แท็ก

#text-to-speech

3 บทความ

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

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

Google ปล่อยโมเดล TTS สองตัวใน Gemini API และ AI Studio: Gemini 3.8 Flash TTS สำหรับงานเสียงเชิงสร้างสรรค์ ที่ออกแบบเสียงจาก prompt และโคลนเสียงจากคลิป 30 วินาทีได้ กับ Flash-Lite TTS ที่มาแทน gemini-3.1-flash-tts-preview สำหรับงานปริมาณมาก API ใหม่บังคับให้ย้ายคำกำกับการพูดไปไว้ใน speech_metadata และภาษาไทยรองรับเฉพาะรุ่น Flash

· อ่าน 4 นาที
Nari Labs รีดเสียงพูดออกจาก Qwen3-TTS ได้ใน 50 มิลลิวินาที บน H100 ใบเดียว — ต้นทุนราว 2 ดอลลาร์ต่อล้านตัวอักษร ถูกกว่า ElevenLabs 50 เท่า
เครื่องมือนักพัฒนา

Nari Labs รีดเสียงพูดออกจาก Qwen3-TTS ได้ใน 50 มิลลิวินาที บน H100 ใบเดียว — ต้นทุนราว 2 ดอลลาร์ต่อล้านตัวอักษร ถูกกว่า ElevenLabs 50 เท่า

19 ส.ค. 2026 Nari Labs (ทีมผู้สร้าง Dia) เผยแพร่วิธีเสิร์ฟ Qwen3-TTS CustomVoice 1.7B ให้ได้ p95 time-to-first-audio ต่ำกว่า 50 ms ที่ 10 requests/วินาที บน H100 SXM ใบเดียว คิดเป็นต้นทุนราว 2 ดอลลาร์ต่อล้านตัวอักษร เทียบกับ ElevenLabs V3 ที่ 100 ดอลลาร์ พร้อมเปิดซอร์สทั้งโค้ดและเบนช์มาร์ก

· 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