เริ่มต้นใช้งาน OmniVoice Studio: ทางเลือกโอเพนซอร์สของ ElevenLabs ที่ทำงานแบบ Local 100%

บทนำ

หากคุณเคยใช้งาน ElevenLabs คุณอาจกังวลกับโควตาตัวอักษรที่ลดลงอย่างรวดเร็วในแพ็กเกจฟรี หรือค่าใช้จ่ายที่สูงถึง $22-$99 ต่อเดือนสำหรับแผน Creator และ Pro นอกจากเรื่องราคาแล้ว ประเด็นความปลอดภัยของข้อมูลยังเป็นเรื่องสำคัญ เพราะทุกไฟล์เสียงที่คุณสร้างจะถูกส่งไปยังเซิร์ฟเวอร์ภายนอก ซึ่งอาจไม่ตอบโจทย์หากคุณทำงานกับข้อมูลที่เป็นความลับหรือต้องการความเป็นส่วนตัว

OmniVoice Studio จึงถูกพัฒนาขึ้นด้วยแนวคิดที่แตกต่าง โดยให้ทุกอย่างทำงานบนฮาร์ดแวร์ของคุณเอง ไม่ว่าจะเป็นการโคลนเสียง (Voice Cloning), การพากย์วิดีโอ (Video Dubbing), การพิมพ์ตามคำบอกแบบเรียลไทม์ และการออกแบบเสียง ทั้งหมดนี้ทำงานแบบ Local ใช้งานได้ฟรี ไม่ต้องใช้ API Key และไม่มีข้อจำกัดเรื่องปริมาณการใช้งาน โดยชูจุดเด่นที่รองรับภาษาถึง 646 ภาษา ซึ่งมากกว่า ElevenLabs ที่รองรับเพียง 32 ภาษา

ปัจจุบันโปรเจกต์นี้ได้รับความนิยมอย่างสูงบน GitHub ด้วยยอด Star กว่า 7.1k และการ Fork อีก 1.1k ครั้ง โดยเวอร์ชันล่าสุด v0.2.7 (ปล่อยเมื่อต้นเดือนพฤษภาคม 2026) มาพร้อมตัวติดตั้งที่รองรับทั้ง macOS, Windows และ Linux บทความนี้จะพาทุกคนไปดูตั้งแต่การติดตั้งไปจนถึงการสร้างไฟล์เสียงแรกของคุณ

ข้อควรทราบ: เนื่องจาก OmniVoice Studio ยังอยู่ในช่วง Beta แนะนำให้รันผ่าน Source ด้วยคำสั่ง bun run desktop-prod เพื่อการทำงานที่เสถียรที่สุดและได้รับการอัปเดตล่าสุดที่รวดเร็วกว่าตัวติดตั้งสำเร็จรูป

OmniVoice Studio คืออะไรและทำไมถึงควรใช้

นิยามที่ง่ายที่สุดของ OmniVoice Studio คือแอปพลิเคชัน AI เสียงระดับมืออาชีพที่ไม่เคยส่งข้อมูลออกนอกเครื่อง ไม่มีระบบสมาชิก และไม่มีการประมวลผลบนคลาวด์ ข้อมูลทั้งหมดไม่ว่าจะเป็นเสียงอ้างอิง สคริปต์ หรือไฟล์ที่สร้างขึ้นจะถูกจัดเก็บไว้ในเครื่องของคุณเพียงแห่งเดียว

ภายใต้การทำงานที่ซับซ้อนนี้ OmniVoice Studio พัฒนาขึ้นด้วยเฟรมเวิร์ก Tauri โดยใช้ภาษา Rust ครอบส่วนหน้าผล (Frontend) ที่เป็น React และมี Backend เป็น FastAPI พร้อมฐานข้อมูล SQLite ส่วนหัวใจสำคัญของ AI มาจาก 4 องค์ประกอบหลักคือ:

1. WhisperX สำหรับถอดเสียงและจัดวางตำแหน่งเวลาคำพูด
2. Demucs จาก Meta สำหรับแยกเสียงร้องออกจากดนตรีพื้นหลัง
3. OmniVoice จาก k2-fsa เอนจิน Text-to-Speech (TTS) ที่โคลนเสียงได้ใน 3 วินาที
4. Pyannote สำหรับแยกแยะว่าใครเป็นคนพูดในคลิปที่มีผู้พูดหลายคน

ระบบจะตรวจหา GPU ในเครื่องให้โดยอัตโนมัติ ไม่ว่าจะเป็น CUDA (NVIDIA), MPS (Apple Silicon), หรือ ROCm (AMD) เพื่อให้ทำงานได้เต็มประสิทธิภาพ แต่หากเครื่องมี VRAM ต่ำกว่า 8 GB ระบบจะย้ายไปประมวลผลที่ CPU แทนเพื่อให้ยังสามารถทำงานต่อไปได้

การติดตั้ง OmniVoice Studio

ขั้นตอนการติดตั้งจะเริ่มจากการเตรียมตัวซอฟต์แวร์พื้นฐาน (Prerequisites) จากนั้นทำการ Clone รีโพซิทอรี และติดตั้งความต้องการของระบบผ่าน Bun ก่อนเริ่มใช้งาน

// สำหรับ macOS

เตรียมความพร้อมด้วย Python 3.11+, Bun, Xcode Command Line Tools และ FFmpeg ผ่านคำสั่งต่อไปนี้:

brew install [email protected]
curl -fsSL https://bun.sh/install | bash
xcode-select --install
brew install ffmpeg

จากนั้นทำการ Clone และรันแอป:

git clone https://github.com/debpalash/OmniVoice-Studio.git
cd OmniVoice-Studio
bun install
bun run desktop-prod

การเปิดแอปครั้งแรกอาจใช้เวลาสักครู่ เนื่องจากระบบต้องดาวน์โหลดโมเดลขนาดประมาณ 2.4 GB สำหรับผู้ที่ใช้ไฟล์ DMG แล้วเจอข้อความแจ้งเตือนจาก Gatekeeper สามารถแก้ไขได้ด้วยคำสั่ง xattr -cr "/Applications/OmniVoice Studio.app" ใน Terminal

// สำหรับ Windows

ติดตั้ง Python 3.11, Microsoft C++ Build Tools, Bun และ FFmpeg ผ่าน PowerShell:

winget install Python.Python.3.11
powershell -c "irm bun.sh/install.ps1 | iex"
winget install Gyan.FFmpeg

รันแอปผ่าน PowerShell:

git clone https://github.com/debpalash/OmniVoice-Studio.git
cd OmniVoice-Studio
bun install
bun run desktop-prod

ข้อควรระวัง: หากใช้ Windows และมี VRAM ต่ำกว่า 16 GB อาจเจอปัญหาหน่วยความจำเต็มขณะคอมไพล์ครั้งแรก แนะนำให้ไปที่ Settings → Performance แล้วเปิด "Disable torch.compile (Windows)" เพื่อลดภาระการใช้หน่วยความจำ

การโคลนเสียง (Voice Cloning)

นี่คือฟีเจอร์เด่นที่ใช้โมเดล OmniVoice แบบ Zero-shot ซึ่งหมายความว่าคุณไม่จำเป็นต้องเทรนโมเดลใหม่ เพียงแค่มีตัวอย่างเสียงเพียง 3-10 วินาที ระบบก็สามารถเลียนแบบเสียงนั้นได้ทันทีในภาษาต่างๆ กว่า 600 ภาษา

ขั้นตอนการทำงาน: ไปที่แท็บ Voice Clone แล้วอัปโหลดหรือบันทึกเสียงอ้างอิง จากนั้นเลือกภาษาเป้าหมายและพิมพ์ข้อความที่ต้องการ เมื่อกด Generate ระบบจะสร้างเสียงจำลองให้พรีวิวและดาวน์โหลดเป็นไฟล์ MP3 หรือ WAV ได้ทันที ทั้งนี้ควรใช้ไฟล์เสียงอ้างอิงที่ไม่มีเสียงรบกวนเพื่อให้ได้คุณภาพสูงสุด

การพากย์เสียงวิดีโอ (Dubbing a Video)

ฟีเจอร์นี้รวบรวมความสามารถทั้งหมดไว้ในที่เดียว โดยคุณสามารถนำ URL จาก YouTube หรือไฟล์วิดีโอมาพากย์เสียงใหม่ได้ ระบบจะทำการถอดเสียง แปลภาษา โคลนเสียงเดิมของผู้พูด และรวมกลับเข้าไปในวิดีโอโดยยังคงเสียงบรรยากาศพื้นหลังไว้

วิดีโอความยาว 5 นาทีจะใช้เวลาประมวลผลประมาณ 8-12 นาทีบนเครื่องที่มี GPU โดยผลลัพธ์ที่ได้จะมีทั้งไฟล์วิดีโอ MP4, ซับไตเติล SRT และบทถอดเสียงฉบับเต็ม คุณยังสามารถสั่งงานแบบ Batch หลายๆ วิดีโอพร้อมกันผ่านระบบคิวได้อีกด้วย

การเชื่อมต่อกับ Claude Desktop ผ่าน MCP Server

OmniVoice Studio รองรับโปรโตคอล Model Context Protocol (MCP) ทำให้คุณสามารถสั่งงาน TTS หรือพากย์เสียงได้โดยตรงจากแอปอย่าง Claude Desktop หรือ Cursor โดยไม่ต้องเปิดหน้าต่างแอป OmniVoice ขึ้นมา

คุณเพียงแค่ตั้งค่าในไฟล์ claude_desktop_config.json ให้ชี้ไปยังเซิร์ฟเวอร์ MCP ที่รันอยู่ที่ localhost:8765 จากนั้นคุณจะสามารถพิมพ์สั่ง Claude เช่น "ช่วยสร้างเสียงพากย์ย่อหน้านี้ด้วยสำเนียงอังกฤษให้หน่อย" และระบบจะจัดการผ่าน Local API ของ OmniVoice ให้ทันที

บทสรุป

OmniVoice Studio คือเครื่องมือที่พิสูจน์ให้เห็นว่า AI เสียงคุณภาพสูงสามารถทำงานบนเครื่องส่วนบุคคลได้โดยไม่ต้องพึ่งพาคลาวด์ แม้แอปจะยังอยู่ในช่วง Beta แต่ฟังก์ชันหลักอย่างการโคลนเสียงและการพากย์นั้นทำงานได้ดีเยี่ยม เหมาะอย่างยิ่งสำหรับนักพัฒนาและครีเอเตอร์ที่ต้องการอิสระในการสร้างสรรค์และให้ความสำคัญกับความเป็นส่วนตัวของข้อมูล