Voicebox

1. Voicebox là gì?

Voicebox là một ứng dụng trên máy tính để làm việc với giọng nói bằng AI, chạy ngay trên máy của bạn. Nó làm được hai việc chính: đọc văn bản thành tiếng nói (kể cả nhân bản một giọng chỉ từ vài giây thu âm mẫu), và ngược lại, nghe bạn nói rồi gõ chữ vào ô nhập liệu. README của dự án giới thiệu nó là lựa chọn mã nguồn mở thay cho ElevenLabs (đọc văn bản) và WisprFlow (gõ bằng giọng nói).

Voicebox miễn phí, mã nguồn mở (giấy phép MIT). Không cần tài khoản. Theo README, mô hình, dữ liệu giọng và bản ghi âm đều ở lại trên máy bạn.

Hợp với bạn nếu:

• Bạn làm video, podcast hoặc sách nói và muốn tạo giọng đọc mà không trả phí thuê bao hằng tháng.
• Bạn muốn thử nhân bản giọng của chính mình (hoặc giọng của người đã đồng ý) từ một đoạn ghi âm ngắn.
• Bạn muốn gõ chữ bằng giọng nói trên Windows hoặc Mac mà không gửi âm thanh lên dịch vụ đám mây.

Chưa hợp nếu:

• Bạn cần đọc tiếng Việt là chính. README nói Voicebox đọc được 23 ngôn ngữ nhưng chỉ nêu tên một số ngôn ngữ, và tiếng Việt không nằm trong số được nêu tên. Hãy tự nghe thử trước khi dựa vào nó cho việc quan trọng.
• Máy bạn rất yếu hoặc ổ đĩa gần đầy: ứng dụng và mô hình chiếm vài GB đến hơn chục GB (xem mục 2).
• Bạn muốn nhân bản giọng người khác mà chưa được họ cho phép. Hãy chỉ dùng giọng của chính bạn hoặc giọng bạn có quyền dùng.

2. Cần chuẩn bị gì?

Theo tài liệu chính thức (https://docs.voicebox.sh), yêu cầu như sau:

	Tối thiểu	Khuyến nghị
Hệ điều hành	Windows 10 trở lên, macOS 11 trở lên
RAM	8 GB	16 GB trở lên
Ổ đĩa trống	5 GB	10 GB trở lên
Card đồ họa	Không bắt buộc (chạy bằng CPU)	Card NVIDIA có CUDA để tạo giọng nhanh hơn

Một vài điều nên biết trước:

• Chạy bằng CPU vẫn được nhưng chậm hơn nhiều. Tài liệu ghi chậm hơn khoảng 5 đến 50 lần so với dùng GPU (card đồ họa).
• Mô hình giọng không nằm trong file cài. Lần đầu bạn tạo giọng, ứng dụng tự tải mô hình bạn chọn, dung lượng từ khoảng 350 MB (mô hình Kokoro) đến khoảng 8 GB (TADA 3B). Phần lớn người dùng bắt đầu với Qwen 1.7B (khoảng 3,5 GB). Nếu mạng yếu, hãy chọn Kokoro hoặc LuxTTS trước.
• Với card NVIDIA trên Windows, ứng dụng còn tải thêm một "bộ chạy CUDA" khi bạn bấm cài trong phần Cài đặt (khoảng 200 đến 400 MB cộng khoảng 4 GB).
• Không cần tài khoản, không cần khóa API, không mất tiền.

Bản phát hành mới nhất lúc viết bài là v0.5.0 (25/4/2026). Linux hiện chưa có file cài sẵn; hướng dẫn này chỉ nói về Windows và Mac.

3. Cài đặt từng bước

Bước 1: Tải file cài

Cách dễ nhất là vào trang https://github.com/jamiepine/voicebox/releases/latest rồi kéo xuống phần "Assets". Trang chủ https://voicebox.sh cũng có nút tải.

• Windows: tải file Voicebox_0.5.0_x64-setup.exe (hoặc bản .msi nếu bạn thích kiểu cài MSI). File nặng khoảng 540 MB.
• Mac chip Apple (M1, M2…): tải Voicebox_0.5.0_aarch64.dmg.
• Mac chip Intel: tải Voicebox_0.5.0_x64.dmg.

Thấy gì là đúng: file nằm trong thư mục Downloads, dung lượng cỡ nửa GB.

Bước 2: Cài đặt trên Windows

1. Mở file .exe vừa tải và làm theo trình cài đặt.
2. Nếu Windows hiện cảnh báo SmartScreen ("Windows protected your PC"), bấm More info (Thông tin thêm) rồi Run anyway (Vẫn chạy). Tài liệu giải thích đây là cảnh báo bình thường vì ứng dụng chưa được ký số. Chỉ làm vậy khi bạn đã tải file từ đúng trang chính thức ở Bước 1.
3. Mở Voicebox từ menu Start.

Thấy gì là đúng: cửa sổ Voicebox hiện ra và ở góc dưới bên trái có chấm báo trạng thái máy chủ chuyển sang màu xanh.

Bước 3: Cài đặt trên Mac

Mở file .dmg, kéo Voicebox vào thư mục Applications rồi mở nó. Nếu macOS báo "App is damaged and can't be opened" (do ứng dụng chưa được ký bởi Apple), tài liệu hướng dẫn gỡ nhãn chặn bằng lệnh sau trong Terminal:

xattr -cr /Applications/Voicebox.app

Bước 4 (chỉ khi có card NVIDIA trên Windows): bật tăng tốc GPU

1. Trong Voicebox, vào Settings (Cài đặt) rồi mục GPU.
2. Nếu máy có card NVIDIA, bạn sẽ thấy nút Install CUDA backend. Bấm vào và chờ tải xong (vài GB).
3. Ứng dụng tự khởi động lại.

Thấy gì là đúng: mục GPU hiển thị tên card của bạn. Nếu bạn không có card NVIDIA, bỏ qua bước này; Voicebox tự chọn cách chạy phù hợp.

4. Dùng lần đầu

Tạo giọng đọc đầu tiên

1. Bấm tab Voices ở thanh bên rồi + New Voice.
2. Đặt tên cho giọng, chọn ngôn ngữ chính.
3. Thêm mẫu giọng: bấm Upload Sample để chọn file âm thanh (WAV, MP3 hoặc M4A), hoặc Record Sample để thu trực tiếp. Mẫu tốt dài khoảng 10 đến 30 giây, nói rõ, ít tiếng ồn.
4. Bấm Create Profile.
5. Sang tab Generate, chọn giọng vừa tạo, gõ một câu văn bản, bấm Generate.
6. Bấm Play để nghe, Download để lưu file.

Thấy gì là đúng: lần đầu sẽ mất vài phút vì ứng dụng đang tải mô hình (xem tiến độ ở Settings, mục Models). Các lần sau nhanh hơn nhiều.

Nếu chưa có mẫu giọng, bạn có thể dùng các giọng có sẵn (preset voices) của mô hình Kokoro và Qwen CustomVoice, không cần thu mẫu.

Gõ chữ bằng giọng nói (dictation)

Mặc định trên Windows, bạn giữ Ctrl bên phải + Shift bên phải, nói, rồi thả tay. Trên Mac là Cmd phải + Option phải. Nhấn thêm Space khi đang giữ sẽ chuyển sang ghi âm liên tục đến khi bạn bấm lại. Bạn đổi phím tại Settings → Captures → Dictation.

Tài liệu lưu ý: nếu cửa sổ bạn muốn dán chữ vào đang chạy với quyền quản trị (Run as administrator), Windows sẽ chặn Voicebox chạy quyền thường dán chữ vào đó.

Phần nhận dạng giọng nói dùng mô hình Whisper của OpenAI chạy ngay trên máy. README không nêu danh sách ngôn ngữ cho việc này, nên hãy tự thử tiếng Việt xem chất lượng có đủ dùng không.

5. Lỗi thường gặp và cách sửa

Dấu hiệu	Nguyên nhân	Cách sửa
Windows báo SmartScreen chặn file cài	Ứng dụng chưa được ký số	Bấm More info rồi Run anyway (chỉ khi tải từ trang chính thức)
Chấm trạng thái ở góc dưới bên trái màu đỏ, báo "Failed to connect to server"	Máy chủ nội bộ chưa chạy, hoặc cổng 17493 đang bị ứng dụng khác chiếm	Đóng hẳn Voicebox rồi mở lại; kiểm tra tường lửa; nếu cổng bị chiếm, tắt ứng dụng đang dùng cổng đó
Lần tạo giọng đầu tiên rất lâu, kẹt ở "Loading model…"	Đang tải mô hình (350 MB đến 8 GB)	Chờ tải xong; xem tiến độ ở Settings → Models; mạng yếu thì chọn Kokoro hoặc LuxTTS trước
Báo "out of memory" khi tạo giọng	Card đồ họa không đủ bộ nhớ (tài liệu nói cần từ 6 GB VRAM)	Đóng game hoặc ứng dụng nặng; hoặc vào Settings → Generation chọn chạy bằng CPU (chậm hơn 5 đến 10 lần); chia văn bản dài thành nhiều đoạn
Giọng nghe máy móc, phát âm sai	Mẫu giọng ngắn hoặc nhiều tiếng ồn	Dùng mẫu 10 đến 30 giây, sạch tiếng ồn, thêm nhiều mẫu của cùng một người; viết câu có dấu chấm, dấu phẩy rõ ràng
Thấy cảnh báo "flash-attn is not installed" trong nhật ký	Thư viện tăng tốc tùy chọn không có trên Windows	Bỏ qua, tài liệu nói cảnh báo này vô hại

Nếu vẫn lỗi, xem trang xử lý sự cố chính thức: https://docs.voicebox.sh

6. Gỡ cài đặt / cập nhật

Gỡ: trên Windows vào Settings → Apps → Installed apps, tìm Voicebox và gỡ. Trên Mac, kéo Voicebox ra khỏi thư mục Applications. Dữ liệu (giọng đã tạo, âm thanh đã sinh) nằm ở thư mục riêng, bạn xóa tay nếu muốn dọn sạch:

• Windows: %APPDATA%\sh.voicebox.app\
• macOS: ~/Library/Application Support/sh.voicebox.app/

Các mô hình đã tải là phần chiếm nhiều dung lượng nhất. Tài liệu không nói rõ chúng nằm ở đâu ngoài thư mục dữ liệu trên, nên hãy kiểm tra dung lượng thư mục đó sau khi gỡ.

Cập nhật: tải file cài của bản mới trên trang Releases https://github.com/jamiepine/voicebox/releases/latest và cài lên bản cũ. Tài liệu cho biết từ v0.4, mỗi lần nâng cấp thường chỉ phải tải lại phần lõi nhỏ của bộ chạy CUDA, không tải lại 4 GB.

7. Câu hỏi hay gặp

Có mất tiền không? Không. Dự án miễn phí, giấy phép MIT, README nêu rõ không có màn hình quảng cáo hay banner trong ứng dụng.

Cần Internet không? Cần ở lần đầu để tải ứng dụng và mô hình. Sau khi mô hình đã tải xong, README mô tả đây là studio "chạy cục bộ" và dữ liệu không rời máy bạn.

Máy không có card đồ họa rời có chạy được không? Có, bằng CPU, nhưng chậm hơn nhiều. Mô hình nhẹ như Kokoro (khoảng 350 MB) được README nêu là chạy CPU nhanh.

Có đọc được tiếng Việt không? README không nêu tiếng Việt trong danh sách ngôn ngữ đọc văn bản. Hãy thử trước bằng vài câu mẫu.

Nhân bản giọng có hợp pháp không? Dự án không đưa ra tư vấn pháp lý. Chỉ nên dùng giọng của chính bạn hoặc giọng bạn có sự đồng ý của chủ giọng, và nên ghi rõ nội dung do AI tạo khi đăng công khai.