English

งานวิจัยการวัดผล, เสียงพูด, ภาษาไทย

เสียงพูดอ่านข้อความทิปภาษาไทยได้ชัดแค่ไหน: ทดสอบแบบปิด 30 เสียง

60 ข้อความที่ไม่มีเสียงไหนเคยเห็น ระบบถอดเสียง 2 ระบบ สุ่มซ้ำ 2,000 รอบ: Tipjai Voice 1 อยู่ตรงไหนเมื่อเทียบกับ 29 เสียงจาก 10 บริษัท และยังแพ้ตรงไหน

เผยแพร่
ผู้เขียน
Tipjai Research

ฟังสรุป0:00

อ่านโดย Tipjai Voice เสียงสังเคราะห์รุ่นทดลอง อาจอ่านบางคำพลาด

ห้องไร้เสียงสะท้อนที่ NASA Langley ผนังและเพดานบุโฟมรูปลิ่มสีอิฐ มีโครงโค้งสีขาวติดไมโครโฟนเรียงรอบทรงกระบอกทดสอบสีดำ
ห้องไร้เสียงสะท้อน (anechoic chamber) ที่ NASA Langley Research Center 10 เมษายน 2568ภาพ: NASA สัญญาอนุญาต

สรุป

  • 6.0% คือสัดส่วนตัวอักษรที่ Tipjai Voice 1 ถูกได้ยินผิด บนข้อความ 60 ข้อที่ไม่มีเสียงไหนเคยเห็น อันดับ 8 จาก 30 เสียง ช่วงความเชื่อมั่น 95% คือ 4.6% ถึง 7.5%
  • เมื่อเทียบบนข้อความเดียวกันทีละคู่ มี 0 เสียงที่ชัดกว่า Tipjai Voice 1 แบบแยกได้ Tipjai Voice 1 ชัดกว่า 7 เสียง และอีก 22 เสียงสูสีจนแยกไม่ออก
  • ราคา ฿0 ต่อข้อความ และใช้เวลา 1.38 วินาที ต่อข้อความบนซีพียูแล็ปท็อป เสียงที่ฟังผิดน้อยกว่ามีราคา ฿35 ถึง ฿168 ต่อ 1,000 ข้อความ
  • จุดที่แพ้คือชื่อ: อันดับ 26 จาก 30 ในการได้ยินชื่อผู้ให้ถูก
  • ความเป็นธรรมชาติ ผู้ฟังหนึ่งคนให้ 3.17 จาก 5 ส่วนเสียงที่ดีที่สุดได้ 5.00 ช่องว่างนี้คืองานหลักของ Tipjai Voice 2

งานที่วัด

บนไลฟ์ของสตรีมเมอร์ไทย ทุกครั้งที่มีคนส่งทิป ระบบจะอ่านข้อความนั้นออกเสียงทันที ข้อความหนึ่งมีสามส่วน: ชื่อผู้ให้ ซึ่งบ่อยครั้งเป็นชื่อเล่นในเกมที่เขียนด้วยอักษรละติน จำนวนเงินเป็นบาท และข้อความสั้นๆ ที่เต็มไปด้วยคำแสลง 555 ตัวอักษรลากยาว และอีโมจิ

เสียงต้องอ่านให้ถูกตั้งแต่ครั้งแรก เพราะอ่านสดและไม่มีโอกาสแก้ คำถามของงานนี้จึงแคบและวัดได้: เมื่อฟังแล้ว คนได้ยินข้อความตรงกับที่ควรได้ยินแค่ไหน

ป้ายไฟนีออน ON AIR รูปไมโครโฟนสีขาว ชมพูแดง เหลือง และม่วง ในร้านที่แสงสลัว
ON AIR การแจ้งเตือนทิปถูกอ่านออกเสียงสดๆ กลางไลฟ์ภาพ: Meruyert Gonullu / Pexels สัญญาอนุญาต

ชุดทดสอบ

ชุดทดสอบมี 60 ข้อความ เขียนแยกต่างหากและตรึงไว้ก่อนวัดเสียงใดๆ Tipjai Voice 1 ถูกตรึงก่อนเปิดชุดนี้ และไม่มีการปรับอะไรหลังเห็นผล ชื่อผู้ให้เป็นอักษรละติน 33 ข้อ อักษรไทย 27 ข้อ ความยาวเฉลี่ย 50 ตัวอักษร ไม่มีข้อความทิปจริงของผู้ใช้อยู่ในชุดนี้

ชุดนี้ใช้ไปแล้วหนึ่งครั้งกับผลที่เผยแพร่ เราจึงเปิดทั้งชุดให้ดาวน์โหลดในหัวข้อ ทำซ้ำได้ ส่วนการวัดรุ่นต่อไปใช้ชุดใหม่ที่ยังไม่มีใครเห็น

เสียงที่ทดสอบ

ทดสอบ 30 เสียง: Tipjai Voice 1 และ 29 เสียงจาก 10 บริษัท เสียงของแต่ละเจ้าสร้างจากบริการของเจ้านั้นเองเมื่อ 5 ถึง 6 ตุลาคม 2569 ทุกเสียงอ่านครบทั้ง 60 ข้อ ยกเว้น iApp ChindaTTS Kaitom ที่อ่านได้ 39 ข้อ จึงไม่อยู่บนกระดาน เพราะค่าเฉลี่ยจากข้อความชุดอื่นจัดอันดับร่วมกันไม่ได้

ราคาคือราคาตั้งก่อน VAT แปลงที่ 33.695 บาทต่อดอลลาร์ (2026-10-05, European Central Bank reference rate via api.frankfurter.dev) ไม่เคยใช้เสียงของเจ้าอื่นฝึกหรือปรับ Tipjai Voice

วิธีให้คะแนน

สองระบบถอดเสียงภาษาไทยฟังทุกคลิป: Thonburian Whisper (biodatlab/whisper-th-medium-combined) และ Typhoon Whisper large-v3 (typhoon-ai) คะแนนคือสัดส่วนตัวอักษรที่ได้ยินผิด (character error rate) หลังจับคำอ่านที่ยอมรับได้ของชื่อและคำทับศัพท์ให้เป็นตัวสะกดเดียว ตัวเลข ไม้ยมก และตัวอักษรลากยาวถูกทำให้เป็นรูปเดียวกันก่อนนับ คะแนนของแต่ละเสียงเฉลี่ยจากสองระบบ

ช่วงความเชื่อมั่น 95% มาจากการสุ่มข้อความซ้ำแบบใส่คืน 2,000 รอบ อันดับที่เป็นไปได้คือเปอร์เซ็นไทล์ที่ 2.5 ถึง 97.5 ของอันดับในทุกรอบ การเทียบรายคู่สุ่มข้อความชุดเดียวกันให้ทั้งสองเสียง 4,000 รอบ (seed 6) ถ้าช่วงของผลต่างคร่อมศูนย์ เราเรียกว่าแยกไม่ออก

ผล

รูปที่ ทั้ง 30 เสียงบนไม้บรรทัดเดียวกัน แตะชื่อเพื่อฟังเสียงนั้นอ่านข้อความเดียวกัน

จุดคือสัดส่วนที่ฟังผิด เส้นคือช่วง 95% แถบจางคือช่วงของ Tipjai Voice 1 เสียงที่เส้นแตะแถบนี้แยกจาก Tipjai Voice 1 ไม่ได้บนข้อความชุดนี้ คลิปทุกคลิปปรับความดังเท่ากันที่ -20 LUFS

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 7 เสียงที่ฟังผิดน้อยกว่า Tipjai Voice 1 ราคา ฿35 ถึง ฿168 ต่อ 1,000 ข้อความ
Gemini 3.8 Flash TTS KoreTipjai Voice 1Google Standard-A

ราคาตั้งต่อ 1,000 ข้อความ (สเกลลอการิทึม) และสัดส่วนที่ฟังผิด (บนสุดคือชัดที่สุด)

ไม่มีราคาตั้งสาธารณะ จึงไม่ได้วาด: Botnoi 311 (Northern dialect) 12.4%

ราคาและสัดส่วนที่ฟังผิด
Gemini 3.8 Flash TTS Kore฿355.3%
ElevenLabs v4 Sarah฿1355.4%
ElevenLabs v4 Charlie฿1355.4%
Cartesia Sonic 3.6 Somchai฿845.7%
ElevenLabs v4 Turbo Sarah฿675.9%
MiniMax Speech 2.8 HD male 1฿1685.9%
Cartesia Sonic 3.6 Supannee฿845.9%
Tipjai Voice 1฿06.0%
Gemini 3.8 Flash Lite TTS Kore †฿246.2%
Google Neural2-C฿276.3%
Google Standard-A฿6.76.3%
Cartesia Sonic 3.6 Kanya฿846.3%
Grok Luna฿256.3%
Microsoft MAI-Voice-2.1 Krit฿376.4%
Grok Ara฿256.4%
ElevenLabs v3 Conversational Sarah฿676.8%
MiniMax Speech 2.8 HD female 1฿1686.9%
Microsoft MAI-Voice-2.1 Flash Harper฿257.1%
Google Chirp 3 HD Kore฿517.2%
Google Chirp 3 HD Charon฿517.5%
Qwen Audio 3.0 TTS Flash, loongjohn฿257.8%
Microsoft Premwadee฿258.0%
ElevenLabs v3 Sarah฿1358.2%
Qwen Audio 3.0 TTS Plus, longanlingxin฿348.5%
Inworld TTS-2 Dennis฿428.8%
Microsoft Niwat฿259.2%
Microsoft MAI-Voice-2.1 Harper฿3711.5%
Inworld TTS-2 Flash Dennis฿2516.8%
Fish Audio S2.1 Pro, library voice฿6726.7%

ราคาตั้งก่อน VAT ข้อความยาวเฉลี่ย 50 ตัวอักษร เส้นตั้งคือช่วง 95% ที่ติดชื่อไว้คือ Tipjai Voice 1 เสียงที่ชัดที่สุด และเสียงที่ถูกที่สุด

ชื่อ

ชื่อคือจุดอ่อนที่ชัดที่สุดของ Tipjai Voice 1 ได้ยินชื่อถูก 29 และ 30 จาก 60 ข้อ ตามระบบที่หนึ่งและสอง อันดับ 26 จาก 30 ชื่ออักษรละตินถูก 10.5 จาก 33 (ค่ากลางของทุกเสียง 13.75) ชื่ออักษรไทยถูก 19 จาก 27 (ค่ากลาง 24.5)

รูปที่ ทุกชื่อ ทุกเสียง ช่องเต็มคือระบบถอดเสียงทั้งสองได้ยินชื่อถูก
  1. Microsoft MAI-Voice-2.1 Harper44/47
  2. Grok Luna41/45
  3. Microsoft MAI-Voice-2.1 Flash Harper42/43
  4. Gemini 3.8 Flash TTS Kore41/43
  5. Grok Ara40/44
  6. Cartesia Sonic 3.6 Somchai40/43
  7. Cartesia Sonic 3.6 Kanya39/44
  8. Cartesia Sonic 3.6 Supannee39/43
  9. MiniMax Speech 2.8 HD female 139/42
  10. ElevenLabs v4 Sarah41/39
  11. MiniMax Speech 2.8 HD male 139/41
  12. Google Neural2-C38/41
  13. Google Standard-A39/40
  14. ElevenLabs v4 Turbo Sarah39/39
  15. Google Chirp 3 HD Kore38/40
  16. Microsoft MAI-Voice-2.1 Krit35/42
  17. Google Chirp 3 HD Charon37/40
  18. Qwen Audio 3.0 TTS Flash, loongjohn39/36
  19. ElevenLabs v4 Charlie38/36
  20. Gemini 3.8 Flash Lite TTS Kore †35/36
  21. ElevenLabs v3 Conversational Sarah33/36
  22. Inworld TTS-2 Dennis35/31
  23. ElevenLabs v3 Sarah32/33
  24. Microsoft Premwadee32/31
  25. Qwen Audio 3.0 TTS Plus, longanlingxin30/32
  26. Tipjai Voice 129/30
  27. Microsoft Niwat30/29
  28. Fish Audio S2.1 Pro, library voice24/25
  29. Botnoi 311 (Northern dialect)19/18
  30. Inworld TTS-2 Flash Dennis17/18

หนึ่งแถวคือหนึ่งเสียง เรียงจากได้ยินชื่อถูกมากไปน้อย หนึ่งช่องคือหนึ่งข้อความ ครึ่งช่องคือระบบเดียวได้ยินถูก ตัวเลขขวาคือระบบที่หนึ่ง/สอง

ไม้บรรทัดสองอัน

รูปที่ เปลี่ยนไม้บรรทัด อันดับก็เปลี่ยน 5 เสียงขยับ 8 อันดับขึ้นไป

Thonburian WhisperTyphoon Whisper large-v3

  1. ElevenLabs v4 Charlie1
  2. Gemini 3.8 Flash TTS Kore2
  3. ElevenLabs v4 Sarah3
  4. MiniMax Speech 2.8 HD male 14
  5. ElevenLabs v4 Turbo Sarah5
  6. Cartesia Sonic 3.6 Somchai6
  7. Grok Luna7
  8. Gemini 3.8 Flash Lite TTS Kore †8
  9. Google Standard-A9
  10. Tipjai Voice 110
  11. Google Neural2-C11
  12. Cartesia Sonic 3.6 Supannee12
  13. Microsoft MAI-Voice-2.1 Flash Harper13
  14. Cartesia Sonic 3.6 Kanya14
  15. Microsoft MAI-Voice-2.1 Krit15
  16. Grok Ara16
  17. ElevenLabs v3 Conversational Sarah17
  18. MiniMax Speech 2.8 HD female 118
  19. Google Chirp 3 HD Kore19
  20. Qwen Audio 3.0 TTS Flash, loongjohn20
  21. Google Chirp 3 HD Charon21
  22. Qwen Audio 3.0 TTS Plus, longanlingxin22
  23. Inworld TTS-2 Dennis23
  24. ElevenLabs v3 Sarah24
  25. Microsoft Premwadee25
  26. Microsoft Niwat26
  27. Microsoft MAI-Voice-2.1 Harper27
  28. Botnoi 311 (Northern dialect)28
  29. Inworld TTS-2 Flash Dennis29
  30. Fish Audio S2.1 Pro, library voice30
  1. 1Cartesia Sonic 3.6 Somchai
  2. 2Cartesia Sonic 3.6 Supannee
  3. 3ElevenLabs v4 Sarah
  4. 4ElevenLabs v4 Turbo Sarah
  5. 5Tipjai Voice 1
  6. 6Gemini 3.8 Flash TTS Kore
  7. 7Grok Ara
  8. 8Cartesia Sonic 3.6 Kanya
  9. 9Microsoft MAI-Voice-2.1 Krit
  10. 10ElevenLabs v4 Charlie
  11. 11Google Neural2-C
  12. 12Gemini 3.8 Flash Lite TTS Kore †
  13. 13Google Standard-A
  14. 14MiniMax Speech 2.8 HD male 1
  15. 15Grok Luna
  16. 16MiniMax Speech 2.8 HD female 1
  17. 17ElevenLabs v3 Conversational Sarah
  18. 18Google Chirp 3 HD Kore
  19. 19Google Chirp 3 HD Charon
  20. 20Microsoft MAI-Voice-2.1 Flash Harper
  21. 21Microsoft Premwadee
  22. 22ElevenLabs v3 Sarah
  23. 23Qwen Audio 3.0 TTS Flash, loongjohn
  24. 24Microsoft Niwat
  25. 25Qwen Audio 3.0 TTS Plus, longanlingxin
  26. 26Inworld TTS-2 Dennis
  27. 27Microsoft MAI-Voice-2.1 Harper
  28. 28Botnoi 311 (Northern dialect)
  29. 29Inworld TTS-2 Flash Dennis
  30. 30Fish Audio S2.1 Pro, library voice
12
ElevenLabs v4 Charlie110
Gemini 3.8 Flash TTS Kore26
ElevenLabs v4 Sarah33
MiniMax Speech 2.8 HD male 1414
ElevenLabs v4 Turbo Sarah54
Cartesia Sonic 3.6 Somchai61
Grok Luna715
Gemini 3.8 Flash Lite TTS Kore †812
Google Standard-A913
Tipjai Voice 1105
Google Neural2-C1111
Cartesia Sonic 3.6 Supannee122
Microsoft MAI-Voice-2.1 Flash Harper1320
Cartesia Sonic 3.6 Kanya148
Microsoft MAI-Voice-2.1 Krit159
Grok Ara167
ElevenLabs v3 Conversational Sarah1717
MiniMax Speech 2.8 HD female 11816
Google Chirp 3 HD Kore1918
Qwen Audio 3.0 TTS Flash, loongjohn2023
Google Chirp 3 HD Charon2119
Qwen Audio 3.0 TTS Plus, longanlingxin2225
Inworld TTS-2 Dennis2326
ElevenLabs v3 Sarah2422
Microsoft Premwadee2521
Microsoft Niwat2624
Microsoft MAI-Voice-2.1 Harper2727
Botnoi 311 (Northern dialect)2828
Inworld TTS-2 Flash Dennis2929
Fish Audio S2.1 Pro, library voice3030

ซ้ายคืออันดับตามระบบที่หนึ่ง ขวาตามระบบที่สอง เส้นเข้มคือเสียงที่ขยับ 8 อันดับขึ้นไป (มากสุด 10) Tipjai Voice 1 อยู่อันดับ 10 และ 5 นี่คือเหตุผลที่กระดานใช้ค่าเฉลี่ยสองระบบ

ความเป็นธรรมชาติ

รูปที่ ห่างจากเสียงที่ดีที่สุด 1.83 คะแนน
  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 ข้อความจากชุดทดสอบปิดชุดที่ 2 สเกล 1 ถึง 5 ตัวอย่างเล็ก ใช้ดูทิศทาง ไม่ใช่จัดอันดับ

ความเร็วและความเสถียร

บนซีพียูแล็ปท็อปเครื่องเดียว Tipjai Voice 1 ใช้ 1.38 วินาทีต่อข้อความ (ค่ากลางของ 20 ข้อความ) และอ่านได้สูงสุด 76 ข้อความต่อนาทีเมื่ออ่านพร้อมกัน เสียงบนคลาวด์มีเวลาส่งผ่านเครือข่ายรวมอยู่ด้วย จึงไม่นำมาเทียบในหัวข้อนี้

รูปที่ 400 ข้อความทดสอบความทน ไม่มีครั้งไหนล่ม เงียบ หรือเสียงแตก
ข้อความทดสอบ
400
ล่ม เงียบ หรือเสียงแตก
0
ข้อความเดิมได้เสียงเดิม
ทุกครั้ง

ชื่อยาวสุดและข้อความยาวสุดที่ Tipjai รับ อีโมจิ ลิงก์ ระบบเขียนอื่น ตัวเลขทุกรูปแบบ ตัวอักษรที่มองไม่เห็น โค้ด HTML และตัวอักษรลากยาว

ข้อจำกัด

  • ผู้ฟังคนเดียวคะแนนความเป็นธรรมชาติมาจากผู้ฟังหนึ่งคน ใช้ดูทิศทางเท่านั้น
  • 60 ข้อความพอแยกเสียงที่ต่างกันมาก แต่แยกกลุ่มหัวแถวออกจากกันไม่ได้
  • ระบบถอดเสียงมีอคติสองระบบให้อันดับต่างกันได้ถึง 10 อันดับ (รูปที่ 5) คะแนนจึงเป็นค่าประมาณของสิ่งที่คนได้ยิน ไม่ใช่ตัวคนฟัง
  • เสียงในตลาดเปลี่ยนเร็วผลนี้คือเสียงของแต่ละเจ้าเมื่อ 5 ถึง 6 ตุลาคม 2569 รุ่นใหม่หลังจากนั้นยังไม่อยู่ในผลนี้
  • ภาษาไทยเท่านั้นชุดนี้วัดข้อความทิปภาษาไทย ไม่ได้วัดภาษาอังกฤษ
  • เครื่องเดียวความเร็ววัดบนแล็ปท็อปเครื่องเดียวขณะมีงานอื่นรัน

บนชุดทดสอบปิดชุดที่ 3 ซึ่งเขียนทีหลังและวัดครั้งเดียว Tipjai Voice 1 ฟังผิด 6.9% (60 ข้อความ) อยู่ในช่วง 95% ของผลบนชุดที่ 2

ทำซ้ำได้

ทุกอย่างที่ต้องใช้วัดซ้ำ: ข้อความทั้ง 60 ข้อ คำอ่านที่ควรได้ยิน และตัวสะกดที่ยอมรับได้ของทุกชื่อและคำทับศัพท์

ระบบถอดเสียง
Thonburian Whisper (biodatlab/whisper-th-medium-combined); Typhoon Whisper large-v3 (typhoon-ai)
ตัวชี้วัด
CER after mapping each accepted reading of a name or word to one spelling; digits, ๆ and stretched letters normalised
ช่วงความเชื่อมั่น
95% bootstrap, 2000 resamples, paired 4000, seed 6
ความดังของคลิปฟัง
listening clips matched to -20 LUFS by one static gain
วันที่วัด
2026-10-06

การอ้างอิง

@techreport{tipjai2026thaitipalerts,
  title       = {How clearly do voices read Thai tip alerts? A blind test of 30 voices},
  author      = {{Tipjai Research}},
  institution = {Tipjai},
  year        = {2026},
  month       = oct,
  url         = {https://research.tipjai.com/en/research/thai-tip-alert-benchmark/}
}

ผลนี้แสดงครั้งแรกที่ Tipjai Voice Lab (tipjai.com/voice-lab) และตรงกับที่นั่นทุกตัวเลข เพราะอ่านจากไฟล์ผลการวัดเดียวกัน Gemini 3.8 Flash TTS Kore คือเสียงที่ชัดที่สุดบนกระดาน