Valtec Vietnamese TTS

Local Vietnamese text-to-speech with zero-shot voice cloning, powered by VITS2. Runs offline — no cloud API needed.

Features

• 🇻🇳 High-quality Vietnamese speech synthesis
• 🎙️ Zero-shot voice cloning from ~5s reference audio
• 👥 5 built-in speaker voices (Northern/Southern, Male/Female)
• 🔒 Fully offline — no cloud API needed
• ⚡ GPU-accelerated (CUDA) or CPU inference

Tính năng

• 🇻🇳 Tổng hợp giọng nói tiếng Việt chất lượng cao
• 🎙️ Nhân bản giọng nói zero-shot chỉ từ ~5s audio mẫu
• 👥 5 giọng nói có sẵn (Bắc/Nam, Nam/Nữ)
• 🔒 Hoạt động hoàn toàn offline — không cần cloud API
• ⚡ Tăng tốc bằng GPU (CUDA) hoặc chạy trên CPU

Install / Cài đặt

1. Clone and install / Clone và cài đặt

git clone https://github.com/tronghieuit/valtec-tts.git ~/.openclaw/tools/valtec-tts
cd ~/.openclaw/tools/valtec-tts
pip install -e .

Các model sẽ tự động tải từ HuggingFace khi chạy lần đầu.

2. Configure OpenClaw / Cấu hình OpenClaw

Update ~/.openclaw/openclaw.json:

{
  skills: {
    entries: {
      "valtec-tts": {
        env: {
          VALTEC_TTS_DIR: "~/.openclaw/tools/valtec-tts",
        },
      },
    },
  },
}

Usage / Cách sử dụng

Multi-speaker TTS (giọng nói có sẵn)

{baseDir}/bin/valtec-tts.js --speaker NF -o output.wav "Xin chào, tôi là trợ lý AI của bạn."

Các giọng nói có sẵn:

• NF — Nữ miền Bắc (Northern Female)
• SF — Nữ miền Nam (Southern Female)
• NM1 — Nam miền Bắc 1 (Northern Male 1)
• SM — Nam miền Nam (Southern Male)
• NM2 — Nam miền Bắc 2 (Northern Male 2)

Zero-shot voice cloning (Nhân bản giọng nói)

Chỉ cần cung cấp một đoạn audio mẫu (~5 giây), hệ thống sẽ tổng hợp giọng nói mới với giọng đó:

{baseDir}/bin/valtec-tts.js --zeroshot --reference voice_sample.wav -o output.wav "Xin chào, tôi là trợ lý AI."

Options / Tuỳ chọn

Flag	Mặc định	Mô tả
--speaker	NF	Tên giọng: NF, SF, NM1, SM, NM2
--zeroshot	—	Bật chế độ nhân bản giọng nói
--reference	—	Đường dẫn file audio mẫu (3-10 giây)
-o, --output	tts.wav	Đường dẫn file WAV đầu ra
--speed	1.0	Tốc độ nói (0.5–2.0)

Notes / Ghi chú

• Lần chạy đầu tiên sẽ tải ~300MB model weights (lưu cache cục bộ).
• Khuyến nghị dùng GPU (CUDA) để tổng hợp giọng nói realtime. CPU vẫn hoạt động nhưng chậm hơn (~3–5x RTF).
• Audio mẫu cho nhân bản giọng nên dài 3–10 giây, giọng rõ ràng, ít tạp âm.
• Model hỗ trợ tiếng Việt có dấu, tự động chuyển đổi phoneme.