Nari Labs รีดเสียงพูดออกจาก Qwen3-TTS ได้ใน 50 มิลลิวินาที บน H100 ใบเดียว — ต้นทุนราว 2 ดอลลาร์ต่อล้านตัวอักษร ถูกกว่า ElevenLabs 50 เท่า

19 สิงหาคม 2026 (ขึ้นหน้าแรก Hacker News เมื่อวาน) Nari Labs — ทีมเดียวกับที่ปล่อยโมเดล TTS เปิดชื่อ Dia ที่มียอดดาวน์โหลดเกินสองล้านครั้ง — เผยแพร่บันทึกทางวิศวกรรมว่าพวกเขาเสิร์ฟ Qwen3-TTS CustomVoice ขนาด 1.7B ให้ตอบสนองเร็วแค่ไหน และถูกแค่ไหน

ตัวเลขหลัก: p95 time-to-first-audio (TTFA) ต่ำกว่า 50 มิลลิวินาที ที่ 10 requests ต่อวินาที บน NVIDIA H100 SXM ใบเดียว โดยยังเล่นเสียงต่อเนื่องแบบเรียลไทม์ได้ตลอด และที่ 20 RPS ก็ยังอยู่ต่ำกว่า 100 ms

ทำไม TTFA ถึงเป็นตัวเลขที่สำคัญกว่า throughput สำหรับคนสร้าง voice agent? เพราะมันคือช่วงเงียบหลังผู้ใช้พูดจบ — ช่วงที่คนฟังตัดสินว่าระบบ “ตอบสนอง” หรือ “อืด” งานวิจัยด้านบทสนทนาชี้ว่าช่องว่างระหว่างผู้พูดในบทสนทนามนุษย์อยู่ราว 200 ms ดังนั้นถ้า TTS กินไปแล้ว 300 ms ก่อนที่เสียงแรกจะออก คุณแพ้ตั้งแต่ยังไม่นับเวลาของ LLM และ ASR

ต้นทุน: ตรงนี้คือหมัดหนัก

ที่ 10 RPS ระบบผลิตได้ราว 630 ตัวอักษรต่อวินาที บนอินสแตนซ์ 1×H100 SXM ราคา 4.29 ดอลลาร์ต่อชั่วโมง คิดกลับเป็นต้นทุนราว 2 ดอลลาร์ต่อล้านตัวอักษร

เทียบกับราคาป้ายของบริการเชิงพาณิชย์ที่โพสต์อ้างถึง:

บริการ	ต่อ 1M ตัวอักษร
Nari Labs / Qwen3-TTS (self-host)	~$2
Cartesia Sonic 3.5	$49
ElevenLabs V3	$100

นั่นคือส่วนต่าง 25–50 เท่า และตัวเลขนี้ยังไม่ได้สมมติเรื่องส่วนลดปริมาณ แต่ก็ต้องอ่านอย่างเป็นธรรม: 2 ดอลลาร์นี้คือต้นทุน ตอนใช้งานเต็มกำลัง ถ้าทราฟฟิกคุณกระจุกเป็นช่วง GPU ที่นั่งว่างก็ยังคิดเงินอยู่ดี และตัวเลขนี้ไม่รวมค่าคนที่ต้องดูแลระบบ ซึ่งเป็นสิ่งที่คุณจ่ายให้ ElevenLabs อยู่จริง ๆ

ทำได้ยังไง

Qwen3-TTS CustomVoice ไม่ใช่โมเดลก้อนเดียว แต่ทำงานแบบ hierarchical multi-codebook ผ่านสามส่วน: Talker (สร้าง codebook แรก), Code Predictor (สร้าง codebook ที่เหลืออีก 15 ตัว) และ Codec (แปลงเป็นคลื่นเสียง) ปกติแต่ละส่วนมีตัวจัดคิวของตัวเอง ซึ่งเป็นที่มาของ latency ที่ซ่อนอยู่

สิ่งที่ Nari Labs ทำ:

• รวมทั้งสามส่วนไว้ใต้ scheduler ตัวเดียว — แทนที่จะให้แต่ละส่วนรอคิวของกันและกัน
• scheduling ที่รู้ deadline — จัดลำดับตามว่าใครต้องส่งเสียงออกเมื่อไร
• ตัดความเงียบหัวไฟล์แบบไดนามิก — ได้กลับมาราว 80 ms ฟรี ๆ ซึ่งเป็นตัวอย่างที่ดีว่าการปรับที่ “ไม่ใช่โมเดล” ให้ผลเยอะแค่ไหน
• CUDA graph สำหรับ Code Predictor — ตัด launch overhead ของงานเล็ก ๆ ที่ถูกเรียกซ้ำถี่มาก
• decoding แบบ incremental ที่แคชสถานะไว้ใน Codec — ไม่ต้องคำนวณซ้ำทุกเฟรม
• รองรับ input streaming — รับโทเคนจาก LLM ต้นทางมาเริ่มพูดได้เลย ไม่ต้องรอประโยคจบ

ข้อสุดท้ายสำคัญที่สุดในทางปฏิบัติ เพราะในไปป์ไลน์ voice agent จริง เวลาที่เสียไปมากที่สุดมักไม่ใช่ในโมเดลใดโมเดลหนึ่ง แต่คือการ รอให้ขั้นก่อนหน้าทำงานจบ ก่อนขั้นถัดไปจะเริ่ม

ทั้งโค้ดและเบนช์มาร์กเปิดซอร์สที่ nari-labs/nari-qwen3-tts ภายใต้ Apache-2.0 มี Docker ให้ พร้อมโปรไฟล์การรันสามแบบ (ttfa, balanced, throughput) ทั้ง HTTP แบบสตรีมและไม่สตรีม และ WebSocket สำหรับป้อนข้อความทีละส่วน

มุมมอง AI Curator

โพสต์นี้เป็นตัวอย่างที่ดีของเทรนด์ที่ผมเห็นชัดขึ้นเรื่อย ๆ ในสัปดาห์นี้ — สามในสี่ข่าวที่น่าสนใจที่สุดของวันนี้ (AVO ของ NVIDIA, IsoExec ของ SkyRL และอันนี้) ไม่มีอันไหนเป็นโมเดลใหม่เลย ทั้งหมดคือ การเอาโมเดลที่มีอยู่แล้วมาห่อด้วยวิศวกรรมที่ดีกว่า จุดที่ได้ผลตอบแทนสูงสุดในสาย AI ตอนนี้ ย้ายจากการเทรนไปอยู่ที่การเสิร์ฟ การจัดคิว และการจัดการสถานะ

สำหรับคนไทยผมคิดว่าข่าวนี้มีนัยที่จับต้องได้มากที่สุดในสี่ข่าววันนี้ ด้วยสองเหตุผล

หนึ่ง ราคา ตลาด voice AI ไทย — คอลเซ็นเตอร์, IVR, ผู้ช่วยเสียงในแอปธนาคาร — ติดกับดักเดิมมานาน คือ TTS คุณภาพดีราคาต่อคำแพงเกินกว่าจะปล่อยให้คนใช้เยอะ ๆ ที่ราคาระดับ 100 ดอลลาร์ต่อล้านตัวอักษร โมเดลธุรกิจส่วนใหญ่ไม่ผ่าน ที่ 2 ดอลลาร์ มันผ่านสบาย ๆ นี่คือความต่างระหว่าง “ทำเป็นเดโมได้” กับ “เปิดให้ผู้ใช้ล้านคนใช้ได้”

สอง latency กับที่ตั้งของเซิร์ฟเวอร์ ตัวเลข 50 ms นี้เป็นเวลาประมวลผลล้วน ๆ ไม่รวม network ถ้าคุณเรียก API จากไทยไปเซิร์ฟเวอร์ที่สหรัฐฯ ค่า round-trip อย่างต่ำก็ 200 ms ขึ้นไป — กลืนกำไรจากการรีดโมเดลไปหมดเกลี้ยง การ self-host ได้บน GPU ใบเดียวจึงไม่ใช่แค่เรื่องประหยัด แต่แปลว่าคุณ วางเครื่องไว้ในไทยหรือสิงคโปร์ได้ และนั่นคือทางเดียวที่จะได้บทสนทนาที่รู้สึกเป็นธรรมชาติจริง ๆ กับผู้ใช้ในภูมิภาคนี้ ยังไม่นับว่าเสียงลูกค้าเป็นข้อมูลส่วนบุคคลภายใต้ PDPA ซึ่งหลายองค์กรส่งออกนอกประเทศไม่ได้อยู่แล้ว

ข้อควรระวังที่ต้องพูดตรง ๆ: ตัวเลขทั้งหมดนี้ Nari Labs วัดเอง และการเทียบราคากับ ElevenLabs เป็นการเทียบต้นทุนเครื่องกับราคาขายปลีก ซึ่งไม่ใช่การเทียบที่ยุติธรรมนัก ที่สำคัญกว่านั้นสำหรับผู้อ่านบ้านเรา — โพสต์ไม่ได้พูดถึงคุณภาพเสียงภาษาไทยเลย และ Qwen3-TTS ก็ยังไม่มีใครวัดภาษาไทยอย่างเป็นระบบ ถ้าคุณจะเอาไปใช้จริง เร็วและถูกเป็นเรื่องรอง สิ่งที่ต้องทดสอบก่อนคือมันอ่านชื่อคนไทย เลขบัญชี และคำทับศัพท์ได้ถูกหรือเปล่า

แหล่งข่าว

• How we made a text-to-speech model respond in sub-50 ms — Nari Labs
• nari-labs/nari-qwen3-tts — GitHub