ก้าวสำคัญของ Edge AI: เสียงพูดจากโครงข่ายประสาทเทียมบนชิปราคาไม่กี่ร้อยบาท
Ampixa Labs ได้เปิดตัว sanoTTS ระบบสังเคราะห์เสียงพูดด้วยโครงข่ายประสาทเทียม (Neural Text-to-Speech หรือ TTS) แบบโอเพนซอร์ส ซึ่งได้รับการออกแบบทางวิศวกรรมให้สามารถทำงานระดับแบร์เมทัล (bare-metal) บนไมโครคอนโทรลเลอร์ราคาประหยัดอย่าง Espressif ESP32-S3 โดยตรง ไม่ต้องพึ่งพาหน่วยประมวลผลโครงข่ายประสาท (NPU) หน่วยความจำภายนอกขนาดใหญ่ หรือการเชื่อมต่อเซิร์ฟเวอร์คลาวด์
โมเดลในตระกูล sanoTTS ถูกออกแบบมาให้มีขนาดพารามิเตอร์ตั้งแต่ 294,000 พารามิเตอร์ (294k) ไปจนถึง 2.27 ล้านพารามิเตอร์ (2.27M) โดยไฮไลต์สำคัญอยู่ที่โมเดลรุ่น 'heart-nano' ที่ผ่านการทำควอนไทเซชันแบบ INT8 ซึ่งบีบอัดขนาดของซอฟต์แวร์สแตกทั้งหมดให้เหลือเพียง 337 กิโลไบต์ (337 KB) ด้วยจำนวน 294,279 พารามิเตอร์ ทำให้เป็นหนึ่งในสแตกโมเดลเสียงประสาทเทียมที่กะทัดรัดที่สุดที่เคยเปิดตัวมา
ความสำเร็จนี้เปลี่ยนกระบวนทัศน์ของระบบเสียงสังเคราะห์ในอุปกรณ์ฝังตัว ซึ่งในอดีตหากต้องการเสียงพูดที่ฟังดูเป็นธรรมชาติและมีความลื่นไหล จำเป็นต้องส่งข้อความขึ้นประมวลผลบนคลาวด์ผ่าน API หรือใช้งานบนบอร์ดคอมพิวเตอร์เดี่ยว (SBC) ที่มีราคาแพงและกินพลังงานสูง เช่น Raspberry Pi แต่ sanoTTS สามารถสังเคราะห์สัญญาณเสียงส่งตรงผ่านขาดิจิทัล GPIO เข้าสู่วงจรขยายเสียงพื้นฐานอย่างแอมป์ LM386 และลำโพงได้ทันทีจากตัวบอร์ด ESP32-S3
สถาปัตยกรรมภายในและคะแนนประสิทธิภาพเทียบโมเดลรุ่นพี่
ในเชิงสถาปัตยกรรม sanoTTS ผสานรวมระบบแปลงข้อความเป็นหน่วยเสียง (Grapheme-to-Phoneme หรือ G2P) เข้ากับไลบรารี espeak-ng แบบฝังตัว ทำงานร่วมกับโมเดลคาดการณ์ความยาวเสียง (duration model) โมเดลแปลงคุณลักษณะทางเสียง (acoustic model) และตัวถอดรหัสสัญญาณเสียงแบบ iSTFT หรือ Time-Domain Decoder ซึ่งลดทอนภาระการคำนวณคณิตศาสตร์ทศนิยมลงเพื่อให้เหมาะกับหน่วยประมวลผลของไมโครคอนโทรลเลอร์
ชุดโมเดลที่ปล่อยออกมาประกอบด้วย 11 รูปแบบเสียง ครอบคลุม 6 ภาษา ได้แก่ ภาษาอังกฤษ ภาษาเนปาล ภาษาฮินดี ภาษาเวียดนาม ภาษาอินโดนีเซีย และภาษาจีน นอกจากนี้โครงการยังรองรับการประมวลผลฝั่งไคลเอนต์บนเว็บเบราว์เซอร์ผ่าน WebAssembly (Wasm) โดยตรง
ในแง่ของความสมจริงของเสียง sanoTTS ได้รับการประเมินประสิทธิภาพผ่านเกณฑ์ชี้วัดมาตรฐานอย่าง SCOREQ และ UTMOS โดยสามารถทำคะแนนคุณภาพเสียงแซงหน้าโมเดลที่มีขนาดใหญ่กว่าถึง 15 ล้านพารามิเตอร์ ตัวอย่างเช่น โมเดลเสียง 'amy' ทำคะแนน SCOREQ ได้ 4.13 ขณะที่ 'heart' ทำได้ 3.51 แม้จะยังมีระยะห่างจากโมเดลระดับครู (teacher models) ขนาดใหญ่ เช่น Kokoro ซึ่งมีขนาด 82 ล้านพารามิเตอร์ หรือ Piper แต่ถือเป็นความก้าวหน้าอย่างยิ่งสำหรับโมเดลระดับซับเมกะไบต์
สัญญาอนุญาตโอเพนซอร์สและเสียงตอบรับจากกลุ่มนักพัฒนา
Ampixa Labs ได้เผยแพร่ซอร์สโค้ดและไลบรารีของ sanoTTS ภายใต้สัญญาอนุญาตแบบ GNU General Public License v3.0 (GNU GPL-3.0) บน GitHub พร้อมทั้งปล่อยชุดค่าน้ำหนักโมเดล (weights) ผ่านทาง Hugging Face ให้นักพัฒนาและผู้สร้างฮาร์ดแวร์ทั่วโลกสามารถนำไปศึกษาและทดสอบได้ฟรี
ในกลุ่มนักพัฒนาระบบฝังตัวและชุมชนโฮมออโตเมชัน มีการตอบรับต่อการเปิดตัวครั้งนี้อย่างคึกคัก โดยเฉพาะกลุ่มที่เน้นการสร้างอุปกรณ์อัตโนมัติภายในบ้านแบบออฟไลน์ที่ไม่ต้องการผูกติดกับระบบสมาชิกคลาวด์ นักพัฒนาต่างชื่นชมเทคนิคการปรับปรุงและรีดประสิทธิภาพซอฟต์แวร์ลงบนฮาร์ดแวร์ที่มีทรัพยากรจำกัดอย่างยิ่งยวด นอกจากนี้ยังมีความประทับใจทางด้านวัฒนธรรมต่อชื่อโครงการ เนื่องจากคำว่า 'sano' (ซาโน) เป็นคำในภาษาเนปาลที่แปลว่า 'เล็ก'
อย่างไรก็ตาม นักพัฒนาและผู้ทดสอบในระยะแรกได้ชี้ให้เห็นถึงข้อจำกัดทางเทคนิคบางประการ โดยเฉพาะข้อจำกัดด้านหน่วยความจำ RAM ของบอร์ด ESP32-S3 ที่อาจทำให้เกิดความหน่วง (latency) เล็กน้อยในช่วงเริ่มต้นก่อนที่เสียงจะเริ่มเล่นออกมา แม้ว่าหลังจากเริ่มสังเคราะห์แล้วจะสามารถประมวลผลได้เร็วกว่าเสียงพูดจริงก็ตาม นอกจากนี้ ชุมชนยังเรียกร้องให้มีการพัฒนาโมเดลภาษาเพิ่มเติม เช่น ภาษาเยอรมัน รวมถึงการสร้างส่วนเสริมเพื่อเชื่อมต่อกับแพลตฟอร์มระบบบ้านอัตโนมัติอย่าง Home Assistant ให้สะดวกขึ้น
นัยสำคัญทางธุรกิจสำหรับภาคอุตสาหกรรมและ IoT ในประเทศไทย
สำหรับผู้ประกอบการ นักพัฒนาฮาร์ดแวร์ และผู้ให้บริการโซลูชัน IoT ในประเทศไทย การมาถึงของโมเดลขนาดเล็กระดับนี้ช่วยปลดล็อกข้อจำกัดทางธุรกิจหลายประการ โดยเฉพาะการขจัดต้นทุนแบบผันแปรจากการเรียกใช้ Cloud TTS API สำหรับอุปกรณ์ที่ต้องส่งเสียงแจ้งเตือนตลอดเวลา เช่น ตู้คีออสก์ ตู้จำหน่ายสินค้าอัตโนมัติ อุปกรณ์ติดตามในโรงงานอุตสาหกรรม หรืออุปกรณ์แจ้งเตือนในสถานพยาบาล
จุดเด่นด้านการทำงานแบบออฟไลน์ 100% ยังตอบโจทย์การติดตั้งอุปกรณ์ในพื้นที่ห่างไกลของไทยที่สัญญาณอินเทอร์เน็ตไม่เสถียร เช่น ภาคการเกษตรแม่นยำ (Smart Agriculture) ระบบเตือนภัยพิบัติชุมชน หรือโรงงานที่จำเป็นต้องปฏิบัติตามมาตรฐานความปลอดภัยของข้อมูลอย่างเข้มงวด โดยไม่ต้องกังวลเรื่องข้อมูลเสียงหรือคำสั่งรั่วไหลออกนอกระบบโครงข่ายส่วนบุคคล
อย่างไรก็ดี ธุรกิจที่ต้องการนำ sanoTTS ไปประยุกต์ใช้ต้องพิจารณาเงื่อนไขสัญญาอนุญาตแบบ GPL-3.0 ซึ่งอาจส่งผลกระทบต่อสิทธิบัตรหรือทรัพย์สินทางปัญญาหากนำไปรวมเข้ากับเฟิร์มแวร์เชิงพาณิชย์ที่เป็นกรรมสิทธิ์แบบปิด (proprietary) นอกจากนี้ ในรุ่นเปิดตัวปัจจุบันยังไม่รองรับภาษาไทย ซึ่งเป็นจุดที่ทีมวิจัยหรือกลุ่มนักพัฒนาในไทยสามารถนำสถาปัตยกรรมนี้ไปฝึกฝนต่อยอด (fine-tune) ด้วยชุดข้อมูลเสียงภาษาไทย เพื่อสร้างโซลูชันฮาร์ดแวร์เสียงสั่งการเฉพาะทางในประเทศได้ในอนาคต
sanoTTS ปลดล็อกการแปลงข้อความเป็นเสียงพูดคุณภาพสูงบนอุปกรณ์ Edge และ IoT ระดับไมโครคอนโทรลเลอร์ ช่วยให้ภาคอุตสาหกรรม สมาร์ตโฮม และฮาร์ดแวร์ฝังตัวในไทยลดต้นทุนค่าคลาวด์ API ได้อย่างสิ้นเชิง พร้อมรับประกันความเป็นส่วนตัวและการทำงานแบบออฟไลน์ 100%