เสียง
โมเดลแปลงข้อความเป็นเสียงพูดที่จัดอันดับจากความชอบแบบปิดตาของผู้ฟังบน TTS Arena ราคาคิดต่อหนึ่งล้านตัวอักษรหรือต่อนาที
อัปเดตเมื่อ · แหล่งที่มา: LiteLLM, TTS Arena
ระดับเป็นของเราเอง: ตำแหน่งของโมเดลในตาราง โดยนับเฉพาะโมเดลที่ช่วงความเชื่อมั่นทั้งช่วงอยู่สูงกว่า S — 10% แรก, A — ถึง 30%, B — ถึง 60%, C — ถึง 85%, D — ที่เหลือ
คะแนนเสียงวัดอย่างไร
ตารางเสียงจัดอันดับโมเดลแปลงข้อความเป็นเสียงพูด ข้อมูลมาจาก TTS Arena V2 โครงการเปิดของชุมชน TTS-AGI ผู้ฟังได้ยินเสียงสองเสียงอ่านข้อความเดียวกันโดยไม่รู้ว่ามาจากโมเดลไหน แล้วโหวตเสียงที่ชอบกว่า ผลกลายเป็นคะแนน Elo พร้อมช่วงความไม่แน่นอน และตารางแสดงจำนวนโหวตของแต่ละโมเดล
โมเดลไหนได้ระดับ
แหล่งข้อมูลนี้เผยแพร่จำนวนโหวต เราจึงใช้กฎขั้นต่ำ 300 โหวตเหมือนตารางอื่น โมเดลที่โหวตยังไม่ถึงจะขึ้นว่า “ยังไม่จัดระดับ” การแบ่งระดับคิดจากช่วงความไม่แน่นอน โดยนับโมเดลที่ทั้งช่วงอยู่สูงกว่า: S ต่ำกว่า 10%, A ต่ำกว่า 30%, B ต่ำกว่า 60%, C ต่ำกว่า 85% และ D คือที่เหลือ คะแนนของโมเดลเสียงอยู่ใกล้กันและช่วงกว้าง จึงมีหลายโมเดลอยู่ในระดับ S พร้อมกัน
ราคาและหน่วย
- ราคาคิดต่อหนึ่งล้านตัวอักษรของข้อความ หรือต่อนาทีของเสียง ตามที่ผู้ให้บริการขาย
- “ราคาถูก” บนตารางนี้หมายถึงต่ำกว่า 5 USD ต่อหนึ่งล้านตัวอักษร
- ราคามาจาก models.dev และ LiteLLM ในวันของข้อมูล
เลือกเสียงให้เหมาะกับงาน
งานหนังสือเสียงต้องการเสียงที่ฟังได้นานโดยไม่เหนื่อย งานผู้ช่วยตอบโทรศัพท์ต้องการความหน่วงต่ำ ส่วนวิดีโอสอนต้องการการออกเสียงคำเฉพาะให้ถูก ใช้ตารางนี้คัดตัวเลือกเบื้องต้น แล้วเทียบกันด้วยข้อความตัวอย่างเดียวกันที่มีชื่อเฉพาะและตัวเลข
สิ่งที่ตารางนี้ไม่ครอบคลุม
โมเดลแปลงเสียงพูดเป็นข้อความไม่ได้ถูกจัดอันดับ เพราะแหล่งข้อมูลไม่มีอารีนาสำหรับงานนี้ บางแถวเป็นโมเดลที่ยังไม่เปิดตัวและใช้ชื่อรหัส จึงไม่มีผู้พัฒนาและราคา เสียงส่วนใหญ่ถูกประเมินเป็นภาษาอังกฤษ ถ้าคุณต้องการเสียงภาษาไทย ให้ลองฟังตัวอย่างจากผู้ให้บริการเอง เพราะโมเดลที่ได้คะแนนสูงในภาษาอังกฤษอาจออกเสียงวรรณยุกต์ไทยได้ไม่เป็นธรรมชาติ
ถ้าต้องการเทียบสองถึงสี่โมเดลแบบละเอียด ทั้งราคาและระดับในตารางอื่นที่โมเดลนั้นอยู่ ใช้ หน้าเปรียบเทียบ ได้เลย