Speech to Text หรือ STT คือซอฟต์แวร์ที่ฟังเสียงพูดแล้วเขียนถ้อยคำออกมาเป็นข้อความ เราส่งไฟล์เสียงหรือเสียงพูดสดเข้าไป แล้วได้บทถอดกลับมา เทคโนโลยีเดียวกันนี้เรียกอีกอย่างว่าการถอดเสียง ระบบรู้จำเสียงพูด และ ASR (Automatic Speech Recognition)
การพิมพ์ด้วยเสียงบนมือถือ คำบรรยายวิดีโอที่ทำเสร็จในไม่กี่นาที และการค้นหาประโยคเดียวจากการประชุมยาวหนึ่งชั่วโมง ล้วนใช้เทคโนโลยีนี้ ส่วน Text to Speech ทำงานตรงข้ามกัน และบทความเปรียบเทียบวางสองแบบไว้ข้างกัน
Speech to Text ทำงานอย่างไร#
ทุกระบบทำงานสามขั้นตามลำดับ ไม่ว่าจะสร้างขึ้นด้วยวิธีใด
- ฟังเสียงระบบตัดไฟล์เสียงเป็นช่วงสั้น ๆ ช่วงละเสี้ยววินาที แล้ววัดว่าแต่ละช่วงมีความถี่เสียงใดบ้างและดังเท่าไร ผลที่ได้คือภาพของเสียงตลอดช่วงเวลา
- จับคู่เสียงกับคำโครงข่ายประสาทเทียมที่เรียนรู้จากเสียงพูดจำนวนมากคู่กับบทถอด อ่านภาพนั้นแล้วทำนายว่าคำใดน่าจะเป็นที่มาของเสียง บริบทเป็นตัวตัดสินเมื่อเสียงใกล้กัน คำรอบข้างบอกได้ว่าคำพ้องเสียงคำไหนคือคำที่ผู้พูดหมายถึง
- เขียนเป็นข้อความระบบเขียนคำออกมาพร้อมเครื่องหมายวรรคตอนและการแบ่งประโยค ขั้นนี้ยังกำหนดด้วยว่าตัวเลข วันที่ และหน่วย จะปรากฏบนหน้าในรูปใด
ระบบรุ่นแรกรู้จำได้ทีละคำ จากผู้พูดคนเดียว และจากรายการคำสั้น ๆ ระบบปัจจุบันรับเสียงพูดต่อเนื่องจากคนที่ไม่เคยได้ยินมาก่อน จึงใช้กับการประชุมที่อัดด้วยโน้ตบุ๊กได้
ถอดเสียงจากไฟล์กับแบบเรียลไทม์ต่างกันอย่างไร#
การถอดเสียงจากไฟล์รับไฟล์ที่อัดเสร็จแล้ว และคืนบทถอดทั้งหมดในครั้งเดียว Paxa STT Lite ทำงานแบบนี้ กับไฟล์ที่ยาวไม่เกิน 120 นาที เหมาะกับการประชุม สัมภาษณ์ การบรรยาย และวิดีโอ
การถอดเสียงแบบเรียลไทม์ฟังเสียงพูดสด และคืนข้อความขณะที่บทสนทนายังดำเนินอยู่ Paxa STT Lite Realtime คือการถอดเสียงแบบสตรีมมิงที่ตรวจจับรอบพูดอัตโนมัติ ระบบแจ้งว่าผู้พูดเริ่มพูดเมื่อไร หยุดเมื่อไร และพูดอะไรในรอบนั้น คำบรรยายสดและ Voice Agent ต้องใช้แบบนี้ บทความเทียบเรียลไทม์กับไฟล์บันทึกช่วยเลือกให้ตรงงาน
Speech to Text ให้อะไรกลับมาบ้าง#
บทถอดคือสิ่งที่ได้เป็นอย่างน้อย บริการส่วนใหญ่เพิ่มข้อมูลอื่นให้ได้ และสี่อย่างนี้ควรรู้จักชื่อไว้
| ผลลัพธ์ | คืออะไร | ใช้ทำอะไร |
|---|---|---|
| บทถอด | ถ้อยคำที่พูดในรูปข้อความ | อ่าน ค้นหา ยกคำพูด และสรุป |
| เวลาระดับคำ | วินาทีที่แต่ละคำเริ่มและจบ | กระโดดไปฟังประโยคที่ต้องการ และจับเวลาคำบรรยาย ดูบทความเรื่องเวลาระดับคำ |
| หมายเลขผู้พูด | บทถอดที่แบ่งเป็นช่วงพูด แต่ละช่วงกำกับด้วยผู้พูด 0 ผู้พูด 1 ไปตามลำดับ | แยกผู้สัมภาษณ์ออกจากแขก หรือแยกพนักงานออกจากลูกค้า |
| ไฟล์คำบรรยาย | ไฟล์ SRT หรือ VTT ที่ทุกบรรทัดมีเวลากำกับ | อัปโหลดคู่กับวิดีโอ ดูเครื่องมือสร้างซับไตเติล |
การตั้งค่าสองอย่างเปลี่ยนหน้าตาของข้อความ Paxa STT Lite เขียนตัวเลข หน่วย และวันที่ในภาษาไทยได้สองแบบ คือตามที่พูด ซึ่งเก็บไว้เป็นคำ และตามการเขียน ซึ่งใช้ตัวเลขแบบที่รายงานพิมพ์ บทความเรื่องตัวเลขแสดงทั้งสองแบบ ส่วนสไตล์มีแบบคำต่อคำ ที่เก็บคำอุทานและคำพูดติดขัดไว้ครบ กับแบบเรียบเรียง ที่ตัดสิ่งเหล่านั้นออกเพื่อให้อ่านง่ายขึ้น
คลังคำศัพท์รับชื่อคน ชื่อสินค้า และศัพท์เฉพาะได้สูงสุด 50 คำ เพื่อบอกโมเดลว่าคำที่น่าจะอยู่ในไฟล์เสียงสะกดอย่างไร
หมายเหตุ
Paxa STT Lite เป็นพรีวิวงานวิจัย บทถอดและตัวเลือกอาจเปลี่ยนแปลงได้ในรุ่นถัดไป
คนใช้ Speech to Text ทำงานอะไรบ้าง#
| งาน | บทถอดช่วยอะไร | อ่านต่อ |
|---|---|---|
| การประชุม | เป็นร่างรายงานการประชุม ที่ดึงมติและผู้รับผิดชอบออกจากข้อความได้ | งานประชุม |
| สายลูกค้า | ทำให้ทุกสายค้นหาได้ ทั้งเพื่อตรวจคุณภาพ อบรมพนักงาน และตรวจสอบข้อร้องเรียน | ไฟล์บันทึกการโทร |
| คำบรรยายวิดีโอ | กลายเป็นไฟล์คำบรรยายที่มีเวลากำกับ สำหรับคลิป คอร์สเรียน หรือรายการ | คำบรรยายวิดีโอ |
| สัมภาษณ์ | ให้นักวิจัยและนักข่าวยกคำพูดได้ตรงทุกคำ พร้อมวินาทีที่พูด | งานสัมภาษณ์ |
| การบรรยายและอบรม | เป็นเอกสารประกอบที่ผู้เรียนค้นหาและทบทวนได้ | งานบรรยาย |
| โน้ตเสียง | เปลี่ยนสิ่งที่พูดเตือนตัวเองไว้ให้เป็นข้อความที่วางต่อในที่ที่ต้องการได้ | โน้ตเสียง |
| พิมพ์ด้วยเสียง | เขียนเอกสารไปพร้อมกับที่ผู้เขียนพูด | พิมพ์ด้วยเสียง |
| คำบรรยายสดและ Voice Agent | ส่งถ้อยคำของแต่ละรอบพูดขณะที่บทสนทนายังดำเนินอยู่ | ถอดเสียงสด และ AI Voice Agent คืออะไร |
ความแม่นยำของ Speech to Text วัดอย่างไร#
มาตรวัดมาตรฐานคืออัตราคำผิด หรือ WER (Word Error Rate) ซึ่งนับคำที่บทถอดเขียนผิด ตกหล่น หรือเกินมา แล้วหารด้วยจำนวนคำที่พูดจริง ค่ายิ่งต่ำยิ่งดี ภาษาที่เขียนโดยไม่เว้นวรรคระหว่างคำมักวัดด้วยอัตราอักขระผิด หรือ CER ซึ่งนับตัวอักษรด้วยวิธีเดียวกัน อภิธานศัพท์ ASRนิยามทั้งสองคำไว้ และบทความเรื่องการวัดความแม่นยำอธิบายวิธีวัดกับไฟล์เสียงของคุณเอง
คะแนนที่ประกาศไว้บอกผลกับไฟล์เสียงชุดที่ใช้วัดเท่านั้น เสียงที่อัดในสตูดิโอได้คะแนนดีกว่าสายโทรศัพท์ในรถที่กำลังวิ่งมาก และเป็นเช่นนี้กับทุกระบบ จึงควรทดสอบบริการด้วยไฟล์ที่เสียงใกล้เคียงกับงานจริงก่อนนำไปใช้
ทำไมบางภาษาถอดเสียงยากกว่าภาษาอื่น#
- คำเขียนติดกัน ภาษาไทยและภาษาจีนเขียนโดยไม่เว้นวรรคระหว่างคำ ระบบจึงต้องตัดคำให้ได้ก่อน เวลาของแต่ละคำและบรรทัดคำบรรยายจึงจะวางลงบนคำได้ถูก
- วรรณยุกต์เปลี่ยนความหมาย ภาษาไทยมีห้าเสียงวรรณยุกต์ และภาษาจีนกลางมีสี่เสียง พยางค์เดียวกันที่ต่างวรรณยุกต์เป็นคนละคำ ภาษาจีนกลางยังมีคำพ้องเสียงจำนวนมาก ซึ่งต้องอาศัยทั้งประโยคจึงรู้ว่าควรเขียนอักษรตัวใด
- หลายภาษาปนกันในประโยคเดียว คนไทยเรียกชื่อสินค้าหรือศัพท์เทคนิคเป็นภาษาอังกฤษแล้วพูดไทยต่อ บทถอดที่ดีเก็บแต่ละคำไว้ในภาษาที่พูดออกมา บทความเรื่องการสลับภาษาอธิบายผลที่มีต่อการค้นหา
- ตัวเลขถูกพูดออกมาเป็นคำ บทถอดจะเขียนเป็นคำหรือเป็นตัวเลขนั้นเลือกได้ และคำตอบขึ้นอยู่กับว่าใครเป็นผู้อ่าน
Paxa STT Lite ถอดเสียงได้ทั้งภาษาไทย อังกฤษ จีนกลาง และภาษาอื่น และตรวจจับภาษาให้เองเมื่อไม่ได้ระบุ
Speech to Text จับเสียงหัวเราะ จังหวะเงียบ หรือรู้ว่าใครพูดได้ไหม#
บทถอดเก็บถ้อยคำที่พูดออกมา สไตล์คำต่อคำเก็บคำอุทาน คำพูดติดขัด และการพูดแก้ของผู้พูดไว้ด้วย จังหวะเงียบปรากฏเป็นช่องว่างระหว่างเวลาจบของคำหนึ่งกับเวลาเริ่มของคำถัดไป และไฟล์คำบรรยายขึ้นช่วงใหม่ตรงจังหวะเงียบ
หมายเลขผู้พูดแยกเสียงต่าง ๆ ในไฟล์เดียวออกจากกัน โดยไม่ระบุตัวตนของใคร บทถอดเขียนว่าผู้พูด 0 และผู้พูด 1 แล้วผู้อ่านเป็นคนบอกเองว่าคนไหนคือพิธีกร
Speech to Text ราคาเท่าไร#
Speech to Text คิดราคาตามความยาวของเสียง การถอดเสียงแบบเรียลไทม์มีอัตราของตัวเอง คิดตามเสียงที่ได้รับ
| โมเดล | เครดิต | เงิน |
|---|---|---|
| Paxa STT Lite | 8.33 ต่อนาที | $0.50 ต่อชั่วโมง |
| Paxa STT Lite Realtime | 12.5 ต่อนาที | $0.75 ต่อชั่วโมง |
บัญชีใหม่ได้เครดิตฟรี 100 เครดิตโดยไม่ต้องผูกบัตร ถอดเสียงจากไฟล์ได้ประมาณ 12 นาที เครดิตฟรีใช้สำหรับงานส่วนตัวและการทดลอง เมื่อซื้อแพลนหรือแพ็กเครดิตใดก็ได้ บทถอดทั้งหมดของบัญชีจะนำไปใช้เชิงพาณิชย์ได้ รวมถึงชิ้นที่ทำไว้ก่อนซื้อ ตามที่ข้อกำหนดการใช้งานระบุไว้ และบทความเรื่องราคาถอดเทปเทียบอัตรานี้กับการจ้างคนพิมพ์
เริ่มลอง Speech to Text อย่างไร#
- เปิดเครื่องมือถอดเสียงเข้าสู่ระบบแล้วเปิดเครื่องมือถอดเสียง ลากไฟล์ที่ยาวไม่เกิน 120 นาทีและขนาดไม่เกิน 95 MiB มาวาง หรืออัดจากไมโครโฟนโดยตรง
- เลือกการตั้งค่าเลือกตัวเลขตามที่พูดหรือตามการเขียน เลือกสไตล์คำต่อคำหรือเรียบเรียง แล้วใส่ชื่อเฉพาะที่อยู่ในไฟล์เสียง
- อ่านเทียบกับเสียงกดถอดเสียง ตรวจชื่อและตัวเลขเทียบกับเสียงจริง แล้วคัดลอกข้อความหรือดาวน์โหลดไฟล์คำบรรยาย
วิธีถอดเทปแปลงไฟล์เสียงเป็นข้อความพาทำไฟล์แรกอย่างละเอียด รวมถึงวิธีอัดเสียงให้ถอดออกมาสะอาด
อ่านหรือลองอะไรต่อดี#
- ดูผลิตภัณฑ์ที่หน้า Speech to Text หรือเริ่มจากถอดเสียงออนไลน์
- อ่านเรื่องเสียงสดที่หน้าถอดเสียงเรียลไทม์
- ทำซับให้วิดีโอด้วยเครื่องมือสร้างซับไตเติล
- เทียบผู้ให้บริการที่หน้าเปรียบเทียบ API ถอดเสียง หรืออ่านว่า API ตัวไหนเหมาะกับเสียงหลายภาษา
- ทำตามขั้นตอนสำหรับการประชุม Zoom วิดีโอ YouTube พอดแคสต์ หรือบทสัมภาษณ์
คำถามที่พบบ่อย#
Speech to Text กับ ASR เหมือนกันไหม#
เหมือนกัน ASR ย่อมาจาก Automatic Speech Recognition หรือระบบรู้จำเสียงพูดอัตโนมัติ เป็นชื่อที่งานวิจัยใช้เรียกงานเดียวกัน ส่วน Speech to Text และการถอดเสียงเป็นชื่อที่ผลิตภัณฑ์ใช้ อภิธานศัพท์ ASRนิยามคำที่เกี่ยวข้องไว้
Speech to Text กับระบบจดจำเสียงคนเหมือนกันไหม#
เป็นงานคนละแบบ แม้คนมักเรียกปนกัน Speech to Text เขียนสิ่งที่พูดออกมาเป็นข้อความ ส่วนระบบจดจำเสียงคนตามความหมายเคร่งครัดคือการระบุว่าใครเป็นคนพูดจากลักษณะเสียง Paxa ถอดเสียงพูดโดยไม่ระบุตัวตนของใคร
Speech to Text ใช้กับภาษาไทยได้ไหม#
ได้ Paxa STT Lite ถอดเสียงภาษาไทย รวมถึงคำอังกฤษที่พูดแทรกในประโยคไทย และตัดคำภาษาไทยให้ เวลาของแต่ละคำและบรรทัดคำบรรยายจึงลงตรงขอบคำ คู่มือเลือก Speech to Text ภาษาไทยรวมบริการอื่นที่รองรับภาษาไทยไว้
Speech to Text แยกผู้พูดได้ไหม#
ได้ เมื่อบริการนั้นมีการแยกผู้พูด Paxa STT Lite คืนไฟล์เสียงเป็นช่วงพูดที่มีหมายเลขกำกับ หนึ่งช่วงต่อผู้พูดหนึ่งคน บทความเรื่องการแยกผู้พูดแสดงหน้าตาของบทถอดจากสายโทรศัพท์
Speech to Text ใช้ฟรีได้ไหม#
มือถือและคอมพิวเตอร์มีการพิมพ์ด้วยเสียงขั้นพื้นฐานให้ใช้ฟรีอยู่แล้ว สำหรับไฟล์เสียง เครดิตฟรี 100 เครดิตของบัญชี Paxa ใหม่ถอดได้ประมาณ 12 นาที โดยไม่ต้องผูกบัตร สำหรับงานส่วนตัวและการทดลอง