Phần mềm chuyển văn bản tiếng Việt thành giọng nói, chạy hoàn toàn trên máy tính của bạn.

Không cần tài khoản. Không cần Internet sau khi cài. Văn bản và giọng nói của bạn không bị gửi đi đâu cả.

Chạy trên Windows, Linux và macOS (Mac chip Apple và chip Intel).

⬇ Trang tải về (Releases) hoặc ⬇ Google Drive (khi GitHub tải chậm) - chọn đúng file cho máy của bạn:

Mọi bản đều kèm sẵn mô hình giọng nói: cài xong dùng được ngay, không cần Internet, dữ liệu lưu trực tiếp trên máy bạn.

Tốc độ thử nghiệm: máy Intel Core i7 thế hệ 8 (4 nhân) - 10 phút audio mất khoảng 5 phút.

Mỗi lần tạo nên bao nhiêu ký tự?

• Bản 1.0.1 trở lên (Windows, Linux, macOS): không giới hạn. Ứng dụng ghi audio dần ra ổ đĩa nên bài dài không tốn thêm RAM - đã thử văn bản ~84.000 ký tự (~2 giờ audio), ứng dụng chỉ dùng khoảng 1 GB RAM. Chỉ cần đủ thời gian và ổ đĩa trống: mỗi giờ audio WAV khoảng 330 MB. Bài vài giờ nên chia theo chương, tạo từng chương hoặc sử dụng tab Tạo hàng loạt, để lỡ gián đoạn không phải làm lại từ đầu, và dễ sửa từng phần.
• Bản 1.0.0: văn bản quá dài có thể làm ứng dụng báo lỗi bộ nhớ hoặc trắng màn hình. Tuỳ cấu hình máy, có thể tham khảo:

Đây là mức ước tính an toàn, nên thấp hơn nữa nếu đang mở nhiều ứng dụng khác. Bài dài hơn thì chia thành nhiều phần, hoặc dùng tab Tạo hàng loạt để mỗi phần thành một file riêng.

1. Tải file CIT-Voice-Studio-v1.0.3-win-x86_64.exe.
2. Bấm đúp và làm theo hướng dẫn. Bộ cài không đòi quyền quản trị (Administrator).
3. Mở ứng dụng từ biểu tượng ngoài Desktop hoặc trong Start Menu.

Gỡ cài đặt: Settings → Apps → CIT Voice Studio → Uninstall.

Cài file .deb (Ubuntu, Debian, Linux Mint và các bản dựa trên Debian):

sudo apt install ./CIT-Voice-Studio-v1.0.3-amd64.deb

Mở bằng mục CIT Voice Studio trong menu ứng dụng, hoặc gõ cit-voice-studio trong Terminal. Gỡ: sudo apt remove cit-voice-studio.

Trên Linux, ứng dụng chạy trong một cửa sổ Terminal và mở giao diện bằng trình duyệt tại http://127.0.0.1:8001. Giữ Terminal mở trong lúc dùng; đóng Terminal hoặc bấm Ctrl+C để tắt.

1. Mở file .dmg, kéo CIT Voice Studio vào thư mục Applications.
2. Lần đầu mở, macOS chặn vì ứng dụng chưa được Apple chứng thực: vào System Settings → Privacy & Security, kéo xuống cuối, bấm Open Anyway.
3. Ứng dụng có cửa sổ riêng; tắt bằng Cmd+Q.

Chọn đúng file theo chip của máy: menu → About This Mac, dòng Chip ghi "Apple M…" thì tải bản arm64, dòng Processor ghi "Intel" thì tải bản x86_64.

Bản Linux và macOS có file HUONG-DAN.txt đi kèm, hướng dẫn chi tiết.

• 25 giọng có sẵn: nam và nữ, giọng Bắc, Trung, Nam, nhiều phong cách (tin tức, kể chuyện, đọc truyện, tự nhiên…). Danh sách chọn giọng ghi rõ giới tính, vùng miền và phong cách.
• Nghe thử từng giọng ngay trong danh sách trước khi chọn.
• Đọc tiếng Anh xen tiếng Việt: tự nhận ra từ tiếng Anh và đọc đúng.
• Chỉnh tốc độ đọc từ 0.75x đến 1.50x.
• Xuất WAV (48 kHz) hoặc MP3.

• Thẻ cảm xúc chèn ngay trong câu: [cười], [thở dài], [hắng giọng].
• Thẻ nghỉ tạo khoảng lặng dài đúng như ý: [nghỉ 2s], [nghỉ 500ms] (tối đa 10 giây mỗi thẻ).
• Từ điển phát âm: tự đặt cách đọc cho từ viết tắt hay tên riêng mà máy đọc sai, ví dụ KTX → "ký túc xá", SGK → "sách giáo khoa". Mở bằng nút Từ điển trên khung soạn thảo; từ điển được lưu lại và dùng cho mọi lần tạo giọng.

• Tải thêm mô hình Supertonic 3 (~400 MB) trong Cài đặt → Mô hình để đọc 31 ngôn ngữ: Anh, Nhật, Hàn, Pháp, Đức, Tây Ban Nha, Nga, Ả Rập… (chưa có tiếng Trung) với 10 giọng nam nữ.
• Chọn tiếng của đoạn văn ở ô Ngôn ngữ văn bản (mặc định Tiếng Anh, hoặc Tự nhận theo văn bản). Nút nghe thử giọng cũng đọc câu mẫu bằng tiếng đó. Dùng được ở mọi tab: TTS Studio, hội thoại, tạo hàng loạt, lồng tiếng theo phụ đề.
• Chạy bằng CPU, không cần cài gì thêm, có trên cả Windows, Linux và macOS. Tiếng Việt vẫn nên dùng VieNeu (chất lượng tốt hơn); mô hình này không nhân bản giọng.
• Thẻ cảm xúc riêng của mô hình: <laugh> (cười), <breath> (lấy hơi), <sigh> (thở dài), chèn bằng thanh cảm xúc. Thẻ nghỉ [nghỉ 2s] dùng như bình thường.
• Từ điển phát âm dùng được như với VieNeu, tiện để sửa tên riêng, viết tắt mà mô hình đọc sai, ví dụ CIT → C I T, Nguyễn → Nwin, km → kilometers. Từ điển dùng chung cho mọi mô hình.

• Tạo giọng mới bằng cách thu âm trực tiếp bằng micro và đọc câu đồng ý (khoảng 8 giây); chỉ nhân bản được giọng của chính bạn.
• Không nhân bản từ file ghi âm có sẵn (WAV, MP3…). Nếu bạn cần tính năng đó, hãy tự cài từ mã nguồn của dự án gốc VieNeu-TTS và tự chịu trách nhiệm về giọng mình nhân bản.
• Lưu giọng đã nhân bản để dùng lại, và xoá khi không cần nữa.

• Viết kịch bản nhiều nhân vật, mỗi nhân vật một giọng; ứng dụng ghép thành một file audio.

• Lấy văn bản từ PDF, Word (.docx) và TXT.
• Thả file phụ đề .srt vào để lồng tiếng theo mốc thời gian (xem mục dưới).
• Nút Làm sạch bỏ khoảng trắng thừa, gạch đầu dòng và chỗ xuống dòng giữa câu, nhưng giữ nguyên công thức như 1 + 1.

• Đặt mốc [P1], [P2]… ở đầu dòng: mỗi mốc thành một file audio riêng.
• Nhập trực tiếp hoặc tải lên file TXT. Có sẵn file mẫu để tải về.
• Tải từng file, hoặc tải tất cả trong một file .zip.

• Tạo audio kèm phụ đề .srt, mốc thời gian khớp theo từng câu. Dùng thẳng trong CapCut, Premiere, DaVinci Resolve…

Đã có sẵn file phụ đề của video (tự gõ, xuất từ CapCut/Premiere, hoặc dịch từ phụ đề tiếng nước ngoài)? Ứng dụng đọc từng câu đúng mốc thời gian và ra một file audio để ghép thẳng vào video.

1. Mở tab Đọc file, thả file .srt (hoặc .vtt) vào. Ứng dụng hiện danh sách câu kèm mốc thời gian.
2. Chọn giọng (giọng có sẵn hoặc giọng bạn đã nhân bản) và tốc độ đọc, bấm Lồng tiếng.
3. Xong: nghe thử, tải WAV/MP3. File audio dài đúng bằng video, câu nào nằm đúng mốc câu đó. Bản lồng tiếng được lưu vào Lịch sử.

• Câu dài hơn khoảng thời gian của nó được đọc nhanh hơn cho vừa (tối đa 1,5 lần). Vẫn chưa vừa thì lấn sang khoảng lặng phía sau, hoặc đẩy câu sau lùi lại một chút. Không bao giờ cắt chữ.
• Khi có câu bị lùi, ứng dụng kèm file phụ đề đã chỉnh mốc để chữ trên video khớp với giọng đọc.
• Tự bỏ thẻ định dạng trong phụ đề (<i>, {\an8}…) và áp dụng từ điển phát âm.
• Mẹo: câu bị đọc nhanh hoặc bị lùi nhiều thì giảm tốc độ đọc, hoặc rút gọn câu trong file phụ đề.

• Các bản đã tạo được lưu trên máy và còn nguyên sau khi tắt ứng dụng: nghe lại, tải lại WAV/MP3/SRT, mở thư mục chứa file.
• Không tự xoá bản nào. Tab Lịch sử hiện số bản, dung lượng và nhắc dọn bớt khi chiếm nhiều ổ đĩa.

Đổi mô hình trong Cài đặt → Quản lý & Chọn Mô hình AI. Mô hình nào máy không chạy được sẽ bị làm mờ, di chuột vào để xem lý do. Từ 1.0.3, ứng dụng nhớ mô hình bạn chọn: lần mở sau dùng lại đúng mô hình đó (nếu mô hình bị xoá hoặc lỗi thì quay về mô hình mặc định).

Máy yếu có chạy được không? Được. Ứng dụng chạy bằng CPU, không cần card đồ hoạ. Đo trên laptop Intel Core i7-8650U (2017, 4 nhân) với mô hình mặc định: đoạn đọc dài 1 phút mất khoảng 30 giây để tạo. Máy mới hơn sẽ nhanh hơn.

Máy yếu cứ giữ Turbo INT8. Nano nhỏ hơn nhưng không nhanh hơn: trên cùng laptop đó, Nano ở cài đặt mặc định chậm gần gấp đôi Turbo INT8.

Máy có card NVIDIA: không có bộ cài riêng cho GPU, vẫn dùng bộ cài như trên. Trong ứng dụng, vào Cài đặt → Quản lý & Chọn Mô hình AI, bấm Cài hỗ trợ GPU ở mô hình GPU NVIDIA. Ứng dụng tự tải PyTorch/CUDA (vài GB, cần ít nhất 12 GB trống, chỉ tải một lần). Máy cần cài sẵn driver NVIDIA (kiểm tra bằng lệnh nvidia-smi). Lợi rõ nhất là khi tạo một đoạn dài sẽ thấy sự khác biệt. macOS chỉ chạy CPU.

Khi ứng dụng đang mở, nó chạy sẵn một máy chủ API ở http://127.0.0.1:8001. Phần mềm khác, script hay AI Agent gọi vào đó để tạo giọng nói tự động.

Thẻ cảm xúc, thẻ nghỉ và từ điển phát âm đều dùng được qua API.

Ví dụ nhanh (Python):

import requests

r = requests.post(
    "http://127.0.0.1:8001/api/tts/generate",
    json={"text": "Xin chào từ phần mềm khác.", "voice_id": "Minh Đức"},
)
open("giong-noi.wav", "wb").write(r.content)

Tài liệu đầy đủ:

• http://127.0.0.1:8001/docs: bấm thử từng API ngay trong trình duyệt.
• http://127.0.0.1:8001/cit-voice-studio.md: hướng dẫn tích hợp dạng Markdown, nạp thẳng cho Cursor, Claude, ChatGPT…
• http://127.0.0.1:8001/openapi.json: nhập vào Postman.

Mặc định chỉ phần mềm trên cùng máy gọi được API, và không cần khoá.

Muốn máy khác gọi vào:

1. Mở Cài đặt → Cho máy khác truy cập API, tích bật.
2. Bấm Khởi động lại ngay. Lần đầu, Windows hỏi quyền tường lửa: chọn Cho phép với mạng Riêng tư. Trên Linux có bật tường lửa thì chạy sudo ufw allow 8001/tcp.
3. Lấy địa chỉ (dạng http://192.168.x.x:8001) và khoá API hiện ngay trong Cài đặt.
4. Máy khác gửi khoá qua header X-API-Key:

curl.exe -H "X-API-Key: <khoá>" http://192.168.1.5:8001/health

Máy khác chỉ gọi được các API tạo giọng ở bảng trên; không xem được lịch sử hay cài đặt. Bấm Khoá mới để thu hồi khoá cũ ngay lập tức.

⚠️ Chỉ bật trong mạng tin cậy. Khoá đi qua HTTP không mã hoá. Muốn đưa ra Internet, hãy dùng đường hầm HTTPS (Cloudflare Tunnel, ngrok) thay vì mở cổng trên router.

Mọi thứ nằm trên máy bạn:

Trong đó:

Trên Windows, mô hình và giọng nhân bản nằm trong thư mục models cạnh ứng dụng. Linux và macOS để chúng trong thư mục dữ liệu ở bảng trên. Cập nhật lên bản mới không làm mất dữ liệu.

Windows chặn không cho mở Bộ cài chưa được ký số (code signing), nên Windows có thể cảnh báo. Tuỳ thông báo:

• "Windows protected your PC" (màn hình xanh SmartScreen): bấm More info → Run anyway.
• File bị đánh dấu tải từ Internet: chuột phải vào file .exe → Properties → tích Unblock → OK.
• "Smart App Control blocked an app that may be unsafe" (Windows 11): Smart App Control chặn mọi ứng dụng chưa ký số và không cho mở riêng từng ứng dụng, nên Unblock hay Run anyway đều không có tác dụng. Cách duy nhất là tắt tính năng này: Windows Security → App & browser control → Smart App Control settings → Off.

  ⚠️ Tắt Smart App Control làm giảm một lớp bảo vệ của Windows, và trên nhiều bản Windows không bật lại được nếu không cài lại Windows. Chỉ tắt khi bạn tin nguồn tải về (trang Release chính thức của repo này). Không muốn tắt thì hãy cài trên máy khác.

macOS: "không thể mở vì không xác minh được nhà phát triển" Vào System Settings → Privacy & Security, bấm Open Anyway. Hoặc chạy trong Terminal:

xattr -dr com.apple.quarantine "/Applications/CIT Voice Studio.app"

macOS: ứng dụng không mở trên máy cũ Cần macOS 14 Sonoma trở lên.

Linux: giao diện không tự mở Mở trình duyệt và vào http://127.0.0.1:8001. Giữ cửa sổ Terminal của ứng dụng đang mở.

Windows: ứng dụng mở bằng trình duyệt thay vì cửa sổ riêng Không phải lỗi, mọi tính năng vẫn dùng được. Máy thiếu Microsoft Edge WebView2 Runtime nên ứng dụng tự chuyển sang trình duyệt. Muốn có cửa sổ riêng thì cài WebView2 Runtime (miễn phí, của Microsoft): https://go.microsoft.com/fwlink/p/?LinkId=2124703

Windows 11 có sẵn. Windows 10 thường có nếu đã cài Edge bản mới; bản LTSC hoặc máy mới cài lại hay thiếu.

Chọn mô hình FP32 thì báo lỗi Bộ cài chỉ kèm mô hình INT8. FP32 phải tải thêm khoảng 453 MB, nên lần chọn đầu tiên cần Internet.

Mục chọn mô hình bị làm mờ Máy không chạy được mô hình đó. Di chuột vào để xem lý do.

Báo lỗi cổng 8001 đang bị chiếm Đóng hẳn ứng dụng rồi mở lại. Vẫn lỗi thì đổi cổng trong Cài đặt → Cổng server, hoặc khởi động lại máy.

Máy khác không gọi được API

• Kết nối bị từ chối: kiểm tra đã bật Cho máy khác truy cập API, đã khởi động lại ứng dụng, và tường lửa Windows cho phép ứng dụng.
• 401: thiếu hoặc sai khoá.
• 403: tính năng đang tắt.
• 404: đường dẫn không nằm trong danh sách API công khai.

Máy đọc sai một từ viết tắt Thêm từ đó vào Từ điển với cách đọc mong muốn, ví dụ KTX → ký túc xá.

• Tạo video so sánh 2 khái niệm: 🔗 github.com/Cuongyd196/auto-compare-video
• Tạo video từ một đường link / bài viết: 🔗 github.com/Cuongyd196/auto-video-gen
• Tạo video từ một chủ đề bằng Remotion: 🔗 github.com/Cuongyd196/remotion-cuongit-template
• Các video mẫu mình đã làm, xem trong Reels hoặc TikTok:
  • 📹 Facebook: www.facebook.com/cuongit96/reels/
  • 📹 TikTok: www.tiktok.com/@cuongit96

Muốn ủng hộ mình 1 ly cà phê: buymeacoffee.com/cuongit96

CIT Voice Studio do Cường IT phát triển. Ứng dụng dùng hai mô hình giọng nói của bên thứ ba:

• VieNeu-TTS của tác giả Phạm Nguyễn Ngọc Bảo - giọng tiếng Việt, nhân bản giọng; kèm sẵn trong bộ cài. Đây là nền tảng của CIT Voice Studio.
• Supertonic 3 của Supertone Inc. - giọng nước ngoài 31 ngôn ngữ; chỉ tải khi bạn chọn (từ 1.0.3).

Các mô hình giọng nói là của tác giả của chúng. Phần Cường IT làm là ứng dụng: giao diện, bổ sung một số tính năng và bộ cài cho Windows, Linux và macOS.

Xin cảm ơn tác giả Phạm Nguyễn Ngọc Bảo đã xây dựng và chia sẻ VieNeu-TTS, và Supertone đã công bố Supertonic.

• Chỉ nhân bản giọng của chính bạn. Từ bản 1.0.2, muốn tạo giọng mới bạn phải tự thu âm và đọc câu đồng ý hiện trên màn hình; ứng dụng nghe kiểm tra (ngay trên máy) rồi mới lưu giọng.
• Không giả mạo giọng người khác (người thân, người nổi tiếng, cán bộ, cơ quan, doanh nghiệp…) để lừa đảo, vay mượn tiền, bôi nhọ, xúc phạm hay gây hiểu lầm.
• Tôn trọng bản quyền: văn bản (sách, truyện, báo) phải là của bạn hoặc đã được phép sử dụng.
• Khi đăng tải công khai nội dung mô phỏng giọng người thật, phải ghi rõ "giọng đọc được tạo bằng AI".

Khi cài và mở ứng dụng lần đầu, bạn cần đồng ý Điều khoản sử dụng. Người dùng tự chịu trách nhiệm trước pháp luật về nội dung mình tạo ra. Tác giả CIT Voice Studio, VieNeu-TTS và Supertone không chịu trách nhiệm với việc sử dụng sai mục đích.

CIT Voice Studio là ứng dụng độc lập, không phải sản phẩm chính thức của VieNeu-TTS hay Supertone.

Apache License 2.0 - © Cường IT, dựa trên VieNeu-TTS © Phạm Nguyễn Ngọc Bảo.

Mô hình Supertonic 3 © Supertone Inc., giấy phép OpenRAIL-M: được dùng cả mục đích thương mại, nhưng cấm mạo danh người khác khi chưa được đồng ý, lừa đảo, tin giả gây hại, đăng nội dung do AI tạo mà không ghi rõ… (xem THIRD-PARTY-NOTICES.md). Mô hình không nằm trong bộ cài; file giấy phép tải kèm khi bạn tải mô hình. Giấy phép gốc của Supertone:

• Mô hình: OpenRAIL-M

• Mã mẫu (ứng dụng dùng lại một phần để chạy mô hình): MIT

• Miễn phí, dùng được cho cả cá nhân lẫn mục đích thương mại (lồng tiếng video, làm nội dung, dạy học…).

• Mã nguồn ứng dụng không công khai; chỉ phát hành bộ cài.

• Giấy phép các thư viện đi kèm: THIRD-PARTY-NOTICES.md. Quyền riêng tư: PRIVACY.md - ứng dụng không thu thập dữ liệu.

• Audio bạn tạo ra thuộc về bạn. Bạn tự chịu trách nhiệm về nội dung (xem Sử dụng có trách nhiệm).