Claude Opus 5.5 และ Gemini 3.8 Flash TTS ผลิตวิดีโอข่าวที่มีเสียงบรรยาย: บรีฟ เรตการ์ดสองใบ และต้นทุนของเสียง

สองโมเดล สองผู้ให้บริการ วิดีโอที่เสร็จสมบูรณ์หนึ่งชิ้น และพรอมป์ที่สั้นพอจะวางลงในกล่องแชต วันที่ 2 ตุลาคม 2026 นักเขียน AI ที่เขียนเป็นภาษาจีน 宝玉 (X/@dotey) ได้เผยแพร่ผลงานเรนเดอร์สองชิ้นของสรุปข่าวซุบซิบเดียวกัน — หนึ่งเป็นภาษาอังกฤษ หนึ่งเป็นภาษาจีน — และกล่าวว่าทั้งสองชิ้นถูกสร้างขึ้นแบบครบวงจรโดยClaude Opus 5.5ซึ่งค้นหาวัตถุดิบของตัวเองและเขียนคำบรรยายของตัวเอง โดยมีเสียงที่จัดหาโดยGemini 3.8 Flash TTS API ที่ผู้เขียนจัดหาให้ ไม่มีโมเดลใดใหม่: Anthropic เปิดตัว Claude Opus 5.5 เมื่อวันที่ 22 กันยายน 2026 และบันทึกการเปิดตัวของ Google ระบุว่าโมเดลแปลงข้อความเป็นเสียงพูด Gemini 3.8 มีอายุถึงวันเดียวกัน สิ่งที่มีอายุเพียงไม่กี่วันคือการจัดแพ็กเกจ — บรีฟของผู้ผลิต และชุดที่เก็บโค้ดระหว่างวันที่ 30 กันยายนถึง 3 ตุลาคมที่เปลี่ยนบรีฟนั้นให้เป็นสกิล Claude Code ที่คุณสามารถนำไปใช้ได้ นี่เป็นบทความเกี่ยวกับเวิร์กโฟลว์ ไม่ใช่เกี่ยวกับโมเดล

สิ่งที่บรีฟกำหนดไว้จริง ๆ

เทมเพลตนี้เป็นประโยคเดียวที่มีสามช่อง เมื่อแปลจากภาษาจีนต้นฉบับเป็นภาษาอังกฤษ จะอ่านได้ว่า: ทำวิดีโอซุบซิบเกี่ยวกับ {หัวข้อ} ให้ฉัน (เอกสารเพิ่มเติม: {ลิงก์/ภาพหน้าจอ, ไม่บังคับ}; เวอร์ชันไม่ระบุตัวตน: ลบ {ชื่อบุคคล}, ไม่บังคับ). ทุกสิ่งที่น่าสนใจเกี่ยวกับรูปแบบนี้ถูกซ่อนอยู่ในสามช่องนั้น เพราะบรีฟที่สั้นขนาดนั้นจะมอบหมายได้ก็ต่อเมื่อผู้รับสามารถทำสามสิ่งได้โดยไม่ต้องบอก: หาวัตถุดิบของตัวเอง ตัดสินใจว่าเรื่องราวคืออะไร และส่งคืนชิ้นงานที่เสร็จสมบูรณ์แทนที่จะเป็นแผน.

หัวข้อเป็นสตริงข้อความอิสระ ดังนั้นโมเดลจึงทำการคัดเลือกเชิงบรรณาธิการ — อะไรนับเป็นเรื่องราว จะรวมบีตใดบ้าง และเรียงลำดับอย่างไร นั่นเป็นงานที่ต่างจากการสรุป และเป็นส่วนของไปป์ไลน์ที่ผู้ปฏิบัติงานควบคุมได้น้อยที่สุด เอกสารเสริมแบบเลือกได้คือทางออกฉุกเฉิน: วางลิงก์หรือภาพหน้าจอ แล้วโมเดลจะทำงานจากแหล่งที่มาคงที่แทนการค้นหา ซึ่งเป็นความแตกต่างระหว่างการเรนเดอร์ที่ทำซ้ำได้กับวิดีโอที่แตกต่างกันทุกครั้งที่รัน ช่องที่สาม 去敏 เป็นช่องที่ควรค่าแก่การพิจารณา และเราจะกลับมาที่เรื่องนี้

อ่านบรีฟเป็นข้อกำหนด แล้วมันจะบอกคุณว่ามันสมมติอะไรเกี่ยวกับฮาร์เนส มันสมมติว่าโมเดลสามารถเข้าถึงโลกภายนอกได้ — ขั้นตอนการค้นหาถูกมอบหมาย ไม่ได้อธิบายไว้ — และสิ่งที่โมเดลเข้าถึงได้เป็นคุณสมบัติของเครื่องมือที่ผู้ปฏิบัติการเมานต์ ไม่ใช่ของ Claude Opus 5.5 เอง มันสมมติว่ามีสแต็กภาพหรือการเรนเดอร์ เพราะชิ้นงานที่ส่งมอบเป็นวิดีโอ และ Claude Opus 5.5 ไม่ได้ส่งออกวิดีโอ และมันสมมติว่ามีเสียง

การแบ่งงานคือเรื่องราว

สมมติฐานสุดท้ายนั้นคือข้อเท็จจริงเชิงโครงสร้างของเวิร์กโฟลว์นี้ รายการแค็ตตาล็อกของเราเองสำหรับ anthropic/claude-opus-5.5 ระบุโมดัลิตีอินพุตของมันว่าเป็นข้อความ รูปภาพ และไฟล์ ส่วนโมดัลิตีเอาต์พุตเป็นข้อความ — มีเอาต์พุตเพียงหนึ่งโมดัลิตี โมเดลนี้ไม่สามารถสังเคราะห์เสียงพูดได้ และไม่สามารถได้ยินแทร็กเมื่อแทร็กนั้นถูกสร้างขึ้นแล้ว วิดีโอที่มีเสียงบรรยายทุกชิ้นที่สร้างด้วยวิธีนี้จึงมีการพึ่งพาโมเดลอย่างน้อยสองตัว โดยมีเรตการ์ดสองชุด ผู้ให้บริการสองราย และข้อมูลรับรองสองชุด และชุดที่สองต้องมีมนุษย์เป็นผู้จัดหา Opus 5.5 เขียนสคริปต์และเชื่อมต่อการเรนเดอร์ได้ แต่เปิดบัญชี Google หรือจัดสรรคีย์ไม่ได้ ผู้เขียนโพสต์วันที่ 2 ตุลาคมพูดไว้ตรง ๆ ว่า: คีย์ Gemini เป็นของเขา

ข้อจำกัดนี้มีอีกด้านที่มองข้ามได้ง่ายจนกว่าคุณจะปล่อยงาน เนื่องจาก Claude Opus 5.5 ไม่รับเสียงเข้า โมเดลที่เขียนบทบรรยายจึงไม่สามารถตรวจสอบบทบรรยายได้ ชื่อที่ออกเสียงผิด การเน้นเสียงที่แปลก ประโยคที่ตัวสังเคราะห์เสียงอ่านแบบแบนราบ — ไม่มีสิ่งเหล่านั้นไปถึงโมเดลที่สร้างมันขึ้นมา การควบคุมคุณภาพของเสียงคือมนุษย์ที่ฟังผลลัพธ์ ทุกครั้ง และนั่นคือขั้นตอนที่ทำให้สิ่งนี้ไม่กลายเป็นไปป์ไลน์ที่ไม่มีคนดูแล ไม่ว่าบทจะดีแค่ไหน เมื่อผลลัพธ์ของโมเดลเองเป็นโปรแกรม การตรวจทานคือการฟัง ไม่ใช่การดู diff

เสียงมีต้นทุนอะไร — และมันไม่ใช่ส่วนที่แพง

หน้าหนาราคาของ Google เผยแพร่การแปลงที่ทำให้การคำนวณนี้ลงตัว นั่นคือโทเคนเสียงเทียบเท่ากับ 25 โทเคนต่อวินาทีของเอาต์พุต งานเรนเดอร์สองชิ้นในโพสต์วันที่ 2 ตุลาคมใช้เวลา 351 วินาทีและ 332 วินาที ซึ่งอ่านได้จากข้อมูลเมตาสื่อของทวีตเอง ประมาณห้านาทีห้าสิบเอ็ดวินาที และห้านาทีสามสิบสองวินาที ที่ 25 โทเคนต่อวินาที จะได้ 8,775 และ 8,300 โทเคนเสียง และที่อัตราเสียง Flash TTS ปัจจุบันที่ 9.00 ดอลลาร์ต่อล้านโทเคน คิดเป็นเสียงบรรยายประมาณแปดเซนต์ต่อวิดีโอ และประมาณสิบห้าเซนต์สำหรับทั้งสองเวอร์ชันภาษาเมื่อรวมกัน

ลองวางสิ่งนั้นเทียบกับฝั่งการให้เหตุผลของงานเดียวกัน อัตราตามราคาประกาศของ Claude Opus 5.5 อยู่ที่ 4 ดอลลาร์ต่อโทเคนอินพุตหนึ่งล้านโทเคน และ 20 ดอลลาร์ต่อโทเคนเอาต์พุตหนึ่งล้านโทเคน โดยโทเคนที่ใช้คิดจะถูกคิดเงินเป็นเอาต์พุต และการอ่านแคชอยู่ที่ 0.20 ดอลลาร์ต่อหนึ่งล้าน คำบรรยายของวิดีโอความยาวหกนาทีถือเป็นเศษเสี้ยวที่แทบไม่มีนัยสำคัญ เมื่อเทียบกับจำนวนโทเคนที่โมเดลใช้ในการตัดสินใจว่าเรื่องราวคืออะไร อ่านแหล่งข้อมูล และเขียนสคริปต์ที่เสียงนั้นอ่าน ข้อสรุปในทางปฏิบัติไม่ใช่ “TTS ราคาถูก” — แต่คือในไปป์ไลน์นี้ เสียงคือรายการเดียวที่คุณไม่จำเป็นต้องไปปรับให้เหมาะสม และความพยายามควรไปอยู่กับส่วนที่กินเงินเป็นดอลลาร์

รายละเอียดในเรตการ์ดสองรายการจะทำให้การคำนวณนั้นเปลี่ยนไป ดังนั้นจงวางแผนรับมือกับสิ่งเหล่านั้นตั้งแต่ตอนนี้:

• ช่วงโปรโมชันจะสิ้นสุดลง — ราคามาตรฐานของ Flash TTS อยู่ที่ $0.50 ต่อหนึ่งล้านโทเค็นข้อความขาเข้า และ $9.00 ต่อหนึ่งล้านโทเค็นเสียงขาออก ไปจนถึงวันที่ 31 ธันวาคม 2026 จากนั้นจะเป็น $1.00 และ $18.00 เสียงบรรยายของวิดีโอเดียวกันมีค่าใช้จ่ายประมาณสิบหกเซนต์ในเดือนมกราคม ซึ่งเป็นสองเท่าพอดี

• มีระดับราคาที่ถูกกว่าซึ่งแลกมาด้วยข้อได้เปรียบเสียเปรียบจริง — Gemini 3.8 Flash-Lite TTS คิดค่าบริการ $0.50 และ $6.00 ตามตารางเดียวกัน และขึ้นเป็น $1.00 และ $12.00 โดยรองรับ 101 ภาษา เทียบกับ 130 ภาษาของ Flash TTS สำหรับงานอธิบายที่มีผู้บรรยายคนเดียวเป็นภาษาอังกฤษ Lite มีอัตราค่าเสียงเป็นสองในสาม และเพดานจำนวนภาษาไม่มีความสำคัญ แต่สำหรับงานเรนเดอร์สองภาษาในโพสต์วันที่ 2 ตุลาคม มันไม่ได้ชัดเจนว่าจะไม่มีความสำคัญ ซึ่งนั่นคือการตัดสินใจที่การแยกระดับราคากำลังให้คุณเลือก

ระดับ Batch และ Flex ของ Google อยู่ที่ 0.25 ดอลลาร์สำหรับขาเข้า และ 4.50 ดอลลาร์สำหรับขาออก ส่วน Priority อยู่ที่ 0.90 และ 16.20 ดอลลาร์ — น่ารู้ไว้หากงานเรนเดอร์ของคุณต้องเข้าคิวรอแทนที่จะเป็นแบบโต้ตอบ เพราะการสรุปข่าวซุบซิบนั้นไม่มีส่วนไหนที่ต้องได้คำตอบแบบเรียลไทม์เลย

สัปดาห์นี้ บรีฟได้กลายเป็นสกิล

พรอมต์ในทวีตคือการสาธิต ส่วนรีโพซิทอรีคือสิ่งที่คุณติดตั้งได้ รีโพซิทอรีที่ปรากฏขึ้นรอบรูปแบบนี้คือส่วนที่อยู่ในช่วงเจ็ดวันล่าสุดจริง ๆ และคุ้มค่าที่จะอ่านแยกกันมากกว่าอ่านเป็นชุด เพราะแต่ละอันมีการเดิมพันที่แตกต่างกันว่าควรตรึงไปป์ไลน์ส่วนใดไว้ในโค้ดมากแค่ไหน

• hoangduong92/idea-to-film-skill — สร้างเมื่อวันที่ 30 กันยายน 2026 ใช้สัญญาอนุญาต MIT และตรงกับโพสต์วันที่ 2 ตุลาคมมากที่สุด: สกิล Claude Code ที่เปลี่ยนไอเดียให้เป็นภาพยนตร์สั้น MP4 ที่มีเสียงบรรยาย พร้อมแอนิเมชันที่วาดด้วยโค้ด ดนตรี เอฟเฟกต์เสียง เสียง Gemini TTS และคำบรรยาย เสียงนี้ถูกระบุชื่อในคำอธิบาย ซึ่งเป็นวิธีที่ซื่อสัตย์ในการเปิดตัวสิ่งนี้: ผู้ให้บริการรายที่สองเป็น dependency ที่ประกาศไว้ ไม่ใช่สิ่งที่ซ่อนอยู่

• samuelstroschein/opus-video-generator — สร้างเมื่อวันที่ 2 ตุลาคม ได้รับสัญญาอนุญาต MIT และมีจุดยืนชัดเจนที่สุดเกี่ยวกับข้อมูลรับรอง: มันสร้างวิดีโอเปิดตัวในเบราว์เซอร์ของคุณบนการสมัครสมาชิก Claude ของคุณเอง โดยรันผ่าน npx นั่นเป็นคำตอบที่แตกต่างต่อปัญหาสำคัญข้างต้น — เก็บสิทธิ์ที่มีอยู่เดิมของมนุษย์ไว้ในกระบวนการแทนที่จะสร้างคีย์ API ใหม่ให้กับเอเจนต์

• makevoid/motion-graphics-music-video-skill-noimage — สร้างเมื่อวันที่ 2 ตุลาคม ใช้สัญญาอนุญาต MIT และเป็นอันที่มีวินัยน่าลอกเลียนแบบ: มันระบุไว้ในคำอธิบายของตัวเองว่าไม่ใช้โมเดลภาพและไม่ใช้โมเดลวิดีโอ โดยสร้างโมชันกราฟิกจากแทร็กเพลงและพรอมต์ เมื่อขั้นตอนการสร้างเพียงอย่างเดียวคือโค้ด ผลลัพธ์จึงทำซ้ำได้ และไลเซนส์ของทุกแอสเซ็ตในชิ้นงานที่เสร็จสมบูรณ์ก็เป็นสิ่งที่คุณต้องพิจารณาเอง

• RohanRatwani/explainer-video-opus-5.5 — สร้างเมื่อวันที่ 2 ตุลาคม ใช้สัญญาอนุญาต MIT มุ่งเป้าไปที่วิดีโออธิบายแบบ 16:9 และ Shorts มากกว่าการรวบรวมข่าวซุบซิบ และระบุปัญหาด้านจังหวะเวลาอย่างชัดเจน: แอนิเมชันทุกชิ้นถูกกำหนดจังหวะให้ตรงกับเสียงบรรยาย การเรียงลำดับนั้นสำคัญ เพราะมันหมายความว่าเสียงถูกเรนเดอร์ก่อนที่ภาพจะถูกจัดวาง

• zhuyansen/awesome-opus-5.5-video — สร้างเมื่อวันที่ 27 กันยายน ไม่ได้ระบุสัญญาอนุญาต และเป็นที่เห็นได้ชัดเจนที่สุดในกลุ่มด้วย 67 ดาว ขณะที่ตัวอื่น ๆ มีเพียงหลักหน่วยหรือศูนย์เลย มันเป็นดัชนีมากกว่าเป็นเครื่องมือ มีทั้งภาษาอังกฤษและภาษาจีน และการมีอยู่ของมันเป็นสัญญาณที่มีประโยชน์เกี่ยวกับรูปร่างของความสนใจ สิ่งที่ผู้คนต้องการเป็นอันดับแรกคือบัญชีรายการของสิ่งที่คนอื่นอ้างว่าได้สร้างขึ้น แล้วเครื่องมือต่าง ๆ จึงตามมา

ไม่มีสิ่งใดในนี้เป็นดิเพนเดนซีที่เสถียร พวกมันเพิ่งมีอายุแค่ไม่กี่วัน มีผู้เขียนคนเดียว และเงื่อนไขสัญญาอนุญาตของมันคือสิ่งเดียวที่ขวางคุณไว้จากฟุตเทจที่คุณใช้ไม่ได้ แต่ทิศทางต่างหากคือประเด็น: พรอมป์ต์ในทวีตคือต้นแบบ และสกิลในรีโพซิทอรีคือสิ่งที่ทีมจะนำไปใช้จริง

สองเวอร์ชันภาษา หนึ่งเรื่องราว

โพสต์วันที่ 2 ตุลาคมเป็นแบบสองภาษาอย่างจงใจ — ฉบับภาษาอังกฤษและฉบับภาษาจีนในหัวข้อเดียวกัน นั่นเป็นเรื่องผิดปกติสำหรับเดโม และมันเผยให้เห็นความจริงบางอย่างเกี่ยวกับรูปแบบนี้ นั่นคือ ข่าวซุบซิบไม่ได้แพร่กระจายผ่านการแปล จุดที่ทำให้เรื่องเล่าไปได้ในตลาดหนึ่ง (ใครพูดอะไรกับใคร มีการออกคำปฏิเสธใด ไทม์ไลน์เป็นอย่างไร) ไม่ใช่จุดเดียวกันที่ทำให้เรื่องไปได้ในอีกตลาดหนึ่ง ดังนั้นฉบับที่สองจึงเป็นการเขียนใหม่ด้วยวิจารณญาณด้านบรรณาธิการที่ต่างออกไป ไม่ใช่การแปลรอบหนึ่ง สิ่งที่ถ่ายทอดไปได้คือโครงกระดูก: โครงสร้างเรื่องเดียวกัน สแตกการเรนเดอร์เดียวกัน น้ำเสียงเดียวกัน

ผลด้านต้นทุนนั้นเล็กน้อยและเป็นไปในทิศทางที่ดี จากตัวเลขข้างต้น การเพิ่มภาษาที่สองมีต้นทุนเสียงเพิ่มเติมประมาณแปดเซนต์ เมื่อเทียบกับเรื่องที่โมเดลได้ค้นคว้ามาแล้วครั้งหนึ่ง เมื่อส่วนที่แพงของไปป์ไลน์คือการให้เหตุผล และส่วนที่ถูกคือเอาต์พุต การผลิตเวอร์ชันที่สองในภาษาอื่นจึงแทบไม่มีค่าใช้จ่าย ซึ่งเป็นข้อสนับสนุนให้มองการโลคัลไลเซชันเป็นเอาต์พุตระดับแรกของเวิร์กโฟลว์ มากกว่าจะเป็นโครงการแยกต่างหาก

การทำให้ไม่ระบุตัวตนเป็นการแก้ไข ไม่ใช่การลบ

ช่องที่สามในบรีฟคือช่องที่ควรทำให้คุณชะลอความคิด การลดความอ่อนไหว ซึ่งเป็นเวอร์ชันที่ไม่ระบุตัวตนซึ่งลบชื่อบุคคลออก ถูกนำเสนอเป็นพารามิเตอร์ทางเลือก ราวกับว่าการลบชื่อเป็นฟิลเตอร์ที่คุณเปิดใช้ แต่ไม่ใช่ การรวบรวมข่าวซุบซิบเกี่ยวกับเหตุการณ์ที่ระบุตัวตนได้ แม้จะลบชื่อออกไป ก็มักจะยังเกี่ยวกับบุคคลนั้นอยู่ดี: ผู้อ่านเติมชื่อจากบริบท และทุกอย่างตั้งแต่พาดหัวไปจนถึงภาพย่อสามารถบ่งชี้ตัวตนได้ การตัดสตริงออกเปลี่ยนแปลงสิ่งที่วิดีโอบอกว่ามันเกี่ยวกับอะไร โดยไม่เปลี่ยนว่ามันเกี่ยวกับใคร และถ้าเหตุผลของคุณในการลบชื่อเป็นเรื่องทางกฎหมายหรือชื่อเสียง สตริงไม่ใช่ส่วนที่สร้างความเสี่ยง

มีสองสิ่งที่ตามมาสำหรับใครก็ตามที่นำรูปแบบนี้ไปใช้งาน ประการแรก หน้าที่ในการระบุแหล่งที่มาไม่ได้โอนย้ายไปจากคุณเพียงเพราะผู้นำเสนอเป็นสังเคราะห์: บทสรุปรวมที่สร้างขึ้นซึ่งดึงจากรายงานของคนอื่นย่อมสืบทอดพันธะในการบอกว่ารายงานนั้นมาจากไหน และบรีฟในโพสต์วันที่ 2 ตุลาคมไม่มีช่องสำหรับระบุแหล่งที่มาเลย — นั่นคือช่องว่างที่ผู้ดำเนินการต้องเติมด้วยมือ ประการที่สอง ชิ้นงานนี้เป็นของสังเคราะห์โดยชอบธรรม และผู้ฟังจะไม่ถูกบอกเช่นนั้นเว้นแต่คุณจะบอกพวกเขา ป้ายกำกับคือข้อความหนึ่งบรรทัด และมันคือความแตกต่างระหว่างเดโมกับเนื้อหาที่ทำให้ผู้ชมเข้าใจผิดเกี่ยวกับสิ่งที่กำลังดูอยู่ ถ้าคุณต้องการให้พารามิเตอร์แบกรับน้ำหนักนั้น ก็ใส่การเปิดเผยไว้ในบรีฟและถือว่ามันไม่ใช่ทางเลือก เช่นเดียวกับที่ผู้ให้บริการเสียงควรได้รับการระบุชื่อแทนที่จะซ่อนไว้

รันมันบนคีย์เดียว และคีย์เดียวที่มันยังไม่ครอบคลุม

หากคุณกำลังสร้างไปป์ไลน์นี้ ต้นทุนของการผสานรวมไม่ได้อยู่ที่การเรียกโมเดล แต่อยู่ที่ข้อมูลรับรองชุดที่สอง Claude Opus 5.5 สามารถกำหนดเส้นทางได้แล้ววันนี้ในชื่อ anthropic/claude-opus-5.5 ในราคาตามที่ Anthropic ประกาศเองที่ 4 และ 20 ดอลลาร์ต่อล้านโทเคน ส่งผ่านโดยบวกเพิ่ม 0% ดังนั้นการปรับราคาของผู้ให้บริการจะไปถึงบิลของคุณในวันเดียวกัน แทนที่จะไปถึงตอนทบทวนสัญญาครั้งถัดไป การกำหนดเส้นทางมันควบคู่ไปกับสแตกอื่น ๆ ของคุณผ่านปลายทางที่เข้ากันได้กับ OpenAI เพียงจุดเดียว คือสิ่งที่กำจัด SDK ชุดที่สองออกไป และ การสลับไปใช้ระบบสำรองอัตโนมัติ คือสิ่งที่ทำให้คุณลองโมเดลที่ใหม่กว่าหรือยังพิสูจน์น้อยกว่าในงานเรนเดอร์ภายในได้ โดยไม่ต้องให้เส้นทางโปรดักชันต้องผูกติดกับมัน

ขอบเขตที่ตรงไปตรงมาคือเสียง Google's Gemini 3.8 Flash TTS และ Flash-Lite TTS ยังไม่มีอยู่ในแคตตาล็อกของเราในวันนี้ — API โมเดลสาธารณะส่งคืน not-found สำหรับ google/gemini-3.8-flash-tts — ดังนั้นเวิร์กโฟลว์ในโพสต์วันที่ 2 ตุลาคมจึงจำเป็นต้องใช้คีย์ Google ของผู้เขียนเองจริง ๆ และนั่นคือข้อจำกัดจริง ไม่ใช่ข้อจำกัดชั่วคราวที่เราแค่โบกมือผ่านได้ ปลายทาง TTS ที่เรามีให้บริการจริงคือ google/gemini-3.1-flash-tts-preview รุ่นเก่ากว่า ในราคา $1.00 ต่อล้านโทเค็นข้อความขาเข้า และ $20.00 ต่อล้านโทเค็นเสียงขาออก ใช้งานได้ในโครงร่างไปป์ไลน์เดียวกัน ตั้งราคาไว้สำหรับเจนเนอเรชันเก่า และไม่ใช่โมเดลที่เวิร์กโฟลว์นี้สร้างขึ้นมา จงเลือกเส้นทางของคุณอย่างรู้เท่าทัน — คีย์หนึ่งสำหรับตัวให้เหตุผล และอีกคีย์สำหรับเสียง หรือคีย์เดียวกับ TTS รุ่นเก่า

ดูอะไรดี

สิ่งที่จะทำให้รูปแบบนี้น่าเบื่อในความหมายที่ดี คือความสามารถด้านเสียงบนโมเดลที่ผลิตขึ้นมา ตราบใดที่ Claude Opus 5.5 — หรืออะไรก็ตามที่มาแทนมัน — ยังไม่สามารถฟังแทร็กที่มันสั่งทำและปรับแก้ได้ เสียงก็ยังคงเป็นขั้นตอนที่ต้องตรวจทานด้วยมือ และไปป์ไลน์เหล่านี้ก็ยังคงมีมนุษย์อยู่ในลูปโดยโครงสร้างมากกว่านโยบาย จับตาดูคลังทักษะในช่วงสองสัปดาห์ข้างหน้ามากกว่าตัวเดโม: สิ่งที่จะอยู่รอดคือสิ่งที่ประกาศผู้ขายของตน มีสัญญาอนุญาต และให้คุณรันบรีฟเดิมซ้ำแล้วได้วิดีโอเดิม พรอมป์ต์ในโพสต์วันที่ 2 ตุลาคมจะดูเหมือนเป็นส่วนที่ง่าย เพราะมันง่ายจริง ๆ

สำหรับไปป์ไลน์ที่มีเนื้อหาและสคริปต์ของตัวเองอยู่แล้ว ให้คำนวณตัวเลขของคุณเองแทนการไปยืมตัวเลขจาก X: ที่ 25 โทเคนต่อวินาที เสียงบรรยายที่เสร็จสมบูรณ์ทุก ๆ 1 นาที จะเท่ากับ 1,500 โทเคนเสียง และประมาณ 1.35 เซนต์ ตามอัตราค่าใช้จ่ายของ Flash TTS ในปัจจุบัน — เป็นตัวเลขที่คุณตรวจสอบเทียบกับตารางราคาได้ก่อนที่จะจองคิวการผลิตให้กับโฮสต์สังเคราะห์