Gradium AI เปิดตัวโมเดล TTS รุ่นใหม่ ชูความแม่นยำ 81% และความหน่วงต่ำเพียง 216 ms

ระบบ Voice agent มักประสบปัญหาในจุดสำคัญของการสนทนา เช่น การอ่านหมายเลขคำสั่งซื้อ เบอร์โทรศัพท์ หรือที่อยู่อีเมล ซึ่งเป็นข้อมูลที่ผู้โทรจำเป็นต้องจดบันทึก ล่าสุด Gradium AI ได้เปิดตัวโมเดล Text-to-Speech (TTS) รุ่นใหม่ พร้อมตั้งค่าให้เป็นโมเดลเริ่มต้นในทุก API และ Studio ของบริษัท เพื่อยกระดับประสบการณ์การสื่อสารให้สมจริงยิ่งขึ้น

จากการประเมินโดยมนุษย์โดยใช้ชุดทดสอบประโยคยาก 500 ประโยคใน 5 ภาษา พบว่าโมเดลของ Gradium ทำอัตราการผ่านได้สูงถึง 81.0% แซงหน้าคู่แข่งอย่าง Cartesia Sonic 3.6 (75.1%) และ ElevenLabs v3 Conversational (65.4%) ขณะที่ความเร็วในการตอบสนอง (Time to first audio) อยู่ที่ 216 ms ณ ค่า P50 บน Coval ซึ่งเร็วกว่าโมเดลรุ่นเดิมถึง 170 ms

โมเดลใหม่พร้อมใช้งานทันทีโดยไม่ต้องย้ายระบบ

ผู้ใช้งานสามารถเริ่มต้นได้ตั้งแต่วันนี้โดยไม่ต้องเปลี่ยนระบบเดิม เนื่องจาก Gradium ได้ทำการ switched the model on ให้เป็นค่ามาตรฐานในทุก API และ Studio ตั้งแต่วันที่ 31 สิงหาคม 2026 โดยเสียงที่ตั้งค่าไว้เดิมรวมถึงเสียงที่ปรับแต่งพิเศษ (custom clone) จะยังคงใช้งานได้ตามปกติโดยไม่มีผลกระทบใดๆ

เจาะลึกตัวเลขความแม่นยำ เพื่อยืนยันประสิทธิภาพ Gradium ได้สร้างชุดทดสอบ 500 ประโยคและเปิดแบบ open-sourced it on Hugging Face ภายใต้ลิขสิทธิ์ CC BY 4.0 ชุดข้อมูลนี้ประกอบด้วย 100 รายการจาก 10 เกณฑ์ทดสอบใน 5 ภาษา (อังกฤษ, เยอรมัน, ฝรั่งเศส, สเปน และโปรตุเกส) ครอบคลุมตั้งแต่มิติการสะกดคำ อักษรย่อ ตัวเลขผสมตัวอักษร ไปจนถึงบทสนทนาจำลองในงานบริการลูกค้าที่ซับซ้อน

กระบวนการให้คะแนนโดยมนุษย์ถูกกำหนดไว้อย่างเข้มงวด โดยประโยคจะถือว่า "ผ่าน" ก็ต่อเมื่อผู้ประเมินที่เป็นเจ้าของภาษาได้ยินข้อมูลครบถ้วนและถูกต้องทุกตัวอักษร หากมีการตกหล่นแม้เพียงหลักเดียวจะถือว่าล้มเหลวทันที ซึ่งผลลัพธ์เฉลี่ยจากทั้ง 5 ภาษาพบว่า Gradium TTS นำมาเป็นอันดับหนึ่งที่ 81.0% ตามด้วย Cartesia Sonic 3.6 ที่ 75.1% ในขณะที่ Fish Audio S2.1 Pro และ Inworld TTS 1.5 Max อยู่ที่ 49.5% และ 46.5% ตามลำดับ

ประสิทธิภาพด้านความหน่วง (Latency)

ผลการทดสอบบน Coval’s TTS benchmark ระบุว่า Gradium มีค่า P50 time to first audio อยู่ที่ 216 ms และมีค่าการกระจายของข้อมูล (interquartile range) เพียง 30 ms จากการรัน 480 ครั้ง ซึ่งถือว่ามีความเสถียรที่สุดในบรรดา 5 โมเดลที่ทดสอบ ช่วยลดปัญหาความล่าช้าในจังหวะการโต้ตอบที่ผู้โทรอาจรู้สึกได้

แม้ Gradium จะไม่ใช่โมเดลที่ทำความเร็วได้สูงสุด โดยมี Inworld TTS 2 ครองตำแหน่งที่ 166 ms แต่ Gradium ชูจุดเด่นที่ความสมดุลระหว่างความเร็วและความแม่นยำ โดยเคลมว่าเป็นโมเดลที่มีอัตราความล้มเหลวในเคสยากต่ำที่สุดในกลุ่มโมเดลที่มีความหน่วงต่ำกว่า 250 ms พร้อมความผันผวนของระบบที่น้อยมาก

การเริ่มต้นใช้งาน

สำหรับผู้ใช้เดิมของ Gradium ไม่จำเป็นต้องดำเนินการใดๆ เพิ่มเติม ส่วนทีมพัฒนาใหม่สามารถติดตั้ง Python SDK และเชื่อมต่อผ่าน WebSocket TTS endpoint ได้ทันที นอกจากนี้บริษัทได้เสนอรางวัล 1 ล้านเครดิตสำหรับผู้ที่รายงานข้อผิดพลาดในเคสยากที่สมบูรณ์ผ่านทาง Discord ของบริษัท

สรุปประเด็นสำคัญ (Key Takeaways)

• โมเดล Gradium TTS ใหม่เปิดใช้งานเป็นค่าเริ่มต้นแล้วตั้งแต่วันที่ 31 สิงหาคม 2026
• อัตราการผ่านการทดสอบโดยมนุษย์อยู่ที่ 81.0% สูงกว่าคู่แข่งรายใหญ่ในตลาด
• ความหน่วง P50 อยู่ที่ 216 ms พร้อมความเสถียรของความเร็วที่ระดับ 30 ms
• สามารถอ่านข้อมูลเฉพาะทาง เช่น เบอร์โทรศัพท์ อีเมล และรหัสอ้างอิงได้แม่นยำโดยไม่ต้องใช้กระบวนการปรับแก้ข้อความ (text normalization)
• ชุดข้อมูลทดสอบเปิดให้สาธารณะใช้งานบน Hugging Face ภายใต้ CC BY 4.0