Paxa Labs
เข้าสู่ระบบ

บทความSpeech-to-Text

แบบพูดหรือแบบเขียน: บทถอดเสียงภาษาไทยเขียนตัวเลขอย่างไร

ภาษาไทยพูดตัวเลขทุกตัวเป็นคำ บทถอดเก็บคำไว้ก็ได้ หรือเปลี่ยนเป็นตัวเลขก็ได้ และผู้อ่านแต่ละแบบต้องการคนละอย่าง ควรขอแบบไหน และเมื่อไร

· อ่าน 1 นาที

เสียงพูดภาษาไทยพาตัวเลขมาเป็นคำ ราคาถูกพูดว่าสองพันสามร้อยห้าสิบบาท วันที่ถูกพูดว่าสิบห้ามกราคม และเวลาถูกพูดว่าเก้าโมงครึ่ง คนที่เขียนบรรทัดเดียวกันลงกระดาษเปลี่ยนแต่ละคำเป็นตัวเลขโดยไม่ต้องคิด โมเดลถอดเสียงต้องถูกบอกว่ากำลังเขียนแบบไหนในสองแบบ เพราะทั้งคู่ถูกต้อง และแต่ละแบบรับใช้ผู้อ่านคนละกลุ่ม

Paxa STT Lite เรียกสองรูปแบบนี้ว่ารูปแบบการเขียน แบบพูดเขียนสิ่งที่พูด แบบเขียนเขียนสิ่งที่หน้ากระดาษจะแสดง บทความนี้แสดงความต่างบนห้าบรรทัด แล้วบอกว่าผู้อ่านแบบไหนต้องการแบบใด และขอแต่ละแบบอย่างไร

ห้าบรรทัดเดิม สองครั้ง#

แบบพูดแบบเขียน
ยอดรวม สองพันสามร้อยห้าสิบบาทยอดรวม 2,350 บาท
นัดวันที่ สิบห้า มกราคมนัดวันที่ 15 มกราคม
ลดราคา ยี่สิบเปอร์เซ็นต์ลดราคา 20%
ประชุมเวลา เก้าโมงครึ่งประชุมเวลา 9:30
เด็ก ๆ ไปกันหมดแล้วเด็ก ๆ ไปกันหมดแล้ว

สี่แถวแรกเปลี่ยน ยอดเงินกลายเป็นตัวเลขจัดกลุ่มโดยเก็บหน่วยไว้เป็นคำ วันที่เก็บเดือนเป็นคำและวันเป็นตัวเลข เปอร์เซ็นต์กลายเป็นเครื่องหมาย เวลากลายเป็นชั่วโมงกับนาทีคั่นด้วยทวิภาค แถวที่ห้าเหมือนกันทั้งสองแบบ และเหตุผลคุ้มค่าจะเขียนหนึ่งย่อหน้า

ภาษาไทยซ้ำคำเพื่อบอกพหูพจน์หรือเน้น และหน้ากระดาษเขียนการซ้ำด้วยเครื่องหมายเดียว คือไม้ยมก ๆ เสียงพูดไม่มีเครื่องหมาย มันพูดคำนั้นสองครั้ง แบบเขียนเก็บเครื่องหมายไว้ตรงที่หน้ากระดาษจะพิมพ์ แบบพูดเก็บคำตามที่พูด และตรงนี้สองรูปแบบบังเอิญตรงกัน

ใครต้องการแบบไหน#

คำบรรยายวิดีโอต้องการแบบพูด ผู้ชมได้ยินคำและอ่านคำ ตัวเลขบนจอขณะที่ผู้พูดออกเสียงสี่พยางค์อ่านแล้วขัดกัน บันทึกคำต่อคำสำหรับกองบรรณาธิการหรือศาลต้องการแบบพูดด้วยเหตุผลเดียวกัน บทถอดคือหลักฐานของสิ่งที่พูด

โมเดลภาษาที่อ่านบทถอดมักต้องการแบบพูดเช่นกัน โมเดลอ่านคำบอกจำนวนภาษาไทยได้คล่องเท่าตัวเลข และแบบพูดเก็บประโยคไว้เป็นประโยคไทยหนึ่งประโยค พรอมต์ที่ขอให้โมเดลดึงยอดเงินได้คำตอบเดิมทั้งสองแบบ

บันทึกที่จะถูกค้นหา จัดเก็บ หรือจับคู่ด้วยกฎต้องการแบบเขียน กฎติดตามหนี้จับคู่กับ 3,500 บันทึกการประชุมที่ระบุกำหนดส่งต้องการ 15 มกราคม จดหมายที่บอกให้พิมพ์ต้องการอ่านเหมือนจดหมาย อะไรก็ตามที่ลงเอยในตารางหรือแบบฟอร์มต้องการตัวเลข

สองรูปแบบมาจากไฟล์เดียวกันและคำขอเดียวกัน ขอทั้งสองเมื่อบทถอดมีผู้อ่านสองกลุ่ม บทถอดสายโทรศัพท์จัดเก็บด้วยแบบเขียน และแสดงให้ผู้ตรวจ QA ด้วยแบบพูดได้

ขอแต่ละแบบอย่างไร#

แบบพูดคือค่าเริ่มต้น ส่ง convention เป็น "written" สำหรับอีกแบบ เวลาระดับคำเหมือนกันทั้งสองแบบ เพราะเวลาเป็นของเสียง และรูปแบบการเขียนเป็นของข้อความ

curl
AUDIO=$(base64 < meeting.m4a | tr -d '\n')
curl -X POST https://api.paxalabs.com/v1/stt \
  --max-time 300 \
  -H "Authorization: Bearer $PAXA_API_KEY" \
  -H "Content-Type: application/json" \
  -d "{\"audio\": \"$AUDIO\", \"model\": \"paxa-stt-lite-v1-preview\", \"convention\": \"written\"}"
Response
{
  "text": "สวัสดีค่ะคุณสมชายยอดชำระของท่านจำนวน 1,250 บาทครบกำหนดวันที่ 15 สิงหาคมนี้ชำระผ่านแอปได้ตลอด 24 ชั่วโมงค่ะ",
  "usage": {
    "seconds": 10.25,
    "credits": 1.43
  }
}

อีกหนึ่งรายละเอียดสำคัญสำหรับบทถอดแบบเขียน ตัวเลขที่กลายเป็นดิจิตอ่านจากคำที่โมเดลได้ยิน และภาษาไทยพูดจำนวนใหญ่ตามลำดับพัน ร้อย สิบ หน่วยที่ตายตัว จำนวนที่พูดผิดลำดับจะคงอยู่เป็นคำ ตรวจแบบเขียนกับเสียงตรงวินาทีที่พูดตัวเลข ซึ่งเวลาระดับคำให้คุณโดยไม่คิดเพิ่ม

ขั้นต่อไป#