pnnbao97/VieNeu-TTS

解决的问题

VieNeu-TTS 提供专为越南语优化的高保真、自然流畅的文本转语音（TTS）系统，支持英越双语混用（代码切换）。它解决了对本地化、低延迟语音合成的需求，能够在不依赖大规模计算资源的情况下，处理多说话人对话和即时语音克隆。

工作原理

该项目提供多种模型架构（v1、v2 和 v3 Turbo）。最新 v3 Turbo 版本采用从零开始设计的架构，支持 48 kHz 高保真音频输出和专用音素化器。支持不同后端：无需 torch 的 ONNX Runtime，适用于快速 CPU 推理和流式传输；以及适用于 GPU 高吞吐量批量生成的 PyTorch 引擎。此外，还包含一个降噪流水线，用于清理语音克隆用的参考音频片段。

适用人群

• 开发者：正在构建交互式越南语 AI 应用或实时语音助手的开发者。
• 内容创作者：需要为播客或对话场景生成自然越南语配音的内容创作者。
• 边缘设备工程师：寻找轻量级、离线运行、在 CPU 或 Apple Silicon 上高效运行的 TTS 解决方案的工程师。

主要亮点

• 双语支持：越南语与英语之间无缝切换。
• 即时语音克隆：仅需 3–8 秒音频片段即可克隆语音。
• 高保真度：v3 Turbo 支持 48 kHz 音频，实验性支持情感提示（如笑声、叹气）。
• 灵活部署：提供 Python SDK、Web UI 或高性能 Docker 化 API 服务器。
• 性能优化：支持帧级流式传输以实现实时交互，也支持批量生成以处理大规模合成。