một đoạn mô tả, ví dụ "nam 17 tuổi, giọng tenor, càng nói càng tự tin".

Hỗ trợ 10 ngôn ngữ: Trung, Anh, Nhật, Hàn, Đức, Pháp, Nga, Bồ Đào Nha, Tây Ban Nha, Ý. Đánh giá chính thức nói nó vượt ElevenLabs về độ chính xác phát âm tiếng Trung và độ giống giọng, nhưng đó là bài test do chính họ thực hiện.

Khi dùng để lồng tiếng game, cách thực tế nhất là thiết kế giọng trước rồi mới clone. Mô tả giọng nhân vật cho VoiceDesign bằng chữ, tạo một câu thoại làm giọng mẫu, rồi các câu sau đều dùng Base để clone, giọng sẽ giữ được sự thống nhất. Cách này rất giống cách mình kết hợp Kokoro với Chatterbox trong bài.

Cài đặt bằng pip install -U qwen-tts. Các ví dụ chính thức đều chạy trên card NVIDIA với bfloat16 và FlashAttention 2, không ghi cần bao nhiêu VRAM, cũng không nhắc tới chuyện chỉ dùng CPU có chạy được không.

Mình thử bản 0.6B bằng CPU trên cùng chiếc laptop:

  • Giọng có sẵn (CustomVoice): một câu thoại dài khoảng 6 giây mất khoảng 31 giây.
  • Clone giọng (Base): một câu khoảng 4–5 giây mất hơn 4 phút, gấp ba thời gian của bản tinh chỉnh tiếng Trung của Chatterbox.

Một nguyên tắc chung với mọi mô hình: từ có nhiều cách phát âm, tên riêng và từ mượn thì nên tự nghe lại trước khi dùng.

Không có card đồ họa thì dùng giọng có sẵn của Qwen3-TTS là hợp lý; còn muốn clone giọng cho số lượng thoại lớn thì vẫn cần card NVIDIA.

Trông như mã nguồn mở nhưng thật ra không dùng thương mại được

Cái bẫy dễ dính nhất khi chọn mô hình là giấy phép. Trọng số công khai trên Hugging Face không có nghĩa là bạn được dùng để kiếm tiền:

  • Coqui XTTS v2: đa ngôn ngữ, clone giọng được, từng rất nổi, nhưng giấy phép là Coqui Public Model License, chỉ dùng phi thương mại.
  • Fish Audio S2 Pro: trọng số công khai, nhưng muốn dùng thương mại phải mua giấy phép riêng từ Fish Audio.
  • Một số mô hình nghiên cứu: dùng giấy phép CC BY-NC (NC nghĩa là chỉ dùng phi thương mại).

Trước khi tải, nhất định phải xem mục License trên trang mô hình và bấm vào đọc toàn văn.

Kokoro TTS là gì? Hỗ trợ ngôn ngữ nào? Dùng thương mại được không?

Kokoro-82M là mô hình TTS chỉ có 82 triệu tham số, ra bản 1.0 vào tháng 1 năm 2025. Nó nhỏ đến mức CPU là chạy được, nhưng chất lượng thuộc hàng tốt nhất trong nhóm mô hình nhỏ cùng cỡ, nên nhiều API thương mại và dự án dùng nó.

  • Giấy phép: Apache 2.0, dùng thương mại được, đóng gói vào sản phẩm của mình cũng được.
  • Dữ liệu huấn luyện: phía chính thức ghi rõ chỉ dùng bản ghi âm thuộc phạm vi công cộng, bản ghi âm theo giấy phép Apache hoặc MIT, và giọng tổng hợp từ TTS đóng của các hãng lớn, không dùng giọng clone từ người khác.
  • Giọng: 54 giọng có sẵn, 8 ngôn ngữ: tiếng Anh (Mỹ, Anh), Nhật, Trung, Tây Ban Nha, Pháp, Hindi, Ý và Bồ Đào Nha (Brazil).
  • Hạn chế: không clone giọng được, chỉ chọn trong các giọng có sẵn. Và tiếng Việt không nằm trong 8 ngôn ngữ này.

Lưu ý: phía chính thức cảnh báo các website có chữ "kokoro" trong tên miền đều không liên quan đến mô hình này, đừng trả tiền hay tải gì từ những trang đó.

Chatterbox TTS là gì? Hỗ trợ ngôn ngữ nào? Dùng thương mại được không?

Chatterbox là dòng TTS mã nguồn mở của công ty công nghệ giọng nói Resemble AI, điểm nổi bật nhất là clone giọng: đưa cho nó một đoạn giọng người dài 5–10 giây, nó sẽ đọc câu mới bằng đúng chất giọng đó. Bản gốc còn chỉnh được mức độ cường điệu cảm xúc, bản Turbo cho phép chèn các thẻ như [laugh], [chuckle], [cough] vào câu thoại để tạo tiếng cười hay tiếng ho.

  • Giấy phép: MIT, dùng thương mại được.
  • Watermark: mỗi đoạn âm thanh tạo ra đều nhúng watermark Perth của Resemble. Tai không nghe ra, nhưng chuyển sang mp3 hay cắt ghép thì watermark vẫn còn, công cụ phát hiện có thể nhận ra đoạn âm thanh đó do AI tạo.
  • Đã ngừng phát triển: tháng 8 năm 2026, Resemble AI tuyên bố Chatterbox là "dự án nghiên cứu đã kết thúc", sẽ không cập nhật nữa, công ty chuyển sang phát hiện deepfake. Mã nguồn và trọng số vẫn giữ giấy phép MIT, nên vẫn tải về và dùng thương mại được, chỉ là không có phiên bản mới hay hỗ trợ.

Điểm cuối này lại cho thấy lợi ích của mô hình mã nguồn mở: trọng số đã nằm trên máy mình thì không sợ dịch vụ đóng cửa. Dịch vụ lồng tiếng đám mây mà tăng giá hay đóng cửa thì giọng trong game không sửa được nữa; mô hình mã nguồn mở nằm trên ổ cứng, mười năm sau vẫn dùng cùng giọng đó để bổ sung thoại.

Chatterbox có khá nhiều phiên bản, lúc đầu rất dễ nhầm:

Phiên bản

Số tham số

Ngôn ngữ

Đặc điểm

Chatterbox (bản gốc)

500 triệu

Tiếng Anh

Chỉnh được cường độ cảm xúc (exaggeration)

Multilingual V3

500 triệu

23 ngôn ngữ, gồm Trung, Nhật, Hàn

Một mô hình cho nhiều ngôn ngữ

Bản tinh chỉnh tiếng Trung (zh-cmn)

500 triệu

Tiếng Trung

Tinh chỉnh riêng cho tiếng Trung

Turbo

350 triệu

Tiếng Anh

Nhanh hơn, hỗ trợ thẻ cười và ho, bắt buộc có giọng mẫu

Nano

110 triệu

Tiếng Anh

Nhỏ và nhanh nhất, chính thức nói CPU 8 nhân chạy được gấp 3 lần tốc độ thời gian thực

Cấu hình máy: không có card đồ họa có chạy được không?

Laptop của mình dùng Intel Core Ultra 5 (6 nhân), chỉ có card tích hợp, tức là chỉ chạy bằng CPU. Bảng dưới là thời gian tạo thoại đo thực tế, mỗi câu dài khoảng 4–6 giây, thời gian đã bao gồm việc nạp mô hình ở mỗi lần chạy:

Mô hình

Một câu thoại mất bao lâu

Kokoro (tiếng Anh)

Khoảng 9 giây

Kokoro (tiếng Trung)

Khoảng 13 giây

Chatterbox-Nano (clone)

Khoảng 15–20 giây

Chatterbox-Turbo (clone)

Khoảng 40 giây

Chatterbox bản gốc

Khoảng 60 giây

Chatterbox bản tinh chỉnh tiếng Trung (clone)

Khoảng 80 giây

Qwen3-TTS 0.6B (giọng có sẵn)

Khoảng 31 giây

Qwen3-TTS 0.6B (clone)

Khoảng 4 phút

Kokoro và Chatterbox Nano dùng trên laptop rất ổn, sửa một câu, nghe lại, chờ hơn chục giây là xong. Các bản Chatterbox 500 triệu tham số chạy CPU mất một hai phút một câu, hợp để xếp nguyên một loạt thoại rồi cho chạy nền từ từ. Có card NVIDIA thì nhanh hơn nhiều.

Về dung lượng ổ cứng, môi trường Python riêng của mỗi công cụ (gồm PyTorch bản CPU) chiếm khoảng 1,5 GB. Mô hình tải riêng: file của Kokoro rất nhỏ, mỗi phiên bản Chatterbox chiếm khoảng 1–3 GB.

Hướng dẫn cài Kokoro TTS (bản CPU)

Nên dùng uv để tạo một môi trường Python riêng, đừng cài vào Python của hệ thống. Kokoro hỗ trợ Python 3.10–3.12:

mkdir kokoro && cd kokoro
uv venv --python 3.11 && source .venv/bin/activate
uv pip install kokoro soundfile

Phát âm tiếng Anh dùng espeak-ng, gói pip đã tích hợp sẵn, không cần cài riêng. Kokoro không hỗ trợ tiếng Việt, nên ví dụ dưới đây là tiếng Anh:

import numpy as np, soundfile as sf
from kokoro import KPipeline

pipe = KPipeline(lang_code="b")  # a tiếng Anh Mỹ, b tiếng Anh Anh, j tiếng Nhật, z tiếng Trung
audio = np.concatenate([np.asarray(r.audio) for r in pipe("A bartender keeps confidence.", voice="bm_george")])
sf.write("arthur.wav", audio, 24000)

Chữ cái đầu tiên của tên giọng là ngôn ngữ, chữ thứ hai là giới tính: bm_george là giọng nam tiếng Anh Anh, bf_emma là giọng nữ tiếng Anh Anh. Danh sách đầy đủ có trong VOICES.md chính thức. Lần chạy đầu tiên sẽ tự tải mô hình từ Hugging Face.

Hướng dẫn cài Chatterbox TTS: cài bản GitHub, đừng cài bản PyPI cũ

Đây là cái bẫy lớn nhất mình gặp. Làm theo nhiều hướng dẫn chạy pip install chatterbox-tts thì sẽ cài phải bản 0.1.7 trên PyPI, mô hình đa ngôn ngữ của nó là V2 cũ. Mình cho nó đọc một câu tiếng Trung, hơn 3 giây là đọc xong, nhưng phía sau lại thêm hơn chục giây ngắt quãng và tiếng lạ.

Chỉ bản mới nhất trên GitHub mới có Multilingual V3, Nano và bản tinh chỉnh tiếng Trung, nên hãy cài thẳng từ GitHub:

mkdir chatterbox && cd chatterbox
uv venv --python 3.11 && source .venv/bin/activate
uv pip install "chatterbox-tts @ git+https://github.com/resemble-ai/chatterbox" "setuptools<81"

Phần setuptools<81 ở cuối cũng không bỏ được. Gói watermark Perth vẫn dùng pkg_resources cũ, nhưng setuptools bản mới đã bỏ nó. Không cố định phiên bản thì vừa chạy là báo lỗi.

Clone giọng bằng Nano:

import torchaudio
from chatterbox.tts_turbo import ChatterboxTurboTTS

model = ChatterboxTurboTTS.from_pretrained(device="cpu", nano=True)
wav = model.generate("A bartender keeps confidence.", audio_prompt_path="arthur-ref.wav")
torchaudio.save("arthur.wav", wav, model.sr)

arthur-ref.wav là giọng mẫu cần clone. Định dạng file của bản tinh chỉnh tiếng Trung hơi khác chương trình chính, phải sửa một chút đoạn code nạp file. Mấy việc lặt vặt kiểu này rất hợp để giao cho Claude Code hoặc Codex.

Giao cho Claude Code hoặc Codex cài

Không muốn tự xử lý chuyện phiên bản thì mở Claude Code hoặc Codex trong terminal và gõ:

Hãy cài giúp tôi Kokoro-82M và Chatterbox vào ~/tools (cài bản mới nhất từ GitHub, có Nano và Multilingual V3), dùng PyTorch bản CPU, mỗi cái tạo một lệnh có thể gọi từ bất kỳ thư mục nào

Mình cũng cài theo cách này. Trong quá trình cài gặp bản PyPI quá cũ, lỗi tương thích setuptools và bản tinh chỉnh tiếng Trung nạp không được, tất cả đều do trợ lý AI tự tìm ra nguyên nhân và sửa. Cài ở ~/tools có lợi là mọi dự án đều dùng chung, không phải mỗi game cài một bản.

Clone giọng nói bằng AI là gì? Cách làm miễn phí, mã nguồn mở

Clone giọng (voice cloning) là đưa cho mô hình một đoạn giọng của ai đó để nó đọc câu mới bằng đúng chất giọng ấy. Clone giọng bằng Chatterbox hoàn toàn miễn phí, cách làm cũng đơn giản: một đoạn giọng mẫu cộng với câu cần đọc. Chất lượng giọng mẫu quyết định kết quả:

  • Dài 5–10 giây, ngắn hơn 5 giây sẽ báo lỗi ngay.
  • Chỉ một người nói, không nhạc nền, không tạp âm.
  • Giọng điệu phải hợp với nhân vật: nó học cả tốc độ nói lẫn cảm xúc. Muốn nhân vật nói chậm, giọng đều đều thì giọng mẫu cũng phải như vậy.
  • Tốt nhất cùng ngôn ngữ với câu thoại: dùng giọng mẫu tiếng Anh để đọc ngôn ngữ khác thì có thể dính chút khẩu âm tiếng Anh.

Nguồn gốc giọng nói rất quan trọng. Mô hình dùng thương mại được không có nghĩa là bạn được sao chép giọng của bất kỳ ai:

  • Giọng tự thu: không vấn đề gì.
  • Giọng của diễn viên lồng tiếng hay bạn bè: phải được họ đồng ý mới dùng trong game, tốt nhất có văn bản xác nhận.
  • Giọng nhân vật phim, game, người nổi tiếng: không được, kể cả chỉ là giống thôi cũng có vấn đề về quyền đối với hình ảnh và quyền nhân thân.

Mình còn dùng thêm một cách: dùng Kokoro tạo một câu thoại trước, làm giọng gốc của nhân vật. Kokoro dùng giấy phép Apache 2.0, giọng nó tạo ra được dùng tự do. Như vậy là "thiết kế" giọng nhân vật trước, rồi giao cho Chatterbox đọc các câu còn lại và thêm cảm xúc.

Thử thực tế: lồng tiếng cho robot pha chế Arthur

Giọng tiếng Anh của Arthur, mình chọn bm_george của Kokoro. Giọng Anh của nó rất điềm đạm, nghe như một robot quản gia lịch sự, tốc độ nói chỉnh chậm xuống 0.95.

Trong phim, Arthur do Michael Sheen đóng, nhưng ở đây mình cố ý không bắt chước giọng anh ấy. Giọng lồng tiếng là giọng có sẵn của Kokoro, giọng được clone cũng là giọng do Kokoro tạo ra, đó chính là điều mình nói ở trên: "nguồn gốc giọng nói rất quan trọng".

Các file âm thanh dưới đây đều lấy thẳng từ mô hình, chỉ cắt khoảng lặng đầu cuối và cân bằng âm lượng.

Kokoro: dùng thẳng giọng có sẵn

Kokoro (bm_george): "If I didn't wipe the glass, I'd have to make conversation. And then guests feel awkward."
Kokoro (bm_george): "A bartender keeps confidence. It's the sacred trust of the craft."

Chatterbox: clone giọng của Kokoro

Giọng mẫu là câu đầu tiên của bm_george ở trên (khoảng 6 giây).

Chatterbox-Nano clone bm_george: "You can't get so hung up on where you'd rather be that you forget to make the most of where you are."
Chatterbox-Nano clone bm_george: "A bartender keeps confidence. It's the sacred trust of the craft."

So sánh thêm với giọng có sẵn của Chatterbox bản gốc, không clone, cường độ cảm xúc hạ xuống 0.3:

Chatterbox bản gốc, giọng có sẵn: "If I didn't wipe the glass, I'd have to make conversation. And then guests feel awkward."

Vài nhận xét:

  • Kokoro lần nào cũng ra giống nhau: cùng câu, cùng giọng, tạo bao nhiêu lần cũng y hệt, không cần chọn bản; muốn cảm giác khác thì đổi giọng hoặc chỉnh tốc độ.
  • Chatterbox lần nào cũng khác: cùng câu đổi seed là ra giọng điệu và nhịp khác, nên tạo nhiều bản rồi chọn.
  • Clone giúp giọng thống nhất: chỉ cần một câu giọng mẫu, mọi câu clone ra đều mang chất giọng của cùng một nhân vật, không phải chọn giọng lại mỗi lần.
  • Bản clone đọc nhanh hơn: cùng câu thoại, bản Nano clone ngắn hơn giọng gốc Kokoro 10–20%. Muốn nói chậm hơn thì dùng bản ghi có tốc độ chậm hơn làm giọng mẫu.

Còn tiếng Việt thì sao?

Kokoro, Chatterbox và Qwen3-TTS hiện đều không hỗ trợ tiếng Việt: Kokoro có 8 ngôn ngữ, Chatterbox Multilingual V3 có 23 ngôn ngữ, Qwen3-TTS có 10 ngôn ngữ, và tiếng Việt không nằm trong danh sách nào. Vì vậy bài này không có file thử tiếng Việt, chỉ có các đoạn lồng tiếng Anh ở trên.

Viết prompt AI lồng tiếng thế nào? Giao cho Claude Code hoặc Codex

Đầu vào của TTS là chính câu thoại, không giống tạo hiệu ứng âm thanh phải dùng prompt mô tả tiếng mình muốn. Còn chọn giọng, clone và kiểm tra kết quả thì đều có quy trình cố định, rất hợp để ghi vào cấu hình toàn cục của trợ lý lập trình AI. File cấu hình của Claude Code là ~/.claude/CLAUDE.md, của Codex là ~/.codex/AGENTS.md. Sau đó chỉ cần nói "lồng tiếng ba câu này cho Arthur", nó sẽ làm theo bộ quy tắc này:

## Lồng tiếng nhân vật game bằng TTS trên máy

Khi tôi cần lồng tiếng, hãy dùng Kokoro và Chatterbox trên máy, theo các quy tắc sau:

- Mỗi nhân vật cố định một giọng. Nhân vật mới thì chọn giọng có sẵn của Kokoro trước, tạo một câu thoại 5–10 giây lưu làm giọng mẫu, sau đó luôn clone từ giọng này.
- Câu không cần cảm xúc hay tiếng cười thì dùng thẳng Kokoro; câu cần cảm xúc, tiếng cười ([laugh], [chuckle]) hoặc phải khớp với giọng mẫu thì clone bằng Chatterbox: tiếng Anh dùng Nano hoặc Turbo, tiếng Trung dùng bản tinh chỉnh tiếng Trung.
- Từ đa âm, tên riêng và từ mượn: nhắc tôi nghe lại trước khi dùng.
- Mỗi câu thoại một file, tên file theo dạng "nhân vật-ngôn ngữ-số thứ tự".
- Với Chatterbox, mỗi câu tạo 3 lần với 3 seed khác nhau, liệt kê tên file và câu thoại cho tôi chọn.
- Tạo xong thì kiểm tra độ dài: file dài hơn hẳn độ dài câu thoại cần có nghĩa là đọc thừa, đổi seed tạo lại.
- Không clone giọng người thật, trừ khi tôi xác nhận đã được chính người đó đồng ý.
- Khi đưa vào web hoặc game: cắt khoảng lặng đầu cuối, thêm fade out ngắn, cân bằng độ lớn, chuyển sang mp3.

Thêm chút biểu cảm cho câu thoại: thẻ cười của Turbo

Chatterbox-Turbo cho phép chèn thẻ thẳng vào câu thoại, ví dụ [chuckle] cười khẽ, [laugh] cười lớn, [cough] ho:

Can I keep a secret? [chuckle] A bartender keeps confidence. It's the sacred trust of the craft.
Chatterbox-Turbo clone bm_george, chèn [chuckle] vào giữa câu

Hạn chế của TTS mã nguồn mở

Dùng thực tế một vòng, mình thấy có vài điểm nên nói trước:

  • Không có card đồ họa thì phải kiên nhẫn: Kokoro và Chatterbox Nano rất nhanh, các bản Chatterbox khác chạy CPU mất một hai phút một câu.
  • Ngôn ngữ hỗ trợ có hạn: ba mô hình trong bài đều chưa hỗ trợ tiếng Việt, và ngay cả với ngôn ngữ được hỗ trợ như tiếng Trung, dữ liệu huấn luyện của Kokoro và Chatterbox cũng ít hơn tiếng Anh nhiều, thỉnh thoảng đọc sai. Từ có nhiều cách phát âm, tên riêng và từ mượn nên nghe lại trước khi dùng.
  • Phải chọn đúng phiên bản: bản Chatterbox trên PyPI quá cũ, mà Chatterbox lại đã ngừng phát triển, có lỗi sẽ không còn ai sửa.
  • Cảm xúc phụ thuộc vào giọng mẫu và tham số: mô hình không hiểu cốt truyện, không tự biết câu này là đùa hay đang giận. Muốn câu thoại nghe kích động thì chuẩn bị giọng mẫu kích động, hoặc tăng cường độ cảm xúc.
  • Thành phẩm vẫn phải kiểm tra: đọc thừa, nuốt chữ, đầu file có tạp âm đều có thể xảy ra. Giống như kiểm tra hiệu ứng âm thanh, có thể nhờ Claude Code hoặc Codex giao cho một subagent kiểm tra độc lập: dùng nhận dạng giọng nói chuyển file âm thanh về chữ, so với câu thoại gốc, lệch thì tạo lại.

Lợi ích lớn nhất cho dev indie: có lồng tiếng ngay từ đầu giai đoạn phát triển

Cũng giống công cụ hiệu ứng âm thanh ở bài trước, mình thấy giá trị lớn nhất của TTS mã nguồn mở là giúp game có lồng tiếng ngay từ đầu giai đoạn phát triển.

Giai đoạn đầu, kịch bản thay đổi liên tục. Nhờ diễn viên thu xong rồi mới sửa thoại thì phải thu lại. Dùng TTS trên máy, sửa một câu, chạy lại, hơn chục giây là xong, không tốn thêm đồng nào. Đợi kịch bản chốt rồi mới quyết định có thuê người thật thu lại hay không.

Đến lúc đó, độ dài câu thoại, thời gian hộp thoại hiển thị, thời lượng khẩu hình hay động tác của nhân vật đều đã được chỉnh theo phần lồng tiếng. Chuyển sang giọng người thật chỉ cần thay các file cùng tên.

Một lợi ích nữa là hỗ trợ nhiều ngôn ngữ. Website căn cứ mặt trăng có 15 ngôn ngữ, thuê diễn viên thu đủ 15 ngôn ngữ gần như không thể, nhưng Kokoro hỗ trợ 8 ngôn ngữ, Chatterbox Multilingual V3 hỗ trợ 23 ngôn ngữ, ít nhất vài ngôn ngữ chính có thể có lồng tiếng trước. Tiếng Việt thì hiện chưa nằm trong số đó.

Câu hỏi thường gặp

Kokoro TTS có hỗ trợ tiếng Việt không?

Không. Kokoro hỗ trợ 8 ngôn ngữ: tiếng Anh (Mỹ, Anh), Nhật, Trung, Tây Ban Nha, Pháp, Hindi, Ý và Bồ Đào Nha (Brazil), không có tiếng Việt. Bài này dùng nó để lồng tiếng Anh.

Chatterbox TTS có hỗ trợ tiếng Việt không?

Không. Chatterbox Multilingual V3 hỗ trợ 23 ngôn ngữ nhưng không có tiếng Việt; các bản còn lại chỉ có tiếng Anh, hoặc là bản tinh chỉnh riêng cho tiếng Trung. Qwen3-TTS cũng không hỗ trợ tiếng Việt. Nếu dùng Chatterbox, nhớ cài từ GitHub, vì bản cũ trên PyPI hay đọc thừa ở cuối câu.

Clone giọng nói bằng AI miễn phí có dùng thương mại được không?

Chatterbox dùng giấy phép MIT, mô hình dùng thương mại được; nhưng bạn cũng phải có quyền dùng giọng được clone, ví dụ giọng của chính mình, giọng đã được người đó đồng ý, hoặc giọng do Kokoro tạo như trong bài. Ngoài ra mỗi đoạn âm thanh tạo ra đều có watermark Perth.

Có lựa chọn miễn phí nào thay ElevenLabs không?

Nếu nhu cầu là thoại game, giọng đọc hay lồng tiếng video hướng dẫn bằng tiếng Anh, Kokoro và Chatterbox đều là lựa chọn mã nguồn mở miễn phí, dùng thương mại được, chạy trên máy của bạn. Chất lượng và khả năng biểu cảm chưa bằng ElevenLabs, nhưng không phải trả tiền theo số ký tự, cũng không sợ dịch vụ tăng giá hay đóng cửa.

Không có card đồ họa có chạy được TTS mã nguồn mở không?

Được. Kokoro và Chatterbox Nano chạy bằng CPU laptop chỉ mất hơn chục giây một câu; các bản Chatterbox 500 triệu tham số mất một hai phút một câu, có thể cho chạy hàng loạt ở chế độ nền.

Kết: một chiếc laptop là lồng tiếng được cho nhân vật game

Trước đây mình nghĩ lồng tiếng là phần xa xỉ nhất khi làm game indie: thuê diễn viên lồng tiếng thì đắt, TTS đám mây lại tính phí theo số ký tự, thoại nhiều lên là chi phí rất đáng kể. Kokoro và Chatterbox hạ rào cản xuống còn "một chiếc laptop, một câu thoại, hơn chục giây", dùng thương mại được, mô hình nằm trên máy mình, không sợ dịch vụ đóng cửa.

Bước tiếp theo là đưa phần lồng tiếng của Arthur vào game, để anh ta thật sự cất tiếng nói khi hộp thoại hiện ra.

Bài này là phần tổng quan về TTS mã nguồn mở, tiếp theo mình sẽ viết riêng từng bài về Kokoro, Chatterbox, Qwen3-TTS, Step Audio EditX và VoiceStudio, chia sẻ cách cài, cách chỉnh tham số và nhiều thử nghiệm hơn.

Bạn lồng tiếng cho nhân vật game của mình thế nào? Ghé Threads hoặc X tìm bài viết của mình và để lại bình luận nhé.