ตารางการแปลงข้อความเป็นเสียงพูดที่ Azure เผยแพร่ระบุรหัสภาษาที่ไม่ซ้ำกัน 82 รหัส หรือราว 1.1% ของ 7,170 ภาษาที่ Ethnologue นับว่ายังมีการใช้อยู่ในปัจจุบัน (82 / 7,170) เอกสารของ Gemini 3.8 Flash TTS อ้างว่ารองรับมากกว่า 130 ภาษา และโครงการวิจัย MMS ไปถึง 1,107 ภาษา แต่โมเดลที่กว้างที่สุดนั้นเผยแพร่ภายใต้ใบอนุญาตที่ไม่ให้ใช้เชิงพาณิชย์ ความลึกบางกว่าความกว้าง: ภาษาอังกฤษแบบอเมริกันมี 118 รายการในตารางของ Azure เทียบกับ 2 รายการของภาษาอัมฮาริก เรารวบรวมข้อมูลจาก Ethnologue, Microsoft, Google, Amazon, Apple, Meta และงานวิจัยด้านเสียงพูดที่ผ่านการพิจารณาโดยผู้ทรงคุณวุฒิ โดยอ่านทุกหน้าของผู้ให้บริการเมื่อวันที่ 31 ตุลาคม 2026 บทสรุปนี้ครอบคลุมเฉพาะการสังเคราะห์เสียง ส่วนด้านการรู้จำเสียงของช่องว่างเดียวกัน ดูสถิติความครอบคลุมการรู้จำเสียงพูดสำหรับภาษาที่มีทรัพยากรน้อยของเรา
สรุปโดยย่อ
- มี 7,170 ภาษาที่ยังมีการใช้อยู่ทั่วโลก และ 4,153 ภาษาในจำนวนนี้มีระบบการเขียนที่พัฒนาแล้ว (Ethnologue 2026)
- 128 จาก 7,829 รหัสภาษาอยู่ในสองระดับการสนับสนุนดิจิทัลสูงสุด หรือราว 1.6% (Simons, Thomas และ White, COLING 2022)
- Gemini 3.8 Flash TTS อ้างว่ารองรับมากกว่า 130 ภาษา ซึ่งเป็นข้อกล่าวอ้างเชิงพาณิชย์ที่กว้างที่สุดที่เราอ่าน (Google, เอกสารของผู้ให้บริการ)
- ตารางเสียงของ Azure Speech มีรหัสภาษา 82 รหัสใน 154 โลแคล (Microsoft, เอกสารของผู้ให้บริการ, นับโดยเรา)
- ตารางของ Amazon Polly มี 25 ภาษาและ 42 รูปแบบภาษา โดย 2 รูปแบบมีเสียงแบบยาว (Amazon, เอกสารของผู้ให้บริการ, นับโดยเรา)
- 1,107 ภาษามีโมเดลสังเคราะห์เสียง MMS หรือราว 15.4% ของภาษาที่ยังมีการใช้อยู่ (Meta AI, งานวิจัย MMS 2023)
- 945 จาก 1,107 โมเดลนั้นได้อัตราความผิดพลาดระดับตัวอักษร 5 หรือต่ำกว่า แต่แอฟริกาตามหลังที่ 76% (Meta AI, งานวิจัย MMS 2023)
- 41 จาก 90 เสียงของ Aura-2 เป็นภาษาอังกฤษ (Deepgram, เอกสารของผู้ให้บริการ, นับโดยเรา)
- 18 จาก 22 ภาษาตามตารางรัฐธรรมนูญของอินเดีย (scheduled languages) อยู่ในรายการเสียงพูดด้านการเข้าถึงของ Apple เทียบกับ 1 ภาษาใน Polly (Apple และ Amazon, เอกสารของผู้ให้บริการ, รวบรวมโดยเรา)
- 1,704 ชั่วโมงจากผู้พูด 10,496 คนครอบคลุมทั้ง 22 ภาษาตามตารางรัฐธรรมนูญของอินเดียสำหรับการสังเคราะห์เสียงพูดแล้ว (AI4Bharat, IndicVoices-R 2024)
1. ตัวหาร: 7,170 ภาษา และไม่ใช่ทุกภาษามีระบบเขียน
ทุกข้อกล่าวอ้างเรื่องความครอบคลุมต้องมีตัวหาร และการสังเคราะห์เสียงมีตัวหารที่เข้มงวดกว่าที่คนส่วนใหญ่คิด การแปลงข้อความเป็นเสียงพูดต้องอ่านข้อความ ดังนั้น 3,017 ภาษาที่ไม่มีระบบการเขียนที่พัฒนาแล้วจึงอยู่นอกเส้นทางการป้อนข้อมูลปกติ ตั้งแต่ก่อนจะฝึกโมเดลใด ๆ
ประชากรเล่าเรื่องที่ใจดีกว่า และไม่ควรนำสองมุมมองมาปนกัน แพลตฟอร์มหนึ่งอาจให้บริการคนส่วนใหญ่ได้ทั้งที่ระบุภาษาไม่ถึง 3% เพราะคนกว่า 88% พูดหนึ่งใน 200 ภาษาเป็นภาษาแม่ และ 200 / 7,170 คือ 2.8% ไม่มีหน้าของผู้ให้บริการรายใดที่เราอ่านระบุว่าแคตตาล็อกของตนเข้าถึงประชากรได้สัดส่วนเท่าใด จึงเปรียบเทียบการเข้าถึงโดยตรงไม่ได้
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ภาษาที่ยังมีการใช้อยู่ทั่วโลก | 7,170 | Ethnologue, How Many Languages 2026 |
| ภาษาที่มีระบบการเขียนที่พัฒนาแล้วเทียบกับที่ไม่มี | 4,153 (57.9%) เทียบกับ 3,017 (42.1% จาก 7,170 - 4,153 คำนวณโดยเรา) | คำถามที่พบบ่อยของ Ethnologue ฉบับที่ 29 ปี 2026 |
| ประชากรที่ภาษาแม่เป็นหนึ่งใน 200 ภาษาที่ใหญ่ที่สุด | มากกว่า 88% | Ethnologue 200, 2026 |
| รหัสภาษาในสองระดับการสนับสนุนดิจิทัลสูงสุด (ระดับ Vital และ Thriving) | 128 จาก 7,829 (95 + 33) หรือ 1.6% | Simons, Thomas และ White, COLING 2022 |
| รหัสภาษาในระดับการสนับสนุนดิจิทัลต่ำสุด (ระดับ Still คะแนน 0) | 3,996 จาก 7,829 หรือ 51.0% | Simons, Thomas และ White, COLING 2022 |
| รหัสภาษาในสองระดับการสนับสนุนดิจิทัลกลาง (ระดับ Emerging และ Ascending) | 3,304 และ 401 | Simons, Thomas และ White, COLING 2022 |
ข้อมูลล่าสุดที่มีเกี่ยวกับระดับการสนับสนุนดิจิทัล: Simons, Thomas และ White, 2022 งานวิจัยนั้นรวบรวมรายการภาษาที่รองรับจากเครื่องมือดิจิทัล 143 รายการ และการประมวลผลเสียงพูดเป็นหนึ่งในเจ็ดหมวดเครื่องมือของงานนั้น ยอดรวมมาจากการนับภาษาของ Ethnologueและคำถามที่พบบ่อยเรื่องระบบการเขียนของเว็บไซต์นั้น
2. แคตตาล็อกเชิงพาณิชย์เทียบกันตรง ๆ
ตัวเลขเหล่านี้คือการนับจากเอกสารของผู้ให้บริการ ซึ่งเป็นบันทึกปฐมภูมิของสิ่งที่แต่ละแพลตฟอร์มระบุไว้ ไม่ใช่หลักฐานอิสระเรื่องคุณภาพ ช่องว่างระหว่างแคตตาล็อกที่ยาวที่สุดกับสั้นที่สุดในตารางนี้อยู่ที่ 130+ ภาษาถึง 9 ภาษา
หน่วยสำคัญพอ ๆ กับตัวเลข โลแคลคือภาษาบวกภูมิภาค ดังนั้นภาษาสเปนสำหรับเม็กซิโกและภาษาสเปนสำหรับสเปนจึงนับเป็นสองโลแคลแต่เป็นหนึ่งภาษา หน้าภาพรวมของ Azure ระบุ “100+ ภาษาและโลแคล” ซึ่งปนทั้งสองอย่างเข้าด้วยกัน ส่วนตารางภาษาของ Azure Speechเองให้ผลเป็นแถวด้านล่าง
รายการที่ยาวกว่าก็ไม่ได้ครอบคลุมรายการที่สั้นกว่าเสมอไป ตารางภาษาของ Gemini TTSไม่มีแถวสำหรับภาษายูเครน อูรดู หรือซูลู ทั้งสามภาษานี้ Azure ระบุไว้
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| Gemini 3.8 Flash TTS | อ้างว่ารองรับมากกว่า 130 ภาษา มี 132 แถวในตาราง อ่านเมื่อ 31 ตุลาคม 2026 | Google, เอกสารการสร้างเสียงพูดของ Gemini API อัปเดตเมื่อ 28 ตุลาคม 2026 (ข้อกล่าวอ้างของผู้ให้บริการ) |
| Eleven v4 / Eleven v3 / Flash v2.5 / Multilingual v2 | 90+ / 70+ / 32 / 29 ภาษา | ElevenLabs, เอกสารโมเดล (ข้อกล่าวอ้างของผู้ให้บริการ) |
| เสียงสำเร็จรูปของ Azure Speech | รหัสภาษา 82 รหัสใน 154 โลแคล ภาษาอังกฤษ สเปน และอาหรับรวมกัน 52 จาก 154 (33.8%) | Microsoft, ตารางการรองรับภาษา อัปเดตเมื่อ 22 ตุลาคม 2026 (เอกสารของผู้ให้บริการ, นับโดยเรา) |
| Apple VoiceOver, Live Speech และ Read & Speak | 75 รายการภาษาบน iOS 27 | Apple, ความพร้อมใช้งานของฟีเจอร์บน iOS (เอกสารของผู้ให้บริการ) |
| ตารางเสียงของ Google Cloud Text-to-Speech | รหัสภาษา 53 รหัส รหัสภาษาและภูมิภาค 61 รหัส เฉพาะ Chirp 3: HD ครอบคลุม 47 ภาษาใน 53 โลแคล | Google Cloud, รายการเสียงและเอกสาร Chirp 3: HD (เอกสารของผู้ให้บริการ, นับโดยเรา) |
| Sonic 3.6 | 44 ภาษา | Cartesia, เอกสารโมเดล TTS (ข้อกล่าวอ้างของผู้ให้บริการ) |
| Amazon Polly | 25 ภาษา 42 รูปแบบภาษา 123 รายการเสียง | Amazon, เสียงที่มีให้ใช้ของ Polly (เอกสารของผู้ให้บริการ, นับโดยเรา) |
| IBM Text to Speech | 9 ภาษาหลัก 15 รายการภาษา 48 เสียง | เอกสาร IBM Cloud อัปเดตเมื่อ 4 มิถุนายน 2026 (เอกสารของผู้ให้บริการ, นับโดยเรา) |
หากคุณกำลังเลือกเครื่องมือสร้างเสียง AIสำหรับภาษาอื่นที่ไม่ใช่ภาษาอังกฤษ ตารางที่ควรเปิดดูคือรายการรายโลแคล ไม่ใช่ตัวเลขพาดหัวบนหน้าผลิตภัณฑ์
3. ความลึกของเสียง: เสียงอยู่ที่ไหนจริง ๆ
การที่ภาษาหนึ่งถูกระบุไว้บอกได้น้อยมากว่ามีเสียงกี่เสียง ภาษาอังกฤษแบบอเมริกันมี 118 รายการในตารางของ Azure ขณะที่ภาษาอัมฮาริก แอฟริคานส์ และซูลูมีภาษาละ 2 รายการ อัตราส่วน 59 ต่อ 1 สำหรับโปรดิวเซอร์ การมีแค่ 2 เสียงอาจหมายถึงไม่มีทางเลือกเรื่องอายุ น้ำเสียง หรือบุคลิกเลย
รูปแบบนี้เกิดซ้ำในแคตตาล็อกทุกขนาด Polly, Aura-2 และโมเดลเปิด Kokoro ใส่เสียงเป็นภาษาอังกฤษระหว่าง 28.5% ถึง 51.9% ความต่างส่วนหนึ่งเป็นเรื่องโครงสร้าง คือรายการในตารางอาจซ้ำบุคลิกเสียงเดียวกันข้ามระดับคุณภาพ จึงเป็นการนับรายการ ไม่ใช่จำนวนผู้พูดที่ไม่ซ้ำกัน
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| รายการในตารางเสียงของ Azure: อังกฤษแบบอเมริกัน เทียบกับจีนกลาง เทียบกับเยอรมัน เทียบกับฮินดี | 118 เทียบกับ 59 เทียบกับ 23 เทียบกับ 17 | Microsoft, ตารางการรองรับภาษา (เอกสารของผู้ให้บริการ, นับโดยเรา) |
| รายการในตารางเสียงของ Azure สำหรับอัมฮาริก แอฟริคานส์ อาหรับอียิปต์ และซูลู | ภาษาละ 2 | Microsoft, ตารางการรองรับภาษา (เอกสารของผู้ให้บริการ, นับโดยเรา) |
| รายการเสียงของ Polly ในรูปแบบภาษาอังกฤษ | 35 จาก 123 (28.5%) | Amazon, เสียงที่มีให้ใช้ของ Polly (เอกสารของผู้ให้บริการ, นับโดยเรา) |
| เสียง Aura-2: อังกฤษ เทียบกับสเปน เทียบกับฝรั่งเศส | 41 เทียบกับ 17 เทียบกับ 2 จากทั้งหมด 90 เสียงใน 7 ภาษา | Deepgram, เอกสารโมเดล TTS (เอกสารของผู้ให้บริการ, นับโดยเรา) |
| เสียง Kokoro-82M ในอังกฤษแบบอเมริกันและแบบบริติช | 28 จาก 54 (51.9%) เทียบกับ 1 สำหรับฝรั่งเศส | Hexgrad, รายการเสียง Kokoro-82M (เอกสารโครงการ) |
| รายการของ Google Cloud สำหรับฮินดี (อินเดีย) เทียบกับไอซ์แลนด์ | 46 (Chirp 3: HD 30, Neural2 4, Standard 6, WaveNet 6) เทียบกับเสียง Standard 1 เสียง | Google Cloud, รายการเสียง (เอกสารของผู้ให้บริการ, นับโดยเรา) |
| เสียงในตัวของ OpenAI บนเอนด์พอยต์เสียงพูด | 13 ซึ่งเอกสารเรียกว่า “ปัจจุบันปรับให้เหมาะกับภาษาอังกฤษ” | OpenAI, คู่มือการแปลงข้อความเป็นเสียงพูด (ข้อกล่าวอ้างของผู้ให้บริการ) |
รายการเสียงของ Cloudแสดงให้เห็นด้วยว่าทำไมระดับจึงสำคัญ: รายการ Chirp 3: HD จำนวน 30 รายการสำหรับภาษาฮินดีมาจากชุดเสียงที่ใช้ร่วมกันชุดเดียว และภาษานอกชุดนั้นยังคงใช้เสียงประเภทเก่า การนับของ Polly มาจากตารางเสียง ซึ่งมี 4 ชื่อที่ซ้ำเพราะเป็นเสียงสองภาษา เหลือ 119 ชื่อที่ไม่ซ้ำกัน
4. ระดับของฟีเจอร์: ระบุไว้ไม่ได้แปลว่าเท่าเทียม
ยอดรวมของแคตตาล็อกคือตัวเลขที่กว้างที่สุดที่ผู้ให้บริการอ้างได้ และฟีเจอร์พรีเมียมแต่ละอย่างอยู่ในชุดย่อยที่เล็กกว่า เอนจินแบบเจเนอเรทีฟของ Polly ครอบคลุม 25 จาก 42 รูปแบบภาษา และภาษาจีนกลาง ญี่ปุ่น อาหรับ และรัสเซียอยู่ในกลุ่ม 17 รูปแบบที่ถูกตกไป
Azure แสดงการแคบลงแบบเดียวกัน 154 โลแคลของ Azure ลดเหลือ 102 รายการสำหรับวิซีม (ข้อมูลรูปปากที่ใช้ทำแอนิเมชันใบหน้า) และ 42 รายการสำหรับการถ่ายโอนข้ามภาษา (ทำให้เสียงที่กำหนดเองพูดภาษาที่สองได้) ทีมที่วางแผนเปิดใช้หลายภาษาควรตรวจสอบฟีเจอร์ ไม่ใช่แค่ภาษา ส่วนความเร็วและราคาตามรุ่นเป็นอีกคำถามหนึ่ง ซึ่งอยู่ในสถิติต้นทุนการอนุมาน TTSของเรา
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| โลแคลของ Azure ตามฟีเจอร์: เสียงสำเร็จรูป / รายการวิซีม / เสียงกำหนดเองระดับมืออาชีพ / เสียงส่วนบุคคล / ต้นทางข้ามภาษา | 154 / 102 / 68 / 65 / 42 | Microsoft, ตารางการรองรับภาษา (เอกสารของผู้ให้บริการ, นับโดยเรา) |
| รูปแบบภาษาของ Polly ที่มีเสียงแบบเจเนอเรทีฟอย่างน้อยหนึ่งเสียง เทียบกับเสียงแบบยาวอย่างน้อยหนึ่งเสียง | 25 จาก 42 (59.5%) เทียบกับ 2 จาก 42 (อังกฤษแบบอเมริกัน สเปนแบบสเปน) | Amazon, เสียงที่มีให้ใช้ของ Polly (เอกสารของผู้ให้บริการ, นับโดยเรา) |
| รูปแบบภาษาของ Polly ที่มีเฉพาะเอนจินเสียง Standard | 6 จาก 42 รวมถึงรัสเซีย โรมาเนีย และไอซ์แลนด์ | Amazon, เสียงที่มีให้ใช้ของ Polly (เอกสารของผู้ให้บริการ, นับโดยเรา) |
| แถวในตารางของ Gemini ที่ Flash TTS รองรับ เทียบกับ Flash-Lite TTS | 132 เทียบกับ 103 ฟินแลนด์ สวีเดน ไทย และสวาฮิลีอยู่ในกลุ่ม 29 ภาษาที่ Flash-Lite ไม่มี | Google, เอกสารการสร้างเสียงพูดของ Gemini API (เอกสารของผู้ให้บริการ, นับโดยเรา) |
| ภาษาของ Personal Voice จาก Apple เทียบกับรายการในรายการเสียงพูดด้านการเข้าถึง | 3 เทียบกับ 75 บน iOS 27 | Apple, ความพร้อมใช้งานของฟีเจอร์บน iOS (เอกสารของผู้ให้บริการ) |
ช่องว่างของ Apple ชัดที่สุด: หน้าความพร้อมใช้งานของฟีเจอร์ระบุ Personal Voice เฉพาะภาษาอังกฤษแบบอเมริกัน จีนกลางแบบแผ่นดินใหญ่ และสเปนแบบเม็กซิโกเท่านั้น
5. โมเดลเปิด: ขอบเขตกว้าง แต่มีเงื่อนไข
ฝั่งโอเพนซอร์สถือตัวเลขที่กว้างที่สุดในบทสรุปนี้ MMS-TTS ไปถึง 1,107 ภาษา ประมาณ 8.5 เท่าของ 130 ภาษาที่ Gemini อ้าง (1,107 / 130) และประมาณ 11 เท่าของราว 100 ภาษาที่เทคโนโลยีเสียงพูดครอบคลุมก่อนหน้านั้น (1,107 / 100)
ความกว้างนั้นมีราคา งานวิจัย MMSฝึกโมเดล VITS แยกต่างหากทีละภาษา ส่วนใหญ่จากการบันทึกเสียงผู้พูดคนเดียวอ่านข้อความทางศาสนา และการ์ดโมเดลระบุใบอนุญาตที่ไม่ให้ใช้เชิงพาณิชย์ ผลที่มีประโยชน์ที่สุดเป็นเรื่องระดับภูมิภาค: คุณภาพตกมากที่สุดในแอฟริกา ซึ่งผู้เขียนระบุว่าเป็นเพราะระบบอักษร “ส่วนหนึ่ง”
อัตราความผิดพลาดระดับตัวอักษรในที่นี้หมายถึงระบบรู้จำเสียงพูดถอดเสียงสังเคราะห์เป็นข้อความแล้วนับข้อผิดพลาด ค่ายิ่งต่ำยิ่งดี ค่านี้วัดว่าคำยังคงอยู่หรือไม่ ไม่ได้วัดว่าเสียงฟังดูเป็นธรรมชาติหรือไม่ สำหรับด้านนั้น ดูสถิติจังหวะและทำนองเสียงของ TTS แบบนิวรัลของเรา
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ความครอบคลุมภาษาและใบอนุญาตของ MMS-TTS | 1,107 ภาษา (15.4% ของ 7,170) CC-BY-NC 4.0 | Pratap และคณะ (Meta AI) งานวิจัย MMS ปี 2023 การ์ดโมเดลบน Hugging Face |
| ภาษา MMS ที่ได้อัตราความผิดพลาดระดับตัวอักษร 5 หรือต่ำกว่าบนเสียงสังเคราะห์ | 945 จาก 1,107 (85%) | Pratap และคณะ (Meta AI) งานวิจัย MMS ปี 2023 |
| สัดส่วนภาษา MMS ที่ถึงเกณฑ์นั้น แยกตามภูมิภาค | แอฟริกา 76% (277 จาก 363) เอเชีย 88% อเมริกาเหนือ 87% แปซิฟิก 90% อเมริกาใต้และยุโรป 95% | Pratap และคณะ (Meta AI) งานวิจัย MMS ปี 2023 |
| อัตราความผิดพลาดระดับตัวอักษรของ MMS เสียงสังเคราะห์เทียบกับเสียงอ้างอิงของมนุษย์ คะแนนความคิดเห็นเฉลี่ย (1 ถึง 5) ใน 61 ภาษา | 3.5 ±0.2 เทียบกับ 2.2 ±0.1 และ 3.52 สำหรับเสียงสังเคราะห์เทียบกับ 3.33 สำหรับเสียงอ้างอิงของมนุษย์นอกข้อมูลฝึก ซึ่งผู้เขียนระบุว่าส่วนต่างมาจากการบันทึกเสียงอ้างอิงที่มีสัญญาณรบกวน | Pratap และคณะ (Meta AI) งานวิจัย MMS ปี 2023 |
| ภาษาปลายทางของ SeamlessM4T: ผลลัพธ์เป็นเสียงพูดเทียบกับผลลัพธ์เป็นข้อความ | 36 เทียบกับ 96 | SEAMLESS Communication Team (Meta), Nature 2025 |
| ตัวสังเคราะห์เสียงแบบอิงกฎ eSpeak NG | มากกว่า 100 ภาษาและสำเนียง | โครงการ eSpeak NG, README |
| รายการเสียงของ Piper | 37 ภาษา 42 รายการโลแคล ที่เก็บโค้ดถูกเก็บถาวรเมื่อ 6 ตุลาคม 2025 | Rhasspy, Piper VOICES.md |
| Chatterbox Multilingual เทียบกับ XTTS-v2 | 23+ เทียบกับ 17 ภาษา | Resemble AI, ที่เก็บโค้ด Chatterbox; Coqui, การ์ดโมเดล XTTS-v2 |
ข้อมูลล่าสุดที่มีเกี่ยวกับคุณภาพการสังเคราะห์เสียงระดับภาษา: Pratap และคณะ, 2023 โมเดลเปิดที่ใหม่กว่าในตารางนี้ระบุภาษาน้อยกว่ามาก งานวิจัย SeamlessM4Tแสดงความไม่สมมาตรแบบเดียวกันในโมเดลเดียว: โมเดลนี้อ่านและเขียนได้หลายภาษากว่าที่พูดได้มาก
6. แอฟริกาและอินเดีย: ที่ที่ช่องว่างชัดเจนขึ้น
การรวบรวมรายภูมิภาคเผยสิ่งที่ยอดรวมระดับโลกซ่อนไว้ ตารางของ Gemini มี 22 ภาษาจากแอฟริกา ของ Azure มี 5 ส่วน Polly และ Apple ไม่ระบุภาษาใดเลยนอกจากภาษาอังกฤษแบบแอฟริกาใต้ ขณะที่แอฟริกาใต้สะฮาราเพียงภูมิภาคเดียวเป็นบ้านของมากกว่า 2,000 ภาษาที่แตกต่างกัน (Google Research, WAXAL 2026)
ภาษาโยรูบาแสดงว่าช่องว่างนี้ไม่ได้เกี่ยวกับข้อมูลอย่างเดียว ภาษานี้ปรากฏในคลังข้อมูลเปิดWAXALและBibleTTS แต่ไม่มีรายการในตารางของ Azure, Polly, Chirp 3: HD หรือ Gemini ที่เราอ่าน การที่มีข้อมูลสาธารณะอยู่ไม่ได้แปลว่าแพลตฟอร์มได้ส่งมอบเสียงแล้ว
อินเดียเล่าเรื่องที่ดีกว่า เพราะชุดข้อมูลหนึ่งอุดช่องโหว่ที่รู้กันมานาน ชุดข้อมูลก่อนหน้าหยุดอยู่ที่ 14 จาก 22 ภาษาตามตารางรัฐธรรมนูญ (scheduled languages) ตามที่งานวิจัย IndicVoices-Rรายงาน และมักมีผู้พูดเพียง 1 หรือ 2 คนต่อภาษา ชุมชนขนาดเล็กอาจต้องการน้อยกว่าที่คาด: Pine และผู้ร่วมงานท้าทายสมมติฐานที่ว่าการสังเคราะห์เสียงแบบประสาทเทียมต้องใช้ชุดข้อมูลขนาดใหญ่
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ภาษาจากแอฟริกา ไม่รวมภาษาอาหรับหลายรูปแบบ: Gemini Flash TTS / Gemini Flash-Lite TTS / Azure / Chirp 3: HD / Polly / Apple | 22 / 13 / 5 / 1 / 0 / 0 | แคตตาล็อกของ Google, Microsoft, Amazon และ Apple (เอกสารของผู้ให้บริการ, รวบรวมโดยเรา) |
| ภาษาและชั่วโมงบันทึกของ WAXAL-TTS | 17 ภาษา มากกว่า 180 ชั่วโมงในการ์ดชุดข้อมูล มากกว่า 235 ในงานวิจัย มากกว่า 565 ในบล็อก | Google Research, การ์ดชุดข้อมูล งานวิจัย และบล็อกของ WAXAL ปี 2026 |
| การบันทึกเสียงคุณภาพสตูดิโอของ BibleTTS สำหรับการสังเคราะห์เสียงภาษาแอฟริกัน | 10 ภาษา สูงสุด 86 ชั่วโมงต่อภาษาที่ 48 kHz | Meyer และคณะ, Interspeech 2022 |
| ภาษาตามตารางรัฐธรรมนูญ 22 ภาษาของอินเดียที่ระบุไว้: Apple / Gemini Flash TTS / Azure / Chirp 3: HD / Polly | 18 / 17 / 13 / 10 / 1 | แคตตาล็อกของ Apple, Google, Microsoft และ Amazon (เอกสารของผู้ให้บริการ, รวบรวมโดยเรา) |
| ข้อมูลสังเคราะห์เสียงของอินเดียก่อนหน้า: IndicTTS | 284 ชั่วโมง ผู้พูด 27 คน 14 ภาษา | AI4Bharat, งานวิจัย IndicVoices-R ปี 2024 |
| คลังข้อมูลสังเคราะห์เสียงพูด IndicVoices-R | 1,704 ชั่วโมง ผู้พูด 10,496 คน 22 ภาษา | AI4Bharat, งานวิจัย IndicVoices-R ปี 2024 |
| คลังเสียงพูดภาษา Kanien’kéha หลังชุมชนมีมติตัดการบันทึกเสียงของผู้พูดที่เสียชีวิตแล้วออก | เก็บไว้ 3.46 ชั่วโมงจากที่บันทึก 24 ชั่วโมง | Pine และคณะ 2022 ตามที่ Nigatu และคณะ 2024 รายงาน |
| โมเดล FastSpeech2 ที่ฝึกด้วยภาษาอังกฤษ 1 ชั่วโมง เทียบกับ Tacotron2 ที่ฝึกด้วย 10 ชั่วโมง | ความเป็นธรรมชาติเทียบเท่ากัน | Pine และคณะ, ACL 2022 |
ข้อมูลล่าสุดที่มีเกี่ยวกับ BibleTTS และผลการศึกษาของ Pine และคณะ: ปี 2022 ตัวเลขของ Kanien’kéha รายงานโดยNigatu และคณะ และเป็นตัวเลขที่มีประโยชน์ที่สุดในตารางนี้: ข้อจำกัดของคลังข้อมูลนั้นคือความยินยอม ไม่ใช่เทคโนโลยี
สรุป: ความครอบคลุมภาษาและเสียงของการแปลงข้อความเป็นเสียงพูดในรูปแบบตัวเลข
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ภาษาที่ยังมีการใช้อยู่ทั่วโลก | 7,170 | Ethnologue, How Many Languages 2026 |
| ประชากรที่ภาษาแม่เป็นหนึ่งใน 200 ภาษาที่ใหญ่ที่สุด | มากกว่า 88% | Ethnologue 200, 2026 |
| รหัสภาษาในสองระดับการสนับสนุนดิจิทัลสูงสุด | 128 จาก 7,829 | Simons, Thomas และ White, COLING 2022 |
| ภาษาของ Gemini 3.8 Flash TTS | อ้างว่ามากกว่า 130 | Google, เอกสาร Gemini API (ข้อกล่าวอ้างของผู้ให้บริการ) |
| ภาษาของ Eleven v4 | 90+ | ElevenLabs, เอกสารโมเดล (ข้อกล่าวอ้างของผู้ให้บริการ) |
| รหัสภาษาและโลแคลของ Azure | 82 และ 154 | Microsoft, ตารางการรองรับภาษา (นับโดยเรา) |
| รายการเสียงพูดด้านการเข้าถึงของ Apple | 75 รายการ | Apple, ความพร้อมใช้งานของฟีเจอร์บน iOS |
| ภาษาและรูปแบบภาษาของ Amazon Polly | 25 และ 42 | Amazon, เสียงที่มีให้ใช้ของ Polly (นับโดยเรา) |
| รายการเสียงของ Azure: อังกฤษแบบอเมริกันเทียบกับอัมฮาริก | 118 เทียบกับ 2 | Microsoft, ตารางการรองรับภาษา (นับโดยเรา) |
| เสียงของ Aura-2 ที่เป็นภาษาอังกฤษ | 41 จาก 90 | Deepgram, เอกสารโมเดล TTS (นับโดยเรา) |
| รูปแบบภาษาของ Polly ที่มีเสียงแบบเจเนอเรทีฟ | 25 จาก 42 | Amazon, เสียงที่มีให้ใช้ของ Polly (นับโดยเรา) |
| ภาษาของ MMS-TTS | 1,107 | Pratap และคณะ (Meta AI) งานวิจัย MMS ปี 2023 |
| ภาษาแอฟริกันของ MMS ที่ได้อัตราความผิดพลาดระดับตัวอักษร 5 หรือต่ำกว่า | 277 จาก 363 (76%) | Pratap และคณะ (Meta AI) งานวิจัย MMS ปี 2023 |
| เสียง Kokoro-82M ในอังกฤษแบบอเมริกันและแบบบริติช | 28 จาก 54 | Hexgrad, รายการเสียง Kokoro-82M |
| คลังข้อมูล IndicVoices-R | 1,704 ชั่วโมง 22 ภาษา | AI4Bharat, งานวิจัย IndicVoices-R ปี 2024 |
| คลังเสียงพูดภาษา Kanien’kéha ที่เก็บไว้เทียบกับที่บันทึก | 3.46 เทียบกับ 24 ชั่วโมง | Pine และคณะ 2022 ตามที่ Nigatu และคณะ 2024 รายงาน |
ระเบียบวิธีและแหล่งที่มา
เราอ่านทุกหน้าของผู้ให้บริการเมื่อวันที่ 31 ตุลาคม 2026 ตัวเลขที่ระบุว่า “นับโดยเรา” หรือ “รวบรวมโดยเรา” คือการนับตารางที่เผยแพร่แล้วด้วยตัวเราเอง ซึ่งยังคงเป็นข้อกล่าวอ้างของผู้ให้บริการเกี่ยวกับสิ่งที่เสนอ ไม่ใช่การทดสอบอิสระว่าแต่ละเสียงใช้งานได้ดี
- Ethnologue (SIL Global): How Many Languages, Ethnologue 200, คำถามที่พบบ่อยเรื่องภาษาที่ไม่มีระบบเขียน
- Simons, Thomas และ White: Assessing Digital Language Support on a Global Scale, COLING 2022
- Microsoft: การรองรับภาษาและเสียงของ Azure Speech, ภาพรวมการแปลงข้อความเป็นเสียงพูด
- Google: การสร้างเสียงพูดของ Gemini API, รายการเสียงของ Cloud, Chirp 3: HD, บล็อก WAXAL, งานวิจัย WAXAL, การ์ดชุดข้อมูล WAXAL
- Amazon: เสียงที่มีให้ใช้ของ Polly
- Apple: ความพร้อมใช้งานของฟีเจอร์บน iOS
- เอกสารของผู้ให้บริการ: โมเดลของ ElevenLabs, โมเดล TTS ของ Cartesia, โมเดล TTS ของ Deepgram, เสียงของ IBM, คู่มือการแปลงข้อความเป็นเสียงพูดของ OpenAI
- Meta: งานวิจัย MMS, การ์ดโมเดล MMS-TTS, SeamlessM4T ใน Nature
- โครงการเปิด: เสียง Kokoro-82M, เสียง Piper, eSpeak NG, Chatterbox, XTTS-v2
- งานวิจัย: BibleTTS, Meyer และคณะ, IndicVoices-R, Pine และคณะ, ACL 2022, Nigatu และคณะ, Zeno’s Paradox of Low-Resource Languages
- ข้อสังเกตเกี่ยวกับข้อมูล: แคตตาล็อกของผู้ให้บริการเปลี่ยนแปลงโดยไม่แจ้งล่วงหน้า จึงควรถือว่าทุกตัวเลขเป็นภาพ ณ ช่วงเวลาหนึ่ง รายการของ Azure ซ้ำบุคลิกเสียงเดียวกันข้ามระดับคุณภาพ และกลุ่มภาษาอังกฤษแบบอเมริกันรวมรายการแบบหลายผู้พูดที่ตั้งชื่อตามภาษาฝรั่งเศสและภาษาจีน ตารางของ Gemini มี 132 แถว แต่ 5 ภาษาปรากฏสองครั้งตามระบบอักษร เหลือ 127 ชื่อ และเราไม่พบข้อมูลคุณภาพรายภาษาในหน้านั้น ภาษาสวาฮิลีปรากฏในตารางของ Chirp 3: HD แต่เราไม่พบในรายการเสียงที่กว้างกว่า ดังนั้นจำนวน 53 รหัสอาจขาดไปหนึ่ง คำถามที่พบบ่อยเรื่องระบบการเขียนของ Ethnologue อ้างตัวเลขของฉบับที่ 28 ภายใต้การอ้างอิงฉบับที่ 29 และ Simons และคณะใช้รหัส ISO 7,829 รหัสแทนที่จะเป็น 7,170 ภาษาที่ยังมีชีวิต ดังนั้นตัวหารทั้งสองจึงใช้แทนกันไม่ได้ แหล่งข้อมูล WAXAL ทั้งสามแหล่งไม่ตรงกัน (27 ภาษาและ 565+ ชั่วโมงในบล็อก 24 ภาษาและ 235+ ชั่วโมงในงานวิจัย 17 ภาษาสำหรับการสังเคราะห์เสียงและ 180+ ชั่วโมงในการ์ด) งานวิจัย SeamlessM4T ระบุ 36 ภาษาเสียงพูดในผลลัพธ์ แต่ระบุ “35 ในรูปแบบเสียงพูด” ในส่วนวิธีการ คู่มือของ OpenAI ระบุทั้ง 11 และ 13 เสียงในตัว และระบุว่าโมเดลเสียงพูดปัจจุบันจะปิดให้บริการในวันที่ 6 มกราคม 2027 รายการของ Apple รวมสามฟีเจอร์ไว้ภายใต้หัวข้อเดียว การรวบรวมรายภูมิภาคของเราเป็นการจับคู่ชื่อภาษา ไม่ใช่การตรวจสอบทางภาษาศาสตร์ และการเปรียบเทียบ 8.5 เท่าและ 15.4% ใช้ยอดรวม 7,170 และข้อกล่าวอ้างว่ามากกว่า 130 ดังนั้นทั้งสองจึงเป็นค่าประมาณ
อัปเดตล่าสุด: 31 ตุลาคม 2026 เราจะอัปเดตสรุปนี้ทุกไตรมาส และคาดว่าการอัปเดตครั้งถัดไปจะเกิดขึ้นเมื่อ Ethnologue เผยแพร่ฉบับที่ 30