เปิดตัวโคลนเสียงภาษาไทย — โคลนเสียงใครก็ได้ใน 10 วินาที

เรารู้สึกตื่นเต้นที่จะประกาศเปิดตัว โคลนเสียงภาษาไทย (Thai Voice Cloning) ฟีเจอร์ล่าสุดใน Kaitom Voice V3 TTS API เพียงส่งคลิปเสียงไทยที่สะอาดยาว 8–12 วินาที พร้อมข้อความที่พูดในคลิปแบบคำต่อคำ ระบบจะพูดข้อความภาษาไทยที่คุณต้องการด้วยเสียงเดียวกันทันที

นี่คือ Voice Cloning API ระดับโปรดักชันตัวแรกที่ออกแบบสำหรับภาษาไทยโดยเฉพาะ

ทำไมโคลนเสียงภาษาไทยถึงสำคัญ

เครื่องมือโคลนเสียงทั่วไปมีมานานสำหรับภาษาอังกฤษ แต่ภาษาไทยมักถูกลืม — วรรณยุกต์ผิด ตัวสะกดหายไป จังหวะการพูดเหมือนหุ่นยนต์ และจัดการการสลับไทย-อังกฤษไม่ได้

Endpoint โคลนเสียงของ Kaitom Voice V3 เทรนด้วยภาษาไทยตั้งแต่ต้น หมายความว่า:

• วรรณยุกต์ไทย (ไม้เอก, โท, ตรี, จัตวา) ถูกต้องตามผู้พูด
• ตัวสะกด ออกเสียงครบทุกคำ ไม่หายไป
• ตัวเลข วันที่ สกุลเงิน อ่านตามสไตล์ไทยอัตโนมัติ
• ข้อความผสมไทย–อังกฤษ จัดการได้ในประโยคเดียว

คุณจะได้เสียงที่เหมือนคนที่คุณโคลนจริงๆ ไม่ใช่หุ่นยนต์สวมหมวกของเขา

วิธีการทำงาน

คลิปต้นฉบับเก็บลักษณะเสียงและจังหวะการพูด แล้ว V3 engine นำไปใช้กับข้อความไทยที่คุณส่งเข้ามา

ลองได้ใน 60 วินาที

วิธีที่เร็วที่สุดคือ Demo บนเว็บ — อัดเสียงตัวเอง พิมพ์ข้อความไทย ฟังเสียงตัวเองพูดข้อความใหม่ทันที:

👉 เปิด Demo แบบโต้ตอบ

เริ่มใช้งาน API

cURL

curl -X POST 'https://api.iapp.co.th/v3/store/audio/tts/clone' \
    --header 'apikey: YOUR_API_KEY' \
    --form 'text=สวัสดีครับ วันนี้ทดสอบการโคลนเสียงด้วย AI' \
    --form 'speed=1.0' \
    --form 'ref_text=ฮัลโหล สวัสดีครับ ผมชื่อไข่ต้ม' \
    --form 'ref_audio=@reference.wav' \
    --output 'output.pcm'

Python

import requests

url = "https://api.iapp.co.th/v3/store/audio/tts/clone"
headers = {"apikey": "YOUR_API_KEY"}

with open("reference.wav", "rb") as ref:
    files = {"ref_audio": ref}
    data = {
        "text": "สวัสดีครับ วันนี้ทดสอบการโคลนเสียงด้วย AI",
        "ref_text": "ฮัลโหล สวัสดีครับ ผมชื่อไข่ต้ม",
        "speed": "1.0",
    }
    r = requests.post(url, headers=headers, data=data, files=files)

with open("output.pcm", "wb") as f:
    f.write(r.content)

Response ที่ได้คือ PCM signed 16-bit little-endian, mono, 24 kHz สตรีมตามไบต์ที่เข้ามา ห่อด้วย WAV header 44 ไบต์ฝั่ง client หรือใช้ ffmpeg แปลง:

ffmpeg -f s16le -ar 24000 -ac 1 -i output.pcm output.wav

พารามิเตอร์

ฟิลด์	ประเภท	จำเป็น	หมายเหตุ
text	string	ใช่	ข้อความภาษาไทยที่ต้องการสังเคราะห์
ref_text	string	ใช่	ข้อความตามตัวจริง ของ ref_audio (คำต่อคำ ไม่ใช่คำอธิบาย)
ref_audio	file	ใช่	WAV หรือ MP3 ความยาว 8–12 วินาที เสียงไทย mono ที่สะอาด
speed	float	ไม่	0.8–1.2, ค่าเริ่มต้น 1.0

เคล็ดลับให้โคลนได้ดี

คุณภาพการโคลนขึ้นอยู่กับคลิปต้นฉบับ ใช้เวลาเตรียมไม่กี่นาทีก็คุ้มมาก:

1. อัดให้สะอาด ไม่มีเสียงดนตรีพื้นหลัง ไม่มีเสียงรถ ไม่มีเสียงคนซ้อน
2. ใช้ผู้พูดเดียว ไม่มีเสียงไอ เสียง "เอ่อ" หรือเสียงคนอื่นแทรก
3. ข้อความตรงกับเสียง 100% ref_text ต้องเหมือน ref_audio ทุกตัวอักษร ถ้าไม่ตรง เสียงจะเพี้ยนหรือเร่งเร็วผิดปกติ
4. อยู่ในช่วง 8–12 วินาที สั้นกว่านี้เก็บโทนเสียงไม่พอ ยาวเกิน 15 วินาที ระบบจะตัดทิ้งและทำให้ ref_text ส่วนท้ายไม่ตรง
5. สไตล์การพูดสม่ำเสมอ ถ้าต้นฉบับพูดเรียบๆ แต่ข้อความใหม่ต้องตะโกน ผลที่ได้จะเพี้ยน

คุณสามารถสร้างอะไรได้บ้าง

หนังสือเสียงส่วนตัว

นักเขียนสามารถพากย์เสียงตัวเองในบทแรก แล้วโคลนเสียงทำบทที่เหลือโดยไม่ต้องเข้าห้องอัดเพิ่ม

Brand Voice สเกลใหญ่

อัดเสียงพรีเซนเตอร์แบรนด์แค่ 10 วินาทีครั้งเดียว แล้วใช้สังเคราะห์วิดีโอการตลาด, IVR, Product Demo ภาษาไทยได้ไม่จำกัด ในเสียงเดียวกัน

เก็บรักษาเสียง

ช่วยผู้ป่วยที่กำลังจะสูญเสียเสียงพูด — อัดเก็บไว้ตอนนี้ เพื่อให้ "พูด" ได้ในอนาคต

Localize เนื้อหาสำหรับตลาดไทย

นำคอนเทนต์ต่างประเทศมาทำเป็นภาษาไทยโดยใช้เสียงผู้บรรยายเดิมที่ผู้ชมจำได้ ไม่ต้องคัดเลือก ไม่ต้องเข้าสตูดิโอ

การเข้าถึงและ E-Learning

สร้างเสียงเนื้อหาการศึกษาด้วยเสียงครูจริง พร้อมการอ่านตัวเลข วันที่ สกุลเงินที่ถูกต้อง

ราคา

โคลนเสียงราคา 1 IC ต่อ 400 ตัวอักษร

Endpoint	Method	ค่าใช้จ่าย
/v3/store/audio/tts (เสียงไข่ต้ม)	POST	1 IC ต่อ 400 ตัวอักษร
/v3/store/audio/tts/clone (โคลนเสียงไทย)	POST	1 IC ต่อ 400 ตัวอักษร

ใช้อย่างมีความรับผิดชอบ

โคลนเสียงเป็นเทคโนโลยีที่ทรงพลังและถูกใช้ในทางที่ผิดได้ง่าย iApp Technology กำหนดให้ผู้ใช้:

• ได้รับความยินยอม จากเจ้าของเสียงก่อนโคลน
• เปิดเผยว่าเป็นเสียงสังเคราะห์ ในบริบทที่เกี่ยวกับความน่าเชื่อถือ (ข่าว แถลงการณ์ การยืนยันตัวตน)
• ห้ามเลียนแบบบุคคลจริง เพื่อการฉ้อโกง การคุกคาม หรือบิดเบือนข้อมูล

การละเมิดเงื่อนไขนี้ถือว่าผิดข้อตกลงการใช้งาน และอาจมีความผิดตามกฎหมายไทย (PDPA, พ.ร.บ.คอมพิวเตอร์) เราเก็บ log การใช้งานทุก clone request และให้ความร่วมมือกับเจ้าหน้าที่เมื่อมีการแจ้งเหตุ

ข้อจำกัดในช่วง Alpha

• รองรับเฉพาะภาษาไทย — ภาษาอังกฤษและจีนอยู่ใน Roadmap
• คำขอโคลนประมวลผลทีละรายการต่อเซิร์ฟเวอร์ ในช่วงโหลดสูงอาจมีคิว
• ความยาวคลิปต้นฉบับสูงสุด 15 วินาที (เกินจะถูกตัด)
• Output เป็น PCM ดิบ ต้องห่อ WAV header ฝั่ง client เพื่อเล่น

เริ่มใช้งานวันนี้

• ลอง Demo บนเว็บ — อัดและโคลนในเบราว์เซอร์
• อ่านเอกสาร API ฉบับเต็ม — เอกสารเทคนิคครบถ้วน
• ขอ API Key — เริ่มสร้างได้ทันที

ความคิดเห็น

ตอนนี้ยังเป็น Alpha คอมเมนต์ของคุณช่วยกำหนดสิ่งที่จะเป็น GA

• Discord: discord.gg/kYcpmdEcS2
• Email: sale@iapp.co.th
• โทร: 086-322-5858

---

Thai Voice Cloning เป็นส่วนหนึ่งของ Kaitom Voice V3 พร้อมให้บริการแก่ผู้ใช้ iApp API ทุกท่าน โดยไม่มีค่าใช้จ่ายในช่วง Alpha