เสียง AI ภาษาไทยที่คุณใช้อยู่ เอาไปหารายได้ได้จริงไหม

บทความนี้ไม่ใช่คำแนะนำทางกฎหมาย เป็นบันทึกวิธีตรวจสอบที่เราใช้จริงในการผลิต ทุกลิงก์ในบทความนี้เราเปิดอ่านเองในวันที่ระบุไว้ ถ้าเรื่องของคุณมีเงินก้อนใหญ่หรือความเสี่ยงสูงเข้ามาเกี่ยวข้อง ให้ปรึกษาทนายความ

ทำไมเรื่องนี้ถึงสำคัญกับคุณ

ถ้าคุณเปิดรายได้ในช่อง YouTube รับงานลูกค้า หรือขายคอร์ส เสียงบรรยายที่คุณใช้คือ การใช้งานเชิงพาณิชย์

ปัญหาคือโมเดลเสียง AI ที่ดาวน์โหลดได้ฟรีจำนวนไม่น้อย มีเงื่อนไขห้ามใช้เชิงพาณิชย์ติดอยู่ และเงื่อนไขนั้นมักไม่ได้อยู่บนหน้าโมเดลที่คุณโหลดมา แต่อยู่ลึกลงไปอีกหนึ่งหรือสองชั้น

เราเจอเรื่องนี้เองตอนกำลังจะย้ายงานเสียงภาษาไทยมารันในเครื่อง และสิ่งที่เจอไม่ได้มีแค่ปัญหาเดียว แต่มีสองปัญหาที่ไม่เกี่ยวกันเลยและต้องแก้คนละทาง

บทความนี้คือสิ่งที่เราอยากรู้ตั้งแต่ก่อนเริ่ม

กับดักที่หนึ่ง — สัญญาอนุญาตของโค้ด ไม่ใช่ของโมเดล

นี่คือความเข้าใจผิดที่เจอบ่อยที่สุด

โปรเจกต์ TTS ส่วนใหญ่มีของสองอย่างที่แยกกันชัดเจน

ของ	คืออะไร	มักใช้สัญญาอะไร
โค้ด	โปรแกรมที่รันโมเดล อยู่บน GitHub	มักเป็น MIT หรือ Apache 2.0 คือใช้ได้กว้าง
น้ำหนักโมเดล (weights)	ตัวไฟล์โมเดลที่โหลดมา มักอยู่บน Hugging Face	อาจเป็นคนละใบโดยสิ้นเชิง

การเห็นตรา Apache 2.0 บนหน้า GitHub ไม่ได้แปลว่าตัวโมเดลใช้เชิงพาณิชย์ได้ มันแปลว่าโค้ดใช้ได้

ตัวอย่างที่ตรวจได้จริง: หน้าโมเดล SWivid/F5-TTS บน Hugging Face ระบุสัญญาอนุญาตของน้ำหนักโมเดลว่า cc-by-nc-4.0 ซึ่ง NC ย่อมาจาก NonCommercial คือห้ามใช้เชิงพาณิชย์ ขณะที่โค้ดของโปรเจกต์เดียวกันเป็นสัญญาแบบเปิดกว้าง

สิ่งที่ต้องทำ — เปิดหน้าโมเดลบน Hugging Face แล้วดูช่อง License ตรงนั้น ไม่ใช่ดูที่ GitHub

กับดักที่สอง — fine-tune ไม่ได้ล้างเงื่อนไขของต้นทาง

สมมติฐานที่คนไทยหลายคนใช้ และเราเองก็เคยใช้ คือ “ถ้าเอาโมเดลมาเทรนต่อด้วยข้อมูลของเราเอง มันก็กลายเป็นโมเดลของเราแล้ว”

ไม่ใช่

โมเดลภาษาไทยจำนวนมากไม่ได้เทรนขึ้นมาจากศูนย์ แต่เทรนต่อจากโมเดลฐานภาษาอื่น และเงื่อนไขของโมเดลฐานไหลลงมาด้วย

สายที่ตรวจได้จริงในกรณีของ F5-TTS มีสามชั้น

ชุดข้อมูล Emilia          CC BY-NC-4.0
   └─> SWivid/F5-TTS      CC BY-NC-4.0   (น้ำหนักโมเดล)
        └─> โมเดลภาษาไทยที่เทรนต่อจากตรงนี้

ผู้ดูแล F5-TTS ตอบเรื่องนี้ไว้ตรง ๆ ในกระทู้ของโปรเจกต์เอง

“yes CC-BY-NC Emilia trained Base Model cannot be used commercially also after finetuning.”

— SWivid, GitHub discussion #997

แปลว่า โมเดลฐานที่เทรนด้วยข้อมูล Emilia ซึ่งเป็น CC BY-NC ใช้เชิงพาณิชย์ไม่ได้ แม้จะ fine-tune แล้วก็ตาม

ทางออกที่ผู้ดูแลบอกไว้เองคือต้องเทรนโมเดลฐานใหม่จากศูนย์ ด้วยข้อมูลที่มีสัญญาอนุญาตเปิด และไม่แตะน้ำหนักเดิมเลย ซึ่งเป็นโปรเจกต์ระดับเดือน ไม่ใช่ระดับสุดสัปดาห์

กับดักที่สาม — ไฟล์เสียงอ้างอิงก็มีเงื่อนไขของมันเอง

ข้อนี้คือข้อที่ทำให้เราสะดุด และเป็นข้อที่แทบไม่มีใครพูดถึง

โมเดลโคลนเสียงสมัยนี้ทำงานแบบ reference conditioning คือคุณป้อนไฟล์เสียงตัวอย่างสั้น ๆ เข้าไปพร้อมข้อความ แล้วมันสังเคราะห์เสียงใหม่ให้เหมือนตัวอย่างนั้น โดยไม่ต้องเทรนอะไรเลย

คำถามที่ต้องถามคือ ไฟล์เสียงตัวอย่างนั้นมาจากไหน

ถ้ามันมาจากบริการ TTS เชิงพาณิชย์ คุณอาจกำลังผิดเงื่อนไขของบริการนั้นอยู่ แม้ว่าคุณจะเป็นเจ้าของไฟล์เสียงนั้นก็ตาม

ตัวอย่างที่ตรวจได้จริง — Prohibited Use Policy ของ ElevenLabs ระบุไว้ว่า

9(k) “Using any part of our Services or their Output as input for any machine learning or training of artificial intelligence models”

9(l) “Using any part of our Services or their Output as part of a dataset that may be used for training, fine-tuning, developing, testing, or improving any machine learning or artificial intelligence technology”

9(j) “Using any part of our Services or their Output to research and develop products, models, or services that compete with ElevenLabs”

ข้อ 9(k) พูดถึงคำว่า input ไม่ใช่แค่ training ซึ่งครอบคลุมการเอาไฟล์เสียงไปป้อนเป็น reference ให้โมเดลอื่นด้วย

จุดที่สับสนกันบ่อย — การที่คุณ “เป็นเจ้าของ” ไฟล์ที่สร้างออกมา กับการที่คุณ “ได้รับอนุญาตให้เอาไปใช้ทำอะไรก็ได้” เป็นคนละเรื่อง ความเป็นเจ้าของกับขอบเขตการใช้งานแยกกัน และข้อห้ามข้างบนเป็นข้อห้ามเรื่อง การใช้

เราเจออะไรเข้าจริง ๆ

ตอนที่เราไล่ตรวจสายทั้งหมดของงานเสียงภาษาไทยที่ใช้อยู่ เราพบว่ามีสองอย่างขวางอยู่ และมันไม่เกี่ยวกันเลย

อย่างที่หนึ่ง โมเดลภาษาไทยที่เราใช้ตอนนั้นเทรนต่อจาก F5-TTS ซึ่งน้ำหนักเป็น CC BY-NC-4.0 ตามที่อ่านได้จากหน้าโมเดล และเงื่อนไขนั้นไหลลงมาตามที่อธิบายไปข้างบน

อย่างที่สอง ไฟล์เสียงอ้างอิงที่เราใช้ เป็นไฟล์ที่สร้างจากบริการ TTS เชิงพาณิชย์ ซึ่งมีข้อห้ามเรื่องการเอา Output ไปเป็น input ให้โมเดลอื่น

ข้อสำคัญคือ ต่อให้แก้อย่างแรกได้ อย่างที่สองก็ยังอยู่ และต้องขออนุญาตจากคนละเจ้ากันสองเจ้า

สิ่งที่ต่างกันคือ อย่างที่สองเราแก้เองได้ ด้วยการอัดเสียงอ้างอิงขึ้นมาใหม่เองหนึ่งครั้ง ส่วนอย่างแรกเราแก้เองไม่ได้

ขั้นตอนไล่ตรวจ 5 ข้อ

ใช้เวลาไม่ถึงยี่สิบนาทีต่อโมเดลหนึ่งตัว ทำก่อนเริ่มโปรเจกต์ ไม่ใช่หลังเผยแพร่

1. เปิดหน้าโมเดลบน Hugging Face แล้วอ่านช่อง License

ดูที่หน้าโมเดลจริง ไม่ใช่ที่บล็อกหรือคลิปที่แนะนำมัน จดวันที่ที่คุณอ่านลงไปด้วย

2. หาว่า base model คืออะไร แล้วไปอ่านของมันต่อ

หน้าโมเดลที่ดีจะระบุ base model ไว้ ถ้าไม่ระบุ ให้หาในเปเปอร์หรือ README แล้วไล่ขึ้นไปจนสุดสาย รวมถึงชุดข้อมูลที่ใช้เทรนด้วยถ้าระบุไว้

3. แยกให้ออกว่ากำลังอ่านสัญญาของโค้ดหรือของโมเดล

ถ้าคุณเห็นตรา Apache 2.0 บน GitHub ให้ถามตัวเองว่านั่นครอบคลุมไฟล์โมเดลด้วยหรือเปล่า ส่วนใหญ่ไม่

4. ตรวจที่มาของไฟล์เสียงอ้างอิง

ถ้าเสียงตัวอย่างมาจากบริการเชิงพาณิชย์ ให้ไปอ่าน Prohibited Use Policy หรือ Terms ของบริการนั้น หาคำว่า machine learning, training, input, dataset

5. บันทึกทุกอย่างพร้อมวันที่

ข้อนี้สำคัญกว่าที่คิด เพราะสัญญาอนุญาตเปลี่ยนได้ หน้าโมเดลถูกแก้ได้ และบางหน้าก็หายไปเฉย ๆ สิ่งที่คุณมีคือบันทึกว่า “ณ วันนี้ หน้านี้เขียนแบบนี้”

เราเจอเรื่องนี้กับตัวเอง ระหว่างเตรียมบทความนี้ หน้าโมเดลภาษาไทยตัวที่เราเคยอ่านเมื่อวันที่ 21 สิงหาคม 2026 กลับเปิดอ่านแบบสาธารณะไม่ได้แล้วในวันที่ 28 สิงหาคม 2026 ห่างกันหนึ่งสัปดาห์ ถ้าเราไม่ได้จดวันที่อ่านไว้ เราจะไม่มีอะไรยืนยันเลยว่าตอนนั้นมันเขียนว่าอะไร

สถานะของตัวเลือกภาษาไทย ณ 28 สิงหาคม 2026

ตารางนี้คือสิ่งที่เราอ่านจากหน้าทางการโดยตรงในวันดังกล่าว ไม่ใช่ข้อสรุปทางกฎหมาย และจะเก่าลงเรื่อย ๆ ให้ใช้เป็นจุดเริ่มต้นในการไปตรวจเอง

โมเดล	สัญญาที่ประกาศไว้	ภาษาไทย	ข้อสังเกต
openbmb/VoxCPM2	apache-2.0 และหน้าโมเดลระบุตรง ๆ ว่า “free for commercial use”	รองรับ เป็นหนึ่งใน 30 ภาษาที่ระบุไว้	โคลนเสียงได้ ระบุว่าเทรนด้วยข้อมูลเสียงมากกว่า 2 ล้านชั่วโมง
SWivid/F5-TTS	cc-by-nc-4.0 (น้ำหนักโมเดล)	ผ่านโมเดลที่เทรนต่อ	ห้ามใช้เชิงพาณิชย์ และผู้ดูแลระบุว่า fine-tune แล้วก็ยังห้าม
mrfakename/OpenF5-TTS-Base	apache-2.0 เทรนจากศูนย์บน Emilia-YODAS	ไม่รองรับ หน้าโมเดลระบุว่าเทรนภาษาอังกฤษเท่านั้น	น่าสนใจตรงที่เป็นตัวอย่างของการเทรนใหม่เพื่อออกจากข้อจำกัด NC
coqui/XTTS-v2	Coqui Public Model License ซึ่งเป็นสัญญาเฉพาะของผู้พัฒนา ไม่ใช่สัญญาโอเพนซอร์สมาตรฐาน	รองรับ	ต้องอ่านตัวสัญญาเอง อย่าเดาจากชื่อ
JaiTTS v1.0	หน้า GitHub มีตรา Apache 2.0 สำหรับโค้ด เราไม่สามารถยืนยันสัญญาของน้ำหนักโมเดลได้ในวันที่ตรวจ	รองรับ เป็นโมเดลที่ทำเพื่อภาษาไทยโดยเฉพาะ	เปเปอร์ระบุว่าเวอร์ชันนี้สร้างบน VoxCPM ซึ่งเป็นคนละฐานกับรุ่นเดิมที่สร้างบน F5-TTS ถ้าจะใช้ ต้องไปอ่านหน้าโมเดลเองและจดวันที่

จุดที่น่าสนใจที่สุดในตารางนี้ คือรุ่นใหม่ของโมเดลภาษาไทยเปลี่ยนฐานจาก F5-TTS ไปเป็น VoxCPM ซึ่งฐานใหม่นั้นประกาศตัวเป็น Apache 2.0 การเปลี่ยนฐานแบบนี้เปลี่ยนคำตอบเรื่องสิทธิ์ทั้งหมด และเป็นเหตุผลที่คุณต้องตรวจใหม่ทุกครั้งที่เวอร์ชันเปลี่ยน ไม่ใช่ตรวจครั้งเดียวจบ

เราตัดสินใจทำอะไร

สามอย่าง

หนึ่ง เลิกใช้เส้นทางที่ติดข้อจำกัด NC สำหรับงานที่มีรายได้ และเก็บไว้ใช้เฉพาะงานทดสอบภายในที่ไม่เผยแพร่

สอง ย้ายมาทดสอบ VoxCPM2 เป็นตัวเลือกหลักสำหรับเสียงในเครื่อง เพราะทั้งโค้ดและน้ำหนักโมเดลประกาศเป็น Apache 2.0 และหน้าโมเดลระบุเรื่องการใช้เชิงพาณิชย์ไว้ตรง ๆ เรารันบนการ์ดจอ 16GB ตัวเดียวกับที่ใช้ทำงานอื่น และล็อก revision ของโมเดลไว้เพื่อให้ตรวจย้อนได้ว่าใช้เวอร์ชันไหน

สาม อัดไฟล์เสียงอ้างอิงขึ้นมาใหม่เอง เพื่อตัดปัญหาที่สาม

ข้อสามมีต้นทุนที่ต้องพูดถึงตรง ๆ การเปลี่ยนไฟล์อ้างอิงทำให้เสียงที่ได้เปลี่ยนไปด้วย เพราะภายใต้ reference conditioning ไฟล์อ้างอิงคือตัวกำหนดเสียง นี่เป็นการแลกที่ต้องยอมรับ ไม่ใช่การอัปเกรดฟรี

ข้อจำกัดของบทความนี้

• ไม่ใช่คำแนะนำทางกฎหมาย เป็นบันทึกวิธีตรวจที่เราใช้เอง
• มีคำถามหนึ่งข้อที่ยังไม่มีคำตอบชัดเจนในวงกว้าง คือสัญญาแบบ CC BY-NC ครอบคลุมถึง ผลลัพธ์ ที่โมเดลสร้างออกมาด้วยหรือไม่ หน้าโมเดลที่เราอ่านไม่ได้เขียนเรื่องนี้ไว้ เราจึงไม่สรุปแทน และเลือกไม่เดินบนสมมติฐานที่ยังไม่มีคำตอบ
• ตารางข้างบนจะเก่า ตรวจใหม่ทุกครั้งก่อนเริ่มโปรเจกต์ และทุกครั้งที่โมเดลออกเวอร์ชันใหม่
• เราไม่ได้เปรียบเทียบ คุณภาพเสียง ของโมเดลเหล่านี้ในบทความนี้ ที่นี่ตรวจเรื่องสิทธิ์อย่างเดียว การเปรียบเทียบคุณภาพเป็นงานคนละชิ้นและต้องมีวิธีวัดของมันเอง

เหมาะกับใคร

เหมาะ ถ้าคุณกำลังจะใช้เสียง AI ในงานที่มีรายได้ ถ้าคุณกำลังเลือกระหว่างรันในเครื่องกับใช้บริการเสียเงิน หรือถ้าคุณรับงานลูกค้าและต้องตอบให้ได้ว่าเสียงที่ส่งมอบมีสิทธิ์อะไรบ้าง

ไม่เหมาะ ถ้าคุณกำลังหาว่าโมเดลไหนเสียงเพราะที่สุด บทความนี้ไม่ตอบเรื่องนั้นเลย

สรุปสั้นที่สุด

ก่อนใช้โมเดลเสียงกับงานที่มีรายได้ ให้ตอบสามคำถามนี้ให้ได้ พร้อมวันที่

1. น้ำหนักโมเดลตัวนี้ประกาศสัญญาอะไร ไม่ใช่โค้ด
2. มันเทรนต่อมาจากอะไร และตัวนั้นประกาศสัญญาอะไร
3. ไฟล์เสียงอ้างอิงที่ใช้มาจากไหน และเจ้าของบริการนั้นอนุญาตให้เอาไปทำแบบนี้ไหม

ถ้าตอบครบสามข้อ คุณจะรู้ตัวก่อนเผยแพร่ ไม่ใช่หลังจากนั้น