แท็ก

#Text-to-Speech

4 บทความ

Ollama 0.40.11 พูดได้แล้ว — เพิ่ม text-to-speech บน macOS พร้อม endpoint /v1/audio/speech แบบ OpenAI ใช้โมเดล Phonon ของ Gradium ขนาด 31M (Apache-2.0) แต่รุ่น 40M หลายภาษาเป็น non-commercial และยังไม่มีภาษาไทย
เครื่องมือนักพัฒนา

Ollama 0.40.11 พูดได้แล้ว — เพิ่ม text-to-speech บน macOS พร้อม endpoint /v1/audio/speech แบบ OpenAI ใช้โมเดล Phonon ของ Gradium ขนาด 31M (Apache-2.0) แต่รุ่น 40M หลายภาษาเป็น non-commercial และยังไม่มีภาษาไทย

24 ต.ค. 2026 Ollama 0.40.11 เพิ่มการสร้างเสียงพูดบน macOS: ollama run phonon อ่านข้อความหรือคำตอบของแชตโมเดลออกเสียงแบบสตรีม และแอปเรียกผ่าน /v1/audio/speech ที่เข้ากันได้กับ OpenAI ได้ โมเดลเริ่มต้นคือ Phonon 31M ภาษาอังกฤษของ Gradium (Apache-2.0, ใช้หน่วยความจำ 121 MB) ส่วนแพ็กเกจปัจจุบันต้องใช้ Apple Silicon

· อ่าน 4 นาที
Microsoft AI เปิด MAI-Transcribe-2-Streaming ถอดเสียงแบบเรียลไทม์ 60 ภาษา ได้ผลแรกในราว 100ms และ MAI-Voice-2.1/Flash ที่โคลนเสียงได้ — มีเสียงภาษาไทยให้เลือกแล้ว 4 เสียง
โมเดลใหม่

Microsoft AI เปิด MAI-Transcribe-2-Streaming ถอดเสียงแบบเรียลไทม์ 60 ภาษา ได้ผลแรกในราว 100ms และ MAI-Voice-2.1/Flash ที่โคลนเสียงได้ — มีเสียงภาษาไทยให้เลือกแล้ว 4 เสียง

1 ต.ค. 2026 Microsoft AI ปล่อยโมเดลเสียงสามตัวสำหรับ voice agent: MAI-Transcribe-2-Streaming (ถอดเสียงสด 60 ภาษา ผลแรกในราว 100ms ราคาโปรโมชัน $0.54/ชม. ถึงสิ้นปี), MAI-Voice-2.1 ($22 ต่อ 1M ตัวอักษร) และ MAI-Voice-2.1-Flash ($15, latency 150ms) ใช้ได้บน Foundry, Vercel และ OpenRouter โดยเอกสาร Azure ระบุว่ารองรับภาษาไทย

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

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

VoiceStudio (ชื่อเดิม OmniVoice-Studio) เป็นแอป AGPL-3.0 ที่รวม TTS 16 engine และ ASR 11 engine ไว้ในแอปเดียว ทำได้ทั้งโคลนเสียง ออกแบบเสียง พากย์วิดีโอ และทำ audiobook บนเครื่องตัวเอง มี API ที่เข้ากับ OpenAI และ MCP server ให้ใช้ ตอนนี้มีดาวราว 29.6k รุ่นล่าสุดคือ v0.5.2 (10 ก.ย.) แต่ engine ค่าเริ่มต้นคือ OmniVoice ซึ่ง weights เป็น CC-BY-NC ถ้าจะใช้งานเชิงพาณิชย์ต้องเปลี่ยน engine

· อ่าน 5 นาที