Voice Agent ต้องใช้ TTS API ที่เริ่มพูดได้ตั้งแต่ LLM ยังเขียนคำตอบไม่จบ และหยุดได้ทันทีเมื่อผู้โทรพูดแทรก Paxa TTS Flash v2, Deepgram Aura, Cartesia, Fish Audio, Botnoi Voice, Murf และ ElevenLabs ต่างมีการเชื่อมต่อแบบสตรีมมิงสำหรับงานนี้ระบุไว้ในเอกสาร ภาษาที่ผู้โทรใช้และรูปแบบเสียงที่ระบบโทรศัพท์ของคุณรับได้คือสิ่งที่ตัดรายชื่อให้สั้นลง
ข้อมูลของผู้ให้บริการทุกรายด้านล่างลิงก์ไปยังเอกสารของรายนั้นเอง ตามที่หน้าเปรียบเทียบของเราตรวจสอบไว้ บทความนี้ไม่ให้คะแนนและไม่จัดอันดับใคร ส่วนราคาที่แต่ละรายประกาศอยู่ในหน้าเปรียบเทียบนั้น
| บริการ | การเชื่อมต่อแบบสดตามเอกสาร | Timestamp และรูปแบบเสียงโทรศัพท์ | ภาษาที่เอกสารระบุ |
|---|---|---|---|
| Paxa TTS Flash v2 | WebSocket ที่รับข้อความทีละส่วนตามที่มาถึง และมีเฟรม cancel สำหรับการพูดแทรก | Timestamp ระดับคำ ประโยค หรือทั้งข้อความ และ G.711 μ-law กับ A-law ที่ 8 kHz | ไทย อังกฤษ และจีนกลาง ในทุกเสียง |
| Deepgram Aura | WebSocket ที่เก็บข้อความจากคำสั่ง Speak เข้าคิว แล้วส่งเสียงกลับหลัง Flush | linear16, mulaw และ alaw บน WebSocket | Aura-2 มี 7 ภาษา ยังไม่มีภาษาไทยและจีนกลาง |
| Cartesia | ปลายทาง WebSocket สำหรับสังเคราะห์เสียงแบบเรียลไทม์ | พารามิเตอร์ add_timestamps | Sonic 3.6 มี 44 ภาษา รวมภาษาไทย |
| Fish Audio | WebSocket ที่พักข้อความไว้จนมีบริบทพอ และมีอีเวนต์ flush | หน้าที่อ้างอิงไม่ได้ระบุ | S2 Pro ระบุภาษาไทยในกลุ่มภาษาที่เพิ่มเข้ามา |
| Botnoi Voice | WebSocket แบบเรียลไทม์ที่ส่งเสียงกลับเป็นช่วงในรูป base64 | เอกสาร API ไม่มีฟิลด์จังหวะเวลา | มากกว่า 20 ภาษา รวมไทย อังกฤษ และจีน |
| Murf | Falcon 2 โมเดลสตรีมมิงสำหรับ Conversational AI และ Voice Agent | ALAW และ ULAW โดยมี 8000 Hz ในรายการ sample rate | 35 ภาษา และมีหมวดภาษาไทยในคลังเสียง |
| ElevenLabs | เข้าถึงได้ทั้ง HTTP และ WebSocket | รูปแบบเอาต์พุต ulaw_8000 และ alaw_8000 | ภาษาไทยอยู่ใน Eleven v4, v4 Turbo, v3 และ v3 Conversational |
TTS API ตัวไหนสตรีมผ่าน WebSocket ให้ Voice Agent ได้#
คู่มือสตรีมมิงของ Deepgramอธิบาย WebSocket ที่เก็บข้อความจากคำสั่ง Speak เข้าคิว แล้วส่งเสียงกลับหลังคำสั่ง Flush เอกสาร API ของ Cartesiaมีปลายทาง WebSocket สำหรับสังเคราะห์เสียงแบบเรียลไทม์ ส่วนคู่มือสตรีมมิงของ Fish Audioอธิบาย WebSocket ที่พักข้อความไว้จนมีบริบทพอ และมีอีเวนต์ flush สำหรับสั่งให้สร้างเสียงทันที
เอกสาร API ของ Botnoi Voiceระบุ WebSocket แบบเรียลไทม์ที่ส่งเสียงกลับเป็นช่วงในรูป base64 ภาพรวม API ของ Murfระบุว่า Falcon 2 เป็นโมเดลสตรีมมิงสำหรับ Conversational AI และ Voice Agent แบบเรียลไทม์ และเอกสาร API ของ ElevenLabsเปิดให้เข้าถึงได้ทั้ง HTTP และ WebSocket
WebSocket แบบสดของ Paxa เปิดค้างไว้ตลอดบทสนทนา Agent ส่งข้อความเข้ามาทีละส่วนตามที่ LLM เขียน แล้วเฟรมเสียงจะกลับมาทันทีที่แต่ละส่วนพร้อม เฟรม flush สั่งให้พูดทุกอย่างที่ค้างอยู่เมื่อจบรอบพูด ส่วนเฟรม cancel หยุดคำตอบเมื่อผู้โทรพูดแทรก โดยการเชื่อมต่อยังเปิดรอรอบถัดไป
ภาษาไทยไม่มีเครื่องหมายจบประโยค เสียงที่รอจุดจบประโยคจึงต้องรอจนคำตอบครบ คู่มือการตัดประโยคภาษาไทยบอกว่าควรตัดคำตอบตรงไหน คำตอบที่มีครบอยู่แล้วไม่จำเป็นต้องใช้ WebSocket เพราะคำขอ HTTP แบบสตรีมส่งเสียงกลับเป็นช่วงได้เหมือนกัน และคู่มือ latencyอธิบายว่าแบบไหนได้เสียงแรกเร็วกว่าในกรณีใด ส่วนAI Voice Agent คืออะไรเล่าขั้นตอนการฟังและการคิดที่อยู่รอบเสียงพูด
TTS API ตัวไหนใช้เสียงเดียวพูดได้หลายภาษา#
ทุกเสียงของ Paxa TTS Flash v2 พูดภาษาไทย อังกฤษ และจีนกลางได้ รวมถึงชื่อสินค้าภาษาอังกฤษที่อยู่กลางประโยคไทย Agent จึงใช้เสียงเดิมต่อได้เมื่อผู้โทรเปลี่ยนภาษากลางสาย ฟังทั้ง 50 เสียงได้ที่หน้าเสียง
รายการภาษาต่างกันไปตามผู้ให้บริการและตามโมเดล เสียง Aura ของ Deepgram ครอบคลุม 7 ภาษา ซึ่งยังไม่มีทั้งภาษาไทยและจีนกลาง Cartesia ระบุภาษาไทยไว้ใน 44 ภาษาของ Sonic 3.6 หน้าโมเดลของ ElevenLabsระบุภาษาไทยไว้สำหรับ Eleven v4, Eleven v4 Turbo, Eleven v3 และ Eleven v3 Conversational API ของ MiniMax แยกไทย อังกฤษ จีน และกวางตุ้งเป็นค่าภาษาคนละค่า และ Gemini-TTS ระบุภาษาไทยเป็น generally available ส่วนจีนกลางยังเป็น Preview
รายการภาษาบอกได้แค่ว่าบริการนั้นรับข้อความภาษานั้น ส่วนเสียงเดียวกันจะฟังเป็นคนเดิมในทุกภาษาหรือไม่ ต้องลองฟังจากสคริปต์ของคุณเอง คู่มือเลือก Text to Speech ภาษาไทยและคู่มือเลือก Text to Speech ภาษาจีนไล่ให้ดูทีละงาน
API ตัวไหนคืน Timestamp ระดับคำสำหรับซับและการพูดแทรก#
Agent ที่แสดงซับสด หรือต้องรู้ว่าผู้โทรได้ยินถึงคำไหนก่อนพูดแทรก ต้องได้จังหวะเวลามาพร้อมเสียง Paxa TTS Flash v2 คืน Timestamp ระดับคำ ประโยค หรือทั้งข้อความทั้งบนคำขอ HTTP และบนการเชื่อมต่อแบบสด ซึ่งช่วงเวลาจะมาเป็นอีเวนต์คู่กับเฟรมเสียง ภาษาไทยเขียนติดกันโดยไม่เว้นวรรค และช่วงระดับคำจะตัดข้อความออกเป็นคำให้
API ของ Cartesia มีพารามิเตอร์ add_timestamps Speech SDK ของ Microsoft ส่งอีเวนต์ WordBoundary ที่ทุกคำพร้อมตำแหน่งเวลาในเสียง ส่วนเอกสาร API ของ Botnoi Voice ไม่มีฟิลด์จังหวะเวลา คู่มือ Timestamp ระดับคำอธิบายว่าช่วงเวลาเหล่านี้เอาไปใช้ทำอะไรได้บ้าง
โค้ดที่เขียนไว้สำหรับเอนด์พอยต์เสียงของ OpenAI เรียกเอนด์พอยต์ที่เข้ากันได้ของ Paxaได้ด้วยการเปลี่ยน base URL และคีย์ ส่วน Timestamp ระดับคำมีให้บนเอนด์พอยต์เสียงของ Paxa เองและบนการเชื่อมต่อแบบสด โดยใช้คีย์เดียวกัน
API ตัวไหนส่งเสียงที่สายโทรศัพท์เล่นได้เลย#
ระบบโทรศัพท์ส่งเสียงเป็น μ-law หรือ A-law ที่ 8 kHz Paxa TTS Flash v2 คืนทั้งสองรูปแบบได้โดยตรง ทั้งบน HTTP และบนการเชื่อมต่อแบบสด เสียงจึงเข้าระบบโทรศัพท์ได้โดยไม่ต้องแปลง sample rate ก่อน สำหรับแอปและเบราว์เซอร์ยังมี MP3, Opus, WAV และ PCM ดิบที่ 8 ถึง 48 kHz
การตั้งค่าเอาต์พุตของ Deepgramระบุ linear16, mulaw และ alaw สำหรับ WebSocket สตรีมมิง เอกสารอ้างอิงของ ElevenLabsระบุ ulaw_8000 กับ alaw_8000 และหมายเหตุว่า μ-law นิยมใช้กับเสียงขาเข้าของ Twilio Murf ระบุเอาต์พุต ALAW และ ULAW โดยมี 8000 Hz ในรายการ sample rate และคลังเสียงของ Murfมีหมวดภาษาไทย
ส่งคำขอซ้ำอย่างไรไม่ให้เสียเงินกับเสียงเดิมสองครั้ง#
เมื่อคำขอหมดเวลา ฝั่งไคลเอนต์ไม่รู้ว่าคำขอนั้นทำงานไปแล้วหรือยัง บนเอนด์พอยต์เสียงแบบ HTTP ของ Paxa ให้แนบเฮดเดอร์ Idempotency-Key ไปกับทุกคำขอ การส่งซ้ำด้วยคีย์เดิมและข้อความเดิมทุกตัวอักษรจะได้ผลลัพธ์จากบันทึกของครั้งแรก และคิดเครดิตครั้งเดียว
ตั้งคีย์จากสิ่งที่ Agent มีอยู่แล้ว เช่นรหัสสายกับลำดับรอบพูด สำหรับลิมิตอัตราคำขอ ให้อ่านเวลารอที่ API ส่งกลับมา แล้วรอตามนั้นก่อนส่งใหม่
หนึ่งรอบพูดราคาเท่าไร#
Paxa TTS Flash v2 คิดราคาตามตัวอักษร ที่ 10 เครดิตต่อ 1,000 ตัวอักษร หรือ $10 ต่อหนึ่งล้านตัวอักษร คำตอบยาว 200 ตัวอักษรใช้ 2 เครดิต ประมาณ $0.002 เมื่อเปิด Timestamp อัตราจะเป็น 1.25 เท่า และคำตอบเดียวกันใช้ 2.5 เครดิต ประมาณ $0.0025
บัญชีใหม่ได้เครดิตฟรี 100 เครดิตโดยไม่ต้องผูกบัตร สำหรับงานส่วนตัวและการทดลอง ผู้ให้บริการแต่ละรายคิดราคาตามตัวอักษร ตามนาที หรือตามแพลน และหน้าเปรียบเทียบรวมราคาที่แต่ละรายประกาศไว้พร้อมแหล่งที่มา
เมื่อไรบริการอื่นเหมาะกว่า#
Paxa Labs ไม่มีบริการโคลนเสียง และ Paxa TTS Flash v2 พูดได้สามภาษา Agent ที่ต้องพูดภาษาสเปน เยอรมัน ฝรั่งเศส ดัตช์ อิตาลี หรือญี่ปุ่น ใช้ Aura-2 ของ Deepgram ได้ครบ Agent ที่ต้องใช้เสียงโคลนของผู้พูดคนใดคนหนึ่ง ควรดูผู้ให้บริการที่มีการโคลนเสียงระบุไว้ในเอกสาร ซึ่งคู่มือเลือก Text to Speech ภาษาไทยรวมไว้ให้ และผลิตภัณฑ์ที่สร้างบนโปรโตคอล WebSocket ของรายใดไปแล้ว ก็มีต้นทุนการย้ายที่ต้องนับด้วย
อ่านหรือลองอะไรต่อดี#
- ดูการเชื่อมต่อแบบสดที่หน้า TTS เรียลไทม์ และดูผลิตภัณฑ์ที่หน้า Text to Speech
- ฟังคำตอบด้วยเสียงของ Agent ในเครื่องมือเสียงพูด
- ต่อเข้ากับเฟรมเวิร์กของ Agent ผ่านหน้า LiveKit หรือ API ที่เข้ากันได้กับ OpenAI
- อ่านคู่มือการเชื่อมต่อแบบสด คู่มือ latency และคู่มือ Idempotency
- เทียบราคาที่ประกาศไว้ที่หน้าเปรียบเทียบ API Text to Speech
- ดูว่าทีมต่าง ๆ สร้างกันอย่างไรที่หน้า Voice Agent
- สำหรับฝั่งการฟัง อ่านการถอดเสียงแบบเรียลไทม์กับแบบไฟล์ และคู่มือ Speech to Text สำหรับเสียงหลายภาษา
คำถามที่พบบ่อย#
TTS API ตัวไหนดีที่สุดสำหรับ Voice Agent#
ตัวที่พูดภาษาของผู้โทรได้ ผ่านการเชื่อมต่อที่ระบบของคุณรองรับ Paxa TTS Flash v2 เหมาะกับ Agent ที่พูดภาษาไทย อังกฤษ หรือจีนกลางด้วยเสียงเดียว ทั้งผ่าน WebSocket และสายโทรศัพท์ ส่วน Deepgram Aura, Cartesia, Fish Audio, Botnoi Voice, Murf และ ElevenLabs ก็มีการเชื่อมต่อแบบสตรีมมิงระบุไว้ในเอกสารเช่นกัน ลองสองหรือสามรายกับสคริปต์ของคุณเอง
Voicebot ภาษาไทยควรใช้เสียง AI แบบไหน#
ใช้เสียงที่อ่านตัวเลข วันที่ และคำภาษาอังกฤษในประโยคไทยได้ถูกต้อง และส่งเสียงออกมาในรูปแบบที่ระบบโทรศัพท์รับได้ คู่มือเลือกเสียง AI ภาษาไทยช่วยเลือกเสียงให้เข้ากับงาน และหน้า Call Centerแสดงการใช้งานบนสายจริง
Voice AI แบบ Speech to Speech เรียลไทม์คืออะไร#
คือระบบที่ฟังคนพูดแล้วตอบกลับเป็นเสียงภายในบทสนทนาเดียวกัน ส่วนใหญ่ประกอบจากสามส่วน Speech to Text เขียนสิ่งที่ผู้โทรพูด LLM เขียนคำตอบ แล้ว Text to Speech พูดคำตอบนั้นออกมา ส่วน Text to Speech เป็นตัวกำหนดว่าผู้โทรจะได้ยินคำแรกเร็วแค่ไหน
TTS API ตัวไหนถูกที่สุด#
ขึ้นอยู่กับหน่วยที่แต่ละรายใช้คิดราคาและปริมาณที่คุณส่ง Paxa TTS Flash v2 ราคา $10 ต่อหนึ่งล้านตัวอักษรในทุกแพลน หน้าเปรียบเทียบแปลงราคาที่แต่ละรายประกาศให้เป็นหน่วยเดียวกัน พร้อมแหล่งที่มา
ทดสอบ Voice Agent ภาษาไทยอย่างไร#
เขียนคำตอบที่ Agent ใช้จริง ให้มีจำนวนเงินเป็นบาท วันที่ เบอร์โทรศัพท์ และชื่อแบรนด์ภาษาอังกฤษ แล้วฟังผ่านหูโทรศัพท์ เพราะผู้โทรได้ยินจากตรงนั้น ตรวจด้วยว่า Agent สั่ง flush ทุกครั้งที่จบรอบพูด เพราะภาษาไทยไม่มีจุดจบประโยค คู่มือการตัดประโยคภาษาไทยบอกตำแหน่งที่ควรตัด