มีอะไรมาบ้าง
- Gradium ประกาศเมื่อ 20 ต.ค. 2026 ว่าเปิดโมเดล Phonon ให้ทุกคนโหลดมาลงเครื่องตัวเองได้ หลังจากเปิดตัวครั้งแรกเมื่อเดือนเมษายนและให้พาร์ทเนอร์ลองใช้แบบปิดมาหลายเดือน
- Phonon 31m ตัวเล็กสุด ขนาด 31 ล้านพารามิเตอร์ ไฟล์ราว 64 MB พูดได้แค่อังกฤษ ใช้สัญญาอนุญาต Apache 2.0 เอาไปทำแอปขายได้เลย
- Phonon 40m ขนาด 40 ล้านพารามิเตอร์ ไฟล์ 74.6 MB แยกรุ่นตามภาษา มีอังกฤษ ฝรั่งเศส เยอรมัน สเปน และโปรตุเกส
- Phonon 40m multilingual พูดได้ทั้ง 5 ภาษาในโมเดลเดียว ไฟล์ 74.6 MB เท่ากัน
- ตัว 40m ทั้งสองแบบใช้สัญญา CC BY-NC แปลว่าใช้ฟรีได้ถ้าไม่ได้เอาไปหาเงิน ถ้าจะใช้ในงานเชิงพาณิชย์ต้องคุยกับฝ่ายขายของ Gradium
- ไฟล์โมเดลอยู่บน Hugging Face ของ gradium ส่วนโปรแกรมที่ใช้รันเปิดโค้ดไว้บน GitHub ที่ gradium-ai/xn-ptts มีให้ใช้ทั้ง Python, Rust, Swift และในเบราว์เซอร์
- ตอนเขียนข่าวนี้ หน้า Hugging Face ของรุ่น 40m multilingual ต้องเข้าสู่ระบบและขอสิทธิ์ก่อนถึงจะโหลดได้
เสียงฟังเป็นธรรมชาติแค่ไหน
- Gradium ให้คนฟังทั่วไปเทียบเสียงทีละคู่แบบไม่บอกว่าเสียงไหนมาจากโมเดลอะไร เทียบกับ Kokoro, Magpie, NeuTTS และ Pocket TTS รวม 1,189 คน 17,270 โหวต
- ภาษาอังกฤษ ตามตัวเลขในหน้าโมเดลบน Hugging Face ตัว 40m ได้คะแนนความชอบ 2117 ตัว 31m ได้ 2098 ส่วน Kokoro ได้ 2043 และ NeuTTS ได้ 2034
- ภาษาอื่นห่างกันมากกว่านั้น เช่น ภาษาฝรั่งเศส ตัว 40m ได้ 2072 ส่วน Kokoro ได้ 1578
- Gradium บอกว่าทุกภาษาที่ทดสอบ มีรุ่นของ Phonon อยู่ที่ 1 ทั้งเรื่องความเป็นธรรมชาติและความแม่นยำ
อ่านเบอร์โทร อีเมล รหัสไปรษณีย์ ผิดน้อยแค่ไหน
- โมเดลอ่านออกเสียงส่วนใหญ่มักพลาดกับข้อความแบบเบอร์โทร อีเมล หรือรหัสไปรษณีย์ Gradium เลยทำชุดทดสอบ 500 ประโยคต่อภาษา จากเคสที่นักพัฒนาส่งมาว่าโมเดลเดิมอ่านผิด และเปิดชุดทดสอบนี้ไว้บน Hugging Face ด้วย
- ภาษาอังกฤษ ตัว 31m อ่านผิดแค่ 1.70% ตัว 40m multilingual 2.11% ตัว 40m 2.22% ส่วน Kokoro ผิด 3.50% Kitten TTS 7.40% NeuTTS Nano 8.71% และ Magpie 27.51%
- ตัวอย่างในหน้าประกาศ ประโยค "Your delivery window is 9:30 to 11:30" Phonon อ่านเป็นเวลาถูก ส่วน Kokoro อ่านเป็น nine point three to eleven point three
- ตัวเลขทั้งหมดเป็นผลที่ Gradium วัดเอง ใช้ AI ช่วยถอดเสียงกลับเป็นข้อความแล้วนับคำผิด ยังไม่มีคนนอกทดสอบยืนยัน
เร็วแค่ไหน รันบนอะไรได้บ้าง
- บนซีพียูของ MacBook Air M5 ตัว Phonon เริ่มส่งเสียงแรกได้ใน 7 มิลลิวินาที ส่วน Kokoro ใช้ 517 มิลลิวินาที
- บน Raspberry Pi 5 ตัว 31m เริ่มพูดใน 38 มิลลิวินาที และสร้างเสียงได้เร็วกว่าเวลาจริง 3.7 เท่า ส่วน Kokoro ต้องรอ 7 วินาทีกว่าจะเริ่มพูด
- บน iPhone 16 Pro เร็วกว่าเวลาจริงได้ถึง 22 เท่า ผ่านชิป AI ของ Apple
- บนชิป Snapdragon 8 Elite Gen 5 เริ่มพูดใน 7.5 มิลลิวินาที เร็วกว่าเวลาจริง 24 เท่า งานนี้ทำร่วมกับ Qualcomm
- รองรับซีพียูทั้ง Intel และ Arm การ์ดจอผ่าน CUDA, Vulkan, Metal และ WebGPU ชิป AI ในเครื่องผ่าน Core ML และ Snapdragon รวมถึงรันในเบราว์เซอร์ได้ด้วย
- โหลดโมเดลกับเสียงลงเครื่องครั้งเดียว ก็ใช้แบบออฟไลน์ได้เลย ข้อความและเสียงไม่ออกไปนอกเครื่อง
- ต่อกับเครื่องมือที่หลายคนใช้อยู่ได้ทันที เช่น Ollama, LM Studio, Home Assistant และเซิร์ฟเวอร์ที่เรียกใช้แบบเดียวกับ API ของ OpenAI
เสียงให้เลือก และทำเสียงของตัวเอง
- มีเสียงสำเร็จรูป 102 เสียง ในนั้นมีเสียงตัวละครภาษาอังกฤษ 12 เสียง
- โคลนเสียงจากคลิปเสียงสั้น ๆ ที่เจ้าของเสียงยินยอม หรือพิมพ์บรรยายให้ระบบออกแบบเสียงใหม่ใน Gradium Studio ได้ แล้วโหลดไฟล์เสียงมาใช้ในเครื่อง
- Gradium บอกว่าการสร้างเสียงแบบนี้ทำได้ฟรีไม่จำกัด
แล้วภาษาไทยล่ะ
- ยังไม่รองรับภาษาไทย ทุกรุ่นพูดได้แค่ 5 ภาษาข้างบน ถ้าป้อนข้อความภาษาอื่น หน้าโมเดลเขียนไว้เองว่าจะออกเสียงผิด
- Gradium รับทำโมเดลเฉพาะให้ลูกค้า และยกตัวอย่างภาษาเกาหลี อาหรับ และญี่ปุ่น แต่ยังไม่ได้พูดถึงภาษาไทย
ทำไมเรื่องนี้น่าสนใจ
- Phonon ต่อยอดจากงานวิจัยที่ทีมเคยทำที่ Kyutai แล็บ AI ในฝรั่งเศส ซึ่งเป็นที่มาของ Pocket TTS
- Gradium เพิ่งขยายเงินทุนรอบแรกเป็น 100 ล้านดอลลาร์เมื่อเดือนกรกฎาคม มี NVIDIA เข้าร่วมลงทุนด้วย
- เสียงที่สร้างในเครื่องไม่ต้องรอคลาวด์ และไม่มีค่าใช้จ่ายต่อครั้ง เหมาะกับแอปอ่านหน้าจอสำหรับผู้พิการทางสายตา เกม แอปที่ใช้ตอนไม่มีสัญญาณ ไปจนถึงในรถยนต์ ซึ่ง FORVIA ผู้ผลิตชิ้นส่วนรถยนต์กำลังทดลองอยู่
สรุป
Phonon ทำให้เสียงพูดคุณภาพดีอัดอยู่ในไฟล์ไม่ถึง 100 MB และตัวภาษาอังกฤษเอาไปทำของขายได้ฟรี ที่คนไทยต้องรอคือวันที่มันพูดไทยได้
แหล่ง: Gradium (หน้าประกาศ Open-Sourcing Phonon, หน้า gradium.ai/phonon, หน้าโมเดลบน Hugging Face และโพสต์ X @GradiumAI) · 20 ต.ค. 2026