Paxa Labs
คู่มือ

API ถอดเสียงที่ดีที่สุดสำหรับเสียงหลายภาษาและประโยคที่พูดปนกันสองภาษา

API ถอดเสียงรายไหนเหมาะกับเสียงภาษาไทย อังกฤษ จีนกลาง หรือประโยคที่พูดไทยปนอังกฤษ พร้อมการตรวจจับภาษาและการใช้งานแบบสด อ้างอิงจากเอกสารของผู้ให้บริการแต่ละราย

· Paxa Labs · อ่าน 11 นาที

สำหรับเสียงที่พูดปนกันหลายภาษาในประโยคเดียว เอกสารของผู้ให้บริการห้ารายระบุว่ารองรับ Paxa STT Lite เขียนแต่ละคำตามภาษาที่พูดโดยไม่ต้องตั้งค่าภาษา ส่วน Soniox, Speechmatics Melia 1, Gladia Solaria-1 และ Amazon Transcribe ต่างระบุว่าถอดเสียงที่สลับภาษาในไฟล์เดียวได้ ถ้าเสียงของคุณมีภาษาเดียว ให้เริ่มจากรายการภาษาของแต่ละรายแล้วอ่านทีละโมเดล

ข้อมูลผู้ให้บริการทุกข้อด้านล่างลิงก์ไปยังเอกสารของผู้ให้บริการรายนั้นเอง ตามที่หน้าเปรียบเทียบของเราตรวจไว้เมื่อเดือนตุลาคมและพฤศจิกายน 2569 เราไม่ให้คะแนนและไม่จัดอันดับผู้ให้บริการรายใด ราคาที่แต่ละรายประกาศไว้อยู่ในหน้าเปรียบเทียบ API ถอดเสียง ซึ่งตรวจซ้ำทุกเดือน

หมายเหตุ

Paxa STT Lite และ Paxa STT Lite Realtime ยังเป็นพรีวิวงานวิจัยทั้งคู่ บทถอดและตัวเลือกอาจเปลี่ยนแปลงได้ในรุ่นถัดไป และหน้าถอดเสียงบันทึกการเปลี่ยนแปลงไว้ทุกครั้ง

ภาพรวม API ถอดเสียงหลายภาษา#

บริการภาษาเสียงปนหลายภาษาและการตรวจจับภาษาซับไตเติลและเวลาของแต่ละคำเสียงสด
Paxa STT Lite (พรีวิวงานวิจัย)หลายภาษา โดยระบุภาษาไทย อังกฤษ และจีนกลางไว้เขียนเสียงที่พูดปนกันตามที่พูด และตรวจจับภาษาให้เอง โดยจะบอกภาษาไว้ก่อนก็ได้Timestamp ระดับคำ พร้อมไฟล์ SRT และ WebVTT ในคำตอบเดียวกันPaxa STT Lite Realtime (พรีวิวงานวิจัย) ตรวจจับรอบพูดอัตโนมัติ
Sonioxกว่า 60 ภาษาในราคาเดียวตามทันเมื่อผู้พูดเปลี่ยนภาษากลางประโยค และแต่ละ token ระบุภาษาได้เวลาเริ่มและจบของทุก tokenWebSocket ที่ส่ง token ปิดท้ายเมื่อผู้พูดพูดจบ
Speechmaticsรายการภาษาที่ประกาศไว้มีภาษาไทยMelia 1 สลับระหว่างภาษาในรายการได้โดยไม่ต้องเลือกภาษาเวลาของแต่ละคำในงานแบบ batchMelia 1 แบบเรียลไทม์ โดยฝั่งผู้ใช้เป็นคนแจ้งว่าพูดจบ
GladiaSolaria-1 รองรับทุกภาษาในตาราง รวมภาษาไทยและจีนมีตัวเลือก code switching ที่คืนภาษาที่ตรวจพบของแต่ละช่วงพูดและแต่ละคำส่งออก SRT และ VTTเซสชันสดบน Solaria-1
Amazon Transcribeระบุภาษาไทยและจีนตัวย่อทั้งแบบ batch และ streamingการระบุหลายภาษาครอบคลุมกรณีที่ผู้พูดเปลี่ยนภาษากลางบทสนทนาWebVTT และ SubRip จากงานวิดีโอแบบ batchStreaming ผ่าน HTTP/2 หรือ WebSocket
AssemblyAI18 ภาษาบน Universal-3.5 Pro และ 99 ภาษาบน Universal-2Universal-3.5 Pro ตามผู้พูดที่เปลี่ยนภาษากลางประโยคได้ใน 18 ภาษาของโมเดลส่งออก SRT และ VTTStreaming ที่ส่งข้อความเมื่อจบแต่ละรอบพูด
Deepgramกว่า 45 ภาษาบนโมเดล Novaตัวเลือกหลายภาษาของ Nova-3 ครอบคลุมสิบภาษาแพ็กเกจ captions ที่สร้าง WebVTT หรือ SRT ในโค้ดของคุณFlux ในภาษาอังกฤษ หรือ 10 ภาษา
ElevenLabs Scribeกว่า 90 ภาษาบน Scribe v2คาดเดาภาษาให้เมื่อคำขอไม่ระบุรหัสภาษาหน้าที่อ้างอิงในบทความนี้ไม่ได้ระบุเรียลไทม์ โดยยืนยันข้อความเองหรือยืนยันเมื่อเงียบ
Google Chirp 3ระบุภาษาไทยในระดับ Previewเมื่อตั้งเป็น auto จะถอดภาษาหลักของไฟล์Timestamp ระดับคำสำหรับเสียงแบบ batch ไม่เกิน 20 นาทีหน้าที่อ้างอิงในบทความนี้ไม่ได้ระบุ
Rev AIกว่า 58 ภาษาสำหรับไฟล์ และกว่า 9 ภาษาสำหรับ streamingมีรายการหลายภาษาหนึ่งรายการ คืออังกฤษกับสเปนคำบรรยายแบบ SRT หรือ VTTStreaming กว่า 9 ภาษา ส่วนภาษาไทยรองรับเฉพาะไฟล์

API ถอดเสียงรายไหนเหมาะกับภาษาของคุณ#

คำตอบเปลี่ยนไปตามภาษา เพราะจำนวนภาษาที่ผู้ให้บริการประกาศไว้ไม่ได้บอกว่าโมเดลไหนอ่านภาษาไหน ให้ดูรายการภาษาของโมเดลที่คุณจะเรียกใช้จริง

ภาษาไทยอยู่ในรายการของ Deepgram สำหรับ Nova-3 และ Nova-2 ของ Speechmatics ของ ElevenLabs สำหรับ Scribe v2 ของ Gladia สำหรับ Solaria-1 และของ Amazon Transcribe ทั้งแบบ batch และ streaming หน้า Chirp 3 ของ Google ระบุภาษาไทยในระดับ Preview AssemblyAI ระบุภาษาไทยไว้สำหรับ Universal-2 ส่วน Universal-3.5 Pro ไม่มีภาษาไทย และ Rev AI รองรับภาษาไทยเฉพาะไฟล์ ไม่มี streaming คู่มือเลือกบริการถอดเสียงภาษาไทยไล่ดูภาษาไทยทีละงาน

ภาษาจีนกลางเป็นหนึ่งใน 18 ภาษาของ Universal-3.5 Pro ของ AssemblyAI Deepgram ระบุภาษาจีนกลางตัวย่อสำหรับ Nova-3 และ Nova-2 Amazon Transcribe ระบุ zh-CN ทั้งแบบ batch และ streaming Gladia ระบุภาษาจีนบน Solaria-1 และ Rev AI ระบุภาษาจีนกลางตัวย่อ

สำหรับภาษาในยุโรป Gladia ระบุ Solaria-3 สำหรับภาษาอังกฤษ ฝรั่งเศส เยอรมัน อิตาลี และสเปน ส่วนตัวเลือกหลายภาษาของ Deepgram ครอบคลุมภาษาอังกฤษ สเปน ฝรั่งเศส เยอรมัน ฮินดี รัสเซีย โปรตุเกส ญี่ปุ่น อิตาลี และดัตช์

Paxa STT Lite ซึ่งเป็นพรีวิวงานวิจัย ถอดเสียงได้หลายภาษา ทั้งภาษาไทย อังกฤษ จีนกลาง และภาษาอื่น ถ้าเสียงของทีมเป็นภาษายุโรปข้างต้นเพียงภาษาเดียว ผู้ให้บริการรายอื่นมีตัวเลือกที่เอกสารระบุไว้มากกว่า

API ถอดเสียงรายไหนเหมาะกับเสียงที่พูดสองภาษาปนกัน#

คนที่พูดได้สองภาษามักเปลี่ยนภาษากลางประโยค วิศวกรไทยเรียกชื่อสินค้าเป็นภาษาอังกฤษแล้วพูดไทยต่อจนจบ บทถอดที่ใช้งานได้จึงต้องเก็บแต่ละคำไว้ในภาษาที่พูดออกมา

หน้าภาษาไทยของ Soniox ระบุว่าโมเดลตามทันเมื่อผู้พูดสลับระหว่างภาษาไทยกับภาษาอื่นภายในประโยคเดียวกัน บน Speechmatics โมเดล Melia 1 สลับระหว่างภาษาในรายการได้โดยไม่ต้องเลือกภาษา ส่วน Enhanced และ Standard ใช้ภาษาที่เลือกไว้หนึ่งภาษาหรือชุดภาษาที่กำหนดตายตัว คู่มือ code switching ของ Gladia เปิดการสลับภาษาด้วยการตั้งค่าหนึ่งรายการ และแนะนำให้ใส่รายการภาษาที่คาดว่าจะเจอแบบสั้น ๆ ส่วนการระบุหลายภาษาของ Amazon Transcribe ถอดทุกภาษาที่รองรับในไฟล์ รวมถึงกรณีที่ผู้พูดเปลี่ยนภาษากลางบทสนทนา

ผู้ให้บริการสองรายจำกัดคู่ภาษาไว้ Universal-3.5 Pro ของ AssemblyAI ตามผู้พูดที่เปลี่ยนภาษากลางประโยคได้ใน 18 ภาษาของโมเดล ส่วน Universal-2 ตรวจจับได้ไม่เกินสองภาษาต่อไฟล์ และรายการภาษาที่กำหนดเองต้องมีภาษาอังกฤษเป็นหนึ่งในนั้น Rev AI มีรายการหลายภาษาหนึ่งรายการ คืออังกฤษกับสเปน

Paxa STT Lite ซึ่งเป็นพรีวิวงานวิจัย เขียนประโยคที่สลับภาษาออกมาตามที่พูด โดยไม่ต้องตั้งค่าภาษาและไม่แปล คู่มือถอดเสียงไทยปนอังกฤษแสดงตัวอย่างไฟล์เสียง และผลที่บทถอดมีต่อการค้นหา

API ถอดเสียงรายไหนตรวจจับภาษาที่พูดได้เอง#

การตรวจจับภาษาสำคัญเมื่อไฟล์เสียงเข้ามาโดยไม่มีป้ายบอกภาษา เช่น คิวงานบริการลูกค้าที่ดูแลหลายประเทศ เอกสาร API ของ ElevenLabs คาดเดาภาษาให้เมื่อคำขอไม่ส่ง language_code Soniox ใส่ฟิลด์ภาษาให้แต่ละ token เมื่อเปิดการระบุภาษา และหน้าราคาของ Soniox รวมการระบุภาษาไว้ในอัตราต่อชั่วโมง Gladia ระบุว่า Solaria-1 ตรวจหาภาษาเองได้ทั้งภาษาไทยและจีน

Chirp 3 ของ Google เมื่อตั้งเป็น auto จะถอดภาษาหลักของไฟล์ Amazon Transcribe ระบุ en-US, th-TH และ zh-CN ไว้ในภาษาของการระบุหลายภาษา และระบุว่าใช้การปิดบังข้อมูลและ custom language model ร่วมกับโหมดนี้ไม่ได้

Paxa STT Lite ซึ่งเป็นพรีวิวงานวิจัย ตรวจจับภาษาให้เองเมื่อคำขอไม่ระบุภาษา จะบอกภาษาไว้ก่อนก็ได้ และไม่มีผลต่อค่าใช้จ่าย

API ถอดเสียงรายไหนมีการแปลในตัว#

ผู้ให้บริการสามรายมีการแปลอยู่คู่กับการถอดเสียง หน้าราคาของ Speechmatics มีการแปลเป็นหนึ่งในบริการเสริมของไฟล์บันทึกเสียง Gladia คิดราคาการแปลเป็นบริการเสริมรายชั่วโมง และ Soniox คิดค่าแปลตามจำนวน token ที่ใช้

Paxa แยกสองขั้นตอนนี้ออกจากกัน Paxa STT Lite คืนบทถอดในภาษาที่พูด แล้ว API แปลภาษาในบัญชีเดียวกันแปลบทถอดเป็นอีกภาษา พร้อมอภิธานศัพท์สำหรับชื่อสินค้า วิธีพากย์วิดีโอด้วย AIต่อสองขั้นตอนนี้เข้ากับเสียงพูด

API หลายภาษารายไหนถอดเสียงสดได้#

บทถอดแบบสดต้องตัดสินว่าแต่ละรอบพูดจบตรงไหน Endpoint detection ของ Soniox คืน token <end> เมื่อโมเดลเห็นว่าผู้พูดพูดจบแล้ว Streaming API ของ AssemblyAI ส่งข้อความ Turn ที่มี end_of_turn เป็น true Flux ของ Deepgram ตรวจจับการจบรอบพูดในตัวโมเดล ทั้งภาษาอังกฤษและ 10 ภาษาด้วย flux-general-multi ส่วนบน Melia 1 ของ Speechmatics ฝั่งผู้ใช้ส่ง ForceEndOfUtterance เมื่อผู้พูดพูดจบ

ภาษาที่รองรับแบบสดมักน้อยกว่าแบบไฟล์ คำถามที่พบบ่อยของ Rev AI ระบุกว่า 58 ภาษาสำหรับไฟล์ และกว่า 9 ภาษาสำหรับ streaming คู่มือถอดเสียงสดของ Gladia ใช้ Solaria-1 เท่านั้น และกับ gpt-live-transcribe ของ OpenAI แอปพลิเคชันเป็นฝ่ายยืนยันแต่ละรอบพูดหลังตรวจพบว่าเสียงพูดจบแล้ว

Paxa STT Lite Realtime ซึ่งเป็นพรีวิวงานวิจัย คือการถอดเสียงแบบสตรีมมิงหลายภาษาที่ตรวจจับรอบพูดอัตโนมัติ ระบบแจ้งเมื่อผู้ใช้เริ่มและหยุดพูด แล้วส่งบทถอดฉบับสุดท้ายหนึ่งชุดต่อรอบพูด หน้าถอดเสียงเรียลไทม์แสดงตัวอย่างเซสชัน และคู่มือเทียบการถอดเสียงเรียลไทม์กับไฟล์บันทึกช่วยเลือกระหว่างสองแบบ

API รายไหนเหมาะกับงานคำบรรยาย ซับไตเติล และ Media Monitoring#

งานคำบรรยายต้องการไฟล์ซับ ส่วนงาน Media Monitoring ต้องอ่านไฟล์เสียงยาวหลายภาษาตามรอบเวลา AssemblyAI Gladia และ Rev AI ส่งออก SRT และ VTT ได้ทั้งสามราย Amazon Transcribe เขียนไฟล์ WebVTT และ SubRip ของงานวิดีโอแบบ batch ไว้ในตำแหน่ง S3 เดียวกับบทถอด

ไฟล์บันทึกรายการออกอากาศมักยาว Rev AI ระบุความยาวเสียงสูงสุด 17 ชั่วโมง และ ElevenLabs Scribe รับไฟล์ได้ถึง 10 ชั่วโมงในโหมดมาตรฐาน Amazon Transcribe กำหนดสูงสุด 28,800 วินาทีและ 2 GB ต่อไฟล์ ส่วน Gladia รับ 135 นาทีต่อคำขอ และยาวกว่านั้นในแพลนองค์กร

Paxa STT Lite ซึ่งเป็นพรีวิวงานวิจัย ถอดเสียงได้สูงสุด 120 นาทีและ 95 MiB ต่อคำขอ และคืนไฟล์ SRT หรือ WebVTT ในคำตอบเดียวกัน โดยทุกจุดขึ้นบรรทัดใหม่ตรงกับขอบเขตของคำ ไฟล์ที่ยาวกว่านั้นให้ตัดตรงช่วงหยุดพูด หน้าสร้างซับไตเติล หน้างานคำบรรยาย และหน้า Media Monitoring แสดงขั้นตอนของแต่ละงาน และคู่มือ Timestamp ระดับคำอธิบายเวลาที่อยู่เบื้องหลังคำบรรยาย

API หลายภาษารายไหนแม่นที่สุดในทุกภาษา#

ยังไม่มีตัวเลขสาธารณะใดตอบคำถามนี้ให้กับเสียงของคุณได้ ความแม่นยำเปลี่ยนไปตามภาษา ไมโครโฟน สำเนียง และความถี่ที่ผู้พูดสลับภาษา ผู้ให้บริการที่ทำได้ดีกับพอดแคสต์ภาษาอังกฤษอาจทำได้ด้อยกว่ากับไฟล์บันทึกสายโทรภาษาไทย วิธีที่เชื่อถือได้คือทดสอบกับไฟล์เสียงของคุณเอง

  • เลือกไฟล์เสียงสามไฟล์ที่ใกล้กับงานจริง เช่น ไฟล์เสียงชัด ไฟล์ที่มีเสียงรบกวน และไฟล์ที่พูดสองภาษาปนกัน
  • ส่งแต่ละไฟล์ให้ผู้ให้บริการทุกรายที่อยู่ใต้คำถามของคุณ ด้วยการตั้งค่าเดียวกัน
  • อ่านบทถอดเทียบกับเสียงตรงชื่อเฉพาะ ตัวเลข และคำที่ผู้พูดเปลี่ยนภาษา
  • ให้คะแนนภาษาไทยและจีนเป็นรายตัวอักษร คู่มือวัดความแม่นยำอธิบายว่าทำไม word error rate จึงใช้กับภาษาที่เขียนไม่เว้นวรรคได้ไม่ดี

อ่านหรือลองอะไรต่อดี#

คำถามที่พบบ่อย#

Amazon Transcribe ใช้ถอดเสียงวิดีโอภาษาไทยเป็นข้อความได้ไหม#

ใช้ได้ ตารางภาษาของ Amazon Transcribe ระบุภาษาไทย (th-TH) ทั้งแบบ batch และ streaming และหน้ารูปแบบไฟล์นำเข้าอ่านไฟล์ MP4 และ WebM จาก Amazon S3 bucket งานวิดีโอแบบ batch คืนซับไตเติล WebVTT และ SubRip ได้ ตารางเดียวกันระบุว่าภาษาไทยยังใช้ custom language model และการปิดบังข้อมูลไม่ได้ หน้าเปรียบเทียบกับ Amazon Transcribe วางไว้คู่กับ Paxa STT Lite

ผู้ให้บริการ API ถอดเสียงรายไหนรองรับผู้ซื้อในยุโรป#

มีข้อมูลสามข้อจากหน้าของผู้ให้บริการที่ช่วยตอบได้ Gladia ประกาศราคาเป็นเงินยูโร หน้าภาษาไทยของ Soniox ระบุภูมิภาคประมวลผลในสหภาพยุโรป คู่กับสหรัฐฯ ญี่ปุ่น และอินเดีย และแพลน Enterprise ของ Speechmatics ระบุ container สำหรับติดตั้งในองค์กรและการรันบนอุปกรณ์ ควรยืนยันภูมิภาคและเงื่อนไขสัญญากับผู้ให้บริการก่อนส่งเสียง

API เดียวถอดเสียงทุกภาษาในผลิตภัณฑ์ได้ไหม#

ส่วนใหญ่ได้ แต่ต้องดูทั้งโมเดลและโหมด ภาษาที่รองรับแบบไฟล์อาจไม่มีในแบบ streaming และโมเดลรุ่นใหม่อาจรองรับภาษาน้อยกว่ารุ่นก่อน ผลิตภัณฑ์เดียวส่งแต่ละภาษาไปยังผู้ให้บริการคนละรายก็ได้ โดยแต่ละรายใช้ key ของตัวเอง

บทถอดหลายภาษาบอกได้ไหมว่าใครเป็นคนพูด#

บริการส่วนใหญ่ในตารางมีป้ายผู้พูดสำหรับไฟล์บันทึกเสียง Paxa STT Lite ซึ่งเป็นพรีวิวงานวิจัย คืนรอบพูดพร้อมหมายเลขผู้พูดสำหรับไฟล์ที่ยาวไม่เกิน 120 นาที โดยไม่ระบุตัวตนของใคร คู่มือรอบพูดของผู้พูดเทียบวิธีที่แต่ละรายติดป้ายผู้พูด

พรีวิวงานวิจัยของ Paxa STT Lite หมายความว่าอย่างไร#

Paxa STT Lite และ Paxa STT Lite Realtime เปิดให้ใช้งานจริงทั้งบน API และใน Console ระหว่างที่ยังอยู่ในช่วงประเมินผล บทถอดและตัวเลือกอาจเปลี่ยนแปลงได้ในรุ่นถัดไป และบันทึกการเปลี่ยนแปลงในหน้าถอดเสียงระบุไว้ทุกครั้ง

มีผลเปรียบเทียบความแม่นยำเผยแพร่ไหม#

ไม่มี เราไม่เผยแพร่ตัวเลขความแม่นยำ คุณภาพ หรือความหน่วง ทั้งของโมเดลเราเองและของรายอื่น ให้ถอดไฟล์เสียงเดียวกันกับทุกบริการที่กำลังพิจารณา แล้วอ่านบทถอดเทียบกัน

อ่านต่อ

คู่มืออื่น