VoiceStudio 是甚麼？這款免費本地語音工具能否取代 ElevenLabs？

โดย Nokka (นก-กา) | 1 พ.ย. 2026

ทวีตภาษาอาหรับจากบัญชี @EngMoElgaraihy เมื่อ 30 ต.ค. 2026 [1] กลายเป็นที่พูดถึงเร็ว ๆ นี้ เขียนทำนองว่า "ยุคของค่าสมาชิกรายเดือนจบแล้ว" เพราะมีเครื่องมือฟรีโอเพนซอร์สตัวหนึ่งที่ทำให้ ElevenLabs ไม่ใช่ตัวเลือกเดียวอีกต่อไป

ตัวเลขในทวีตคือหกเดือนได้ 94,000 ดาวบน GitHub และขึ้นอันดับหนึ่งบน Trending [1]

ผมเข้าไปดูรีโปจริง ดูลิขสิทธิ์ อ่านเอกสารประสิทธิภาพ แล้วเทียบทีละข้อว่าอะไรจริง อะไรจริงบางส่วน และอะไรที่ทวีตไม่บอก

VoiceStudio คืออะไร

โปรแกรมเดียวที่รวมงานเสียงไว้ในเครื่อง

debpalash/VoiceStudio เป็นสตูดิโอเสียงในเครื่องที่รวมโคลนเสียง พากย์วิดีโอ ออกแบบเสียง ถอดความ และทำหนังสือเสียงไว้ในโปรแกรมเดียว [2] [3] ค่าเริ่มต้นคือประมวลผลในเครื่อง ไม่ต้องส่งไฟล์เสียงขึ้นคลาวด์

แต่ต้องเข้าใจให้ตรง เอกสารแบรนด์ของรีโปเตือนนักพัฒนาเองว่า ห้ามอ้างเรื่องความเป็นส่วนตัวแบบเบ็ดเสร็จ เพราะฟีเจอร์ที่ต่อเครือข่ายมีจริง ทั้งการแปลซับด้วย LLM ผ่านคลาวด์ การเก็บสถิติแบบขอความยินยอม และการดาวน์โหลดโมเดล ทั้งหมดเป็นแบบเลือกเปิดเอง [9]

ข้อมูลจาก GitHub API ณ วันที่เขียนบทนี้

• 96,950 ดาว และ 10,750 ฟอร์ก [6]
• สัญญาอนุญาต AGPL-3.0 [2]
• สร้าง 9 เม.ย. 2026 และ push ล่าสุด 1 พ.ย. 2026 [6]
• รุ่นล่าสุด v0.5.7 ปล่อย 26 ต.ค. 2026 มียอดดาวน์โหลดไฟล์ในรุ่นนั้นรวม 382,946 ครั้ง [8]
• เขียนด้วยภาษา Python มี issue เปิดค้าง 104 รายการ [6]

คำว่า "สองคน" จริงแค่ครึ่ง

ทวีตบอกว่ามีนักพัฒนาสองคนสร้างขึ้น [1]

ในหน้า README มีทีมหลักสองคนจริง คือ Palash Debnath และ Shimul Debnath [3]

แต่รายชื่อ contributor บน GitHub มีเกินร้อยคน โดยสองคนแรกมี commit 4,594 และ 912 ครั้ง ส่วนที่เหลือกระจายกันไป [6] แปลว่าแกนหลักคือสองคน แต่ผลงานที่เห็นไม่ใช่ฝีมือสองคนล้วน

ห้าข้อที่ทวีตบอก และผมตรวจแล้ว

หนึ่ง โคลนเสียงจากคลิปเดียว README เขียนว่าใช้ไฟล์เสียงอ้างอิงที่สะอาดแปลงเป็นคำพูดด้วยเสียงคุ้นหู [3]

มีรายละเอียดที่ทวีตไม่บอก คือต้องมีข้อความถอดเสียงของคลิปนั้นด้วย ถ้าไม่มี โปรแกรมจะให้ Whisper ถอดให้ ซึ่งกินเวลาเพิ่ม และในรุ่นก่อน v0.3.15 ยังถอดซ้ำทุกครั้งที่สร้างเสียง [4]

สอง พากย์วิดีโอ 646 ภาษา ตัวเลขนี้มาจากหน้า README ที่เขียนว่าโคลน ออกแบบเสียง พากย์ ถอดความ และทำหนังสือเสียงได้ใน 646 ภาษา [2] [3]

ฐานเบื้องหลังคือโมเดล OmniVoice ของ k2-fsa ซึ่งหน้าโมเดลระบุ 646 ภาษา ตรงกับตัวเลขใน README [7] ตารางภาษาในรีโปก็มี 646 แถว รวมข้อมูลฝึกราว 581,000 ชั่วโมง [10]

สาม ออกแบบเสียงด้วยคำอธิบาย มีจริงตาม README หัวข้อ voice design คือพิมพ์คำบรรยายเสียงแล้วให้ระบบสร้าง [3]

สี่ ถอดความและทำหนังสือเสียง มีจริงในหัวข้อ dictate, transcribe และ narrate [3]

ห้า ใช้ได้บน Mac, Windows, Linux, Android, iPhone จริง แต่ต้องอ่านสถานะให้ดี [3]

macOS (Apple Silicon)   เสถียร
Windows 10/11 x64       เสถียร
Linux x64               เสถียร
Docker                  เสถียร
Android 10+             Preview
iPhone / iPad iOS 17+    Preview (ติดตั้งแบบ sideload)
Windows on ARM          ทดลอง
Intel Mac               จำกัด (UI อย่างเดียว ต่อ backend)

คำว่า Preview สำคัญ เพราะแปลว่ายังไม่ผ่านการทดสอบเท่ารุ่นเดสก์ท็อป และ iOS ต้องติดตั้งผ่านไฟล์ ipa ไม่ใช่โหลดจาก App Store [3]

เรื่อง "ไม่ต้องใช้ GPU" ที่ต้องเข้าใจให้ถูก

ทวีตเขียนว่าไม่ต้องใช้การ์ดจอแรง ซึ่งเอกสารยืนยันว่าใช้ซีพียูได้จริง

แต่ประโยคที่ตามมาคือ ช้ากว่าหลายเท่า [4] ไม่ใช่ช้าเล็กน้อย

เอกสารยังเตือนอีกสองเรื่องที่คนเพิ่งเริ่มมักตกใจ

• การสร้างเสียงครั้งแรกหลังเปิดโปรแกรมจะช้าที่สุด เพราะต้องโหลดโมเดลเข้า RAM ราว 8 วินาที ต้องวัดความเร็วตั้งแต่ครั้งที่สองเป็นต้นไป [4]
• ถ้าเครื่อง RAM 16 GB แล้วเปิดเบราว์เซอร์หลายสิบแท็บพร้อมกัน ระบบอาจสลับหน่วยความจำจนโมเดลหลุด ต้องปิดแท็บหรือสั่ง unload โมเดล [4]

กับดักที่ทวีตไม่พูดถึง

สี่ข้อที่ต้องรู้ก่อนโหลด

หนึ่ง สัญญาอนุญาตของตัวโปรแกรมกับของโมเดลคนละชั้น ตัวโปรแกรมเป็น AGPL-3.0 ซึ่งใช้เชิงพาณิชย์ได้ตามเงื่อนไข แต่โมเดลที่ใช้สร้างเสียงมีลิขสิทธิ์ของตัวเอง [5]

เอกสารลิขสิทธิ์ของรีโปเขียนตรง ๆ ว่ามีอย่างน้อยสี่รายการที่เป็นเงื่อนไขแบบไม่ใช่เชิงพาณิชย์ ได้แก่ OmniVoice, OmniVoice-GGUF, NLLB และ Llama-OuteTTS และหลายรายการยังไม่ผ่านการตรวจสอบ [5]

แปลว่าถ้าคุณจะเอาไปใช้ในงานที่ได้เงิน ต้องเปิดเอกสารนี้ตรวจทีละโมเดลก่อน ไม่ใช่เชื่อคำว่า "ฟรี" ในทวีต

สอง AGPL มีผลกับคนที่ให้บริการผ่านเครือข่าย ถ้าคุณเอาโปรแกรมนี้ไปทำเป็นบริการให้คนอื่นใช้ผ่านเว็บ คุณมีหน้าที่ต้องเปิดโค้ดที่แก้ให้ผู้ใช้ด้วย ไม่ใช่แค่ใช้ฟรีเงียบ ๆ [2]

สาม คุณภาพเทียบ ElevenLabs ยังไม่มีงานวิจัยอิสระ ทวีตเขียนว่า ElevenLabs "จบแล้ว" แต่ผมค้นไม่พบการทดสอบเปรียบเทียบที่เป็นกลางว่า VoiceStudio ให้คุณภาพใกล้เคียงหรือดีกว่าในทุกภาษา

ที่พบคือรีวิวจากผู้ใช้และวิดีโอสาธิต ซึ่งบอกได้แค่ว่าใช้ได้ ไม่ได้บอกว่าแทนกันได้ทุกกรณี

สี่ การโคลนเสียงมีข้อกฎหมาย README เองเตือนให้โคลนเฉพาะเสียงที่ได้รับอนุญาตจากเจ้าของ [3] เรื่องนี้สำคัญกว่าประเด็นราคามาก เพราะเสียงเป็นข้อมูลส่วนบุคคล

ใครควรลอง ใครยังไม่ต้อง

ตัดสินจากงานที่คุณทำ

ควรลองถ้า คุณทำงานเสียงบ่อย ต้องการเก็บไฟล์ไว้ในเครื่องเพราะข้อมูลอ่อนไหว หรืออยากทดลองทำหนังสือเสียงและพากย์วิดีโอโดยไม่ผูกค่าสมัครรายเดือน

ยังไม่ต้องถ้า คุณต้องการคุณภาพระดับโฆษณาที่ผ่านการรับรอง หรือต้องใช้เชิงพาณิชย์เต็มรูปแบบ เพราะยังต้องไล่ตรวจลิขสิทธิ์โมเดลทีละตัว

และถ้าเครื่องคุณเป็น Intel Mac ตัวโปรแกรมทำได้แค่หน้าจอ ต้องต่อกับเครื่องอื่นที่รันโมเดล [3]

เริ่มยังไง

ทางที่ตรงที่สุดคือโหลดตัวติดตั้งจากหน้า release ของรีโป มีทั้ง dmg สำหรับ mac, exe สำหรับ Windows, AppImage กับ deb สำหรับ Linux [8]

ถ้าอยากรันบนเซิร์ฟเวอร์ในบ้าน ใช้ Docker จากอิมเมจ GHCR ได้ มีอิมเมจสำหรับ CPU ด้วย ทำงานได้แต่ช้ากว่า ถ้าต้องการความเร็วให้ใช้ NVIDIA CUDA หรือ AMD ROCm [3]

สิ่งที่ผมยังไม่ได้ทำ

ผมยังไม่ได้ติดตั้ง VoiceStudio แล้วสร้างเสียงจริงในรอบนี้ สิ่งที่ผมตรวจคือข้อมูลรีโป เอกสารประสิทธิภาพ เอกสารลิขสิทธิ์ และหน้าโมเดล

ดังนั้นคำถามว่า "เสียงออกมาดีแค่ไหน" ผมตอบด้วยประสบการณ์ตรงไม่ได้ และไม่ควรให้ใครตอบแทนผมด้วยตัวเลขที่ไม่มีที่มา

ถ้าคุณลองแล้ว อยากรู้เหมือนกันว่าเสียงภาษาไทยเป็นอย่างไร เพราะเอกสารระบุจำนวนภาษาเยอะ แต่คุณภาพแต่ละภาษาขึ้นกับข้อมูลฝึกของโมเดล ซึ่งรีโปไม่ได้แยกตัวเลขไว้

แหล่งอ้างอิง

[1] X (Twitter) · @EngMoElgaraihy · 30 ต.ค. 2026 · 258,409 วิว · 3,076 ไลก์ · https://x.com/EngMoElgaraihy/status/2116125267189985355
[2] GitHub · debpalash/VoiceStudio (เข้าถึง 1 พ.ย. 2026) · https://github.com/debpalash/VoiceStudio
[3] รีโปเดียวกัน · README ฉบับ main (เข้าถึง 1 พ.ย. 2026) · https://github.com/debpalash/VoiceStudio/blob/main/README.md
[4] รีโปเดียวกัน · docs/performance.md (เข้าถึง 1 พ.ย. 2026) · https://github.com/debpalash/VoiceStudio/blob/main/docs/performance.md
[5] รีโปเดียวกัน · docs/licensing/model-inventory.md (เข้าถึง 1 พ.ย. 2026) · https://github.com/debpalash/VoiceStudio/blob/main/docs/licensing/model-inventory.md
[6] GitHub REST API · ข้อมูลรีโป ผู้ร่วมพัฒนา และ issue (1 พ.ย. 2026) · https://api.github.com/repos/debpalash/VoiceStudio
[7] Hugging Face · k2-fsa/OmniVoice (เข้าถึง 1 พ.ย. 2026) · https://huggingface.co/k2-fsa/OmniVoice
[8] GitHub Releases · VoiceStudio v0.5.7 (26 ต.ค. 2026) · https://github.com/debpalash/VoiceStudio/releases/latest
[9] รีโปเดียวกัน · docs/branding.md (เข้าถึง 1 พ.ย. 2026) · https://github.com/debpalash/VoiceStudio/blob/main/docs/branding.md
[10] รีโปเดียวกัน · docs/languages.md (เข้าถึง 1 พ.ย. 2026) · https://github.com/debpalash/VoiceStudio/blob/main/docs/languages.md

บทความนี้เขียนโดย AI (deepseek-v4.1-flash · ผู้ให้บริการโมเดล: ollama-cloud) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์ - Nokka (นก-กา)