Cartesia ปล่อย Sonic-3.6 + Ink-2 — ขึ้นอันดับ 1 ทั้งสองกระดาน TTS ของ Artificial Analysis ด้วยสถาปัตยกรรม State Space Model
Cartesia เปิดตัวโมเดลเสียงคู่ใหม่ — Sonic-3.6 สำหรับ text-to-speech และ Ink-2 สำหรับ speech-to-text — โดยขายเป็น “voice stack” ชุดเดียวที่เรียกผ่าน API เดียว ไม่ต้องต่อผู้ให้บริการหลายเจ้าเข้าด้วยกันเอง ห่างจาก Sonic-3.5 ราวสามเดือน
ตัวเลขที่ทำให้เรื่องนี้น่าสนใจคือผลบนกระดานอิสระ ไม่ใช่คำโฆษณา — เราตรวจจาก Artificial Analysis โดยตรงพบว่า Sonic 3.6 อยู่อันดับ 1 ทั้งสองกระดาน: บอร์ด Provider Voice ที่ Elo 1285 (ตามด้วย Qwen-Audio-3.0-TTS-Plus และ Simba 3.2 ที่ 1240 เท่ากัน) และบอร์ด Controlled Voice ที่ Elo 1122 โดยมี Sonic-3.5 ตามมาที่ 1098 และ ElevenLabs Eleven v3 ที่ 1061
ทำไมบอร์ด Controlled Voice ถึงสำคัญกว่า
จุดที่นักพัฒนาควรอ่านให้ละเอียดคือความต่างของสองกระดานนี้ Provider Voice ให้แต่ละเจ้าใช้เสียงในแคตตาล็อกของตัวเอง ซึ่งแปลว่าคะแนนปนกันระหว่าง “เอนจินสังเคราะห์เสียงดีแค่ไหน” กับ “บริษัทนี้จ้างนักพากย์เก่งแค่ไหน” ส่วน Controlled Voice โคลนทุกโมเดลลงบนเสียงอ้างอิงชุดเดียวกัน 8 เสียง จึงตัดตัวแปรเรื่องแคตตาล็อกเสียงออกไป และวัดตัวเอนจินตรง ๆ
การที่ Sonic-3.6 นำบนบอร์ดที่สองด้วย และนำแบบทิ้งห่างอันดับสามพอสมควร (1122 vs 1061) เป็นหลักฐานที่หนักกว่าการนำบนบอร์ดแรกมาก เพราะมันแปลว่าถ้าคุณเอาเสียงของแบรนด์คุณเองไปโคลน คุณก็น่าจะได้ผลลัพธ์ที่ดีกว่าเช่นกัน ไม่ใช่ดีเฉพาะกับเสียงพรีเซตของเขา
สเปกและสิ่งที่ต้องยอมรับ
Cartesia ยังคงเดิมพันกับ State Space Model (SSM) แทนทรานสฟอร์เมอร์ ซึ่งเป็นจุดยืนทางสถาปัตยกรรมของบริษัทมาตั้งแต่ต้น และเป็นเหตุผลที่ตัวเลข latency ต่ำผิดปกติ
- Sonic-3.6 (TTS): บริษัทระบุ time-to-first-audio ต่ำกว่า 90 มิลลิวินาที
- Ink-2 (STT): transcript latency ราว 100 มิลลิวินาที พร้อม turn detection ในตัว (สำคัญมากกับ voice agent เพราะเป็นตัวตัดสินว่าบอทจะพูดแทรกคนหรือไม่)
- รองรับหลายภาษา โดยฝั่ง Sonic-3.6 เน้นเรื่อง naturalness ที่ดีขึ้นชัดในภาษาที่ไม่ใช่อังกฤษ
- มีแท็กแสดงอารมณ์แบบ inline เช่น
[laughter], โคลนเสียงจากตัวอย่างราว 10 วินาที, และพจนานุกรมออกเสียงแบบ IPA
สิ่งที่ต้องแลก: Sonic-3.6 เป็น API แบบโฮสต์เท่านั้น ไม่มี open weights ให้ดาวน์โหลด และตัวเลข latency ทั้งหมดเป็นตัวเลขที่ผู้ขายระบุในระดับโมเดล ไม่ใช่การวัด end-to-end จากปลายทางจริง — ซึ่งกับงานเสียงแบบเรียลไทม์ ระยะทางเครือข่ายจากไทยไปเซิร์ฟเวอร์มีน้ำหนักไม่น้อยกว่าตัวโมเดลเลย
ด้านราคา หน้า pricing ของ Cartesia คิดเป็นระบบเครดิตแบบรายเดือน: Free ($0, 20K เครดิต ≈ 27 นาที), Pro ($5, 100K ≈ 133 นาที), Startup ($49, 1.25M ≈ 1,667 นาที), Scale ($299, 8M ≈ 10,667 นาที) และ Enterprise แบบคุยราคา MarkTechPost เทียบว่า ต้นทุนต่อ 1 ล้านตัวอักษรอยู่ราวครึ่งหนึ่งของ ElevenLabs Eleven v3 แต่ยังแพงกว่า Speechify Simba 3.2 อยู่หลายเท่า
มุมมอง AI Curator
ปีนี้เป็นปีที่ชั้นเสียงกลายเป็นสนามแข่งที่ดุที่สุดสนามหนึ่ง และเหตุผลไม่ใช่เพราะเสียงสังเคราะห์เพราะขึ้น — แต่เพราะ voice agent เพิ่งข้ามเส้นที่ใช้งานได้จริงในเชิงพาณิชย์ และตัวชี้วัดที่ตัดสินมันไม่ใช่ MOS หรือความไพเราะ แต่คือ latency กับ turn detection ตัวเลข 90ms/100ms ที่ Cartesia ชูจึงเป็นการสื่อสารที่ตรงกลุ่มมาก: เขาไม่ได้ขายให้คนทำ audiobook เขาขายให้คนทำคอลเซ็นเตอร์
สำหรับตลาดไทย ผมมองว่านี่คือจุดที่ควรจับตาเป็นพิเศษ ประเทศเราเป็นตลาดคอลเซ็นเตอร์และ voice bot ที่ใหญ่ผิดสัดส่วนกับขนาดเศรษฐกิจ — ธนาคาร ประกัน ค่ายมือถือ อีคอมเมิร์ซ ล้วนมีทีมโทรออก/รับสายขนาดใหญ่ และเป็นงานที่ต้นทุนแรงงานกดดันตลอด แต่อุปสรรคจริงของบ้านเราไม่เคยอยู่ที่คุณภาพเสียงภาษาอังกฤษ มันอยู่ที่ภาษาไทย: วรรณยุกต์ที่ผิดแล้วความหมายเปลี่ยน, การอ่านตัวเลข/หน่วยเงิน/เลขบัญชีให้ถูก, การตัดคำที่ไม่มีช่องว่างระหว่างคำ และการจับจังหวะพูดแทรกในบทสนทนาไทยที่ overlap กันบ่อยกว่าภาษาอังกฤษ กระดาน Elo ของ Artificial Analysis ไม่ได้บอกอะไรเลยเกี่ยวกับข้อเหล่านี้ ใครจะเอาไปใช้จริงต้องทดสอบภาษาไทยเองทุกครั้ง อันดับ 1 ระดับโลกไม่ได้แปลว่าอันดับ 1 ในภาษาไทย
ประเด็นที่สองที่อยากชี้คือ ช่องว่างระหว่างเสียงปิดกับเสียงเปิดกำลังถ่างออก ปีนี้เราเห็นโมเดลภาษาแบบ open-weight ไล่ทันโมเดลปิดจนแทบไม่ต่างในหลายงาน แต่ฝั่งเสียงยังไม่เป็นแบบนั้น — ตัวที่นำกระดานยังเป็น API ปิดเกือบทั้งหมด เหตุผลหนึ่งคือคุณภาพเสียงต้องการข้อมูลเสียงที่มีลิขสิทธิ์ชัดเจนและมีค่าใช้จ่ายสูงในการจัดหา ซึ่งเป็นคูเมืองที่ต่างจากฝั่งข้อความ สำหรับองค์กรไทยที่มีข้อกำหนดว่าข้อมูลเสียงลูกค้าห้ามออกนอกประเทศ (ธนาคาร โรงพยาบาล) นี่คือข้อจำกัดที่ตัวเลข Elo แก้ให้ไม่ได้ และเป็นเหตุผลที่ควรตามงานโมเดลเสียงแบบเปิดต่อไป แม้คุณภาพจะยังตามอยู่หนึ่งก้าว
คำแนะนำเชิงปฏิบัติ: ถ้ากำลังเลือกผู้ให้บริการเสียงตอนนี้ ให้ทดสอบสามอย่างก่อนตัดสินใจ — (1) วัด latency จริงจากเซิร์ฟเวอร์ในไทย/สิงคโปร์ ไม่ใช่เชื่อตัวเลขในหน้าเว็บ (2) ทดสอบด้วยสคริปต์ภาษาไทยที่มีตัวเลข เลขบัญชี และชื่อเฉพาะปนอยู่ (3) ทดสอบ turn detection กับคนที่พูดแทรกจริง ๆ ถ้าผ่านทั้งสามข้อค่อยคุยเรื่องราคา
แหล่งข่าว
อ่านเพิ่มในหมวด โมเดลใหม่
Google เปิดตัว Gemini 4 Carbon ขึ้นอันดับ 1 Artificial Analysis v5 ด้วยคะแนน 59 แต่ยังให้ใช้แค่นักป้องกันไซเบอร์กลุ่มเล็ก
Gemini 4 Carbon เปิดตัว 28 ต.ค. แซง Claude Opus 5.5 บน Intelligence Index v5 แค่ 1 คะแนน และตามหลังเพียง 3 คะแนนในดัชนี coding agent ราคาเปิดตัว $2/$10 แต่นักพัฒนาทั่วไปยังเรียกใช้ไม่ได้ ระหว่างที่ Google ค่อย ๆ เปิดผ่านโปรแกรม Fairwind
Microsoft ปล่อย Mage-VL-Cowork โมเดล 4B คุมเดสก์ท็อปและเทอร์มินัลในตัวเดียว ได้ 66% บน OSWorld-Verified สัญญาอนุญาต Apache-2.0
Mage-VL-Cowork ขนาด 4B ของ Microsoft เลือกเองว่าจะคลิกหน้าจอหรือสั่ง bash ทำคะแนน OSWorld-Verified 66.0% ใกล้ค่าอ้างอิงมนุษย์ 72.4% ในตารางเดียวกัน แต่คำว่าดีที่สุดในขนาด 4B มีคู่เทียบบนตารางนี้แค่รุ่นเดียว
Mistral ปล่อยน้ำหนัก Large 4 จริงแล้ว — 1T ราคาลดเกือบครึ่ง แต่บน AA ได้ 26 และสัญญาอนุญาตห้ามขายเป็น API ถ้าไม่มีใบอนุญาตแยก
Mistral ปล่อยน้ำหนัก Large 4 (Le Chonk) เมื่อ 29 ต.ค. เป็นรุ่นที่ฝึก RL ต่ออีกสามสัปดาห์หลัง preview ขนาด 1T ใช้พื้นที่ราว 1.06TB ราคา API ลดเหลือ $0.70/$2.10 Mistral นำ open-weight ด้าน coding แต่คะแนนรวม AA 26 ตามหลังโมเดลจีน และสัญญาอนุญาตกันธุรกิจ Model-as-a-Service