Hai model đọc tiếng Việt chạy local so với edge-tts
Project của mình cần giọng đọc tiếng Việt nhanh hơn hoặc hay hơn edge-tts, tool miễn phí gọi giọng online của Microsoft. Cuối tháng 7/2026 mình thử hai model chạy local để so với nó. Cả hai đều thua ở mấy con số quan trọng nhất với tiếng Việt.
Mình test thế nào
Cùng máy và cùng lần chạy với mốc edge-tts riêng của từng lần test. Mình đo:
- RTF (real-time factor): số giây để tạo âm thanh chia cho số giây của đoạn audio. Càng thấp càng nhanh.
- WER (word error rate): tỉ lệ chữ bị sai trong toàn bộ transcript.
- Lỗi dấu thanh, chỉ có trong lần test VoxCPM2: lỗi ở dấu thanh tiếng Việt.
supertonic, ngày 31/7/2026
- edge-tts (mốc so sánh): Audio 20,0 giây; Thời gian tạo 2,8 giây; RTF 0,14; WER 9,9%
- supertonic, 8 step: Audio 40,4 giây; Thời gian tạo 6,5 giây; RTF 0,16; WER 22,0%
Sai chữ gấp đôi, mà cũng không nhanh hơn. Chỉnh số step không đổi được chất lượng lấy tốc độ, output cứ thế mà hỏng. Ở 4 step WER là 35,2%, ở 2 step là 100%. 15 trong 40,4 giây là im lặng; mình không chỉnh tốc độ hay cài đặt im lặng của nó.
VoxCPM2, ngày 30/7/2026
- edge-tts, giọng
vi-VN-HoaiMyNeural: Audio 20,0 giây; Thời gian tạo 1,1 giây; RTF 0,05; WER 7,7%; Lỗi dấu thanh +0,31% - VoxCPM2 (PyTorch trên MPS của Apple): Audio 23,4 giây; Thời gian tạo 15,4 giây; RTF 0,66; WER 9,9%; Lỗi dấu thanh +1,69%
Nghe bằng tai thì VoxCPM2 hay thật. Nhưng nó tạo chậm hơn khoảng 13 lần (RTF 0,66 so với 0,05), sai chữ nhiều hơn, và sai dấu thanh gấp năm lần. Tiếng Việt mà sai dấu là thành chữ khác, nên đây là lỗi mình để ý nhất.
Đừng so số giữa hai bảng
Mốc edge-tts ra WER 9,9% ở lần test này và 7,7% ở lần kia, vì một lý do mình không ghi lại (lần chạy, giọng hoặc văn bản khác nhau). Đặt 22,0% của supertonic cạnh 9,9% của VoxCPM2 là ra một bảng xếp hạng nhìn rất chắc mà sai. Model nào thì chỉ so với mốc trong cùng lần chạy của nó thôi.
Những gì mình chưa test
Mỗi lần test chỉ một kịch bản, chạy một lần. Mình chưa thử giọng khác hay kịch bản dài hơn. Supertonic đã ngừng phát triển từ 23/7/2026, một tuần trước lần test của mình, và repo sẽ bị archive (xem trang tool của nó). Mình vẫn dùng edge-tts.