ให้ AI 4 เจ้าพากย์ไทย ร้องเพลง พากย์การ์ตูน เล่นละคร: ใครเก่ง ใครคุ้ม จ่ายจริงเท่าไหร่

ถ้าคุณทำคลิปสั้น ทำคอนเทนต์ หรือกำลังจะเอาเสียง AI ไปใช้ในงานลูกค้า คำถามที่ตามมาเสมอคือ “เจ้าไหนพูดไทยได้ดี แล้วจ่ายจริงเท่าไหร่” ครับ

ผมเลยลองเองแบบจริงจัง เอาบทภาษาไทยชุดเดียวกันให้ AI พากย์เสียง (TTS: text-to-speech คือระบบที่เปลี่ยนตัวหนังสือเป็นเสียงพูด) 4 เจ้าทำ 3 งาน ได้แก่ ร้องเพลง พากย์การ์ตูน และพากย์ละครคุณธรรม แล้วจดค่าใช้จ่ายที่ระบบคิดเงินจริงทุกครั้งที่เรียก ทั้ง 128 ครั้ง

ต้องบอกก่อนว่าตัวเลขทั้งหมดในบทความนี้มาจากการทดสอบของเราเองวันที่ 15 ต.ค. 2026 ส่วนราคาทางการผมลิงก์ไปที่หน้าของผู้ให้บริการทุกเจ้า ใครอยากฟังด้วยหูตัวเองก็มีคลิปเทียบให้ครบทุกงานครับ

สรุป 30 วินาที

• อารมณ์ดีสุด: Gemini 3.8 Flash TTS ได้คะแนนอารมณ์เต็ม 5 ทั้งงานการ์ตูนและงานละคร และเป็นตัวเดียวที่ ร้องเป็นทำนองจริง
• รองในงานละคร: Fish Audio drama-3 ได้ 4.3 แต่งานการ์ตูนกลับได้แค่ 1.7
• ถูกสุด: MAI-Voice-2.1 Flash ของ Microsoft จ่ายไม่ถึงครึ่งเซนต์ต่อละคร 30 กว่าวินาที แต่เสียงแบนที่สุด (ละครได้ 1/5)
• แพงสุดในการทดสอบนี้: ElevenLabs v3 ราว 1.6 เซนต์ต่อละครชิ้นเดียวกัน และอ่านชื่อตัวละคร “ตังตัง” ผิดทั้งสอง take
• กับดักราคา: Fish Audio คิดเงินตามไบต์ ตัวอักษรไทย 1 ตัวใช้ 3 ไบต์ ภาษาไทยเลยแพงกว่าป้ายราคาราว 3 เท่า
• ทดสอบครบทุกงาน ทุกเจ้า รวมรอบที่ทำซ้ำแล้ว จ่ายไปทั้งหมด ประมาณ 0.13 ดอลลาร์ (ค่าเสียงอย่างเดียว)

ทำไมเรื่องนี้เกี่ยวกับคุณ

เสียง AI ไม่ได้อยู่แค่ในคลิปตลกแล้วครับ มันอยู่ในโฆษณา คอร์สออนไลน์ เสียงตอบรับในแอป และคลิปขายของที่คุณเลื่อนผ่านทุกวัน ถ้าคุณจะใช้เอง มี 3 อย่างที่ควรรู้ก่อนผูกปีกกับเจ้าไหน

1. ราคาบนป้ายกับราคาที่จ่ายจริงไม่เท่ากัน เพราะแต่ละเจ้านับหน่วยไม่เหมือนกัน บางเจ้านับตามความยาวเสียง บางเจ้านับตามตัวอักษร บางเจ้านับตามไบต์ ภาษาไทยเลยโดนผลกระทบไม่เท่ากัน
2. “พูดไทยได้” ไม่ได้แปลว่า “เล่นเป็น” ทั้ง 4 เจ้าออกเสียงคำไทยถูกเกือบหมด แต่พอให้แสดงอารมณ์ ผลต่างกันมาก
3. ราคาเปลี่ยนเร็ว ราคาที่เราใช้วันนี้บางตัวเป็นราคาโปรโมชัน (ดูหัวข้อสิ่งที่ยังไม่ชัดด้านล่าง) ถ้าทำงบสำหรับปีหน้า ต้องเผื่อไว้

ทำงานยังไง: เราทดสอบ 4 AI แบบไหน

ผู้เข้าแข่งขัน

AI	รุ่นที่ใช้	เรียกผ่าน	วิธีกำกับอารมณ์ที่รองรับ
Google	Gemini 3.8 Flash TTS	Vercel AI Gateway	เขียนคำสั่งเป็นภาษาคน (style instructions)
ElevenLabs	Eleven v3	API ของ ElevenLabs โดยตรง	ใส่แท็กในบท เช่น [angry] [sings]
Fish Audio	drama-3	Vercel AI Gateway	ใส่คำกำกับในวงเล็บเหลี่ยมในบท
Microsoft	MAI-Voice-2.1 Flash	Vercel AI Gateway	style สำเร็จรูป (ใช้ได้เฉพาะบางเสียง)

ตอนแรกเราตั้งใจทดสอบ Qwen TTS ด้วย แต่ Vercel AI Gateway ที่เราใช้อยู่ยังไม่มีโมเดลเสียงของ Qwen เลยเปลี่ยนเป็น MAI-Voice แทน ส่วน Vercel บอกในเอกสารว่าไม่บวกค่าส่วนต่างจากราคาผู้ให้บริการ (Vercel) ราคาที่เราเห็นจึงควรเท่ากับราคาของเจ้าของโมเดล

งาน 3 แบบ

• ร้องเพลง: ท่อนฮุกเพลงป๊อปไทยที่เราแต่งขึ้นใหม่ ยาวราว 8 วินาที (“ให้ด้วยใจ… ไม่ใช่ใครมาบังคับ รักกันจริง ต้องฟังกันบ้างนะ”) ให้ตัวละครพี่สาวคนรองในละครเป็นคนร้อง
• พากย์การ์ตูน: 3 ประโยคสั้นๆ ระหว่างแมว “ตังตัง” ที่โวยว่าขนมหาย กับหมา “หยองหยอง” ที่แอบกินแล้วโกหก
• พากย์ละครคุณธรรม: 9 บรรทัด 5 ตัวละคร ตัวร้ายแกล้งป่วยขอเลือดพี่ชาย พี่สาว 2 คนกดดัน แม่ปลอบลูกคนโปรด ยาวราว 30 วินาที

บทเพลงและบทพูดทั้งหมดเขียนขึ้นใหม่สำหรับการทดสอบนี้ ไม่ได้ลอกเพลงหรือบทของใคร

วัดอะไรบ้าง

ลองนึกภาพการคัดนักพากย์จริงครับ เรามีกรรมการ 3 ด่าน

1. ฟังรู้เรื่องไหม: ส่งเสียงทุก take ให้ AI อีกตัว (Gemini 3.1 Pro) ถอดเป็นตัวหนังสือโดยไม่บอกว่าเป็นของเจ้าไหน (เรียกว่าการฟังแบบ blind) แล้วเทียบกับบทจริงด้วยค่า CER (character error rate คือสัดส่วนตัวอักษรที่ผิดไป ยิ่งต่ำยิ่งดี)
2. เล่นถึงไหม: เอาเสียงของแต่ละเจ้ามาต่อกันเป็นฉาก แล้วให้กรรมการ AI ตัวเดิมให้คะแนน 1–5 ว่าอารมณ์ตรงตามบทไหม ฟังแยกทีละเจ้า สลับลำดับ ไม่มีชื่อเจ้าไหนติดไปด้วย ทำ 3 รอบแล้วเฉลี่ย สำหรับงานร้องเพลง ให้ตัดสินว่าร้องเป็นทำนองจริงหรือแค่พูด
3. จ่ายเท่าไหร่: บันทึกค่าใช้จ่ายที่ระบบรายงานกลับมาทุกครั้ง Vercel AI Gateway ส่งยอดเป็นดอลลาร์มาให้เลย ส่วน ElevenLabs ส่งจำนวนหน่วยที่คิดเงินมา (header character-cost) เราคูณด้วยราคา API $0.08 ต่อ 1,000 ตัวอักษรของ Eleven v3 (ElevenLabs)

ทุกเจ้าได้สร้างเสียง บรรทัดละ 2 take เท่ากัน แล้วเราเลือก take ที่ถอดคำได้ตรงที่สุดมาใช้ ไม่มีการทำซ้ำเพิ่มให้เจ้าไหนเป็นพิเศษ

ผลทดสอบ 3 งาน

งาน 1: ร้องเพลง

AI	ร้องเป็นเพลงไหม	ค่าเสียงงานนี้	ความยาวเสียง
Gemini 3.8 Flash TTS	ร้องจริงทั้ง 2 take มีทำนอง ลากเสียง	$0.0023	9.9 วินาที
ElevenLabs v3	พูด (แม้ใส่แท็ก [sings])	$0.0021	6.2 วินาที
Fish Audio drama-3	take หนึ่งร้องแค่วลีแรก ที่เหลือพูด	$0.0021	8.2 วินาที
MAI-Voice-2.1 Flash	พูด	$0.0008	9.1 วินาที

ผลนี้ชัดที่สุดในการทดสอบครับ ทั้ง 4 เจ้าออกเสียงเนื้อเพลงถูกทุกคำ แต่มีแค่ Gemini ที่ทำให้มันเป็นเพลง ตัวอื่นอ่านเนื้อเพลงเหมือนอ่านกลอน ถ้าคุณต้องการเพลงจริงๆ AI สร้างเพลงโดยเฉพาะอย่าง Eleven Music ก็มีให้ใช้ (ElevenLabs) แต่เราไม่ได้ทดสอบตัวนั้น เพราะเป็นคนละประเภทกับ TTS

งาน 2: พากย์การ์ตูน

AI	คะแนนอารมณ์ (เฉลี่ย 3 รอบ)	ถอดคำตรง	ค่าเสียงงานนี้
Gemini 3.8 Flash TTS	5.0 / 5	95%	$0.0017
ElevenLabs v3	2.7 / 5	89%	$0.0042
MAI-Voice-2.1 Flash	2.7 / 5	100%	$0.0009
Fish Audio drama-3	1.7 / 5	100%	$0.0028

ElevenLabs อ่านชื่อ “ตังตัง” เป็น “น้องตาล” กับ “ถังแตก” และอ่าน “ล่ะ” เป็น “วะ” ซึ่งในการ์ตูนเด็กถือว่าเสี่ยงครับ Gemini ก็มีจุดพลาดเล็กๆ ตรงที่หมาพูดติดอ่าง “เรา… เรา” แล้วฟังเป็นคำอื่นในบาง take

งาน 3: พากย์ละครคุณธรรม

AI	คะแนนอารมณ์ (เฉลี่ย 3 รอบ)	ถอดคำตรง	ค่าเสียงงานนี้	ความยาวเสียง
Gemini 3.8 Flash TTS	5.0 / 5	99%	$0.0087	35.4 วินาที
Fish Audio drama-3	4.3 / 5	99%	$0.0121	33.6 วินาที
ElevenLabs v3	2.3 / 5	99%	$0.0159	27.8 วินาที
MAI-Voice-2.1 Flash	1.0 / 5	99%	$0.0049	44.4 วินาที

งานละครทุกเจ้าออกเสียงถูกเกือบหมด ความต่างอยู่ที่ “เล่นถึงไหม” ล้วนๆ Fish drama-3 ที่ชื่อบอกว่าทำมาเพื่องานละคร (Fish Audio) ทำได้ดีจริงในงานนี้ แต่กลับแพ้ในงานการ์ตูน ส่วน MAI-Voice อ่านช้าและเว้นจังหวะยาว เสียงละครเลยยืดไป 44 วินาที

MAI ได้เปรียบน้อยกว่าตัวอื่นด้วยครับ เพราะเสียงไทยของมันมีแค่ 4 เสียง (ชาย 2 หญิง 2 ตามที่เราวัดระดับเสียงดู) และใส่ style อารมณ์ได้แค่ 2 เสียง (Microsoft Learn) ละครเรามีตัวละครหญิง 3 คน แม่จึงต้องใช้เสียงเดียวกับพี่สาวคนโต เราใส่ style ให้ทุกบรรทัดที่ใส่ได้แล้ว คะแนนการ์ตูนของ MAI ขึ้นจาก 1.0 เป็น 2.7 แต่งานละครยังได้ 1.0 เท่าเดิม

ภาคพิเศษ: ElevenLabs Dubbing พากย์ไทยจากต้นฉบับอังกฤษ

ElevenLabs มีอีกฟีเจอร์ชื่อ Dubbing ซึ่งไม่ได้อ่านบทที่เราเขียน แต่รับวิดีโอที่มีคนพูดอยู่แล้ว แล้วแปลเป็นภาษาอื่น โดยพยายามคงเสียง อารมณ์ และจังหวะของคนพูดเดิมไว้ (ElevenLabs Docs) เหมือนจ้างนักพากย์มาพากย์ทับหนังต่างประเทศครับ

เราเลยทำเวอร์ชันภาษาอังกฤษของทั้ง 3 งานด้วย Gemini 3.8 Flash TTS (เสียงตัวละครเดิม บทแปลจากบทไทยของเรา) แล้วส่งให้ Dubbing แปลเป็นไทย ข้อสังเกตระหว่างทดลอง

• API ไม่รับภาษาไทย แต่บนเว็บรับ: เอกสารบอกว่ารองรับ th แต่ API ของบัญชีเราตอบว่า “Target language ‘th’ is not supported” ทุกรอบ เราจึงสร้างงานผ่านหน้า Dubbing บนเว็บ (รุ่น v2) แทน
• คลิปต้องยาวอย่างน้อย 11 วินาที: คลิปการ์ตูนยาว 9 วินาที ต้องเติมความเงียบท้ายคลิปให้ครบ 12 วินาที
• คิดเงินตามความยาวคลิปต้นทาง: หน้าเว็บแสดงราคาเป็น credits ก่อนกดสร้าง (ราว 225 credits ต่อวินาที) ส่วนหน้า Dubbing API ระบุราคาเริ่มต้น $2.20 ต่อนาทีต่อหนึ่งภาษา (ElevenLabs)

งาน	ร้อง/อารมณ์	ความหมายตรงบทไทยของเรา	ค่าใช้จ่าย (credits ≈ USD ที่ $2.20/นาที)	เทียบ Gemini พากย์ไทยตรง
ร้องเพลง	ร้องเป็นเพลงไทยจริง อารมณ์ 5.0/5	5/5	2,783 ≈ $0.45	$0.0023
พากย์การ์ตูน	อารมณ์ 1.0/5	4/5	2,700 ≈ $0.44	$0.0017
พากย์ละคร	อารมณ์ 3.0/5 (กรรมการให้ 2, 5, 2)	4/5	10,073 ≈ $1.64	$0.0087

ผลที่น่าสนใจที่สุดคือ Dubbing ร้องเพลงเป็นภาษาไทยได้ เพราะมันคงทำนองจากเสียงต้นฉบับไว้ ต่างจากตอนสั่ง ElevenLabs v3 ให้อ่านบทไทยตรงๆ ที่ออกมาเป็นเสียงพูด แต่ Dubbing แปลบทเองทุกครั้ง ชื่อเฉพาะจึงเพี้ยนตาม เช่น “ตังตัง” เป็น “ถังถัง” และ “ธาม” เป็น “ทอม” (เพราะเสียงต้นฉบับอังกฤษออกเสียงชื่อแบบนั้น) ส่วนค่าใช้จ่าย งานละครชิ้นเดียวกันแพงกว่าให้ Gemini พากย์ไทยตรงราว 190 เท่า

คลิปเทียบงานอื่น: ร้องเพลง · การ์ตูน

เงิน: จ่ายจริงเท่าไหร่ และทำไมไม่เท่ากับป้ายราคา

ค่าเสียงต่องานละคร 30 กว่าวินาที

AI	จ่ายจริง (take ที่ใช้)	รวมทุก take ที่สร้าง	เฉลี่ยต่อนาทีเสียง
MAI-Voice-2.1 Flash	$0.0049	$0.0098	$0.0066
Gemini 3.8 Flash TTS	$0.0087	$0.0174	$0.0147
Fish Audio drama-3	$0.0121	$0.0242	$0.0217
ElevenLabs v3	$0.0159	$0.0318	$0.0344

ตัวเลขดูเล็กมากใช่ไหมครับ แต่ลองคูณดู ถ้าทำคลิปละครยาว 30 วินาทีวันละคลิป ทั้งปี ElevenLabs จะแพงกว่า MAI ราว 3 เท่า ส่วนความต่างที่ใหญ่กว่าเงินคือเวลาที่ต้องนั่งทำ take ใหม่ เพราะเสียงที่เล่นไม่ถึง

แต่ละเจ้านับเงินคนละแบบ

ลองนึกถึงการส่งของ 3 แบบครับ

• Gemini คิดเหมือนแท็กซี่มิเตอร์: จ่ายตามความยาวเสียงที่ได้ เสียงออกมา 1 วินาทีนับเป็น 25 token ราคา $9 ต่อล้าน token (Google) ตกราว $0.0135 ต่อนาทีเสียง ถ้าพูดช้า เงินก็วิ่งตาม
• MAI และ ElevenLabs คิดตามตัวอักษร: เหมือนร้านที่คิดเงินต่อชิ้น MAI-Voice-2.1 Flash ราคา $15 ต่อล้านตัวอักษร (Microsoft AI) และ Azure นับสระกับวรรณยุกต์ไทยเป็นตัวอักษรด้วย ส่วน Eleven v3 ราคา $0.08 ต่อ 1,000 ตัวอักษร (ElevenLabs)
• Fish Audio คิดตามน้ำหนักกล่อง (ไบต์): ตัวอักษรอังกฤษหนัก 1 ไบต์ แต่ตัวอักษรไทยหนัก 3 ไบต์ เอกสารของ Fish เองก็ระบุว่าคิดเงินตาม UTF-8 byte (Fish Audio Docs) เราวัดผ่าน gateway ได้ตรงกันคือ ส่งข้อความไป 3,390 ไบต์ ถูกคิด $0.0339 พอดี ($10 ต่อล้านไบต์) ภาษาไทยจึงจ่ายแพงกว่าป้ายที่เขียนว่า “ต่อล้านตัวอักษร” ราว 3 เท่า

อีกจุดที่ทำให้ค่าใช้จ่ายขยับคือ คำกำกับอารมณ์ ใน ElevenLabs กับ Fish คำสั่งอย่าง [angry] [shouting] อยู่ในบทเลยถูกนับเงินด้วย ส่วน Gemini ส่งคำสั่งแยกเป็นข้อความ input ที่ราคาถูกกว่าเสียงมาก

ค่าใช้จ่ายรวมของการทดสอบ

AI	จำนวนครั้งที่เรียก	ตัวอักษรไทยในบท	จ่ายรวม
Gemini 3.8 Flash TTS	26	880	$0.0254
ElevenLabs v3	26	880	$0.0443
Fish Audio drama-3	26	880	$0.0339
MAI-Voice-2.1 Flash	26 (+24 รอบแรกที่ยังไม่ใส่ style)	880	$0.0132 (+$0.0115)

รวมทั้งหมด 128 ครั้ง จ่ายค่าเสียง $0.128 ยังไม่รวมค่า AI ที่ใช้ถอดคำและให้คะแนน

สิ่งที่ยังไม่ชัด และแหล่งข้อมูลพูดไม่ตรงกัน

• ราคาโปรโมชัน: หน้าราคาของ Google ระบุว่า Gemini 3.8 Flash TTS ราคานี้ใช้ถึงสิ้นปี 2026 ตั้งแต่ 1 ม.ค. 2027 ราคา input จะเป็น $1 และเสียงเป็น $18 ต่อล้าน token คือแพงขึ้นเท่าตัว (Google) ส่วน Fish drama-3 ราคา $10 เป็นราคาเปิดตัวถึง 12 พ.ย. 2026 ราคาปกติคือ $50 (Fish Audio) ยังไม่ชัดว่าราคาบน Vercel AI Gateway จะขยับตามวันไหน
• MAI-Voice ราคาไม่ตรงกัน: หน้าโมเดลของ Microsoft บอก $15 ต่อล้านตัวอักษรสำหรับรุ่น Flash (Microsoft AI) แต่หน้าราคา Azure มีบรรทัด “MAI-Voice” บรรทัดเดียวที่ $22 (Azure) ยอดที่เราจ่ายผ่าน gateway ตรงกับ $15
• หน่วยของ ElevenLabs: ระบบรายงานหน่วยที่คิดเงิน 554 หน่วย จากบทที่ส่งไป 1,378 ตัวอักษร (นับรวมแท็กกำกับ) ซึ่งต่ำกว่าที่คาดไว้ ElevenLabs ไม่ได้อธิบายว่านับตัวอักษรไทยแบบไหน เราจึงคิดเงินตามหน่วยที่ระบบรายงาน
• ElevenLabs Dubbing ผ่าน API กับภาษาไทย: เอกสารระบุว่ารองรับ แต่ API ของบัญชีเราปฏิเสธ th ทุกครั้ง ขณะที่หน้าเว็บใช้ได้ ค่า credits ที่หน้าเว็บแสดงจะเป็นเงินเท่าไหร่ขึ้นกับแพลนของแต่ละคน เราจึงประมาณเป็นดอลลาร์จากราคาเริ่มต้น $2.20 ต่อนาที
• Fish drama-3 กับภาษาไทย: Fish ไม่ได้ระบุชื่อภาษาไทยในหน้า drama-3 แต่ในการทดสอบนี้ถอดคำไทยได้ตรงเกือบทุกบรรทัด
• กรรมการเป็น AI ไม่ใช่คน: คะแนนอารมณ์มาจาก AI ฟังแบบ blind ซึ่งมีความแกว่ง ตัวอย่างเช่น เสียง Fish ชุดเดิมเป๊ะในงานการ์ตูน รอบแรกได้ 2.7 รอบหลังได้ 1.7 ให้มองคะแนนเป็นแนวโน้ม แล้วตัดสินด้วยหูของคุณเองจากคลิป
• เสียงที่เลือกมีผล: เราเลือกเสียงไทยที่คิดว่าเหมาะกับตัวละครที่สุดในแต่ละเจ้า ถ้าเลือกเสียงอื่น ผลอาจต่างไป เสียงของ Fish มาจากคลังที่ผู้ใช้อัปโหลดเอง เราเลือกเฉพาะเสียงชื่อทั่วไป ไม่เลือกเสียงที่ตั้งชื่อตามคนดัง

ควรทำอะไร: เลือกตัวไหนดี

ถ้าคุณทำคลิปเล่าเรื่องหรือการ์ตูนที่ต้องมีอารมณ์ เริ่มที่ Gemini 3.8 Flash TTS ครับ ได้อารมณ์ดีสุดในราคากลางๆ และกำกับด้วยภาษาคนได้ ให้ทำงบเผื่อราคาที่จะขึ้นเท่าตัวในปี 2027

ถ้าทำละครเป็นหลัก แล้วอยากได้ตัวเลือกสำรอง ลอง Fish Audio drama-3 แต่อย่าลืมคูณ 3 ตอนคำนวณงบภาษาไทย และเช็กราคาหลัง 12 พ.ย. 2026

ถ้างานต้องการแค่อ่านข้อความให้ชัดและถูกที่สุด เช่น เสียงอ่านประกาศ เสียงในระบบ MAI-Voice-2.1 Flash คุ้มสุด ถอดคำได้ตรง แต่อย่าใช้กับงานที่ต้องแสดงอารมณ์

ถ้าใช้ ElevenLabs อยู่แล้ว เสียงไทยในคลังมีให้เลือกเยอะ แต่ในการทดสอบนี้ v3 แพงสุดต่อนาที และพลาดชื่อเฉพาะ ควรทำ take หลายรอบแล้วฟังชื่อตัวละครทุกครั้ง

ถ้ามีคลิปภาษาอื่นอยู่แล้ว อยากได้ฉบับพากย์ไทย ElevenLabs Dubbing คงทำนองเพลงและจังหวะเดิมได้ดี แต่แพงกว่าพากย์จากบทหลายสิบถึงหลายร้อยเท่า และแปลบทเอง ต้องตรวจชื่อเฉพาะทุกครั้ง ถ้าเขียนบทไทยเองได้ การให้ TTS อ่านบทไทยโดยตรงถูกกว่ามาก

ทุกเจ้า: ทำอย่างน้อย 2 take ต่อบรรทัด แล้วถอดเสียงกลับมาเช็กว่าคำไม่เพี้ยน โดยเฉพาะชื่อคน ชื่อแบรนด์ และคำสั้นๆ อย่าง “ล่ะ” ที่อาจกลายเป็นคำไม่สุภาพ

Recap

• Gemini 3.8 Flash TTS ชนะด้านอารมณ์ทั้ง 3 งาน และเป็นตัวเดียวที่ร้องเพลงได้จริง
• MAI-Voice-2.1 Flash ถูกสุด แต่เสียงแบน เหมาะกับงานอ่านข้อความ
• Fish Audio drama-3 เล่นละครได้ดี แต่คิดเงินตามไบต์ ภาษาไทยแพงขึ้นราว 3 เท่า
• ElevenLabs v3 แพงสุดในการทดสอบนี้ และควรเช็กการอ่านชื่อเฉพาะ
• ราคา Gemini จะขึ้นเท่าตัวตั้งแต่ 1 ม.ค. 2027 และ Fish drama-3 จะขึ้นหลัง 12 พ.ย. 2026
• ElevenLabs Dubbing (อังกฤษ → ไทย) ร้องเพลงไทยได้จริง แต่แพงกว่าพากย์ตรงราว 190 เท่าในงานละคร และชื่อเฉพาะเพี้ยน
• คะแนนอารมณ์มาจาก AI ฟังแบบ blind ให้ฟังคลิปเทียบเองก่อนตัดสินใจ

อ่านต่อ

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