在不留空格的文字上做泰语语音识别

自动语音识别（ASR）

又称 语音识别、speech recognition、การรู้จำเสียงพูด

这是学科名称，也是研究文献里的常用术语。ASR 系统接收音频，返回其中的词语。

语音转文字

又称 STT、speech to text、แปลงเสียงเป็นข้อความ

同一件事的产品名称。叫语音转文字的 API 和叫 ASR 的 API 做的是同一项工作。

转写

又称 转录、ถอดเสียง、ถอดความ

既指产出的结果，也指产出它的过程。泰语里准确的说法是 ถอดเสียง，而 ถอดความ 也被广泛用于同一类需求。

流式语音识别

又称 实时语音识别、streaming ASR、การรู้จำเสียงพูดแบบเรียลไทม์

在音频仍在传入时进行的识别。录音还没结束，文字就开始返回，按轮次工作的系统会在说话人每次停下时发出一段完整的转写结果。

词级时间戳

又称 词级时间段、word timestamps、เวลาระดับคำ

每个词都有起止秒数。字幕、跟读播放器和跳转到指定时间的搜索，都建立在它之上。

说话人分离

又称 说话人轮次、diarization、การแยกผู้พูด

标记谁在什么时候说话。转写稿被切分成按首次出现顺序编号的轮次，不对任何人的身份做出判断。

词错误率（WER）

又称 word error rate、อัตราความผิดพลาดระดับคำ

统计词语的替换、删除和插入，再除以实际说出的词数。大多数语音基准测试都报告这个指标。

字符错误率（CER）

又称 character error rate、อัตราความผิดพลาดระดับตัวอักษร

同一个指标，按字符计算。泰语的结果通常用这种方式报告，原因见下一节。

1. 词连在一起写

   泰语在短语和句子的断处留空格，词与词之间通常不留。逐词统计错误，首先要约定词在哪里，而这是分词器的决定。因此泰语的结果按字符报告。

   来源：arXiv (2026)（在新标签页中打开）·SNLP (2007)（在新标签页中打开）

2. 读音和拼写分道扬镳

   口语会压缩。一个数字说出来是一串词，同一个数字印出来却是阿拉伯数字，重复的词说两遍，纸面上却印成 ๆ。转写稿必须选定一种写法并始终如一。

   来源：HLT-NAACL (2006)（在新标签页中打开）

3. 英语出现在句子中间

   泰语使用者说技术术语、品牌或产品名时会直接用英语，句子并不切换。转写稿在一行里保留两种文字，切换处两侧的词仍然需要各自的秒数。

   来源：HASSS (2023)（在新标签页中打开）

• 每个词一个时间段

  timestamps

  请求词级粒度，每个完整的泰语词都会带有起止秒数。逐个字符为泰语计时的引擎，给出的时间段没法用来构建任何东西。

• 明确的数字写法

  convention

  口语写法按说出的样子写数字。书面写法使用阿拉伯数字、单位和 ๆ。在这一点上，搜索索引和字幕想要的答案正好相反。

• 说话人轮次

  diarization

  轮次按首次出现的顺序从零开始编号。两项都开启时，每个词的时间段都带有对应的说话人。

• 您所在领域的专有名称

  vocabulary

  最多 50 个词条。之后产品名和泰语专有名词在每份转写稿里的拼法都相同。

Paxa STT Lite 四样都会返回。录音最长 60 分钟，泰语优先，其他语言按原话转写，这些选项都不影响收费。该模型是研究预览版，转写结果和选项可能随版本变化。