รูปภาพเพื่อช่วยให้เข้าใจบทความ
กูเกิลเปิดตัว Gemini 3.8 Flash TTS และ Gemini 3.8 Flash-Lite TTS เมื่อวันที่ 23 กันยายน 2026 ตามเวลาท้องถิ่น โดยชูความสามารถด้านการปรับแต่งเสียงและถ่ายทอดสำเนียง พร้อมเริ่มให้บริการผ่าน Gemini API และ Google AI Studio
รองรับเสียงสำเร็จรูปกว่า 2,000 แบบ
โมเดลใหม่ใช้รหัส gemini-3.8-flash-tts และ gemini-3.8-flash-lite-tts ส่วนการให้บริการผ่าน API ของ Gemini Enterprise จะเปิดในภายหลัง ผู้ใช้ทุกคนสามารถเข้าถึง Gemini 3.8 Flash TTS ผ่าน Gemini Notebook ขณะที่ Flash-Lite TTS เปิดให้ใช้ผ่าน Google Vids
The Next Web รายงานว่าโมเดลทั้งสองรองรับภาษาและภาษาถิ่นมากกว่า 100 รูปแบบ รวมถึงเสียงสำเร็จรูปกว่า 2,000 แบบ โดย Gemini 3.8 Flash TTS สามารถโคลนเสียงจากตัวอย่างความยาว 30 วินาที หลังผ่านกระบวนการยืนยันความยินยอม อย่างไรก็ตาม ฟังก์ชันโคลนเสียงผ่าน Google AI Studio ยังไม่เปิดให้บริการในรัฐอิลลินอยส์ รัฐเทกซัส เขตเศรษฐกิจยุโรป สหราชอาณาจักร สวิตเซอร์แลนด์ และอินเดีย
เสียงทั้งหมดที่สร้างด้วยโมเดล Gemini Audio จะมีลายน้ำ SynthID เพื่อระบุว่าเป็นเสียงจากปัญญาประดิษฐ์ ส่วนเสียงที่ผ่านการโคลนจะมีข้อมูลรับรองเนื้อหาตามมาตรฐาน C2PA เพิ่มเติม ขณะที่ RuntimeWire ระบุว่า ณ วันเปิดตัว กูเกิลยังไม่ได้เปิดเผยรายละเอียดของขั้นตอนตรวจสอบความยินยอม ตลอดจนตัวเลขด้านความหน่วงและปริมาณการใช้งาน และยังไม่มีการตรวจสอบอย่างเป็นอิสระ
ผลประเมินจากกูเกิลต่างจากตารางจัดอันดับอิสระ
กูเกิลระบุว่า Gemini 3.8 Flash TTS ได้คะแนนรวม 71.4 เป็นอันดับ 1 ใน Voice Design Benchmark ของ Hume AI และได้คะแนนด้านการจำลองสำเนียง 60.8 เป็นอันดับ 1 เช่นกัน ส่วน Overall Quality Index ของ Hume AI จัดให้ Flash TTS และ Flash-Lite TTS อยู่ในอันดับ 1 และ 2 ตามลำดับ
ในการประเมินความนิยมแบบไม่เปิดเผยชื่อโมเดลของ Voice Arena ผลงานทั้งสองรุ่นติดกลุ่มบนเมื่อเทียบกับคู่แข่งในภาษาญี่ปุ่น โปรตุเกสแบบบราซิล เวียดนาม อาหรับมาตรฐานสมัยใหม่ สเปนแบบเม็กซิโก และฮินดี
อย่างไรก็ดี RuntimeWire ตั้งข้อสังเกตว่าผลจาก Hume Benchmark เป็นข้อมูลที่กูเกิลประกาศเอง จึงยังไม่เพียงพอที่จะใช้ชี้ขาดการเปรียบเทียบระหว่างผลิตภัณฑ์ พร้อมรายงานว่า Alan Cowen อดีตประธานเจ้าหน้าที่บริหารของ Hume AI ซึ่งปัจจุบันเป็นผู้อำนวยการฝ่ายวิทยาศาสตร์วิจัยของ Google DeepMind และ Leland Rechis มีส่วนร่วมในการเปิดตัวครั้งนี้
สำหรับตาราง Provider Voice ของ Artificial Analysis ซึ่งเป็นการประเมินอิสระ Gemini 3.8 Flash TTS อยู่ในอันดับ 2 ด้วยคะแนน Elo 1,260 และช่วงความเชื่อมั่น 95% ที่ -17/17 ส่วน Flash-Lite TTS อยู่ในอันดับ 6 ด้วยคะแนน Elo 1,235 และช่วงความเชื่อมั่น -16/16 ขณะที่ Cartesia Sonic 3.6 ครองอันดับ 1 จากตัวอย่าง 1,757 รายการและคะแนน Elo 1,273
Alibaba Qwen-Audio-3.0-TTS-Plus อยู่ในอันดับ 3 ที่ 1,259 คะแนน ตามด้วย Inworld Realtime TTS-2 ที่ 1,245 คะแนน ส่วน ElevenLabs v3 Conversational อยู่ในอันดับ 12 ด้วยคะแนน 1,196 และช่วงความเชื่อมั่น -15/15
เด่นด้านการออกเสียง แต่คะแนนกลุ่มนำสูสี
Gemini 3.8 Flash TTS ได้อันดับ 1 ใน Artificial Analysis Pronunciation Robustness Benchmark ด้วยคะแนน 89.5% สูงกว่า Gemini 3.1 Flash TTS รุ่นก่อนหน้าที่ได้ 88.2%
OrcaRouter ชี้ว่าใน Provider Voice Arena ของ Artificial Analysis โมเดลใหม่ของกูเกิลได้คะแนน Elo 1,260 จากตัวอย่าง 1,999 รายการ ขณะที่ Qwen-Audio-3.0-TTS-Plus ได้ 1,259 คะแนนจากตัวอย่าง 1,447 รายการ ต่างกันเพียง 1 คะแนน และเมื่อพิจารณาช่วงความเชื่อมั่นที่ค่อนข้างกว้าง โมเดลสามอันดับแรกยังถือว่าอยู่ในช่วงคะแนนเดียวกัน
เปิดใช้ฟรีถึงสิ้นปี 2026
บริการระดับมาตรฐานของทั้งสองโมเดลเปิดให้ใช้ฟรีจนถึงวันที่ 31 ธันวาคม 2026 ก่อนเริ่มคิดค่าบริการตั้งแต่วันที่ 1 มกราคม 2027 โดย Gemini 3.8 Flash TTS จะคิดค่าอินพุต 1 ดอลลาร์สหรัฐ ค่าเอาต์พุตเสียง 18 ดอลลาร์ และค่าจัดเก็บบริบทในแคช 0.25 ดอลลาร์ต่อ 1 ล้านโทเคน ส่วน Flash-Lite TTS คิดค่าอินพุต 1 ดอลลาร์และค่าเอาต์พุตเสียง 12 ดอลลาร์ต่อ 1 ล้านโทเคน
สำหรับแพ็กเกจ Batch & Flex ค่าใช้จ่ายของ Flash TTS อยู่ที่ 0.25-0.50 ดอลลาร์สำหรับอินพุต และ 4.50-9.00 ดอลลาร์สำหรับเอาต์พุตต่อ 1 ล้านโทเคน ส่วน Flash-Lite TTS อยู่ที่ 0.25-0.50 ดอลลาร์สำหรับอินพุต และ 3.00-6.00 ดอลลาร์สำหรับเอาต์พุต
บริการระดับ Priority เปิดใช้ฟรีตลอดปี 2026 เช่นกัน หลังจากนั้น Flash TTS จะคิดค่าอินพุต 1.80 ดอลลาร์และเอาต์พุต 32.40 ดอลลาร์ต่อ 1 ล้านโทเคน ขณะที่ Flash-Lite TTS คิดค่าอินพุต 1.80 ดอลลาร์และเอาต์พุต 21.60 ดอลลาร์
ความคิดเห็น
แสดงความคิดเห็น