ONE is preparing: 01 / INITIALIZING MODEL ROUTER. Evaluating routing across providers.
Current state
01 / INITIALIZING MODEL ROUTER.

Evaluating routing across providers.

Start learning
← NLP & Multimodal

AI Researcher

Tổng hợp giọng nói — AI biết nói

Vietnamese onlyThe learning content is available in Vietnamese only. The surrounding interface follows your language.

Công nghệ chuyển đổi văn bản thành giọng nói tự nhiên, với khả năng kiểm soát ngữ điệu và cảm xúc.

lesson102 minNLP & MultimodalAI Researcher

Dự đoán

Khi TTS đọc câu 'Hà Nội 36°C', AI xử lý '36°C' như thế nào?

Đúng! Trước khi tổng hợp giọng, TTS phải chạy text normalization: '36°C' → 'ba mươi sáu độ xê'. Đây là bước quan trọng nhất và phức tạp nhất — ví dụ '10/3' có thể là 'mười phần ba' (phân số) hoặc 'ngày mười tháng ba' (ngày tháng) tuỳ ngữ cảnh!

Khoảnh khắc A-ha

TTS hiện đại không phải ghép nối âm thanh ghi sẵn — nó sinh sóng âm hoàn toàn mới từ spectrogram. Giống như nghệ sĩ lồng tiếng tạo ra mỗi câu thoại là duy nhất, TTS neural tạo giọng nói chưa từng tồn tại, với cảm xúc và ngữ điệu được kiểm soát chính xác.

Thử thách nhanh

Câu 'Tôi ở số 10/3 Nguyễn Huệ' — TTS cần xử lý '10/3' như thế nào?

Trong ngữ cảnh địa chỉ Việt Nam, '10/3' là số nhà hẻm — đọc 'mười xẹt ba' (ở miền Nam) hoặc 'mười ngách ba' (ở miền Bắc). Đây là ví dụ điển hình cho thấy text normalization cần hiểu ngữ cảnh, không chỉ quy tắc cố định!

Lý thuyết

Text-to-Speech (TTS) là công nghệ chuyển đổi văn bản thành giọng nói tự nhiên — ngược lại với bài toán nhận dạng giọng nói (ASR) chuyển âm thanh thành chữ. TTS hiện đại không chỉ phát âm chính xác mà còn thể hiện ngữ điệu, cảm xúc, và phong cách nói.

Mô hình F0 (fundamental frequency) cho thanh điệu tiếng Việt:

F0(t)=Fbase+ΔFtone(t)+ΔFintonation(t)F_0(t) = F_{\text{base}} + \Delta F_{\text{tone}}(t) + \Delta F_{\text{intonation}}(t)

FbaseF_{\text{base}} là tần số cơ bản của giọng (nam ~120Hz, nữ ~220Hz). ΔFtone\Delta F_{\text{tone}} là biến thiên do thanh điệu từ (6 thanh). ΔFintonation\Delta F_{\text{intonation}} là biến thiên ngữ điệu câu (hỏi, trần thuật, cảm thán).

tts_vietnamese.py

# TTS tiếng Việt với VITS (end-to-end)
from TTS.api import TTS

# Tải mô hình TTS tiếng Việt
tts = TTS(model_name="tts_models/vi/vits/vivos")

# Đọc tin VnExpress bằng giọng tự nhiên
text = "Hà Nội hôm nay nhiệt độ 36 độ C, "
text += "người dân được khuyến cáo hạn chế ra ngoài "
text += "từ 11 giờ đến 15 giờ chiều."

tts.tts_to_file(
    text=text,
    file_path="tin-thoi-tiet.wav",
    speed=1.0,        # Tốc độ đọc (1.0 = bình thường)
)

# Voice cloning — nhân bản giọng nói từ 10 giây mẫu
tts_clone = TTS(model_name="tts_models/multilingual/multi-dataset/xtts_v2")
tts_clone.tts_to_file(
    text="Xin chào, tôi là trợ lý ảo tiếng Việt",
    speaker_wav="giong-mau-10s.wav",  # File giọng mẫu
    language="vi",
    file_path="giong-nhan-ban.wav",
)

Ứng dụng tại Việt Nam

Tóm tắt

  • TTS pipeline: Text Normalization → Prosody → Acoustic Model (Mel-spectrogram) → Vocoder (sóng âm).
  • Text normalization là bước phức tạp nhất cho tiếng Việt: số, viết tắt, địa chỉ cần hiểu ngữ cảnh.
  • 6 thanh điệu tiếng Việt quyết định F0 contour — nhầm thanh = nhầm nghĩa hoàn toàn.
  • TTS neural (VITS, XTTS) sinh sóng âm mới, khác hẳn TTS ghép nối cũ.
  • Voice cloning cần chỉ 3-10 giây mẫu — mạnh mẽ nhưng cũng nguy hiểm cho lừa đảo.

Continue the module

Lesson 13 of 13