ถอดเสียงภาษาไทยที่ดีที่สุด สำหรับงานประชุม ซับไตเติล และ Voice Agent

ข้อมูลผู้ให้บริการทุกข้อด้านล่างลิงก์ไปยังเอกสารของผู้ให้บริการรายนั้นเอง ตามที่หน้าเปรียบเทียบของเราตรวจไว้เมื่อเดือนตุลาคม 2569 เราไม่ให้คะแนนและไม่จัดอันดับผู้ให้บริการรายใด ราคาที่แต่ละรายประกาศไว้อยู่ในหน้าเปรียบเทียบ API ถอดเสียง ซึ่งตรวจซ้ำทุกเดือน

อ่านรายการภาษาของแต่ละรายทีละโมเดล AssemblyAI ระบุภาษาไทยไว้สำหรับ Universal-2 ส่วน Universal-3.5 Pro ไม่มีภาษาไทย และส่งภาษาที่อยู่นอกรายการต่อไปให้ Universal-2 ได้ คู่มือการสลับภาษาของ AssemblyAI ระบุว่า Universal-2 เป็นรุ่น legacy

Deepgram ระบุภาษาไทย (th, th-TH) สำหรับ Nova-3 และ Nova-2 หน้า Chirp 3 ของ Google ระบุภาษาไทยในระดับ Preview Speechmatics มีภาษาไทยในรายการ และ ElevenLabs ระบุภาษาไทยไว้ในกว่า 90 ภาษาของ Scribe v2

บทถอดการประชุมต้องบอกได้ว่าใครพูด การแยกผู้พูดของ Deepgram ใส่ค่าผู้พูดให้ทุกคำ พร้อมค่าความมั่นใจสำหรับไฟล์บันทึกเสียง และใช้ได้กับโมเดล Nova แบบ batch ทุกตัว ElevenLabs แยกผู้พูดได้ถึง 32 คนบน Scribe v2

AssemblyAI ติดป้ายตัวอักษรให้แต่ละช่วงพูด เช่น A, B และ C และแนะนำให้ผู้พูดแต่ละคนพูดต่อเนื่องอย่างน้อย 30 วินาที ส่วนรายการภาษาสำหรับแยกผู้พูดของ Chirp 3 ไม่มีภาษาไทย

Paxa STT Lite ซึ่งเป็นพรีวิวงานวิจัย แยกช่วงพูดพร้อมหมายเลขผู้พูดให้ไฟล์ที่ยาวไม่ถึง 9 นาที โดยไม่ระบุว่าใครเป็นใคร การประชุมที่ยาวกว่านั้นให้ตัดตรงช่วงเงียบ แต่ละท่อนจะนับหมายเลขผู้พูดใหม่ของตัวเอง หน้างานประชุม หน้าไฟล์บันทึกสายโทร และคู่มือช่วงผู้พูดในบทถอดสายโทร มีรายละเอียดเพิ่ม

การประชุมเรื่องสินค้าและสายบริการลูกค้าเต็มไปด้วยชื่อแบรนด์และศัพท์เฉพาะ ผู้ให้บริการทุกรายในหัวข้อนี้รับรายการคำที่ให้ระบบคาดไว้ล่วงหน้าได้ Speech adaptation บน Chirp 3 ของ Google รับได้ถึง 1,000 วลี Keyterm prompting ของ Deepgram ใช้ได้บน Nova-3 และ Flux โดยรับคำสำคัญได้สูงสุด 500 โทเคนต่อคำขอ ส่วน ElevenLabs รับได้ถึง 1,000 คำสำหรับไฟล์บันทึกเสียง และ 50 คำสำหรับงานเรียลไทม์

Paxa STT Lite ซึ่งเป็นพรีวิวงานวิจัย รับคลังคำศัพท์ได้สูงสุด 50 คำ คำละไม่เกิน 50 ตัวอักษร เป็นภาษาไทยหรือภาษาอื่นก็ได้ คำเหล่านี้ช่วยโน้มการรู้จำไปทางตัวสะกดของคุณ และไม่เคยถูกแทรกเข้าไปเอง

คนไทยมักเรียกชื่อสินค้าหรือศัพท์เทคนิคเป็นภาษาอังกฤษแล้วพูดไทยต่อ บทถอดที่ใช้งานได้จึงต้องเก็บแต่ละคำไว้ในภาษาที่พูดออกมา

Speechmatics มีภาษาไทยในรายการ และโมเดล Melia 1 สลับระหว่างภาษาในรายการได้โดยไม่ต้องเลือกภาษา ส่วนโมเดล Enhanced และ Standard ใช้ภาษาที่เลือกไว้หนึ่งภาษา หรือชุดภาษาที่กำหนดตายตัว และไม่มีชุดไหนรวมภาษาไทย

บน Universal-2 ของ AssemblyAI รายการภาษาที่กำหนดเองใส่ได้สูงสุดสองรหัส โดยหนึ่งในนั้นต้องเป็นภาษาอังกฤษ และโมเดลตรวจจับได้สูงสุดสองภาษาต่อไฟล์ ตัวเลือกหลายภาษาของ Nova-3 ของ Deepgram ครอบคลุมสิบภาษาโดยไม่มีภาษาไทย ส่วน Chirp 3 ของ Google เมื่อตั้งภาษาเป็น auto จะถอดภาษาหลักของไฟล์

Paxa STT Lite ซึ่งเป็นพรีวิวงานวิจัย เขียนประโยคไทยที่สลับเป็นภาษาอังกฤษตามที่พูดจริง โดยไม่ต้องตั้งค่าภาษาและไม่มีการแปล คู่มือเรื่องการสลับภาษา อธิบายว่าเรื่องนี้มีผลต่อการค้นหาอย่างไร

ภาษาไทยไม่เว้นวรรคระหว่างคำ บรรทัดซับไตเติลที่ตัดตามจำนวนตัวอักษรจึงอาจผ่ากลางคำ

Paxa STT Lite ซึ่งเป็นพรีวิวงานวิจัย ส่งไฟล์ SRT หรือ WebVTT มาในคำตอบเดียวกับบทถอด ทุกจุดขึ้นบรรทัดใหม่อยู่ตรงขอบคำ รวมถึงภาษาไทย และกำหนดความยาวบรรทัดเองได้

AssemblyAI ส่งออกบทถอดที่เสร็จแล้วเป็น SRT หรือ VTT จากเอนด์พอยต์ของตัวเอง โดยใช้ chars_per_caption กำหนดจำนวนตัวอักษรสูงสุดต่อช่วง ส่วนคู่มือคำบรรยายของ Deepgram แปลงบทถอด JSON เป็น WebVTT หรือ SRT ในโค้ดของคุณเองด้วยแพ็กเกจ @deepgram/captions

จะเลือกรายไหนก็ตาม ให้เปิดไฟล์กับคลิปภาษาไทยแล้วดูว่าแต่ละบรรทัดตัดตรงไหน หน้าซับไตเติล และคู่มือทำคำบรรยายจาก Timestamp ระดับคำ แสดงบรรทัดภาษาไทยที่ตัดตรงรอยต่อคำ ส่วนหน้าคำบรรยายวิดีโอ พูดถึงขั้นตอนทำงานกับวิดีโอ

ElevenLabs Scribe รับไฟล์ยาวได้ถึง 10 ชั่วโมงในโหมดมาตรฐาน และAPI ของ ElevenLabs ดึงไฟล์จาก URL และส่งผลไปที่ webhook ได้ Deepgram รับไฟล์ได้ถึง 2 GB และตอบ 504 เมื่อการประมวลผลบนโมเดล Nova ใช้เวลาเกิน 10 นาที

Speechmatics รับไฟล์ตั้งแต่ 1 GB ขึ้นไปผ่าน URL ให้ระบบดึงไฟล์ และแนะนำให้ใช้การแจ้งเตือนเพื่อติดตามสถานะงาน หน้า Chirp 3 ของ Google ระบุว่า BatchRecognize เหมาะกับเสียงยาวหนึ่งนาทีถึงหนึ่งชั่วโมง หรือไม่เกิน 20 นาทีเมื่อขอ Timestamp ระดับคำ และการถอดแบบ batch อ่านได้เฉพาะไฟล์ที่เก็บใน Cloud Storage

Paxa STT Lite ซึ่งเป็นพรีวิวงานวิจัย ถอดได้สูงสุด 60 นาทีและ 25 MiB ต่อคำขอ ไฟล์ที่ยาวกว่านั้นให้ตัดตรงช่วงเงียบแล้วส่งเป็นหลายคำขอ หน้างานบรรยาย แสดงขั้นตอนทำงาน

การถอดเสียงสดต้องตัดสินว่ารอบพูดแต่ละรอบจบตรงไหน และผู้ให้บริการแต่ละรายวางการตัดสินนี้ไว้คนละที่

Paxa STT Lite Realtime ซึ่งเป็นพรีวิวงานวิจัย ตัดสินเรื่องนี้ในเซสชันเอง ผ่าน WebSocket เดียวที่แจ้งเมื่อผู้ใช้เริ่มและหยุดพูด แล้วส่งบทถอดฉบับสุดท้ายหนึ่งชุดต่อรอบพูด โดยไม่มีค่าให้ตั้ง รับเสียง PCM 16 บิตที่ 16 หรือ 48 kHz หรือ μ-law ที่ 8 kHz ตามที่ระบบโทรศัพท์ส่งมา

คู่มือเรียลไทม์ของ ElevenLabs ให้ฝั่งผู้ใช้ยืนยันช่วงบทถอดเองเป็นค่าเริ่มต้น หรือยืนยันเมื่อความเงียบถึงเกณฑ์ที่ตั้งไว้ด้วยกลยุทธ์ตรวจจับเสียงพูด บน Melia 1 ของ Speechmatics งานเรียลไทม์แยกผู้พูดได้เฉพาะตามช่องเสียง และฝั่งไคลเอนต์ต้องส่ง ForceEndOfUtterance เมื่อผู้พูดพูดจบ

ก่อนเริ่มสร้าง ให้ตรวจว่ารายการภาษาของตัวโมเดลแบบสดเองมีภาษาไทย หน้าถอดเสียงสด คู่มือรอบพูดในการถอดเสียงสด และบทความเรื่อง Voice Agent อธิบายฝั่ง Paxa

คู่มือถอดเสียงจากไฟล์ของ OpenAI แนะนำ gpt-transcribe บน /v1/audio/transcriptions สำหรับไฟล์ไม่เกิน 25 MB และหน้าการเลิกใช้งานของ OpenAI ระบุว่า whisper-1 gpt-4o-transcribe gpt-4o-mini-transcribe และ gpt-4o-transcribe-diarize จะถูกถอดออกจาก API ในวันที่ 26 กุมภาพันธ์ 2570

/v1/audio/transcriptions ของ Paxa รับคำสั่ง audio.transcriptions.create แบบเดียวกันที่ base URL ใหม่ โดยตั้ง model เป็น paxa-stt-lite-v1-preview ซึ่งเป็นพรีวิวงานวิจัย

• เลือกไฟล์เสียงสามไฟล์ที่เหมือนงานจริง เช่น ไฟล์ที่เสียงชัด ไฟล์ที่มีเสียงรบกวน และไฟล์ที่พูดไทยปนอังกฤษ
• ส่งแต่ละไฟล์เข้าผู้ให้บริการทุกรายที่อยู่ในงานของคุณ ด้วยการตั้งค่าเดียวกัน
• อ่านบทถอดเทียบกับเสียง ตรงชื่อ ตัวเลข และคำปฏิเสธ
• ให้คะแนนภาษาไทยที่ระดับตัวอักษรหรือพยางค์ คู่มือวัดความแม่นยำ อธิบายว่าทำไม WER จึงหลอกตาเมื่อใช้กับภาษาไทย
• ดูไฟล์เสียงภาษาไทยที่ถอดออกมาทีละคำได้ที่หน้าถอดเสียง

ถอดเสียงภาษาไทยเจ้าไหนดีที่สุด#

เจ้าที่ตรงกับงานของคุณ Voice Agent ต้องตรวจจับรอบพูดได้ ส่วนทีมวิดีโอต้องการไฟล์ซับไตเติล ลองถอดไฟล์เสียงของคุณเองกับผู้ให้บริการที่อยู่ในงานของคุณ แล้วอ่านบทถอดเทียบกัน

พรีวิวงานวิจัยหมายความว่าอย่างไรสำหรับ Paxa STT Lite#

Paxa STT Lite และ Paxa STT Lite Realtime เปิดให้ใช้ผ่าน API และ Console ระหว่างการประเมิน บทถอดและตัวเลือกอาจเปลี่ยนแปลงได้ในรุ่นถัดไป และบันทึกการเปลี่ยนแปลงในหน้าถอดเสียง ระบุไว้ทุกครั้ง

ผลิตภัณฑ์เดียวใช้ผู้ให้บริการถอดเสียงหลายรายได้ไหม#

ได้ แต่ละรายใช้คีย์และคำขอของตัวเอง ผลิตภัณฑ์หนึ่งจึงส่งการถอดเสียงสดไปที่ผู้ให้บริการรายหนึ่ง และส่งไฟล์ยาวไปที่อีกรายได้

ดูราคาได้ที่ไหน#

ที่หน้าเปรียบเทียบ API ถอดเสียง ซึ่งแสดงราคาที่แต่ละรายประกาศไว้สำหรับไฟล์บันทึกเสียง และตรวจซ้ำทุกเดือน

มีการเปรียบเทียบความแม่นยำไหม#

ไม่มี เราไม่เผยแพร่ตัวเลขความแม่นยำ คุณภาพ หรือความหน่วง ทั้งของโมเดลเราและของรายอื่น ลองถอดไฟล์เดียวกันกับทุกบริการที่กำลังพิจารณา แล้วอ่านบทถอดเทียบกัน