AudioGenie vừa xuất hiện trên trang chủ GitHub và nhanh chóng leo lên vị trí top 5 các dự án được quan tâm nhất trong tuần. Dự án này giải quyết một vấn đề đau đầu của nhiều nhà phát triển và content creator: sự phụ thuộc vào các dịch vụ TTS (Text-to-Speech) đám mây, vốn thường có chi phí cao, giới hạn số lượng ký tự và lo ngại về quyền riêng tư dữ liệu.
Sử dụng kiến trúc Transformer kết hợp với một mô hình diffusion mới được phát triển, AudioGenie có thể chuyển đổi văn bản thành giọng nói với chất lượng gần như con người, bao gồm cả ngữ điệu, nhấn nhá và cảm xúc. Điểm nổi bật nhất là khả năng hỗ trợ tiếng Việt với độ chính xác cao, một điều mà ít các công cụ mã nguồn mở làm được trước đây. Người dùng có thể điều chỉnh tốc độ đọc, âm sắc và thậm chí là cảm xúc của giọng nói thông qua các tham số đơn giản.
Nhờ vào kỹ thuật lượng tử hóa và tối ưu hóa hiệu năng, AudioGenie có thể chạy mượt mà trên các laptop có card đồ họa rời phổ thông (tối thiểu 8GB VRAM). Điều này mở ra khả năng cho các cá nhân và doanh nghiệp nhỏ sở hữu một công cụ tạo giọng nói chuyên nghiệp mà không phải lo lắng về chi phí API hàng tháng hay việc dữ liệu văn bản của họ bị gửi lên máy chủ của bên thứ ba.
Cộng đồng đang rất hào hứng với dự án này, với hàng trăm issue và pull request được gửi đến trong vài ngày đầu tiên. Các nhà phát triển đang làm việc tích cực để thêm tính năng 'Voice Cloning' (nhân bản giọng nói) từ một mẫu âm thanh ngắn, cũng như hỗ trợ xuất file âm thanh ở nhiều định dạng khác nhau. Dự án được cấp phép MIT, khuyến khích các doanh nghiệp tích hợp vào các sản phẩm của mình.