Chatterbox

TTS โอเพนซอร์สไลเซนส์ MIT ทดสอบแบบปิด 65% ของคนว่าเพราะกว่า ElevenLabs

Free Canada

Chatterbox เป็นโมเดล TTS โอเพนซอร์สระดับใช้งานจริงตัวแรกที่ Resemble AI เปิดตัว ใช้ไลเซนส์ MIT ซึ่งหายากมากในวงการสร้างเสียง โมเดลเสียงโอเพนซอร์สส่วนใหญ่มีข้อจำกัดห้ามใช้เชิงพาณิชย์หรือให้ใช้เฉพาะการวิจัย

จุดเด่นของฟีเจอร์และสถานการณ์การใช้งาน

มันมีสเปกหลายข้อที่ควรดูจริงจัง หนึ่ง เป็น TTS โอเพนซอร์สตัวแรกที่รองรับการควบคุมระดับการเน้นอารมณ์ (emotion exaggeration) คุณปรับความเข้มของน้ำเสียงได้ ไม่ใช่ได้แค่น้ำเสียงอ่านราบเรียบแบบเดียว สอง latency ต่ำกว่า 200 มิลลิวินาที ตัวเลขนี้ทำให้มันใส่ในเอเจนต์เสียงและแอปโต้ตอบแบบเรียลไทม์ได้ ไม่ใช่แค่การสร้างเป็นชุดแบบออฟไลน์ สาม รองรับกว่า 23 ภาษา

ตัวโมเดลเองมี 500 ล้านพารามิเตอร์ อิงสถาปัตยกรรม Llama ที่ปรับแบบ CosyVoice เทรนด้วยเสียงที่ทำความสะอาดแล้วราว 500,000 ชั่วโมง ผลทดสอบแบบปิดที่ทางบริษัทเผยแพร่คือ ผู้ฟัง 65.3% ชอบ Chatterbox-Turbo 24.5% ชอบ ElevenLabs 10.2% ไม่มีความชอบ ตัวเลขนี้ต้องตัดทอนดู (เป็นการทดสอบที่ผู้ผลิตทำเอง) แต่อย่างน้อยก็บอกว่ามันเข้าสู่ระดับใช้งานได้แล้ว

การผสมไลเซนส์ MIT กับการติดตั้งบนเครื่อง ทำให้มันเหมาะกับสามสถานการณ์เป็นพิเศษ ต้องการสร้างปริมาณมากจนต้นทุน API คลาวด์รับไม่ไหว ข้อมูลออกนอกประเทศไม่ได้ และอยากฝัง TTS เข้าผลิตภัณฑ์ของตัวเองแต่ไม่อยากถูกผู้ให้บริการ API ผูก

แลกกับการที่คุณต้องจัดการการติดตั้ง ทรัพยากร GPU และการอัปเดตโมเดลเอง สำหรับทีมที่ไม่มีความสามารถวิศวกรรม ML การจ่ายเงินใช้ API ยังคุ้มกว่า เรื่องนี้อย่าเข้าใจผิดเพราะคำว่าโอเพนซอร์สฟรีสี่คำ

ฟีเจอร์เด่น

ไลเซนส์ MIT ใช้เชิงพาณิชย์ฟรีเต็มรูปแบบ
TTS โอเพนซอร์สตัวแรกที่รองรับการควบคุมระดับการเน้นอารมณ์
latency ต่ำกว่า 200 มิลลิวินาที ใช้กับเอเจนต์เสียงแบบเรียลไทม์ได้
รองรับกว่า 23 ภาษา
500 ล้านพารามิเตอร์ เทรนด้วยเสียงราว 500,000 ชั่วโมง
ติดตั้งบนเครื่องหรือคลาวด์ส่วนตัวได้เต็มรูปแบบ

ข้อดี

ไลเซนส์ MIT ทำให้ใช้เชิงพาณิชย์ต้นทุนไลเซนส์เป็นศูนย์ หายากมากในโมเดลเสียง
ติดตั้งบนเครื่อง ข้อมูลไม่ออกนอกประเทศและไม่ถูกจำกัดอัตราจาก API
latency ต่ำพอ ใส่ในสถานการณ์โต้ตอบแบบเรียลไทม์ได้

ข้อเสีย

ต้องจัดการการติดตั้ง GPU และการบำรุงรักษาโมเดลเอง
ข้อมูลการทดสอบแบบปิดเป็นการเผยแพร่เองของผู้ผลิต ควรเผื่อพื้นที่ในการตัดสิน
ประสิทธิภาพภาษาไทยต้องพิสูจน์เอง ไม่แน่ว่าดีกว่าโมเดลภาษาไทยเฉพาะทาง

กรณีการใช้งาน

การสร้างเสียงปริมาณมาก เลี่ยงการคิดตามปริมาณของ API
แอปเสียงของรัฐบาลหรือการเงินที่ข้อมูลออกนอกประเทศไม่ได้
ชั้นเอาต์พุตเสียงของเอเจนต์เสียงแบบเรียลไทม์
ฟีเจอร์เสียงออฟไลน์ที่ฝังในผลิตภัณฑ์ของตัวเอง

บันทึกบรรณาธิการ

ปัญหาที่ใหญ่ที่สุดของ TTS โอเพนซอร์สหลายปีนี้คือไลเซนส์ ตัวที่ใช้ดีใช้เชิงพาณิชย์ไม่ได้ ตัวที่ใช้เชิงพาณิชย์ได้ก็ไม่เพราะ Chatterbox ใช้ MIT รื้อกำแพงนี้ทิ้ง แค่จุดนี้ก็ควรจับตา แต่อย่าลืมต้นทุนแฝงของการติดตั้งเอง GPU การดูแล การอัปเดต รวมกันแล้วไม่แน่ว่าถูกกว่าซื้อ API

คำถามที่พบบ่อย

ใช้เชิงพาณิชย์ได้จริงไหม

ไลเซนส์ MIT อนุญาตการใช้เชิงพาณิชย์ การแก้ไข และการเผยแพร่ต่อ เป็นหนึ่งในไลเซนส์โอเพนซอร์สที่ผ่อนปรนที่สุด แต่ตอนใช้ยังต้องระวัง ความถูกกฎหมายของข้อมูลเทรนและเนื้อหาที่คุณสร้างเองยังเป็นความรับผิดชอบของผู้ใช้ โดยเฉพาะการใช้เลียนเสียงของบุคคลเฉพาะ

ต้องใช้ฮาร์ดแวร์แบบไหนถึงรันไหว

โมเดล 500 ล้านพารามิเตอร์รันได้บน GPU ระดับผู้บริโภค latency จริงขึ้นกับการ์ดจอและการตั้งค่า quantization การจะได้ latency ต่ำกว่า 200 มิลลิวินาทีตามที่ทางบริษัทอ้าง มักต้อง GPU ที่เหมาะสมและการตั้งค่าที่ปรับแล้ว การประมวลผลด้วย CPU ล้วนจะช้ากว่ามาก