Ampixa Labs เปิดตัว sanoTTS โมเดลสังเคราะห์เสียงทำงานบนไมโครคอนโทรลเลอร์ ESP32

สถาปัตยกรรมระดับไมโครคอนโทรลเลอร์: สังเคราะห์เสียงจริงบนบอร์ดราคา 3 ดอลลาร์

Ampixa Labs ซึ่งมีฐานการพัฒนาอยู่ในกรุงกาฐมาณฑุ ประเทศเนปาล ได้เปิดตัวโครงการโอเพนซอร์สชื่อ sanoTTS (คำว่า "sano" แปลว่า เล็ก ในภาษาเนปาล) โดยวางตำแหน่งเป็นชุดซอฟต์แวร์สังเคราะห์เสียงประสาทเทียม (Neural Text-to-Speech) ที่สมบูรณ์แบบและมีขนาดเล็กที่สุดเท่าที่เคยเผยแพร่มา

โมเดลในโครงการนี้ได้รับการปรับขนาดโครงสร้างพารามิเตอร์ตั้งแต่ 294,000 ไปจนถึง 2.27 ล้านพารามิเตอร์ โดยรุ่นที่เล็กที่สุดได้รับการควอนไทซ์เป็น INT8 ในชื่อรหัส heart-nano ซึ่งมีขนาดไฟล์รวมเพียง 337 KB เท่านั้น ทำให้สามารถติดตั้งลงในหน่วยความจำแฟลชและ SRAM ที่จำกัดของไมโครคอนโทรลเลอร์ Espressif ESP32-S3 ที่มีราคาตลาดประมาณ 3 ดอลลาร์สหรัฐ (ราว 100-110 บาท) ได้โดยตรง

สิ่งที่ทำให้ sanoTTS แตกต่างจากโปรเจกต์แปลงเสียงบนระบบฝังตัวในอดีตคือ การรวบรวมส่วนประกอบสำคัญทั้งหมดไว้ภายในตัวชิป ได้แก่ ระบบแปลงข้อความเป็นหน่วยเสียง (phonemizer) จาก espeak-ng, ตัวทำนายความยาวเสียง (duration predictor), acoustic latent model ไปจนถึงตัวถอดรหัส iSTFT แบบ INT8 ซึ่งขับสัญญาณเสียงออกทางขาดิจิทัล GPIO สู่โมดูลแอมพลิฟายเออร์หรือลำโพงได้ทันทีโดยไม่ต้องใช้ตัวประมวลผลเครือข่ายประสาทเทียม (NPU) เฉพาะทางหรือการเชื่อมต่อคลาวด์

ขีดความสามารถทางภาษาและประสิทธิภาพการประมวลผล

จากข้อมูลเอกสารเผยแพร่และพื้นที่เก็บข้อมูลของโครงการ sanoTTS รองรับเสียงสังเคราะห์จำนวน 11 เสียง ครอบคลุม 6 ภาษา ได้แก่ ภาษาอังกฤษ ภาษาเนปาล ภาษาฮินดี ภาษาเวียดนาม ภาษาอินโดนีเซีย และภาษาจีน

ในแง่ของประสิทธิภาพการประมวลผลบนชิป ESP32-S3 ตัวระบบสามารถสร้างสัญญาณเสียงได้เร็วกว่าเวลาจริง (faster than real-time) หลังจากผ่านกระบวนการตั้งต้น แม้ว่าข้อจำกัดด้าน RAM ของ ESP32-S3 จะทำให้เกิดความหน่วงเริ่มต้นเล็กน้อยก่อนที่เสียงจะเริ่มส่งสัญญาณออก แต่เมื่อกระบวนการเริ่มทำงาน อัตราการสังเคราะห์เสียงจะรักษาความเร็วที่ต่อเนื่องโดยไม่สะดุด

นอกจากนี้ Ampixa Labs ยังเปิดให้ใช้งานสแต็กนี้ผ่าน WebAssembly (WASM) ทำให้นักพัฒนาสามารถทดสอบและรันโมเดลสังเคราะห์เสียงได้จากฝั่งเบราว์เซอร์ของผู้ใช้โดยตรง และโครงการนี้ได้เผยแพร่โค้ดทั้งหมดภายใต้สัญญาอนุญาตโอเพนซอร์ส GNU General Public License v3.0 (GPL-3.0)

มุมมองของนักพัฒนา: ความคุ้มค่าของ Edge Computing ท่ามกลางยุคโมเดลขนาดใหญ่

การเผยแพร่ sanoTTS ได้รับความสนใจอย่างมากในกลุ่มวิศวกรระบบสมองกลฝังตัวและนักพัฒนาปัญญาประดิษฐ์ โดยกระแสตอบรับส่วนใหญ่แสดงความชื่นชมต่อการปรับแต่งอัลกอริทึมให้สามารถรีดประสิทธิภาพของไมโครคอนโทรลเลอร์ราคาไม่กี่ดอลลาร์ออกมาได้ แทนที่จะมุ่งเน้นแต่การพัฒนาโมเดลยักษ์ใหญ่ที่ต้องใช้การประมวลผลบนศูนย์ข้อมูลระดับกิกะไบต์

นักพัฒนาได้เริ่มตั้งคำถามและเสนอแนะถึงกรณีการใช้งานจริง เช่น การเชื่อมต่อเข้ากับระบบสมาร์ตโฮมโอเพนซอร์สยอดนิยม ตลอดจนการสอบถามเกี่ยวกับการสตรีมเสียงสังเคราะห์ตั้งแต่ช่วงเริ่มต้นของการประมวลผลเพื่อลดความหน่วงที่ผู้ใช้รับรู้ ซึ่งทางผู้พัฒนาระบุว่าข้อจำกัดของหน่วยความจำใน ESP32-S3 ทำให้ต้องอาศัยการจัดสรรบัฟเฟอร์อย่างระมัดระวัง แต่สามารถรองรับการสตรีมได้ลื่นไหลยิ่งขึ้นบนบอร์ดที่มีทรัพยากรสูงขึ้น

นอกจากนี้ ชุมชนนักพัฒนาบางส่วนยังสอบถามถึงการขยายการรองรับภาษาเพิ่มเติม เช่น ภาษาเยอรมัน ซึ่งผู้พัฒนาได้รับข้อเสนอนี้ไว้พิจารณาในแผนงานอนาคต แต่ในปัจจุบันยังคงเน้นการทดสอบกับชุดภาษาหลัก 6 ภาษาที่ปล่อยออกมาในเวอร์ชันแรก

ข้อจำกัดทางเทคนิคและเงื่อนไขทางลิขสิทธิ์ GPL-3.0

แม้ sanoTTS จะสร้างความก้าวหน้าอย่างชัดเจนในการนำ Neural TTS มาสู่อุปกรณ์ราคาประหยัด แต่ยังมีข้อจำกัดและข้อแลกเปลี่ยนที่ภาคธุรกิจต้องพิจารณาอย่างรอบคอบ ประการแรกคือสัญญาอนุญาตแบบ GPL-3.0 ซึ่งเป็นลิขสิทธิ์แบบ Copyleft หมายความว่าหากองค์กรนำโค้ดนี้ไปรวมเข้ากับเฟิร์มแวร์ของผลิตภัณฑ์เพื่อจำหน่าย อาจมีข้อผูกพันทางกฎหมายที่ต้องเปิดเผยซอร์สโค้ดของเฟิร์มแวร์ในส่วนที่เกี่ยวข้องด้วย

ในเชิงคุณภาพเสียง โมเดลขนาด 337 KB มีขนาดโครงข่ายประสาทที่กะทัดรัดมาก ทำให้การควบคุมน้ำเสียง (prosody) ความเป็นธรรมชาติ และความยืดหยุ่นทางอารมณ์ยังไม่สามารถเทียบเท่ากับโมเดลสังเคราะห์เสียงขนาดใหญ่ที่รันบนคลาวด์หรือชิปประมวลผลระดับสูงได้ นอกจากนี้ การปรับแต่งเพิ่มคำศัพท์หรือสำเนียงเฉพาะทางยังจำเป็นต้องอาศัยความรู้ด้านการเทรนและควอนไทซ์โมเดลลงสู่ระบบฝังตัว

นัยสำคัญต่ออุตสาหกรรมฮาร์ดแวร์และ IoT ในประเทศไทย

สำหรับประเทศไทย ซึ่งมีระบบนิเวศการพัฒนาอุปกรณ์ IoT ในภาคการเกษตรอัจฉริยะ (Smart Agriculture) ระบบอัตโนมัติในโรงงานอุตสาหกรรม และอุปกรณ์แจ้งเตือนในสถานพยาบาล การมาถึงของ sanoTTS มอบทางเลือกสำคัญในการเพิ่มระบบแจ้งเตือนด้วยเสียงพูดให้กับเครื่องจักรและอุปกรณ์ปลายทางโดยมีต้นทุนอุปกรณ์เพิ่มขึ้นเพียงไม่กี่ร้อยบาท

ในแง่ของความคุ้มค่าทางเศรษฐกิจ บริษัทผู้พัฒนาฮาร์ดแวร์ไม่ต้องแบกรับภาระค่าบริการ API การแปลงข้อความเป็นเสียงแบบสมัครสมาชิกรายเดือนบนระบบคลาวด์ และที่สำคัญคือ อุปกรณ์สามารถทำงานได้สมบูรณ์ในพื้นที่ห่างไกลที่สัญญาณอินเทอร์เน็ตไม่เสถียร เช่น แปลงเกษตรกรรม โรงงานอุตสาหกรรมขนาดใหญ่ หรือคลังสินค้า

แม้ว่าในเวอร์ชันปัจจุบัน sanoTTS จะยังไม่รองรับภาษาไทยใน 6 ภาษาแรกที่เปิดตัว (ประกอบด้วยอังกฤษ เนปาล ฮินดี เวียดนาม อินโดนีเซีย และจีน) แต่นักพัฒนาและสถาบันวิจัยในไทยสามารถนำสถาปัตยกรรมโอเพนซอร์สนี้มาศึกษาและเทรนชุดข้อมูลเสียงภาษาไทยเพิ่มเติมได้ ซึ่งจะช่วยยกระดับการพัฒนาผลิตภัณฑ์ Edge AI สัญชาติไทยให้แข่งขันได้ในระดับสากล