Google เปิด Gemini 3.8 Flash TTS และ Flash-Lite TTS — ออกแบบเสียงใหม่ด้วย prompt, โคลนเสียงจากคลิป 30 วินาทีพร้อมยืนยันความยินยอม ราคาโปรฯ ถูกกว่า 3.1 แต่ภาษาไทยรองรับแค่รุ่น Flash

วันที่ 23 ก.ย. 2026 Google เปิดตัวโมเดล text-to-speech สองรุ่นในตระกูล Gemini 3.8 ได้แก่ Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) ที่เน้นงานเสียงเชิงสร้างสรรค์และการกำกับการแสดง และ Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts) ที่เน้นงานปริมาณมากในราคาต่ำ ทั้งคู่เปิดใช้วันนี้ใน Gemini API และ Google AI Studio ส่วนลูกค้า Gemini Enterprise จะได้ตามมา ฝั่งผู้ใช้ทั่วไป รุ่น Flash อยู่ใน Gemini Notebook และรุ่น Flash-Lite อยู่ใน Google Vids

การเปลี่ยนแปลงใหญ่คือจากเดิมที่เลือกได้แค่ 30 เสียงสำเร็จรูป ตอนนี้นักพัฒนา สร้างเสียงใหม่จาก prompt โคลนเสียงจริง และบันทึกเสียงไว้ใช้ซ้ำข้ามโปรเจกต์ได้ ทำให้ Gemini TTS แข่งกับ ElevenLabs และ Hume ได้โดยตรงมากขึ้น

ความสามารถใหม่

• Voice design: สร้างเสียงใหม่ด้วยภาษาธรรมชาติ กำหนดบทบาท สำเนียง และลักษณะเสียงได้ รองรับกว่า 100 ภาษาและสำเนียง ผ่าน POST /v1beta/voices ซึ่งคืน ID แบบ voice_... พร้อมไฟล์ตัวอย่าง
• คลังเสียง 2,000+ เสียง ครอบคลุมสำเนียงท้องถิ่น เช่น สเปนแบบเม็กซิโก ฝรั่งเศสแบบควิเบก
• Voice replication: โคลนเสียงจากคลิป 30 วินาที โดยต้องอัดเสียงยินยอมของเจ้าของเสียงที่ตรงกับผู้พูดต้นฉบับ ทุกคลิปมีลายน้ำ SynthID และ C2PA ฟีเจอร์นี้ใน AI Studio ยังไม่เปิดในอิลลินอยส์ เท็กซัส EEA สหราชอาณาจักร สวิตเซอร์แลนด์ และอินเดีย
• กำกับทีละบรรทัด: ใส่ vocal burst เช่น <laughs> <sigh> และคำตอบรับระหว่างฟังแบบ |mhm| ได้ รองรับบทสนทนาสองผู้พูดใน request เดียว และเสียงยาวต่อเนื่องหลายชั่วโมงโดยเสียงไม่เพี้ยน

Google อ้างว่า Flash TTS ได้อันดับ 1 ใน Voice Design Benchmark ของ Hume AI (71.4) และรุ่น Flash/Flash-Lite ได้อันดับ 1 และ 2 ใน Overall Quality Index ของ Hume ตัวเลขเหล่านี้มาจากประกาศของ Google เอง

ราคาและสิ่งที่นักพัฒนาต้องแก้

ราคา Paid Tier ต่อ 1M token (อ้างอิงหน้า pricing ของ Gemini API):

โมเดล	Input (ข้อความ)	Output (เสียง)
3.8 Flash TTS (ถึง 31 ธ.ค. 2026)	$0.50	$9.00
3.8 Flash TTS (ตั้งแต่ 1 ม.ค. 2027)	$1.00	$18.00
3.8 Flash-Lite TTS (ถึง 31 ธ.ค. 2026)	$0.50	$6.00
3.8 Flash-Lite TTS (ตั้งแต่ 1 ม.ค. 2027)	$1.00	$12.00
3.1 Flash TTS Preview (เดิม)	$1.00	$20.00

ทั้งสองรุ่นมี Free Tier สำหรับทดลองด้วย ข้อควรรู้ตอนย้ายจาก 3.1:

• Flash-Lite คือตัวแทน gemini-3.1-flash-tts-preview ตามเอกสารของ Google ทั้งสองรุ่นใช้ schema เดียวกัน เปลี่ยนรุ่นได้ด้วยพารามิเตอร์เดียว
• 3.8 อ่าน input เป็นบทพูดตามตัวอักษรเท่านั้น คำกำกับ เช่น “whispering” และชื่อผู้พูด ต้องย้ายไปไว้ใน speech_metadata แทนการเขียนแทรกในข้อความ prompt แบบเก่าที่ฝังคำกำกับไว้ในบทจะถูกอ่านออกเสียงออกมา
• เสียงที่บันทึก (store=True) เก็บได้สูงสุด 200 เสียงต่อโปรเจกต์ อายุ 1 ปี ส่วน voice key แบบ stateless อายุ 7 วัน
• การรวมเสียง custom หลายตัวในบทเดียวยังต้องสังเคราะห์ทีละคนแล้วต่อ PCM 24kHz เอง (multi-speaker แบบ request เดียวใช้ได้กับเสียงสำเร็จรูปสูงสุด 2 คน)

มุมมอง AI Curator

จุดที่คนไทยต้องดูก่อนคือ ตารางภาษา ในเอกสาร Google ระบุว่า ภาษาไทยรองรับเฉพาะ Gemini 3.8 Flash TTS ส่วน Flash-Lite ยังไม่รองรับ ถ้าคุณทำ voice agent หรือระบบอ่านออกเสียงภาษาไทย ทางเลือกที่ถูกที่สุดจึงใช้ไม่ได้ และต้องจ่ายค่า output ของรุ่น Flash ซึ่งแพงกว่า 1.5 เท่า ($9 เทียบ $6 ในช่วงโปรฯ) นอกจากนี้ ราคาโปรฯ จะหมดตอนสิ้นปี แล้วราคาจะขึ้นเป็นสองเท่า ควรคำนวณต้นทุนด้วยราคาปี 2027 ตั้งแต่ตอนนี้ ไม่ใช่ราคาเปิดตัว

ภาพรวมคือ TTS กำลังเปลี่ยนจาก “เลือกเสียงจากรายการ” เป็น “กำกับนักแสดง” การแยกบทออกจากคำกำกับด้วย speech_metadata เป็นการออกแบบ API ที่ดี เพราะลดปัญหาโมเดลอ่านคำกำกับออกมาเป็นเสียง แต่ก็เป็น breaking change เงียบ ๆ สำหรับใครที่ย้ายจาก 3.1 แค่เปลี่ยนชื่อโมเดล สำหรับสตูดิโอพากย์และ podcast ในไทย ฟีเจอร์โคลนเสียงที่บังคับอัดคำยินยอมพร้อม SynthID เป็นแนวทางที่ควรใช้เป็นมาตรฐาน แต่ต้องจำไว้ว่าลายน้ำตรวจได้ด้วยเครื่องมือของ Google เท่านั้น ผู้ฟังทั่วไปไม่มีทางรู้ได้เลย

แหล่งข่าว

• Gemini 3.8 text-to-speech says hello — Google Blog (23 ก.ย. 2026)
• Speech generation (text-to-speech) — Gemini API docs
• Gemini Developer API pricing