แท็ก

#TTS

7 บทความ

Mistral เปิดตัว Voxtral 3: โมเดลถอดเสียง 50+ ภาษา, TTS $13 ต่อล้านตัวอักษร และ voice agent SDK บน LiveKit — แต่รอบนี้เป็น API อย่างเดียว ไม่ปล่อย weights
โมเดลใหม่

Mistral เปิดตัว Voxtral 3: โมเดลถอดเสียง 50+ ภาษา, TTS $13 ต่อล้านตัวอักษร และ voice agent SDK บน LiveKit — แต่รอบนี้เป็น API อย่างเดียว ไม่ปล่อย weights

Mistral เปิดตัว Voxtral 3 (20 ต.ค. 2026) มีโมเดลถอดเสียง Small/Mini/Realtime, TTS ที่ปรับอารมณ์ได้ และ voice agent SDK ราคาเริ่ม $0.0035/นาที แต่ทุกตัวเป็น Public Preview ระดับ Premier ไม่มี weights บน Hugging Face ต่างจาก Voxtral รุ่นก่อนที่เป็น Apache-2.0 และหน้า docs ของ TTS ระบุว่ารองรับ 9 ภาษา ไม่ใช่ 35+ ตามที่บล็อกเขียน

· อ่าน 4 นาที
Hugging Face เปิด Open TTS Leaderboard — วัดโมเดลสร้างเสียงพูดด้วยตัวชี้วัดอัตโนมัติแทนการโหวต ใช้เวลาไม่กี่ชั่วโมงแทนหลายสัปดาห์ มีความเร็ว time-to-first-audio และ voice cloning แต่ 9 ภาษาแรกยังไม่มีภาษาไทย
เครื่องมือนักพัฒนา

Hugging Face เปิด Open TTS Leaderboard — วัดโมเดลสร้างเสียงพูดด้วยตัวชี้วัดอัตโนมัติแทนการโหวต ใช้เวลาไม่กี่ชั่วโมงแทนหลายสัปดาห์ มีความเร็ว time-to-first-audio และ voice cloning แต่ 9 ภาษาแรกยังไม่มีภาษาไทย

30 ก.ย. 2026 ทีม audio ของ Hugging Face เปิด Open TTS Leaderboard ที่จัดอันดับโมเดล text-to-speech แบบเปิดด้วย WER จากการถอดเสียงกลับด้วย Qwen3 ASR, ความคล้ายเสียงผู้พูดด้วย WavLM และความเร็ว RTFx/TTFA บน H200 และ CPU เพราะ leaderboard แบบโหวตตามรุ่นใหม่ไม่ทัน (บน Artificial Analysis มีโมเดลเปิดแค่ 16 จาก 92) แต่ตัวชี้วัดเหล่านี้ไม่ได้วัดความเป็นธรรมชาติ และยังไม่มีภาษาไทย

· อ่าน 4 นาที
Tencent เปิดซอร์ส AuK โมเดลเสียง 1.5B ใต้ MIT จริง ทำได้ 15 งานผ่านคำสั่งภาษาธรรมชาติ — แต่ตัวเข้ารหัสที่บังคับให้โหลดคู่กันเป็นไลเซนส์ห้ามใช้เชิงพาณิชย์
โมเดลใหม่

Tencent เปิดซอร์ส AuK โมเดลเสียง 1.5B ใต้ MIT จริง ทำได้ 15 งานผ่านคำสั่งภาษาธรรมชาติ — แต่ตัวเข้ารหัสที่บังคับให้โหลดคู่กันเป็นไลเซนส์ห้ามใช้เชิงพาณิชย์

9 ก.ย. Tencent Hunyuan เปิดซอร์ส AuK โมเดลพื้นฐานด้านเสียง 1.5B ใต้ MIT ที่รวม TTS แบบ zero-shot การแก้ไขเสียง การลดสัญญาณรบกวน และการแยกเสียงพูดไว้ใต้อินเทอร์เฟซคำสั่งภาษาธรรมชาติเดียว 15 งาน — แต่ไฟล์ config ระบุว่าต้องโหลด Qwen2.5-Omni-3B มาเป็นตัวเข้ารหัสด้วย ซึ่งอยู่ใต้ Qwen Research License ที่เขียนว่าใช้ได้เพื่อการวิจัยเท่านั้น

· อ่าน 7 นาที
Open Yap 1K: บทสนทนา 1,000 ชั่วโมงแยกแทร็กซ้ายขวาบนไทม์ไลน์เดียว ใช้เชิงพาณิชย์ได้ฟรี — แต่ส่วนที่ดาวน์โหลดได้ทันทีมี 8.9 ชั่วโมง ที่เหลือต้องยื่นคำขอ
เครื่องมือนักพัฒนา

Open Yap 1K: บทสนทนา 1,000 ชั่วโมงแยกแทร็กซ้ายขวาบนไทม์ไลน์เดียว ใช้เชิงพาณิชย์ได้ฟรี — แต่ส่วนที่ดาวน์โหลดได้ทันทีมี 8.9 ชั่วโมง ที่เหลือต้องยื่นคำขอ

The Agentic Data Company ปล่อย Open Yap 1K เมื่อ 3 ก.ย. — บทสนทนาภาษาอังกฤษ 1,602 รายการ รวม 1,000 ชั่วโมง บันทึก 48 kHz แยกสองแทร็กบนไทม์ไลน์เดียวกัน เก็บจากคนที่รู้จักกันจริงผ่านแอปโทรศัพท์ของบริษัทเอง เป็นชุดข้อมูลบทสนทนาสองคนที่ใหญ่ที่สุดที่ใช้เชิงพาณิชย์ได้ แต่มีเพียงตัวอย่าง 8.9 ชั่วโมงที่อยู่ใต้ CC-BY-4.0 จริง

· อ่าน 6 นาที
Google ADK เพิ่มการประเมินเอเจนต์เสียงแบบ live — ให้ LLM อีกตัวพูดใส่เอเจนต์ด้วยเสียงจริง แล้วให้คะแนนทั้งเส้นทางสนทนาด้วยเกณฑ์ที่เขียนเป็นภาษาคน
เครื่องมือนักพัฒนา

Google ADK เพิ่มการประเมินเอเจนต์เสียงแบบ live — ให้ LLM อีกตัวพูดใส่เอเจนต์ด้วยเสียงจริง แล้วให้คะแนนทั้งเส้นทางสนทนาด้วยเกณฑ์ที่เขียนเป็นภาษาคน

24 ส.ค. 2026 Google Developers Blog เปิดตัวการประเมินแบบ live ในตัวของ Agent Development Kit — ทดสอบเอเจนต์เสียงด้วยบทสนทนาเสียงที่สังเคราะห์ขึ้นจริง ไม่ใช่แค่ข้อความ พร้อมให้คะแนนคุณภาพเส้นทางสนทนาหลายเทิร์นด้วยเกณฑ์ที่เขียนเป็นภาษาธรรมชาติและตั้งเกณฑ์ผ่านได้เอง

· อ่าน 5 นาที
Cartesia ปล่อย Sonic-3.6 + Ink-2 — ขึ้นอันดับ 1 ทั้งสองกระดาน TTS ของ Artificial Analysis ด้วยสถาปัตยกรรม State Space Model
โมเดลใหม่

Cartesia ปล่อย Sonic-3.6 + Ink-2 — ขึ้นอันดับ 1 ทั้งสองกระดาน TTS ของ Artificial Analysis ด้วยสถาปัตยกรรม State Space Model

Cartesia เปิดตัว Sonic-3.6 (text-to-speech) คู่กับ Ink-2 (speech-to-text) เป็นชุด voice stack เดียว โดย Sonic-3.6 ขึ้นอันดับ 1 ทั้งกระดาน Provider Voice (Elo 1285) และ Controlled Voice (Elo 1122) ของ Artificial Analysis แซง ElevenLabs Eleven v3 — แต่ยังเป็น API แบบโฮสต์ ไม่มี open weights

· อ่าน 6 นาที
Inflect-Micro-v2: ระบบสังเคราะห์เสียงครบวงจรใน 9.36 ล้านพารามิเตอร์ — 37 MB รันบน CPU เร็วกว่าเรียลไทม์ 6.28 เท่า
โมเดลใหม่

Inflect-Micro-v2: ระบบสังเคราะห์เสียงครบวงจรใน 9.36 ล้านพารามิเตอร์ — 37 MB รันบน CPU เร็วกว่าเรียลไทม์ 6.28 เท่า

โมเดล TTS ภาษาอังกฤษที่ทำงานครบตั้งแต่ข้อความถึงคลื่นเสียงด้วยพารามิเตอร์เพียง 9.36 ล้านตัว ขนาดไฟล์ 37.53 MB ไลเซนส์ Apache-2.0 สังเคราะห์เสียงบน CPU ได้เร็วกว่าเรียลไทม์ 6.28 เท่า และชนะการทดสอบ blind test ของชุมชนที่ 66.2% — ขึ้นหน้าแรก Hacker News เมื่อ 26 ก.ค.

· อ่าน 5 นาที