เริ่มจากลักษณะงาน ไม่ใช่คะแนนเดียว
โมเดลแปลงข้อความเป็นเสียงคือระบบที่รับข้อความแล้วสร้างเสียงพูดสังเคราะห์ โดยแต่ละรุ่นต่างกันทั้งความเป็นธรรมชาติ การออกเสียง การกำกับการแสดง ความเร็ว วิธีเชื่อมต่อ และทรัพยากรที่ต้องใช้ จึงควรเลือกจากงานปลายทางมากกว่าดูคะแนนรวมเพียงตัวเดียว ถ้าต้องการสร้างเสียงจำนวนมากผ่าน API โดยไม่ดูแลเครื่องเอง AssemblyAI-TTS-1 น่าเริ่มพิจารณา ส่วน Breeze TTS 2 เหมาะกับการออกแบบอัตลักษณ์เสียงและสั่งน้ำเสียงด้วยคำบรรยาย แต่มีข้อจำกัดด้านใบอนุญาตเมื่อใช้เวตที่ดาวน์โหลดมา สำหรับงานพากย์หลายตัวละคร Drama 3 ให้อิสระในการกำกับสูง แลกกับการ์ดจอระดับสูง ขณะที่ Inworld Realtime TTS-2 เด่นเมื่อเสียงต้องปรับตามบริบทบทสนทนา ส่วน Eleven v4 เป็นตัวเลือกที่ปลอดภัยกว่าสำหรับผู้ให้ความสำคัญกับคะแนนความชอบของผู้ฟัง การเปรียบเทียบโมเดล TTS จึงต้องถามด้วยว่าเสียงจะถูกเรียกผ่านบริการ หรือจะติดตั้งและดูแลเอง
ตัวเลขในตารางเป็นผลประเมินและข้อกำหนดตามข้อมูลที่ตรวจสอบ ณ วันที่ 30 ตุลาคม 2026 ส่วนคะแนนอารีนาของแต่ละงานสะท้อนคนละโจทย์ จึงไม่ควรนำมาเรียงเป็นผู้ชนะเพียงชุดเดียว
| โมเดล | คะแนนเสียงผู้ให้บริการ | คะแนนเสียงควบคุม | จุดเด่นและข้อแลกเปลี่ยน |
|---|---|---|---|
| AssemblyAI-TTS-1 | 1,227 | 1,108 | API โฮสต์, 162 ตัวอักษรต่อวินาที, เสียงกว่า 4,000 แบบ, รองรับ 6 ภาษา |
| Breeze TTS 2 | 1,228 | 1,021 | เวต 3 พันล้านพารามิเตอร์, ต้องใช้ VRAM ราว 6 GB, เสียงออกแบบได้, ใบอนุญาตเวตไม่ใช่เชิงพาณิชย์ |
| Fish Audio Drama 3 | 1,278 | 1,085 | เวตแบบ MoE 35 พันล้านพารามิเตอร์, ต้องใช้ VRAM ราว 48 GB, ควบคุมฉากและหลายผู้พูดได้ |
| Inworld Realtime TTS-2 | 1,267 | ข้อมูลคะแนนไม่ระบุในแหล่งข้อมูล | API สำหรับเสียงโต้ตอบ เน้นปรับน้ำเสียงจากบริบทก่อนหน้า |
| Eleven v4 | 1,334 | 1,156 | นำคะแนนอารีน่าทั้งสองเมื่อเทียบกับ Drama 3 แต่คะแนนการออกเสียงต่ำกว่า |
คะแนนใกล้กัน แต่ผลลัพธ์ของเสียงควบคุมต่างกัน
AssemblyAI-TTS-1 กับ Breeze TTS 2 แทบเสมอกันเมื่อใช้เสียงประจำบริการ: 1,227 ต่อ 1,228 Elo ต่างกันเพียงคะแนนเดียว แต่เมื่อทดสอบด้วยเสียงโคลนชุดเดียวกัน AssemblyAI ได้ 1,108 ส่วน Breeze ได้ 1,021 คะแนน ห่างกัน 87 คะแนน นี่เป็นเหตุผลว่าทำไมคุณภาพเสียง AI ที่ฟังดีจากเสียงสำเร็จรูป ไม่ได้แปลว่าจะรักษาคุณภาพได้เท่ากันเมื่อเปลี่ยนไปใช้เสียงที่กำหนดเอง จุดต่างด้านการใช้งานชัดพอ ๆ กับคะแนน AssemblyAI คิดค่าบริการตามอักขระที่ป้อน และรวมเสียงจากคลัง การโคลนทันที การประทับเวลาแต่ละคำกับงานที่รองรับ และการประมวลผลในสหรัฐฯ หรือสหภาพยุโรปไว้ในบริการเดียว ทั้งยังทำงานพร้อมกันได้โดยไม่มีเพดานตามข้อมูลที่ระบุ จุดนี้เหมาะกับเอเจนต์ปริมาณสูงที่อ่านข้อมูลแบบมีโครงสร้างและต้องการความเร็ว โดยผลทดสอบวัดได้ 162 ตัวอักษรต่อวินาที เทียบกับ Breeze ราว 45 ตัวอักษรต่อวินาที
อย่างไรก็ดี หากงานขึ้นกับเสียงตัวละครที่ออกแบบเฉพาะ Breeze มีข้อได้เปรียบด้านเครื่องมือ: บรรยายบุคลิกเสียงด้วยภาษาธรรมชาติ แล้วกำกับให้กระซิบหรือพูดเร็วได้โดยคงตัวตนผู้พูดเดิม พร้อมคลัง Voice Galaxy มากกว่า 15,000 เสียง โมเดลยังกล่าวอ้างว่ารองรับ 50 ภาษา เทียบกับ 6 ภาษาของ AssemblyAI แต่ควรตรวจสอบผลกับภาษาจริงที่ต้องใช้ก่อนตัดสินใจ ข้อแลกเปลี่ยนสำคัญคือเวต Breeze เผยแพร่ภายใต้เงื่อนไขเพื่อการวิจัยและไม่ใช่เชิงพาณิชย์ จึงไม่ควรตีความคำว่า open weights ว่านำไปโฮสต์เพื่อธุรกิจได้โดยอัตโนมัติ หากต้องการใช้งานผ่านบริการโฮสต์ก็เป็นอีกทางเลือก แต่ต้นทุนการใช้งานและสิทธิ์การใช้งานต้องตรวจตามเงื่อนไขที่เกี่ยวข้อง

Drama 3 ให้การแสดงละเอียด แต่ต้องมีเครื่องพร้อม
Fish Audio Drama 3 นำ Breeze TTS 2 อยู่ 50 Elo ในคะแนนเสียงผู้ให้บริการ แต่ความต่างด้านฮาร์ดแวร์อาจสำคัญกว่าอันดับ: Drama 3 เป็นโมเดล MoE ขนาด 35 พันล้านพารามิเตอร์และต้องใช้ VRAM 48 GB ส่วน Breeze เป็นโมเดล dense ขนาด 3 พันล้านพารามิเตอร์ ใช้ VRAM ราว 6 GB ตามข้อกำหนดที่รายงาน เช็กพอยต์ BF16 ของ Breeze มีขนาดประมาณ 6 GB จึงเข้าถึงได้ง่ายกว่ามากสำหรับทีมที่ต้องการรันเอง Drama 3 เหมาะกับบทพากย์ที่ต้องใส่คำกำกับ เช่น อารมณ์ การหยุด เสียงประกอบ การออกเสียงเฉพาะ และบทสนทนาหลายผู้พูด รองรับได้ถึง 16 ผู้พูดในคำขอเดียว จึงให้ผู้เขียนกำหนดการแสดงอย่างละเอียด แทนการหวังให้โมเดลอนุมานจากบริบท จุดแลกเปลี่ยนคือการติดตั้ง การใช้หน่วยความจำ และการดูแลระบบ ไม่เหมาะกับทีมที่ไม่มีการ์ดจอรองรับหรืออยากได้ทางเชื่อมต่อแบบเรียกใช้แล้วจบ
การเลือกตามใบอนุญาตก็สำคัญพอ ๆ กับการเลือกตาม VRAM: ใบอนุญาตชุมชนของ Drama 3 อนุญาตการใช้งานเชิงพาณิชย์โดยไม่มีค่าใช้จ่ายเมื่อรายได้ต่อปีของผู้ใช้และบริษัทในเครือต่ำกว่าเกณฑ์ที่ระบุ แต่การให้บริการสร้างเสียงหรือใช้เกินเงื่อนไขอาจต้องขอใบอนุญาตเพิ่มเติม ควรอ่านข้อกำหนดฉบับเต็มก่อนนำขึ้นระบบจริง หากเน้นการโต้ตอบสด Inworld Realtime TTS-2 มีแนวทางคนละแบบกับ Drama 3: ใช้เสียงและบริบทจากบทสนทนาก่อนหน้าเพื่อปรับโทนกับจังหวะโดยไม่ต้องเขียนคำกำกับทุกวลี Inworld จึงเหมาะกับเอเจนต์สนทนาที่ต้องตอบรับอารมณ์ของคู่สนทนา ส่วน Drama 3 เหมาะกับงานที่ผู้เขียนต้องการควบคุมผลลัพธ์อย่างชัดเจน ไม่ควรสับสนชื่อ Realtime กับผลิตภัณฑ์ speech-to-speech เพราะเป็นคนละบริการ

Eleven v4 ชนะด้านความชอบ Drama 3 เด่นเรื่องคำยาก
หากเกณฑ์หลักคือเสียงที่ผู้ฟังชอบ Eleven v4 นำ Drama 3 ในอารีน่าทั้งสอง: คะแนนเสียงผู้ให้บริการอยู่ที่ 1,334 ต่อ 1,278 และคะแนนเสียงควบคุมอยู่ที่ 1,156 ต่อ 1,085 แต่เมื่อทดสอบการออกเสียงคำยาก Drama 3 กลับได้ 93.2% เทียบกับ Eleven v4 ที่ 91.7% จึงไม่ควรสรุปจากคะแนนความชอบว่าใครอ่านชื่อแบรนด์ ตัวเลข หรือคำทางเทคนิคได้แม่นกว่า ในทางเลือกใช้งาน Eleven v4 เหมาะกับผู้ที่ให้ความสำคัญกับเสียงเป็นธรรมชาติและต้องการบริการสำเร็จรูป ส่วน Drama 3 น่าสนใจกว่าสำหรับงานที่มีชื่อเฉพาะ คำสั่งกำกับการแสดง หรือฉากหลายตัวละคร และทีมมีฮาร์ดแวร์กับความสามารถดูแลโมเดล สำหรับเสียงพูดสังเคราะห์ที่จะอ่านข้อมูลสำคัญ ควรทดสอบชุดคำจริงของธุรกิจ ไม่ใช่ดูเฉพาะค่าเฉลี่ย เพราะความผิดพลาดเพียงชื่อหรือเลขอาจสำคัญกว่าความต่างเล็กน้อยของความลื่นไหล
ภาพรวมจึงไม่มีผู้ชนะรายเดียว AssemblyAI เหมาะกับความเร็วและงาน API ปริมาณสูง, Breeze กับการสร้างอัตลักษณ์เสียงโดยใช้ทรัพยากรน้อยกว่า, Drama 3 กับการกำกับการแสดงและการออกเสียง, Inworld กับบทสนทนาที่ต้องตอบสนองตามบริบท และ Eleven v4 กับผู้ที่ให้น้ำหนักกับผลโหวตด้านเสียงมากที่สุด ก่อนเลือกควรชั่งข้อกำหนดด้านใบอนุญาต ความหน่วง และเครื่องที่มีอยู่จริงร่วมกับการฟังตัวอย่าง

Buy if / Skip if
- Buy the AssemblyAI-TTS-1 if ต้องสร้างเสียงจำนวนมากผ่าน API ต้องการความเร็วสูง และงานหลักเป็นภาษาอังกฤษร่วมกับอีกห้าภาษาที่รองรับ รวมถึงการอ่านตัวเลขหรือข้อมูลมีโครงสร้าง
- Skip the AssemblyAI-TTS-1 if ต้องการกำกับอารมณ์และน้ำเสียงด้วยคำสั่งละเอียด หรือให้ความสำคัญกับคะแนนเสียงโคลนเหนือความเร็วและความสะดวกของบริการ
- Buy the Breeze TTS 2 if ต้องการออกแบบเสียงตัวละครด้วยคำบรรยายและมีเครื่องที่รองรับการรันโมเดลขนาดเล็กกว่า
- Skip the Breeze TTS 2 if ต้องนำเวตไปโฮสต์ใช้เชิงพาณิชย์โดยไม่มีข้อตกลงเพิ่มเติม หรือคาดหวังความเร็วระดับเดียวกับ AssemblyAI
- Buy the Fish Audio Drama 3 if ต้องทำพากย์หลายผู้พูด กำกับฉากและการออกเสียงละเอียด และมี VRAM ราว 48 GB พร้อมตรวจสอบใบอนุญาตแล้ว
- Skip the Fish Audio Drama 3 if ไม่มีฮาร์ดแวร์รองรับหรือต้องการปลายทาง API ที่ตั้งค่าใช้งานง่าย
- Buy the Inworld Realtime TTS-2 if สร้างเอเจนต์เสียงที่ควรปรับโทนตามบทสนทนาก่อนหน้า
- Skip the Inworld Realtime TTS-2 if ต้องการใส่คำกำกับการแสดงทุกช่วงอย่างแม่นยำ หรือกำลังมองหาผลิตภัณฑ์ speech-to-speech
- Buy the Eleven v4 if คะแนนความชอบของผู้ฟังและเสียงเป็นธรรมชาติเป็นเกณฑ์หลัก
- Skip the Eleven v4 if งานของคุณให้ความสำคัญกับคะแนนการออกเสียงคำยากสูงสุดในกลุ่มที่เปรียบเทียบ






