thaivibecoding

แพลตฟอร์ม · โดย Google

Google AI Studio

Google AI Studio คือแพลตฟอร์มบนเว็บของ Google สำหรับลองโมเดลและทดลองพรอมต์ ส่วนที่ใช้พากย์เสียงคือหน้า generate-speech ซึ่งเปิดให้ทดสอบโมเดล Gemini TTS ที่แปลงข้อความเป็นเสียงพูดแบบผู้พูดคนเดียวหรือสองคน ภาษาไทยใช้ได้กับโมเดล Gemini 3.8 Flash TTS ส่วน Gemini 3.8 Flash-Lite TTS ไม่รองรับภาษาไทย ตามข้อกำหนด บริการนี้มีไว้สำหรับนักพัฒนา ไม่ใช่สำหรับผู้บริโภคทั่วไป

ไปที่เว็บ Google AI Studio aistudio.google.com

เหมาะกับใคร

  • คนที่อยากลองพากย์เสียงไทยโดยยังไม่จ่ายเงิน เพราะ Google AI Studio usage is free of charge in all available regions และประเทศไทยอยู่ในรายชื่อประเทศที่ใช้ได้
  • งานเสียงตัวละคร การ์ตูน และเกม เพราะมี Voice Design สร้างเสียงตามคำบรรยาย มีแท็กเสียงหัวเราะ กรีดร้อง กระซิบ และทำบทสนทนาสองคนได้
  • คนที่อยากใช้เสียงตัวเองพากย์ เพราะ Voice Replication ใช้คลิปอ้างอิง 10-30 วินาที และรองรับ th-TH
  • นักพัฒนาที่จะนำเสียงไปใส่ในแอปของตัวเอง เพราะ Google วาง AI Studio เป็นที่ทดสอบโมเดล TTS ก่อนเริ่มสร้าง และมี Get code สำหรับย้ายพรอมต์ไปเป็นโค้ดที่เรียก Gemini API

ไม่เหมาะกับ

  • คนที่ต้องการอัปโหลดวิดีโอหรือไฟล์เสียงต่างประเทศแล้วให้พากย์เป็นไทย เพราะโมเดล TTS รับอินพุตเป็นข้อความเท่านั้น และให้เอาต์พุตเป็นเสียงเท่านั้น
  • มือใหม่ที่ต้องการคู่มือกดทีละปุ่ม เพราะคู่มือของ Google เขียนให้นักพัฒนา เป็นตัวอย่างโค้ด และ quickstart ของ AI Studio สอนเฉพาะการพิมพ์พรอมต์แชต ไม่มีส่วนของหน้าเสียง
  • คนที่ต้องการตัดต่อวิดีโอและใส่เสียงในที่เดียว เพราะ AI Studio ให้ผลลัพธ์เป็นเสียงเท่านั้น และไม่ได้วางตัวเป็นโปรแกรมตัดต่อวิดีโอ
  • งานที่สคริปต์มีข้อมูลลับหรือข้อมูลส่วนบุคคล หากใช้แบบไม่เสียเงิน เพราะ Google นำข้อความและเสียงที่ได้ไปปรับปรุงผลิตภัณฑ์ ผู้ตรวจที่เป็นมนุษย์อาจอ่านได้ และ Google ไม่ให้ส่งข้อมูลอ่อนไหวเข้าบริการแบบไม่เสียเงิน
  • ผู้ที่อายุต่ำกว่า 18 ปี เพราะตามข้อกำหนดต้องอายุ 18 ปีขึ้นไป

ทำได้แค่ไหน

  • มีโมเดลเสียงสองตัว คือ Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) ซึ่ง Google วางเป็น flagship creative text-to-speech model และ Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts) ที่เน้นความเร็วและต้นทุนต่ำ
  • Gemini 3.8 Flash TTS รองรับกว่า 130 ภาษา รวมภาษาไทย ส่วน Gemini 3.8 Flash-Lite TTS รองรับ 101 ภาษา และไม่มีภาษาไทยในรายการ
  • มีเสียงสำเร็จรูป 30 เสียง เช่น Kore, Puck, Zephyr และมี Extended Voice Library ที่มีเสียงเพิ่มอีกหลายร้อยเสียง ครอบคลุมหลายภาษา สำเนียง บุคลิกตัวละคร และประเภทงาน
  • กำกับน้ำเสียงด้วยข้อความสั้น ๆ เป็นภาษาธรรมชาติ เช่น warm and enthusiastic, speaking slowly, angry tone และใส่แท็กในสคริปต์ได้ เช่น <laugh>, <sigh>, <whispers>, <short pause>, <long pause>
  • สร้างบทสนทนาได้สูงสุด 2 ผู้พูดต่อหนึ่งคำขอ ใช้ได้เฉพาะเสียงสำเร็จรูป และแต่ละผู้พูดมีเสียงของตัวเอง
  • Voice Design สร้างเสียงใหม่แบบถาวรจากคำบรรยายเป็นข้อความ เช่น อายุ โทนเสียง สำเนียง และวิธีพูดพื้นฐาน ใช้ได้ผ่าน Voice Design studio แบบโต้ตอบใน Google AI Studio
  • Voice Replication โคลนลักษณะเสียงของผู้พูดจากคลิปเสียงสั้น ๆ และรองรับ locale th-TH

ใช้กับงานแบบไหนได้

คลิปสั้น TikTok Reels Shortsได้บางส่วน

Gemini 3.8 Flash TTS อ่านภาษาไทยได้ พร้อมคำกำกับน้ำเสียงและแท็กเสียง แต่ได้ออกมาเป็นเสียงอย่างเดียว ต้องนำไปใส่คลิปในแอปตัดต่ออื่น และยังไม่มีข้อมูลว่าดาวน์โหลดไฟล์จากหน้าเว็บอย่างไร

สไลด์และงานนำเสนอได้บางส่วน

ได้ไฟล์เสียงอย่างเดียว AI Studio ไม่เชื่อมกับสไลด์ Flash-Lite TTS ใช้ได้ผ่าน Google Vids แต่ Flash-Lite ไม่มีภาษาไทยในรายการ

ขายของและโฆษณายังไม่ชัด

ยังไม่ชัดว่าเสียงที่สร้างใช้เชิงพาณิชย์ได้หรือไม่ในแต่ละแผน ตามข้อกำหนด Google ไม่อ้างความเป็นเจ้าของเนื้อหา และบริการนี้มีไว้เพื่อ professional or business purposes, not for consumer use

การ์ตูน อนิเมะ ตัวละครได้

Voice Design สร้างเสียงตัวละครจากคำบรรยาย มีแท็กเสียงหัวเราะ กรีดร้อง กระซิบ และทำบทสนทนาสองคนได้ ข้อจำกัดคือสูงสุด 2 ผู้พูดต่อคำขอ และโหมดหลายผู้พูดใช้ได้เฉพาะเสียงสำเร็จรูป

พากย์ทับวิดีโอต่างประเทศเป็นไทยไม่ได้

โมเดล TTS รับอินพุตเป็นข้อความเท่านั้น และให้เอาต์พุตเป็นเสียงเท่านั้น จึงรับไฟล์วิดีโอหรือเสียงไม่ได้ ต้องแปลบทและจับจังหวะเอง

โคลนเสียงตัวเองได้

มี Voice Replication ใน AI Studio ใช้คลิปอ้างอิง 10-30 วินาทีกับคลิปอ่านคำยินยอม และรองรับ th-TH ยังไม่มีข้อมูลว่าใช้ได้ใน Free tier หรือไม่

เล่าเรื่องยาว YouTube หนังสือเสียงได้บางส่วน

การสร้างเสียงยาวออกแบบมาสำหรับเสียงหลายชั่วโมง แต่หนึ่งคำขอจำกัด input 8,192 tokens และ output 16,384 tokens และยังไม่มีตัวเลขโควตารายวันของ Free tier สคริปต์ยาวจึงต้องแบ่งเป็นตอน

ทำบนมือถืออย่างเดียวยังไม่ชัด

ยังไม่มีข้อมูลว่า AI Studio มีแอปมือถือ หรือใช้ผ่านเบราว์เซอร์มือถือได้หรือไม่

วิธีเริ่มใช้

เว็บ

  1. ตรวจว่าใช้ได้: ประเทศไทยอยู่ในรายชื่อประเทศที่ใช้ Google AI Studio ได้ และต้องอายุ 18 ปีขึ้นไป
  2. เปิดหน้าเสียงของ Google AI Studio ที่ https://aistudio.google.com/generate-speech
  3. ลงชื่อเข้าใช้ด้วยบัญชี Google ถ้ายังไม่ได้ล็อกอิน หน้านี้จะพาไปหน้าลงชื่อเข้าใช้เอง
  4. เลือกโมเดล Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) เพราะเป็นโมเดลที่รองรับภาษาไทย
  5. เลือกเสียงจากเสียงสำเร็จรูป 30 เสียง เช่น Kore, Puck, Zephyr หรือเปิด Voice Library เพื่อค้นหา กรอง และลองฟังเสียง
  6. พิมพ์สคริปต์ภาษาไทยตามที่ต้องการให้อ่าน โมเดลอ่านตามตัวอักษรและตรวจหาภาษาเองโดยอัตโนมัติ ยังไม่มีข้อมูลเรื่องการตั้งค่าภาษา
  7. ลองสร้างเสียงโดยเว้นคำกำกับน้ำเสียงไว้ก่อน
  8. ถ้าต้องการปรับ ให้เพิ่มคำกำกับน้ำเสียงสั้น ๆ เช่น warm and enthusiastic หรือ speaking slowly
  9. ใส่แท็กในสคริปต์ตรงจุดที่ต้องการ เช่น <short pause>, <long pause>, <laugh>, <sigh> โดยเขียนแท็กเป็นภาษาอังกฤษแม้สคริปต์เป็นภาษาไทย
  10. ถ้าทำบทสนทนา ให้ตั้งผู้พูด 2 คน เลือกเสียงให้แต่ละคน และเขียนชื่อผู้พูดในสคริปต์ให้ตรงกับที่ตั้งไว้ ในรูปแบบ Joe: ... และ Jane: ...
  11. สั่งสร้างเสียงแล้วฟังผลลัพธ์
  12. ขั้นต่อจากนี้ให้ดูจากหน้าจอจริงหลังลงชื่อเข้าใช้: ยังไม่มีข้อมูลชื่อปุ่มและแผงต่าง ๆ ในหน้าเสียง รวมถึงวิธีดาวน์โหลดไฟล์เสียงจากหน้าเว็บ

เว็บ

  1. โคลนเสียงตัวเอง: เตรียมคลิปอ้างอิง 10-30 วินาที เป็นเสียงพูดธรรมชาติที่สะอาด ของผู้ใหญ่คนเดียวกัน แนะนำไฟล์ WAV 24 kHz mono 16-bit
  2. เตรียมคลิปคำยินยอม โดยให้ผู้พูดคนเดิมอ่านข้อความยินยอมของ locale ที่เลือก ซึ่ง th-TH มีข้อความของตัวเอง
  3. เปิด Voice Replication ใน Google AI Studio
  4. อัดเสียงหรืออัปโหลดไฟล์ในเบราว์เซอร์
  5. ลองฟังเสียงที่ได้
  6. ยังไม่มีข้อมูลชื่อปุ่มหรือลำดับหน้าจอของขั้นตอนนี้

เสียงภาษาไทย

ยังไม่มีข้อมูลว่ามีเสียงไทยโดยเฉพาะกี่เสียง เสียงสำเร็จรูปมี 30 เสียงที่ไม่ผูกกับภาษาใด แต่ละเสียงมีคำบรรยายหนึ่งคำ เช่น Zephyr - Bright, Puck - Upbeat, Charon - Informative, Kore - Firm, Leda - Youthful, Achernar - Soft, Gacrux - Mature, Sulafat - Warm และมี Extended Voice Library เพิ่มเติม ยังไม่มีข้อมูลเพศของเสียงสำเร็จรูปทั้ง 30 เสียง แต่ Voice Library กรองตาม gender ได้เป็น female, male, neutral น้ำเสียงและอารมณ์ไม่มีชุดสำเร็จรูป ใช้คำกำกับเป็นข้อความแทน ส่วนสำเนียงไทยตามภาค เช่น อีสาน เหนือ ใต้ ยังไม่มีข้อมูล ภาษาไทยใช้ได้กับ Gemini 3.8 Flash TTS เท่านั้น

เมนูภาษาไทย: ยังไม่ชัดว่าหน้าจอของ AI Studio แปลเป็นภาษาไทยหรือไม่ คู่มือของ Google มีฉบับภาษาไทย และลิงก์ไป AI Studio ด้วย ?hl=th

ฟังตัวอย่างเสียงของ Google AI Studio

ปรับอะไรได้บ้าง

ความเร็วยังไม่มีข้อมูลว่ามีแถบเลื่อนเป็นตัวเลข ตั้งด้วยคำกำกับ เช่น speaking rapidly หรือ speaking slowly ร่วมกับเครื่องหมายวรรคตอนและจุดไข่ปลา
ระดับเสียงตั้งด้วยคำกำกับรายช่วง เช่น high pitch ลักษณะถาวรอย่างอายุ เพศ สำเนียง ควรใส่ในเสียงที่ออกแบบด้วย Voice Design ไม่ใช่ในคำกำกับ และ Voice Library มีตัวกรอง pitch
อารมณ์และน้ำเสียงใส่คำกำกับสั้น ๆ ต่อหนึ่งช่วงพูด เช่น whispered urgently, out of breath, angry tone, sarcastic ควรเว้นว่างหรือเขียนสั้น เพราะคำกำกับยาวแบบ Audio Profile หรือ Director's Notes เป็นสาเหตุที่พบบ่อยที่สุดของเสียงเพี้ยนไปจากเดิม
การเว้นจังหวะใช้แท็ก <short pause> และ <long pause> ร่วมกับเครื่องหมายวรรคตอนและจุดไข่ปลา
แท็กเสียงในสคริปต์มีแท็กเสียงคน เช่น <laugh>, <chuckle>, <giggle>, <sigh>, <gasp>, <cough>, <cry>, <sob>, <scream>, <shout>, <whispers>, <yawn>, <breath> แท็กต้องเขียนเป็นภาษาอังกฤษแม้สคริปต์เป็นภาษาอื่น Google แนะนำให้ใช้เฉพาะเสียงที่คนเปล่งได้ และเลี่ยงแท็กเอฟเฟกต์เสียง
การเน้นคำใช้ตัวพิมพ์ใหญ่กับคำสำคัญ ซึ่งเป็นวิธีของอักษรละติน ยังไม่มีข้อมูลวิธีเน้นคำในอักษรไทย
เสียงตอบรับของผู้ฟังใส่เสียงตอบรับของอีกฝ่ายไว้ในเครื่องหมาย | ภายในช่วงพูดของผู้พูด เช่น |oh hmm| ได้ผลดีที่สุดกับ gemini-3.8-flash-tts
หลายผู้พูดสูงสุด 2 ผู้พูดต่อหนึ่งคำขอ และใช้ได้เฉพาะเสียงสำเร็จรูป เสียงที่ออกแบบเองหรือเสียงที่โคลน ต้องสร้างแยกทีละผู้พูดแล้วนำมาต่อกัน
ออกแบบเสียงใหม่Voice Design สร้างเสียงถาวรจากคำบรรยาย แนะนำให้เขียนคำบรรยายที่ชัดเจน 1-2 ประโยค ใช้ได้กับ Gemini 3.8 Flash TTS และ Flash-Lite TTS
ปรับแต่งเสียงที่มีอยู่การปรับ timbre, pitch, pace และ accent ของเสียงยังเป็น coming soon
การแก้คำอ่านยังไม่มีข้อมูลเรื่องพจนานุกรมคำอ่าน การควบคุมหน่วยเสียง หรือ SSML การควบคุมทำผ่านคำกำกับและแท็กในวงเล็บแหลม

ราคาและแผน

แผนราคาได้อะไรบ้าง
Google AI Studio (เว็บ)Free of chargeGoogle AI Studio usage is free of charge in all available regions ใช้ฟรีได้จนกว่าจะผูก paid API key เพื่อใช้ความสามารถแบบเสียเงิน หลังผูกแล้วการใช้งานใน AI Studio ด้วยคีย์นั้นจะถูกคิดเงิน
Free tier - Gemini 3.8 Flash TTS (gemini-3.8-flash-tts)Free of charge (input and output)โมเดลที่รองรับภาษาไทย มี rate limit และเนื้อหาถูกนำไปปรับปรุงผลิตภัณฑ์ของ Google แผนนี้มีไว้สำหรับนักพัฒนาและโปรเจกต์ขนาดเล็กที่เริ่มใช้ Gemini API
Paid tier - Gemini 3.8 Flash TTS (Standard)Pay as you go: input $0.50 per 1M text tokens, output $9.00 per 1M audio tokens through Dec 31, 2026 ($0.00225 per 10s of audio); from Jan 1, 2027 input $1.00, output $18.00 ($0.0045 per 10s). Batch/Flex: $0.25 / $4.50 แล้วเป็น $0.50 / $9.00. Priority: $0.90 / $16.20 แล้วเป็น $1.80 / $32.40โมเดลที่รองรับภาษาไทย เนื้อหาไม่ถูกนำไปปรับปรุงผลิตภัณฑ์ของ Google การย้ายมา Paid tier ต้องผูกบัญชีเรียกเก็บเงินและเติมเงินล่วงหน้าขั้นต่ำ $5 สูงสุด $5,000 ต่อครั้ง เครดิตที่ไม่ได้ใช้หมดอายุใน 12 เดือนและโดยทั่วไปไม่คืนเงิน
Free tier - Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts)Free of charge (input and output)ไม่รองรับภาษาไทย
Paid tier - Gemini 3.8 Flash-Lite TTS (Standard)Pay as you go: input $0.50 per 1M text tokens, output $6.00 per 1M audio tokens through Dec 31, 2026; from Jan 1, 2027 input $1.00, output $12.00. Batch/Flex: $0.25 / $3.00 แล้วเป็น $0.50 / $6.00. Priority: $0.90 / $10.80 แล้วเป็น $1.80 / $21.60ไม่รองรับภาษาไทย
โมเดลรุ่นก่อนที่ยังอยู่ในหน้าราคาGemini 3.1 Flash TTS Preview: paid input $1.00 / output $20.00 per 1M tokens (batch $0.50 / $10.00). Gemini 2.5 Flash Preview TTS: free tier free of charge, paid $0.50 / $10.00 (batch $0.25 / $5.00). Gemini 2.5 Pro Preview TTS: ไม่มี free tier, paid $1.00 / $20.00 (batch $0.50 / $10.00)3.1 Flash TTS Preview เป็นรุ่น legacy ที่ Google แนะนำให้ย้ายไป Gemini 3.8 Flash TTS หรือ Gemini 3.8 Flash-Lite TTS ส่วนโมเดล 2.5 จำกัดให้เฉพาะผู้ที่เคยใช้มาก่อน

ใช้เชิงพาณิชย์

  • ทุกแผน: ข้อกำหนดไม่มีข้อความที่อนุญาตหรือห้ามใช้เสียงที่สร้างในเชิงพาณิชย์แยกตามแผน และไม่มีกฎต่างกันระหว่างผลลัพธ์จากแบบฟรีกับแบบเสียเงิน มีเพียงว่าบริการนี้มีไว้สำหรับนักพัฒนาที่สร้างงานเพื่อ professional or business purposes, not for consumer use
  • ทุกแผน: Google won't claim ownership over that content คือ Google ไม่อ้างความเป็นเจ้าของเนื้อหาที่สร้าง และผู้ใช้รับผิดชอบการใช้เนื้อหาที่สร้างเอง รวมถึงการใช้โดยคนที่ผู้ใช้แชร์ให้
  • ทุกแผน: ตามข้อกำหนด เนื้อหาที่สร้างอาจต้องแสดงที่มาให้ผู้ใช้ของคุณเมื่อส่งกลับเป็นส่วนหนึ่งของการเรียก API แต่ไม่ได้กำหนดข้อความเครดิตสำหรับเสียง
  • Free tier: Google ใช้สิ่งที่ส่งเข้าไปและผลลัพธ์เพื่อให้บริการ ปรับปรุง และพัฒนาผลิตภัณฑ์ของ Google ผู้ตรวจที่เป็นมนุษย์อาจอ่านและประมวลผล input และ output และ Google ไม่ให้ส่งข้อมูลอ่อนไหว ข้อมูลลับ หรือข้อมูลส่วนบุคคล
  • Paid tier: พรอมต์และผลลัพธ์ไม่ถูกใช้ปรับปรุงผลิตภัณฑ์ แต่ถูกบันทึกไว้ช่วงเวลาจำกัดเพื่อตรวจจับการใช้ในทางที่ผิด AI Studio นับเป็น Paid Service แม้ใช้ฟรี หากบัญชีมี Cloud project ที่เปิดการเรียกเก็บเงินอยู่
  • ทุกแผน: ข้อห้ามที่เกี่ยวกับงานเสียง ได้แก่ การฉ้อโกงหรือหลอกลวง การปลอมเป็นบุคคลอื่นโดยไม่เปิดเผยอย่างชัดเจนเพื่อหลอกลวง และการอ้างว่าเนื้อหาที่สร้างเป็นผลงานของมนุษย์ล้วนเพื่อหลอกลวง

ข้อจำกัดและสิ่งที่ควรรู้ก่อนเริ่ม

  • หนึ่งคำขอจำกัด input 8,192 tokens และ output 16,384 tokens ทั้งสองโมเดล ยังไม่มีข้อมูลขีดจำกัดเป็นจำนวนตัวอักษร นาที หรือวินาที
  • Free tier ไม่ใช่ใช้ได้ไม่จำกัด เข้าถึงได้บางโมเดลและมี rate limit
  • ยังไม่มีตัวเลข rate limit ของโมเดล TTS ใน Free tier ที่ประกาศไว้ รู้เพียงว่าวัดเป็นคำขอต่อนาที input tokens ต่อนาที และคำขอต่อวัน นับต่อโปรเจกต์ โควตารายวันรีเซ็ตเที่ยงคืนเวลา Pacific และดูตัวเลขจริงของบัญชีได้ที่ https://aistudio.google.com/rate-limit
  • ไม่มีโควตารายเดือนเป็นตัวอักษรหรือนาที ขีดจำกัดเป็นแบบต่อนาทีและต่อวัน
  • บทสนทนาได้สูงสุด 2 ผู้พูดต่อคำขอ และใช้ได้เฉพาะเสียงสำเร็จรูป
  • เสียงที่ออกแบบเองและเสียงที่โคลนเก็บได้รวมกัน 200 เสียงต่อโปรเจกต์ เก็บไว้ 1 ปีและนับใหม่เมื่อมีการใช้ ส่วนคีย์ชั่วคราว voicekey_ อยู่ได้ 7 วัน
  • Voice Replication ใช้ไม่ได้ใน Illinois, Texas, EEA, UK, Switzerland และ India ประเทศไทยไม่อยู่ในรายการที่ยกเว้นนี้
  • เสียงทุกคลิปจากโมเดล Gemini Audio มีลายน้ำ SynthID แบบ imperceptible ยังไม่มีข้อมูลเรื่องลายน้ำที่ได้ยิน
  • คำว่าฟรีหมายถึงไม่คิดเงินแต่มี rate limit ไม่ใช่ไม่จำกัด ตัวเลขของโมเดล TTS ใน Free tier ไม่ประกาศ ดูได้เฉพาะในหน้า AI Studio และ rate limit ไม่ได้รับประกัน
  • ต้องเลือก Gemini 3.8 Flash TTS เมื่อพากย์ภาษาไทย โมเดล Flash-Lite TTS ที่ราคาถูกกว่าไม่รองรับภาษาไทย
  • ถ้าใช้แบบไม่เสียเงิน สคริปต์และเสียงที่สร้างจะถูกนำไปปรับปรุงผลิตภัณฑ์ของ Google และผู้ตรวจที่เป็นมนุษย์อาจอ่านได้ อย่าใส่ข้อมูลลับหรือข้อมูลส่วนบุคคล
  • ถ้าผูก paid API key หรือบัญชีเรียกเก็บเงิน การใช้งานใน AI Studio ด้วยคีย์นั้นจะถูกคิดเงิน output ของ Gemini 3.8 Flash TTS คือ $9.00 per 1M audio tokens และเป็น $18.00 from Jan 1, 2027
  • เป็นบริการสำหรับนักพัฒนา ตามข้อกำหนดคือ not for consumer use คู่มือเน้นโค้ด และไม่มีคู่มือสำหรับมือใหม่ที่สอนหน้าเสียงทีละขั้น
  • เขียนคำกำกับน้ำเสียงให้สั้น และเขียนแท็กเป็นภาษาอังกฤษแม้สคริปต์เป็นภาษาไทย คำกำกับยาวทำให้เสียงเพี้ยนไปจากเดิม
  • บทสนทนา 2 ผู้พูดใช้เสียงที่โคลนหรือเสียงที่ออกแบบเองไม่ได้ ต้องสร้างทีละผู้พูดแล้วนำไฟล์มาต่อกันเอง
  • รูปแบบไฟล์ที่ได้คือ WAV และ PCM ที่ 24 kHz mono ไม่มี MP3 ในรายการ
  • การโคลนเสียงต้องมีคลิปที่ผู้พูดคนเดียวกันอ่านข้อความยินยอม และเสียงที่สร้างไว้หมดอายุหลัง 1 ปีหากไม่ได้ใช้
  • ตัวเลขบนเว็บของ Google ไม่ตรงกัน: ที่หนึ่งบอกว่า Flash TTS รองรับกว่า 130 ภาษา และมีเสียงเพิ่มเติมหลายร้อยเสียง อีกที่หนึ่งบอกว่าทั้งสองโมเดลรองรับกว่า 100 ภาษา และมีเสียง 2,000+

ไฟล์ที่ได้

ผ่าน API ได้ไฟล์ WAV (audio/wav) เป็นค่าเริ่มต้น แบบ streaming ได้ PCM 16-bit (audio/l16) และมี audio/mulaw กับ audio/alaw ค่าเริ่มต้นคือ 24 kHz mono ตั้ง sample rate ได้เป็น 24000, 16000 หรือ 8000 ไม่มี MP3 ในรายการ ส่วนหน้าเว็บ AI Studio ยังไม่มีข้อมูลว่ามีปุ่มดาวน์โหลดหรือไม่ และได้ไฟล์รูปแบบใด วิธีบันทึกเสียงที่มีให้เห็นคือผ่านโค้ดเท่านั้น เสียงไม่ได้เข้าวิดีโอโดยตรง เพราะ AI Studio ไม่ได้วางตัวเป็นโปรแกรมตัดต่อวิดีโอ

โคลนเสียงตัวเอง

ได้ ทำได้ด้วย Voice Replication ซึ่งมีหน้าใช้งานใน Google AI Studio ให้อัดเสียงหรืออัปโหลดในเบราว์เซอร์แล้วลองฟัง รองรับ th-TH และใช้ได้กับ Gemini 3.8 Flash TTS และ Flash-Lite TTS ต้องเตรียมเสียงจริงของผู้ใหญ่คนเดียวกันสองคลิป คือคลิปอ้างอิง 10-30 วินาที (แนะนำ WAV 24 kHz mono 16-bit) และคลิปที่ผู้พูดคนเดิมอ่านข้อความยินยอม ยังไม่ชัดว่าอยู่ใน Free tier หรือต้องใช้ Paid tier

พากย์ทับวิดีโอต่างประเทศเป็นไทย

ไม่ได้ ทำไม่ได้ในหน้าเสียงของ AI Studio เพราะโมเดล TTS รับข้อความเท่านั้นและให้เสียงเท่านั้น จึงรับไฟล์วิดีโอหรือเสียงเดิมมาพากย์เป็นไทยไม่ได้ ต้องแปลบทเป็นภาษาไทยเอง แล้วนำเสียงที่ได้ไปวางทับวิดีโอในแอปอื่น high-volume dubbing เป็นงานของนักพัฒนาที่สร้างระบบบนโมเดลนี้ ไม่ใช่ฟีเจอร์ของ AI Studio

คำถามที่คนถามเกี่ยวกับ Google AI Studio

Google AI Studio พากย์เสียงฟรีไหม ฟรีไม่จำกัดหรือเปล่า

ใช้ฟรีได้ Google AI Studio usage is free of charge in all available regions และ Free tier ของ Gemini 3.8 Flash TTS ไม่คิดเงินทั้ง input และ output แต่ไม่ใช่ไม่จำกัด เพราะมี rate limit ต่อนาทีและต่อวัน ซึ่งยังไม่มีตัวเลขของโมเดล TTS ประกาศไว้

มีเสียงไทยผู้ชายผู้หญิงไหม

Gemini 3.8 Flash TTS อ่านภาษาไทยได้ แต่ยังไม่มีข้อมูลว่ามีเสียงไทยกี่เสียง และเสียงสำเร็จรูป 30 เสียงเป็นเพศใดบ้าง Voice Library มีตัวกรอง gender เป็น female, male, neutral ให้เลือกและลองฟังใน AI Studio

Google AI Studio พากย์เสียงยังไง

เปิด https://aistudio.google.com/generate-speech ลงชื่อเข้าใช้ด้วยบัญชี Google เลือก Gemini 3.8 Flash TTS เลือกเสียง พิมพ์สคริปต์ภาษาไทย แล้วสั่งสร้างเสียง ยังไม่มีข้อมูลชื่อปุ่มบนหน้าจอ

ดาวน์โหลดเป็นไฟล์เสียงได้ไหม ได้ MP3 หรือเปล่า

ยังไม่ชัดว่าหน้าเว็บ AI Studio มีปุ่มดาวน์โหลดหรือไม่ และได้ไฟล์รูปแบบใด วิธีบันทึกเสียงที่มีให้เห็นคือผ่านโค้ดเท่านั้น รูปแบบไฟล์คือ WAV และ PCM ที่ 24 kHz mono ไม่มี MP3 ในรายการ

เอาเสียงไปใช้ขายของหรือลงโฆษณาได้ไหม

ยังไม่ชัดเรื่องสิทธิ์เชิงพาณิชย์แยกตามแผน ตามข้อกำหนด Google ไม่อ้างความเป็นเจ้าของเนื้อหาที่สร้าง ผู้ใช้รับผิดชอบการใช้งานเอง และห้ามใช้เพื่อหลอกลวงหรือปลอมเป็นบุคคลอื่น

โคลนเสียงตัวเองได้ไหม

ได้ ผ่าน Voice Replication ซึ่งรองรับ th-TH ต้องมีคลิปเสียงอ้างอิง 10-30 วินาที และคลิปที่ผู้พูดคนเดียวกันอ่านข้อความยินยอม ยังไม่มีข้อมูลว่าใช้ได้ใน Free tier หรือไม่

พากย์หนังหรือวิดีโอต่างประเทศเป็นไทยได้ไหม

ไม่ได้โดยตรง โมเดล TTS รับข้อความเท่านั้น จึงอัปโหลดวิดีโอหรือเสียงเดิมไม่ได้ ต้องแปลบทเป็นไทยเอง สร้างเสียง แล้วนำไปวางทับวิดีโอในแอปอื่น

ทำไมเลือก Flash-Lite แล้วอ่านภาษาไทยไม่ได้

Gemini 3.8 Flash-Lite TTS ไม่มีภาษาไทยในรายการภาษาที่รองรับ ภาษาไทยใช้ได้กับ Gemini 3.8 Flash TTS เท่านั้น

ไปที่เว็บ Google AI Studio aistudio.google.com
ลิงก์อ้างอิง 13 หน้า
  1. ai.google.dev/gemini-api/docs/models/gemini-3.8-flash-tts
  2. ai.google.dev/gemini-api/docs/speech-generation
  3. ai.google.dev/gemini-api/docs/speech-generation
  4. ai.google.dev/gemini-api/docs/voice-design
  5. ai.google.dev/gemini-api/docs/voice-replication
  6. ai.google.dev/gemini-api/docs/pricing
  7. ai.google.dev/gemini-api/docs/ai-studio-quickstart
  8. ai.google.dev/gemini-api/terms
  9. blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-text-to-speech/
  10. aistudio.google.com/generate-speech
  11. ai.google.dev/gemini-api/docs/billing
  12. ai.google.dev/gemini-api/docs/rate-limits
  13. policies.google.com/terms/generative-ai/use-policy