VoiceStudio แอปเสียง AI แบบรันในเครื่อง ทางเลือกแทน ElevenLabs ที่มีดาวเกือบ 30k: โคลนเสียง พากย์วิดีโอ และ API ที่เข้ากับ OpenAI ได้ในแอปเดียว — แต่ engine ค่าเริ่มต้นใช้ weights ที่ห้ามใช้เชิงพาณิชย์

VoiceStudio ของ debpalash (ชื่อเดิม OmniVoice-Studio) เป็นแอปเดสก์ท็อปโอเพนซอร์สที่เรียกตัวเองว่า “the open-source, fully-local ElevenLabs alternative” ทำได้ทั้งโคลนเสียงจากคลิปสั้น ๆ, ออกแบบเสียงจากคำบรรยาย, พากย์วิดีโอข้ามภาษา, พิมพ์ด้วยเสียง และทำ audiobook ทั้งหมดรันบนเครื่องตัวเอง README ย้ำว่า “No account, API key, subscription, or usage meter for the local workflow”

repo สร้างเมื่อ 9 เม.ย. 2026 ออกรุ่นแรก (v0.2.0) เมื่อ 23 เม.ย. และมาแล้ว 38 รุ่น รุ่นล่าสุดคือ v0.5.2 เมื่อ 10 ก.ย. ตอนนี้มีดาวราว 29.6k, fork ราว 3.6k และไฟล์ใน release ถูกดาวน์โหลดรวมราว 3.9 แสนครั้ง วันนี้ขึ้น GitHub trending (ได้ดาวเพิ่มเกือบ 2.8k ในวันเดียว) บล็อกนี้ไม่เคยเขียนถึงเลย โพสต์นี้จึงเป็นการตามเก็บ ไม่ใช่ข่าวเปิดตัว

ในแอปมีอะไร

• Engine: TTS 16 ตัว (เช่น OmniVoice, CosyVoice 3, VoxCPM2, GPT-SoVITS, IndexTTS 2.5, MOSS-TTS, KittenTTS) และ ASR 11 ตัว (ค่าเริ่มต้นคือ WhisperX มี Faster-Whisper, Parakeet, Moonshine, FunASR ด้วย) สลับได้จาก Model Catalogue หรือกด Ctrl/Cmd+E
• งานที่ทำได้: โคลนเสียงแบบ zero-shot (คลิป 3 วินาทีก็ใช้ได้ แต่ 5–15 วินาทีได้ผลดีกว่า), แปลงเสียงพูดเป็นเสียงอื่น (speech-to-speech), พากย์วิดีโอ (ถอดเสียง แปล แยกผู้พูด สังเคราะห์ใหม่ แล้ว export), ทำ audiobook จาก EPUB/PDF เป็น .m4b, แยกเสียงพูดออกจากเสียงพื้นหลังด้วย Demucs, แยกผู้พูดด้วย pyannote/WhisperX, ทำงานเป็นคิว batch หรือตั้งให้เฝ้าโฟลเดอร์แล้วพากย์วิดีโอใหม่อัตโนมัติ และฝัง/ตรวจลายน้ำ AI ด้วย AudioSeal
• สำหรับนักพัฒนา: backend เป็น FastAPI ที่ localhost:3900 มี API ที่เข้ากับ OpenAI แค่เปลี่ยน base_url เป็น http://localhost:3900/v1 ก็ใช้ /v1/audio/speech และ /v1/audio/transcriptions ได้ มี WebSocket สำหรับถอดเสียงสด และมี MCP server ให้ agent เรียกสังเคราะห์และถอดเสียงได้ ใน v0.5.2 เครื่องมือ MCP ส่งผลกลับเป็นไฟล์แทนการยัดเสียงเข้า context ของ agent
• เครื่องที่ต้องใช้: macOS 13.3+ บน Apple Silicon (Intel Mac รัน backend ในเครื่องไม่ได้), Windows 10/11 x64, Linux x86_64 ที่ glibc 2.39+ และมี Docker สำหรับ linux/amd64 (CUDA, ROCm, CPU) ขั้นต่ำ RAM 8 GB พื้นที่ดิสก์ 10 GB ไม่มี GPU ก็ได้ ถ้ามีต้องมี VRAM อย่างน้อย 4 GB (แนะนำ 8 GB+)

v0.5.2 เพิ่มการติดตั้งแบบคลิกเดียวให้ MOSS-TTS-v1.5, Confucius4-TTS, dots.tts, Supertonic-3 และ PocketTTS โดยแต่ละตัวอยู่ใน environment แยกกัน สลับไปมาแล้ว engine เดิมไม่พัง มีธีมสว่าง แก้ปัญหาอัปเกรด torch บนการ์ด RTX 50-series และทำให้ดาวน์โหลดโมเดลต่อจากจุดเดิมได้เมื่อเน็ตหลุด รุ่นนี้ยังเพิ่ม audio.cpp เป็น backend CPU แบบเลือกเปิดสำหรับ Breeze-TTS-2 และเพิ่มพรีวิวเสียงพากย์ขณะแก้ข้อความด้วย ข้อควรรู้คือโปรเจกต์ยังเป็น “Active beta” และหัว README แจ้งว่ากำลังเขียนแอปเดสก์ท็อปใหม่ด้วย Electron

ไลเซนส์: จุดที่ต้องอ่านก่อนใช้งานจริง

ตัวแอปเป็น AGPL-3.0 แต่ README เขียนชัดว่า “downloaded models keep their upstream terms” และ engine ค่าเริ่มต้นคือจุดที่ต้องระวังที่สุด:

• OmniVoice (ค่าเริ่มต้น) จาก k2-fsa โค้ดเป็น Apache-2.0 แต่ weights เป็น CC-BY-NC โมเดลการ์ดให้เหตุผลว่าเป็น “due to constraints from its training data (e.g., Emilia)” และ tokenizer เสียงที่มากับโมเดลยังอยู่ใต้เงื่อนไขของ Boson Higgs Audio 2 และ Meta Llama community license อีกชั้น
• IndexTTS 2.5 ใช้ไลเซนส์ของ Bilibili ถ้าผู้ใช้เกิน 100 ล้านรายต่อเดือนหรือรายได้เกิน 1 พันล้านหยวน ต้องขอไลเซนส์เป็นลายลักษณ์อักษร
• PocketTTS เป็น CC-BY-4.0 แบบต้องขอสิทธิ์ (gated) ส่วน Supertonic 3 เป็น OpenRAIL-M
• ตัวที่เป็น Apache-2.0 ได้แก่ CosyVoice 3, VoxCPM2, MOSS-TTS-Nano/v1.5, dots.tts, Confucius4-TTS, Sherpa-ONNX ส่วน GPT-SoVITS กับ KittenTTS เป็น MIT

เรื่องภาษาไทย: ตารางภาษาของ OmniVoice มีภาษาไทย (th) ที่ใช้ข้อมูลเสียงเทรนราว 10,500 ชั่วโมง จากทั้งหมด 581k ชั่วโมงใน 646 ภาษา แปลว่า engine ค่าเริ่มต้นน่าจะพูดไทยได้ แต่ตัวนี้ติด NC ส่วน engine สาย Apache/MIT ส่วนใหญ่ README ระบุแค่จำนวนภาษา ไม่ได้บอกว่ามีภาษาอะไรบ้าง ต้องไปตรวจเองทีละตัวว่ารองรับภาษาไทยหรือไม่

มุมมอง AI Curator

สิ่งที่ทำให้ VoiceStudio น่าสนใจกว่าเดโม TTS ทั่วไปคือ API ที่เข้ากับ OpenAI กับ MCP server นักพัฒนาที่มีโค้ดเรียก audio.speech ของ OpenAI อยู่แล้ว เปลี่ยนแค่ base_url ก็ย้ายมารันในเครื่องได้ ต้นทุนเปลี่ยนจากจ่ายตามจำนวนตัวอักษรเป็นค่าไฟกับ GPU ที่มีอยู่ ทีมที่ทำ audiobook, คลิปสอน หรือระบบตอบรับเสียงปริมาณมาก ๆ ใช้ทดลองได้ทันที เป็นภาพเดียวกับฝั่ง LLM ที่ Ollama และ vLLM ทำให้การรันในเครื่องกลายเป็นเรื่องปกติ

แต่ “ฟรี” ในที่นี้ไม่เท่ากับ “ใช้เชิงพาณิชย์ได้” ถ้าติดตั้งแล้วใช้ค่าเริ่มต้นเลย เสียงที่ได้มาจาก weights ที่เป็น CC-BY-NC ถ้าเอาไปใช้ในงานลูกค้าหรือโฆษณา ถือว่าผิดเงื่อนไข ส่วนตัวแอปเป็น AGPL ถ้าเอาไปเปิดเป็นบริการให้คนนอกใช้ผ่านเครือข่ายก็มีภาระต้องเปิดซอร์สตามมา นี่คือกับดักไลเซนส์ซ้อนชั้นแบบเดียวกับที่เราเจอบ่อยในฝั่งโมเดลภาษา ใบอนุญาตของตัวห่อไม่ได้บอกอะไรเกี่ยวกับ weights ที่อยู่ข้างใน ทีมไทยที่จะใช้จริงควรเลือก engine สาย Apache/MIT ที่ทดสอบแล้วว่าออกเสียงภาษาไทยได้ แล้วตรึงเวอร์ชันไว้

ความเสี่ยงที่ใหญ่กว่าเรื่องไลเซนส์คือการโคลนเสียง เครื่องมือที่ใช้คลิปแค่ 3 วินาทีโคลนเสียงคนได้ และทำงานบนเครื่องใครก็ได้โดยไม่มีบัญชีหรือระบบตรวจ ไม่มีใครกันการใช้ผิดได้นอกจากตัวผู้ใช้เอง ในประเทศที่แก๊งคอลเซ็นเตอร์ยังระบาดอย่างไทย เรื่องนี้ไม่ใช่เรื่องไกลตัว องค์กรที่เอาไปใช้ควรขอความยินยอมจากเจ้าของเสียงเป็นลายลักษณ์อักษร เพราะเสียงที่ใช้ระบุตัวบุคคลอาจเข้าข่ายข้อมูลชีวภาพที่ PDPA จัดเป็นข้อมูลอ่อนไหว และควรเปิดลายน้ำ AudioSeal กับงานที่เผยแพร่ออกไป ธนาคารและบริการที่ยังใช้เสียงยืนยันตัวตนก็ควรถือว่าช่องทางนี้ถูกปลอมได้แล้ว

แหล่งข่าว

• GitHub — VoiceStudio v0.5.2 release (10 ก.ย. 2026)
• GitHub — debpalash/VoiceStudio (README: engine, ไลเซนส์, API)
• Hugging Face — k2-fsa/OmniVoice (ไลเซนส์ weights CC-BY-NC)
• OmniVoice — รายการภาษาที่รองรับ