กลุ่มโมเดลที่แตะ ภาพและเสียง มีความเคลื่อนไหวหนาแน่นที่สุดกลุ่มหนึ่งของสัปดาห์ ทั้งงานวิเคราะห์ภาพ งานถอดเสียง งานสังเคราะห์เสียงพูด และงานสนทนาเสียงแบบเรียลไทม์

Tencent WeViZ1-VL: วิเคราะห์ภาพได้ละเอียดถึงระดับพิกเซล

โมเดล vision-language ที่ต่อยอดจาก Qwen3-VL และเพิ่มส่วนที่ระบุพิกเซลของวัตถุได้แม่นยำ ใช้ตรวจหาวัตถุหลายชนิดในภาพเดียวกัน นับจำนวน ชี้ตำแหน่ง อ่านตัวอักษรในภาพ และแยกวัตถุออกจากพื้นหลังพร้อม alpha mask ที่เก็บรายละเอียดเล็กอย่างเส้นผมได้ มีสองขนาดคือ 4 พันล้านพารามิเตอร์ (ราว 19 GB) และ 2 พันล้านพารามิเตอร์ เปิดโค้ดและโมเดลภายใต้ Apache 2.0

ประโยชน์ต่องานเอกสารคือการอ่านและจัดโครงสร้างข้อมูลจากภาพถ่ายหรือสแกนเนอร์ ซึ่งเป็นงานที่องค์กรไทยยังทำด้วยคนเป็นจำนวนมาก

Bark 3: ถอดเสียงด้วยโมเดลจิ๋วแต่เทียบชั้นโมเดลใหญ่

โมเดลเปลี่ยนเสียงพูดเป็นข้อความที่เล็กที่สุดเพียง 163 เมกะไบต์ แต่ทำ word error rate ได้ดีเทียบกับโมเดลใหญ่กว่ามาก มีตระกูลย่อยตั้งแต่รุ่นเล็ก รุ่น plus ที่แม่นขึ้น ไปจนถึงรุ่น pro ขนาด 1.25 GB ซึ่งยังรันบน GPU ผู้ใช้ทั่วไปได้ เผยแพร่บน Hugging Face แล้วและอนุญาตให้ใช้เชิงพาณิชย์โดยระบุเครดิต เหมาะกับงานถอดเสียงประชุมภายในที่ต้องการความเร็วและความเป็นส่วนตัว

Ming 3.0 TTS: สั่งเสียงด้วยภาษาธรรมชาติ

โมเดลสังเคราะห์เสียงของ Ant Group ที่แปลงข้อความเป็นเสียงพูดสมจริง รองรับการสั่งด้วยภาษาธรรมชาติว่าต้องการเสียงแบบใด การโคลนเสียงจากคลิปอ้างอิง และการใส่แท็กเพื่อควบคุมอารมณ์หรือเพิ่มเสียงประกอบ รองรับหลายภาษาและภาษาถิ่นของจีน มีรุ่นเล็กประมาณ 3 GB และรุ่นใหญ่ราว 18 GB ที่รองรับการสร้างพอดแคสต์หลายผู้พูด เผยแพร่ภายใต้ MIT license

Dessa: เรียนพูดจากเสียงล้วน

โมเดลสนทนาเสียงแบบเรียลไทม์ที่ฝึกจากเสียงสนทนาของมนุษย์โดยตรง ไม่ใช้ข้อความหรือโมเดลที่ฝึกล่วงหน้า จึงเก็บรายละเอียดการพูดได้ เช่น สำเนียง การหยุดหายใจ น้ำเสียง และอารมณ์ ฟังดูใกล้เคียงมนุษย์มากจนน่าตกใจ อย่างไรก็ตามปัจจุบันเปิดให้เฉพาะกลุ่มนักวิจัยด้านความปลอดภัยของ AI และยังไม่แน่ชัดว่าจะเปิดเป็นโอเพนซอร์สหรือไม่

ข้อควรพิจารณา

  • งานเสียงและภาพต้องคำนึงถึงข้อมูลส่วนบุคคลและความยินยอม โดยเฉพาะการโคลนเสียงและภาพบุคคล
  • ควรกำหนดนโยบายการทำเครื่องหมายเนื้อหาที่สร้างด้วย AI เพื่อความโปร่งใสต่อผู้รับ
  • ทดสอบกับภาษาไทยจริง เพราะประสิทธิภาพการอ่านภาพและการถอดเสียงขึ้นกับภาษาที่ฝึกมา

ที่มาและเครดิต: สรุปและเรียบเรียงจากรายการ AI NEWS ของช่อง AI Search (ตอน Cybersecurity chaos, AI for DNA, Kimi K3.1, Claude Duet, Dessa, Fibo 2, Minimax 3.1) — รับชมต้นฉบับบน YouTube · บทความนี้เรียบเรียงใหม่เป็นภาษาไทยเพื่อผู้อ่านองค์กรในประเทศไทย