Speech-to-Textพรีวิวงานวิจัย

ถอดเสียงภาษาไทยเป็นข้อความ เขียนในแบบที่คุณต้องการ

เริ่มต้นด้วย 100 เครดิตฟรี ไม่ต้องผูกบัตร

Paxa STT Lite ถอดเสียงบันทึกภาษาไทย และภาษาอื่นตามที่พูด ยาวได้ถึง 60 นาที พร้อมเวลาระดับคำ เลือกเขียนแบบพูดหรือแบบเขียนได้ คิด 8.33 เครดิตต่อนาทีโมเดลนี้เป็นพรีวิวงานวิจัย เปิดขายในอัตราที่ประกาศระหว่างการประเมิน ผลลัพธ์และตัวเลือกอาจเปลี่ยนแปลงได้ในรุ่นถัดไป

ไฟล์บันทึกเสียง: 8.33 เครดิตต่อนาที
เสียงสด: 12.5 เครดิตต่อนาที
ไฟล์ยาวสุดต่อคำขอ: 60 นาที
โมเดล: paxa-stt-lite-v1-preview

สายแจ้งเตือนยอดชำระ0:11

สวัสดีค่ะคุณสมชายยอดชำระของท่านจำนวน พันสองร้อยห้าสิบ บาทครบกำหนดวันที่ สิบห้า สิงหาคมนี้ชำระผ่านแอปได้ตลอด ยี่สิบสี่ ชั่วโมงค่ะ

บันทึกเมื่อ 15 ตุลาคม 2569ไฟล์เสียงนี้คือคลิปของหน้ากรณีใช้งานคอลเซ็นเตอร์ สร้างด้วย Paxa TTS Flash v2 บทถอดบนการ์ดและทั้งสองบทด้านล่างคือคำตอบจริงของโมเดลต่อคลิปนี้ นำมาแสดงโดยไม่แก้ไข

แบบพูด หรือแบบเขียน#

ตัวเลือกเดียวกำหนดว่าตัวเลข วันที่ เวลา และคำซ้ำจะเขียนอย่างไร ไฟล์เสียงเดียวกัน คำที่ต่างกันถูกไฮไลต์ไว้

ตามที่พูด

ตัวเลข วันที่ และเวลาเขียนเป็นคำอ่านตามที่ผู้พูดออกเสียง เหมาะกับบันทึกคำต่อคำ ซับไตเติลที่ต้องตามเสียง และข้อมูลฝึกโมเดล

สวัสดีค่ะคุณสมชายยอดชำระของท่านจำนวน 1,250 บาทครบกำหนดวันที่ 15 สิงหาคมนี้ชำระผ่านแอปได้ตลอด 24 ชั่วโมงค่ะ

ตามการเขียน

ตัวเลข หน่วย วันที่ และไม้ยมก ๆ เขียนตามแบบภาษาเขียน เหมาะกับรายงานการประชุม โน้ต ดัชนีค้นหา และทุกอย่างที่ผู้อ่านกวาดตาอ่าน

คำขอ ทีละฟิลด์#

หกฟิลด์กำหนดรูปร่างของบทถอด ไม่มีฟิลด์ใดเปลี่ยนราคา

ไฟล์เสียง

audio

MP3, WAV, FLAC, Ogg, M4A, AAC หรือ WebM ยาวไม่เกิน 60 นาทีและไม่เกิน 25 MiB ส่งเป็น base64 ระบบอ่านความยาวจากไฟล์ก่อนตัดเครดิต ไฟล์ที่อ่านไม่ได้หรือใหญ่เกินจึงถูกปฏิเสธโดยไม่คิดเงิน

ภาษา

language

ค่าเริ่มต้นคือตรวจจับอัตโนมัติ ตั้งเป็น th หรือ en เมื่อการตรวจจับเลือกภาษาผิด เสียงพูดในอีกภาษายังถูกถอดตามที่พูด การประชุมภาษาไทยที่มีศัพท์อังกฤษจึงไม่ต้องตั้งค่าใด

เวลาระดับคำ

timestamps

ตั้งเป็น word แล้วทุกคำจะมาพร้อมเวลาเริ่มและจบเป็นวินาที ไฟล์เสียงด้านบนได้ช่วงคำกลับมา 26 ช่วง ด้านล่างคือช่วงแรก ๆ ภาษาไทยไม่เว้นวรรคระหว่างคำ ช่วงเวลาเหล่านี้จึงเป็นการตัดคำไปในตัว

{ "text": "สวัสดี", "start": 0.12, "end": 0.44 },
{ "text": "ค่ะ", "start": 0.52, "end": 0.66 },
{ "text": "คุณ", "start": 1.08, "end": 1.24 },
{ "text": "สมชาย", "start": 1.32, "end": 1.88 },
{ "text": "ยอด", "start": 2.36, "end": 2.56 },
{ "text": "ชำระ", "start": 2.6, "end": 2.879 },
…

คำบรรยาย

subtitles

ตั้งเป็น srt หรือ vtt แล้วคำตอบจะมีไฟล์คำบรรยายทั้งไฟล์ ช่วงคำบรรยายตัดตรงจุดเปลี่ยนผู้พูด จุดจบประโยค และช่วงเว้นจังหวะ จากนั้นตัดที่ 60 ตัวอักษรใน 2 บรรทัด ทุกจุดขึ้นบรรทัดใหม่อยู่ตรงขอบคำ คำบรรยายภาษาไทยจึงไม่ผ่ากลางคำ

ผู้พูด

diarization

ตั้งเป็น true แล้วคำตอบจะเพิ่มหนึ่งช่วงต่อหนึ่งช่วงพูด พร้อมหมายเลขผู้พูดนับจาก 0 ตามลำดับที่ปรากฏ ไม่ระบุตัวตนของใคร หากเปิดเวลาระดับคำด้วย ทุกคำจะระบุผู้พูดของตัวเอง การแยกผู้พูดอ่านไฟล์รวดเดียว ตัวเลือกนี้จึงใช้กับไฟล์ที่สั้นกว่า 9 นาที

สไตล์

style

verbatim ซึ่งเป็นค่าเริ่มต้นเขียนคำอุทานและคำพูดติดขัดตามที่พูด clean ตัดออกและรวมวลีที่ขาดตอนเข้าด้วยกัน แบบเรียบเรียงอ่านง่ายกว่าและตรงกับเสียงน้อยกว่า เป็นตัวเลือกเพื่อความอ่านง่าย ความแม่นยำอยู่กับแบบคำต่อคำ

คลังคำศัพท์

vocabulary

ศัพท์ที่น่าจะอยู่ในไฟล์เสียงได้สูงสุด 50 คำ คำละไม่เกิน 50 ตัวอักษร สะกดตามที่ควรปรากฏในบทถอด เช่น ชื่อสินค้า ชื่อคน สถานที่ ศัพท์เฉพาะ คลังคำศัพท์ใช้ร่วมกับทุกฟิลด์อื่นได้

ภาษาไทยเรียกร้องอะไรจากผู้ถอดเสียง#

ข้อเท็จจริงสามข้อเกี่ยวกับภาษาไทยกำหนดวิธีประเมินโมเดล และข้อที่สี่บอกวิธีให้คะแนน แหล่งอ้างอิงลิงก์ไว้ตรงจุดที่ตัวเลขปรากฏ

ไม่มีช่องว่าง

ภาษาไทยไม่ได้เว้นวรรคทุกคำ

ชุดทดสอบเสียงส่วนใหญ่นับคำที่ผิดทีละคำ แต่ภาษาไทยมักไม่เว้นวรรคระหว่างคำ จุดจบของคำจึงขึ้นกับตัวตัดคำ นี่คือเหตุผลที่ระบบถอดเสียงภาษาไทยมักวัดกันที่ตัวอักษร

ภาษาไทยพูดยังชอบย่อเสียง โรงเรียน มักฟังใกล้กับ โลงเลียน และ ครับ อาจหดเหลือ ขับ บทถอดจึงต้องหาให้เจอว่ารูปเขียนใดซ่อนอยู่หลังเสียง

ที่มา:arXiv (2026)(เปิดในแท็บใหม่)Cambridge (2005)(เปิดในแท็บใหม่)

เสียงเดียว สองคำตอบ

ตัวเลขเดียวมีบทถอดที่ถูกได้สองแบบ

ลองอ่าน 10150 ออกเสียง ถ้าเป็นรหัสไปรษณีย์จะอ่านทีละหลัก แต่ถ้าเป็นจำนวนจะอ่านเป็นตัวเลข เสียงเดียวกันอาจชัดเจนมาก ขณะที่บทถอดที่ถูกต้องยังต้องอาศัยบริบท

คำยืมมีปริศนาแบบเดียวกัน คำเดียวอาจมีรูปสะกดที่ยอมรับได้หลายแบบ การให้คะแนนจึงต้องแยกข้อผิดพลาดในการฟังออกจากตัวเลือกการสะกดที่ไม่ผิด

ที่มา:arXiv (2026)(เปิดในแท็บใหม่)Royal Society (10341)(เปิดในแท็บใหม่)

อังกฤษกลางประโยค

ภาษาอังกฤษมักโผล่มาตรงกลาง

นักวิจัยที่ศึกษาสุนทรพจน์การเมืองไทยพบการสลับเป็นอังกฤษราว 43 ครั้งต่อชั่วโมง แทบทั้งหมดเกิดกลางประโยคย่อย การสลับระหว่างประโยคพบได้น้อยมาก

งานวิจัยรายการโทรทัศน์ไทยอีกชิ้นพบรูปแบบเดียวกันในทุกประเภทรายการที่ศึกษา คำที่สลับมามักเป็นคำนามคำเดียว ตรงจุดที่ระบบภาษาไทยล้วนพลาดได้ง่าย

ที่มา:HASSS 23(2)(เปิดในแท็บใหม่)Manusya 6(2)(เปิดในแท็บใหม่)

คะแนนที่ยุติธรรม

คะแนนที่ยุติธรรมเริ่มจากวิธีการถอดความ

เราวัดผลโดยไม่สมมุติว่าช่องว่างคือขอบเขตคำ ปรับข้อความอ้างอิงตามวิธีอ่านตัวเลข และเก็บช่วงภาษาอังกฤษไว้ตรงจุดที่ผู้พูดสลับจริง

โมเดลจึงถูกหักคะแนนเฉพาะเมื่อฟังผิด การเว้นวรรคหรือสะกดต่างออกไปแต่ยังถูกต้องจะไม่เสียคะแนน เราจะเผยแพร่ตัวเลขความแม่นยำพร้อมวิธีวัดที่สร้างตัวเลขนั้นเสมอ

ส่งไฟล์เสียง แล้วอ่านบทถอด#

อ่านเอกสาร

ใช้กับ OpenAI SDK ได้: ชี้ OpenAI SDK มาที่เส้นทางนี้ แล้วเรียก audio.transcriptions.create โดยแนบไฟล์เสียงเป็น file part; /v1/audio/transcriptions
ไฟล์คำบรรยาย: ขอเป็น SubRip หรือ WebVTT แล้วคำตอบจะมีไฟล์ทั้งไฟล์ ทุกช่วงคำบรรยายตัดตรงขอบคำ; subtitles: "srt" | "vtt"
เรียลไทม์ผ่านซ็อกเก็ตเดียว: ส่งเสียงจากไมโครโฟนหรือสายโทรศัพท์เข้ามา แล้วรับบทถอดที่จบแล้วหนึ่งชุดต่อหนึ่งรอบพูด; /v1/stt/live

ข้อมูลอ้างอิง API

# Encode without line wrapping: wrapped base64 breaks the JSON string.
AUDIO=$(base64 < meeting.m4a | tr -d '\n')
# --max-time covers an hour-long recording; curl defaults to no limit.
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\"}"

import { readFile } from "node:fs/promises";

const audio = (await readFile("meeting.m4a")).toString("base64");

const response = await fetch("https://api.paxalabs.com/v1/stt", {
  method: "POST",
  headers: {
    Authorization: `Bearer ${process.env.PAXA_API_KEY}`,
    "Content-Type": "application/json",
  },
  body: JSON.stringify({ audio, model: "paxa-stt-lite-v1-preview" }),
  // A long recording can run for minutes; give it room.
  signal: AbortSignal.timeout(300_000),
});

if (!response.ok) throw new Error(`Transcription failed: ${response.status}`);
const { text, usage } = await response.json();
console.log(text, `${usage.credits} credits`);

import base64
import os

import requests

with open("meeting.m4a", "rb") as file:
    audio = base64.b64encode(file.read()).decode()

response = requests.post(
    "https://api.paxalabs.com/v1/stt",
    headers={"Authorization": f"Bearer {os.environ['PAXA_API_KEY']}"},
    json={"audio": audio, "model": "paxa-stt-lite-v1-preview"},
    # A long recording can run for minutes; give it room.
    timeout=300,
)
response.raise_for_status()
body = response.json()
print(body["text"], body["usage"]["credits"], "credits")

{
  "text": "สวัสดีค่ะคุณสมชายยอดชำระของท่านจำนวน พันสองร้อยห้าสิบ บาทครบกำหนดวันที่ สิบห้า สิงหาคมนี้ชำระผ่านแอปได้ตลอด ยี่สิบสี่ ชั่วโมงค่ะ",
  "usage": {
    "seconds": 11.952,
    "credits": 1.66
  }
}

เรียลไทม์พร้อมตรวจจับรอบพูด#

Paxa STT Lite Realtime ถอดเสียงจากไมโครโฟนหรือสายโทรศัพท์ขณะที่กำลังพูด ผ่าน WebSocket เดียวที่เปิดค้างไว้ตลอดบทสนทนา มันสังเกตเองว่าผู้ใช้เริ่มพูดและหยุดพูดเมื่อไร แล้วส่งบทถอดที่จบแล้วหนึ่งชุดต่อหนึ่งรอบพูด agent จึงไม่ต้องตัดสินว่ารอบพูดจบตรงไหน ด้านล่างคือเซสชันหนึ่งตามที่ซ็อกเก็ตรายงาน เล่นข้อความสามชุดต่อกัน แต่ละรอบพูดปิดเอง

0:00.0
สวัสดีค่ะ
0.23 เครดิต
0:01.0
ขอบคุณที่ติดต่อบริษัทของเรากด 1 เพื่อติดต่อฝ่ายขายกด 2 ฝ่ายบริการลูกค้าหรือกด 0 เพื่อติดต่อเจ้าหน้าที่ค่ะ
1.84 เครดิต
0:11.1
สวัสดีค่ะคุณสมชายยอดชำระของท่านจำนวน 1,250 บาท
1.55 เครดิต
0:17.3
ครบกำหนดวันที่ 15 สิงหาคมนี้
0.61 เครดิต
0:20.3
ชำระผ่านแอปได้ตลอด 24 ชั่วโมงค่ะ
0.64 เครดิต
0:24.5
ขณะนี้อยู่นอกเวลาทำการ
0.81 เครดิต
0:27.2
เราเปิดให้บริการวันจันทร์ถึงศุกร์เวลา 9 โมงเช้าถึง 6 โมงเย็น
1.03 เครดิต
0:32.1
ฝากข้อความหลังเสียงสัญญาณได้เลยค่ะ
0.51 เครดิต

8 รอบพูด เสียง 0:36 คิด 7.52 เครดิตเสียงคือคลิปสามชุดของกรณีใช้งานคอลเซ็นเตอร์ สร้างด้วย Paxa TTS Flash v2 เล่นเข้าเซสชันเดียวเมื่อ 15 ตุลาคม 2569 โดยเว้นช่วงระหว่างคลิป ขอบเขตรอบพูด บทถอด และค่าใช้จ่ายคือสิ่งที่ซ็อกเก็ตส่งมาจริง ไม่ได้แก้ไข

12.5 เครดิตต่อนาทีของเสียงที่รับเข้ามา ประมาณ $0.01 รวมช่วงเงียบ คิดตลอดบทสนทนา

อ้างอิงการถอดเสียงแบบเรียลไทม์

ราคา#

เครดิตต่อนาทีของไฟล์บันทึกเสียง: 8.33
เครดิตต่อนาทีของเสียงสด รวมช่วงเงียบ: 12.5
ไฟล์บันทึกเสียงหนึ่งชั่วโมง: $0.50500 เครดิต

คิดตามความยาวจริงถึงระดับมิลลิวินาที ขั้นต่ำ 0.1 เครดิตต่อคำขอ เวลาระดับคำ รูปแบบการเขียน คำใบ้ภาษา และคลังคำศัพท์ไม่เปลี่ยนราคา ไฟล์เสียง 0:11 ด้านบนคิด 1.66 เครดิต

เครดิตฟรี 100 เครดิตถอดเสียงได้ประมาณ 12 นาที

ดูราคาทั้งหมด

คำถามที่พบบ่อย#

ถอดเสียงภาษาอะไรได้บ้าง

ภาษาไทยเป็นหลัก และภาษาอื่นถอดตามที่พูด รวมถึงไฟล์เสียงที่สลับไทยกับอังกฤษกลางประโยค เสียงพูดในภาษาใดจะถูกเขียนในภาษานั้น

แม่นยำแค่ไหน

เราจะไม่เผยแพร่ตัวเลขความแม่นยำจนกว่าจะเผยแพร่วิธีประเมินไปพร้อมกัน บันทึกด้านบนอธิบายว่าทำไม Word Error Rate ธรรมดาจึงหลอกตาในภาษาไทย ลองไฟล์เสียงของคุณเองในหน้าถอดเสียงได้ เครดิตแรกฟรี

คำขอที่ล้มเหลวคิดเงินไหม

ไม่คิด ระบบตัดเครดิตก่อนแล้วคืนให้อัตโนมัติเมื่อคำขอล้มเหลว คำขอที่ถูกปฏิเสธเพราะไฟล์อ่านไม่ได้หรือใหญ่เกินจะไม่ถูกคิดเงินเลย

ไฟล์เสียงยาวได้แค่ไหน

60 นาทีและ 25 MiB ต่อคำขอ ไฟล์ที่ยาวกว่านั้นให้ตัดตรงช่วงเงียบ แล้วส่งแต่ละส่วนพร้อมกันได้

แยกผู้พูดให้ไหม

แยกให้เมื่อร้องขอ ตั้ง diarization เป็น true แล้วแต่ละช่วงพูดจะมาพร้อมหมายเลขผู้พูด นับจาก 0 ตามลำดับที่ปรากฏ โมเดลไม่เคยบอกว่าผู้พูดคือใคร การแยกผู้พูดมาจากการอ่านไฟล์รวดเดียว จึงใช้กับไฟล์ที่สั้นกว่า 9 นาที ซึ่งสั้นกว่า 60 นาทีที่การถอดเสียงรับได้ การสรุปไม่ได้อยู่ในโมเดลนี้

ถอดเสียงสดได้ไหม

ได้ Paxa STT Lite Realtime อ่านเสียงจากไมโครโฟนหรือสายโทรศัพท์ผ่าน WebSocket เดียว หาขอบเขตรอบพูดเอง และส่งบทถอดที่จบแล้วหนึ่งชุดต่อหนึ่งรอบพูด คิด 12.5 เครดิตต่อนาทีของเสียงที่รับเข้ามา ส่วนเอนด์พอยต์ด้านบนใช้กับไฟล์ที่มีอยู่แล้ว อ่านรวดเดียวแล้วตอบบทถอดทั้งหมด

ไฟล์เสียงของฉันถูกเก็บไว้ไหม

ไฟล์เสียงและบทถอดถูกเก็บไว้โดยไม่ผูกกับตัวตนของบัญชี และใช้ฝึกโมเดล ข้อกำหนดการใช้งานและนโยบายความเป็นส่วนตัวอธิบายการใช้นั้น

อ่านเพิ่มเติม#

แพลตฟอร์มที่เชื่อมอยู่#

เครดิตเดียว

เครดิตใช้ร่วมกันได้ทุก API ของ Paxa เสียงพูด ถอดเสียง OCR และแปลภาษา ใช้จากกระเป๋าเดียวกัน ภายใต้ API key เดียว

ไม่คิดค่าบริการซ้ำ

ถ้าคำขอล้มเหลว ระบบคืนเครดิตให้อัตโนมัติ และหากส่งคำขอเดิมซ้ำเพราะการเชื่อมต่อหลุด ระบบจะไม่คิดค่าบริการซ้ำ

โครงสร้างเวลาที่ใช้ร่วมกัน

ช่วงเวลาระดับคำจากการถอดเสียงและจากการสังเคราะห์เสียงมีรูปร่างเดียวกัน คือ text, start, end คำบรรยายจึงไปกลับระหว่างสอง API ได้

บันทึกการเปลี่ยนแปลง#

24 ตุลาคม 2569
รองรับชื่อโมเดลถอดเสียงของ OpenAI และ verbose_json
POST /v1/audio/transcriptions รับชื่อ whisper-1 gpt-4o-transcribe gpt-4o-mini-transcribe gpt-4o-mini-transcribe-2025-03-20 gpt-4o-mini-transcribe-2025-12-15 ซึ่งทำงานบน paxa-stt-lite-v1-preview และส่งผลแบบ verbose_json ที่มีความยาวเสียงและช่วงข้อความ พร้อม Timestamp ระดับคำเมื่อระบุ timestamp_granularities
23 กันยายน 2569
ถอดเสียงแบบเรียลไทม์พร้อมตรวจจับรอบพูด
Paxa STT Lite Realtime (paxa-stt-lite-realtime-v1-preview) ถอดเสียงขณะพูดผ่าน WS /v1/stt/live และตรวจจับจุดจบของแต่ละรอบพูดเอง ออกแบบมาสำหรับ voice agent speech_started มาเมื่อผู้ใช้เริ่มพูด speech_ended และ transcript ฉบับสุดท้ายหนึ่งชุดมาเมื่อรอบพูดจบ รับ PCM 16 บิตหรือ mu-law จากระบบโทรศัพท์ ส่วนคำใบ้ภาษา สไตล์ รูปแบบการเขียน คลังคำศัพท์ และเวลาระดับคำของ POST /v1/stt ตั้งคงที่ต่อการเชื่อมต่อ คิด 12.5 เครดิตต่อนาทีของเสียงที่รับเข้ามา รวมช่วงเงียบ คิดตลอดบทสนทนา
10 กันยายน 2569
คำบรรยายกลับมาเป็นไฟล์
POST /v1/stt รับฟิลด์ subtitles เป็น "srt" หรือ "vtt" แล้วคืนไฟล์คำบรรยายทั้งไฟล์ ช่วงคำบรรยายตัดตรงจุดเปลี่ยนผู้พูด จุดจบประโยค และช่วงเว้นจังหวะ จากนั้นตัดที่ 60 ตัวอักษร ไม่เกินสองบรรทัด และตั้งค่าเองได้ด้วย subtitle_line_chars ทุกจุดขึ้นบรรทัดใหม่อยู่ตรงขอบคำ คำบรรยายภาษาไทยจึงไม่ผ่ากลางคำ คำขอเดียวกันนี้เรียกจาก OpenAI SDK ได้ด้วย POST /v1/audio/transcriptions รับไฟล์เสียงเป็นส่วนไฟล์ และตอบเป็น json text srt หรือ vtt ทั้งหมดนี้ไม่มีค่าใช้จ่ายเพิ่ม
9 กันยายน 2569
เปิดให้ถอดเสียงแบบพรีวิวงานวิจัยแล้ว
Paxa STT Lite (paxa-stt-lite-v1-preview) ถอดเสียงบันทึกภาษาไทยและอังกฤษผ่าน POST /v1/stt ตามที่พูดจริงในภาษาที่พูด พร้อมเวลาระดับคำที่ครอบคลุมทั้งคำภาษาไทย ช่วงผู้พูดที่นับจาก 0 สไตล์คำต่อคำหรือเรียบเรียง รูปแบบการเขียนแบบพูดหรือแบบเขียน คำใบ้ภาษาที่ตรวจจับอัตโนมัติเป็นค่าเริ่มต้น และคลังคำศัพท์สูงสุด 50 คำที่ใช้ร่วมกับทุกตัวเลือกได้ คิด 8.33 เครดิตต่อนาทีของเสียง ตัดเครดิตก่อนถอด และคืนให้อัตโนมัติเมื่อคำขอล้มเหลว

ถอดเสียงไฟล์แรกของคุณ

เข้าสู่ระบบแล้วใช้เครดิตฟรี 100 เครดิต หรือเสียงประมาณ 12 นาที กับไฟล์เสียงของคุณเอง

เริ่มใช้ฟรี

บทความที่เกี่ยวข้อง

ผลิตภัณฑ์อื่นจากแล็บ