Gradium เปิดตัว Voice Design สร้างเสียงสังเคราะห์จากข้อความ
Gradium สตาร์ทอัพเสียง AI จากปารีส เปิดตัว Voice Design ให้ผู้ใช้สร้างเสียงสังเคราะห์ใหม่ได้ในไม่กี่วินาทีผ่านคำอธิบายข้อความ โดยไม่ต้องใช้เสียงต้นฉบับ
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- Gradium เปิดตัว Voice Design สร้างเสียงใหม่จากข้อความอธิบายความยาว 1 ถึง 500 ตัวอักษร
- กระบวนการทำงานรองรับ 5 ภาษา ได้แก่ อังกฤษ ฝรั่งเศส สเปน โปรตุเกส และเยอรมัน
- ระบบสร้างตัวเลือกเสียง 1 ถึง 5 แคนดิเดตต่อคำขอ โดยใช้เวลาประมวลผลเพียง 3 ถึง 5 วินาที
- ผลการทดสอบแบบ Blind pairwise ชี้ Gradium มีอัตราการชนะ 72.6% เหนือคู่แข่ง 6 ระบบ
บริษัทเสียง AI สัญชาติปารีส Gradium ซึ่งแยกตัวมาจากห้องปฏิบัติการวิจัย Kyutai ได้พัฒนาเครื่องมือใหม่ชื่อว่า Voice Design ซึ่งช่วยให้ผู้ใช้งานสามารถสร้างเสียงสังเคราะห์ขึ้นมาใหม่ได้ทั้งหมดภายในเวลาเพียงไม่กี่วินาที เพียงแค่ป้อนคำอธิบายที่เป็นข้อความ โดยระบบนี้ไม่จำเป็นต้องอาศัยเสียงอ้างอิง ผู้พูดต้นแบบ หรือการเคลียร์สิทธิ์ลิขสิทธิ์แต่อย่างใด
เครื่องมือ Voice Design นี้เปิดใช้งานจริงแล้วผ่าน API ของ Gradium และบน Studio โดยเปิดให้ใช้งานฟรีในทุกระดับรวมถึงแผนฟรี (free tier) เสียงที่ถูกบันทึกไว้จะทำงานบนเอนด์พอยต์ Text-to-Speech แบบสตรีมมิ่งเช่นเดียวกับเสียงในแคตตาล็อกทั่วไป ในระดับความหน่วงและรูปแบบเอาต์พุตที่เท่ากัน ผู้ใช้งานสามารถใส่คำอธิบายความยาวตั้งแต่ 1 ถึง 500 ตัวอักษร
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
ข้อความอธิบายดังกล่าวคืออินพุตเพียงอย่างเดียวที่โมเดลต้องการ โดยเอกสารของ Gradium ได้ระบุคุณattributes ที่ระบบตอบสนอง เช่น เพศ ช่วงอายุ สำเนียงหรือถิ่นกำเนิด ระดับเสียง จังหวะ พลังงาน เนื้อเสียงและการก้อง เรจิสเตอร์และรูปแบบ รวมถึงลักษณะงานที่เสียงนั้นต้องทำ ทั้งนี้ Gradium แนะนำให้ปิดท้ายคำอธิบายด้วยวัตถุประสงค์การใช้งาน เพื่อช่วยควบคุมการถ่ายทอดเสียงและเรจิสเตอร์ให้ตรงความต้องการมากยิ่งขึ้น
ในแง่ของการทำงาน หนึ่งคำขอจะส่งคืนตัวเลือกเสียงจำนวน 1 ถึง 5 แคนดิเดต ซึ่งมักจะพร้อมใช้งานภายใน 3 ถึง 5 วินาที โดยตัวเลือกเหล่านี้จะเป็นรูปแบบที่หลากหลายจากตัวละครเดียว การสร้างตัวละครที่แตกต่างกันจึงต้องอาศัยการเขียนคำอธิบายใหม่ทั้งหมด ไม่ใช่การเพิ่มจำนวนตัวอย่างเสียง กระบวนการทำงานทั้งหมดประกอบด้วยการเรียก API สี่ขั้นตอน ตั้งแต่การสร้างแคนดิเดต การดึงข้อมูล embedding จนถึงการโปรโมตเสียงที่ต้องการเก็บไว้
การที่ Gradium เลือกใช้แนวทาง Text-to-Voice จากการบรรยาย (Prompt-based Voice Design) ถือเป็นก้าวสำคัญที่ช่วยลดขั้นตอนทางกฎหมายและต้นทุนในการจดลิขสิทธิ์เสียงพากย์ โดยเฉพาะในอุตสาหกรรมเกมและแอนิเมชันที่ต้องการคาแรคเตอร์เสียงหลากหลายรูปแบบอย่างรวดเร็ว อย่างไรก็ตาม ความท้าทายในอนาคตคือความสม่ำเสมอของน้ำเสียงและการควบคุมอารมณ์ที่ซับซ้อนซึ่งอาจต้องอาศัยความเชี่ยวชาญในการเขียน Prompt เพิ่มเติม
"Gradium ran a blind pairwise listening test on accent prompts across six voice design systems reachable through public APIs and five languages."
MarkTechPost
สำหรับการทดสอบประสิทธิภาพ Gradium ได้ทำการทดสอบการฟังแบบ blind pairwise กับระบบ Voice Design 6 ระบบผ่าน API สาธารณะใน 5 ภาษา โดยมีผู้ฟังที่เป็นเจ้าของภาษาเลือกเสียงที่ตรงกันมากกว่า 7,627 ครั้ง ผลปรากฏว่า Gradium มีอัตราการชนะสูงถึง 72.6% ทิ้งห่างคู่แข่งอย่าง ElevenLabs ที่ทำได้ 59.0% นอกจากนี้ โมเดลประเมินอย่าง Gemini 3.1 Pro ยังจัดอันดับให้ Gradium อยู่ในตำแหน่งสูงสุดด้วยคะแนน 4.06 จาก 5 คะแนนเช่นกัน
ที่มา: MarkTechPost
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น