ถอดเสียงแบบเรียลไทม์ พร้อมตรวจจับรอบพูด
Voice Agent ควรตอบเมื่อผู้โทรพูดจบแล้วเท่านั้น แต่เสียงที่ส่งเข้ามาไม่มีอะไรบอกว่ารอบพูดจบตรงไหน
Paxa STT Lite Realtime ซึ่งเป็นพรีวิวงานวิจัย ถอดเสียงผ่าน WebSocket เดียวขณะที่กำลังพูด แจ้งเมื่อแต่ละรอบพูดเริ่มและจบ แล้วส่งบทถอดฉบับสุดท้ายหนึ่งชุดต่อหนึ่งรอบพูด ถอดเสียงภาษาไทยเป็นหลัก และถอดภาษาอื่นได้ด้วย
เซสชันเดียว ทีละรอบพูด#
ข้อความคอลเซ็นเตอร์สามชุดที่เล่นต่อกันในเซสชันเดียวโดยเว้นช่วงระหว่างกัน กับทุกรอบพูดที่ WebSocket รายงาน Event ในตัวอย่างสร้างจากรอบพูดที่บันทึกจากการเรียกจริง คือเวลาเริ่ม เวลาจบ และบทถอดฉบับสุดท้ายของแต่ละรอบ
- 0:00สวัสดีค่ะ
- 0:01ขอบคุณที่ติดต่อบริษัทของเรากด 1 เพื่อติดต่อฝ่ายขายกด 2 ฝ่ายบริการลูกค้าหรือกด 0 เพื่อติดต่อเจ้าหน้าที่ค่ะ
- 0:11สวัสดีค่ะคุณสมชายยอดชำระของท่านจำนวน 1,250 บาท
- 0:17ครบกำหนดวันที่ 15 สิงหาคมนี้
- 0:20ชำระผ่านแอปได้ตลอด 24 ชั่วโมงค่ะ
- 0:24ขณะนี้อยู่นอกเวลาทำการ
- 0:27เราเปิดให้บริการวันจันทร์ถึงศุกร์เวลา 9 โมงเช้าถึง 6 โมงเย็น
- 0:32ฝากข้อความหลังเสียงสัญญาณได้เลยค่ะ
ข้อความคอลเซ็นเตอร์สามชุด สร้างด้วย Paxa TTS Flash v2 แล้วเล่นต่อกันในเซสชันเดียว
{"type":"speech_started","turn":1,"time":0} {"type":"speech_ended","turn":1,"time":1.06} {"type":"transcript","turn":1,"is_final":true,"text":"สวัสดีค่ะ","start":0,"end":1.06} {"type":"speech_started","turn":2,"time":1.06} {"type":"speech_ended","turn":2,"time":9.93} {"type":"transcript","turn":2,"is_final":true,"text":"ขอบคุณที่ติดต่อบริษัทของเรากด 1 เพื่อติดต่อฝ่ายขายกด 2 ฝ่ายบริการลูกค้าหรือกด 0 เพื่อติดต่อเจ้าหน้าที่ค่ะ","start":1.06,"end":9.93} {"type":"speech_started","turn":3,"time":11.13} {"type":"speech_ended","turn":3,"time":17.36} {"type":"transcript","turn":3,"is_final":true,"text":"สวัสดีค่ะคุณสมชายยอดชำระของท่านจำนวน 1,250 บาท","start":11.13,"end":17.36} {"type":"speech_started","turn":4,"time":17.38} {"type":"speech_ended","turn":4,"time":20.3} {"type":"transcript","turn":4,"is_final":true,"text":"ครบกำหนดวันที่ 15 สิงหาคมนี้","start":17.38,"end":20.3} {"type":"speech_started","turn":5,"time":20.3} {"type":"speech_ended","turn":5,"time":23.36} {"type":"transcript","turn":5,"is_final":true,"text":"ชำระผ่านแอปได้ตลอด 24 ชั่วโมงค่ะ","start":20.3,"end":23.36} {"type":"speech_started","turn":6,"time":24.55} {"type":"speech_ended","turn":6,"time":27.23} {"type":"transcript","turn":6,"is_final":true,"text":"ขณะนี้อยู่นอกเวลาทำการ","start":24.55,"end":27.23} {"type":"speech_started","turn":7,"time":27.23} {"type":"speech_ended","turn":7,"time":32.17} {"type":"transcript","turn":7,"is_final":true,"text":"เราเปิดให้บริการวันจันทร์ถึงศุกร์เวลา 9 โมงเช้าถึง 6 โมงเย็น","start":27.23,"end":32.17} {"type":"speech_started","turn":8,"time":32.17} {"type":"speech_ended","turn":8,"time":34.63} {"type":"transcript","turn":8,"is_final":true,"text":"ฝากข้อความหลังเสียงสัญญาณได้เลยค่ะ","start":32.17,"end":34.63}
paxa-stt-lite-realtime-v1-preview · บันทึกเมื่อ 15 ต.ค. 2569
จากไมโครโฟนเป็นรอบพูด#
การเชื่อมต่อเดียวรองรับทั้งบทสนทนา และเซสชันเป็นผู้ตัดสินว่าแต่ละรอบพูดจบตรงไหน
เปิดการเชื่อมต่อ
เชื่อมต่อ /v1/stt/live โดยใส่ API Key ใน Header Authorization แล้วส่งเฟรม start ที่ระบุ paxa-stt-lite-realtime-v1-preview และรูปแบบเสียง
สตรีมเสียง
ส่งเสียงเป็น Binary Frame ระหว่างที่บันทึก รองรับ PCM 16 บิตที่ 16 หรือ 48 kHz หรือ mu-law ที่ 8 kHz แบบโมโน WebSocket จะส่ง speech_started เมื่อผู้ใช้เริ่มพูด และ speech_ended เมื่อหยุดพูด
อ่านแต่ละรอบพูด
Event transcript ที่มี is_final เป็น true คือบทถอดของรอบพูดที่จบแล้ว ระหว่างนั้นอาจมีบทถอดชั่วคราวมาก่อนตรงช่วงเว้นจังหวะ แล้วถูกแทนที่ด้วยฉบับสุดท้าย เมื่อจบบทสนทนาให้ส่ง end แล้วรอ done
Paxa STT Lite Realtime ราคา $0.75 ต่อชั่วโมงของเสียงที่ได้รับ รวมช่วงเงียบด้วย
คำถาม#
รองรับเสียงแบบไหน
PCM 16 บิตที่ 16 หรือ 48 kHz หรือ mu-law ที่ 8 kHz แบบที่สายโทรศัพท์ส่งมา เป็นโมโนทั้งคู่ การเชื่อมต่อหนึ่งครั้งรับเสียงได้ถึง 4 ชั่วโมงก่อนปิดด้วย done
เสียงของ Agent เองจะถูกนับเป็นรอบพูดไหม
ส่งเฟรม playback ที่ตั้ง speaking เป็น true ระหว่างที่เสียงของ Agent กำลังเล่น และ false เมื่อหยุด เซสชันจะคาดไว้ว่าผู้ใช้อาจพูดแทรก และไม่นับเสียงสะท้อนของ Agent เป็นรอบพูด
เชื่อมต่อจากเบราว์เซอร์ได้ไหม
เบราว์เซอร์ใส่ Header ของ API Key ในการเชื่อมต่อ WebSocket ไม่ได้ และ API Key ควรอยู่บนเซิร์ฟเวอร์ของคุณ ให้ส่งเสียงจากไมโครโฟนผ่านเซิร์ฟเวอร์ของคุณ ส่วนโหมดเรียลไทม์ใน Console ใช้ไมโครโฟนของคุณได้เลยเมื่อลงชื่อเข้าใช้
พรีวิวงานวิจัยหมายความว่าอะไร
Paxa STT Lite Realtime เปิดขายในอัตราที่ประกาศระหว่างการประเมิน ผลลัพธ์และตัวเลือกอาจเปลี่ยนแปลงได้ในรุ่นถัดไป
เริ่มต้นด้วยเครดิตฟรี
เข้าสู่ระบบด้วย Google, GitHub หรือ Hugging Face แล้วใช้เครดิตฟรี 100 เครดิตกับข้อความของคุณเอง