แปลงข้อความเป็นเสียงพูดด้วย Chinda TTS

อ่านออกเสียงข้อความไทยหรือไทยปนอังกฤษ ด้วยหนึ่งในสามเสียงพร้อมใช้ หรืออีกสิบเสียงจากคลังเสียง ตั้งแต่เด็กหญิงจนถึงคุณตา ในสไตล์การพูดแปดแบบ หรือด้วยเสียงที่โคลนจากคลิปสั้น แล้วส่งกลับเป็นไฟล์ WAV หรือ MP3 ที่ 48 kHz

รุ่นทดลอง

บริการอยู่ในรุ่นทดลอง อาจใช้งานไม่ได้เป็นบางช่วง

POST/v3/store/audio/tts

และอีก 1 endpoint

ทดลองใช้

• ราคา0.02 ICต่อ 100 ตัวอักษร
• แพ็กเกจรายเดือน เริ่ม500บาท/เดือน
• ความแม่นยำ95.07%
• ให้บริการแล้ว2.2Mครั้ง

• v3.0
• ใช้งานได้
• รายงานผลทดสอบ (PDF)

Input

text

สวัสดีค่ะ ยินดีต้อนรับค่ะ

voice

kaimook

style

friendly

format

mp3

OutputPOST /v3/store/audio/tts

HTTP/1.1 200 OK
Content-Type: audio/mpeg
X-Sample-Rate: 48000

<MP3 audio, mono, 48 kHz>

ฟิลด์ทั้งหมดอยู่ในหัวข้อ Responseendpoint อื่น: /clone ดูที่ Request

Request

curl -X POST https://api.iapp.co.th/v3/store/audio/tts \
  -H "apikey: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"text": "สวัสดีค่ะ ยินดีต้อนรับค่ะ", "voice": "kaimook", "style": "friendly", "format": "mp3"}' \
  --output speech.mp3

Response

200OK ฟิลด์อธิบายไว้ในหัวข้อ Response

HTTP/1.1 200 OK
Content-Type: audio/mpeg
X-Sample-Rate: 48000

<MP3 audio, mono, 48 kHz>

แพ็กเกจรายเดือน

• Voice S2,500,000 ตัวอักษรต่อเดือนเดือนละ 500 บาท ตก 1,000 ตัวอักษรละ 0.2 บาท
  หรือปีละ 5,000 บาท ลด 2 เดือนสมัคร
• Voice M7,500,000 ตัวอักษรต่อเดือนเดือนละ 1,000 บาท ตก 1,000 ตัวอักษรละ 0.133 บาท
  หรือปีละ 10,000 บาท ลด 2 เดือนสมัคร
• Voice L25,000,000 ตัวอักษรต่อเดือนเดือนละ 2,500 บาท ตก 1,000 ตัวอักษรละ 0.1 บาท
  หรือปีละ 25,000 บาท ลด 2 เดือนสมัคร

ราคาก่อน VAT 7% ทุก endpoint ของ เสียงพูด Chinda TTS นับเข้าแพ็กเกจ ส่วนที่เกินคิด 1,000 ตัวอักษรละ 0.2 เครดิตจากยอดเครดิต (เท่ากับราคาจ่ายตามใช้) ตัดบัตรต่ออายุรายเดือนหรือรายปี ยกเลิกได้ทุกเมื่อ มีผลเมื่อสิ้นรอบ

Request

ส่ง JSON เพื่ออ่านด้วยเสียงที่เลือก และส่ง multipart/form-data เพื่อโคลนเสียง ทุก endpoint คิด 0.2 IC ต่อข้อความ 1,000 ตัวอักษร โดยนับทีละ 100 ตัวอักษรและปัดขึ้น ข้อความ 200 ตัวอักษรคิด 0.04 IC หนึ่งล้านตัวอักษรคิด 200 IC ถ้าใช้ประจำ แพ็กเกจรายเดือน เริ่มที่ 500 บาท ได้ 2.5 ล้านตัวอักษรต่อเดือน

Endpoint	ส่งกลับ
POST /v3/store/audio/tts	ไฟล์ WAV หรือ MP3 ที่ 48 kHz ด้วยเสียงและสไตล์ที่เลือก
POST /v3/store/audio/tts/clone	ไฟล์ WAV หรือ MP3 ที่ 48 kHz ด้วยเสียงจากคลิปที่อัปโหลด

path เดิม /v3/store/audio/tts/tts และ /v3/store/audio/tts/tts/clone ยังเรียก endpoint ทั้งสองตัวเดียวกันนี้

Headers

apikeystringrequired

API key ของคุณ สร้างได้ที่เมนู API Keys ในแผงควบคุม

Body

textstringrequired

ข้อความที่จะอ่าน ไม่เกิน 1,200 ตัวอักษร (/clone ไม่เกิน 1,000 ตัวอักษร) หรือเสียงราว 100 วินาที ข้อความที่ยาวกว่านั้นให้แบ่งส่งเป็นช่วง ตัดที่จบประโยค

voicestringdefault:kaitom

kaitomkaimook หรือ kaidang ดูเสียงและสไตล์ ใช้กับ /clone ไม่ได้ เพราะ /clone พูดด้วยเสียงจากคลิปที่อัปโหลด

stylestringdefault:neutral

neutralfriendlycheerfulcalmserioussadexcited หรือ empathetic สไตล์เปลี่ยนน้ำเสียง ไม่เปลี่ยนเสียง ค่าอื่นจะถูกปฏิเสธด้วย 400

formatstringdefault:wav

wav หรือ mp3

filefile

เฉพาะ /clone และจำเป็นต้องส่ง: เสียงพูดที่สะอาดของผู้พูดคนเดียว 10 ถึง 20 วินาที เป็น WAV หรือ MP3 ไม่เกิน 20 MB คลิปที่สั้นกว่านี้หรือมีเสียงรบกวนจะถูกปฏิเสธด้วย 400

consentboolean

เฉพาะ /clone และจำเป็นต้องส่ง: true เพื่อยืนยันว่าเสียงนี้เป็นของคุณ หรือเจ้าของเสียงยินยอมแล้ว หากไม่ส่งจะถูกปฏิเสธด้วย 400

denoisebooleandefault:false

เฉพาะ /clone: ลดเสียงรบกวนในคลิปก่อนนำไปใช้

Response

Headers

Content-Typestring

audio/wav หรือ audio/mpeg เมื่อ format เป็น mp3

X-Sample-Ratestring

48000

Body

audiobinary

ไฟล์เสียงที่เล่นหรือบันทึกได้ทันที เป็น WAV (16 บิต โมโน 48 kHz) หรือ MP3 การโคลนเสียงก็ส่งกลับแบบเดียวกัน

รหัสสถานะ

รหัส	ความหมาย
400	JSON ผิดรูปแบบ ไม่มีข้อความที่อ่านออกเสียงได้ หรือ style ที่ไม่รู้จัก ส่วน /clone คือไม่ได้ยืนยันการยินยอม หรือคลิปสั้นหรือมีเสียงรบกวนเกินไป
413	ข้อความเกิน 1,200 ตัวอักษร หรือคลิปใหญ่เกิน 20 MB
429	เรียกเกินกว่าที่ key นี้รับได้ รอสักครู่แล้วลองใหม่
503	ระบบไม่ว่าง ลองใหม่อีกครั้ง

รายละเอียดเพิ่มเติม

เสียงและสไตล์

เสียง	voice	เหมาะกับ
ไข่ต้ม เสียงหลัก	kaitom	เสียงผู้ชาย ใช้ได้ทุกงาน
ไข่มุก	kaimook	เสียงผู้หญิง สดใส เป็นกันเอง งานบริการและการต้อนรับ
ไข่แดง	kaidang	เสียงผู้ชาย งานประกาศและผู้ช่วยเสียง

style	ฟังแล้ว	ใช้กับ
neutral ค่าเริ่มต้น	เรียบ สมดุล	การให้ข้อมูล
friendly	อบอุ่น สบายๆ	แชต งานบริการ การต้อนรับ
cheerful	สดใส ร่าเริง	โปรโมชั่น ข่าวดี
calm	ช้า นุ่ม ผ่อนคลาย	คำแนะนำ การปลอบใจ
serious	หนักแน่น มั่นคง	การแจ้งเตือน ประกาศ ข้อกำหนด
sad	ช้า เบา หม่น	การแสดงความเสียใจ การขอโทษ
excited	เร็ว มีพลัง	การเฉลิมฉลอง
empathetic	อ่อนโยน ใส่ใจ	เรื่องที่ละเอียดอ่อน

ทุกเสียงพูดได้ทุกสไตล์ ฟังครบทั้ง 24 แบบได้ที่หน้า Chinda TTS ระบบอ่านตามที่เขียน จึงควรเขียน ค่ะ และ คะ ในข้อความของไข่มุก ตรงที่ไข่ต้มและไข่แดงพูดว่า ครับ

คลังเสียง

อีกสิบเสียงตามช่วงวัยและเพศ สำหรับตัวละคร สื่อการสอน และหนังสือเสียง แต่ละเสียงคือคลิปต้นแบบ ส่งเป็น file ไปที่ /clone พร้อมข้อความ style และ consent=true ในราคาเดียวกัน และรับข้อความได้ไม่เกิน 1,000 ตัวอักษรเช่นเดียวกัน ทุกเสียงพูดได้ครบแปดสไตล์ ฟังได้ที่หน้า Chinda TTS หรือเลือกใช้ในเดโมด้านบน

เสียง	อายุ	คลิปต้นแบบ
เด็กหญิง	ราว 8 ขวบ	child-f.mp3
เด็กชาย	ราว 7 ขวบ	child-m.mp3
วัยรุ่นหญิง	ราว 16 ปี	teen-f.mp3
วัยรุ่นชาย	ราว 16 ปี	teen-m.mp3
ผู้หญิง	ราว 30 ปี	adult-f.mp3
ผู้ชาย	ราว 30 ปี	adult-m.mp3
ผู้หญิงวัยกลางคน	ราว 55 ปี	mature-f.mp3
ผู้ชายวัยกลางคน	ราว 55 ปี	mature-m.mp3
คุณยาย	ราว 80 ปี	senior-f.mp3
คุณตา	ราว 80 ปี	senior-m.mp3

curl -o senior-m.mp3 https://iapp.co.th/audio/chindatts/library/senior-m.mp3
curl -X POST https://api.iapp.co.th/v3/store/audio/tts/clone \
  -H "apikey: YOUR_API_KEY" \
  -F "file=@senior-m.mp3" \
  -F "text=ตาจะเล่านิทานให้ฟังนะหลาน" \
  -F "style=calm" -F "format=mp3" -F "consent=true" \
  --output speech.mp3

ข้อความของเสียงผู้หญิงและเด็กหญิง ควรเขียน ค่ะ และ คะ เช่นเดียวกับไข่มุก

ผลการทดสอบ

วัดบนระบบจริง 28 และ 29 ตุลาคม 2569 ด้วยประโยคทดสอบภาษาไทยสาธารณะ 120 ประโยค ได้แก่ FLEURS 60 ประโยค (ประโยคจาก Wikipedia ที่มีชื่อเฉพาะและตัวเลข) และ Common Voice 17.0 อีก 60 ประโยค (ประโยคสั้นในชีวิตประจำวัน) ทุกเสียงอ่านครบทุกประโยค แล้วถอดเสียงกลับเป็นข้อความด้วยระบบรู้จำเสียง ค่าที่แสดงคืออัตราผิดพลาดระดับตัวอักษรระหว่างข้อความที่ส่งกับข้อความที่ถอดได้ ไม่นับช่องว่างและเครื่องหมายวรรคตอน ยิ่งต่ำยิ่งดี

รายการ	ผล
ไข่ต้ม เสียงเริ่มต้น 120 ประโยค	4.93% คืออ่านกลับได้ถูก 95.07% ของตัวอักษร
เสียงพร้อมใช้ 3 เสียง / เสียงจากคลังเสียง 10 เสียงที่โคลน	5.40% / 5.06%
แต่ละเสียงจากทั้งหมด 13 เสียง	4.27% ถึง 5.73%
ประโยค Common Voice 60 ประโยค: เสียงพร้อมใช้ / เสียงจากคลังเสียง / ผู้ที่บันทึกเสียงอ่านประโยคเหล่านั้น	4.72% / 3.13% / 4.60%
ไข่ต้มในสไตล์การพูดแต่ละแบบจาก 8 แบบ 30 ประโยค	4.20% ถึง 5.98% (เป็นกลาง 4.59%)
เสียงที่ได้จาก API สาธารณะ 60 ประโยค	3.51%
เวลามัธยฐานต่อประโยคผ่าน API สาธารณะจากกรุงเทพฯ: เสียงพร้อมใช้ / เสียงที่โคลน	1.47 วินาที / 4.38 วินาที

ช่วงความเชื่อมั่น 95% ของไข่ต้มอยู่ที่ 3.89% ถึง 6.02% ความแตกต่างระหว่างเสียงและระหว่างสไตล์อยู่ภายในช่วงลักษณะนี้ และบนประโยค Common Voice ระบบรู้จำเสียงถอดเสียงสังเคราะห์ได้ชัดเจนเทียบเท่าเสียงอ่านของผู้ที่บันทึกประโยคเหล่านั้น การทดสอบนี้วัดความชัดเจนของถ้อยคำ ไม่ได้วัดความเป็นธรรมชาติ ไม่มีผู้ฟังให้คะแนนความเป็นธรรมชาติของเสียงหรือความเหมือนระหว่างเสียงที่โคลนกับผู้พูดต้นฉบับ ใช้ระบบรู้จำเสียงเพียงระบบเดียวเป็นผู้ตัดสิน และประโยคทดสอบมีภาษาอังกฤษน้อย เสียงที่โคลนใช้เวลาหลายวินาทีต่อประโยค ข้อความยาวจึงควรแบ่งเป็นส่วนแล้วส่งพร้อมกัน วิธีวัดและข้อจำกัด: รายงานผลการทดสอบ (PDF)

ข้อจำกัด

• ภาษาไทยและอังกฤษ อักษรภาษาอื่น อีโมจิ และสัญลักษณ์จะถูกตัดออก ไม่อ่านออกเสียง การโคลนเสียงรองรับภาษาไทยเท่านั้น
• ไม่เกิน 1,200 ตัวอักษรต่อครั้ง (/clone ไม่เกิน 1,000) หรือเสียงราว 100 วินาที
• เรียกได้ไม่เกิน 100 ครั้งต่อวินาทีต่อ API key
• เครื่องหมายวรรคตอนกำหนดจังหวะหยุด ถ้าต้องการให้อ่านชื่อแบรนด์หรือตัวย่อแบบเจาะจง ให้เขียนทับศัพท์เป็นไทย เช่น ไอแอป แทน iApp

การจัดการข้อมูล

ข้อความและคลิปอ้างอิงประมวลผลในหน่วยความจำและไม่เก็บไว้หลังส่ง Response ส่วนการขอความยินยอมและการแจ้งเจ้าของข้อมูลตาม PDPA และ GDPR เป็นหน้าที่ของคุณในฐานะผู้ควบคุมข้อมูล

Endpoint ที่ประกาศเลิกใช้

endpoint V1 และ V2 ยังเรียกได้ในราคาเดิม แต่ไม่มีการดูแลต่อแล้ว ให้ย้ายไปใช้ /v3/store/audio/tts

Endpoint	เดิมคือ
/v3/store/speech/text-to-speech/kaitom และ /thai-tts-kaitom2/tts	V2 เสียงน้องไข่ต้ม
/v3/store/speech/text-to-speech/kaitom/v1 และ /thai-tts-kaitom/tts	V1 เสียงน้องไข่ต้ม
/v3/store/speech/text-to-speech/cee และ /thai-tts-cee/tts	V1 เสียงคุณซี

วิธีย้าย ส่ง JSON ที่มี text และใส่ voice style format ตามต้องการ แทน form หรือ query string และไม่ต้องส่ง language เพราะระบบตรวจภาษาให้เอง Response เป็นไฟล์เสียงที่เล่นได้ทันที ทั้งนี้ไม่มีเสียงคุณซีแล้ว

Changelog

เวอร์ชัน	การเปลี่ยนแปลง
ราคา, ต.ค. 2569	0.2 IC ต่อ 1,000 ตัวอักษร นับทีละ 100 ตัวอักษร (เดิม 1 IC ต่อครั้ง) และแพ็กเกจรายเดือน Voice S, M และ L สำหรับ 2.5, 7.5 และ 25 ล้านตัวอักษร
คลังเสียง, 27 ต.ค. 2569	สิบเสียงตามช่วงวัยและเพศ ตั้งแต่เด็กหญิงราว 8 ขวบจนถึงคุณตาราว 80 ปี แต่ละเสียงเป็นคลิปต้นแบบที่เผยแพร่ไว้สำหรับ /clone และเลือกได้ในเดโมใต้สามเสียงหลัก ดูคลังเสียง
Chinda TTS, ต.ค. 2569	สามเสียง (voice: kaitom kaimook kaidang) สไตล์การพูดแปดแบบ (style) และเลือก WAV หรือ MP3 ได้ (format) Response เปลี่ยนเป็นไฟล์เสียง WAV ที่ 48 kHz หรือ MP3 แทน PCM ดิบที่ 24 kHz เล่นหรือบันทึกได้ทันที ไม่ต้องใส่ header WAV เอง ส่วนการโคลนเสียงรับ style format และ denoise
Chinda TTS	endpoint V3 ทำงานบน Chinda TTS โดย Request และ Response เหมือนเดิม รับข้อความได้ไม่เกิน 1,200 ตัวอักษรต่อครั้ง ส่วน endpoint V1 และ V2 ประกาศเลิกใช้แล้ว ดู Endpoint ที่ประกาศเลิกใช้
V3	ใช้ /v3/store/audio/tts แทน /v3/store/speech/text-to-speech/kaitom รับ JSON ตรวจภาษาให้เองโดยไม่ต้องระบุโหมด language ยาวได้ 10,000 ตัวอักษร เสียง 24 kHz อ่านตัวเลข วันที่ สกุลเงิน เวลา และเปอร์เซ็นต์เป็นคำ และโคลนเสียงได้