ให้เพื่อน AI ของคุณพูดไทยได้จริง

ความสนิทอยู่ในตัวคำ#

1. 01

   คนแปลกหน้า

   เรียกอีกฝ่ายว่าคุณ เรียกตัวเองว่าดิฉัน นี่คือน้ำเสียงพนักงานต้อนรับ ถูกต้องทุกอย่าง และห่างเกินกว่าจะเป็นเพื่อนของใคร

   คุณทานข้าวเย็นแล้วหรือยังคะ ดิฉันรออยู่นะคะ

   เรียกอีกฝ่าย / เรียกตัวเอง

   คุณ / ดิฉัน

   คำลงท้าย

   คะ

2. 02

   คนที่อายุน้อยกว่า

   ขยับแค่คำเดียว คุณกลายเป็นพี่ ดิฉันกลายเป็นหนู ผู้ช่วยกลายเป็นฝ่ายที่อายุน้อยกว่าทันที ประโยคเดิมจึงอ่อนโยนขึ้นโดยยังไม่ตีสนิท

   พี่ทานข้าวเย็นแล้วหรือยังคะ หนูรออยู่นะคะ

   เรียกอีกฝ่าย / เรียกตัวเอง

   พี่ / หนู

   คำลงท้าย

   คะ

3. 03

   เพื่อน

   เธอกับเราลดระยะห่างลง ทานเปลี่ยนเป็นกินแบบธรรมดา และจ๊ะเข้ามาแทนคะ คำถามเดิม แต่ตอนนี้เป็นคำถามระหว่างคนเท่ากัน

   เธอกินข้าวเย็นแล้วยังจ๊ะ เรารออยู่นะ

   เรียกอีกฝ่าย / เรียกตัวเอง

   เธอ / เรา

   คำลงท้าย

   จ๊ะ

4. 04

   สนิทกว่านั้น

   คำลงท้ายสุภาพหายไปทั้งคำ ในภาษาไทยการที่มันหายไปคือสัญญาณ นี่จึงเป็นระดับที่สนิทที่สุดในสี่ระดับ ทั้งที่ใช้คำน้อยที่สุด

   กินข้าวยังอ่ะ เรารอเธออยู่

   เรียกอีกฝ่าย / เรียกตัวเอง

   เธอ / เรา

   คำลงท้าย

   ไม่มี

เลือกระดับที่สินค้าของคุณควรอยู่ บอกโมเดลให้เขียนในระดับนั้น แล้วเสียงจะอ่านตามนั้นเอง การย้ายเพื่อน AI จากระดับสุภาพไปหาระดับสนิทคือการแก้ system prompt โมเดลข้างใต้ยังเป็นตัวเดิม

8 เสียงที่ออกแบบมาเพื่อการพูดใกล้ ๆ#

แคตตาล็อกมีทั้งหมด 26 เสียง กลุ่มนี้คือเสียงที่ออกแบบมาสำหรับการพูดกับผู้ฟังคนเดียวเป็นเวลานาน ทั้งโทนยามค่ำ เสียงกระซิบ เสียงใกล้ไมค์ และเสียงตัวละครที่งานบทบาทสมมติต้องใช้ รหัสเสียงเป็นตัวระบุสาธารณะที่คงที่ เพื่อน AI ที่ผู้ใช้รู้จักตั้งแต่เดือนมกราคมจึงยังเป็นเสียงเดิมในเดือนธันวาคม

• มัสมั่นพระเอก0:02
• พะแนงละครเวที0:03
• โอเลี้ยงวิทยุยามดึก0:02
• เสน่ห์จันทน์เสน่ห์ยามค่ำ0:02
• ทับทิมกรอบบทอ่านยามดึก0:03
• ลูกชุบเสียงตัวการ์ตูน0:03
• วุ้นเสียงกระซิบ0:04
• สังขยาASMR0:03

ประโยคเดียวกัน อ่านด้วยทุกเสียง ตัวแปรเดียวที่ต่างกันคือเสียง กดที่ชื่อเพื่อไปหน้าของเสียงนั้น

สิ่งที่คนอีกฝั่งสังเกตได้#

ทั้งสี่ข้อข้างล่างไม่มีใครเรียกร้องมาเป็นชื่อฟีเจอร์ แต่มันคือสิ่งที่คนหมายถึงเวลาบอกว่าเพื่อน AI ตัวนี้เหมือนมีคนอยู่จริง หรือบอกว่ามันเลิกเหมือนไปแล้ว

หนึ่งตา และการพูดแทรก#

เพื่อน AI ที่พูดได้คือลูปหนึ่งลูป และลูปนี้เองที่ตัดสินว่ามันจะรู้สึกมีชีวิตหรือไม่มี ระบบรู้จำเสียงถอดคำพูดของคน โมเดลเขียนคำตอบ แล้วระบบเสียงอ่านออกมา ขั้นที่งานส่วนใหญ่ทำพลาดคือขั้นที่สี่

1. 01

   เปิดซ็อกเก็ตเดียวตลอดบทสนทนา

   เอนด์พอยต์สดถือ WebSocket หนึ่งเส้นไว้ตลอดเซสชัน ตั้งค่าครั้งเดียวตอนเปิด หลังจากนั้นทุกตาคือเฟรมข้อความบนการเชื่อมต่อที่อุ่นอยู่แล้ว

2. 02

   ส่งทีละประโยคทันทีที่โมเดลเขียนจบ

   อย่ารอให้คำตอบครบทั้งก้อน ส่งประโยคทันทีที่โมเดลเขียนจบ แล้วเสียงจะเริ่มกลับมาตั้งแต่ส่วนที่เหลือยังเขียนไม่เสร็จ ภาษาไทยไม่มีเครื่องหมายจบประโยค ไคลเอนต์ภาษาไทยจึงสั่ง flush เมื่อจบวรรค

3. 03

   เล่นเสียงไปพร้อมกับที่มันมาถึง

   เฟรมไบนารีคือเสียงของตานั้นเรียงตามลำดับการส่ง ใบเสร็จ charged มาก่อนเสียงของทุกตาเสมอ ไคลเอนต์จึงรู้ราคาของตานั้นก่อนได้ยินเสียงด้วยซ้ำ

4. 04

   สั่งหยุดทันทีที่อีกฝ่ายเริ่มพูด

   เมื่อผู้ใช้พูดแทรกขึ้นมา ให้ส่งเฟรม cancel ประโยคที่กำลังพูดจะหยุด ส่วนที่เหลือของคำตอบถูกทิ้ง และการเชื่อมต่อยังเปิดรอตาถัดไป จะปิดซ็อกเก็ตทิ้งก็หยุดเสียงได้เหมือนกัน แต่ต้องคืนช่องคำขอพร้อมกันและต้องเชื่อมต่อใหม่ทั้งรอบก่อนจะตอบได้อีกครั้ง

ตาที่ถูกหยุดยังคงค่าบริการของประโยคที่สังเคราะห์ไปแล้ว ส่วนที่ถูกทิ้งไม่เคยถูกคิดเงิน การส่งทีละประโยคต่อหนึ่งเฟรมคือสิ่งที่จำกัดต้นทุนตรงนี้ และเป็นรูปแบบเดียวกับที่ทำให้เวลารอเสียงแรกต่ำ

อ่านคู่มือสตรีมสด

ต้องเร็วแค่ไหน#

มีสามวิธีในการส่งเสียงของเพื่อน AI วิธีที่ถูกต้องขึ้นอยู่กับรูปร่างของสินค้า

• คำขอแบบรอครบ

  แชทแบบผลัดกันตอบ ทีละคำตอบ

  หนึ่ง POST ต่อหนึ่งคำตอบ ได้ไฟล์กลับมาทั้งก้อน เป็นวิธีที่ง่ายที่สุดและใช้ได้จริง เหมาะเมื่อผู้ใช้อ่านก่อนแล้วค่อยฟัง

• ซ็อกเก็ตสด

  บทสนทนาที่พูดกันจริง

  WebSocket เดียวตลอดเซสชัน สั่งสังเคราะห์ทีละประโยค และสั่งหยุดได้เมื่อถูกพูดแทรก นี่คือลูปของเพื่อน AI และใช้ได้ทุกแพ็กเกจ

• เครื่องเฉพาะ

  งานเรียลไทม์ที่มีโหลดจริง

  บน API สาธารณะคุณใช้กำลังเครื่องร่วมกับคนอื่น ค่ากลางเร็ว แต่ปลายหางขยับตามโหลดรวม การใช้เครื่องเฉพาะทำให้ปลายหางเป็นของคุณเอง วัดบนเครื่องทดสอบของเราเองได้ 50 มิลลิวินาทีถึงเสียงแรก และเร็วกว่าเวลาจริง 95 เท่า บน NVIDIA L4 หนึ่งใบ กับชุดข้อความไทยหลากหลาย รวมผลที่คำขอพร้อมกัน 8 และ 16 คำขอ

ค่าเสียงของเพื่อน AI หนึ่งคน

คิดที่ 15 เครดิตต่อ 1,000 ตัวอักษร จากคำตอบยาว 120 ตัวอักษร วันละ 40 คำตอบ ค่าเสียงคิดตามจำนวนตัวอักษรจริง ผู้ใช้ที่คุยน้อยจึงจ่ายน้อยกว่า และเดือนที่ไม่มีใครคุยเลยก็ไม่มีค่าใช้จ่าย

คำถามที่พบบ่อย#

ทำให้เสียงดีใจ เสียใจ หรือหวานได้ไหม

ยังทำผ่านพารามิเตอร์ไม่ได้ โมเดลที่ให้บริการอยู่ยังไม่มีการควบคุมอารมณ์หรือสไตล์ และหน้านี้จะไม่พูดให้เข้าใจเป็นอย่างอื่น สิ่งที่มีคือชุดเสียงที่คัดมาตามโทน และภาษาที่เก็บความสนิทไว้ในตัวคำ ซึ่งเป็นเหตุผลที่บันไดระดับความสนิทด้านบนคือคำตอบที่ตรงไปตรงมาที่สุดของคำถามนี้ในตอนนี้

โคลนเสียง หรือเพิ่มเสียงตัวละครของตัวเองได้ไหม

ยังไม่ได้ แคตตาล็อกมี 26 เสียงคงที่ เพื่อน AI จึงเลือกเสียงจากชุดนี้แบบเดียวกับที่กองถ่ายเลือกนักแสดงจากรายชื่อ สำหรับแอปบทบาทสมมติที่มีตัวละครจำนวนมาก นี่คือเพดานในตอนนี้: 26 เสียงที่ต่างกัน และแต่ละเสียงคงที่ตลอดไป

เพื่อน AI หยุดพูดตอนผู้ใช้พูดแทรกได้อย่างไร

ใช้เฟรม cancel บนซ็อกเก็ตสด ประโยคที่กำลังพูดจะหยุด ส่วนที่ค้างอยู่ถูกทิ้งโดยไม่คิดเงิน และการเชื่อมต่อเดิมรับตาถัดไปต่อได้เลย กลไกมีเท่านี้ และมีอธิบายไว้ในคู่มือสตรีมสด

อ่านไทยปนอังกฤษในประโยคเดียวกันได้ไหม

ได้ และอ่านด้วยเสียงเดียว เพื่อน AI ภาษาไทยสลับภาษากันตลอดเวลา คำตอบที่ไหลจากไทยไปอังกฤษแล้วกลับมาจึงถูกอ่านเป็นประโยคเดียวต่อเนื่องด้วยเสียงเดียวตลอดสาย ข้อความยาวได้ถึง 5,000 ตัวอักษรต่อหนึ่งคำขอ

เอาเสียงไปขยับปากตัวละครได้ไหม

ได้ ขอข้อมูลเวลาระดับคำ ประโยค หรือทั้งช่วงพูด แล้วผลลัพธ์จะมีช่วงเวลามาพร้อมกับเสียง ซึ่งเป็นสิ่งที่ปากของอวตารใช้อ่าน ทั้งนี้การขอข้อมูลเวลาคิดค่าบริการสูงกว่าเสียงเปล่า