Workshop: ลอง Gemini 3.8 Flash TTS กับ Flash-Lite TTS ให้พูดไทยจริง ต่างกันแค่ไหน คุ้มตัวไหน

ภาพประกอบในบทความ: การ์ดเปิดตัวและกราฟผลทดสอบจาก Google Blog (ใช้เพื่อการรายงานข่าว), ภาพหน้าจอเอกสารจาก Google AI for Developers ที่ผมแคปเอง ส่วนภาพ terminal และไฟล์เสียงทั้งหมดมาจากการรันจริงของผม

Google ปล่อยโมเดลแปลงข้อความเป็นเสียง (TTS — Text-to-Speech) รุ่นใหม่สองตัวเมื่อ 23 ก.ย. 2026 คือ Gemini 3.8 Flash TTS กับ Gemini 3.8 Flash-Lite TTS ผมเลยจับทั้งคู่มาพูดภาษาไทยด้วยสคริปต์เดียวกัน วัดเวลา ดูบิลจริงทีละคำขอ แล้วถอดเสียงกลับเป็นข้อความเพื่อเช็กว่าฟังรู้เรื่องไหม

จุดที่ผมว่าสำคัญที่สุดและหลายคนอาจพลาด: ตามเอกสารทางการ ภาษาไทยอยู่ในลิสต์ของ Flash TTS แต่ไม่อยู่ในลิสต์ของ Flash-Lite TTS — ทั้งที่ในการทดลองของผม Flash-Lite ก็พูดไทยออกมาได้ อ่านจบบทนี้จะรู้ว่าควรเลือกตัวไหน

ชื่อที่ถูกต้องคือ “Gemini 3.8” (ไม่ใช่ “gemnini”) model ID ที่ใช้เรียก API คือ gemini-3.8-flash-tts และ gemini-3.8-flash-lite-tts

ถ้าอยากอ่านข่าวเปิดตัวแบบสรุปก่อน ผมเคยเขียนไว้ที่ Gemini 3.8 Flash TTS + Flash-Lite TTS: สร้างเสียงตัวละครด้วยพรอมป์ บทนี้คือภาคลงมือทำครับ

การ์ดเปิดตัวสีฟ้าอ่อนของ Google เขียนว่า Introducing Gemini 3.8 Flash TTS and 3.8 Flash-Lite TTS พร้อมสัญลักษณ์ประกาย Gemini

ภาพ: Google / Google Blog

สรุป 30 วินาที

เปิดตัว 23 ก.ย. 2026 ใช้ได้แล้วใน Gemini API และ Google AI Studio (ฝั่ง Gemini Enterprise ยัง “coming soon”) ตาม ประกาศของ Google และ LiteLLM ระบุว่าทั้งสองตัวเป็น GA (ใช้งานจริงได้ ไม่ใช่ preview) มาแทน gemini-3.1-flash-tts-preview
Flash TTS = ตัวท็อป เน้นเสียงละเอียด แสดงอารมณ์ สำเนียง ออกเสียงคำยาก รองรับ 130 ภาษา (มีไทย)
Flash-Lite TTS = ตัวคุ้ม เน้นเร็ว ถูก งานปริมาณมาก รองรับ 101 ภาษา (ไม่มีไทยในลิสต์)
ราคา (Standard, ถึง 31 ธ.ค. 2026): input ข้อความ $0.50 ต่อล้านโทเคนเท่ากัน ส่วน output เสียง Flash $9 vs Flash-Lite $6 ต่อล้านโทเคน และ ราคาจะขึ้นเป็นสองเท่าตั้งแต่ 1 ม.ค. 2027
ผลทดลองของผม: ประโยคไทยยาว ~11 วินาที Flash ใช้ $0.0033 ต่อคำขอ Flash-Lite $0.0022 ถูกกว่าราว 1 ใน 3 และตอบเร็วกว่าราว 1 วินาที ถอดเสียงกลับได้ข้อความไทยถูกเกือบครบทั้งคู่

ทำไมเรื่องนี้เกี่ยวกับคุณ

ถ้าคุณทำคลิป YouTube, พอดแคสต์, หนังสือเสียง, แชตบอตที่ต้องพูดได้ หรือระบบอ่านออกเสียงบนเว็บ — TTS คือ “นักพากย์ที่จ้างเป็นรายวินาที” การเลือกผิดตัวมีผลทั้งเงินและคุณภาพ

คนทำคอนเทนต์ภาษาไทย: ตัวที่ Google รับรองว่ารองรับไทยคือ Flash TTS ตัวเดียว ถ้าใช้ Flash-Lite กับงานไทย คุณกำลังใช้นอกขอบเขตที่เอกสารรับรอง วันหนึ่งผลอาจเปลี่ยนโดยไม่มีใครเตือน
ทีมที่ทำ voice agent หรืออ่านออกเสียงจำนวนมาก: Flash-Lite ถูกกว่า 1 ใน 3 ในฝั่งเสียง output ซึ่งเป็นก้อนหลักของบิล (ในการทดลองของผม ค่า input ไม่ถึง 1% ของบิล)
คนที่ยังใช้ gemini-3.1-flash-tts-preview: รูปแบบคำขอเปลี่ยน ต้องย้ายคำกำกับการพูดออกจากข้อความ (อธิบายด้านล่าง)

ทำงานยังไง: นักพากย์ที่อ่านบท “ตามตัวอักษร”

นึกภาพห้องอัดเสียงที่มีนักพากย์สองคน คนแรก (Flash) เป็นนักพากย์ละครเวทีที่เล่นได้ทุกอารมณ์และทุกสำเนียง ค่าตัวแพงกว่า คนที่สอง (Flash-Lite) เป็นนักพากย์สายโฆษณาที่อ่านเร็ว เนียน ราคาเป็นมิตร แต่ถนัดภาษาน้อยกว่า

ทั้งสองคน อ่านบทแบบคำต่อคำ — เอกสาร Text-to-speech guide บอกชัดว่า Gemini 3.8 TTS มองข้อความที่ส่งไปเป็น “transcript ตามตัวอักษร” ถ้าคุณเขียนว่า “พูดอย่างร่าเริง: สวัสดี” มันอาจอ่านคำว่า “พูดอย่างร่าเริง” ออกมาด้วย วิธีที่ถูกคือแยกเป็นสามชั้น:

ชั้น	ใส่ตรงไหน	ตัวอย่าง
อารมณ์/สไตล์ทั้งประโยค	`style` ใน `speech_metadata` (ผ่าน AI Gateway คือ `instructions` หรือ `speechMetadata.style`)	`"cheerful and friendly"`, `"speaking slowly"`
เสียงเฉพาะจุด	แท็กในวงเล็บมุม `<...>` แทรกในข้อความ (แนะนำให้ใช้แท็กภาษาอังกฤษแม้บทเป็นภาษาอื่น)	`<laughs>`, `<sigh>`
คนฟังแทรก (backchannel)	ครอบด้วย `	…

ความสามารถหลักที่ Google ประกาศ และ เอกสาร ยืนยัน:

เสียงสำเร็จรูป 30 เสียง (เช่น Kore, Puck, Fenrir, Schedar) และ Extended Voice Library อีกหลายร้อยเสียงผ่าน GET /v1beta/voices — บล็อกของ Google ใช้คำว่า 2,000+ เสียง
Voice design สร้างเสียงใหม่จากคำบรรยาย และ Voice replication โคลนเสียงจากตัวอย่าง ~30 วินาที ต้องมีคลิปยินยอมจากเจ้าของเสียง (ฟีเจอร์โคลนเสียงใน AI Studio ยังไม่เปิดในบางพื้นที่ เช่น EEA, UK, India, Illinois, Texas)
บทสนทนา 2 คนในคำขอเดียว (สูงสุด 2 speaker ด้วยเสียงสำเร็จรูป)
เสียงทุกคลิปฝังลายน้ำ SynthID ที่หูไม่ได้ยิน เพื่อให้ตรวจได้ว่าเป็นเสียงจาก AI
ขีดจำกัดต่อคำขอ: input 8,192 โทเคน, output 16,384 โทเคน ไม่รองรับ Live API, function calling หรือ thinking (model page)
คำขอแบบปกติได้ไฟล์ WAV มี header พร้อมใช้ (24 kHz, mono, 16-bit) ไม่ต้องห่อ PCM เองเหมือนรุ่นก่อน

ภาพหน้าจอตารางเอกสาร Google เทียบ Gemini 3.8 Flash-Lite TTS กับ Flash TTS ระบุจุดเด่น งานที่เหมาะ จำนวนภาษา 101 กับ 130 และรุ่นที่มาแทน

ภาพหน้าจอ: Google AI for Developers แคปเมื่อ 26 ก.ย. 2026

เทียบสเปกแบบตารางเดียวจบ

	Gemini 3.8 Flash TTS	Gemini 3.8 Flash-Lite TTS
Model ID	`gemini-3.8-flash-tts`	`gemini-3.8-flash-lite-tts`
สถานะ	GA, เปิดตัว 23 ก.ย. 2026	GA, เปิดตัว 23 ก.ย. 2026
จุดเด่น (ตามเอกสาร)	เสียงละเอียด แสดงอารมณ์ สำเนียง คำยาก	เร็ว ถูก งานปริมาณมาก
จำนวนภาษา	130	101
ภาษาไทยในลิสต์ทางการ	✅ มี	❌ ไม่มี
บทสนทนา 2 คน / Voice design / Voice replication	✅ / ✅ / ✅	✅ / ✅ / ✅
ราคา input ข้อความ (Standard, ถึง 31 ธ.ค. 2026)	$0.50 / 1M tokens	$0.50 / 1M tokens
ราคา output เสียง (Standard, ถึง 31 ธ.ค. 2026)	$9.00 / 1M tokens	$6.00 / 1M tokens
ราคาตั้งแต่ 1 ม.ค. 2027	$1.00 in / $18.00 out	$1.00 in / $12.00 out
Batch / Flex	ครึ่งราคา	ครึ่งราคา
Free tier (Standard)	มี (ฟรีทั้ง input/output แต่ข้อมูลถูกใช้พัฒนาผลิตภัณฑ์)	มี
ค่าที่ผมวัดได้: ไทย ~11 วินาที	5.3 วิ (มัธยฐาน 4 รอบ), $0.0033	4.4 วิ (มัธยฐาน 4 รอบ), $0.0022

ที่มาของราคาคือ หน้า pricing ซึ่งตรงกับตัวเลขที่ LiteLLM และ Vercel AI Gateway ใช้ เทียบกับรุ่นก่อน gemini-3.1-flash-tts-preview ที่ $1.00 in / $20.00 out ถือว่าลดลงมากในช่วงนี้

ฝั่งคุณภาพ Google อ้างผลทดสอบของบุคคลที่สาม: Flash TTS ได้อันดับ 1 และ Flash-Lite อันดับ 2 ใน Overall Quality ของ Hume AI (0.920 vs 0.914) — ห่างกันนิดเดียว ส่วนการโหวตแบบฟังเทียบ (Voice Arena) Flash-Lite ชนะ Flash ในภาษาอังกฤษ โปรตุเกสบราซิล และเวียดนามด้วยซ้ำ แต่ไม่มีภาษาไทยในกราฟ และนี่คือตัวเลขที่ Google เลือกมาแสดงเอง

กราฟ Text-to-Speech Quality Benchmark จาก Hume AI คะแนน Overall ของ Gemini 3.8 Flash TTS 0.920 และ Flash-Lite TTS 0.914 สูงกว่า Gemini 3.1 Flash TTS, ElevenLabs v3, Cartesia Sonic 3.6, OpenAI gpt-4o-mini-tts และ Inworld TTS-2

ภาพ: Google / Google Blog

กราฟ Text-to-Speech Leaderboard จาก Voice Arena แสดงคะแนนรายภาษา อังกฤษ ญี่ปุ่น โปรตุเกสบราซิล เวียดนาม อาหรับ ฮินดี และสเปนเม็กซิโก โดย Flash-Lite TTS ชนะในอังกฤษ โปรตุเกส และเวียดนาม

ภาพ: Google / Google Blog

Workshop: ลงมือเทียบเอง

เตรียมของ

ผมไม่ได้ใช้ Gemini API key ตรง แต่เรียกผ่าน Vercel AI Gateway ซึ่ง ประกาศรองรับสองรุ่นนี้ตั้งแต่วันเปิดตัว ข้อดีคือได้ค่าใช้จ่ายของแต่ละคำขอกลับมาใน response เลย เหมาะกับการเทียบราคา

สิ่งที่ต้องมี:

Node.js 22.18 ขึ้นไป (รันไฟล์ .ts ได้เลย) หรือ Bun
AI_GATEWAY_API_KEY จาก Vercel dashboard (ห้าม commit ลง git)
ffmpeg (ไม่บังคับ ใช้แปลงเป็น MP3)

ถ้าอยากเรียก Gemini API ตรง ให้สร้าง key ใน Google AI Studio แล้วใช้ endpoint generativelanguage.googleapis.com/v1beta/interactions ตาม คู่มือ TTS — รูปแบบ JSON ต่างจาก Gateway เล็กน้อย รอบนี้ผมไม่ได้ทดสอบเส้นทางนั้น

ขั้นที่ 1: เรียกเสียงพูดคนเดียว

โค้ดส่วนนี้ต้องใช้ network และ API key จึงเป็น ตัวอย่างบางส่วน (fragment) ที่ตัดมาจากสคริปต์เต็มที่ผมรันจริง:

const res = await fetch('https://ai-gateway.vercel.sh/v4/ai/speech-model', {
  method: 'POST',
  headers: {
    Authorization: `Bearer ${process.env.AI_GATEWAY_API_KEY}`,
    'ai-gateway-protocol-version': '0.0.1',
    'ai-speech-model-specification-version': '4',
    'ai-model-id': 'google/gemini-3.8-flash-tts', // หรือ google/gemini-3.8-flash-lite-tts
    'Content-Type': 'application/json',
  },
  body: JSON.stringify({
    text: 'สวัสดีครับ ผมน้องกายจาก Showkhun Lab ...',
    voice: 'Puck',
    instructions: 'friendly, upbeat, casual Thai YouTuber', // สไตล์ ไม่ถูกอ่านออกเสียง
    outputFormat: 'wav',
  }),
});
const json = await res.json();
await writeFile('out.wav', Buffer.from(json.audio, 'base64')); // มี WAV header แล้ว
console.log(json.providerMetadata.gateway.cost); // ค่าใช้จ่าย USD ของคำขอนี้

สิ่งที่พลาดง่าย: ถ้าไม่ใส่ header ai-gateway-protocol-version จะได้ error Unsupported gateway protocol version (ผมโดนมาแล้วครับ)

ขั้นที่ 2: บทสนทนา 2 เสียง

ใส่ข้อความเป็น turns ทีละประโยค ระบุ speaker ทุกประโยคให้ตรงกับที่ตั้งเสียงไว้ และปล่อย text เป็นค่าว่าง (fragment):

const body = {
  text: '',
  outputFormat: 'wav',
  providerOptions: {
    google: {
      multiSpeakerVoiceConfig: {
        speakerVoiceConfigs: [
          { speaker: 'Flash', voiceConfig: { prebuiltVoiceConfig: { voiceName: 'Puck' } } },
          { speaker: 'Lite', voiceConfig: { prebuiltVoiceConfig: { voiceName: 'Kore' } } },
        ],
      },
      turns: [
        { text: 'ผม Flash ครับ เสียงละเอียด เล่นใหญ่ได้เต็มที่', speechMetadata: { speaker: 'Flash', style: 'proud, dramatic' } },
        { text: 'ส่วนผม Lite ครับ เร็วกว่า ถูกกว่า <laughs> แต่ภาษาไทยไม่อยู่ในลิสต์ทางการนะ', speechMetadata: { speaker: 'Lite', style: 'cheeky, fast' } },
        { text: 'อ้าว แล้วที่พูดอยู่นี่ภาษาอะไรล่ะ', speechMetadata: { speaker: 'Flash', style: 'confused' } },
        { text: 'ภาษาใจครับพี่', speechMetadata: { speaker: 'Lite', style: 'deadpan' } },
      ],
    },
  },
};

ขั้นที่ 3: รันเทียบทั้งสองรุ่น

สคริปต์เต็ม tts-bench.ts วนส่งสคริปต์เดียวกัน 3 แบบ (ไทยพูดคนเดียว, ไทย 2 เสียง, อังกฤษเป็นตัวควบคุม) ให้ทั้งสองรุ่น แล้วเซฟ WAV/MP3 พร้อมจับเวลาและค่าใช้จ่าย ผลรันจริงเมื่อ 26 ก.ย. 2026 ราว 23:15 น. (เวลาไทย):

หน้าจอ terminal แสดงผลรัน node tts-bench.ts เทียบ gemini-3.8-flash-tts กับ gemini-3.8-flash-lite-tts ในสามเคส พร้อมเวลาตอบกลับ ความยาวเสียง และค่าใช้จ่ายเป็นดอลลาร์

เคส	รุ่น	เวลาตอบกลับ	ความยาวเสียง	ค่าใช้จ่ายจริง (USD)
ไทย พูดคนเดียว	Flash	5,688 ms	11.36 วิ	0.003302
ไทย พูดคนเดียว	Flash-Lite	4,372 ms	11.32 วิ	0.002204
ไทย 2 เสียง	Flash	6,182 ms	14.40 วิ	0.004175
ไทย 2 เสียง	Flash-Lite	6,319 ms	15.84 วิ	0.003068
อังกฤษ	Flash	3,645 ms	5.72 วิ	0.001667
อังกฤษ	Flash-Lite	3,479 ms	6.28 วิ	0.001218

ผมยิงเคสไทยพูดคนเดียวซ้ำอีก 3 รอบ: Flash 5.62 / 5.00 / 5.32 วิ, Flash-Lite 4.85 / 4.10 / 4.39 วิ รวมกับรอบแรกได้มัธยฐานราว 5.3 vs 4.4 วินาที เวลานี้รวมเครือข่ายจากเครื่องผมผ่าน Gateway และเป็นคำขอแบบรอจนเสร็จ (ไม่ใช่ streaming) จึงเป็นแค่ตัวเลขบอกทิศทาง ไม่ใช่ benchmark

ลองฟังเสียงจริงเทียบกัน (ไฟล์ MP3 จากการรันข้างบน):

Flash TTS — ไทย พูดคนเดียว

Flash-Lite TTS — ไทย พูดคนเดียว

Flash TTS — ไทย 2 เสียง

Flash-Lite TTS — ไทย 2 เสียง

ดูคลิปผลลัพธ์ 10 วินาที

แมวเดินบนเปียโน พากย์โดย Flash กับ Flash-Lite TTS — คลิปโดย cottonbro studio / Pexels

ดูคลิปบน YouTube

ขั้นที่ 4: เช็กว่าฟังรู้เรื่องไหม ด้วยการถอดเสียงกลับ

หูคนเดียวตัดสินยาก ผมเลยส่งไฟล์เสียงทุกไฟล์ให้ google/gemini-3.5-transcribe ถอดกลับเป็นข้อความ (สคริปต์ transcribe-check.py) ผลคือข้อความไทยกลับมาเกือบตรงบททั้งสองรุ่น รวมถึง “ก๋วยเตี๋ยวเรือ”, “50 บาท” และ “Kubernetes”

หน้าจอ terminal แสดงข้อความภาษาไทยที่ถอดกลับจากไฟล์เสียงของ Flash TTS และ Flash-Lite TTS ทั้งเคสพูดคนเดียวและบทสนทนา

จุดที่พลาดเหมือนกันทั้งคู่คือชื่อแบรนด์ “Showkhun” — ตัวถอดเสียงได้ยินเป็น “โชว์คูลแล็บ”, “Shogun Lab” และ “Shokunin Lab” แปลว่าชื่อเฉพาะที่สะกดแบบไม่ปกติควรเขียนเป็นคำอ่านไทยในบท (เช่น “โชว์คุณ”) ถ้าอยากให้ออกเสียงนิ่ง

ข้อควรระวัง: การถอดเสียงได้ถูกแปลว่า “ฟังรู้เรื่อง” ไม่ได้แปลว่า “เสียงเป็นธรรมชาติ” ความรู้สึกของผมเองตอนฟังคือ Flash ใส่อารมณ์ตาม style ได้ชัดกว่า ส่วน Flash-Lite ราบกว่านิดหน่อย — อันนี้เป็นความเห็นส่วนตัว ลองฟังไฟล์ข้างบนแล้วตัดสินเองครับ

ขั้นที่ 5: คิดค่าใช้จ่ายล่วงหน้า

โค้ดนี้รันออฟไลน์ได้ ใช้ราคาจากหน้า pricing และอัตราที่ผมวัดได้จริงจาก Gateway (ประมาณ 0.29 และ 0.19 เซนต์ต่อเสียง 10 วินาที ในเคสไทย):

// ค่าใช้จ่ายที่วัดได้จริงต่อเสียง 10 วินาที (เคสไทยพูดคนเดียว, 26 ก.ย. 2026)
const measuredUsdPer10s = {
  flash: (0.003302 / 11.36) * 10,
  flashLite: (0.002204 / 11.32) * 10,
};

function monthlyCost(minutesPerMonth: number, usdPer10s: number): number {
  return (minutesPerMonth * 60 / 10) * usdPer10s;
}

for (const minutes of [10, 100, 1000]) {
  const f = monthlyCost(minutes, measuredUsdPer10s.flash);
  const l = monthlyCost(minutes, measuredUsdPer10s.flashLite);
  console.log(`${minutes} นาที/เดือน -> Flash $${f.toFixed(2)} | Flash-Lite $${l.toFixed(2)}`);
}

ผลที่ได้คือ 10 นาทีต่อเดือนราว $0.17 vs $0.12, 100 นาทีราว $1.74 vs $1.17 และ 1,000 นาทีราว $17.44 vs $11.68 (ราคาช่วงถึงสิ้นปี 2026 เท่านั้น ปีหน้าคูณสอง)

จุดที่ยังไม่ชัด และแหล่งข้อมูลพูดไม่ตรงกัน

ภาษาไทยบน Flash-Lite: ตารางในเอกสาร Google บอกว่าไม่รองรับ แต่ผลจริงของผมพูดได้และถอดกลับได้ครบ ผมมองว่าอย่าอ่านผลนี้ว่า “รองรับแล้ว” — มันคือการทำงานนอกขอบเขตที่ Google รับรอง ซึ่งอาจเปลี่ยนเมื่อไหร่ก็ได้ บทความของ Picsart ก็ระบุตรงกันว่าไทยเป็นหนึ่งใน 29 ภาษาที่มีเฉพาะใน Flash
จำนวนเสียง: Google Blog พูดถึง “2,000+ เสียง” ส่วนเอกสาร TTS เขียนว่า Extended Voice Library มี “หลายร้อย” เสียงนอกเหนือจาก 30 เสียงหลัก
อัตราโทเคนต่อวินาที: หน้า pricing แปลงราคาเป็น “$0.00225 ต่อเสียง 10 วินาที” สำหรับ Flash (ประมาณ 25 โทเคนต่อวินาที) แต่บิลจริงที่ผมได้จาก Gateway ในเคสไทยตกราว $0.0029 ต่อ 10 วินาที สูงกว่าราว 29% ผมยังไม่รู้สาเหตุ — อาจเป็นวิธีนับโทเคนเสียงหรือช่วงเงียบในไฟล์ ให้ถือตัวเลขในบิลของคุณเป็นหลัก
Rate limit ของ free tier: หน้า pricing บอกว่า Standard มี free tier แต่ผมยังไม่ได้ตรวจตัวเลขโควตาต่อนาที/ต่อวันของสองรุ่นนี้ ให้เช็กในหน้า rate limits ของ AI Studio ของบัญชีคุณเอง
ผลทดสอบคุณภาพ ที่ยกมาเป็นตัวเลขที่ Google นำเสนอเอง ยังไม่เห็นการทดสอบอิสระที่วัดภาษาไทยโดยตรง

แล้วเราควรทำอะไร

คนทำคอนเทนต์ไทย (คลิป/พอดแคสต์/หนังสือเสียง): เริ่มที่ Flash TTS เพราะเป็นตัวเดียวที่รับรองภาษาไทย และใส่อารมณ์ได้ดีกว่า คลิปสั้นยาวไม่กี่สิบวินาทีมีค่าเสียงไม่ถึง 1 เซนต์ดอลลาร์
ทีมที่ทำ voice agent หรือ read-aloud ปริมาณมาก: ถ้าภาษาหลักอยู่ในลิสต์ของ Flash-Lite (อังกฤษ, ญี่ปุ่น, เวียดนาม ฯลฯ) ใช้ Flash-Lite ประหยัดได้ราว 1 ใน 3 ถ้าเป็นภาษาไทย ให้ใช้ Flash เป็นหลัก และวางแผนงบสำหรับราคาที่ขึ้นเท่าตัวในปี 2027
นักพัฒนาที่ย้ายจาก 3.1 preview: ย้ายคำกำกับการพูดไปไว้ใน style ใส่ speaker ทุกประโยคในบทสนทนา และเลิกห่อ WAV header เอง
ทุกคน: ใช้ Batch/Flex ถ้าไม่ต้องการผลทันที (ครึ่งราคา) และอย่าลืมบอกผู้ชมว่าเป็นเสียง AI

ผมมองว่าจุดเปลี่ยนของรุ่นนี้ไม่ใช่แค่เสียงดีขึ้น แต่คือ “ราคาเสียงที่ใส่อารมณ์ได้” ถูกลงจนคนทำคลิปคนเดียวก็จ้างนักพากย์ AI ได้ทุกวัน สิ่งที่ต้องจับตาต่อคือ Google จะเพิ่มภาษาไทยให้ Flash-Lite เมื่อไหร่ และราคาปี 2027 จะกระทบงานปริมาณมากแค่ไหน — คุณจะให้ AI พากย์งานแบบไหนก่อนครับ?

Recap

ชื่อที่ถูก: gemini-3.8-flash-tts และ gemini-3.8-flash-lite-tts (GA, 23 ก.ย. 2026)
ภาษาไทยอยู่ในลิสต์ทางการของ Flash เท่านั้น
Output เสียง $9 vs $6 ต่อล้านโทเคนถึงสิ้นปี 2026 แล้วขึ้นเท่าตัว
สไตล์การพูดใส่ใน style / instructions ไม่ใช่ในข้อความ
ผลจริงของผม: Flash-Lite ถูกกว่า ~33% เร็วกว่า ~1 วินาที ถอดเสียงไทยกลับได้ทั้งคู่
ชื่อเฉพาะแปลกๆ เขียนเป็นคำอ่านไทยในบท

สรุป 30 วินาที

ทำไมเรื่องนี้เกี่ยวกับคุณ

ทำงานยังไง: นักพากย์ที่อ่านบท “ตามตัวอักษร”

เทียบสเปกแบบตารางเดียวจบ

Workshop: ลงมือเทียบเอง

เตรียมของ

ขั้นที่ 1: เรียกเสียงพูดคนเดียว

ขั้นที่ 2: บทสนทนา 2 เสียง

ขั้นที่ 3: รันเทียบทั้งสองรุ่น

ดูคลิปผลลัพธ์ 10 วินาที

ขั้นที่ 4: เช็กว่าฟังรู้เรื่องไหม ด้วยการถอดเสียงกลับ

ขั้นที่ 5: คิดค่าใช้จ่ายล่วงหน้า

จุดที่ยังไม่ชัด และแหล่งข้อมูลพูดไม่ตรงกัน

แล้วเราควรทำอะไร

Recap

เลือกการใช้คุกกี้วิเคราะห์