English

Model cardเสียงพูด, การวัดผล

Tipjai Voice 1: model card ฉบับเต็ม

เสียงอ่านข้อความทิปภาษาไทยรุ่นแรกของ Tipjai ใช้ทำอะไร วัดอย่างไร ผล ข้อจำกัด และการใช้อย่างรับผิดชอบ ฟังผิด 6.0% อันดับ 8 จาก 30 ราคา ฿0

เผยแพร่
ผู้เขียน
Tipjai Research
PDF
ดาวน์โหลด

ฟังสรุป0:00

อ่านโดย Tipjai Voice เสียงสังเคราะห์รุ่นทดลอง อาจอ่านบางคำพลาด

ภาพถ่ายเปิดหน้ากล้องนานของเส้นแสงรูปลิสซาจู เส้นละเอียดสีอำพันอมขาววนเป็นห่วงบนพื้นดำสนิท
รูปลิสซาจู เส้นที่การสั่นสองทิศวาดขึ้นเมื่อซ้อนกัน วาดด้วยแสงDietmar Rabich / Wikimedia Commons / “Lissajous-Figur -- 2020 -- 7770” / CC BY-SA 4.0 ย่อขนาด สัญญาอนุญาต

สรุป

ฟังผิด

อันดับ 8 จาก 30 เสียง

เสียงที่ชัดกว่าแบบแยกได้

จาก 29 เสียง

ราคาต่อข้อความ
฿

รันบนเครื่องของสตรีมเมอร์

เวลาต่อข้อความ
วินาที

ซีพียูแล็ปท็อป

  • ฟังผิด 6.0% บนข้อความทิป 60 ข้อที่ไม่มีเสียงไหนเคยเห็น ช่วง 95% คือ 4.6% ถึง 7.5% ไม่มีเสียงไหนใน 29 เสียงที่ชัดกว่าแบบแยกได้ และอีก 22 เสียงสูสีจนแยกไม่ออก
  • จุดที่แพ้ชัดที่สุดคือชื่อผู้ให้ (อันดับ 26 จาก 30) และความเป็นธรรมชาติ (3.17 จาก 5 เทียบกับ 5.00 ของเสียงที่ดีที่สุด ผู้ฟังหนึ่งคน)
  • ปัญหาที่รู้แล้ว: จำนวนเงิน 555 บาทถูกอ่านเป็นเสียงหัวเราะ (พบ 14 ตุลาคม 2569 จะแก้ในรุ่นถัดไป)

สำหรับครีเอเตอร์ อ่านข้อความทิปชัดพอๆ กับเสียงที่ดีที่สุดในตลาดที่ต้องจ่ายเงิน โดยไม่มีค่าใช้จ่าย แต่ยังอ่านชื่อบางชื่อพลาด และฟังออกว่าเป็นเสียงสังเคราะห์

ภาพรวม

รุ่น
Tipjai Voice 1 (ภายในเรียกว่า jai-pulse-1) ตรึงเมื่อ 6 ตุลาคม 2569 เวลา 14:43
ทำอะไร
อ่านข้อความทิปภาษาไทยออกเสียงบนไลฟ์: ชื่อผู้ให้ จำนวนเงิน และข้อความ
ภาษา
ไทย รวมชื่อที่เขียนด้วยอักษรละติน
สถานะ
ทดลองในแล็บ
ทำงานบน
คอมพิวเตอร์ของสตรีมเมอร์เอง ไม่ต้องใช้การ์ดจอ
ราคา
฿0 ต่อข้อความ

ต่อยอดจากงานโอเพนซอร์สที่ทำตามสัญญาอนุญาตทุกชิ้น ไม่เคยใช้เสียงของเจ้าอื่นฝึกหรือปรับ และไม่เคยใช้ข้อความทิปจริงของผู้ใช้

สิ่งที่เราไม่เผยแพร่: วิธีสร้างเสียงนี้ ทั้งส่วนประกอบ ข้อมูล ขนาด และการตั้งค่า เราเผยแพร่ผลลัพธ์และวิธีวัดให้ทุกคนตรวจได้ ส่วนสูตรเก็บไว้ภายในเพื่อไม่ให้งานถูกลอกไปทั้งชุด

ใช้ทำอะไร และไม่ควรใช้ทำอะไร

  • ใช้ได้: อ่านข้อความทิปบนไลฟ์
  • ใช้ได้: ชื่อไทยและชื่ออักษรละติน ตัวเลข จำนวนเงิน 555
  • ไม่ใช่: เลียนเสียงคนจริง
  • ไม่ใช่: อ่านบทยาว หรือภาษาอื่น
  • ไม่ใช่: ทำให้คนเข้าใจว่าเป็นเสียงคนจริง

วัดอย่างไร

วัดบนข้อความทิป 60 ข้อที่เขียนแยกและตรึงไว้ก่อนวัด เทียบกับ 29 เสียงจากบริการของแต่ละเจ้าเอง ระบบถอดเสียงภาษาไทย 2 ระบบฟังทุกคลิป คะแนนคือสัดส่วนตัวอักษรที่ได้ยินผิด ช่วงความเชื่อมั่นมาจากการสุ่มซ้ำ 2,000 รอบ ความเป็นธรรมชาติมาจากผู้ฟังหนึ่งคนที่ไม่รู้ว่าเสียงไหนเป็นของใคร

วิธีวัดฉบับเต็มอยู่ในงานวิจัย พร้อมชุดข้อความให้ดาวน์โหลด

ผล

ตัวหนาคือค่าที่ดีที่สุดในแถว ไม่ว่าของใคร
Tipjai Voice 1ของเราGemini 3.8 Flash TTS Koreชัดที่สุดบนกระดานGoogle Standard-Aเสียงเสียเงินที่ถูกที่สุด
ฟังผิด6.0%5.3%6.3%
ช่วง 95%4.6% ถึง 7.5%3.4% ถึง 7.7%3.9% ถึง 8.8%
อันดับที่เป็นไปได้1 ถึง 221 ถึง 143 ถึง 18
ได้ยินชื่อถูก (ระบบ 1 / 2)29 / 3041 / 4339 / 40
ถูกทั้งข้อความ16 / 6025 / 6024 / 60
ความเป็นธรรมชาติ (1 ถึง 5)3.17--
ต่อ 1,000 ข้อความ฿0฿35฿6.7
รูปที่ Tipjai Voice 1 ชัดกว่า 7 เสียงแบบแยกได้ ไม่มีเสียงไหนชัดกว่ามันแบบแยกได้ และสูสี 22 เสียง
  1. Gemini 3.8 Flash TTS Kore+0.7 [−1.3, +2.7] แยกไม่ออก
  2. ElevenLabs v4 Sarah+0.7 [−1.8, +2.8] แยกไม่ออก
  3. ElevenLabs v4 Charlie+0.6 [−1.4, +2.4] แยกไม่ออก
  4. Cartesia Sonic 3.6 Somchai+0.4 [−1.8, +2.4] แยกไม่ออก
  5. ElevenLabs v4 Turbo Sarah+0.2 [−2.3, +2.4] แยกไม่ออก
  6. MiniMax Speech 2.8 HD male 1+0.2 [−1.8, +2.0] แยกไม่ออก
  7. Cartesia Sonic 3.6 Supannee+0.2 [−2.6, +2.5] แยกไม่ออก
  8. Gemini 3.8 Flash Lite TTS Kore †−0.2 [−2.0, +1.6] แยกไม่ออก
  9. Google Neural2-C−0.2 [−2.6, +1.9] แยกไม่ออก
  10. Google Standard-A−0.2 [−2.6, +1.9] แยกไม่ออก
  11. Cartesia Sonic 3.6 Kanya−0.3 [−3.2, +2.2] แยกไม่ออก
  12. Grok Luna−0.3 [−3.6, +2.5] แยกไม่ออก
  13. Microsoft MAI-Voice-2.1 Krit−0.3 [−3.1, +2.0] แยกไม่ออก
  14. Grok Ara−0.3 [−3.9, +2.5] แยกไม่ออก
  15. ElevenLabs v3 Conversational Sarah−0.8 [−3.5, +1.6] แยกไม่ออก
  16. MiniMax Speech 2.8 HD female 1−0.8 [−4.0, +1.8] แยกไม่ออก
  17. Microsoft MAI-Voice-2.1 Flash Harper−1.1 [−3.9, +1.6] แยกไม่ออก
  18. Google Chirp 3 HD Kore−1.1 [−4.5, +1.7] แยกไม่ออก
  19. Google Chirp 3 HD Charon−1.5 [−4.9, +1.3] แยกไม่ออก
  20. Qwen Audio 3.0 TTS Flash, loongjohn−1.7 [−4.3, +0.5] แยกไม่ออก
  21. Microsoft Premwadee−2.0 [−4.5, +0.3] แยกไม่ออก
  22. ElevenLabs v3 Sarah−2.2 [−5.3, +0.5] แยกไม่ออก
  23. Qwen Audio 3.0 TTS Plus, longanlingxin−2.5 [−5.0, −0.3] Tipjai Voice 1 ชัดกว่าแบบแยกได้
  24. Inworld TTS-2 Dennis−2.7 [−5.1, −0.5] Tipjai Voice 1 ชัดกว่าแบบแยกได้
  25. Microsoft Niwat−3.2 [−5.3, −1.1] Tipjai Voice 1 ชัดกว่าแบบแยกได้
  26. Microsoft MAI-Voice-2.1 Harper−5.4 [−11.4, −0.5] Tipjai Voice 1 ชัดกว่าแบบแยกได้
  27. Botnoi 311 (Northern dialect)−6.4 [−8.5, −4.3] Tipjai Voice 1 ชัดกว่าแบบแยกได้
  28. Inworld TTS-2 Flash Dennis−10.8 [−13.3, −8.4] Tipjai Voice 1 ชัดกว่าแบบแยกได้
  29. Fish Audio S2.1 Pro, library voice−20.7 [−24.1, −17.5] Tipjai Voice 1 ชัดกว่าแบบแยกได้

จุดคือผลต่างของการฟังผิด (Tipjai Voice 1 ลบเสียงนั้น หน่วยเป็นจุดเปอร์เซ็นต์) บนข้อความเดียวกัน เส้นคือช่วง 95%

รูปที่ ความเป็นธรรมชาติ: งานหลักของรุ่นถัดไป
  1. ElevenLabs v4 Sarah5.00
  2. ElevenLabs v4 Turbo Sarah5.00
  3. Qwen Audio 3.0 TTS Plus, longanlingxin3.50
  4. Tipjai Voice 13.17
  5. Microsoft Premwadee2.83
  6. Fish Audio S2.1 Pro, library voice1.50

ผู้ฟัง 1 คน ฟังแบบไม่รู้ชื่อ 6 ข้อความ ตัวอย่างเล็ก ใช้ดูทิศทาง

ความเร็วและความเสถียร

บนซีพียูแล็ปท็อป ใช้ 1.38 วินาทีต่อข้อความ (ค่ากลางของ 20 ข้อความ) อ่านได้สูงสุด 76 ข้อความต่อนาทีเมื่ออ่านพร้อมกัน ข้อความเดิมได้เสียงเดิมทุกครั้ง

รูปที่ 400 ข้อความทดสอบความทน ไม่ล่ม ไม่เงียบ ไม่แตก
ข้อความทดสอบ
400
ล่ม เงียบ หรือเสียงแตก
0
ข้อความเดิมได้เสียงเดิม
ทุกครั้ง

ชื่อและข้อความยาวที่สุดที่ Tipjai รับ อีโมจิ ลิงก์ ระบบเขียนอื่น ตัวเลขทุกรูปแบบ ตัวอักษรที่มองไม่เห็น โค้ด HTML และตัวอักษรลากยาว

ความปลอดภัยและการใช้ผิดทาง

  • การเลียนเสียงTipjai Voice 1 เป็นเสียงสังเคราะห์เสียงเดียว ตั้งให้เป็นเสียงของคนใดคนหนึ่งไม่ได้
  • การเปิดเผยเป็นเสียงสังเคราะห์ ไม่ใช่การอัดเสียงคน ห้ามใช้ทำให้คนเข้าใจว่าเป็นเสียงคนจริง
  • ข้อความหยาบเสียงอ่านสิ่งที่ได้รับ คำหยาบถูกปิดก่อนถึงเสียงในระบบแจ้งเตือนของ Tipjai
  • แจ้งปัญหาพบเสียงอ่านผิดหรือใช้ในทางที่ไม่ควร แจ้งได้ที่ tipjai.com/feedback

แจ้งปัญหาของเสียง

ความเป็นส่วนตัว

ไม่มีข้อความทิปจริงของผู้ใช้อยู่ในข้อมูลที่ใช้สร้างหรือทดสอบเสียงนี้ ข้อความทดสอบทั้งหมดเขียนขึ้นเพื่อการทดสอบโดยเฉพาะ

ข้อจำกัดที่รู้แล้ว

  • ชื่อได้ยินชื่อถูกน้อยกว่าเสียงส่วนใหญ่ (อันดับ 26 จาก 30)
  • ความเป็นธรรมชาติยังฟังออกว่าเป็นเสียงสังเคราะห์ และวัดจากผู้ฟังคนเดียว
  • 555 บาทจำนวนเงิน 555 บาทถูกอ่านเป็นเสียงหัวเราะ พบเมื่อ 14 ตุลาคม 2569 การแก้จะเผยแพร่พร้อมผลวัดซ้ำ
  • กลุ่มหัวแถว60 ข้อความแยกกลุ่มหัวแถวออกจากกันไม่ได้
  • ระบบถอดเสียงสองระบบให้อันดับต่างกันได้ถึง 10 อันดับ คะแนนจึงเป็นค่าประมาณของสิ่งที่คนได้ยิน
  • ภาษาภาษาไทยเท่านั้น

รุ่นและบันทึกการแก้ไข

  1. พบปัญหา: จำนวนเงิน 555 บาทถูกอ่านเป็นเสียงหัวเราะ เพิ่มในข้อจำกัด
  2. เพิ่มความเป็นธรรมชาติรอบที่ 2 (ผู้ฟัง 1 คน 6 ข้อความ)
  3. ลองวิธีอ่านแบบใหม่บนชุดทดสอบปิดชุดที่ 3: แย่ลง จึงไม่ใช้
  4. ข้อความเดิมได้เสียงเดิมทุกครั้ง และอ่านข้อความยาวได้ครบ
  5. ตรึง jai-pulse-1 เวลา 14:43 ตัวเลขทั้งหมดในหน้านี้วัดจากรุ่นนี้
@misc{tipjai2026voice1card,
  title  = {Tipjai Voice 1: model card},
  author = {{Tipjai Research}},
  year   = {2026},
  month  = oct,
  url    = {https://research.tipjai.com/en/models/tipjai-voice-1/card/}
}