Gradium Phonon : เสียงออฟไลน์ ข้อจำกัดสิทธิ์ใช้งาน และเมื่อใดควรเลือก TTS บนคลาวด์

Gradium Phonon นำการแปลงข้อความเป็นเสียงแบบสตรีมมิงมาทำงานบนฮาร์ดแวร์ของคุณเอง รุ่นเสถียรรุ่นแรก (เปิดในแท็บใหม่)ออกเมื่อวันที่ 20 ตุลาคม 2026 และ Gradium ประกาศต่อสาธารณะในวันถัดมา สำหรับแอปออฟไลน์ สิ่งนี้เปลี่ยนว่าเสียงจำเป็นต้องพึ่งการเชื่อมต่อที่ใช้งานได้หรือไม่ ส่วนครีเอเตอร์ที่กำลังทำเสียงพากย์ให้เสร็จ การติดตั้งระบบเองอาจเป็นงานที่ไม่จำเป็น

ประเด็นแรกคือความแตกต่างของสิทธิ์ใช้งาน มีเพียง Phonon 31m ภาษาอังกฤษที่ใช้ Apache 2.0 โมเดล 40m รวมถึงรุ่นหลายภาษาใช้ CC BY-NC 4.0 ซึ่งไม่อนุญาตให้ใช้เชิงพาณิชย์ ณ วันที่ 26 ตุลาคม 2026 ยังไม่มี Phonon บน OmniArt ตัวเลือกคลาวด์ของเราคือ ElevenLabs และ MiniMax Speech ให้เลือกระหว่างสองแนวทางตามงานที่เสียงของคุณต้องทำ

TTS บนอุปกรณ์หมายถึงอะไร#

TTS บนอุปกรณ์สร้างเสียงในเครื่องหลังจากติดตั้งไฟล์ที่จำเป็นแล้ว ส่วน TTS บนคลาวด์ส่งบทไปยังบริการภายนอกและรับเสียงกลับมา การประมวลผลโมเดลในเครื่องทำให้ขั้นตอนสังเคราะห์เสียงทำงานออฟไลน์ได้ แต่ไม่ได้ทำให้ทั้งแอปเป็นส่วนตัว หากฟังก์ชันอื่นยังส่งข้อมูลออกไป

หากตัวอ่านหน้าจอต้องพูดได้บนรถไฟที่ไม่มีสัญญาณ การทำงานออฟไลน์คือข้อกำหนด แต่หากคุณส่งออกเสียงบรรยายสำหรับวิดีโอ ผู้ฟังจะเล่นไฟล์ที่เสร็จแล้ว ตัวสร้างเสียงจึงไม่จำเป็นต้องทำงานออฟไลน์

สิ่งที่ Gradium Phonon เปิดตัว#

ต่อไปนี้คือสเปกจากการ์ดโมเดล Hugging Face (เปิดในแท็บใหม่)ที่ตรวจสอบเมื่อวันที่ 26 ตุลาคม 2026 ไม่ใช่ขนาดดาวน์โหลดของแอปทั้งหมด จำนวนพารามิเตอร์ไม่รวมตัวแบ่งโทเคนเสียง และขนาดหมายถึงไฟล์น้ำหนัก model.q8.gguf ที่ควอนไทซ์เป็น 8 บิต

การ์ดระบุว่าเสียงขาออกเป็นโมโน 24 kHz หน้าข้อมูล Phonon (เปิดในแท็บใหม่)ของ Gradium ปัดขนาดดาวน์โหลดรุ่นเล็กเป็น 64 MB และข่าวประชาสัมพันธ์ (เปิดในแท็บใหม่)ยังอ้างคำพูดที่ระบุ 90 MB ด้วย เมื่อตั้งงบพื้นที่จัดเก็บ ให้ใช้ขนาดไฟล์ที่การ์ดโมเดลระบุ แล้ววัดขนาดชุดไฟล์ทั้งหมดและหน่วยความจำขณะทำงานบนอุปกรณ์เป้าหมาย

บันทึก v0.4.0 อธิบายรันไทม์ Rust ที่ไม่ใช้ PyTorch โดยมีตัวเลือก Python เบราว์เซอร์ Rust Swift และ Android ช่องทางเริ่มต้นได้แก่ uvx ptts pip install ptts npm install phonon-tts และ cargo add ptts นอกจากนี้ยังมีเซิร์ฟเวอร์ที่เข้ากันได้กับ OpenAI และรองรับ Wyoming สำหรับ Home Assistant

รายการรุ่น (เปิดในแท็บใหม่)ที่ตรวจสอบเมื่อวันที่ 26 ตุลาคม ระบุว่า v0.4.2 เป็นรุ่นล่าสุดถัดจาก v0.4.1 ชุดโมเดลที่แนบยังเป็นของ v0.4.0 บันทึกรุ่นใหม่ครอบคลุมการปรับเอกสารและแพลตฟอร์ม รวมถึง Mac Catalyst และประกาศสิทธิ์ใช้งานของแพ็กเกจเบราว์เซอร์ อีกทั้ง v0.4.2 เพิ่มตัวเลือกตั้งค่าตัวถอดรหัส Mimi

ประเด็นเรื่องสิทธิ์ใช้งาน#

ข่าวเปิดตัววันที่ 21 ตุลาคม (เปิดในแท็บใหม่)อธิบายว่าน้ำหนักหลายภาษาใช้ Apache 2.0 แต่ลิงก์ไปยังคลังรุ่นภาษาอังกฤษ 31m ข้อความนี้ขัดกับการ์ดโมเดล บันทึกรุ่น v0.4.0 และหน้าข้อมูล Phonon ที่ระบุว่าน้ำหนัก 40m รวมถึงรุ่นหลายภาษาใช้ CC BY-NC 4.0

ตามการ์ดโมเดล รันไทม์เป็นโครงการแยกที่ใช้สิทธิ์ MIT OR Apache-2.0 ควรแยกเรื่องนี้ขณะตรวจสอบส่วนประกอบที่พึ่งพา การอนุญาตให้แจกจ่ายโค้ดประมวลผลโมเดลต่อกับการอนุญาตให้ใช้โมเดลใดโมเดลหนึ่งเป็นคนละประเด็น บทความนี้รายงานเอกสารที่เผยแพร่ ไม่ได้ตัดสินเงื่อนไขเชิงพาณิชย์เฉพาะราย

การสร้างเสียงต้นแบบเป็นอีกขอบเขตหนึ่ง Gradium อธิบายการโคลนและออกแบบเสียงผ่าน API บนคลาวด์ แล้วดาวน์โหลดไฟล์เสียงมาใช้สังเคราะห์ในเครื่อง วิธีนี้ไม่ใช่การโคลนเสียงออฟไลน์ โครงการที่ต้องตั้งค่าทั้งหมดโดยไม่ใช้อินเทอร์เน็ตต้องคำนึงถึงวิธีได้มาของเสียงด้วย ไม่ใช่เพียงวิธีสร้างคำพูด

ประสิทธิภาพของ Phonon (ผู้ให้บริการรายงาน)#

บทความเทคนิควันที่ 20 ตุลาคม (เปิดในแท็บใหม่)ของ Gradium รายงานอัตราคำผิดของประโยคภาษาอังกฤษที่อ่านยากดังต่อไปนี้ ตัวเลขเหล่านี้เป็นผลทดสอบที่ผู้ให้บริการรายงานและตรวจสอบเมื่อวันที่ 26 ตุลาคม 2026 ไม่ใช่การทดสอบฟังโดย OmniArt

ผู้ให้บริการเลือกประโยคทดสอบ โมเดลถอดเสียง qwen3.8-omni-flash และโมเดลประเมิน WER gemma-4-31b-it เอง ชุดข้อมูลสาธารณะคือ gradium/tts-hard-sentences-202610 (เปิดในแท็บใหม่) ค่า WER ที่ต่ำกว่าวัดความแม่นยำในการถอดเสียงภายใต้ชุดทดสอบนี้ ไม่ได้วัดการแสดงอารมณ์ ช่วงอารมณ์ หรือความเหมาะสมกับบทของคุณ การ์ดโมเดล phonon-31m-en (เปิดในแท็บใหม่) ซึ่งตรวจสอบเมื่อวันที่ 26 ตุลาคม 2026 รายงานค่า LLM WER ของชุดประโยคยากแบบปัดเศษที่ต่างออกไป ได้แก่ Phonon 31m 1.5%, 40m multilingual 2.0% และ 40m English 2.3% (ตัวเลขที่ผู้พัฒนารายงาน) ตารางด้านบนใช้ตัวเลขจากบทความเทคนิค

บทความเดียวกันรายงานการทดสอบฟังแบบปกปิดชื่อและเปรียบเทียบเป็นคู่ โดยมีผู้ประเมิน 1,189 คนและการโหวต 17,270 ครั้ง อีกทั้งรายงานเวลาถึงเสียงแรกประมาณ 7 ms บน CPU ของ MacBook Air M5 เทียบกับ 517 ms สำหรับ Kokoro และ 38 ms พร้อมความเร็วสร้างเสียง 3.7 เท่าของเวลาจริงสำหรับ 31m บน Raspberry Pi 5 ตัวเลขเสียงแรกของ Kokoro ครอบคลุมทั้งประโยคเพราะไม่รองรับสตรีมมิง ส่วนหน้าข้อมูล Phonon อ้างแยกต่างหากว่าสร้างได้เร็วสูงสุด 22 เท่าของเวลาจริงบน iPhone 16 Pro (ผู้ให้บริการรายงาน)

ให้มองตัวเลขเหล่านี้เป็นผลเฉพาะอุปกรณ์ ไม่ใช่คำรับรองความหน่วง ทดสอบฮาร์ดแวร์ของคุณเองด้วยชื่อ ตัวเลข และประโยคที่เป็นตัวแทนงานจริง ก่อนเลือกรันไทม์

Phonon บนอุปกรณ์เทียบกับ TTS บนคลาวด์ของ OmniArt#

ใช้ตารางนี้เป็นจุดเริ่มต้นในการตัดสินใจ นี่เป็นคำแนะนำด้านขั้นตอนทำงาน ไม่ใช่อันดับคุณภาพจากการวัดผล

ณ วันที่ 26 ตุลาคม 2026 แค็ตตาล็อกสาธารณะของ OmniArt ระบุว่า Eleven v3 มี 74 ภาษา Multilingual v2 มี 29 ภาษา Turbo v2.5 มี 32 ภาษา และ MiniMax Speech 2.8 ทั้งสองรุ่นมีรุ่นละ 39 ภาษา โดยไม่นับตัวเลือกภาษาอัตโนมัติ ElevenLabs ต้องใช้แพ็กเกจ Starter ขึ้นไป ส่วน MiniMax Speech 2.8 ใช้ได้บนแพ็กเกจ Free หน่วยเครดิตด้านล่างตรวจเทียบกับแค็ตตาล็อกโมเดลในวันเดียวกัน

ทุกบล็อกอักขระที่เริ่มใช้จะมีค่าใช้จ่าย ให้คิดงบแยกแต่ละคำขอ การสร้างเทกใหม่ทำให้เกิดค่าใช้จ่ายการสร้างอีกครั้ง สิทธิ์เข้าถึงตามแพ็กเกจและเครดิตเป็นคนละเรื่องที่ต้องตรวจสอบ

ลองใช้บทแนะนำแอปนี้กับเสียงผู้บรรยาย ตัวอย่างนี้เป็นข้อความที่คัดลอกได้ ไม่ใช่ตัวอย่างเสียงที่สร้างไว้แล้ว

ใช้บทสั้นเดียวกันเป็นจุดเริ่มต้นสำหรับรุ่นหลายภาษา ข้อความที่คัดลอกได้ในที่นี้ยังเป็นภาษาอังกฤษ เมื่อทดสอบการพูดในภาษาท้องถิ่น ให้เลือกภาษาที่เหมาะสมและเตรียมบทที่แปลแล้ว

ดูการควบคุมการพูดในคู่มือแท็กเสียง Eleven v3 ส่วนบทความ Eleven v4 เทียบกับ v3แยกบริบทการเปิดตัวออกจากโมเดลที่พร้อมใช้ และคู่มือ MiniMax Speech 2.8อธิบายขั้นตอนทำเสียงพากย์บนคลาวด์

สิ่งที่ควรติดตาม#

ติดตามการแก้ถ้อยคำเรื่องสิทธิ์ใช้งานในข่าวประชาสัมพันธ์ การเปิดตัวภาษาเพิ่มเติม และเงื่อนไขเชิงพาณิชย์สาธารณะสำหรับ 40m ระหว่างนี้ให้เลือกคลังน้ำหนักที่เจาะจง แทนการมองว่า “Phonon” ใช้สิทธิ์เดียวกันทั้งหมด สำหรับงานพากย์ OmniArt ควรทดลองฟังข้อความสั้นก่อนใช้เครดิตกับบทเต็ม