Công cụ này làm gì
Công cụ chuyển văn bản thành giọng nói này đọc to văn bản tiếng Anh bằng giọng AI tự nhiên và cho phép bạn tải kết quả về dưới dạng tệp WAV. Nó dùng Kokoro-82M, một mô hình tổng hợp giọng nói mở với 82 triệu tham số của hexgrad, thông qua thư viện kokoro-js và Transformers.js. Mọi thứ diễn ra trong trình duyệt: không cần tài khoản, không giới hạn ký tự và không có máy chủ nào thấy những gì bạn gõ.
Vì mô hình nhỏ nên chạy được trên máy tính xách tay thông thường. Trên trình duyệt có WebGPU (Chrome và Edge mới), nó dùng card đồ họa với mô hình độ chính xác đầy đủ; ở nơi khác, nó chạy trên CPU với phiên bản lượng tử hóa 8 bit, nhỏ hơn mà vẫn rõ ràng.
Cách sử dụng
- Nhấn Tải mô hình và bắt đầu. Lần đầu, mô hình (khoảng 92 MB trên CPU, khoảng 326 MB với WebGPU) được tải về và trình duyệt lưu đệm. Thanh tiến độ cho biết còn bao nhiêu. Lần sau mô hình nạp từ bộ đệm trong vài giây.
- Gõ hoặc dán văn bản, hoặc nhấn Mẫu để thử một đoạn ngắn. Số ký tự và thời lượng âm thanh ước tính được cập nhật khi bạn gõ.
- Chọn Giọng và Tốc độ trong khoảng 0,5× đến 2×.
- Nhấn Tạo giọng nói. Văn bản dài được chia thành các đoạn cỡ một câu và đọc lần lượt, kèm bộ đếm “Đoạn 3 / 12”. Nhấn Dừng để kết thúc sớm và giữ lại phần âm thanh đã tạo.
- Nghe thử trong trình phát, rồi nhấn Tải WAV để lưu tệp mono 24 kHz.
Muốn có các tệp riêng, hãy đặt Đầu ra thành Mỗi dòng một tệp: mỗi dòng không trống thành một tệp WAV được đánh số (01-…, 02-…), và Tải tất cả (ZIP) lưu tất cả cùng lúc.
Nút Chia sẻ sao chép một liên kết chứa văn bản, giọng và tốc độ, để người khác có thể tạo cùng giọng nói trong trình duyệt của họ.
Giọng và ngôn ngữ
Các giọng Kokoro trên trình duyệt chỉ nói tiếng Anh. Có 20 giọng tiếng Anh Mỹ (11 nữ, 9 nam) và 8 giọng tiếng Anh Anh (4 nữ, 4 nam). Mỗi giọng trong danh sách hiển thị điểm tổng từ thẻ mô hình; Heart và Bella (Mỹ, nữ) được đánh giá cao nhất, còn Emma (Anh, nữ) và Fenrir, Michael, Puck (Mỹ, nam) là những lựa chọn tốt khác.
Cách phát âm đến từ bộ chuyển âm vị espeak-ng, nên tên riêng, từ viết tắt và con số thường được đọc đúng, nhưng từ hiếm có thể cần viết lại. Nếu phần lớn văn bản là chữ viết khác, công cụ sẽ cảnh báo vì những ký tự đó không thể đọc thành tiếng.
Ví dụ
Tải đoạn văn mẫu, giữ giọng mặc định Heart và nhấn Tạo. Hai dòng trở thành hai đoạn và sau vài giây bạn có khoảng hai mươi giây giọng nói, với một khoảng nghỉ ngắn giữa hai đoạn. Chuyển sang George để có người dẫn chuyện nam giọng Anh, hoặc đặt tốc độ 1,3× để đọc nhanh hơn, rồi tạo lại.
Yêu cầu và quyền riêng tư
Công cụ cần trình duyệt hiện đại hỗ trợ WebAssembly và Web Worker: Chrome, Edge, Firefox hoặc Safari bản mới trên máy tính hay điện thoại. WebGPU không bắt buộc, chỉ giúp nhanh hơn. Điện thoại ít bộ nhớ có thể gặp khó với văn bản dài; hãy chọn Chỉ CPU nếu WebGPU lỗi. Tệp mô hình lấy từ Hugging Face và bộ máy ONNX Runtime từ một CDN công cộng; mỗi tệp giọng (khoảng 0,5 MB) được tải khi bạn dùng lần đầu. Sau khi đã lưu đệm, việc tạo giọng hoạt động ngoại tuyến.
Câu hỏi thường gặp
› Văn bản của tôi có bị tải lên máy chủ không?
Không. Giọng nói được tạo ngay trên thiết bị của bạn bằng một mô hình chạy trong trình duyệt. Trang chỉ tải tệp mô hình một lần từ Hugging Face, còn văn bản và âm thanh của bạn không bao giờ rời khỏi trang.
› Công cụ nói được những ngôn ngữ nào?
Chỉ tiếng Anh. Kokoro-82M v1.0 cho trình duyệt có 28 giọng, 20 giọng Mỹ và 8 giọng Anh. Văn bản bằng ngôn ngữ hoặc chữ viết khác, như tiếng Việt có dấu, tiếng Trung, tiếng Ả Rập hay tiếng Nga, sẽ bị bỏ qua hoặc phát âm sai.
› Dung lượng tải về là bao nhiêu, có phải tải lại mỗi lần không?
Khoảng 92 MB cho mô hình 8 bit chạy trên CPU, hoặc khoảng 326 MB cho mô hình độ chính xác đầy đủ dùng với WebGPU, cộng thêm bộ máy ONNX Runtime và một tệp nhỏ cho mỗi giọng. Trình duyệt lưu đệm tất cả, nên những lần sau khởi động trong vài giây mà không phải tải lại.
› Tôi có thể dùng âm thanh tạo ra cho mục đích thương mại không?
Trọng số Kokoro-82M và thư viện kokoro-js được phát hành theo giấy phép Apache 2.0, và mô hình được huấn luyện trên âm thanh có giấy phép mở, nên bạn có thể dùng giọng nói tạo ra trong video, podcast hoặc ứng dụng. Xem thẻ mô hình trên Hugging Face để biết đầy đủ điều khoản.
› Vì sao trên máy tôi tạo giọng chậm?
Khi không có WebGPU, mô hình chạy trên CPU qua WebAssembly, có thể mất vài giây cho mỗi câu trên máy tính xách tay hoặc điện thoại cũ. Chrome và Edge có WebGPU nhanh hơn nhiều. Văn bản dài được chia thành từng đoạn nên bạn thấy được tiến độ và có thể dừng bất cứ lúc nào.