quangdung/Piper_checkpoint

Piper TTS — Vietnamese Multi-Speaker Voice Models

Bộ 14 mô hình giọng nói tiếng Việt được fine-tune từ Piper TTS (VITS medium), hỗ trợ tổng hợp giọng nói (TTS) với chất lượng cao, tốc độ nhanh, chạy local trên CPU/GPU.

Tổng quan

Mục	Chi tiết
Base model	piper1-gpl medium (VITS)
Base checkpoint	vi_VN/vais1000/medium — epoch 4769, step 919580
Sample rate	22050 Hz
Ngôn ngữ	Tiếng Việt (code-switched Vi-En)
Số giọng	14 speakers
Định dạng	.ckpt (PyTorch Lightning) + .onnx (ONNX export)
License	MIT

Danh sách giọng nói

#	Speaker	.ckpt	.onnx	Sample (.mp3)
1	Bảo Hân	✅	✅	—
2	Châu Anh	—	✅	✅
3	Chi Nguyễn	—	—	✅
4	Gia Hiếu	✅	✅	✅
5	Lọ Lem	✅	✅	✅
6	Mai Linh	✅	✅	✅
7	Nguyễn Hiếu	—	—	✅
8	Nhật	—	✅	✅
9	Quốc Khánh	✅	✅	✅
10	Quỳnh Trang	✅	✅	✅
11	Thanh Duy	—	—	✅
12	Thu Minh	—	—	✅
13	Tường Vy	✅	✅	✅
14	Yến Nhi	✅	✅	✅

• 6 giọng đầy đủ (.ckpt + .onnx + .mp3): Gia Hiếu, Lọ Lem, Quốc Khánh, Quỳnh Trang, Tường Vy, Yến Nhi
• Các giọng khác: đang trong quá trình train hoặc mới có sample

🎧 Nghe thử (Audio Samples)

Châu Anh

Chi Nguyễn

Gia Hiếu

Lọ Lem

Mai Linh

Nguyễn Hiếu

Nhật

Quốc Khánh

Quỳnh Trang

Thanh Duy

Thu Minh

Tường Vy

Yến Nhi

Dataset

• Nguồn: quangdung/ly-tts-dataset trên Hugging Face
• Kích thước: 2,834 câu tiếng Việt (có xen kẽ tiếng Anh code-switched)
• Format: audio WAV 22050 Hz + text transcript
• Mỗi giọng: ~100 giờ audio

Cài đặt

Yêu cầu hệ thống

• Python 3.10+
• espeak-ng (cho Vietnamese phonemization)
• CUDA (tùy chọn, cho GPU inference/training)

Cài đặt dependencies

# Cài espeak-ng
sudo apt-get install -y espeak-ng espeak-ng-data libespeak-ng-dev

# Cài piper-tts
pip install piper-tts

# HOẶC: Cài từ source piper1-gpl (cần cho training)
git clone https://github.com/OHF-Voice/piper1-gpl.git
cd piper1-gpl
pip install -e ".[train]"
./build_monotonic_align.sh

Cách sử dụng

1. Tải model từ Hugging Face

from huggingface_hub import snapshot_download

snapshot_download(
    repo_id="quangdung/Piper_checkpoint",
    local_dir="./piper-vn-models"
)

2. Inference bằng Python API

import wave
from piper import PiperVoice, SynthesisConfig

# Load model ONNX
voice = PiperVoice.load(
    model_path="./piper-vn-models/Yến Nhi/yennhi.onnx",
    config_path="./piper-vn-models/Yến Nhi/yennhi.onnx.json",  # cần config.json đi kèm
    use_cuda=True  # bật GPU nếu có
)

# Cấu hình giọng đọc
config = SynthesisConfig(
    volume=1.0,          # âm lượng (0-1)
    length_scale=1.0,    # tốc độ nói (>1: chậm, <1: nhanh)
    noise_scale=0.667,   # độ biến thiên giọng
    noise_w_scale=0.8,   # độ biến thiên cảm xúc
    normalize_audio=False,
)

# Tổng hợp giọng nói
with wave.open("output.wav", "wb") as wav_file:
    voice.synthesize_wav(
        "Xin chào các bạn, mình là trợ lý ảo tiếng Việt.",
        wav_file,
        syn_config=config
    )

3. Inference bằng CLI

echo "Xin chào các bạn" | piper \
  --model "Yến Nhi/yennhi.onnx" \
  --config "Yến Nhi/yennhi.onnx.json" \
  --output_file output.wav

4. Nghe sample

Xem phần 🎧 Nghe thử ở trên để nghe demo từng giọng trước khi chọn model.

Huấn luyện (Training)

Chuẩn bị dataset

from datasets import load_dataset
import numpy as np
import soundfile as sf
import os

dataset = load_dataset("quangdung/ly-tts-dataset")

os.makedirs("formatted_dataset/wavs", exist_ok=True)
with open("formatted_dataset/metadata.csv", "w", encoding="utf-8") as f:
    for i, sample in enumerate(dataset["train"]):
        audio = np.frombuffer(sample["audio_bytes"], dtype=np.float32)
        sf.write(f"formatted_dataset/wavs/audio{i+1}.wav", audio, 22050)
        f.write(f"audio{i+1}.wav|{sample['text'].strip()}\n")

Train từ base checkpoint

python3 -m piper.train fit \
  --data.voice_name "ten_giong" \
  --data.csv_path "formatted_dataset/metadata.csv" \
  --data.audio_dir "formatted_dataset/wavs" \
  --model.sample_rate 22050 \
  --data.espeak_voice "vi" \
  --data.cache_dir CACHE_DIR \
  --data.config_path "config.json" \
  --data.batch_size 16 \
  --ckpt_path "pretrained-weights-only.ckpt" \
  --trainer.max_epochs 1000 \
  --trainer.callbacks+=ModelCheckpoint \
  --trainer.callbacks.every_n_epochs=20 \
  --trainer.callbacks.save_top_k=-1 \
  --trainer.callbacks.dirpath="checkpoints" \
  --trainer.callbacks.filename="ten_giong-{epoch:04d}"

Export ONNX

python3 -m piper.train.export_onnx \
  --checkpoint "checkpoints/ten_giong-epoch=0019.ckpt" \
  --output_file "ten_giong.onnx"

Cấu trúc thư mục

Piper_checkpoint/
├── README.md
├── text.txt                          # Training text corpus
├── giong1.mp3                        # Reference voice sample
├── Bảo Hân/
│   ├── baohan-epoch=0019.ckpt
│   └── baohan250626.onnx
├── Gia Hiếu/
│   ├── giahieu-epoch=0019.ckpt
│   ├── giahieu.onnx
│   └── giahieu.mp3
├── ...                               # (các giọng khác tương tự)
└── Yến Nhi/
    ├── yennhi-epoch=0019.ckpt
    ├── yennhi.onnx
    └── yennhi.mp3

Credits

• Piper TTS: OHF-Voice/piper1-gpl — Open Home Foundation
• Base checkpoint: rhasspy/piper-checkpoints
• Dataset: quangdung/ly-tts-dataset
• Training: Fine-tuned trên Google Colab với GPU T4/A100

License

MIT License — xem file LICENSE (nếu có) hoặc tự do sử dụng cho mục đích cá nhân và thương mại.