Luna-TTS คืออะไร และเหตุใดวงการ AI เสียงจึงจับตา

Luna-TTS คือครอบครัวโมเดลแปลงข้อความเป็นเสียงหลายภาษาที่พัฒนาโดย VUI Labs สตาร์ตอัปด้านปัญญาประดิษฐ์เสียงจากจีน โดยมีทั้งรุ่นมาตรฐานที่เน้นคุณภาพเสียง และรุ่น Luna-TTS Realtime ที่ออกแบบมาสำหรับการโต้ตอบแบบทันที

VUI Labs ก่อตั้งขึ้นในช่วงต้นปี 2025 โดยศาสตราจารย์เฉียน เหยียนหมิ่น (Qian Yanmin) จากมหาวิทยาลัยเซี่ยงไฮ้เจียวทง และเม่ย เจี๋ย (Mei Jie) ผู้ประกอบการต่อเนื่อง ตามข้อมูลจากรายงานข่าวที่เปิดเผยต่อสาธารณะ

สิ่งที่ทำให้ Luna-TTS เป็นที่สนใจไม่ใช่เพียงอันดับในชาร์ต แต่คือการเปลี่ยนวิธีสร้างเสียง จากเดิมที่โมเดลมักทำนายโทเคนเสียงทีละตัวตามลำดับ มาเป็นการสร้างโทเคนจำนวนมากแบบขนานด้วยแนวคิดที่ใกล้เคียงกับ diffusion model การออกแบบนี้มีเป้าหมายเพื่อหาจุดสมดุลใหม่ระหว่างความเป็นธรรมชาติ อารมณ์ของเสียง และความหน่วงในการตอบสนอง 13

Luna-TTS อยู่ลำดับที่เท่าไร?

คำตอบขึ้นอยู่กับว่าดูจาก榜单ใด รุ่นโมเดลใด และช่วงเวลาไหน จึงไม่ควรสรุปง่าย ๆ ว่า Luna-TTS เป็น “อันดับหนึ่งของโลกตลอดเวลา”

• Hugging Face TTS Arena: รายงานในเดือนสิงหาคม 2026 ระบุว่า Luna-TTS เคยขึ้นอันดับ 1 โดยอยู่เหนือโมเดลจาก ElevenLabs, MiniMax และ Cartesia 810
• Artificial Analysis Speech Arena: รายงานในช่วงเวลาเดียวกันระบุว่า Luna-TTS เคยอยู่ที่อันดับ 3 และนำหน้าโมเดลที่เกี่ยวข้องกับ Google 8
• ข้อมูลล่าสุดที่มีวันที่ชัดเจน: ตาราง Provider Voice ของ Artificial Analysis ณ วันที่ 1 กันยายน 2026 จัดให้ Luna TTS อยู่ที่อันดับ 5 ขณะที่ Cartesia Sonic 3.6 อยู่ที่อันดับ 1 และ ElevenLabs v3 Conversational อยู่ที่อันดับ 8
• ข้อมูลสำเนาของชาร์ตในช่วงปลายเดือนสิงหาคม: Qwen-Audio-3.0-TTS-Plus ถูกจัดไว้เหนือ Luna TTS ในบางตาราง

ผลลัพธ์เหล่านี้ไม่จำเป็นต้องขัดแย้งกัน เพราะการจัดอันดับแบบฟังเสียงโดยไม่เห็นชื่อโมเดลอาจได้รับผลจากรุ่นที่นำมาทดสอบ ภาษา เสียงต้นแบบ คำสั่งที่ใช้ จำนวนตัวอย่าง และช่วงเวลาการโหวต

ข้อสรุปที่ระมัดระวังที่สุดคือ Luna-TTS เคยขึ้นไปอยู่แถวหน้าของชาร์ต TTS ระดับสากล และทำได้ถึงอันดับ 1 หรืออันดับ 3 ในบางช่วงเวลา แต่ข้อมูลที่มีอยู่ยังไม่ยืนยันว่าโมเดลนี้เอาชนะ Cartesia, ElevenLabs, Qwen, ByteDance Seed, Zhipu หรือคู่แข่งทั้งหมดได้อย่างต่อเนื่องและครอบคลุมทุกกรณี

เบื้องหลังเทคโนโลยีของ Luna-TTS

จาก Qwen3 สู่โมเดล Masked Diffusion

Luna-TTS พัฒนาต่อยอดจากโมเดลภาษา Qwen3-0.6B และฝึกให้ทำงานกับโทเคนเสียงในลักษณะ diffusion language model 2

แทนที่จะสร้างโทเคนเสียงถัดไปทีละตัวเหมือนระบบ TTS แบบ autoregressive ทั่วไป Luna-TTS จะนำตารางโทเคนเสียงที่ผ่านการควอนไทซ์แบบ RVQ (Residual Vector Quantization) มาสุ่มปิดบังบางส่วน จากนั้นค่อย ๆ เติมส่วนที่หายไปหลายรอบ โดยสามารถประมวลผลหลายตำแหน่งพร้อมกัน 14

แนวทางนี้ลดการพึ่งพาลำดับคำนำหน้าของเสียง เพราะโมเดลไม่ได้ถูกบังคับให้เดินหน้าเพียงจากโทเคนก่อนหน้าไปยังโทเคนถัดไปเท่านั้น จึงมีโอกาสลดความหน่วงของลำดับเสียงยาว และลดการสะสมของข้อผิดพลาดที่อาจไหลต่อเนื่องไปตามลำดับการสร้าง 13

Luna-Codec: 8 codebooks, 24 kHz และ 25 Hz

Luna-TTS ใช้ตัวเข้ารหัสและถอดรหัสเสียงที่พัฒนาขึ้นเองในชื่อ Luna-Codec โดยข้อมูลที่เปิดเผยระบุการออกแบบที่ใช้อัตราสุ่มตัวอย่าง 24 kHz อัตราเฟรม 25 Hz และ codebooks จำนวน 8 ชุด 89

Codec ในระบบนี้ไม่ได้ทำหน้าที่เป็นเพียงเครื่องมือบีบอัดเสียง แต่เป็นตัวกำหนดว่าโมเดลต้องทำนายข้อมูลเสียงมากเพียงใด ต้องประมวลผลกี่เฟรมต่อวินาที และจะสร้างเสียงแบบขนานได้เร็วแค่ไหนโดยยังรักษารายละเอียดทางเสียงไว้ได้

กล่าวอีกอย่างหนึ่ง จุดเด่นของ Luna-TTS ไม่ได้มาจากโมเดลภาษาเพียงอย่างเดียว แต่เกิดจากการออกแบบโมเดลภาษา รูปแบบโทเคนเสียง และวิธีสุ่มตัวอย่าง diffusion ให้ทำงานเป็นระบบเดียวกัน

รุ่น Realtime ใช้การสร้างเสียงเป็นบล็อก

รุ่นมาตรฐานของ Luna-TTS สามารถสร้างตารางโทเคนของประโยคทั้งช่วงแบบไม่อาศัยการสร้างทีละลำดับ แต่การสนทนาแบบเรียลไทม์ต้องเริ่มเล่นเสียงก่อนที่ผู้พูดจะพูดจบทั้งประโยค

Luna-TTS Realtime จึงใช้แนวทางประนีประนอม โดยสร้างเสียง ตามลำดับระหว่างบล็อก แต่ทำ denoising แบบขนานภายในแต่ละบล็อก บล็อกหนึ่งมี 32 codec frames หรือเทียบเท่าเสียงยาว 1.28 วินาที 14

ระบบยังใช้ KV Cache เพื่อเก็บบริบท และทยอยส่งเสียงหลังจากบล็อกแรกพร้อมใช้งาน 1 ดังนั้น การเรียก Luna-TTS Realtime ว่า “ไม่ใช่ autoregressive โดยสมบูรณ์” อาจทำให้เข้าใจคลาดเคลื่อน คำอธิบายที่แม่นยำกว่าคือ โมเดลมีการพึ่งพาลำดับระหว่างบล็อก แต่สร้างโทเคนแบบขนานภายในบล็อก

GRPO และการควบคุมอารมณ์

รายงานทางเทคนิคยังอธิบายการทำ post-training ด้วย GRPO ซึ่งปรับให้เข้ากับกระบวนการ discrete masked diffusion รวมถึงการควบคุมอารมณ์และเสียงที่ไม่ใช่คำพูด เช่น น้ำเสียงหัวเราะหรือการเปล่งเสียงประกอบ 15

เป้าหมายจึงไม่ได้มีเพียงการทำให้ผู้ฟังฟังออก แต่ยังรวมถึงความเป็นธรรมชาติ การถ่ายทอดอารมณ์ และการทำให้เสียงสอดคล้องกับความชอบของผู้ใช้มากขึ้น

รายงานยังระบุว่า การโคลนเสียงแบบ zero-shot และการแก้ไขเสียงสามารถมองเป็นงานเติมหรือเขียนทับส่วนต่าง ๆ ของตารางโทเคนเสียงได้ 14 อย่างไรก็ตาม คุณภาพการโคลน ระยะเวลาของเสียงอ้างอิงที่ต้องใช้ และความเสถียรในแต่ละภาษา ยังควรประเมินจากการใช้งานจริง ไม่ควรสรุปจากสถาปัตยกรรมเพียงอย่างเดียว

ตัวเลขความเร็ว 41.6 มิลลิวินาทีหมายถึงอะไร?

รายงานของ Luna-TTS Realtime ระบุว่า ในการทดสอบระบบให้บริการภายในเครื่องหลังอุ่นระบบแล้ว โมเดลมีค่า end-to-end real-time factor หรือ RTF อยู่ที่ 0.024 และสามารถส่งบล็อกเสียงที่ถอดรหัสแล้วความยาว 1.28 วินาทีได้ภายใน 41.6 มิลลิวินาที 15

รายงานข่าวที่เกี่ยวข้องระบุเพิ่มเติมว่า การทดสอบใช้การ denoising ราว 8–16 ขั้นตอนบน GPU H20 จำนวน 2 ใบ 7

ตัวเลขดังกล่าวสะท้อนว่าเครื่องยนต์ประมวลผลมี throughput สูง แต่ไม่ควรตีความว่าเป็นเวลาหน่วงที่ผู้ใช้ทุกคนจะได้รับจาก API บนคลาวด์ เพราะการทดสอบใช้ฮาร์ดแวร์ การตั้งค่าขนาน ระบบที่อุ่นไว้ และโปรโตคอลการให้บริการภายในเครื่องโดยเฉพาะ

ในสถานการณ์จริงยังมีปัจจัยอย่างการส่งข้อมูลผ่านเครือข่าย คิวงาน การเตรียมข้อความ การถอดรหัสเสียง และภาระของระบบในช่วงที่มีผู้ใช้จำนวนมาก ดังนั้น 41.6 มิลลิวินาทีควรเข้าใจว่าเป็นเวลาส่งบล็อกแรกภายใต้เงื่อนไขควบคุม ไม่ใช่คำรับประกันเวลาเริ่มได้ยินเสียงสำหรับ API ทุกสภาพแวดล้อม

ข้อมูลฝึกและความสามารถหลายภาษา

ผู้พัฒนารายงานว่า Luna-TTS ได้รับการฝึกด้วยข้อมูลเสียงภาษาจีน อังกฤษ ญี่ปุ่น และเกาหลีรวมประมาณ 1 ล้านชั่วโมง 12

ข้อมูลหลายภาษาขนาดใหญ่ช่วยให้ระบบมีโอกาสครอบคลุมการออกเสียง จังหวะการพูด และรูปแบบเสียงข้ามภาษาได้กว้างขึ้น แต่บทสรุปที่เปิดเผยต่อสาธารณะยังไม่มีรายละเอียดเพียงพอสำหรับการตรวจสอบอย่างอิสระเกี่ยวกับแหล่งที่มาของข้อมูล วิธีทำความสะอาดข้อมูล สัดส่วนของแต่ละภาษา หรือประเด็นด้านลิขสิทธิ์

ด้วยเหตุนี้ “ข้อมูลฝึก 1 ล้านชั่วโมง” จึงควรใช้เป็นคำอธิบายขนาดของชุดฝึกตามที่ผู้พัฒนารายงาน ไม่ควรนำไปสรุปต่อว่า Luna-TTS เหนือกว่าในทุกภาษา ทุกสำเนียง หรือทุกสถานการณ์ใช้งาน

VUI Labs วางผลิตภัณฑ์ไว้อย่างไร?

จากข้อมูลที่เปิดเผย VUI Labs ไม่ได้วาง Luna-TTS เป็นเพียงโมเดลสังเคราะห์เสียงเดี่ยว ๆ แต่กำลังผลักดันหลายชั้นพร้อมกัน ได้แก่ ความสามารถของโมเดลและ API เครื่องมือเสียงสำหรับครีเอเตอร์ และแอปพลิเคชันผู้ช่วยเสียงหรือ Voice Agent

แนวทางนี้ทำให้คุณภาพเสียงเป็นเพียงส่วนหนึ่งของคุณค่าทางธุรกิจ ปัจจัยอื่นที่มีความสำคัญไม่แพ้กัน ได้แก่ การโคลนเสียง การควบคุมอารมณ์ การจัดการบทสนทนา ความหน่วง ต้นทุนการประมวลผล และการเชื่อมต่อเข้ากับระบบขององค์กร

รายงานอุตสาหกรรมระบุว่า VUI Labs มีการใช้งานในงานจัดตารางขนส่ง ประกันภัยออนไลน์ และซอฟต์แวร์ด้านการท่องเที่ยวและโรงแรม โดยลูกค้าหลายรายรวมกันมีบทสนทนาทางธุรกิจมากกว่า 1 ล้านครั้ง 6 อย่างไรก็ตาม ตัวเลขนี้เป็นคำกล่าวอ้างของบริษัทหรือผู้ให้บริการที่ถูกนำเสนอในสื่อ ยังไม่ใช่ตัวชี้วัดที่ผ่านการตรวจสอบโดยหน่วยงานอิสระ และข้อมูลสาธารณะยังไม่ได้เปิดเผยรายชื่อลูกค้า นิยามของ “บทสนทนา” ระยะเวลาการใช้งาน หรือเกณฑ์เปรียบเทียบกับผู้ให้บริการรายอื่นอย่างครบถ้วน

โครงสร้างผู้ก่อตั้งของ VUI Labs สะท้อนการจับคู่ระหว่างผู้นำด้านวิจัยเชิงวิชาการกับผู้นำด้านผลิตภัณฑ์และการทำตลาด โดยเฉียน เหยียนหมิ่นรับผิดชอบทิศทางการวิจัยด้านเสียงและ AI ขณะที่เม่ย เจี๋ยมีบทบาทด้านการพัฒนาผลิตภัณฑ์และการนำไปใช้เชิงธุรกิจ

Luna-TTS ได้เปรียบตรงไหน?

เมื่อพิจารณาร่วมกันระหว่างรายงานทางเทคนิคและข้อมูลอันดับ จุดแข็งที่มีหลักฐานรองรับมากที่สุดมี 4 ประการ

1. เปลี่ยนกระบวนทัศน์การสร้างเสียง ด้วย discrete masked diffusion แทนการสร้างโทเคนเสียงทีละตัวแบบ autoregressive
2. ออกแบบ Codec ให้ทำงานร่วมกับโมเดล โดยใช้โครงสร้าง 8 codebooks, 24 kHz และ 25 Hz เพื่อสร้างอินเทอร์เฟซโทเคนเสียงที่เหมาะกับการประมวลผลแบบขนาน 89
3. ให้ความสำคัญทั้งคุณภาพและการควบคุม ผ่านการฝึกหลายภาษา การควบคุมอารมณ์ และ post-training ด้วย GRPO 1
4. ปรับแนวทางให้เหมาะกับการสนทนาแบบสตรีมมิง ด้วยบล็อกเสียง 1.28 วินาที การ denoising แบบขนานภายในบล็อก และ KV Cache 14

การออกแบบเหล่านี้ช่วยอธิบายว่าเหตุใด Luna-TTS จึงไต่ขึ้นสู่อันดับสูงในชาร์ตแบบ blind listening ได้อย่างรวดเร็ว แต่ยังไม่เพียงพอที่จะพิสูจน์ว่าโมเดลเหนือกว่าคู่แข่งในด้านราคา ความเสถียรของข้อความยาว ความสม่ำเสมอของเสียง ความปลอดภัยด้านลิขสิทธิ์ ความพร้อมใช้งานของ API หรือคุณภาพในทุกภาษา

บทสรุป: ผู้ท้าชิงแถวหน้า ไม่ใช่แชมป์ถาวร

เรื่องราวหลักของ Luna-TTS มีแกนทางเทคนิคที่น่าสนใจและตรวจสอบได้ VUI Labs นำโมเดลภาษาที่ต่อยอดจาก Qwen3, discrete speech codec, masked diffusion, post-training ด้วย reinforcement learning และการสร้างเสียงแบบ blockwise streaming มาประกอบเป็นระบบ TTS แบบครบวงจร 1

Luna-TTS เคยขึ้นอันดับหนึ่งในรายงาน Hugging Face TTS Arena ช่วงเดือนสิงหาคม 2026 และเคยถูกจัดไว้ที่อันดับ 3 ในรายงาน Artificial Analysis ช่วงเวลาเดียวกัน แต่ข้อมูล snapshot ของ Artificial Analysis ณ วันที่ 1 กันยายน 2026 จัดให้โมเดลอยู่ที่อันดับ 5 8

มุมมองที่เหมาะสมจึงไม่ใช่ “Luna-TTS เอาชนะคู่แข่งทุกค่ายอย่างถาวร” แต่คือ Luna-TTS ได้กลายเป็นหนึ่งในโมเดลระดับแนวหน้าของการแข่งขัน TTS ทั่วโลก และแนวทางการสร้างเสียงแบบ diffusion พร้อมการสตรีมเป็นบล็อกก็คุ้มค่าที่จะติดตามต่อไป

สำหรับนักพัฒนาที่กำลังเลือกโมเดล ขั้นตอนถัดไปไม่ควรหยุดอยู่ที่อันดับรวมเพียงอย่างเดียว ควรทดสอบด้วยภาษาที่ต้องการใช้จริง การโคลนเสียง การควบคุมอารมณ์ เวลาเริ่มส่งเสียง ความสม่ำเสมอของข้อความยาว และต้นทุน API ในสภาพแวดล้อมจริง