ผลทดสอบ Showkhun ชี้ Gemini TTS ใส่อารมณ์ไทยดีกว่า ElevenLabs

ผลทดสอบเสียงไทยของ Showkhun ใช้บทชุดเดียวกันกับงานเพลง การ์ตูน และละคร รวมการสร้างเสียง 128 ครั้ง โดยในบทการ์ตูน Gemini 3.8 Flash TTS ได้คะแนนอารมณ์ 5.0 จาก 5 และถอดคำตรง 95% ส่วน ElevenLabs v3 ได้ 2.7 และ 89% ตามลำดับ.

สำหรับคลิปตัวละครไทยที่เขียนบทไว้แล้ว ผลนี้ทำให้ Gemini เป็นตัวเลือกแรกที่ควรนำมาฟังกับบทจริง แต่คะแนนดังกล่าวไม่ได้ตัดสินงานบรรยายยาวหรือการพากย์จากวิดีโอภาษาต่างประเทศ งานแต่ละแบบใช้ไฟล์ต้นทาง วิธีควบคุมเสียง และหน่วยคิดค่าบริการต่างกัน จึงต้องแยกคำถามเรื่องคุณภาพออกจากคำถามเรื่องต้นทุนก่อนเลือกบริการ.

ผลการ์ตูนวัดอารมณ์อย่างไร

บทการ์ตูนในการทดลองเป็นบทสนทนาสั้นระหว่างแมวกับหมา ผู้ทดสอบสร้างเสียงหลายครั้งต่อบรรทัด แล้วเลือกเสียงที่ถอดคำได้ตรงที่สุดมาประกอบเป็นฉาก วิธีนี้ใกล้กับงานผลิตคลิปที่เลือกเทคก่อนตัดต่อ แต่ผลย่อมขึ้นกับเสียงที่เลือก คำกำกับอารมณ์ และบทที่ใช้ในครั้งนั้น หากเปลี่ยนองค์ประกอบเหล่านี้ ลำดับความน่าฟังก็อาจเปลี่ยนได้.

คะแนนอารมณ์มาจากผู้ประเมินที่เป็น AI ซึ่งฟังเสียงโดยไม่เห็นชื่อบริการ ส่วนความตรงของคำวัดด้วยการให้ AI ถอดเสียงกลับเป็นข้อความแล้วเทียบกับบท จึงควรอ่านสองค่าควบกัน เสียงที่แสดงอารมณ์ได้ดีอาจยังพูดชื่อผิด ขณะที่เสียงที่ถอดคำได้ตรงอาจรับส่งบทสนทนาไม่เป็นธรรมชาติ คะแนนยังสะท้อนการประเมินฉากที่ประกอบขึ้น มากกว่าการรับฟังของผู้ชมทุกกลุ่ม.

ตัวอย่างความผิดพลาดในชุดทดสอบทำให้เห็นความเสี่ยงของงานภาษาไทยชัดเจน ชื่อตัวละครที่ควรฟังเป็น “ตังตัง” เพี้ยนไปในเสียงของ ElevenLabs และคำลงท้ายบางคำเปลี่ยนเสียงจนความหมายหรือระดับภาษาผิดไป Gemini ก็มีบางช่วงที่คำพูดติดอ่างถอดกลับมาไม่ตรงบท สำหรับการ์ตูนเด็กหรือโฆษณาที่ออกเสียงชื่อสินค้าซ้ำ ความผิดพลาดสั้น ๆ เช่นนี้อาจสำคัญกว่าความต่างของน้ำเสียงทั้งประโยค.

บทละครในชุดเดียวกันมีตัวละครหลายคนและต้องรักษาอารมณ์ต่อเนื่องนานกว่าบทการ์ตูน ความท้าทายจึงย้ายจากการทำประโยคสั้นให้มีชีวิต ไปสู่การแยกบุคลิกตัวละครและเชื่อมจังหวะระหว่างบรรทัด ผู้ผลิตนิยายเสียงควรใช้ผลการ์ตูนเป็นหลักฐานเรื่องการแสดงอารมณ์ในฉากสั้น แล้วฟังงานบรรยายต่อเนื่องของเสียงที่ตั้งใจใช้ด้วย โดยเฉพาะช่วงที่ผู้เล่าต้องเปลี่ยนจากบรรยายเป็นบทพูด.

เลือกเครื่องมือตามไฟล์ต้นทางและงานปลายทาง

คำว่าเสียงพากย์ AI ครอบคลุมงานที่ต่างกันมาก หากมีบทไทยสำเร็จรูป ระบบอ่านข้อความเป็นเสียงหรือ TTS จะสร้างเสียงตามข้อความนั้น ส่วนงาน Dubbing เริ่มจากเสียงหรือวิดีโอต้นฉบับ แล้วต้องจัดการภาษา เสียงผู้พูด และจังหวะภาพไปพร้อมกัน การเทียบคะแนนการ์ตูนของ TTS กับค่าบริการ Dubbing จึงตอบคำถามคนละข้อ.

• คลิปตัวละครและโฆษณาที่เขียนบทไทยเอง: เริ่มจาก Gemini 3.8 Flash TTS เมื่อการเล่นอารมณ์เป็นหัวใจของชิ้นงาน แล้วเทียบเสียงที่เลือกกับ ElevenLabs v3 ด้วยบทเดียวกัน ฟังทั้งจังหวะรับส่งคำพูดและคำที่ห้ามผิด เช่น ชื่อสินค้า คำเตือน และคำลงท้าย.
• นิยายเสียงหรือบทบรรยายยาว: ใช้ข้อความที่มีทั้งคำบรรยายและบทสนทนา ฟังความเร็ว การเว้นวรรค ความคงที่ของผู้เล่า และความแตกต่างระหว่างตัวละคร หากต้องแก้เฉพาะประโยคหนึ่ง เสียงที่สร้างใหม่ต้องเข้ากับประโยคข้างเคียง มิฉะนั้นเวลาตัดต่อจะกลายเป็นต้นทุนอีกส่วนหนึ่ง.
• วิดีโอต้นฉบับต่างภาษา: พิจารณา Dubbing เมื่อจำเป็นต้องแปลคำพูดและรักษาความสัมพันธ์กับภาพ ตรวจชื่อคน สถานที่ และคำเฉพาะหลังแปลทุกครั้ง เพราะการออกเสียงผิดอาจมาจากทั้งขั้นแปลและขั้นสร้างเสียง ค่าใช้จ่ายของงานนี้ผูกกับเงื่อนไขการพากย์ของบริการ ไม่ควรแทนด้วยราคาสร้างเสียงจากบทไทย.
• แอปหรือระบบที่เรียกผ่าน API: ให้ความสำคัญกับการส่งบท เสียง และคำกำกับซ้ำได้อย่างสม่ำเสมอ รวมถึงหน่วยที่ถูกคิดจริงในแต่ละคำขอ หากระบบต้องสร้างประโยคเดิมใหม่บ่อยเพราะอ่านชื่อผิด ต้นทุนของไฟล์ที่เผยแพร่เพียงไฟล์เดียวจะบอกงบทั้งโครงการไม่ได้.

การเลือกตามชนิดงานช่วยตีความผลทดสอบได้ตรงจุด งานโฆษณาสั้นอาจยอมสร้างใหม่เพื่อให้ได้อารมณ์ที่ต้องการ แต่นิยายเสียงหลายตอนให้ความสำคัญกับบุคลิกผู้เล่าที่ต่อเนื่อง ส่วนวิดีโอซึ่งมีผู้พูดอยู่แล้วมีโจทย์เรื่องการแปลและการลงจังหวะเพิ่มขึ้นมา ผลที่ดีในงานหนึ่งจึงเป็นเหตุผลให้ทดลองต่อในงานใกล้เคียง ไม่ใช่คำรับประกันสำหรับทุกไฟล์เสียง.

ชื่อไทยและประโยคสลับภาษาต้องฟังจุดไหน

ตัวอย่างเสียงของ Paxa ให้หลายบริการอ่านข้อความไทยปนอังกฤษชุดเดียวกัน และระบุว่าคลิปไม่ได้ตัดต่อเสียงนอกจากปรับระดับความดังกับแปลงไฟล์ ตัวอย่างนี้มี Eleven v3 และ Gemini 3.1 Flash TTS จึงใช้ฟังลักษณะการสลับภาษาได้ แต่ Gemini ในหน้านั้นเป็นคนละรุ่นกับ Gemini 3.8 Flash TTS ที่อยู่ในการทดลองการ์ตูน.

ข้อความไทยที่แทรกศัพท์อังกฤษกลางประโยคเผยปัญหาที่ประโยคสาธิตสั้น ๆ อาจซ่อนไว้ เสียงต้องเปลี่ยนวิธีอ่านคำอังกฤษโดยไม่ทำให้คำไทยก่อนและหลังสะดุด ชื่อแบรนด์อาจมีรูปสะกดภาษาอังกฤษแต่ต้องอ่านแบบที่ผู้ชมไทยคุ้นเคย ขณะที่คำทับศัพท์บางคำมีวิธีอ่านเฉพาะของสินค้า การฟังเพียงความลื่นไหลของทั้งประโยคจึงอาจพลาดคำที่เจ้าของงานต้องการให้ตรงที่สุด.

สำหรับบทที่จะเผยแพร่ ควรแยกรายชื่อคน ชื่อเล่น ชื่อสินค้า สถานที่ และคำต่างภาษาที่มีคำอ่านกำหนดไว้เป็นชุดตรวจเสียงของงานนั้น ฟังแต่ละคำในบริบทประโยคจริง เพราะเสียงอาจอ่านชื่อเดี่ยวได้ถูกแต่เปลี่ยนเมื่อมีคำไทยหรืออังกฤษติดกัน หากต้องเขียนบทใหม่เพื่อช่วยการออกเสียง ให้เก็บรูปสะกดที่แสดงต่อผู้ชมแยกจากข้อความที่ส่งให้ระบบสร้างเสียง วิธีนี้ช่วยให้แก้คำอ่านโดยไม่เผลอแก้ชื่อที่ปรากฏในวิดีโอ.

การตรวจความตรงของคำทำได้ด้วยการฟังพร้อมบทและถอดเสียงกลับมาเทียบ แต่การถอดเสียงอัตโนมัติเองก็อาจฟังชื่อเฉพาะผิด จึงไม่ควรใช้ผลถอดเสียงเป็นคำตัดสินลำพัง จุดที่ต้องฟังด้วยหูคือคำสั้นซึ่งเปลี่ยนระดับภาษา คำปฏิเสธ ตัวเลข และชื่อที่มีเสียงใกล้กัน เมื่อเปลี่ยนรุ่นหรือเปลี่ยนเสียง ควรกลับไปฟังจุดเหล่านี้อีกครั้ง แม้ข้อความต้นทางจะเหมือนเดิม.

การควบคุมเสียงผ่าน API ส่งผลต่อการผลิตอย่างไร

เอกสาร Gemini API สำหรับ TTS ระบุว่าระบบสร้างเสียงผู้พูดเดี่ยวหรือบทสนทนาได้ กำกับสไตล์ สำเนียง จังหวะ และโทนด้วยข้อมูลประกอบบทได้ และการสร้างบทสนทนาในคำขอเดียวด้วยเสียงสำเร็จรูปรองรับผู้พูดสูงสุด 2 คน ข้อจำกัดสุดท้ายมีผลกับฉากที่มีตัวละครมากกว่า 2 คน เพราะต้องวางแผนสร้างเสียงแยกช่วงแล้วประกอบให้จังหวะต่อเนื่องกัน.

การแยกข้อความที่ต้องพูดออกจากคำกำกับวิธีพูดช่วยลดโอกาสที่ระบบจะอ่านคำสั่งออกมาเป็นบทจริง ตัวอย่างเช่น ประโยคที่ตัวละครต้องพูดควรคงรูปคำตามสคริปต์ ส่วนความรีบ ความกระซิบ หรืออารมณ์ของช่วงนั้นอยู่ในข้อมูลกำกับที่เหมาะกับบริการ เมื่อสร้างหลายบรรทัด ผู้ผลิตยังต้องดูว่าเสียงแต่ละบรรทัดมีระดับพลังและความเร็วเข้ากันหรือไม่ เพราะความสามารถในการกำกับไม่ได้ทำให้ผลทุกคำขอเหมือนกันโดยอัตโนมัติ.

สำหรับงานที่แก้บทบ่อย การเก็บรุ่น เสียง ข้อความที่ส่งจริง และคำกำกับไว้กับไฟล์เสียงแต่ละชิ้นมีประโยชน์มากกว่าจำเพียงชื่อบริการ หากลูกค้าเปลี่ยนชื่อสินค้าเพียงคำเดียว จะรู้ว่าต้องสร้างช่วงใดใหม่ และสามารถเทียบกับช่วงเดิมได้ตรงเงื่อนไข การเก็บข้อมูลหน่วยที่ระบบคิดในคำขอเดียวกันยังทำให้เห็นว่าค่าบริการเพิ่มจากบทใหม่ การเปลี่ยนคำกำกับ หรือการทำเสียงซ้ำ.

ต้นทุนบทไทย: คิดจากหน่วยที่แต่ละบริการเรียกเก็บ

ตามตารางราคา Gemini API ที่ตรวจสอบเมื่อ 12 พฤศจิกายน 2569 การใช้ Gemini 3.8 Flash TTS แบบมาตรฐานในบัญชีชำระเงินคิดข้อความขาเข้า 0.50 ดอลลาร์ต่อหนึ่งล้านโทเค็น และเสียงขาออก 9 ดอลลาร์ต่อหนึ่งล้านโทเค็นจนถึงสิ้นปี 2569 โดย Google ระบุราคาเสียงเทียบเท่า 0.00225 ดอลลาร์ต่อ 10 วินาที และเผยแพร่อัตราที่จะเพิ่มเป็นสองเท่าตั้งแต่ 1 มกราคม 2570 จำนวนอักขระไทยจึงไม่ใช่จำนวนโทเค็นขาเข้าที่ใช้คิดเงินจริง ส่วนความยาวเสียงที่สร้างมีผลโดยตรงต่อฝั่งขาออก.

ตามราคา ElevenLabs ที่ตรวจสอบเมื่อ 12 พฤศจิกายน 2569 แผน Free ให้ 10,000 เครดิตต่อเดือน แผน Starter ราคา 6 ดอลลาร์ต่อเดือนหลังเดือนแรกพร้อม 30,000 เครดิตและสิทธิ์ใช้เชิงพาณิชย์ ส่วน Creator ราคา 22 ดอลลาร์ต่อเดือนหลังเดือนแรกพร้อม 121,000 เครดิต หน้าเดียวกันระบุว่าเครดิตใช้ร่วมกันระหว่างผลิตภัณฑ์ และจำนวนเครดิตที่ข้อความใช้ขึ้นกับโมเดล จึงนำจำนวนอักขระไทยไปเท่ากับเครดิตที่หักจริงของทุกช่องทางไม่ได้.

การคำนวณตามราคาที่เผยแพร่ ณ 12 พฤศจิกายน 2569 ต่อไปนี้เป็นสถานการณ์สมมติสำหรับหนึ่งเดือน ใช้ดอลลาร์สหรัฐ ไม่รวมภาษี ค่าธรรมเนียมแลกเงิน และการสร้างเสียงซ้ำ สมมติให้จำนวนโทเค็นข้อความที่ส่ง Gemini รวมคำกำกับเท่ากับสองเท่าของจำนวนอักขระในบท และใช้ความยาวเสียงตามที่กำหนดในแต่ละสถานการณ์ สำหรับ ElevenLabs สมมติการสร้างผ่านหน้าเว็บใช้หนึ่งเครดิตต่อหนึ่งอักขระเพื่อดูว่าโควตาแผนใดพอ ตัวเลขเครดิตจริงของบทไทยและโมเดลที่เลือกอาจต่างจากสมมติฐานนี้.

• คลิปขนาดเล็ก: สมมติบท 5,000 อักขระต่อเดือน ได้เสียงรวม 8 นาที และส่งข้อความเข้า Gemini 10,000 โทเค็น ค่า Gemini ประมาณ 0.113 ดอลลาร์ แยกเป็นเสียง 0.108 ดอลลาร์กับข้อความ 0.005 ดอลลาร์ ฝั่ง ElevenLabs จะใช้ 5,000 เครดิตตามสมมติฐาน ซึ่งอยู่ในโควตา Free ที่จ่าย 0 ดอลลาร์หากงานเข้าเงื่อนไขแผนฟรี แต่ถ้าต้องใช้สิทธิ์เชิงพาณิชย์ให้ตั้งงบ Starter 6 ดอลลาร์ต่อเดือนตามราคาปกติ.
• งานผลิตประจำ: สมมติบท 30,000 อักขระต่อเดือน ได้เสียงรวม 45 นาที และส่งข้อความเข้า Gemini 60,000 โทเค็น ค่า Gemini ประมาณ 0.638 ดอลลาร์ จากเสียง 0.6075 ดอลลาร์กับข้อความ 0.03 ดอลลาร์ ฝั่ง ElevenLabs ใช้ 30,000 เครดิตตามสมมติฐาน จึงพอดีกับ Starter ราคา 6 ดอลลาร์ต่อเดือนเมื่อไม่มีงานอื่นมาใช้เครดิตร่วม.
• นิยายเสียงหรือ API ปริมาณมาก: สมมติบท 120,000 อักขระต่อเดือน ได้เสียงรวม 180 นาที และส่งข้อความเข้า Gemini 240,000 โทเค็น ค่า Gemini ประมาณ 2.55 ดอลลาร์ จากเสียง 2.43 ดอลลาร์กับข้อความ 0.12 ดอลลาร์ ฝั่ง ElevenLabs ใช้ 120,000 เครดิตตามสมมติฐาน จึงอยู่ใน Creator ราคา 22 ดอลลาร์ต่อเดือน แต่เหลือเครดิตสำหรับการแก้เสียงเพียงเล็กน้อย.

ตัวเลขเหล่านี้แสดงความต่างระหว่างค่าบริการตามการใช้งานกับค่าสมัครเพื่อเข้าถึงโควตา ไม่ใช่ราคาที่รับประกันสำหรับบทไทยทุกชิ้น หากเสียง Gemini ยาวกว่าสมมติฐาน ค่าขาออกจะเพิ่มตามความยาว หาก ElevenLabs หักเครดิตต่ออักขระต่างไปหรือมีงาน Dubbing ใช้เครดิตร่วม แผนที่เลือกอาจไม่พอ การสร้างเสียงใหม่ทั้งบทอีกหนึ่งรอบยังทำให้หน่วยใช้งานเพิ่ม แม้ไฟล์สุดท้ายที่เผยแพร่จะยาวเท่าเดิม.

สำหรับงบงานลูกค้า ให้แยกค่าเสียงที่สร้างจริงออกจากเวลาที่ใช้ฟัง แก้คำ และประกอบฉาก เสียงที่ราคาต่อคำขอต่ำอาจไม่คุ้มเมื่อชื่อสินค้าผิดซ้ำ ส่วนแผนที่มีเครดิตเหลือก็ไม่ได้แก้ปัญหาเสียงตัวละครไม่เข้ากับงาน ทางเลือกที่แม่นที่สุดคือใช้บทไทยของโครงการ ฟังชื่อเฉพาะและอารมณ์ในช่วงยาก แล้วแทนสมมติฐานในสูตรด้วยโทเค็น ความยาวเสียง หรือเครดิตที่บัญชีรายงานจริง.

อ่านเพิ่มเติม:

• ElevenLabs หรือ Google Cloud TTS: เสียงไทยอาจต่างกันเกิน 3 เท่า