Làm lồng tiếng cho video ngắn mà vẫn phải tốn tiền thuê người? Thu âm cả chục lần đến khản cả cổ? Muốn nhân bản giọng nói của mình thành một "phân thân số" để sản xuất nội dung hàng loạt?Xưởng Âm Ma(MOSS-TTS-Nano v0.1.0) là một công cụ tổng hợp giọng nói cục bộ thực sự miễn phí, hoàn toàn ngoại tuyến, chạy được ngay trên CPU. Bạn chỉ cần nhập một đoạn văn bản và đưa vào một đoạn âm thanh tham chiếu, nó sẽ tạo ra tệp giọng nói cùng âm sắc. Bài viết hôm nay sẽ mang đến hướng dẫn tải và cài đặt 魔音工厂, 3 ví dụ thực tế và giải đáp các câu hỏi thường gặp, giúp bạn chạy thông dây chuyền lồng tiếng AI đầu tiên chỉ trong 3 phút.
魔音工厂 MOSS-TTS-Nano là một công cụ tổng hợp giọng nói cục bộ ngoại tuyến miễn phí, được đóng gói lại dựa trên dự án mã nguồn mở OpenMOSS MOSS-TTS-Nano (Apache 2.0), do các nhà phát triển trong nước thực hiện việc thích ứng giao diện tiếng Trung và đóng gói khởi động một chạm, dùng được ngay khi mở.
Nói đơn giản là:Biến văn bản thành giọng nói, không cần kết nối mạng, không cần trả phí, chạy được trên CPU, còn có thể nhân bản âm sắc bằng một đoạn âm thanh tham chiếu.
Nhập bất kỳ văn bản nào, chọn âm sắc, tạo một chạm tệp âm thanh WAV stereo 48kHz, chất lượng âm thanh gần với giọng người thật.
Ví dụ thao tác:Nhập "Xin chào, chào mừng bạn theo dõi kênh của tôi" vào ô văn bản, nhấp vào tạo
Cung cấp một đoạn âm thanh tham chiếu dài 5-10 giây, AI sẽ học các đặc trưng âm sắc và tạo ra giọng nói khớp với âm sắc tham chiếu.
Ví dụ thao tác:Tải lên đoạn âm thanh do bạn tự đọc → tích chọn "Nhân bản giọng nói" → nhập văn bản để tạo ra giọng nói giống hệt
Hỗ trợ 20 ngôn ngữ như Trung, Anh, Nhật, Hàn, Pháp, Đức, có thể tự do chuyển đổi để tạo lồng tiếng đa ngôn ngữ.
Ví dụ thao tác:Chọn "English" trong hộp thả xuống ngôn ngữ, nhập văn bản tiếng Anh để tạo lồng tiếng tiếng Anh
Sau khi tải tệp mô hình về máy cục bộ, có thể chạy mà không cần kết nối mạng, không tiêu tốn hạn mức API, không phát sinh phí đăng ký.
Ví dụ thao tác:Sau lần khởi động đầu tiên, chuyển sang chế độ máy bay vẫn có thể tạo giọng nói bình thường
Được tối ưu sâu cho CPU, chỉ cần 4GB RAM là chạy mượt, không phụ thuộc vào tăng tốc GPU.
Ví dụ thao tác:Laptop văn phòng cũ cũng có thể chạy trực tiếp, không cần card đồ họa rời

| Tình huống điển hình | Nội dung nhập | Điểm nổi bật và đánh giá đầu ra | Thời gian tạo/độ khả dụng |
|---|---|---|---|
| Lồng tiếng video ngắn | Một đoạn âm khô 8 giây + kịch bản khẩu bá 30 chữ | Khôi phục hoàn hảo âm sắc và ngữ điệu của âm thanh tham chiếu, ngay cả nhịp thở cũng gần với người thật. Đã lồng tiếng cho kênh khẩu bá kiến thức 3 video, một lần là đạt, không cần xử lý hậu kỳ. Đánh giá: Có thể thay thế hoàn toàn việc lồng tiếng thủ công. | 7 giây/mục ★★★★★ |
| Sản xuất nội dung đa ngôn ngữ | Văn bản tiếng Trung 50 ký tự, chọn giọng đọc tiếng Anh | Phát âm tiếng Anh tự nhiên trôi chảy, không có cảm giác máy móc rõ rệt, dùng trực tiếp cho video phiên bản tiếng Anh của tài khoản song ngữ. Đánh giá: Chuyển đổi đa ngôn ngữ rất tiện lợi, tiết kiệm công sức thu âm lại. | 4 giây/mục ★★★★☆ |
| Sách nói / Đọc văn bản dài | Một chương tiểu thuyết 500 ký tự | Tạo theo từng câu rồi ghép lại, nghe tự nhiên, ngắt câu và dừng nghỉ khá hợp lý. Đánh giá: Phù hợp làm nội dung sách nói hàng loạt, nhưng văn bản dài nên tạo theo nhóm 3-5 câu rồi ghép lại sẽ ổn định hơn. | Khoảng 20 giây/đoạn ★★★★☆ |
Tải gói nén Magic Voice Factory từ trang Release của dự án, giải nén vào đường dẫn toàn tiếng Anh, ví dụ D:\moss\. Tránh tên thư mục tiếng Trung gây lỗi khởi động. Gói nén chứa đầy đủ tệp mô hình (lần đầu khoảng 728MB), nên dự trữ 2GB dung lượng ổ đĩa.
Sau khi giải nén, nhấp đúp vào 启动.battrong thư mục gốc, chương trình sẽ khởi động dịch vụ cục bộ và tự động mở giao diện thao tác trên trình duyệt. Lúc này sẽ có một cửa sổ dòng lệnh màu đen,đừng đóng nó, đóng là thoát chương trình.
Trong giao diện trình duyệt, dán/nhập văn bản cần tổng hợp, chọn ngôn ngữ và giọng đọc (hoặc tải lên âm thanh tham chiếu để bật nhân bản giọng nói), nhấp nút "生成". Chờ vài giây, sau đó có thể nghe thử và tải xuống tệp WAV 48kHz. Trong tùy chọn nâng cao có thể điều chỉnh độ dài tạo một lần lên 60 giây hoặc thậm chí dài hơn.
💡 Mẹo sử dụng:Muốn có hiệu quả nhân bản giọng nói tốt nhất, âm thanh tham chiếu nên dùng giọng người sạch 5-10 giây (không nhạc nền, không vang). Nếu tạo văn bản dài, trước tiên hãy tắt phát hiện im lặng trong tùy chọn nâng cao, rồi tạo thành nhiều đoạn, cuối cùng dùng phần mềm biên tập ghép lại.
| Chiều so sánh | Xưởng Âm Ma | Microsoft Azure TTS | OpenAI TTS |
|---|---|---|---|
| Cách thanh toán | Miễn phí mã nguồn mở | ¥50-200/tháng | ¥15-100/tháng |
| Yêu cầu mạng | Hoàn toàn ngoại tuyến | Phải có mạng | Phải có mạng |
| Nhân bản giọng nói | Hỗ trợ | Chỉ bản doanh nghiệp mới có | Hỗ trợ |
| Thông số đầu ra | WAV stereo 48kHz | 48kHz | 24kHz |
| Yêu cầu phần cứng | Chỉ cần CPU, 4GB RAM | Không yêu cầu đặc biệt (đám mây) | Không yêu cầu đặc biệt (đám mây) |
Hoàn toàn miễn phí, cũng không cần đăng ký. Phát triển thứ cấp dựa trên giấy phép mã nguồn mở Apache 2.0, sẽ không có tình trạng cắt giảm tính năng hoặc thu phí ẩn.
Mặc định mỗi lần tạo mất khoảng 30 giây. Có thể điều chỉnh lên 60 giây hoặc lâu hơn trong tùy chọn nâng cao, nhưng văn bản dài nên tạo theo từng đoạn rồi ghép lại, độ ổn định sẽ cao hơn.
Có. Bản quyền âm thanh được tạo thuộc về bạn, có thể tự do sử dụng cho video thương mại, quảng cáo, nội dung âm thanh và nhiềutình huống khác, không có bất kỳ hình mờ hay giới hạn nào.
Windows 10/11, chỉ cần 4GB RAM là có thể chạy, không cần card đồ họa rời. Lần khởi động đầu tiên sẽ tải xuống khoảng 728MB tệp mô hình, sau đó sử dụng hoàn toàn ngoại tuyến.
Trong gói nén có kèm hướng dẫn sử dụng chi tiết, giao diện hoàn toàn bằng tiếng Trung, chỉ cần làm theo hướng dẫn. Cũng có thể tham khảo hướng dẫn 3 bước trong bài viết này, cơ bản trong vòng 3 phút là có thể bắt đầu sử dụng.
Vấn đề cốt lõi mà Magic Voice Factory giải quyết là“chi phí lồng tiếng cao, quy trình phức tạp”. Nó gộp chuyển văn bản thành giọng nói, nhân bản giọng nói, tạo đa ngôn ngữ thành một công cụ cục bộ không cần mạng, không cần card đồ họa, không tốn tiền. Nó đặc biệt phù hợp với nhà sáng tạo video ngắn, người vận hành truyền thông tự media, nhà sản xuất sách nói, và tất cả những ai cần lượng lớn tư liệu giọng nói nhưng không muốn lộ giọng thật của mình. Đề xuất bạn trước tiên dùng 3 phút chạy thử bản lồng tiếng đầu tiên, sau đó thử dùng giọng của mình để nhân bản một ”phân thân số”, đó mới là khoảnh khắc hiệu suất thực sự cất cánh.
🎙️ Hãy tải ngay Magic Voice Factory MOSS-TTS-Nano, khởi động dây chuyền tổng hợp giọng nói cục bộ của bạn!