← กลับหน้าภาพรวม
ระดับ 3 · ADVANCED

ระดับสูง: Voice Agents, API/SDK, Scribe, Music และการวางระบบเชิงองค์กร

มาสร้างผู้ช่วยที่คุยด้วยเสียงได้ (Voice Agents) พร้อมคำนวณต้นทุนให้ครบทุกก้อน เชื่อมต่อผ่านช่องทางให้โปรแกรมเรียกใช้ (REST/streaming API) ถอดเสียงเป็นข้อความ (STT) ด้วย Scribe แต่งเพลงเอาไปใช้เชิงพาณิชย์โดยรู้ขอบเขตสิทธิ์ และวางระบบให้ถูกกติกา (compliance) พร้อมตรวจสอบที่มาของไฟล์ (provenance) แบบองค์กรใหญ่

📦 6 โมดูล⏱ 12–14 ชั่วโมง

6 โมดูลในระดับนี้: 3.1 ElevenAgents: สร้าง Vo · 3.2 ต้นทุน Voice Agents ที · 3.3 Scribe: Speech-to-Text · 3.4 Eleven Music: สร้างเพล · 3.5 API และ SDK: เรียกใช้ง · 3.6 การวางระบบเชิงองค์กร:

3.1
โมดูล 3.1

ElevenAgents: สร้าง Voice Agents สำหรับโทรศัพท์/เว็บ/แชท

ผู้ช่วยที่รับสายและแชทได้ ใช้ Flash v2.5 คู่กับ Scribe แบบเรียลไทม์ (realtime) คิดเงินตามนาทีที่คุยสาย

🎯 วัตถุประสงค์การเรียนรู้

  • สร้างผู้ช่วยคุยด้วยเสียง (Voice Agent — ตัวนี้คือ ElevenAgents ที่เปลี่ยนชื่อมาจาก Conversational AI) เอาไปใช้กับโทรศัพท์ เว็บ หรือแชท สร้างกี่ตัวก็ได้ ไม่จำกัด และการสร้างไม่เสียเงิน
  • เข้าใจว่าข้างในทำงานยังไง คือใช้ Flash v2.5 สำหรับแปลงข้อความเป็นเสียง (TTS) ที่ตอบไว หน่วงเวลาน้อย (latency ต่ำ) คู่กับ Scribe แบบเรียลไทม์สำหรับถอดเสียงเป็นข้อความ (STT)
  • รู้ว่าค่าใช้จ่ายคิดตามนาทีที่คุยสาย ซึ่งแยกออกจากถังเครดิตรวม (credit pool) และแต่ละแพ็กเกจจะมีโควตานาทีเฉพาะของ Agents ต่างหาก

เนื้อหา

ElevenAgents คือเครื่องมือไว้สร้างผู้ช่วยที่คุยด้วยเสียงและแชทได้ จะสร้างกี่ตัวก็ได้และสร้างฟรี แต่พอเริ่มใช้งานจริงจะคิดเงินตามนาที ระบบออกแบบมาให้ตอบโต้แบบทันที (real-time) เลยเลือกใช้ Flash v2.5 (เร็วราว ๆ 75 มิลลิวินาที) จับคู่กับ Scribe แบบเรียลไทม์ (ราว ๆ 150 มิลลิวินาที) ขอย้ำว่าถึงจะเรียกว่าเอเจนต์ แต่จริง ๆ มันคือระบบเสียงที่เอาการแปลงข้อความเป็นเสียง (TTS) มาต่อกับการถอดเสียงเป็นข้อความ (STT) ไม่ใช่แชตบอตที่เอาไว้พิมพ์คุยแบบทั่วไป

เอเจนต์รับสายจองร้านอาหาร
สร้าง Voice Agent 'พนักงานรับจองโต๊ะ': ตั้งเสียงจากคลัง, เลือก Flash v2.5, กำหนดบทเปิด 'สวัสดีค่ะ ร้านครัวคุณยาย รับจองโต๊ะใช่ไหมคะ' และ system behavior ให้ถามวันเวลา จำนวนคน เบอร์ติดต่อ
ผลลัพธ์ที่คาดหวัง

จะได้ผู้ช่วยเสียงที่รับสายแล้วคุยโต้ตอบแบบทันที ถามข้อมูลการจองครบทุกอย่าง และตอบไวเพราะใช้ Flash v2.5

จุดสอน

การทำผู้ช่วยเสียงก็คือการกำหนดว่าจะเปิดบทสนทนายังไง จะให้มันประพฤติตัวแบบไหน แล้วเลือกโมเดลที่ตอบไว ๆ — คนละเรื่องกับการนั่งพิมพ์คุยกับแชตบอต

แบบฝึกหัดท้ายโมดูล

  1. ลองวางลำดับบทสนทนา (flow) ของผู้ช่วยที่คอยรับเรื่องร้องเรียนจากลูกค้า พร้อมกำหนดว่าต้องถามข้อมูลอะไรบ้าง
  2. อธิบายว่าทำไมผู้ช่วยเสียงถึงต้องใช้ Flash v2.5 แทนที่จะใช้ eleven_v3 ทั้งที่ v3 ออกเสียงมีอารมณ์และลูกเล่นมากกว่า
3.2
โมดูล 3.2

ต้นทุนแฝงของ Voice Agents: ค่านาที + ค่าสมอง AI (LLM tokens) + ค่าสายโทรศัพท์ (telephony)

ระวังต้นทุนที่มองไม่เห็น — ค่าสมอง AI และค่าสายโทรศัพท์คิดแยกจากค่านาที

🎯 วัตถุประสงค์การเรียนรู้

  • อ่านให้ออกว่าแต่ละแพ็กเกจให้โควตานาที Agents มาเท่าไหร่ (เช่น Free ได้ 15 นาที คุยพร้อมกันได้ 4 สาย, Creator ได้ 275 นาที คุยพร้อมกัน 10 สาย, Business ได้ 12,375 นาที คุยพร้อมกัน 40 สาย) และถ้าใช้เกินโควตา (overage) จะคิดเพิ่มยังไง (นาทีละ $0.08 แบบปกติ, นาทีละ $0.16 ตอนสายพุ่งสูง หรือที่เรียกว่า burst, และข้อความละ $0.003)
  • เข้าใจต้นทุนแฝงที่คนมักมองข้าม คือค่าสมอง AI (LLM tokens) และค่าสายโทรศัพท์ (telephony) ที่คิดแยกต่างหากจากค่านาที
  • คำนวณต้นทุนรวมของผู้ช่วยเสียงต่อเดือนได้จริง

เนื้อหา

ค่าใช้จ่ายของ Agents ไม่ได้จบแค่ค่านาที เพราะยังมีค่าสมอง AI (LLM tokens — ตัวที่ทำให้ผู้ช่วยคิดและตอบได้) กับค่าสายโทรศัพท์ (telephony) ที่คิดแยกอีกต่างหาก เลยทำให้คนส่วนใหญ่ประเมินต้นทุนจริงต่ำกว่าที่ควร ถ้าจะวางระบบให้ดี ต้องบวกทั้งสามก้อนนี้เข้าด้วยกันถึงจะรู้ต้นทุนจริง ๆ

ประเมินต้นทุนคอลเซ็นเตอร์เสียงต่อเดือน
โจทย์: เอเจนต์รับสายเฉลี่ย 1,500 นาที/เดือนบนแพ็กเกจ Creator (โควตา 275 นาที Agents) ให้ประเมินค่าใช้จ่ายรวม โดยแยกค่านาที overage, ค่า LLM tokens และค่า telephony
ผลลัพธ์ที่คาดหวัง

ค่านาทีส่วนที่เกินโควตา ≈ (1,500 − 275) × $0.08 = $98 แล้วยังต้องบวกค่าสมอง AI (LLM tokens) ตามที่ผู้ให้บริการ LLM คิด บวกค่าสายโทรศัพท์ (telephony) ตามที่ผู้ให้บริการสายคิด รวมแล้วสูงกว่าที่คิดจากค่านาทีอย่างเดียวเยอะมาก

จุดสอน

เวลาประเมินต้นทุนของ Agents ต้องรวม 3 ก้อนนี้เสมอ ไม่งั้นงบจะบานปลาย — นี่แหละคือเรื่องต้นทุนที่คนตกใจกันบ่อยที่สุด

แบบฝึกหัดท้ายโมดูล

  1. ทำสเปรดชีตประเมินต้นทุนของผู้ช่วยเสียง โดยลองสมมติปริมาณสาย 3 แบบที่ต่างกัน แล้วแยกต้นทุนออกเป็น 3 ก้อนให้ชัด
  2. ลองเทียบดูว่าตอนไหนควรอัปเกรดแพ็กเกจไปเลย แทนที่จะยอมจ่ายค่านาทีส่วนที่เกินโควตา
3.3
โมดูล 3.3

Scribe: ถอดเสียงเป็นข้อความ (Speech-to-Text) ระดับมืออาชีพ

ถอดเสียงได้กว่า 90 ภาษา บอกเวลาแต่ละคำ (timestamp) แยกว่าใครพูด และตรวจจับข้อมูลส่วนตัว (PII)

🎯 วัตถุประสงค์การเรียนรู้

  • ใช้ scribe_v2 (แบบประมวลผลทีเดียวทั้งไฟล์ หรือ batch รองรับกว่า 90 ภาษา) ที่บอกเวลาของทุกคำ (word-level timestamps) แยกได้ว่าใครพูด (speaker diarization รองรับสูงสุด 32 คน) ใส่คำสำคัญไว้ช่วยให้ถอดแม่นขึ้น (keyterm prompting) และตรวจจับข้อมูลอ่อนไหวเพื่อปิดบัง (entity detection สำหรับ redaction ครอบคลุมสูงสุด 56 หมวด ทั้งข้อมูลส่วนตัว ข้อมูลสุขภาพ และข้อมูลการชำระเงิน)
  • ใช้ scribe_v2_realtime (แบบถอดสด ๆ ทันที หรือ streaming หน่วงราว 150 มิลลิวินาที) ที่รู้จักตรวจว่ามีคนกำลังพูดอยู่ไหม (VAD) และสลับภาษาไปมากลางบทสนทนาได้
  • รู้ว่าการถอดเสียงเป็นข้อความคิด 330 เครดิตต่อนาที และเหมาะกับงานประชุมและผู้ช่วยเสียง (voice agents)

เนื้อหา

Scribe คือชื่อเครื่องมือถอดเสียงเป็นข้อความ (Speech-to-Text) ของ ElevenLabs โดยตัว scribe_v2 เป็นแบบประมวลผลทั้งไฟล์ทีเดียว (batch) คุณภาพสูง บอกเวลาของทุกคำ แยกว่าใครพูด และตรวจจับข้อมูลอ่อนไหวเพื่อปิดบัง (redaction) ได้ ส่วน scribe_v2_realtime เหมาะกับงานที่ต้องถอดสด ๆ และการใส่คำสำคัญเข้าไปช่วย (keyterm prompting) จะทำให้ถอดคำศัพท์เฉพาะได้แม่นยำขึ้น (จำนวนคำสำคัญที่ใส่ได้ แต่ละแหล่งบอกไม่เท่ากัน ตั้งแต่ราว 100 ไปจนถึงราว 1,000 คำ ควรเช็กจากแหล่งจริงอีกที)

ถอดเทปประชุม 3 คน พร้อมแยกว่าใครพูดและปิดบังข้อมูลส่วนตัว
ส่งไฟล์เสียงประชุมภาษาไทย 30 นาทีเข้า scribe_v2 เปิด speaker diarization, ใส่ keyterms เช่นชื่อโครงการและศัพท์เทคนิค, เปิด entity detection เพื่อ redact เลขบัตร/เบอร์โทร
ผลลัพธ์ที่คาดหวัง

จะได้บทถอดเสียง (transcript) ที่บอกเวลาของทุกคำ ระบุว่าใครพูดช่วงไหน และข้อมูลส่วนตัวถูกปิดบังเรียบร้อย ใช้เครดิตราว 330 × 30 = 9,900 เครดิต

จุดสอน

Scribe ไม่ได้แค่ถอดคำ แต่ยังแถมข้อมูลประกอบ (metadata เช่น เวลา ผู้พูด และข้อมูลส่วนตัว) มาให้ด้วย ทำให้บทถอดเสียงเอาไปใช้งานในองค์กรได้จริง ส่วนการใส่คำสำคัญก็ช่วยให้ถอดศัพท์เฉพาะแม่นขึ้น

แบบฝึกหัดท้ายโมดูล

  1. ถอดเสียงคลิปสัมภาษณ์ 2 คน แล้วเช็กดูว่าระบบแยกว่าใครพูดถูกไหม และเวลาของแต่ละคำตรงหรือเปล่า
  2. ลองถอดเสียงที่มีศัพท์เฉพาะ ทั้งแบบใส่คำสำคัญช่วย (keyterm prompting) และแบบไม่ใส่ แล้วเทียบดูว่าแม่นต่างกันแค่ไหน
3.4
โมดูล 3.4

Eleven Music: สร้างเพลงเชิงพาณิชย์อย่างระวังขอบเขต

แต่งเพลงคุณภาพระดับสตูดิโอจากคำสั่งที่เราพิมพ์ (prompt) พร้อมเข้าใจว่าคำว่า 'ใช้เชิงพาณิชย์ได้' (cleared for commercial use) มีขอบเขตของมัน

🎯 วัตถุประสงค์การเรียนรู้

  • แต่งเพลงจากคำสั่งภาษาพูดธรรมดา ๆ (prompt) ด้วย Eleven Music (เปิดตัว 5 ส.ค. 2025) เลือกได้ทั้งแนวเพลง สไตล์ โครงสร้างเพลง จะให้มีคนร้องหรือเป็นดนตรีบรรเลงก็ได้ ทำได้หลายภาษา แถมแก้แต่ละท่อน (section) และแก้เนื้อร้อง (lyrics) ได้
  • ใช้ music_v2 (ราว พ.ค. 2026) ที่สลับแนวเพลงกลางเพลงได้ และจัดการเสียงร้อง (vocals) กับองค์ประกอบที่ซับซ้อนได้ดีขึ้น
  • เข้าใจจุดขายเรื่องความปลอดภัยด้านลิขสิทธิ์เวลาเอาไปใช้เชิงพาณิชย์ (มาจากดีลลิขสิทธิ์กับ Merlin Network และ Kobalt Music Group) และรู้ขอบเขตของคำว่า 'ใช้เชิงพาณิชย์ได้' (cleared for commercial use) ที่ใช้ได้เฉพาะกับคลังเพลงที่เจ้าของยินยอมให้ใช้ (opt-in) เท่านั้น ไม่ใช่การการันตีแบบไม่มีเงื่อนไข

เนื้อหา

Eleven Music แต่งเพลงคุณภาพระดับสตูดิโอออกมาจากคำสั่งที่เราพิมพ์เป็นภาษาพูดธรรมดา ๆ ตัว music_v2 สลับแนวเพลงกลางเพลงได้ด้วย จุดที่ต่างจากคู่แข่งชัด ๆ คือมันเทรนจากคลังเพลงที่มีลิขสิทธิ์ถูกต้อง (เจ้าของยินยอมให้ใช้ หรือ opt-in) ผ่านดีลกับ Merlin และ Kobalt เลยชูจุดขายว่าเป็นตัวเลือกที่ 'ใช้เชิงพาณิชย์ได้' (cleared for commercial use) แต่ต้องเข้าใจว่าคำนี้เป็นคำที่ ElevenLabs พูดเอง และใช้ได้เฉพาะกับคลังเพลงที่เจ้าของยินยอมเท่านั้น ไม่ใช่การการันตีทางกฎหมายแบบครอบจักรวาล นอกจากนี้ยังมีแอปบน iOS ชื่อ 'ElevenMusic' แยกออกมาต่างหาก เอาไว้สร้างและค้นหาเพลง AI โดยเฉพาะ

แต่งเพลงประกอบโฆษณาที่เปลี่ยนแนวกลางเพลง
prompt Eleven Music (music_v2): 'เพลงประกอบโฆษณาความยาว 45 วินาที เริ่มด้วยเปียโน lo-fi อบอุ่นช่วง intro แล้วเปลี่ยนเป็น upbeat pop เต็มวงตอน chorus เนื้อร้องภาษาไทยเกี่ยวกับการเริ่มต้นวันใหม่ อารมณ์เชิงบวก'
ผลลัพธ์ที่คาดหวัง

จะได้เพลงที่ค่อย ๆ ไล่จาก lo-fi นุ่ม ๆ ไปสู่ pop สดใสตามโครงสร้าง (structure) ที่เราสั่ง พร้อมเนื้อร้องภาษาไทย เอาไปใช้ประกอบโฆษณาได้ (ภายใต้ขอบเขตสิทธิ์เชิงพาณิชย์ของแพ็กเกจและคลังเพลงที่เจ้าของยินยอมให้ใช้)

จุดสอน

คำสั่งแต่งเพลงที่ดีควรบอกให้ครบว่า 'โครงสร้าง + แนวเพลง + จังหวะที่เปลี่ยนผ่าน + ภาษาและอารมณ์ของเนื้อร้อง' และต้องเข้าใจว่าสิทธิ์เอาไปใช้เชิงพาณิชย์มีขอบเขต ไม่ใช่ใบเบิกทางที่ใช้ได้ทุกอย่างแบบไม่มีเงื่อนไข

แบบฝึกหัดท้ายโมดูล

  1. แต่งเพลงจากคำสั่งเดียวกัน 2 เวอร์ชัน (แบบบรรเลงล้วน กับแบบมีคนร้อง) แล้วลองเทียบกันดู
  2. ลองอธิบายด้วยคำพูดของตัวเองว่าคำว่า 'ใช้เชิงพาณิชย์ได้' (cleared for commercial use) มีขอบเขตแค่ไหน และก่อนจะเอาเพลงไปใช้กับงานที่เสี่ยงเรื่องกฎหมายสูง ๆ เราควรเช็กอะไรบ้าง
3.5
โมดูล 3.5

API และ SDK: ให้โปรแกรมเรียกใช้เองและขยายกำลังการผลิต

เรียกได้ทั้งแบบขอทีเดียวได้ผล (REST) และแบบสตรีมต่อเนื่อง (streaming ผ่าน WebSocket) มีช่องเรียก (endpoint) แยกตามงาน และคุณภาพขึ้นอยู่กับแพ็กเกจ

🎯 วัตถุประสงค์การเรียนรู้

  • เรียกใช้งานผ่านช่องทางให้โปรแกรมสั่งงาน (API) ได้ทั้งแบบขอทีเดียวได้ผลกลับมา (REST) และแบบสตรีมต่อเนื่อง (streaming ผ่าน WebSocket) พร้อมชุดเครื่องมือสำหรับนักพัฒนา (SDK) ที่เป็นทางการ โดยมีช่องเรียก (endpoint) แยกตามแต่ละงาน ทั้งแปลงข้อความเป็นเสียง (TTS) ถอดเสียงเป็นข้อความ (STT) พากย์เสียง (dubbing) แต่งเพลง (music) เอฟเฟกต์เสียง (SFX) ออกแบบเสียง (voice design) และ Agents
  • เข้าใจว่าคุณภาพเสียงระดับสูงถูกล็อกไว้ตามแพ็กเกจ คือ 192 kbps ต้องเป็น Creator ขึ้นไป และเสียงคุณภาพสูงแบบ 44.1 kHz PCM ผ่าน API ต้องเป็น Pro ขึ้นไป
  • รู้ว่าถ้าใช้ Flash ผ่าน API จะได้ส่วนลดค่าเครดิตต่อตัวอักษร (คิดแค่ 0.5–1 เครดิต) และมีหน้าราคาแยกกันคือ /pricing/api กับ /pricing/agents

เนื้อหา

แพลตฟอร์มเปิดให้เรียกใช้ผ่าน API ทั้งแบบขอทีเดียวได้ผล (REST) และแบบสตรีมต่อเนื่อง (streaming) พร้อมชุดเครื่องมือสำหรับนักพัฒนา (SDK) ที่เป็นทางการ ครบทุกความสามารถหลัก ถ้างานไหนต้องตอบโต้แบบทันที (real-time) ก็เลือกแบบสตรีม ส่วนคุณภาพเสียงสูงสุดจะปลดล็อกได้ตามแพ็กเกจที่ใช้ นักพัฒนาต้องออกแบบให้แบ่งข้อความยาว ๆ ออกเป็นท่อนตามจำนวนตัวอักษรที่แต่ละโมเดลรับได้ และเลือกใช้ Flash เพื่อประหยัดเครดิตในงานที่ต้องผลิตทีละเยอะ ๆ (bulk)

เรียกแปลงข้อความเป็นเสียง (TTS) ผ่าน API แบบสตรีม
curl POST ไปยัง endpoint text-to-speech streaming ระบุ model_id=eleven_flash_v2_5, voice_id ที่เลือก, ส่ง text ภาษาไทย และตั้ง output_format ตามแพ็กเกจ (เช่น mp3_44100_192 บน Creator+)
ผลลัพธ์ที่คาดหวัง

จะได้เสียงสตรีมกลับมาแบบตอบไว หน่วงน้อย (low-latency) เหมาะเอาไปฝังในแอปที่ต้องทำงานทันที และเสียค่าเครดิตแบบลดราคา (0.5–1 เครดิตต่อตัวอักษร) เพราะใช้ Flash ผ่าน API

จุดสอน

การเลือก model_id, output_format และจะสตรีมหรือไม่ ใน API มีผลโดยตรงต่อความเร็วในการตอบ คุณภาพ และต้นทุน เป็นการตัดสินใจเชิงเทคนิคที่ต้องดูข้อจำกัดของแต่ละโมเดลประกอบ

แบ่งข้อความยาว ๆ ออกเป็นท่อนก่อนส่งเข้า API
เขียนตรรกะฝั่ง client แบ่งบทความ 30,000 อักขระเป็นท่อนตามขีดจำกัดโมเดล (เช่น v3 ~5,000/multilingual_v2 ~10,000/Flash ~40,000) แล้วต่อไฟล์เสียงกลับ
ผลลัพธ์ที่คาดหวัง

ส่งแต่ละท่อนผ่านได้หมดโดยไม่เกินขีดจำกัดต่อการเรียกหนึ่งครั้ง แล้วเอามาต่อกันเป็นไฟล์เสียงยาว ๆ ชิ้นเดียว

จุดสอน

งานยาว ๆ ที่ทำผ่าน API ต้องซอยเป็นท่อน (chunk) ตามขีดจำกัดของโมเดลที่เลือก และถ้าอยากได้ท่อนใหญ่ ๆ พร้อมประหยัดเครดิต ก็เลือกใช้ Flash

แบบฝึกหัดท้ายโมดูล

  1. เขียนสคริปต์เรียกใช้ TTS API กับ 3 โมเดล แล้วเทียบดูว่าตอบเร็วช้าต่างกันแค่ไหน (latency) และไฟล์ที่ได้ขนาดต่างกันยังไง
  2. ออกแบบกระบวนการทำงานอัตโนมัติ (pipeline) ที่เลือกโมเดลและ output_format ให้เองตามแพ็กเกจของผู้ใช้แต่ละคน
3.6
โมดูล 3.6

การวางระบบระดับองค์กร: ทำให้ถูกกติกา (compliance) ตรวจสอบที่มาของไฟล์ (provenance) และแพ็กเกจ Enterprise

C2PA, ตัวตรวจว่าเสียงสร้างโดย AI (AI Speech Classifier), นโยบายห้ามโคลนบางเสียง (No-Go Voices) และฟีเจอร์ระดับองค์กร (HIPAA BAA, SSO)

🎯 วัตถุประสงค์การเรียนรู้

  • ใช้เครื่องมือตรวจสอบที่มาของไฟล์ (provenance) และตรวจจับ ได้แก่ ป้ายบอกที่มาของเนื้อหาแบบ C2PA (content credentials) และตัวตรวจว่าเสียงหรือคลิปนั้นสร้างโดย ElevenLabs หรือเปล่า (AI Speech/Audio Classifier)
  • เข้าใจมาตรการเชิงนโยบาย ได้แก่ นโยบายห้ามโคลนบางเสียง (No-Go Voices ที่บล็อกไม่ให้โคลนเสียงนักการเมืองระดับสูง เพื่อลดข่าวปลอมช่วงเลือกตั้ง หรือ election disinformation) และตัวเลือกฝังลายน้ำ (watermarking) ที่มีผลต่อเครดิตของงานพากย์เสียง (dubbing)
  • รู้ว่าแพ็กเกจ Enterprise มีอะไรให้บ้าง เช่น สัญญาเรื่องการจัดการข้อมูลและระดับบริการ (DPA/SLA), ข้อตกลงสำหรับงานที่เกี่ยวกับข้อมูลสุขภาพ (HIPAA BAA), ระบบล็อกอินรวมศูนย์ (SSO), บริการพากย์เสียงแบบมีทีมดูแลให้ (managed dubbing) และส่วนลดเมื่อใช้ปริมาณมาก

เนื้อหา

ถ้าจะเอาไปใช้ในระดับองค์กร ต้องวางระบบให้ถูกกติกา (compliance) ตั้งแต่แรก โดย ElevenLabs รองรับมาตรฐานป้ายบอกที่มาของเนื้อหาแบบ C2PA มีตัวตรวจ (classifier) ที่เช็กได้ว่าคลิปนั้นมาจากแพลตฟอร์มนี้หรือเปล่า และมีนโยบายห้ามโคลนบางเสียง (No-Go Voices) เพื่อลดความเสี่ยงเรื่องข่าวปลอมทางการเมือง ส่วนแพ็กเกจ Enterprise ก็ให้เครื่องมือด้านการทำตามกติกาแบบครบ ๆ รวมถึงข้อตกลงสำหรับงานข้อมูลสุขภาพ (HIPAA BAA) และระบบล็อกอินรวมศูนย์ (SSO) เอาไว้รองรับงานที่มีข้อกำหนดเข้มงวด

ตรวจสอบและติดป้ายบอกที่มาของเสียงในองค์กร
นำคลิปเสียงที่สงสัยไปตรวจด้วย AI Speech Classifier เพื่อดูว่าถูกสร้างโดย ElevenLabs หรือไม่ และตั้งนโยบายภายในให้เอาต์พุตทุกชิ้นแนบ C2PA content credentials
ผลลัพธ์ที่คาดหวัง

จะได้ผลตรวจว่าคลิปนั้นน่าจะสร้างโดย ElevenLabs หรือไม่ และเสียงทุกชิ้นที่องค์กรผลิตออกมาจะมีที่มาให้ตามรอยได้ (provenance) ช่วยลดความเสี่ยงที่จะมีคนเอาไปใช้ผิด ๆ

จุดสอน

การตามรอยที่มา (provenance ผ่าน C2PA) และตัวตรวจ (classifier) คือเครื่องมือกำกับความรับผิดชอบ องค์กรควรตั้งเป็นนโยบายภายในให้ทำทุกครั้ง ไม่ใช่ทำก็ได้ไม่ทำก็ได้

แบบฝึกหัดท้ายโมดูล

  1. ลองร่างนโยบายการใช้ ElevenLabs ในองค์กร ให้ครอบคลุมทั้งเรื่องการตามรอยที่มา (provenance) การตรวจสอบด้วยตัวตรวจ (classifier) และข้อห้ามโคลนบางเสียง (No-Go Voices)
  2. ระบุว่างานแบบไหนในองค์กรที่จำเป็นต้องใช้แพ็กเกจ Enterprise (เช่น งานที่ต้องมีข้อตกลงเรื่องข้อมูลสุขภาพ HIPAA BAA หรือระบบล็อกอินรวมศูนย์ SSO) พร้อมบอกเหตุผลด้วย

🏆 โปรเจกต์จบระดับสูง: วางระบบผลิตเสียงครบวงจรตั้งแต่ต้นจนจบ (end-to-end) แบบองค์กร

  1. สร้างผู้ช่วยเสียง (Voice Agent) ที่รับสายได้จริงหนึ่งตัว พร้อมทำเอกสารประเมินต้นทุนรวมทั้ง 3 ก้อน (ค่านาที + ค่าสมอง AI ที่เป็น LLM tokens + ค่าสายโทรศัพท์ telephony) ต่อเดือน
  2. สร้างกระบวนการทำงานอัตโนมัติ (pipeline) ผ่าน API ที่รับข้อความยาว ๆ มาแล้วซอยเป็นท่อนตามโมเดล และเลือก output_format ให้เหมาะกับแพ็กเกจ
  3. ใช้ Scribe ถอดเสียงบทสนทนาของผู้ช่วย พร้อมปิดบังข้อมูลส่วนตัว เพื่อทำบทถอดเสียง (transcript) ไว้ตรวจสอบ
  4. เพิ่มเพลงประจำแบรนด์จาก Eleven Music เข้าไปประกอบ พร้อมจดบันทึกขอบเขตสิทธิ์เชิงพาณิชย์ที่ตรวจสอบมาแล้ว
  5. จัดทำเอกสารเรื่องการทำตามกติกา (compliance) ให้ครบ ทั้งการตามรอยที่มาด้วย C2PA การใช้ตัวตรวจ (classifier) นโยบายห้ามโคลนบางเสียง (No-Go Voices) และบันทึกความยินยอมของทุกเสียงที่เอาไปโคลน
🎓

จบหลักสูตรการใช้งาน ElevenLabs อย่างมืออาชีพ

เสียงพูด →พากย์/แปล →เอเจนต์เสียง →แต่งเพลง →จริยธรรม →หมายเหตุ →