เราเปิด API สาธารณะตัวแรกเมื่อวันที่ 3 สิงหาคม ตอนนั้นมีโมเดลเสียงพูดเพียงตัวเดียวที่อ่านได้ทั้งภาษาไทยและอังกฤษ แปดสัปดาห์ต่อมา Paxa Labs มีผลิตภัณฑ์ 4 กลุ่มบนโมเดล 7 ตัว มีบัญชีสมัครใช้งานแล้วกว่า 800 บัญชี และอัปเดตไปแล้วกว่า 20 ครั้ง ทั้งบนแพลตฟอร์มและตัวโมเดล
ค่าเสียงพูดลดลงหนึ่งในสาม#
ตั้งแต่วันที่ 1 ตุลาคม Paxa TTS Flash คิดค่าบริการ 10 เครดิตต่อ 1,000 ตัวอักษร หรือ $10 ต่อหนึ่งล้านตัวอักษร จนถึงวันที่ 30 กันยายน อัตรานี้อยู่ที่ 15 เครดิต หรือ $15 ต่อหนึ่งล้านตัวอักษร
อัตราใหม่ใช้กับคำขอเสียงพูดทุกช่องทาง ทั้ง POST /v1/tts เส้นทางที่ใช้ร่วมกับ OpenAI ได้อย่าง POST /v1/audio/speech WebSocket สำหรับสตรีมมิงสด และเครื่องมือเสียงพูดในคอนโซล คำขอที่ขอไทม์สแตมป์และเซสชันสตรีมมิงสดก็ถูกลงหนึ่งในสามเช่นกัน รหัสโมเดล เสียง และรูปแบบคำขอยังเหมือนเดิม จึงไม่ต้องแก้โค้ดใด ๆ
เครดิตที่มีอยู่ในยอดคงเหลือหรือในแพ็กเกจยังมีมูลค่าเท่าเดิม และแปลงเป็นเสียงพูดได้มากขึ้น 50 เปอร์เซ็นต์ แพ็กเติมเครดิต $10 เคยได้เสียงพูดภาษาไทยราว 18 ชั่วโมงที่อัตราเดิม ตอนนี้ได้ราว 27 ชั่วโมง
| เครดิต | ตัวอักษร ตั้งแต่ 1 ต.ค. | ตัวอักษร ถึง 30 ก.ย. |
|---|---|---|
| เครดิตฟรี 100 เครดิตของบัญชีใหม่ | 10,000 | 6,666 |
| แพ็กเติมเครดิต $10 (10,000 เครดิต) | 1,000,000 | 666,000 |
| แพ็กเกจ $6 ต่อเดือน (8,100 เครดิต) | 810,000 | 540,000 |
| แพ็กเกจ $21 ต่อเดือน (25,200 เครดิต) | 2,520,000 | 1,680,000 |
| แพ็กเกจ $99 ต่อเดือน (110,000 เครดิต) | 11,000,000 | 7,333,000 |
เดือนกันยายนเราใช้เวลาส่วนใหญ่ไปกับการปรับแต่งเสียงพูดให้ดีขึ้น ราคาใหม่คือผลของงานนั้น และใช้กับทุกบัญชีตั้งแต่คำขอแรก
สิ่งที่เปิดตัวในเดือนกันยายน#
ตอนเปิด API Paxa TTS Flash เป็นโมเดลเดียวที่มีให้ใช้ หลังจากนั้นมีโมเดลใหม่ตามมาอีก 6 ตัว และส่วนใหญ่เปิดตัวในเดือนกันยายน
การถอดเสียง ทั้งไฟล์บันทึกและแบบเรียลไทม์#
Paxa STT Lite เปิดให้ใช้เมื่อวันที่ 9 กันยายนในสถานะพรีวิวงานวิจัย ถอดเสียงไฟล์บันทึกภาษาไทยและอังกฤษผ่าน POST /v1/stt ตามคำที่พูดจริงในภาษาที่พูด พร้อมเวลาระดับคำที่ครอบคลุมคำภาษาไทยทั้งคำ ระบบแยกผู้พูดเป็นลำดับ และรับคำศัพท์เฉพาะได้สูงสุด 50 คำ ชื่อคนและชื่อสินค้าจึงสะกดตรงกับที่คุณใช้ คิดค่าบริการ 8.33 เครดิตต่อนาทีของเสียง
วันต่อมา endpoint เดียวกันส่งคำบรรยายกลับมาเป็นไฟล์ SRT หรือ VTT ได้ ช่วงคำบรรยายตัดตรงจุดเปลี่ยนผู้พูด จุดจบประโยค และช่วงเว้นจังหวะ ส่วนบรรทัดภาษาไทยขึ้นบรรทัดใหม่ตรงรอยต่อระหว่างคำเท่านั้น
วันที่ 23 กันยายน Paxa STT Lite Realtime เพิ่มการถอดเสียงระหว่างที่ผู้พูดยังพูดอยู่ รับเสียงผ่าน WebSocket และตรวจจับจุดจบของแต่ละรอบพูดได้เอง voice agent จึงรู้ว่าควรตอบเมื่อไร คิดค่าบริการ 12.5 เครดิตต่อนาทีของเสียงที่ได้รับ
Paxa Document Extraction#
Paxa Document Extraction เปิดตัวเมื่อวันที่ 12 กันยายน ส่งไฟล์ PDF หรือรูปภาพมาพร้อม JSON schema ของฟิลด์ที่ต้องการ เช่น เลขที่ใบแจ้งหนี้ วันที่ และรายการสินค้า แล้วจะได้ schema ที่เติมค่าครบกลับไป ทุกค่าคือข้อความที่พิมพ์อยู่บนหน้าเอกสาร หรือ null พร้อมเหตุผลที่หาค่านั้นไม่พบ
คิด 13 เครดิตต่อหน้าสำหรับ schema ที่มีฟิลด์ย่อยไม่เกิน 50 ฟิลด์ และ 19.5 เครดิตสำหรับ schema ที่ใหญ่กว่านั้น รวมค่าอ่านเอกสารแล้ว
ภาษาจีนกลาง แท็กอารมณ์ และตัวเลือกภาษา#
วันที่ 14 กันยายน Paxa TTS Flash เริ่มอ่านภาษาจีนกลางจากอักษรตัวย่อ เพิ่มจากภาษาไทยและอังกฤษ พร้อมเสียงใหม่หกเสียง ภาษาละสองเสียง
วันที่ 25 กันยายน เสียงทดลองสองเสียง คือขนมชั้นและกะเพรา เริ่มอ่านแท็กอารมณ์ที่เขียนไว้ในข้อความได้ มีแท็กให้ใช้ 26 คำ เช่น [happy] และ [furious] และใส่น้ำหนักอย่าง [sad:0.5] เพื่อกำหนดว่าอารมณ์นั้นจะชัดแค่ไหน ตอนนี้ชุดเสียงมีทั้งหมด 34 เสียง
วันที่ 1 ตุลาคม คำขอเสียงพูดทุกคำขอมีตัวเลือกภาษา เลือกภาษาที่ใช้เขียนข้อความ แล้วตัวเลข สัญลักษณ์ และรหัสอย่าง AB2039 จะอ่านตามแบบของภาษานั้น ค่าเริ่มต้นคืออัตโนมัติ ซึ่งดูภาษาจากตัวข้อความเอง
ช่วงต้นเดือนกันยายน WebSocket สตรีมมิงสดเพิ่มคำสั่ง cancel สำหรับหยุดเสียงกลางประโยค ผู้ช่วยเสียงจึงหยุดพูดได้ทันทีเมื่อผู้ใช้พูดแทรก
เครื่องมือสำหรับนักพัฒนาและเอเจนต์#
เซิร์ฟเวอร์ MCP @paxalabs/mcp ทำให้ Claude Code, Cursor และ MCP client อื่นเรียกใช้ API ในรูปแบบเครื่องมือได้ ทั้งพูดออกลำโพงของเครื่อง บันทึกเสียงเป็นไฟล์ แปลเป็นภาษาไทย และอ่านเอกสารด้วย OCR
ส่งความคิดเห็นผ่าน API ได้แล้ว POST /v1/feedback รายงานผลลัพธ์ที่ผิดหรือปัญหาของ API โดยผูกกับ request id ที่ระบุ และ GET /v1/feedback แสดงรายงานแต่ละรายการพร้อมสถานะและบันทึกจากทีมของเรา
เวลาจนได้เสียงแรก#
เวลาที่คำขอใช้จนส่งเสียงแรกกลับมา คือช่วงรอที่ผู้ฟังสังเกตได้ก่อนสิ่งอื่นใน voice agent หรือการตอบกลับแบบสด ผลการวัด API สาธารณะหนึ่งรอบจากสิงคโปร์และกรุงเทพฯ บันทึกค่านี้ไว้ พร้อมวันที่ ตำแหน่งของเครื่องที่ส่งคำขอ และรูปแบบคำขอ
เบนช์มาร์กอิสระ#
เบนช์มาร์ก text to speech หลายภาษาของ Speko ทดสอบ Paxa TTS Flash บนกระดานภาษาไทย Speko เป็นผู้ทดสอบเองและเผยแพร่วิธีวัดไว้คู่กับผลลัพธ์
ลองใช้ที่ราคาใหม่#
อัตราใหม่ใช้ได้กับทุกบัญชีแล้ว เครดิตฟรี 100 เครดิตของบัญชีใหม่แปลงเป็นเสียงพูดได้ 10,000 ตัวอักษร หรือประมาณ 16 นาทีของเสียงพูดภาษาไทย ทั้งในเครื่องมือเสียงพูดและผ่าน API หน้าราคารวมทุกอัตราและแพ็กเกจไว้ และบันทึกการเปลี่ยนแปลงระบุวันเปิดตัวของแต่ละฟีเจอร์