Paxa TTS Flash เริ่มส่งเสียงแรกใน 104 มิลลิวินาที

วันที่ 24 กันยายน เราวัดเวลาส่วนนั้นจากสองเมือง โดยให้เครื่องเสมือนใน Google Cloud ภูมิภาคสิงคโปร์และกรุงเทพฯ เรียก API ตัวจริงแบบเดียวกับที่เซิร์ฟเวอร์ของลูกค้าเรียก

• ค่ามัธยฐานของเวลาจนได้เสียงแรกคือ 104 มิลลิวินาทีจากสิงคโปร์ และ 131 มิลลิวินาทีจากกรุงเทพฯ
• คำขอ 98.3% จากสิงคโปร์ และ 91.2% จากกรุงเทพฯ ได้เสียงแรกภายใน 200 มิลลิวินาที
• ข้อความภาษาไทยยาว 35.1 วินาทีมาถึงครบภายใน 750 มิลลิวินาที
• คำขอเสียงพูดทั้ง 1,676 ครั้งสำเร็จทุกครั้ง

ทุกคำขอสตรีมประโยคภาษาไทยยาว 93 ตัวอักษรด้วยเสียงนมเย็น เป็น MP3 จาก POST /v1/tts ได้เสียงยาว 6.9 วินาที นาฬิกาเริ่มเดินเมื่อผู้เรียกส่งคำขอ และหยุดที่ไบต์แรกของเสียง ช่วงเวลานี้รวมการเดินทางในเครือข่าย การยืนยันตัวตน และการสังเคราะห์คำแรก ๆ ของข้อความ

คอลัมน์ p99 คือคำขอที่ช้าที่สุดหนึ่งในร้อย แม้ที่จุดนั้น เสียงแรกก็ยังมาถึงภายใน 324 มิลลิวินาทีจากสิงคโปร์ และ 304 มิลลิวินาทีจากกรุงเทพฯ

ความต่างระหว่างสองเมืองคือระยะทางในเครือข่าย การเรียก endpoint ตรวจสถานะของ API เปล่า ๆ หนึ่งรอบไปกลับใช้ 16 มิลลิวินาทีที่ค่ามัธยฐานจากสิงคโปร์ และ 42 มิลลิวินาทีจากกรุงเทพฯ เมื่อหักเวลานี้ออกจากเวลาจนได้เสียงแรก สองเมืองเหลือ 88 และ 89 มิลลิวินาที ส่วนที่เหลือนี้คือเวลาที่ API ใช้ตั้งแต่รับคำขอจนส่งเสียงแรกออกไป และเท่ากันไม่ว่าจะเรียกจากเมืองไหน

คำตอบแบบสตรีมเริ่มจากต้นข้อความ ขณะที่ส่วนที่เหลือยังสังเคราะห์อยู่ ข้อความภาษาไทยยาว 420 ตัวอักษร หรือเสียง 35.1 วินาที ได้เสียงแรกใน 76 มิลลิวินาทีจากสิงคโปร์ และ 102 มิลลิวินาทีจากกรุงเทพฯ ที่ค่ามัธยฐาน เสียงทั้งข้อความมาถึงครบภายใน 750 มิลลิวินาที เร็วกว่าเวลาเล่นจริงราว 47 เท่า

การวัดรอบเดียวกันวัดประโยคภาษาอังกฤษ เสียงแบบ Opus endpoint ที่เข้ากันได้กับ OpenAI และข้อความภาษาไทยที่ยาวกว่า ตัวเลขทุกช่องด้านล่างคือเวลาจนได้เสียงแรก

ประโยคภาษาอังกฤษใช้เสียงคุกกี้ ยาว 5.3 วินาที ส่วน endpoint ที่เข้ากันได้กับ OpenAI คือ POST /v1/audio/speech ได้เสียงแรกห่างจาก POST /v1/tts ไม่เกิน 5 มิลลิวินาทีที่ค่ามัธยฐานจากทั้งสองเมือง โค้ดที่เขียนไว้สำหรับ API เสียงพูดของ OpenAI จึงได้เสียงแรกเร็วเท่ากัน เพียงเปลี่ยน base URL

งานพากย์ที่ต้องใส่ลงวิดีโอต้องได้ไฟล์ครบก่อนจึงจะเล่นได้ เมื่อไม่สตรีม ประโยคภาษาไทยยาว 6.9 วินาทีมาถึงเป็นไฟล์ครบใน 241 มิลลิวินาทีที่ค่ามัธยฐานจากสิงคโปร์ และ 280 มิลลิวินาทีจากกรุงเทพฯ

• ผู้เรียกคือเครื่องเสมือน n4-standard-2 ของ Google Cloud สองเครื่อง เครื่องหนึ่งอยู่ในโซน asia-southeast1-b (สิงคโปร์) อีกเครื่องอยู่ในโซน asia-southeast3-a (กรุงเทพฯ)
• ทั้งสองเครื่องใช้ Node.js 26.3 เรียก api.paxalabs.com ผ่าน HTTPS ด้วย API key ที่ไม่ได้ตั้งวงเงินเครดิต ส่งคำขอทีละหนึ่งคำขอบนการเชื่อมต่อเดียวที่เปิดค้างไว้ระหว่างคำขอ
• สองเครื่องวัดพร้อมกันตั้งแต่ 10:31 ถึง 10:38 UTC วันที่ 24 กันยายน 2026 โดยสลับการทดสอบแต่ละแบบปนกัน
• เวลาจนได้เสียงแรกวัดที่ฝั่งผู้เรียก ตั้งแต่ส่งคำขอจนได้รับไบต์แรกของเนื้อหาคำตอบ
• แต่ละแถวนับจากคำขอ 46 ถึง 299 ครั้ง
• คำขอภาษาไทยใช้เสียงนมเย็น คำขอภาษาอังกฤษใช้เสียงคุกกี้ ประโยคสั้นทั้งสองคือประโยคตัวอย่างที่เผยแพร่ของเสียงนั้น

หน้าแปลงข้อความเป็นเสียง ให้ลองฟังประโยคด้วยเสียงสาธิตได้โดยไม่ต้องมีบัญชี หากจะเรียกผ่าน API หน้า ลดความหน่วง ระบุขั้นตอนที่ทำก่อนไบต์แรก และขั้นตอนไหนที่ผู้เรียกควบคุมได้