Ollama สำหรับ Mac รองรับโมเดล Text-to-Speech แบบ Local แล้ว

Ollama แพลตฟอร์มยอดนิยมสำหรับการรันโมเดล AI แบบ local ประกาศว่าแอปบนเวอร์ชัน Mac รองรับการสร้างเสียงจากข้อความ (text-to-speech) เรียบร้อยแล้ว โดยมีแผนจะรองรับระบบปฏิบัติการ Windows และ Linux ในลำดับถัดไป

Ollama รองรับโมเดลเสียงแล้ว

สำหรับผู้ที่ยังไม่คุ้นเคย Ollama คือแพลตฟอร์มที่เปิดให้ผู้ใช้สามารถดาวน์โหลดและรันโมเดล AI แบบโอเพนซอร์สได้โดยตรงบนเครื่อง Mac ของตนเอง หรือเลือกเข้าถึงโมเดลที่ทรงพลังกว่าผ่านระบบคลาวด์ ซึ่งปัจจุบันมีให้บริการทั้งบน Windows และ Linux เช่นกัน

โปรเจกต์ Ollama พัฒนาขึ้นในรูปแบบโอเพนซอร์สและกลายเป็นหนึ่งในเครื่องมือ AI ที่ได้รับความนิยมสูงสุดบน GitHub ด้วยจำนวนดาวเกือบ 185,000 ดวง และมีการฟอร์ก (fork) ไปแล้วประมาณ 18,600 ครั้ง โดยผู้ที่สนใจสามารถศึกษาข้อมูลเพิ่มเติมได้ ที่นี่

สำหรับการทำงานบน macOS นั้น Ollama ได้นำ MLX ของ Apple ซึ่งเป็นเฟรมเวิร์กการเรียนรู้ของเครื่องแบบโอเพนซอร์สมาใช้งาน เพื่อดึงประสิทธิภาพจากสถาปัตยกรรมหน่วยความจำรวม (unified memory architecture) ของชิป Apple Silicon ส่งผลให้โมเดล AI ทำงานได้อย่างรวดเร็วและมีประสิทธิภาพสูงสุด

เมื่อติดตั้งและรัน Ollama แล้ว ผู้ใช้สามารถดาวน์โหลดโมเดล AI จากแหล่งเก็บข้อมูลชั้นนำอย่าง Hugging Face มาใช้งานบนเครื่องได้ทันที ข้อดีคือสามารถใช้งาน AI ได้โดยไม่ต้องเชื่อมต่ออินเทอร์เน็ตและไม่ต้องส่งข้อมูลไปยังเซิร์ฟเวอร์ภายนอก ช่วยเพิ่มความเป็นส่วนตัว แม้ว่าประสิทธิภาพจะขึ้นอยู่กับสเปกฮาร์ดแวร์ของ Mac เป็นหลักก็ตาม

ล่าสุด Ollama เพิ่งประกาศ รองรับ Phonon ซึ่งเป็นตระกูลโมเดล text-to-speech ที่พัฒนาโดย Gradium ถือเป็นครั้งแรกที่แพลตฟอร์มนี้ขยับมาส่งเสริมด้านการสร้างเสียงอย่างเป็นทางการ

จุดเด่นที่ Ollama อธิบายไว้คือ การสร้างเสียงจะเป็นไปในรูปแบบเรียลไทม์ ผู้ใช้จึงสามารถฟังคำตอบที่ AI สร้างขึ้นได้ทันทีในขณะที่กำลังประมวลผล โดยไม่ต้องรอให้ข้อความทั้งหมดเสร็จสิ้นก่อน

ทาง Ollama ระบุว่า:

ตอนนี้ Ollama สามารถเปลี่ยนข้อความเป็นเสียงได้แล้ว โดยเริ่มจากโมเดล Phonon ซึ่งเป็นโมเดล text-to-speech ขนาดเล็กที่มีความล้ำสมัยจาก Gradium ขณะนี้พร้อมใช้งานแล้วบน macOS และจะรองรับ Windows กับ Linux เร็วๆ นี้

นอกจากนี้ แพลตฟอร์มยังเผยข้อมูลว่าด้วยการใช้เฟรมเวิร์ก MLX ของ Apple ช่วยให้สร้างเสียงได้เร็วขึ้นถึง 35% เมื่อเทียบกับการรันในรูปแบบเดิมของ Gradium จากผลการทดสอบบน MacBook Pro ชิป M5 Max โดยที่ยังมีอัตราความผิดพลาดของคำ (word error rate) ต่ำในระดับเดียวกับรุ่นอ้างอิงบน Hugging Face Transformers

ปัจจุบัน Phonon รองรับการใช้งาน 5 ภาษา ได้แก่ อังกฤษ, ฝรั่งเศส, เยอรมัน, สเปน และโปรตุเกส โดยมีให้เลือกทั้งแบบโมเดลเฉพาะภาษาและโมเดลหลายภาษา (multilingual) ที่รวมทุกภาษาไว้ด้วยกัน

ผู้ใช้ยังสามารถเลือกโทนเสียงและสำเนียงที่แตกต่างกันได้ตามต้องการ เช่น สำเนียงอเมริกันหรืออังกฤษ ทั้งนี้ขึ้นอยู่กับโมเดลที่เลือกใช้งาน

ฟีเจอร์โมเดลเสียงใหม่นี้พร้อมใช้งานแล้วสำหรับ Apple Silicon Mac ที่ติดตั้ง Ollama เวอร์ชัน 0.40.11 ขึ้นไป โดยสามารถดาวน์โหลด Phonon ผ่านแอป Ollama ได้โดยตรง

หากต้องการทดลองฟังตัวอย่างเสียง หรือศึกษาแนวทางการใช้งานผ่าน API และตัวอย่างโค้ด สามารถไปที่ลิงก์นี้