สังเคราะห์เสียงพูดภาษาไทย ภาษาที่มีวรรณยุกต์ห้าเสียง
การสังเคราะห์เสียงพูด Text to Speech และ TTS เป็นชื่อของงานเดียวกัน ส่วนเสียงสังเคราะห์คือสิ่งที่งานนี้สร้างออกมา ในภาษาไทย งานนี้ต้องรับมือกับคุณสมบัติสี่ข้อของภาษา
การสังเคราะห์เสียงพูดเปลี่ยนข้อความให้เป็นเสียงอ่าน ทุกระบบต้องตอบคำถามสองข้อเหมือนกัน คือข้อความนี้มีคำอะไรบ้าง และแต่ละคำควรออกเสียงอย่างไร ในภาษาอังกฤษ ตัวข้อความตอบข้อแรกไว้เกือบหมดแล้ว เพราะช่องว่างบอกว่าคำหนึ่งจบตรงไหน
ภาษาไทยปล่อยทั้งสองข้อให้ผู้อ่านตัดสินมากกว่า คำเขียนติดกัน วรรณยุกต์เป็นส่วนหนึ่งของทุกคำ ตัวเลขพิมพ์แบบหนึ่งแต่อ่านอีกแบบ และประโยคไทยธรรมดามีภาษาอังกฤษอยู่ข้างใน แต่ละข้อคือจุดที่ประโยคไทยอาจถูกอ่านผิดได้
ชื่อเรียกของมัน#
ชื่อเหล่านี้ปรากฏทั้งในหน้าสินค้า งานวิจัย และเอกสาร API บางครั้งหมายถึงสิ่งเดียวกัน บางครั้งหมายถึงส่วนหนึ่งของมัน
- การสังเคราะห์เสียงพูด
- เรียกอีกอย่างว่า speech synthesis, สังเคราะห์เสียง
- ชื่อของสาขาวิชา และเป็นคำที่งานวิจัยใช้ ระบบสังเคราะห์เสียงพูดรับข้อความเข้าไป แล้วคืนเสียงอ่านข้อความนั้นออกมา
- แปลงข้อความเป็นเสียง
- เรียกอีกอย่างว่า Text to Speech, TTS, อ่านออกเสียง
- ชื่อทางผลิตภัณฑ์ของสิ่งเดียวกัน API ที่เรียกตัวเองว่า Text to Speech กับที่เรียกว่าการสังเคราะห์เสียงพูดทำงานอย่างเดียวกัน
- เสียงสังเคราะห์
- เรียกอีกอย่างว่า synthetic speech, เสียง AI
- ผลลัพธ์ของงานนี้ คือเสียงพูดที่ระบบสร้างจากข้อความ ในการใช้งานทั่วไป เสียง AI ก็หมายถึงสิ่งเดียวกัน
- เสียง
- เรียกอีกอย่างว่า voice, ผู้พูด
- ผู้พูดหนึ่งคนที่ระบบใช้อ่าน เลือกด้วยชื่อหรือรหัสที่ไม่เปลี่ยน เสียงในแค็ตตาล็อกคือผู้พูดตายตัวที่ผลิตภัณฑ์เปิดให้ทุกบัญชีใช้
- คำกำกับ
- เรียกอีกอย่างว่า direction, แท็กคำกำกับ
- ข้อความในวงเล็บเหลี่ยมที่เขียนแทรกไว้ในประโยค บอกว่าควรออกเสียงอย่างไร เช่น [กระซิบ] หรือ [ตื่นเต้น]
- เวลาระดับคำ
- เรียกอีกอย่างว่า word timestamps, Timestamp
- วินาทีเริ่มและวินาทีจบของทุกคำในเสียง คำบรรยายและเครื่องเล่นแบบอ่านตามสร้างจากสิ่งนี้
- การโคลนเสียง
- เรียกอีกอย่างว่า voice cloning, โคลนเสียง
- การสร้างเสียงใหม่จากไฟล์บันทึกเสียงของคนคนหนึ่ง ซึ่งต้องได้รับความยินยอมจากคนคนนั้น
ภาษาไทยขออะไรจากเสียงที่อ่าน#
คุณสมบัติสี่ข้อของภาษา แต่ละข้อคือจุดที่ประโยคไทยอาจถูกอ่านผิด
วรรณยุกต์เป็นส่วนหนึ่งของคำไทย ประโยคที่อ่านผิดวรรณยุกต์จึงกลายเป็นคำอื่น
นี่เป็นข้อเท็จจริงของภาษา และเป็นจริงกับคนที่อ่านออกเสียงพอ ๆ กับระบบ
วรรณยุกต์ห้าเสียง
ภาษาไทยมีวรรณยุกต์ห้าเสียง คือ สามัญ เอก โท ตรี และจัตวา และมีรูปวรรณยุกต์สี่รูปเขียนไว้เหนือพยัญชนะ วรรณยุกต์เป็นของคำ ปา คือขว้าง ป่า คือที่ที่มีต้นไม้ขึ้น และ ป้า คือพี่สาวของพ่อหรือแม่
ที่มา:Royal Institute Dictionary(เปิดในแท็บใหม่)JIPA (1993)(เปิดในแท็บใหม่)
คำเขียนติดกัน
ภาษาไทยเว้นวรรคที่จบวลีและจบประโยค และโดยทั่วไปไม่เว้นระหว่างคำ ผู้อ่านต้องหาคำให้เจอก่อนจะออกเสียง และจุดจบของคำเป็นการตัดสินใจที่ข้อความไม่ได้ทำเครื่องหมายไว้
ที่มา:arXiv (2026)(เปิดในแท็บใหม่)SNLP (2007)(เปิดในแท็บใหม่)
ตัวเลขต้องอ่านเป็นคำ
ภาษาไทยพิมพ์จำนวนเป็นตัวเลขและสัญลักษณ์ แต่ผู้อ่านพูดออกมาเป็นคำ 10150 อ่านทีละหลักหรืออ่านเป็นจำนวนก็ได้ 6-7 อาจหมายถึงช่วงหรือการลบ ส่วน ๆ ให้อ่านคำหรือวลีข้างหน้าซ้ำ โดยบริบทเป็นตัวบอกว่าต้องซ้ำส่วนไหน
ที่มา:arXiv (2026)(เปิดในแท็บใหม่)Royal Institute Dictionary(เปิดในแท็บใหม่)
ภาษาอังกฤษโผล่กลางประโยค
คนไทยเรียกชื่อแบรนด์ ชื่อสินค้า หรือศัพท์เทคนิคเป็นภาษาอังกฤษโดยไม่เปลี่ยนประโยค บรรทัดเดียวจึงมีสองระบบเขียน และผู้อ่านต้องอ่านต่อเนื่องข้ามทั้งสองระบบ
ที่มา:HASSS (2023)(เปิดในแท็บใหม่)Manusya (2003)(เปิดในแท็บใหม่)
คำขอเสียงพูดภาษาไทยควรมีอะไรบ้าง#
สี่สิ่งที่คำขอเสียงพูดระบุได้ และแต่ละอย่างเปลี่ยนอะไรเมื่อเสียงเข้าไปอยู่ในผลิตภัณฑ์แล้ว
เสียงหนึ่งเสียงจากแค็ตตาล็อก
voiceรหัสที่ไม่เปลี่ยน เช่น nomyen รหัสเดิมได้ผู้พูดคนเดิมทุกคำขอ และทุกเสียงของ Paxa TTS Flash v2 อ่านได้ทั้งภาษาไทย อังกฤษ และจีนกลาง
วิธีอ่านตัวเลขและรหัส
languageคำอ่านตามภาษาของระบบเขียนที่ใช้ ตั้ง th หรือ en เพื่อเลือกว่าตัวเลขสั้น ๆ หรือรหัสอย่าง AB2039 จะอ่านแบบไหน
คำกำกับในวงเล็บเหลี่ยม
textเขียนว่าประโยคควรออกเสียงอย่างไรไว้ตรงจุดที่ต้องการให้เริ่ม เป็นภาษาไทย อังกฤษ หรือจีนก็ได้ เช่น [ตื่นเต้น] [whispering] หรือ [沉稳地]
เวลาของแต่ละคำ
timestampsขอความละเอียดระดับคำ แล้วทุกคำในเสียงจะกลับมาพร้อมวินาทีเริ่มและวินาทีจบ สำหรับทำคำบรรยายและเครื่องเล่นแบบอ่านตาม
Paxa TTS Flash v2 รับได้ครบทั้งสี่อย่าง คำขอหนึ่งครั้งอ่านได้สูงสุด 5,000 ตัวอักษร เป็นภาษาไทย อังกฤษ จีนกลาง หรือปนกันก็ได้
คำถามที่พบบ่อย#
การสังเคราะห์เสียงพูดกับ Text to Speech เหมือนกันไหม
เหมือนกัน การสังเคราะห์เสียงพูดเป็นชื่อทางงานวิจัย ส่วน Text to Speech เป็นชื่อทางผลิตภัณฑ์ บทความ Text to Speech อธิบายว่าคนนำไปใช้ทำอะไรบ้าง
เสียงสังเคราะห์ คืออะไร
คือเสียงพูดที่ระบบสร้างขึ้นจากข้อความ พจนานุกรมฉบับราชบัณฑิตยสถานให้ความหมายของ สังเคราะห์ ไว้สองข้อ คือ ทำให้ธาตุมีปฏิกิริยาเคมีกันเป็นสารประกอบ หรือทำให้สารประกอบมีปฏิกิริยาเคมีกันเป็นสารประกอบอื่น และ ที่สร้างขึ้นโดยกรรมวิธีทางเคมี เช่น ใยสังเคราะห์ โดยเทียบทั้งสองข้อกับคำอังกฤษ synthesise
ทำไมวรรณยุกต์สำคัญกับเสียงภาษาไทย
เพราะวรรณยุกต์เป็นส่วนหนึ่งของคำ ป่า ที่อ่านด้วยวรรณยุกต์ของ ป้า จะได้ยินเป็นคุณป้า ทั้งที่ข้อความเขียนถึงป่า และผู้ฟังได้ยินคำผิดทั้งที่ส่วนอื่นของประโยคถูกหมด
การสังเคราะห์เสียงพูดกลับด้านกับการรู้จำเสียงพูดไหม
ใช่ การรู้จำเสียงพูดเปลี่ยนไฟล์เสียงเป็นข้อความ และหน้า ASR ภาษาไทยอธิบายว่าภาษาไทยขออะไรจากงานนั้น
ประโยคไทยที่มีคำภาษาอังกฤษ อ่านคำอังกฤษได้ไหม
อ่านตามที่เขียน ประโยคไทยที่เรียกชื่อแบรนด์หรือศัพท์เป็นภาษาอังกฤษจะคงคำนั้นเป็นภาษาอังกฤษ และเสียงเดียวอ่านได้ทั้งประโยค
ลองฟังโดยไม่เขียนโค้ดได้ไหม
เข้าสู่ระบบแล้วพิมพ์ประโยคในเครื่องมือเสียงพูดของ Console บัญชีใหม่ได้เครดิตฟรี 100 เครดิต เท่ากับเสียงพูดภาษาไทยประมาณ 16 นาที สำหรับใช้งานส่วนตัวและทดลองใช้
ลองฟังกับข้อความของคุณเอง
พิมพ์ประโยคไทยที่มีตัวเลข คำที่ต่างกันแค่วรรณยุกต์ และคำภาษาอังกฤษ แล้วฟังว่าเสียงอ่านออกมาอย่างไร บัญชีใหม่เริ่มด้วยเครดิตฟรีโดยไม่ต้องผูกบัตร