แปลงข้อความเป็นเสียงพูดด้วย ChindaTTS

อ่านออกเสียงข้อความไทยหรือไทยปนอังกฤษ ด้วยหนึ่งในสามเสียงและสไตล์การพูดแปดแบบ หรือด้วยเสียงที่โคลนจากคลิปสั้น แล้วส่งกลับเป็นไฟล์ WAV หรือ MP3 ที่ 48 kHz

รุ่นทดลอง

บริการอยู่ในรุ่นทดลอง อาจใช้งานไม่ได้เป็นบางช่วง

POST/v3/store/audio/tts

และอีก 1 endpoint

ทดลองใช้

• ราคา1 ICต่อ 400 ตัวอักษร
• ให้บริการแล้ว2.1Mครั้ง

• v3.0
• ใช้งานได้

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>

Request

ส่ง JSON เพื่ออ่านด้วยเสียงที่เลือก และส่ง multipart/form-data เพื่อโคลนเสียง ทุก endpoint คิด 1 IC ต่อข้อความ 400 ตัวอักษร

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 ChindaTTS ระบบอ่านตามที่เขียน จึงควรเขียน ค่ะ และ คะ ในข้อความของไข่มุก ตรงที่ไข่ต้มและไข่แดงพูดว่า ครับ

ผลการทดสอบ

อัตราอักขระผิด (CER) เมื่อถอดเสียงที่ได้กลับเป็นข้อความ ยิ่งต่ำยิ่งดี

ข้อความ	CER
ทั่วไป	3.2%
ตัวเลข วันที่ สกุลเงิน	1.4%
ไทยปนอังกฤษ	7.6%
สไตล์ที่มีอารมณ์	3.9%

ข้อความ 100 ตัวอักษรใช้เวลาราว 1.5 วินาที และ 1,000 ตัวอักษรราว 14 วินาที

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
ChindaTTS, 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
ChindaTTS	endpoint V3 ทำงานบน ChindaTTS 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