JaiTTS-Easy — คู่มือติดตั้งและใช้งาน TTS ภาษาไทยแบบ Local

🔒

JaiTTS-Easy
คู่มือติดตั้งและใช้งาน

เอกสารนี้ป้องกันด้วยรหัสผ่าน
กรุณาใส่รหัสเพื่อเข้าดูเนื้อหา

รหัสผ่านนี้เป็นการกันการเข้าถึงเบื้องต้นเท่านั้น ไม่ใช่การเข้ารหัสเนื้อหา
หากลืมรหัส กรุณาติดต่อผู้ที่ส่งเอกสารนี้ให้คุณ

เบราว์เซอร์ของคุณปิด JavaScript อยู่ — ต้องเปิดใช้งานก่อนจึงจะเข้าดูเอกสารนี้ได้

LOCAL TTS · VOICE CLONING · ภาษาไทย

JaiTTS-Easy
โคลนเสียงพูดภาษาไทย รันในเครื่องตัวเอง

คู่มือฉบับสมบูรณ์ ตั้งแต่ทำความเข้าใจว่ามันคืออะไร ไปจนถึงสร้างไฟล์เสียงแรก ครอบคลุมทั้ง Windows, macOS และ Linux — ทั้งเครื่องที่มีการ์ดจอและเครื่องที่ไม่มี พร้อมวิธีเช็คว่าเครื่องคุณรันไหวแค่ไหน และปัญหาที่เจอบ่อยพร้อมทางแก้

1.94%

CER

802

เสียงต้นแบบ

~2 GB

VRAM ที่ใช้

3 OS

รองรับ

ฟรี

ค่าใช้จ่าย

01 · คืออะไร

JaiTTS-Easy คืออะไร

มันคือ ตัวห่อ (wrapper) ที่เอาชิ้นส่วน 3 ชิ้นซึ่งกระจายอยู่คนละที่ มาประกอบให้ครบจนใช้งานได้จริงในคำสั่งเดียว — ไม่ใช่โมเดลใหม่

ทำไมต้องมีตัวนี้? repo ต้นทางของ JaiTTS วางไว้แบบสายวิจัย คือมีแต่โค้ด วัดผล (benchmark) แต่ไม่มีโค้ดสร้างเสียงจริง เขาชี้ให้ไปใช้ของ ThonburianTTS อีกที ส่วน weights ก็อยู่บน HuggingFace แยกอีกที่ คนทั่วไปเลยต้องประกอบเองหลายขั้นกว่าจะได้ยินเสียงแรก

🧠

JaiTTS (โมเดล)

โดย JTS AI Team — โมเดลไทย finetune มาจาก F5-TTS น้ำหนักอยู่บน HuggingFace ที่ JTS-AI/JaiTTS-F5TTS (model.pt 1.35 GB + vocab.txt)

⚙️

FlowTTS (ตัวรัน)

โดยทีม ThonburianTTS (ม.มหิดล) — โค้ดที่รันโมเดลจริง สัญญาอนุญาต MIT ถูก vendor ไว้ในโฟลเดอร์ flowtts/

📦

ตัวห่อ Easy

โดยเพจ Ai Unlocked — สคริปต์ติดตั้งอัตโนมัติทั้ง 3 OS, หน้าเว็บ Gradio, CLI, และแก้ dependency ที่ต้นทางตกหล่น (accelerate, s3prl)

คุณภาพที่วัดได้: JaiTTS v1.0 ทำ CER 1.94% ซึ่งดีกว่า human baseline ที่ 1.98% และได้ SIM 0.62 (ความเหมือนของเสียงเทียบกับต้นแบบ)

สำคัญ: นี่คือ voice cloning ไม่ใช่ TTS เสียงสำเร็จรูป คุณต้องมีไฟล์เสียงต้นแบบ 3–10 วินาทีเสมอ ไม่มีเสียง preset ให้เลือกแบบ Google TTS

02 · ทำอะไรได้บ้าง

ความสามารถ

🎙️

โคลนเสียงจากคลิป 3–10 วินาที

อัปโหลดเสียงใครก็ได้ แล้วให้อ่านข้อความไทยที่คุณพิมพ์ ด้วยน้ำเสียงและสำเนียงนั้น

🔒

รันในเครื่องล้วน

หลังโหลดโมเดลครั้งแรกแล้ว ตัดเน็ตได้เลย เสียงและข้อความไม่หลุดออกไปไหน หน้าเว็บผูกกับ 127.0.0.1 ไม่มี public share link

💻

ข้ามแพลตฟอร์มจริง

Windows, macOS (Apple Silicon ใช้ MPS), Linux — โค้ดเลือก CUDA / MPS / CPU ให้อัตโนมัติ ไม่ต้องตั้งค่าเอง

🖥️

ใช้ได้ทั้งหน้าเว็บและ CLI

หน้าเว็บ Gradio สำหรับใช้มือ / CLI สำหรับเอาไปต่อกับสคริปต์หรือ batch งาน

✍️

ถอดข้อความต้นแบบอัตโนมัติ

มีปุ่มถอด transcript ให้ ใช้ typhoon-whisper-large-v3 ไม่ต้องนั่งพิมพ์เอง (โหลดโมเดลเพิ่ม ~3 GB ครั้งแรกที่กด)

🗂️

เสียงต้นแบบสำเร็จรูป 802 ไฟล์

พร้อม transcript กำกับครบ ถ้าไม่อยากอัดเสียงเอง เลือกใช้ได้ทันที

🎛️

ปรับคุณภาพ/ความเร็ว/ความเหมือนได้

สไลเดอร์ NFE step, ความเร็วพูด, และ CFG strength ปรับสมดุลได้ตามงาน

📊

เครื่องมือวัดผล CER / SIM

ของต้นทางยังอยู่ครบ ใช้วัดคุณภาพเชิงตัวเลขได้ (ต้องติดตั้งโหมดเต็ม)

สิ่งที่มันทำไม่ได้

ไม่มีเสียง preset

ต้องมีไฟล์เสียงต้นแบบเสมอ ใส่ข้อความอย่างเดียวแล้วกดสร้างไม่ได้

ใช้เชิงพาณิชย์ไม่ได้ (โดยค่าเริ่มต้น)

ดูหัวข้อสัญญาอนุญาตด้านล่าง — เป็นข้อจำกัดที่สำคัญที่สุดของโปรเจกต์นี้

ไม่ใช่ real-time streaming

สร้างเป็นไฟล์ทีละประโยค/ย่อหน้า ไม่ได้สตรีมเสียงออกมาทีละคำ

⚠️ เรื่องสัญญาอนุญาต — อ่านก่อนเอาไปใช้กับงานที่มีรายได้

model card ของ JaiTTS ระบุ Apache 2.0 ก็จริง แต่โมเดลฐานที่มัน finetune มาคือ F5-TTS ซึ่งเป็น CC BY-NC-4.0 — NC = Non-Commercial ห้ามใช้เชิงพาณิชย์

ใช้ทดลอง เรียนรู้ ใช้ภายใน หรือใช้ส่วนตัว ไม่มีปัญหา แต่ถ้าจะเอาไปทำงานขาย งานลูกค้า หรือคอนเทนต์หารายได้ ต้องเคลียร์กับ JTS AI Team ก่อน

ชิ้นส่วนอื่น: ThonburianTTS = MIT · Microsoft UniSpeech = CC BY-SA 3.0 · และ repo นี้เป็นของชุมชน ไม่ใช่ repo ทางการของทีม JaiTTS

03 · สถาปัตยกรรม

ข้างในทำงานยังไง

แบ่งเป็น 3 ชั้น เข้าใจชั้นกลางแล้วจะแก้ปัญหาเป็นเองเกือบทุกเคส

LAYER 1
INPUT

รับเข้า — เสียงต้นแบบ + ข้อความ 2 ชุด

ต้องป้อน 3 อย่างเสมอ: ไฟล์เสียงต้นแบบ, ข้อความที่พูดในไฟล์นั้น, และข้อความใหม่ที่อยากให้อ่าน ตัวที่คนพลาดบ่อยที่สุดคือตัวกลาง

ref.wav (3–10s) + ref_text + gen_text

LAYER 2
MODEL

ประมวลผล — F5-TTS flow matching + Vocos vocoder

โมเดลเทียบสัดส่วน "ความยาวเสียงต้นแบบ ต่อ ความยาวข้อความต้นแบบ" เพื่อประเมินว่าข้อความใหม่ควรยาวเท่าไร แล้วสังเคราะห์ mel-spectrogram ก่อนส่งให้ vocoder แปลงเป็นคลื่นเสียง

JTS-AI/JaiTTS-F5TTS · euler ODE · EMA · vocos · 24 kHz

LAYER 3
OUTPUT

ส่งออก — ไฟล์ WAV 24 kHz + spectrogram

หน้าเว็บบันทึกลงโฟลเดอร์ outputs/ พร้อมแสดง ความยาว/RMS/peak และภาพ spectrogram ให้ตรวจคุณภาพด้วยตา

outputs/*.wav · mono 24 kHz

ลำดับการทำงานเมื่อกดปุ่มสร้างเสียง

ref.wav

3–10 วินาที

→

torchaudio

โหลด+แปลง

→

JaiTTS F5

flow matching

→

Vocos

mel → wave

→

output.wav

24 kHz

💡 กุญแจสำคัญที่ต้องจำ: เพราะโมเดลใช้ สัดส่วน ของเสียงต้นแบบ ในการประเมินความยาว ถ้า ref เป็นภาษาอื่นแต่ข้อความเป็นไทย การประเมินจะเพี้ยนทันที — จากการทดสอบ ประโยคไทย 48 ตัวอักษรเดียวกัน ออกมายาว 14.65 วินาที เมื่อใช้ ref ภาษาอังกฤษ แต่ยาว 4.12 วินาที เมื่อใช้ ref ภาษาไทย ใช้ ref ภาษาไทยเสมอ

04 · เช็คเครื่อง

เครื่องคุณรันไหวไหม

ข่าวดีคือ รันได้เกือบทุกเครื่อง — มีการ์ดจอก็เร็ว ไม่มีก็ยังรันได้แค่ช้าลง หัวข้อนี้ช่วยให้คุณรู้ว่าเครื่องตัวเองอยู่กลุ่มไหน

สิ่งที่ต้องมีทุกเครื่อง

รายการ	ต้องมี	วิธีติดตั้ง
uv	จำเป็น	`winget install --id=astral-sh.uv` `brew install uv` `curl -LsSf https://astral.sh/uv/install.sh \| sh`
ffmpeg	จำเป็น	`winget install Gyan.FFmpeg` — แต่ดูขั้นตอนที่ 5 ด้วย `brew install ffmpeg` `sudo apt install ffmpeg` หรือ `sudo dnf install ffmpeg`
git	จำเป็น	`winget install Git.Git` `brew install git` (หรือมากับ Xcode CLT) `sudo apt install git`
Python	3.11	uv ติดตั้งให้อัตโนมัติ ไม่ต้องลงเอง
พื้นที่ดิสก์	~12 GB	โหมด TTS อย่างเดียวใช้น้อยกว่านี้มาก
RAM	8 GB ขึ้นไป	16 GB สบายกว่า โดยเฉพาะถ้ารันบน CPU

เครื่องคุณจะรันด้วยอะไร

โค้ดเลือกให้อัตโนมัติตามลำดับ CUDA → MPS → CPU ไม่ต้องตั้งค่าเอง

🟢

NVIDIA + CUDA

เร็วที่สุด — Windows ต้องใส่ธง -Cuda ตอนติดตั้ง ส่วน Linux ได้ CUDA มาอัตโนมัติจาก PyPI

🍎

Apple Silicon (MPS)

เร็วพอใช้ — M1/M2/M3/M4 ใช้ GPU ในตัวได้เลย ไม่ต้องตั้งค่าอะไร README ระบุราว 20 วินาที/ประโยค

🐢

CPU อย่างเดียว

ช้าแต่ใช้ได้ — ครอบคลุม Intel Mac, เครื่องที่ใช้ AMD บน Windows, และเครื่องที่ไม่มีการ์ดจอแยก เหมาะกับงานที่ไม่รีบ

VRAM ที่ต้องใช้จริง: จากการวัดขณะสังเคราะห์เสียง โมเดลกินหน่วยความจำ GPU สูงสุดราว 1.94 GB

แปลว่าการ์ด 4 GB ขึ้นไปก็พอ และ 6–8 GB สบายมาก ไม่จำเป็นต้องมีการ์ดตัวท็อป — VRAM ไม่ใช่คอขวดของงานนี้

เช็คว่าการ์ด NVIDIA ของคุณใช้กับ PyTorch รุ่นปัจจุบันได้ไหม

นี่คือปัญหาที่คนเจอบ่อยแต่วินิจฉัยยาก เพราะมันติดตั้งผ่านปกติ แล้วไปพังตอนรัน วิธีเช็คที่แน่นอนที่สุดคือถามตัว PyTorch เอง (รันหลังติดตั้งเสร็จ):

ตรวจความเข้ากันได้ของ GPU

.\.venv-tts\Scripts\python.exe -c "import torch; print(torch.cuda.get_device_capability(0)); print(torch.cuda.get_arch_list())".venv-tts/bin/python -c "import torch; print('MPS:', torch.backends.mps.is_available())".venv-tts/bin/python -c "import torch; print(torch.cuda.get_device_capability(0)); print(torch.cuda.get_arch_list())"

ตัวแรกคือ compute capability ของการ์ดคุณ ตัวที่สองคือรายชื่อสถาปัตยกรรมที่ PyTorch ตัวนั้นรองรับ — ถ้ารหัสของคุณอยู่ในลิสต์ = ใช้ได้แน่นอน

บน Mac ไม่มี CUDA — ถ้าได้ MPS: True แปลว่าเป็น Apple Silicon และจะใช้ GPU ในตัวอัตโนมัติ ถ้าได้ False (เช่น Intel Mac) จะรันบน CPU ซึ่งยังใช้ได้แต่ช้ากว่ามาก

การ์ด NVIDIA	สถาปัตยกรรม	รหัส	ใช้กับ build ปัจจุบัน
RTX 50 ซีรีส์ (5060–5090)	Blackwell	`sm_120`	ได้ — แต่ต้องเป็น CUDA 12.8+
RTX 40 ซีรีส์ (4060–4090)	Ada Lovelace	`sm_89`	ได้
RTX 30 ซีรีส์ (3050–3090)	Ampere	`sm_86`	ได้
RTX 20 / GTX 16 ซีรีส์	Turing	`sm_75`	ได้
GTX 10 ซีรีส์และเก่ากว่า	Pascal และเก่ากว่า	`sm_61` ลงไป	ไม่ได้ — ต้องใช้ CUDA build เก่า หรือรันบน CPU

⚠️ จุดที่พลาดกันบ่อยที่สุดสำหรับการ์ด RTX 50 ซีรีส์

การ์ดตระกูล Blackwell ต้องใช้ PyTorch ที่ build ด้วย CUDA 12.8 ขึ้นไป ถ้าได้ CUDA เวอร์ชันเก่ากว่านั้น มันจะติดตั้งผ่านปกติแล้วไปพังตอนรันด้วยข้อความ no kernel image is available for execution on the device

โชคดีที่ setup.ps1 ตั้งค่าเริ่มต้นเป็น cu128 อยู่แล้ว แต่คุณต้องใส่ธง -Cuda เอง ไม่งั้นบน Windows จะได้ torch เวอร์ชัน CPU

05 · ติดตั้ง

เลือกวิธีติดตั้ง

ปลายทางเหมือนกันทั้งสองทาง ต่างกันที่ว่าคุณจะพิมพ์คำสั่งเองทีละขั้น หรือให้ AI agent อ่านคู่มือแล้วจัดการให้

เลือกระบบปฏิบัติการ คำสั่งทั้งหน้าจะเปลี่ยนตามที่เลือก

แนวคิดของวิธีนี้: AI agent อ่านโฟลเดอร์และรันคำสั่งได้เอง สิ่งที่มันขาดคือความรู้เรื่องบั๊กเฉพาะตัวของโปรเจกต์นี้ ถ้าปล่อยให้มันติดตั้งดิบๆ มันจะไปเจอ error เดียวกับที่คนอื่นเจอ แล้วเสียเวลาไล่แก้ทีละตัว

prompt ด้านล่างจึงบอกบั๊กทั้งหมดที่รู้แล้วไว้ล่วงหน้า พร้อมวิธีแก้ และกำหนดว่าต้องพิสูจน์ด้วยไฟล์เสียงจริงถึงจะนับว่าสำเร็จ

สร้างโฟลเดอร์เปล่าให้ AI ทำงาน

อย่าให้ AI ทำงานในโฟลเดอร์ที่มีของอื่นปนอยู่ — แยกโฟลเดอร์ใหม่ไปเลย จะได้ตรวจง่ายและถอนออกง่ายถ้าไม่พอใจ

TERMINAL

mkdir D:\JaiTTS
cd D:\JaiTTSmkdir -p ~/JaiTTS
cd ~/JaiTTSmkdir -p ~/JaiTTS
cd ~/JaiTTS

💡ต้องมีพื้นที่ว่างอย่างน้อย ~12 GB บนไดรฟ์นั้น · เลี่ยง path ที่มีเว้นวรรคหรืออักษรไทย

เปิด AI agent ให้ทำงานในโฟลเดอร์นั้น

หัวใจคือ AI ต้องมองเห็นและเขียนไฟล์ในโฟลเดอร์นี้ได้ และรันคำสั่ง terminal ได้ ถ้าเครื่องมือไหนทำสองอย่างนี้ไม่ได้ วิธีนี้จะใช้ไม่ได้

Claude Code

เปิด terminal ในโฟลเดอร์ที่สร้างไว้ แล้วสั่งรัน — มันจะใช้โฟลเดอร์ปัจจุบันเป็นพื้นที่ทำงานอัตโนมัติ

claude

Claude Cowork

เปิดแอป แล้วเลือกโฟลเดอร์ที่สร้างไว้เป็นโฟลเดอร์ทำงานของ session นี้ ก่อนวาง prompt

เลือกโฟลเดอร์ → วาง prompt

Codex

เปิด terminal ในโฟลเดอร์ที่สร้างไว้แล้วเรียกใช้งาน หรือเปิดโฟลเดอร์นั้นใน IDE ที่ต่อ Codex ไว้

codex

⚠️ตรวจให้แน่ใจว่า agent ชี้มาที่โฟลเดอร์ที่คุณเพิ่งสร้าง ไม่ใช่ home directory หรือโฟลเดอร์โปรเจกต์อื่น

วาง prompt template

วางทั้งก้อนได้เลย ไม่ต้องแก้อะไร — ตัว prompt สั่งให้ AI ตรวจเครื่องเองก่อน แล้วเลือกคำสั่งที่ถูกต้องตาม OS และการ์ดจอที่เจอ

PROMPT TEMPLATE · วางทั้งก้อน

ช่วยติดตั้ง JaiTTS-Easy (โปรแกรมโคลนเสียงพูดภาษาไทยแบบรันในเครื่อง)
ลงในโฟลเดอร์นี้ให้พร้อมใช้งาน

## เป้าหมาย
ติดตั้งจนสร้างไฟล์เสียงภาษาไทยได้จริง 1 ไฟล์
"ติดตั้งเสร็จ" อย่างเดียวยังไม่นับว่าสำเร็จ

## repo
https://github.com/aiunlocked1412/JaiTTS-Easy

## ขั้นตอน
1. ตรวจเครื่องก่อน แล้วรายงานให้ผมดู:
   - ระบบปฏิบัติการและเวอร์ชัน
   - มี uv / ffmpeg / git ครบไหม
   - มีการ์ดจอ NVIDIA ไหม ถ้ามีให้บอกรุ่นและ compute capability
     (Mac: บอกว่าเป็น Apple Silicon หรือ Intel)
   - พื้นที่ว่างของไดรฟ์ (ต้องการ ~12 GB)
   ถ้าเครื่องมือขาด ให้หยุดถามผมก่อน อย่าเพิ่งติดตั้งเอง

2. clone repo ลงในโฟลเดอร์นี้

3. รันสคริปต์ติดตั้งเฉพาะโหมด TTS
   - Windows:      .\setup.ps1 tts -Cuda
                   (ถ้าไม่มีการ์ด NVIDIA ให้ตัด -Cuda ออก)
   - macOS/Linux:  ./setup.sh tts
                   (อาจต้อง chmod +x setup.sh ก่อน)

4. โหลดชุดเสียงต้นแบบภาษาไทย 802 ไฟล์ (~392 MB)
   uvx gdown '1syOkdb0G2Etsi1xG-xT1p6_EDPpoXMqD' -O data/jaitts_testset.zip
   แล้วแตกไฟล์ลงโฟลเดอร์ data/ จากนั้นลบ __MACOSX และไฟล์ zip ทิ้ง

5. ทดสอบว่าสร้างเสียงได้จริง
   - อ่านบรรทัดแรกของ data/jaitts_testset/th/meta.lst
     รูปแบบคั่นด้วย | คือ:
       utt_id | ข้อความของเสียงต้นแบบ | path ของเสียงต้นแบบ | ... | ...
     ใช้คอลัมน์ 2 เป็น ref_text และคอลัมน์ 3 เป็น ref wav
   - สังเคราะห์ประโยคภาษาไทยสั้นๆ 1 ประโยค พร้อมจับเวลา
   - ตรวจไฟล์ผลลัพธ์ว่าไม่ใช่ความเงียบ (ดูค่า RMS และความยาว)

6. รายงานสรุป: รันบน CUDA / MPS / CPU, เวลาโหลดโมเดล,
   เวลาสังเคราะห์, ความยาวเสียงที่ได้, และ path ของไฟล์เสียง

## ปัญหาที่รู้อยู่แล้ว — เจอเมื่อไหร่แก้ตามนี้ได้เลย ไม่ต้องถาม

A) [Windows] setup.ps1 พังด้วย
   "The string is missing the terminator"
   สาเหตุ: ไฟล์เป็น UTF-8 ไม่มี BOM ทำให้ PowerShell 5.1 อ่านเป็น
   Windows-1252 แล้ว em dash กลายเป็นอักขระที่ PowerShell
   ถือเป็น string delimiter จึงปิด string กลางคัน
   แก้: สำรองไฟล์เดิมไว้ แล้วบันทึก setup.ps1 ใหม่เป็น UTF-8 with BOM

B) [ทุก OS] uv ล้มด้วย
   "Missing expected target directory for Python minor version link"
   แก้: รันคำสั่งเดิมซ้ำอีกครั้ง — Python ติดตั้งสมบูรณ์แล้ว
   เป็นแค่ race condition ตอนดาวน์โหลดรอบแรก

C) [ทุก OS] "A virtual environment already exists at .venv-tts"
   แก้: ลบโฟลเดอร์ .venv-tts แล้วรัน setup ใหม่

D) [Windows] ตอนสังเคราะห์เสียงพังด้วย
   "Could not load this library: libtorchcodec_core*.dll"
   สาเหตุ: torchaudio ส่งงานให้ torchcodec ซึ่งต้องการ FFmpeg
   shared DLL แต่ ffmpeg บน Windows ส่วนใหญ่เป็น static build
   แก้: โหลดไฟล์นี้
   https://github.com/BtbN/FFmpeg-Builds/releases/download/latest/ffmpeg-n8.1-latest-win64-lgpl-shared-8.1.zip
   แตกไฟล์ แล้วก๊อป *.dll จากโฟลเดอร์ bin ไปวางใน
   .venv-tts\Lib\site-packages\torchcodec\
   ห้ามแก้ PATH ของระบบ
   [macOS] เจอปัญหาเดียวกันให้ brew reinstall ffmpeg
   [Linux] ให้ติดตั้ง libavcodec / libavformat / libavutil เพิ่ม

E) [NVIDIA RTX 50 ซีรีส์] "CUDA error: no kernel image is available"
   สาเหตุ: การ์ด Blackwell เป็น sm_120 ต้องใช้ torch ที่ build
   ด้วย CUDA 12.8 ขึ้นไป
   แก้: ลบ .venv-tts แล้วติดตั้งใหม่ให้ได้ cu128
   ตรวจด้วย torch.cuda.get_arch_list() ว่ามี sm_120 อยู่จริง

## ข้อห้าม
- ห้ามแก้ PATH หรือ environment variable ของระบบ
- ห้ามเปลี่ยน ExecutionPolicy แบบถาวร ใช้ -Scope Process เท่านั้น
- ห้ามติดตั้งแพ็กเกจระดับระบบ (winget / brew / apt) โดยไม่ถามก่อน
- ห้ามรายงานว่าสำเร็จถ้ายังไม่มีไฟล์เสียงที่สร้างได้จริง

💡ถ้าเครื่องมือที่ใช้จำกัดความยาวข้อความ ให้ตัดหัวข้อ "ปัญหาที่รู้อยู่แล้ว" เก็บไว้ แล้วส่งตามทีหลังเมื่อ AI เจอ error จริง — ส่วนนั้นคือส่วนที่มีค่าที่สุด

ตรวจงานที่ AI ทำ

AI บอกว่าเสร็จแล้วไม่เท่ากับเสร็จจริง — ไล่เช็ค 5 ข้อนี้ก่อนเชื่อ

มีไฟล์เสียงจริง — เปิดฟังไฟล์ใน outputs/ ว่าเป็นเสียงพูดภาษาไทย ไม่ใช่ความเงียบหรือเสียงรบกวน
ใช้ตัวเร่งความเร็วถูกตัว — ถ้ามีการ์ด NVIDIA แต่รายงานว่ารันบน CPU แปลว่าติดตั้ง torch ผิดเวอร์ชัน ให้สั่งแก้
ความยาวเสียงสมเหตุสมผล — ประโยคสั้นต้องได้เสียงสั้น ถ้าได้ 15 วินาทีจากประโยคเดียว แปลว่าใช้เสียงต้นแบบผิดภาษา
ไม่ได้ไปแก้ค่าระบบ — ถาม AI ว่าแตะ PATH, ExecutionPolicy ถาวร หรือติดตั้งแพ็กเกจระดับระบบอะไรไปบ้าง
เปิดหน้าเว็บได้ — สั่งให้รัน web UI แล้วเปิด http://127.0.0.1:7860 ดูว่าขึ้นหน้าจริง

🔍ถ้าข้อไหนไม่ผ่าน ให้ส่งข้อความ error ที่เห็นกลับไปให้ AI ตรงๆ พร้อมบอกว่าข้อไหนในเช็คลิสต์ที่ยังไม่ผ่าน

⚠️ ข้อควรระวังของวิธีนี้

AI จะรันคำสั่งใน terminal ของเครื่องคุณจริง และดาวน์โหลดไฟล์จากอินเทอร์เน็ตจริง อ่านสิ่งที่มันกำลังจะทำก่อนอนุมัติทุกครั้ง โดยเฉพาะคำสั่งลบไฟล์ และคำสั่งติดตั้งแพ็กเกจระดับระบบ

ถ้าเครื่องมือที่ใช้มีโหมดถามก่อนรัน ให้เปิดไว้ อย่าใช้โหมดอนุมัติอัตโนมัติทั้งหมด กับงานที่แตะระบบแบบนี้

ไม่แน่ใจว่าเครื่องมือที่มีทำได้ไหม? เกณฑ์ง่ายๆ คือมันต้อง (1) อ่านและเขียนไฟล์ในโฟลเดอร์ได้ และ (2) รันคำสั่ง terminal ได้ ถ้าเป็นแชทที่ตอบได้อย่างเดียวแต่รันคำสั่งไม่ได้ ให้ใช้ วิธีติดตั้งด้วยตนเอง แทน แล้วเอาแชทไว้ช่วยตอนติดปัญหา

Windows มีขั้นตอนพิเศษ 2 ขั้น (2 และ 5) ที่ README ไม่ได้เขียนไว้ และเป็นสาเหตุที่คนติดตั้งไม่ผ่าน — ห้ามข้าม

บน macOS ติดตั้งง่ายกว่า Windows มาก เพราะ Homebrew ลง ffmpeg มาให้ครบ และ Apple Silicon ใช้ GPU ในตัวได้เลยโดยไม่ต้องตั้งค่า

บน Linux ติดตั้งง่ายที่สุด เพราะ torch จาก PyPI มี CUDA มาให้พร้อมอยู่แล้ว ไม่ต้องระบุธงพิเศษเหมือน Windows

Clone repo

เลือกโฟลเดอร์ที่มีพื้นที่พอ (~12 GB)

TERMINAL

git clone https://github.com/aiunlocked1412/JaiTTS-Easy.git D:\JaiTTS
cd D:\JaiTTSgit clone https://github.com/aiunlocked1412/JaiTTS-Easy.git ~/JaiTTS
cd ~/JaiTTSgit clone https://github.com/aiunlocked1412/JaiTTS-Easy.git ~/JaiTTS
cd ~/JaiTTS

💡เลี่ยง path ที่มีเว้นวรรคหรืออักษรไทยถ้าทำได้ — บาง library จัดการ path แปลกๆ ได้ไม่ดี

แก้ encoding ของ setup.ps1 WINDOWS เท่านั้น

ถ้าข้ามขั้นนี้ คุณจะเจอ error The string is missing the terminator ตั้งแต่ยังไม่เริ่มติดตั้ง

ไฟล์ setup.ps1 ถูกบันทึกเป็น UTF-8 ไม่มี BOM
Windows PowerShell 5.1 จึงอ่านมันเป็น Windows-1252 แทน
เครื่องหมาย — (em dash) กลายเป็นตัวอักษรเพี้ยน 3 ตัว ซึ่งตัวสุดท้าย เป็น string delimiter ที่ถูกต้องใน PowerShell เลยไปปิด string กลางคัน พังต่อกัน 5 จุด

POWERSHELL · แก้ครั้งเดียวจบ

$p = "D:\JaiTTS\setup.ps1"
Copy-Item $p "$p.orig" -Force
$t = [System.IO.File]::ReadAllText($p, (New-Object System.Text.UTF8Encoding $false))
[System.IO.File]::WriteAllText($p, $t, (New-Object System.Text.UTF8Encoding $true))

💡ถ้าคุณมี PowerShell 7 (pwsh) ให้รัน setup ด้วย pwsh แทน จะข้ามปัญหานี้ไปเลย เพราะ PS7 อ่านไฟล์เป็น UTF-8 เป็นค่าเริ่มต้น

ให้สิทธิ์รันสคริปต์ macOS

ไฟล์ที่ clone มาอาจไม่มีสิทธิ์ execute

TERMINAL

chmod +x setup.sh

✅macOS ไม่มีปัญหา encoding แบบ Windows — ข้ามไปขั้นต่อไปได้เลย

ให้สิทธิ์รันสคริปต์ LINUX

ไฟล์ที่ clone มาอาจไม่มีสิทธิ์ execute

TERMINAL

chmod +x setup.sh

✅Linux ไม่มีปัญหา encoding แบบ Windows — ข้ามไปขั้นต่อไปได้เลย

ปลดล็อกการรันสคริปต์ WINDOWS เท่านั้น

ใช้ -Scope Process จะมีผลเฉพาะหน้าต่างนี้ ไม่ไปเปลี่ยนค่าถาวรของเครื่อง

POWERSHELL

Set-ExecutionPolicy -Scope Process Bypass -Force

ตรวจว่ามี uv และ ffmpeg แล้ว

setup.sh จะหยุดทันทีถ้าไม่เจอ uv

TERMINAL

which uv ffmpeg || brew install uv ffmpeg

ตรวจว่ามี uv และ ffmpeg แล้ว

setup.sh จะหยุดทันทีถ้าไม่เจอ uv

TERMINAL

which uv ffmpeg

รัน setup

tts = ติดตั้งเฉพาะส่วนสร้างเสียง ข้ามไฟล์วัดผลขนาดใหญ่ · -Cuda = ดึง torch เวอร์ชัน GPU

TERMINAL

.\setup.ps1 tts -Cuda./setup.sh tts./setup.sh tts

เวลาส่วนใหญ่หมดไปกับการโหลด torch CUDA (~2.6 GB)
ไม่มีการ์ด NVIDIA? ตัด -Cuda ออก จะได้ torch เวอร์ชัน CPU ซึ่งยังรันได้แต่ช้ากว่า
ถ้าเจอ Missing expected target directory for Python minor version link ให้รันซ้ำอีกครั้ง — เป็น race condition ของ uv ตอนโหลด Python รอบแรก
ถ้าเจอ A virtual environment already exists ให้ลบ .venv-tts ก่อนแล้วรันใหม่

ไม่ต้องระบุธง GPU — โค้ดตรวจ MPS ให้เองตอนรัน
ถ้าเจอ Missing expected target directory for Python minor version link ให้รันซ้ำอีกครั้ง — เป็น race condition ของ uv
ถ้าเจอ A virtual environment already exists ให้ rm -rf .venv-tts แล้วรันใหม่

💡Apple Silicon จะได้ torch ที่รองรับ MPS มาโดยอัตโนมัติจาก PyPI

ไม่ต้องระบุธง CUDA — torch จาก PyPI บน Linux มี CUDA มาให้อยู่แล้ว
ถ้าเจอ Missing expected target directory for Python minor version link ให้รันซ้ำอีกครั้ง — เป็น race condition ของ uv
ถ้าเจอ A virtual environment already exists ให้ rm -rf .venv-tts แล้วรันใหม่

ติดตั้ง FFmpeg shared DLL WINDOWS เท่านั้น

ถ้าข้ามขั้นนี้ ทุกอย่างจะติดตั้งผ่านหมด แต่พอกดสร้างเสียงจะพังที่ Could not load this library: libtorchcodec_core*.dll

torchaudio รุ่นใหม่ไม่มี backend ของตัวเองแล้ว มันโยนงานโหลดไฟล์เสียงให้ torchcodec
torchcodec ต้องการ DLL ของ FFmpeg (avcodec, avformat, avutil, swresample, swscale)
ffmpeg ที่คนส่วนใหญ่ลงบน Windows คือ static build ซึ่งมีแต่ ffmpeg.exe ไม่มี DLL เลย

วิธีที่ไม่แตะ PATH หรือ ffmpeg เดิมของคุณ — ก๊อป DLL เข้าไปใน venv โดยตรง:

POWERSHELL

$tmp = "$env:TEMP\ffshared"
$url = "https://github.com/BtbN/FFmpeg-Builds/releases/download/latest/ffmpeg-n8.1-latest-win64-lgpl-shared-8.1.zip"
Invoke-WebRequest -Uri $url -OutFile "$tmp.zip"
Expand-Archive "$tmp.zip" -DestinationPath $tmp -Force
$bin = (Get-ChildItem $tmp -Recurse -Directory -Filter bin)[0].FullName
Copy-Item "$bin\*.dll" -Destination ".\.venv-tts\Lib\site-packages\torchcodec" -Force

💡ได้ผลเพราะ Windows ค้นหา DLL ที่ต้องพึ่งพา จากโฟลเดอร์ของ DLL ที่กำลังโหลดก่อน · torchcodec รองรับ FFmpeg 4–8 จะใช้เวอร์ชันไหนในช่วงนี้ก็ได้

ตรวจว่าอ่านไฟล์เสียงได้ macOS

Homebrew ลง ffmpeg แบบมี shared library มาให้อยู่แล้ว ปกติจึงใช้ได้เลย — แต่ควรเช็คก่อน เพราะถ้าพังจะไปพังตอนกดสร้างเสียง

TERMINAL

.venv-tts/bin/python -c "import torchaudio; print(torchaudio.load('flowtts/infer/examples/basic/basic_ref_en.wav')[1])"

✅ได้เลข sample rate ออกมา = ผ่าน · ถ้าฟ้อง libtorchcodec ให้ brew reinstall ffmpeg

ตรวจว่าอ่านไฟล์เสียงได้ LINUX

แพ็กเกจ ffmpeg ของ distro ส่วนใหญ่มี shared library มาให้อยู่แล้ว ปกติจึงใช้ได้เลย — แต่ควรเช็คก่อน

TERMINAL

.venv-tts/bin/python -c "import torchaudio; print(torchaudio.load('flowtts/infer/examples/basic/basic_ref_en.wav')[1])"

✅ได้เลข sample rate ออกมา = ผ่าน · ถ้าฟ้อง libtorchcodec ให้ลง libavcodec-dev libavformat-dev libavutil-dev เพิ่ม

โหลดเสียงต้นแบบ 802 ไฟล์ (ไม่บังคับ แต่แนะนำ)

ได้เสียงต้นแบบภาษาไทยพร้อม transcript ครบ และทำให้หน้าเว็บมีเสียงต้นแบบ default ให้เลย

TERMINAL · ~392 MB

uvx gdown '1syOkdb0G2Etsi1xG-xT1p6_EDPpoXMqD' -O 'data\jaitts_testset.zip'
Expand-Archive 'data\jaitts_testset.zip' -DestinationPath 'data' -Force
Remove-Item -Recurse -Force 'data\__MACOSX' -ErrorAction SilentlyContinue
Remove-Item -Force 'data\jaitts_testset.zip'mkdir -p data
uvx gdown '1syOkdb0G2Etsi1xG-xT1p6_EDPpoXMqD' -O data/jaitts_testset.zip
unzip -q -o data/jaitts_testset.zip -d data -x "__MACOSX/*"
rm -rf data/__MACOSX data/jaitts_testset.zipmkdir -p data
uvx gdown '1syOkdb0G2Etsi1xG-xT1p6_EDPpoXMqD' -O data/jaitts_testset.zip
unzip -q -o data/jaitts_testset.zip -d data -x "__MACOSX/*"
rm -rf data/__MACOSX data/jaitts_testset.zip

💡uvx รัน gdown แบบชั่วคราว ไม่ติดตั้งค้างใน venv

ตรวจสอบว่าติดตั้งสำเร็จ

เช็คว่า torch เห็นตัวเร่งความเร็วของเครื่องคุณจริง

TERMINAL

.\.venv-tts\Scripts\python.exe -c "import torch; print(torch.__version__); print('cuda:', torch.cuda.is_available()); print(torch.cuda.get_arch_list() if torch.cuda.is_available() else 'CPU mode')".venv-tts/bin/python -c "import torch; print(torch.__version__); print('mps:', torch.backends.mps.is_available())".venv-tts/bin/python -c "import torch; print(torch.__version__); print('cuda:', torch.cuda.is_available()); print(torch.cuda.get_arch_list() if torch.cuda.is_available() else 'CPU mode')"

✅ควรได้ cuda: True และมีรหัส sm_ ที่ตรงกับการ์ดคุณอยู่ในลิสต์ · ถ้าได้ False ทั้งที่มีการ์ด NVIDIA แปลว่าลืมธง -Cuda

✅Apple Silicon ควรได้ mps: True · Intel Mac จะได้ False ซึ่งปกติ จะรันบน CPU แทน

✅ถ้ามีการ์ด NVIDIA ควรได้ cuda: True · ถ้าไม่มีการ์ดจะได้ CPU mode ซึ่งยังใช้งานได้

เปิดใช้งาน

ครั้งแรกจะโหลด model.pt 1.35 GB จาก HuggingFace อัตโนมัติ

TERMINAL

.\.venv-tts\Scripts\python.exe jaitts_webapp.py.venv-tts/bin/python jaitts_webapp.py.venv-tts/bin/python jaitts_webapp.py

🎉เปิดเบราว์เซอร์ไปที่ http://127.0.0.1:7860 — เสร็จแล้ว

06 · วิธีใช้งาน

ใช้งานได้ 2 ทาง

เลือกตามลักษณะงาน — หน้าเว็บสำหรับลองผิดลองถูก, CLI สำหรับงานซ้ำๆ

วิธี A · หน้าเว็บ

แนะนำสำหรับเริ่มต้น

รัน jaitts_webapp.py แล้วเปิด 127.0.0.1:7860
อัปโหลดเสียงต้นแบบ (หรือกดปุ่มไมค์อัดสด)
กด 🎤 ถอดข้อความอัตโนมัติ หรือพิมพ์ transcript เอง
พิมพ์ข้อความที่อยากให้อ่าน
กด 🔊 สร้างเสียง

✓ เห็น spectrogram + ค่า RMS/peak ตรวจคุณภาพได้ทันที

✓ ปรับสไลเดอร์ลองผลได้เร็ว

✗ ทำงานทีละไฟล์ ไม่เหมาะกับงาน batch

วิธี B · Command Line

แนะนำสำหรับ automate

เตรียมไฟล์เสียงต้นแบบและ transcript ให้พร้อม
เรียก jaitts_synth.py พร้อม 4 argument
เอาไปวนลูปในสคริปต์ได้เลย

✓ เอาไปต่อกับ pipeline ได้

✓ ทำงานเป็นชุดได้ไม่จำกัด

✗ โหลดโมเดลใหม่ทุกครั้งที่เรียก

รูปแบบคำสั่ง CLI

TERMINAL

.\.venv-tts\Scripts\python.exe jaitts_synth.py `
  "ข้อความที่อยากให้อ่าน" `
  ref.wav `
  "ข้อความที่พูดในไฟล์ ref จริงๆ" `
  outputs\out.wav.venv-tts/bin/python jaitts_synth.py \
  "ข้อความที่อยากให้อ่าน" \
  ref.wav \
  "ข้อความที่พูดในไฟล์ ref จริงๆ" \
  outputs/out.wav.venv-tts/bin/python jaitts_synth.py \
  "ข้อความที่อยากให้อ่าน" \
  ref.wav \
  "ข้อความที่พูดในไฟล์ ref จริงๆ" \
  outputs/out.wav

ลำดับ	argument	คำอธิบาย
1	`text`	ข้อความไทยที่ต้องการให้อ่าน
2	`ref_voice`	path ไฟล์เสียงต้นแบบ
3	`ref_text`	ข้อความที่พูดในไฟล์ต้นแบบ ต้องตรงเป๊ะ
4	`output`	path ไฟล์ผลลัพธ์ (โฟลเดอร์จะถูกสร้างให้อัตโนมัติ)

💡 อยากทำงาน batch หลายประโยคโดยไม่โหลดโมเดลซ้ำ? เขียนสคริปต์ Python เรียก load() จาก jaitts_synth ครั้งเดียว แล้ววนเรียก pipeline หลายรอบ — ประโยคที่ 2 เป็นต้นไปจะเร็วขึ้นชัดเจน เพราะไม่ต้องโหลดโมเดลใหม่ วิธีนี้ใช้ได้เหมือนกันทุก OS

07 · เสียงต้นแบบ

กฎของเสียงต้นแบบ

คุณภาพผลลัพธ์ขึ้นกับเสียงต้นแบบมากกว่าอย่างอื่นทั้งหมด — ทำ 4 ข้อนี้ให้ถูกแล้วจบ

⏱️

ยาว 3–10 วินาที

สั้นกว่านี้เสียงไม่นิ่ง ยาวกว่านี้โมเดลจัดการได้ไม่ดี จุดหวานอยู่ราว 5–8 วินาที

🔇

สะอาด

ไม่มีดนตรีประกอบ ไม่มีเสียงรบกวน ไม่มีเสียงคนอื่นแทรก ไม่มีเสียงก้อง

📝

transcript ต้องตรงเป๊ะ

จุดที่คนพลาดมากที่สุด — ต้องพิมพ์สิ่งที่พูดในคลิปจริงๆ ทุกคำ ใส่ผิดปุ๊บเสียงเพี้ยนทันที

🇹🇭

ต้องเป็นภาษาไทย

ใช้ ref ภาษาอื่นแล้วให้อ่านไทย จะทำให้ประเมินความยาวเสียงเพี้ยนอย่างรุนแรง

แปลงไฟล์ให้พร้อมใช้ด้วย ffmpeg

คำสั่งนี้เหมือนกันทุก OS — ตัดช่วงที่ต้องการจากคลิป แล้วแปลงเป็น WAV mono 24 kHz:

FFMPEG · ทุก OS

ffmpeg -i input.mp4 -ss 00:00:05 -t 8 -vn -ac 1 -ar 24000 ref.wav

ธง	ความหมาย
`-ss 00:00:05`	เริ่มตัดที่วินาทีที่ 5
`-t 8`	เอาความยาว 8 วินาที
`-vn`	ตัดวิดีโอทิ้ง เอาแต่เสียง
`-ac 1`	แปลงเป็น mono
`-ar 24000`	ตั้ง sample rate 24 kHz ให้ตรงกับโมเดล

ใช้เสียงต้นแบบจากชุด 802 ไฟล์

ไฟล์อยู่ที่ data/jaitts_testset/th/prompt-wavs/ ส่วน transcript อยู่ใน meta.lst ซึ่งคั่นด้วย | 5 คอลัมน์:

คอลัมน์	เนื้อหา
1	utterance id
2	ข้อความของเสียงต้นแบบ ← ตัวนี้คือ ref_text ที่ต้องใช้
3	path ของไฟล์เสียงต้นแบบ
4	ข้อความเป้าหมายของชุดทดสอบ
5	ข้อความเป้าหมายหลัง normalize

ดูรายชื่อเสียงต้นแบบพร้อมข้อความ 20 รายการแรก:

TERMINAL

Get-Content data\jaitts_testset\th\meta.lst -Encoding UTF8 |
  ForEach-Object { $c = $_ -split '\|'; "$($c[2].Split('/')[-1])  =  $($c[1])" } |
  Sort-Object -Unique | Select-Object -First 20awk -F'|' '{split($3,a,"/"); print a[length(a)]"  =  "$2}' data/jaitts_testset/th/meta.lst | sort -u | head -20awk -F'|' '{split($3,a,"/"); print a[length(a)]"  =  "$2}' data/jaitts_testset/th/meta.lst | sort -u | head -20

💡 ทางลัด: ถ้าใช้หน้าเว็บ ไม่ต้องยุ่งกับ meta.lst เลย — อัปโหลดไฟล์ wav แล้วกดปุ่ม ถอดข้อความอัตโนมัติ มันถอดให้เอง (ครั้งแรกจะโหลด Typhoon Whisper ~3 GB)

08 · ปรับแต่ง

สไลเดอร์ทั้ง 3 ตัวทำอะไร

พารามิเตอร์	ช่วง	ค่าเริ่มต้น	ผลเมื่อเพิ่ม	ใช้เมื่อไร
NFE step	4–64	32	คุณภาพดีขึ้น แต่ช้าลงเป็นเส้นตรง	ลดเหลือ 16 ตอนลองผิดลองถูก แล้วดันขึ้น 32–48 ตอนเรนเดอร์จริง
ความเร็วพูด	0.5–2.0	1.0	พูดเร็วขึ้น	ปรับให้เข้ากับจังหวะวิดีโอ — 0.9 ฟังสบายกว่าสำหรับงานบรรยาย
CFG strength	1.0–4.0	2.5	เกาะเสียงต้นแบบมากขึ้น แต่เสี่ยงเสียงแข็ง/มี artifact	ขึ้นเป็น 3.0 ถ้าเสียงไม่เหมือนต้นแบบ · ลงเหลือ 2.0 ถ้าเสียงบิดเบี้ยว

วิธีจูนที่ประหยัดเวลาที่สุด: อย่าขยับพร้อมกันหลายตัว เริ่มจากหาเสียงต้นแบบที่ดีก่อน (มีผลมากที่สุด) → แล้วค่อยปรับ CFG ให้ความเหมือนพอใจ → แล้วค่อยดัน NFE ขึ้นตอนจะเรนเดอร์ไฟล์จริง → ปรับความเร็วเป็นอย่างสุดท้าย

ถ้าเครื่องคุณรันบน CPU ให้เริ่มที่ NFE 16 จะช่วยลดเวลารอลงได้เกือบครึ่งโดยคุณภาพยังพอรับได้

09 · แก้ปัญหา

ปัญหาที่เจอบ่อยและวิธีแก้

คลิกเพื่อดูรายละเอียด — ป้ายกำกับบอกว่าปัญหานั้นเกิดกับ OS ไหน

🔴

ปัญหา 01 · ตอนติดตั้ง

The string is missing the terminator WINDOWS

setup.ps1 พังตั้งแต่ยังไม่เริ่มติดตั้ง

＋

อาการ

รัน .\setup.ps1 แล้วขึ้น parse error 5 บรรทัดรวด

สาเหตุ

ไฟล์เป็น UTF-8 ไม่มี BOM · PowerShell 5.1 อ่านเป็น Windows-1252 · em dash กลายเป็นอักขระที่เป็น string delimiter

ทางแก้

บันทึกไฟล์ใหม่เป็น UTF-8 with BOM

ทางเลี่ยง

ใช้ PowerShell 7 (pwsh) รันแทน

คำสั่งแก้

POWERSHELL

$p = "D:\JaiTTS\setup.ps1"
$t = [System.IO.File]::ReadAllText($p, (New-Object System.Text.UTF8Encoding $false))
[System.IO.File]::WriteAllText($p, $t, (New-Object System.Text.UTF8Encoding $true))

🟡

ปัญหา 02 · ตอนติดตั้ง

Missing expected target directory for Python minor version link ทุก OS

uv ล้มตอนสร้าง venv

＋

อาการ

uv โหลด Python 3.11 เสร็จแล้วแต่ error ทันที

สาเหตุ

race condition ของ uv — สร้าง link ก่อนที่โฟลเดอร์จะถูกย้ายเข้าที่

ทางแก้

รันซ้ำอีกครั้ง — ตัว install จริงสมบูรณ์แล้ว

ถ้ายังไม่หาย

ลบโฟลเดอร์ Python ของ uv แล้วรันใหม่ (path ด้านล่าง)

ตำแหน่งโฟลเดอร์ Python ของ uv

PATH

%APPDATA%\uv\python\~/.local/share/uv/python/~/.local/share/uv/python/

🟡

ปัญหา 03 · ตอนติดตั้ง

A virtual environment already exists ทุก OS

สคริปต์ติดตั้งไม่ได้ส่งธง --clear

＋

ทางแก้

TERMINAL

Remove-Item -Recurse -Force .venv-tts
.\setup.ps1 tts -Cudarm -rf .venv-tts
./setup.sh ttsrm -rf .venv-tts
./setup.sh tts

⚠️ ถ้าลบ .venv-tts อย่าลืมทำขั้นตอนที่ 5 (FFmpeg DLL) ใหม่ด้วย เพราะ DLL ที่ก๊อปไว้จะหายไปพร้อม venv

🔴

ปัญหา 04 · ตอนสร้างเสียง

Could not load this library: libtorchcodec_core*.dll WINDOWS

ติดตั้งผ่านหมดแต่พอกดสร้างเสียงแล้วพัง

＋

อาการ

traceback ยาวมาก ลองโหลด core8 → core7 → core6 → core5 → core4 แล้วพังหมด

สาเหตุ

torchaudio โยนงานให้ torchcodec ซึ่งต้องการ FFmpeg shared DLL

ทำไมเจอบ่อย

ffmpeg ที่คนส่วนใหญ่ลงบน Windows เป็น static มีแต่ .exe ไม่มี DLL

ทางแก้

ทำขั้นตอนที่ 5 — ก๊อป DLL เข้าไปใน site-packages\torchcodec\

บน macOS และ Linux มักไม่เจอปัญหานี้ เพราะ Homebrew และ package manager ของ distro ลง shared library มาให้อยู่แล้ว — ถ้าเจอ ให้ติดตั้ง ffmpeg ใหม่จาก package manager

🔴

ปัญหา 05 · ตอนสร้างเสียง

CUDA error: no kernel image is available WINDOWS LINUX

การ์ดใหม่หรือเก่าเกินไปสำหรับ torch ที่ลงไว้

＋

สาเหตุ A

การ์ดใหม่เกิน เช่น RTX 50 ซีรีส์ แต่ torch เป็น CUDA เวอร์ชันเก่ากว่า 12.8

สาเหตุ B

การ์ดเก่าเกิน เช่น GTX 10 ซีรีส์ ซึ่ง build ปัจจุบันไม่รองรับแล้ว

ทางแก้ A

ลบ venv แล้วติดตั้งใหม่ให้ได้ CUDA 12.8+

ทางแก้ B

ใช้ torch เวอร์ชัน CUDA เก่า หรือยอมรันบน CPU

ตรวจก่อนว่าเป็นปัญหานี้จริงไหม

TERMINAL

.\.venv-tts\Scripts\python.exe -c "import torch; print(torch.cuda.get_device_capability(0), torch.cuda.get_arch_list())"ปัญหานี้ไม่เกิดบน macOS เพราะไม่ได้ใช้ CUDA.venv-tts/bin/python -c "import torch; print(torch.cuda.get_device_capability(0), torch.cuda.get_arch_list())"

ถ้ารหัส capability ของคุณไม่อยู่ในลิสต์ที่ตามมา = ใช่ปัญหานี้

🟣

ปัญหา 06 · คุณภาพเสียง

เสียงยาวเกินจริงมาก / มีความเงียบยืดยาว ทุก OS

ประโยคสั้นแต่ได้เสียง 15 วินาที

＋

สาเหตุ

เสียงต้นแบบเป็นภาษาอื่น ทำให้สัดส่วนความยาวที่โมเดลใช้ประเมินเพี้ยน

หลักฐานจากการทดสอบ

ประโยคไทย 48 ตัวอักษร: ref อังกฤษ → 14.65 วิ · ref ไทย → 4.12 วิ

ทางแก้

เปลี่ยนไปใช้เสียงต้นแบบภาษาไทย

สาเหตุรอง

transcript ต้นแบบไม่ตรงกับที่พูดจริง

🟣

ปัญหา 07 · คุณภาพเสียง

เสียงเพี้ยน อ่านผิด หรือไม่เหมือนต้นแบบ ทุก OS

สาเหตุอันดับ 1 คือ transcript ไม่ตรง

＋

เช็ค transcript ก่อนเสมอ — ต้องตรงกับที่พูดในคลิปทุกคำ ถ้าไม่แน่ใจให้กดปุ่มถอดอัตโนมัติ
ตรวจว่าเสียงต้นแบบยาว 3–10 วินาที และไม่มีเสียงรบกวน
ถ้าไม่เหมือนต้นแบบ → ดัน CFG strength ขึ้นเป็น 3.0
ถ้าเสียงแข็ง/มี artifact → ลด CFG ลงเหลือ 2.0 และเพิ่ม NFE เป็น 48
ลองเปลี่ยนเสียงต้นแบบเป็นไฟล์อื่น — บางคลิปให้ผลดีกว่ากันอย่างเห็นได้ชัด

🔵

ปัญหา 08 · เบ็ดเตล็ด

port 7860 ถูกใช้แล้ว / เปิดหน้าเว็บไม่ได้ ทุก OS

มักชนกับ Stable Diffusion WebUI หรือ Gradio ตัวอื่น

＋

หาว่าใครใช้ port อยู่

TERMINAL

Get-NetTCPConnection -LocalPort 7860 -State Listen |
  ForEach-Object { Get-Process -Id $_.OwningProcess }lsof -nP -iTCP:7860 -sTCP:LISTENss -lptn 'sport = :7860'

ปิดโปรแกรมนั้น หรือแก้เลข port ในบรรทัดสุดท้ายของ jaitts_webapp.py

🔵

ปัญหา 09 · เบ็ดเตล็ด

หน้าเว็บเปิดมาแล้วไม่มีเสียงต้นแบบ default ทุก OS

ไม่ใช่บั๊ก — เป็นผลของการติดตั้งโหมด tts

＋

หน้าเว็บตั้งค่า default reference ไว้ที่ไฟล์ในโฟลเดอร์ data/jaitts_testset/ ซึ่งโหมด tts ไม่ได้โหลดมา โค้ดมี fallback ไว้แล้วเลยไม่ error แค่เปิดมาว่างเปล่า

แก้ได้โดยทำขั้นตอนที่ 6 (โหลดชุด 802 ไฟล์) แล้ว restart หน้าเว็บ — ค่า default ถูกอ่านตอนเริ่มโปรแกรมเท่านั้น

🐢

ปัญหา 10 · ประสิทธิภาพ

สร้างเสียงช้ามาก ทุก OS

รอเป็นนาทีต่อประโยค

＋

เช็คก่อนว่ากำลังรันบนอะไร — ถ้าหน้าเว็บขึ้น device: cpu ทั้งที่มีการ์ดจอ แปลว่าติดตั้ง torch ผิดเวอร์ชัน
ลด NFE step จาก 32 เหลือ 16 — ช่วยได้มากที่สุดและเร็วที่สุด
แบ่งข้อความยาวเป็นประโยคสั้นๆ แทนที่จะใส่ทีเดียวยาวๆ
ถ้าใช้ CLI ให้เขียนสคริปต์ที่ load() ครั้งเดียวแล้ววนลูป แทนการเรียกคำสั่งซ้ำๆ

รันบน CPU ช้าเป็นเรื่องปกติ ไม่ใช่ของเสีย — ถ้างานไม่รีบก็ยังใช้ได้ แต่ถ้าต้องทำเยอะ การมีการ์ดจอ NVIDIA แม้แค่ระดับกลางก็ต่างกันมาก

10 · ความเร็ว

คาดหวังความเร็วได้แค่ไหน

ความเร็วขึ้นกับ 3 อย่าง: ตัวเร่งที่ใช้ (CUDA/MPS/CPU), ค่า NFE step, และ ความยาวข้อความ

ฮาร์ดแวร์	เวลาต่อประโยค	ที่มาของตัวเลข
GPU ระดับสูง RTX 5080, CUDA	~2–4.6 วินาที	วัดจริงขณะเขียนคู่มือนี้ (NFE 32)
Apple Silicon MPS	~20 วินาที	ตัวเลขที่ README ของโปรเจกต์ระบุไว้
CPU อย่างเดียว	ช้ากว่านั้นมาก	ไม่ได้วัด — ขึ้นกับ CPU แต่ละรุ่นมาก แนะนำให้ลด NFE เหลือ 16

รายละเอียดที่วัดได้จริง (RTX 5080, CUDA, NFE 32)

ขั้นตอน	เวลา	หมายเหตุ
โหลดโมเดลครั้งแรก	44.8 วิ	รวมดาวน์โหลด model.pt 1.35 GB จาก HuggingFace
โหลดโมเดลครั้งต่อไป	4.5–5.2 วิ	อ่านจาก cache ในเครื่อง
สังเคราะห์ประโยคแรก	3.5–4.6 วิ	รวมเวลา warm-up
สังเคราะห์ประโยคถัดไป	2.0–2.2 วิ	โมเดลค้างอยู่ในหน่วยความจำแล้ว
หน่วยความจำ GPU สูงสุด	1.94 GB	การ์ด 4 GB ขึ้นไปเพียงพอ

เทียบเป็น RTF (Real-Time Factor): บน RTX 5080 วัดได้ 0.54–0.95 แปลว่าสร้างเสียงได้เร็วกว่าเวลาจริง — เสียงยาว 4 วินาที ใช้เวลาสร้างราว 2–4 วินาที

ตัวแปรที่คุณควบคุมได้ง่ายที่สุดคือ NFE step — มันแปรผันตรงกับเวลาเกือบเป็นเส้นตรง ลดจาก 32 เหลือ 16 จะเร็วขึ้นประมาณเท่าตัว เหมาะมากตอนลองผิดลองถูก หรือตอนรันบนเครื่องที่ไม่มีการ์ดจอ

11 · สรุป

คำสั่งที่ใช้บ่อย

เลือกระบบปฏิบัติการ

ต้องการ	คำสั่ง
เปิดหน้าเว็บ	`.\.venv-tts\Scripts\python.exe jaitts_webapp.py` `.venv-tts/bin/python jaitts_webapp.py` `.venv-tts/bin/python jaitts_webapp.py`
สร้างเสียงผ่าน CLI	`.\.venv-tts\Scripts\python.exe jaitts_synth.py "ข้อความ" ref.wav "ref text" outputs\out.wav` `.venv-tts/bin/python jaitts_synth.py "ข้อความ" ref.wav "ref text" outputs/out.wav` `.venv-tts/bin/python jaitts_synth.py "ข้อความ" ref.wav "ref text" outputs/out.wav`
เช็คตัวเร่งความเร็ว	`.\.venv-tts\Scripts\python.exe -c "import torch; print(torch.cuda.is_available())"` `.venv-tts/bin/python -c "import torch; print(torch.backends.mps.is_available())"` `.venv-tts/bin/python -c "import torch; print(torch.cuda.is_available())"`
แปลงเสียงต้นแบบ	`ffmpeg -i in.mp4 -ss 5 -t 8 -vn -ac 1 -ar 24000 ref.wav`
ติดตั้งใหม่ทั้งหมด	`Remove-Item -Recurse -Force .venv-tts; .\setup.ps1 tts -Cuda` `rm -rf .venv-tts && ./setup.sh tts` `rm -rf .venv-tts && ./setup.sh tts`

โครงสร้างโฟลเดอร์ที่ควรรู้จัก

ที่อยู่	คืออะไร
`jaitts_webapp.py`	หน้าเว็บ Gradio
`jaitts_synth.py`	สคริปต์ CLI + ฟังก์ชัน `load()` สำหรับเขียนต่อ
`flowtts/`	โค้ดรันโมเดลจาก ThonburianTTS
`.venv-tts/`	Python environment ของโปรเจกต์
`data/jaitts_testset/th/prompt-wavs/`	เสียงต้นแบบ 802 ไฟล์
`data/jaitts_testset/th/meta.lst`	ข้อความกำกับเสียงต้นแบบ
`outputs/`	ไฟล์เสียงที่สร้างได้
`%USERPROFILE%\.cache\huggingface\` `~/.cache/huggingface/` `~/.cache/huggingface/`	โมเดลที่โหลดมา (~1.4 GB, ลบได้แต่จะโหลดใหม่)

⚠️ สองจุดที่จะกลับมาพังถ้าคุณสร้าง venv ใหม่หรือ clone ใหม่ (Windows)

1. encoding ของ setup.ps1 (ขั้นตอนที่ 2)
2. FFmpeg shared DLL ใน torchcodec (ขั้นตอนที่ 5)

ทั้งคู่เป็นปัญหาของสภาพแวดล้อม ไม่ใช่ของโค้ด และไม่มีเขียนไว้ใน README

✅ บน macOS ติดตั้งตรงไปตรงมา

ไม่มีปัญหา encoding และไม่ต้องจัดการ shared library เอง ถ้าใช้ Apple Silicon จะได้ GPU acceleration อัตโนมัติโดยไม่ต้องตั้งค่า

✅ บน Linux ติดตั้งง่ายที่สุด

torch จาก PyPI มี CUDA มาให้พร้อม ไม่ต้องระบุธงพิเศษ และ ffmpeg จาก package manager มี shared library มาให้อยู่แล้ว

JaiTTS-Easyโคลนเสียงพูดภาษาไทย รันในเครื่องตัวเอง

JaiTTS-Easy คืออะไร

JaiTTS (โมเดล)

FlowTTS (ตัวรัน)

ตัวห่อ Easy

ความสามารถ

โคลนเสียงจากคลิป 3–10 วินาที

รันในเครื่องล้วน

ข้ามแพลตฟอร์มจริง

ใช้ได้ทั้งหน้าเว็บและ CLI

ถอดข้อความต้นแบบอัตโนมัติ

เสียงต้นแบบสำเร็จรูป 802 ไฟล์

ปรับคุณภาพ/ความเร็ว/ความเหมือนได้

เครื่องมือวัดผล CER / SIM

สิ่งที่มันทำไม่ได้

ไม่มีเสียง preset

ใช้เชิงพาณิชย์ไม่ได้ (โดยค่าเริ่มต้น)

ไม่ใช่ real-time streaming

ข้างในทำงานยังไง

รับเข้า — เสียงต้นแบบ + ข้อความ 2 ชุด

ประมวลผล — F5-TTS flow matching + Vocos vocoder

ส่งออก — ไฟล์ WAV 24 kHz + spectrogram

เครื่องคุณรันไหวไหม

สิ่งที่ต้องมีทุกเครื่อง

เครื่องคุณจะรันด้วยอะไร

NVIDIA + CUDA

Apple Silicon (MPS)

CPU อย่างเดียว

เช็คว่าการ์ด NVIDIA ของคุณใช้กับ PyTorch รุ่นปัจจุบันได้ไหม

เลือกวิธีติดตั้ง

ใช้งานได้ 2 ทาง

กฎของเสียงต้นแบบ

ยาว 3–10 วินาที

สะอาด

transcript ต้องตรงเป๊ะ

ต้องเป็นภาษาไทย

แปลงไฟล์ให้พร้อมใช้ด้วย ffmpeg

ใช้เสียงต้นแบบจากชุด 802 ไฟล์

สไลเดอร์ทั้ง 3 ตัวทำอะไร

ปัญหาที่เจอบ่อยและวิธีแก้

คาดหวังความเร็วได้แค่ไหน

รายละเอียดที่วัดได้จริง (RTX 5080, CUDA, NFE 32)

คำสั่งที่ใช้บ่อย

โครงสร้างโฟลเดอร์ที่ควรรู้จัก

Subscribe our newsletter

JaiTTS-Easy
โคลนเสียงพูดภาษาไทย รันในเครื่องตัวเอง