pnnbao97/VieNeu-TTS

项目介绍

VieNeu-TTS 是一个开源的越南语语音合成模型与 SDK。默认的 v3 Turbo 引擎基于双语数据从零训练，输出 48 kHz 音频，内置 25 个覆盖北部、中部、南部口音的预置音色。它支持用 3–8 秒参考音频做即时音色克隆，实验性的 [cười]、[thở dài] 等情绪标记，批量生成，多说话人对话模式，以及逐帧流式输出。在 CPU 上完全基于 ONNX Runtime、无需 PyTorch；在 CUDA 机器上自动切换到 PyTorch 并批量推理。适合构建越南语配音、语音助手、有声内容的开发者，也适合想用 LoRA 微调自有音色的研究者。

闭源的 v4 模型音色克隆保真度更高，但只通过 VieNeu API 和官网提供；仓库内最新的开源版本仍是 v3 Turbo v4 说明。

快速使用

安装 SDK，用预置音色合成一段语音：

pip install vieneu

from vieneu import Vieneu

tts = Vieneu()  # v3 Turbo，48 kHz；CPU 走 ONNX，CUDA 走 PyTorch
audio = tts.infer("Xin chào các bạn!", voice="Mai Anh")
tts.save(audio, "output.wav")

想用 Web UI，则克隆仓库后执行 uv sync（CPU/macOS）或 uv sync --extra cuda（GPU），再运行 uv run vieneu-web 并打开 http://127.0.0.1:7860 安装步骤。

克隆音色时传入参考音频：

audio = tts.infer("Đây là giọng được nhân bản.", ref_audio="my_voice.wav", denoise=True)

需要 OpenAI 兼容的流式服务时，可在仓库内运行 uv run python -m apps.openai_speech，或用 Docker Compose 的 api-gpu / api-cpu profile，服务提供 POST /v1/audio/speech 及音色、健康检查接口 API 服务。

使用约束

• 系统与硬件： CPU 安装不需要 PyTorch；GPU 需要 NVIDIA CUDA 环境，Windows 上要先装 CUDA 版 PyTorch。macOS 目前没有独立安装包，只能用 uv sync 方式。
• CPU int8 需要 VNNI（AVX-512 VNNI 或 AVX-VNNI）；老 CPU 上用 int8 可能产生杂音，默认 fp32 更稳妥。
• v3 Nano 是为弱 CPU 和边缘设备准备的速度优先版本，24 kHz，质量明显更低，英语和英越混读尤其明显，并且不支持逐帧流式。
• LoRA 微调 一个音色大约需要 10–30 分钟单说话人干净音频和约 6 GB 显存，且只在 PyTorch/GPU 后端运行 LoRA 说明。
• v3 Turbo 中 style 参数已废弃并被忽略，朗读风格由参考音频或预置音色决定。旧的 v2 LMDeploy 服务只服务 v2，已弃用。
• CLI 和 SDK 采用 Apache-2.0 许可，但闭源 v4 仅通过 API 提供。音色克隆本身涉及授权和滥用风险，使用者需自行把握。

HotRepo 点评

项目在 2026-11-14 登上 Python 日榜第 7，当天新增 37 Star；目前总计 3,280 Star、1,007 Fork。Fork 与 Star 的比例偏高，说明不少人是在实际运行或改造它，而不只是收藏。相比单纯放模型权重，这个仓库的工程投入更值得关注：无需 PyTorch 的 CPU 路径、基于 CUDA graph 的批处理、有实测数据的流式延迟说明、OpenAI 兼容接口和 LoRA 流程都放在同一个仓库里。代价是版本迭代很快，v1、v2 已弃用、v4 转为闭源，做集成时应对 SDK 版本和模型命名保持跟踪。