แท็ก

#Voice Cloning

4 บทความ

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
Qwen3.8-LiveTranslate: ล่ามพร้อมกันผ่าน API ที่แยกผู้พูดได้เอง ลดความหน่วงเฉลี่ยจาก 2.8 เหลือ 2.3 วินาที พูดออกเสียงได้ 29 ภาษารวมภาษาไทย — แต่ยังเป็นโมเดลปิด
โมเดลใหม่

Qwen3.8-LiveTranslate: ล่ามพร้อมกันผ่าน API ที่แยกผู้พูดได้เอง ลดความหน่วงเฉลี่ยจาก 2.8 เหลือ 2.3 วินาที พูดออกเสียงได้ 29 ภาษารวมภาษาไทย — แต่ยังเป็นโมเดลปิด

Qwen เปิดตัว Qwen3.8-LiveTranslate เมื่อ 19 ก.ย. เป็นโมเดลล่ามพร้อมกันแบบเรียลไทม์ ใช้สถาปัตยกรรม Interleave ที่ลด LAAL จาก 2.8 เหลือ 2.3 วินาที เพิ่มการแยกผู้พูด แสดงผลสองภาษาคู่กัน และใช้บริบทยาวแก้ชื่อเฉพาะ เข้าใจ 60 ภาษา พูดออกเสียงได้ 29 ภาษา (มีภาษาไทย) ใช้ได้ผ่าน WebSocket API เท่านั้น ไม่มีน้ำหนักเปิด

· 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
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