KorvaTTS — Vietnamese-first, on-device text-to-speech

KorvaTTS is an open-source text-to-speech model focused on Vietnamese with natural code-switching (Vietnamese sentences containing English words, brand names and tech terms). It runs entirely on-device through ONNX Runtime — no GPU, no API calls — and outputs 44.1 kHz audio.

The model is a from-scratch re-implementation of the 99M-parameter Supertonic 3 architecture (flow-matching TTS) with a vocoder based on BlueCodec, trained on Vietnamese speech. No Supertonic checkpoint was used.

Voices

10 bundled voices (5 female, 5 male). Ref = original recording the voice style was built from. Sample = synthesized by KorvaTTS, a different Vietnamese sentence per voice with natural English code-switching.

Voice	Name	Gender	Ref	Sample
bao_kim	Bảo Kim	female
khanh_vy	Khánh Vy	female
ngoc_huyen	Ngọc Huyền	female
phuong_linh	Phương Linh	female
quynh_nhu	Quỳnh Như	female
gia_bao	Gia Bảo	male
hoang_nam	Hoàng Nam	male
huu_dat	Hữu Đạt	male
quang_huy	Quang Huy	male
thanh_phong	Thanh Phong	male

Sample sentences

• Bảo Kim (bao_kim): "Chào mừng bạn đến với podcast Công nghệ mỗi ngày. Hôm nay chúng ta sẽ nói về cách AI đang thay đổi ngành marketing và những skill mà người làm content cần có."
• Khánh Vy (khanh_vy): "Dạ, đơn hàng của anh đã được xác nhận và sẽ ship trong vòng hai ngày. Anh có thể track đơn hàng qua app hoặc website của bên em bất cứ lúc nào ạ."
• Ngọc Huyền (ngoc_huyen): "Trong bài học hôm nay, các em sẽ học cách dùng hàm filter và map trong JavaScript để xử lý dữ liệu. Mở file bài tập lên và chúng ta bắt đầu nhé."
• Phương Linh (phuong_linh): "Tin nhanh buổi sáng: chỉ số VN-Index tăng nhẹ, trong khi nhóm cổ phiếu công nghệ tiếp tục thu hút dòng tiền từ các quỹ đầu tư nước ngoài."
• Quỳnh Như (quynh_nhu): "Bạn có mười phút không? Mình muốn demo tính năng voice cloning mới, feedback của bạn rất quan trọng với team trước khi release."
• Gia Bảo (gia_bao): "Chào cả nhà, hôm nay mình review chiếc laptop mới: màn hình OLED, pin trâu, và hiệu năng thì khỏi bàn. Bấm subscribe để không bỏ lỡ video tiếp theo nhé."
• Hoàng Nam (hoang_nam): "Thưa quý khách, chuyến bay VN một hai ba đi Đà Nẵng sẽ bắt đầu boarding tại cửa số bảy trong vài phút nữa. Xin vui lòng chuẩn bị sẵn thẻ lên máy bay."
• Hữu Đạt (huu_dat): "Sprint này team cần hoàn thành phần login bằng OAuth, còn phần dashboard sẽ dời sang sprint sau. Ai có blocker thì báo trong daily standup nhé."
• Quang Huy (quang_huy): "Nhớ backup dữ liệu trước khi update hệ điều hành, nếu không lỡ mất file thì khó khôi phục lắm đấy. Tốt nhất là sync lên cloud rồi hãy bấm cài đặt."
• Thanh Phong (thanh_phong): "Trận đấu tối nay giữa Việt Nam và Thái Lan sẽ được livestream lúc bảy giờ rưỡi trên kênh chính thức. Anh em nhớ đặt lịch để không bỏ lỡ highlight nhé."

Usage

pip install korvatts

from korvatts import TTS

tts = TTS()  # downloads this repo on first run
wav, duration = tts.synthesize(
    "Hôm nay team mình sẽ demo tính năng text-to-speech mới.",
    voice="khanh_vy",
    lang="vi",
    total_steps=32,  # default, best quality; 8-16 for faster synthesis
)
tts.save_audio(wav, "output.wav")

korvatts synth "Xin chào, đây là KorvaTTS." -v khanh_vy -o hello.wav

Full documentation, CLI reference and roadmap: github.com/dogenthq/KorvaTTS.

Language support

• Vietnamese (vi) — primary target, including embedded English words.
• English (en) — part of the training data; works, but English quality is not guaranteed to match the original Supertonic 3 English voices.
• Other Supertonic 3 language tags are accepted by the encoder but were not trained on.

Compatibility with Supertonic runtimes

The ONNX graph signatures and the voice-style JSON format are identical to Supertonic 3, so onnx/ and voice_styles/ can be dropped into any Supertonic 3 runtime (Python, Node.js, WebGPU, Rust, C++, Swift, Flutter, …). This holds for roadmap phases 1–2; phase 3 will change the architecture and break compatibility. Compatible checkpoints are tagged as such.

Files

Path	Description
onnx/duration_predictor.onnx	Predicts utterance length from text + duration style
onnx/text_encoder.onnx	Character-level text encoder conditioned on voice style
onnx/vector_estimator.onnx	Flow-matching latent denoiser (256 MB fp32)
onnx/vocoder.onnx	BlueCodec-based latent → 44.1 kHz waveform decoder
onnx/tts.json, onnx/unicode_indexer.json	Architecture hyper-parameters and character table
voice_styles/<voice>.json	Precomputed style tokens (style_ttl 1×50×256, style_dp 1×8×16)
samples/<voice>.wav	Synthesized demo clips, one distinct sentence per voice (table above)
raw_voices/<voice>.wav	Reference recordings (44.1 kHz mono, 8–12 s) the styles were built from

Training data

• PhoAudiobook — 941 h of curated Vietnamese audiobook speech (ACL 2025).
• A private Vietnamese/English code-switching corpus collected by the authors (not released).

Community

Questions, voice requests, show-and-tell: Discord · bugs: GitHub Issues.

License

Weights, voice styles and audio in this repository: Apache-2.0 (see MODEL_LICENSE.md). Trained from scratch; not derived from Supertonic weights. Inference code: Apache-2.0, with portions adapted from Supertonic (MIT) — see NOTICE.

Responsible use: only clone or imitate voices you own or have permission to use; do not use generated speech to deceive, harass or impersonate.

Citation

@misc{korvatts2026,
  title        = {KorvaTTS: Vietnamese-first on-device text-to-speech},
  author       = {dogenthq},
  year         = {2026},
  howpublished = {\url{https://github.com/dogenthq/KorvaTTS}}
}

Please also cite SupertonicTTS, BlueTTS and PhoAudiobook — BibTeX entries in the GitHub README.