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
Công cụ AI

Qwen3-TTS: nhân bản giọng nói AI, nhanh gấp 10 lần với GPU Intel

Nhân bản giọng nói từ 8 giây ghi âm, GPU Intel tạo 1 câu dưới 20 giây, nhanh gấp 10 lần CPU. Cài XPU, giọng có sẵn, clone xuyên ngôn ngữ.

Trong phòng làm việc ở căn cứ mặt trăng, phi hành gia ngồi trước laptop, con chip trong laptop phát ánh cam, sóng âm bay về phía chiếc loa và chú robot nhỏ cầm đồng hồ bấm giờ
Trong phòng làm việc ở căn cứ mặt trăng, phi hành gia ngồi trước laptop, con chip trong laptop phát ánh cam, sóng âm bay về phía chiếc loa và chú robot nhỏ cầm đồng hồ bấm giờ

Đây là bài thứ ba trong loạt bài về TTS (chuyển văn bản thành giọng nói) mã nguồn mở. Trong bài AI lồng tiếng Anh miễn phí: TTS mã nguồn mở Kokoro, Chatterbox, mình đã giới thiệu tổng quan về các mô hình này, còn bài trước, CosyVoice 3: nhân bản giọng nói AI miễn phí, chạy trên CPU, giới thiệu cách clone giọng chỉ bằng CPU. Lần này đến lượt Qwen3-TTS.

Trong bài tổng quan, mình chạy tính năng clone giọng của Qwen3-TTS bằng CPU, mỗi câu thoại phải chờ hơn 4 phút. Kết luận lúc đó là: "muốn clone giọng cho nhiều câu thoại thì vẫn cần card đồ họa NVIDIA". Lần này mình chuyển sang GPU tích hợp Intel của laptop, cùng câu đó chỉ mất 16–18 giây, tốc độ đo được lần này nhanh gấp hơn 10 lần, và không phải sửa mã nguồn của gói. Có điều, lúc đo trên CPU máy vẫn đang mở các chương trình khác, còn lúc đo trên GPU tích hợp thì máy không chạy gì khác. Bài này ghi lại các bước thiết lập PyTorch XPU cho GPU tích hợp Intel và cách mình dùng chính giọng của mình để thử nhân bản giọng nói AI.

Qwen3-TTS là gì? Có dùng cho mục đích thương mại được không?

Qwen3-TTS là dòng mô hình tạo giọng nói do nhóm Qwen (Thông Nghĩa Thiên Vấn) của Alibaba công bố mã nguồn mở ngày 22/01/2026. Thông tin dưới đây lấy từ GitHub và trang mô hình trên Hugging Face, tra cứu ngày 21/11/2026:

Mục

Thông tin

Giấy phép

Apache-2.0, có thể dùng cho mục đích thương mại

Kích thước

0.6B (600 triệu tham số) và 1.7B (1,7 tỷ tham số)

Ngôn ngữ

Tiếng Trung, Anh, Nhật, Hàn, Đức, Pháp, Nga, Bồ Đào Nha, Tây Ban Nha, Ý, tổng cộng 10 thứ tiếng

Nhân bản giọng nói

Theo nhà phát triển, chỉ cần 3 giây giọng mẫu

Dữ liệu huấn luyện

Báo cáo kỹ thuật ghi hơn 5 triệu giờ giọng nói, thuộc 10 ngôn ngữ

Cài đặt

pip install -U qwen-tts (bản mình cài được là 0.1.1)

Tính đến 21/11/2026, Qwen3-TTS chưa hỗ trợ tiếng Việt: 10 ngôn ngữ ở trên không có tiếng Việt. Vì vậy, phần thử clone xuyên ngôn ngữ trong bài này mình dùng tiếng Anh để minh họa.

Ba loại mô hình: Base, CustomVoice, VoiceDesign

Qwen3-TTS chia thành ba loại theo mục đích sử dụng. Ký hiệu 12Hz trong tên cho biết bộ mã hóa giọng nói mà mô hình sử dụng:

Mô hình

Mục đích

0.6B

1.7B

Điều khiển ngữ điệu bằng lệnh

Base

Nhân bản giọng nói, cũng có thể dùng để tinh chỉnh (fine-tune)

Có

Có

Không

CustomVoice

9 giọng có sẵn

Có

Có

Chỉ bản 1.7B

VoiceDesign

Thiết kế giọng mới từ một đoạn mô tả bằng chữ

Không

Có

Có

Trong bài này, mình chỉ dùng bản 0.6B. Khi tải từ Hugging Face, Base và CustomVoice mỗi bản có dung lượng khoảng 2.4 GB.

9 giọng có sẵn

Các giọng có sẵn của CustomVoice (mô tả chính thức, mình dịch lại):

Tên

Giọng

Tiếng mẹ đẻ

Vivian

Giọng nữ trẻ, sáng, hơi cá tính

Tiếng Trung

Serena

Giọng nữ trẻ, ấm áp, dịu dàng

Tiếng Trung

Uncle_Fu

Giọng nam trưởng thành, trầm, tròn tiếng

Tiếng Trung

Dylan

Giọng nam trẻ, giọng Bắc Kinh

Tiếng Trung (giọng Bắc Kinh)

Eric

Giọng nam Thành Đô năng động, hơi khàn

Tiếng Trung (tiếng Tứ Xuyên)

Ryan

Giọng nam giàu nhịp điệu

Tiếng Anh

Aiden

Giọng nam Mỹ tươi sáng

Tiếng Anh

Ono_Anna

Giọng nữ tinh nghịch, nhẹ nhàng

Tiếng Nhật

Sohee

Giọng nữ ấm áp, giàu cảm xúc

Tiếng Hàn

Nhà phát triển khuyên nên ưu tiên dùng tiếng mẹ đẻ của từng giọng để có kết quả tốt nhất; dù vậy, giọng nào cũng đọc được cả 10 ngôn ngữ.

Cấu hình máy: không có card NVIDIA có chạy được không?

Được. Các ví dụ chính thức đều ghi device_map="cuda:0", kèm bfloat16 và FlashAttention 2; cả GitHub lẫn trang mô hình đều không nhắc đến CPU hay chip đồ họa Intel. Thực tế thì CPU và GPU tích hợp Intel đều chạy được.

Laptop của mình dùng Intel Core Ultra 5 322 (6 nhân), GPU tích hợp Panther Lake, không có card rời. Mình dùng bản 0.6B clone giọng của chính mình, đọc cùng một câu thoại tiếng Trung dài khoảng 6 giây (nhập bằng chữ giản thể):

Chạy bằng

Thời gian tạo

Hệ số thời gian (càng nhỏ càng nhanh)

CPU (6 nhân)

Khoảng 270 giây

Khoảng 42

GPU tích hợp Intel (PyTorch XPU)

16–18 giây

2.7–3.0

GPU tích hợp Intel, đổi sang bfloat16

Khoảng 12 giây

Khoảng 2.2

Hệ số thời gian là thời gian tạo chia cho thời lượng file âm thanh, ví dụ 3.0 nghĩa là 1 giây âm thanh mất 3 giây để tạo.

Mình đo trên CPU hai lần, lần lượt mất 272 giây và 402 giây. Lúc đo máy vẫn đang mở các chương trình khác nên hai con số chênh nhau nhiều, nhưng lần nào cũng mất hơn 4 phút rưỡi. GPU tích hợp thì đo lúc máy không chạy gì khác, tạo cùng một câu 3 lần liên tiếp: lần đầu phải biên dịch trước, mất khoảng 20 giây, các lần sau 16–18 giây.

Ngoài ra, nạp mô hình mất khoảng 6–10 giây. Giọng có sẵn (CustomVoice) chạy trên GPU tích hợp cũng nhanh tương đương: một câu thoại khoảng 8 giây mất khoảng 18–20 giây để tạo.

So với CosyVoice 3 ở bài trước, khi cùng thực hiện tác vụ nhân bản giọng nói, Qwen3-TTS trên GPU tích hợp nhanh hơn khoảng 2 lần. Mình dùng cùng một đoạn ghi âm, cùng hai câu thoại để đối chiếu: Qwen3-TTS mất 16–28 giây mỗi câu, CosyVoice 3 mất 29–61 giây. (Hệ số 2.5 trong bài CosyVoice 3 là ở chế độ xuyên ngôn ngữ không kèm bản chép lời, nhanh hơn kiểu clone có kèm bản chép lời.) Trên CPU, khoảng cách còn lớn hơn: CosyVoice 3 clone một câu bằng CPU mất khoảng hai phút, Qwen3-TTS mất hơn 4 phút rưỡi. Muốn nhân bản giọng nói bằng Qwen3-TTS thì gần như bắt buộc phải có GPU tích hợp.

Hướng dẫn cài đặt Qwen3-TTS (bản CPU)

Môi trường của mình là Linux (Arch), Python được quản lý bằng uv. Nhà phát triển khuyên dùng một môi trường mới với Python 3.12.

mkdir -p ~/tools/qwen3-tts && cd ~/tools/qwen3-tts
uv venv --python 3.12 .venv
VIRTUAL_ENV=.venv uv pip install --index-url https://download.pytorch.org/whl/cpu torch torchaudio
VIRTUAL_ENV=.venv uv pip install qwen-tts soundfile

Hãy cài torch từ kho gói dành riêng cho CPU của PyTorch trước, nếu không thì trên Linux mặc định sẽ tải bản có kèm CUDA, tốn thêm vài GB.

Nhà phát triển còn khuyên cài thêm FlashAttention 2 để tăng tốc, nhưng đây là gói tùy chọn và cần card đồ họa tương thích. CPU và GPU tích hợp Intel đều không dùng được, có thể bỏ qua.

Tạo câu đầu tiên

import torch, soundfile as sf
from qwen_tts import Qwen3TTSModel

# Nhân bản giọng nói: mô hình Base + giọng mẫu + bản chép lời của giọng mẫu
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
                                  device_map="cpu", dtype=torch.float32)
wavs, sr = m.generate_voice_clone(text="Câu thoại cần đọc", language="Chinese",
                                  ref_audio="ref.wav", ref_text="Lời nói trong bản ghi âm mẫu")
sf.write("out.wav", wavs[0], sr)

Lần chạy đầu tiên sẽ tự động tải mô hình từ Hugging Face. Muốn dùng giọng có sẵn thì đổi sang mô hình CustomVoice:

m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice",
                                  device_map="cpu", dtype=torch.float32)
wavs, sr = m.generate_custom_voice(text="Câu thoại cần đọc", speaker="Uncle_Fu", language="Chinese")

language có thể ghi tên ngôn ngữ như Chinese, English, Japanese, hoặc dùng Auto để mô hình tự nhận diện.

Tăng tốc bằng GPU tích hợp Intel (PyTorch XPU)

Đây là trọng tâm của bài. Backend của PyTorch dành cho chip đồ họa Intel có tên là XPU, và đã có bản XPU được biên dịch sẵn do PyTorch cung cấp, không cần tự biên dịch.

Theo hướng dẫn XPU chính thức của PyTorch, các chip đồ họa Intel được hỗ trợ gồm card rời Arc dòng A/B, và GPU tích hợp của Core Ultra: Meteor Lake, Arrow Lake, Lunar Lake và Panther Lake. Hệ điều hành được liệt kê là Windows 11 và Ubuntu (Panther Lake cần Ubuntu 26.04). Mình dùng Arch Linux, không có trong danh sách, nhưng vẫn chạy được.

Mình tạo một môi trường riêng cho GPU tích hợp, giữ nguyên môi trường bản CPU.

1. Cài driver tính toán của Intel

Máy tính thông thường chỉ được cài driver hiển thị. Muốn PyTorch dùng chip đồ họa để tính toán thì phải cài thêm driver tính toán của Intel (Level Zero). Trên Arch Linux:

sudo pacman -S intel-compute-runtime

2. Cài PyTorch bản XPU

cd ~/tools/qwen3-tts
uv venv --python 3.12 .venv-xpu
VIRTUAL_ENV=.venv-xpu uv pip install --index-url https://download.pytorch.org/whl/xpu torch torchaudio
.venv-xpu/bin/python -c "import torch; print(torch.xpu.is_available(), torch.xpu.get_device_name(0))"

Nếu lệnh in ra True Intel(R) Graphics thì PyTorch đã nhận diện được GPU tích hợp. Bản mình cài được là PyTorch 2.15.0.

3. Khóa phiên bản torch, rồi mới cài qwen-tts

Khi cài qwen-tts ở bước tiếp theo, công cụ quản lý gói cũng sẽ kiểm tra torch. Nếu để công cụ quản lý gói tự chọn, bản XPU vừa cài có thể bị thay bằng bản thông thường. Vì vậy mình viết trước một file ràng buộc để khóa phiên bản:

cat > xpu-constraints.txt <<'EOF'
torch==2.15.0+xpu
torchaudio==2.11.1+xpu
EOF

VIRTUAL_ENV=.venv-xpu uv pip install -c xpu-constraints.txt \
  --index-strategy unsafe-best-match --extra-index-url https://download.pytorch.org/whl/xpu \
  qwen-tts soundfile

Thay số phiên bản bằng bản bạn thực sự cài được (xem bằng uv pip list). --index-strategy unsafe-best-match cho phép uv chọn gói từ cả PyPI lẫn nguồn XPU của PyTorch.

Ở bước này, CosyVoice 3 trong bài trước gặp xung đột triton: openai-whisper cài kèm triton bản cũ, đè lên triton-xpu mà XPU cần. Qwen3-TTS không dùng openai-whisper nên lần này không gặp. Nếu bạn thấy lỗi cannot import name 'make_tensordesc_args', có thể tham khảo cách xử lý trong bài trước.

4. Đổi device_map thành xpu

Đây là điểm khác biệt lớn nhất so với CosyVoice 3. Mã của CosyVoice chỉ nhận CUDA, mình phải nạp mô hình trên CPU trước rồi tự chuyển sang GPU tích hợp. Qwen3-TTS dùng cách nạp mô hình của Hugging Face transformers, chỉ cần đổi device_map thành "xpu", không phải sửa mã nguồn của gói:

m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
                                  device_map="xpu", dtype=torch.float32)

dtype là độ chính xác số mà mô hình dùng để tính toán. float32 là số thực dấu phẩy động 32 bit, chính xác cao nhưng chậm hơn và tốn bộ nhớ hơn; bfloat16 chỉ dùng 16 bit, nhanh, tiết kiệm bộ nhớ nhưng độ chính xác thấp hơn. Ví dụ chính thức dùng dtype=torch.bfloat16.

Bình thường mình dùng float32, và có thử cả bfloat16: thời gian tạo cùng một câu giảm từ 16–18 giây xuống còn khoảng 12 giây. Khi mình dùng công cụ nhận dạng giọng nói (Whisper) để chép lại thành văn bản, nội dung cũng đúng. Có điều, thời lượng file âm thanh của hai lần tạo khác nhau (bfloat16 là 5.3 giây, float32 là 6.0 giây), khi so tốc độ cũng nên lưu ý điểm này.

Mình đã so sánh hai phiên bản: chất lượng âm thanh khác nhau rất ít, phải nghe thật kỹ mới phân biệt được. Vì vậy, khi chạy bằng GPU tích hợp Intel, mình khuyên dùng luôn bfloat16, trong lần thử này mỗi câu tiết kiệm thêm khoảng 30% thời gian.

Lần đầu tạo giọng trên GPU tích hợp phải biên dịch các phép tính trước nên sẽ chậm hơn; các lần tạo tiếp theo trong cùng chương trình thì bình thường. Vì thế, khi cần tạo cả loạt câu thoại, chỉ nạp mô hình một lần rồi đọc lần lượt từng câu, đừng khởi động lại chương trình cho mỗi câu.

Mình gói hai cách dùng CPU và GPU tích hợp thành một lệnh, đặt ở ~/tools/qwen3-tts/, dự án nào cũng gọi trực tiếp được. Thêm --device xpu là chuyển sang môi trường GPU tích hợp.

Thử nghiệm 1: nhân bản giọng nói AI bằng chính giọng của mình

Giọng mẫu giống bài trước: đoạn ghi âm dài 8 giây mình thu bằng điện thoại. Qwen3-TTS chưa nói được tiếng Việt (tính đến 21/11/2026, nó hỗ trợ 10 ngôn ngữ), nên phần xuyên ngôn ngữ bên dưới mình minh họa bằng tiếng Anh.

Lưu ý: tất cả file âm thanh mẫu trong phần này là giọng thật của tác giả Terry L, hoặc kết quả clone từ giọng của chính tác giả. Bản quyền thuộc về tác giả, vui lòng không tải xuống, đăng lại hoặc sử dụng ở nơi khác (kể cả đem đi clone).
Bản ghi âm gốc của mình (8 giây): 「歡迎大家來到我的月球基地。我的文章記錄我對於各種工具的測試,希望對您有幫助。」 (Chào mừng mọi người đến với căn cứ mặt trăng của mình. Các bài viết của mình ghi lại những lần thử nghiệm đủ loại công cụ, mong là có ích cho bạn.) Bản quyền thuộc về tác giả, vui lòng không sử dụng ở nơi khác

Hai câu dưới đây mình chưa từng đọc. Chúng do Qwen3-TTS 0.6B tạo ra trên GPU tích hợp Intel, dùng đoạn ghi âm ở trên và bản chép lời của nó để clone. Câu thoại và bản chép lời đều được chuyển sang chữ giản thể trước khi đưa vào (lý do xem ở Thử nghiệm 2):

Giọng clone của mình: 「這句話是 Qwen3-TTS 用我錄的八秒鐘聲音克隆出來的。我本人從來沒有念過這句話。」 (Câu này được Qwen3-TTS clone từ 8 giây ghi âm giọng của mình. Chính mình chưa từng đọc câu này.) Bản quyền thuộc về tác giả, vui lòng không sử dụng ở nơi khác
Giọng clone của mình: 「這段聲音是在我筆電的 Intel 內顯上生成的,沒有用到 NVIDIA 顯示卡。」 (Đoạn âm thanh này được tạo trên GPU tích hợp Intel của laptop mình, không dùng card đồ họa NVIDIA.) Bản quyền thuộc về tác giả, vui lòng không sử dụng ở nơi khác

Câu thứ hai khó đọc hơn: câu thoại có "Intel", "NVIDIA", "內顯" (GPU tích hợp), "顯示卡" (card đồ họa), xen lẫn tiếng Trung và tiếng Anh. Mình tạo liên tiếp 3 phiên bản: hai bản đầu, không đọc sai "顯示卡" thì cũng đọc "NVIDIA" không rõ, đến bản thứ ba mới hoàn toàn chính xác. Khi dùng Qwen3-TTS đọc kiểu câu thoại này, nhớ tạo nhiều phiên bản rồi chọn.

Mình thấy giọng tiếng Trung tạo ra rất giống giọng thật của mình.

Clone xuyên ngôn ngữ: cùng đoạn ghi âm tiếng Trung đó cũng dùng được để đọc tiếng Anh và tiếng Nhật:

Giọng clone của mình đọc tiếng Anh: "This sentence was generated by Qwen3-TTS from an eight-second clip of my voice. I never actually said it." (Câu này được Qwen3-TTS tạo ra từ một đoạn ghi âm 8 giây giọng của mình. Thật ra mình chưa từng nói câu này.) Bản quyền thuộc về tác giả, vui lòng không sử dụng ở nơi khác
Giọng clone của mình đọc tiếng Nhật: 「この声は、私の8秒の録音から作られました。」 (Giọng nói này được tạo từ đoạn ghi âm 8 giây của mình.) Bản quyền thuộc về tác giả, vui lòng không sử dụng ở nơi khác

Với câu tiếng Nhật, mình dùng công cụ nhận dạng giọng nói (Whisper) để chép lại thành văn bản rồi đối chiếu: nội dung hoàn toàn chính xác. Câu tiếng Anh thì ngoài cái tên "Qwen3-TTS" bị chép thành chữ khác, phần còn lại đều đúng, không đọc thừa hay thiếu chữ nào.

Nhưng nội dung đúng không có nghĩa là nghe hay. Mình thấy câu tiếng Anh nghe khá gượng, bị ngắt quãng liên tục, không tự nhiên lắm. Cùng đoạn ghi âm đó đem đọc tiếng Anh, CosyVoice 3 ở bài trước trôi chảy hơn rõ rệt. Nếu muốn dùng giọng của chính mình để đọc ngôn ngữ khác, CosyVoice 3 làm tốt hơn.

Thử nghiệm 2: câu thoại của Arthur

Trang chủ của website là một trò chơi 3D nhỏ: một căn cứ mặt trăng nơi bạn điều khiển phi hành gia đi lại, và trong căn cứ có một quán bar với robot pha chế tên Arthur. Nhân vật này là lời tri ân dành cho Arthur, người máy pha chế trong phim Passengers (2016). Mình cố ý không bắt chước giọng của Michael Sheen, người đóng Arthur trong phim; giờ Arthur nói bằng giọng của mình. Qwen3-TTS không đọc được tiếng Việt, nên đây là câu thoại tiếng Trung của Arthur:

Giọng clone của mình đọc thoại của Arthur (nhập bằng chữ giản thể): 「酒保是替人保守秘密的。这是这份行业的神圣信用。」 (Người pha chế là người giữ bí mật cho khách. Đó là niềm tin thiêng liêng của nghề này.) Bản quyền thuộc về tác giả, vui lòng không sử dụng ở nơi khác

Khi cho Qwen3-TTS đọc tiếng Trung, hãy chuyển câu thoại sang chữ giản thể trước: nhập chữ phồn thể thì mô hình đọc sai những chữ có nhiều cách phát âm. Khi nghe bản tạo từ câu nhập bằng chữ phồn thể, chữ "行業" (nghề nghiệp) bị đọc thành "商議" (bàn bạc), còn bản giản thể thì đọc đúng háng. Không cần chuyển bằng tay, gói OpenCC của Python chỉ cần một dòng:

from opencc import OpenCC
t2s = OpenCC("t2s").convert
text = t2s("這是這份行業的神聖信用")  # Đó là niềm tin thiêng liêng của nghề này.

Thử nghiệm 3: 9 giọng có sẵn (CustomVoice)

Nếu không muốn clone, hoặc nhân vật chưa có giọng mẫu, bạn có thể dùng luôn giọng có sẵn. Các file dưới đây đều được tạo bằng CustomVoice 0.6B trên GPU tích hợp, câu thoại là 「歡迎來到月球基地的酒吧。今天想喝點什麼?」 (Chào mừng đến quán bar của căn cứ mặt trăng. Hôm nay bạn muốn uống gì?), nhập bằng chữ giản thể:

Giọng có sẵn Uncle_Fu
Giọng có sẵn Vivian
Giọng có sẵn Serena
Giọng có sẵn Dylan (giọng Bắc Kinh)
Giọng có sẵn Eric (tiếng Tứ Xuyên)

Giọng tiếng Anh có sẵn Aiden, câu thoại là "Welcome to the bar on the lunar base. What can I get you tonight?":

Giọng có sẵn Aiden (tiếng Anh)

Eric vừa cất tiếng là nghe ra ngay giọng Tứ Xuyên. Muốn nhân vật có chút giọng địa phương thì có thể dùng luôn giọng này.

CustomVoice 0.6B không hỗ trợ điều khiển ngữ điệu bằng lệnh; muốn kiểu điều khiển như "nói với giọng tức giận" thì phải đổi sang bản 1.7B.

Chọn Qwen3-TTS hay CosyVoice 3?

Cả hai đều là mô hình mã nguồn mở của Alibaba, đều dùng giấy phép Apache-2.0 và có thể dùng cho mục đích thương mại. Mình đã thử cả hai trên cùng một chiếc laptop:

Mục

Qwen3-TTS 0.6B

CosyVoice 3 (0.5B)

Giấy phép

Apache-2.0

Apache-2.0

Ngôn ngữ

10 thứ tiếng

9 thứ tiếng (không có tiếng Bồ Đào Nha)

Phương ngữ

Có giọng Bắc Kinh và tiếng Tứ Xuyên trong các giọng có sẵn

Hơn 18 loại, đổi bằng lệnh

Nhập tiếng Trung

Phải chuyển sang giản thể trước

Phần lớn có thể nhập trực tiếp bằng chữ phồn thể

Điều khiển ngữ điệu bằng lệnh

0.6B không được (CustomVoice, VoiceDesign bản 1.7B thì được, Base thì không)

Được (phương ngữ, tốc độ, cảm xúc)

Dùng GPU tích hợp Intel

Chỉ cần đổi device_map thành "xpu"

Phải tự chuyển mô hình sang GPU tích hợp

Clone một câu trên GPU tích hợp (cùng câu thoại)

16–28 giây (bfloat16 còn nhanh hơn)

29–61 giây

Clone một câu trên CPU

Hơn 4 phút rưỡi

Khoảng 2 phút

Clone xuyên ngôn ngữ (ghi âm tiếng Trung đọc tiếng Anh)

Nghe rất gượng

Trôi chảy hơn nhiều

Tóm lại:

  • Có GPU tích hợp Intel, cần tốc độ, muốn dùng luôn giọng có sẵn: Qwen3-TTS, cài đặt đơn giản nhất, clone cũng nhanh hơn.
  • Muốn dùng giọng của mình đọc tiếng Anh hay ngôn ngữ khác: CosyVoice 3, clone xuyên ngôn ngữ trôi chảy hơn nhiều.
  • Câu thoại chủ yếu là tiếng Trung phồn thể, cần phương ngữ hoặc lệnh cảm xúc: CosyVoice 3, phần lớn có thể nhập trực tiếp bằng chữ phồn thể, lại có thể dùng một câu lệnh để chỉ định tiếng Quảng Đông, tiếng Tứ Xuyên, tốc độ và cảm xúc.
  • Chỉ có CPU: CosyVoice 3 clone một câu khoảng hai phút, Qwen3-TTS mất hơn 4 phút rưỡi, nên nếu chỉ có CPU thì CosyVoice 3 là lựa chọn thiết thực hơn.

Có clone giọng người khác được không?

Về mặt kỹ thuật thì được, chỉ cần một đoạn ghi âm sạch. Nhưng chỉ clone giọng của chính bạn hoặc của người đã đồng ý cho bạn sử dụng. Giấy phép Apache-2.0 cho phép thương mại hóa bản thân mô hình, không có nghĩa là bạn được dùng giọng của bất kỳ ai. Giọng nói của người nổi tiếng được bảo vệ bởi quyền nhân thân; dùng giọng người khác để nói những điều họ chưa từng nói còn có thể dính đến lừa đảo hoặc phỉ báng.

Câu hỏi thường gặp

Qwen3-TTS có dùng cho mục đích thương mại được không?

Được. Cả mô hình lẫn bộ mã hóa giọng nói của Qwen3-TTS đều dùng giấy phép Apache-2.0. Nhưng giọng mẫu phải là giọng của bạn hoặc của người đã đồng ý cho bạn sử dụng.

Không có card NVIDIA có chạy Qwen3-TTS được không?

Được. Bản 0.6B chạy bằng CPU được, nhưng nhân bản giọng nói mỗi câu mất vài phút. Nếu có GPU tích hợp Intel Core Ultra hoặc card Arc, hãy cài PyTorch bản XPU và đổi device_map thành "xpu". Trên laptop của mình, clone một câu thoại 6 giây mất khoảng 16–18 giây, nhanh gấp hơn 10 lần so với CPU.

Qwen3-TTS có hỗ trợ tiếng Việt không?

Tính đến 21/11/2026 thì chưa. Nó hỗ trợ 10 ngôn ngữ: tiếng Trung, Anh, Nhật, Hàn, Đức, Pháp, Nga, Bồ Đào Nha, Tây Ban Nha, Ý. Bạn có thể clone giọng của mình rồi cho nó đọc một trong các ngôn ngữ này; riêng tiếng Trung thì nên chuyển câu thoại sang chữ giản thể trước.

Qwen3-TTS có nói được phương ngữ tiếng Trung không?

10 ngôn ngữ chính thức không có tiếng Quảng Đông hay Taiwanese Hokkien. Phương ngữ trong các giọng có sẵn chỉ có giọng Bắc Kinh (Dylan) và tiếng Tứ Xuyên (Eric). Cần tiếng Quảng Đông thì có thể cân nhắc CosyVoice 3, trong các lệnh phương ngữ của nó có tiếng Quảng Đông.

Qwen3-TTS 0.6B và 1.7B khác nhau ở đâu?

Bản 1.7B có thêm VoiceDesign (thiết kế giọng từ mô tả bằng chữ), còn CustomVoice cũng hỗ trợ điều khiển ngữ điệu bằng lệnh; bản 0.6B chỉ có nhân bản giọng nói và giọng có sẵn. Cả hai kích thước đều hỗ trợ 10 ngôn ngữ.

Nhân bản giọng nói AI cần ghi âm mẫu dài bao nhiêu?

Theo nhà phát triển, chỉ cần 3 giây ghi âm là có thể clone giọng. Mình dùng đoạn ghi âm 8 giây, kèm bản chép lời khớp từng chữ. Bản ghi phải được thu ở nơi yên tĩnh, chỉ có một người nói.

Kết luận: GPU tích hợp Intel cũng nhân bản giọng nói được

Trong bài tổng quan, mình tưởng không có card NVIDIA thì đừng mong dùng Qwen3-TTS để clone giọng. Chuyển sang GPU tích hợp Intel, thời gian tạo cùng một câu giảm từ hơn 4 phút rưỡi xuống còn 16–18 giây, mà chỉ phải đổi đúng một tham số device_map. Nếu laptop của bạn dùng Core Ultra, rất đáng để thử.

Nếu bạn cũng đã thử Qwen3-TTS, hoặc từng chạy các mô hình AI khác bằng GPU tích hợp Intel, hãy để lại bình luận trên Threads hoặc X.