หน้านี้คู่กับวิดีโอ How Machines Learn ถอดเสียงพูดภาษาไทยเป็นข้อความได้ฟรีบนคอมของเราเอง ไฟล์เสียงไม่ต้องอัปโหลดไปไหน แต่โมเดลยังผิดได้ และบางครั้งผิดแบบที่มองไม่เห็น เราวัดมาให้ดู และทำเครื่องมือตรวจไว้ข้างล่าง
Thai speech to text, free, on your own computer. It still makes mistakes, some of them invisible. We measured them, and built a checker.
Every number is ours, measured on 29 September 2026, and each table says which audio it came from. Your recordings will differ.
วิธีทำ · How to do it
Two steps. The script below is the file we ran; the output is what it printed.
ขั้นที่ 1 · ติดตั้ง · Install
pip install faster-whisper
ต้องมี Python 3.9 ขึ้นไป · ไม่ต้องติดตั้ง FFmpeg แยก ·
faster-whisper คือ Whisper ของ OpenAI ในรูปแบบที่รันบน CPU ได้เร็วขึ้น (MIT)
ขั้นที่ 2 · สั่งให้ถอด · Transcribe
บันทึกเป็นไฟล์ transcribe.py เปลี่ยนชื่อไฟล์เสียงในบรรทัด RECORDING แล้วรัน
python transcribe.py
# transcribe.py — turn a recording into Thai text, on this computer.
#
# pip install faster-whisper
# python transcribe.py
#
# Nothing is uploaded. The first run downloads the model, once.
from faster_whisper import WhisperModel
RECORDING = "recording.wav" # put your own file's name here: mp3, m4a, wav, mp4
SIZE = "large-v3" # about 3 GB to download; "small" is 0.5 GB and worse
# int8 stores the model's numbers in one byte each, so it fits a laptop's memory.
model = WhisperModel(SIZE, device="cpu", compute_type="int8")
# language="th" tells it not to guess the language. beam_size=5 makes it weigh
# five possible sentences at each step and keep the best, not just the first.
lines, info = model.transcribe(RECORDING, language="th", beam_size=5)
print("length:", round(info.duration, 1), "seconds")
for line in lines:
print(f"[{line.start:7.1f} -> {line.end:7.1f}] {line.text.strip()}")ผลที่ได้จากเสียงอ่านหนึ่งประโยค ยาว 6.7 วินาที (จากชุดข้อมูล FLEURS) · ใช้เวลา 27 วินาทีรวมโหลดโมเดล:
length: 6.7 seconds [ 0.0 -> 6.7] สัตว์บางประเภทเช่นช้างและหยีราบมีแนวนมที่จะเข้าใกล้รถและอุปกรณ์มาตรฐานจะช่วยให้มองเห็นได้เป็นอย่างดี
คนพูดว่า "…ช้างและยีราฟ มีแนวโน้มที่จะเข้าใกล้รถ…" โมเดลรุ่นใหญ่ผิดสองคำในประโยคเดียว
· The speaker said giraffe and tendency; the large model got both wrong. Two mistakes in one clean sentence.
ในวิดีโอ ประโยคเดียวกันนี้ถอดบนเครื่องที่มีการ์ดจอ ด้วยโปรแกรมอีกตัวหนึ่ง (transformers) และรุ่นใหญ่ผิดคำเดียว คือ ยีราฟ
โมเดลเดียวกัน คนละโปรแกรม ให้ข้อความต่างกันได้ · In the video the same sentence was transcribed on the GPU by a different program, and the same model got one word wrong, not two.
ต้องใช้รุ่นไหน · Which size?
Read speech: 50 Thai sentences read aloud, on a laptop with no graphics card.
| รุ่น · model | ไฟล์ · download | ผิด · characters wrong | เสียง 1 ชม. ใช้เวลา · 1 h takes |
|---|---|---|---|
| tiny · จิ๋ว | 75 MB | 54.1% | 13 นาที |
| base · พื้นฐาน | 142 MB | 36.7% | 12 นาที |
| small · เล็ก | 464 MB | 20.0% | 27 นาที |
| medium · กลาง | 1.5 GB | 17.1% | 1 ชม. 37 นาที |
| large-v3-turbo | 1.5 GB | 13.1% | ไม่ได้วัด* |
| large-v3 · ใหญ่ | 2.9 GB | 7.9% | 2 ชม. 11 นาที |
เสียง: FLEURS ภาษาไทย (Google, CC BY 4.0) 50 ประโยค รวม 587 วินาที · faster-whisper 1.2.1, int8, beam 5 ·
Core Ultra 7 155H, RAM 24 GB, ไม่มีงานอื่นรัน · นับเป็นตัวอักษรเพราะภาษาไทยไม่มีช่องว่างระหว่างคำ
* รุ่น turbo วัดตอนที่เครื่องมีงานอื่นรันอยู่ ความแม่นใช้ได้ แต่เวลาใช้ไม่ได้ · The turbo row was timed while other jobs ran, so its speed is not reported.
เสียงพูดจริง ยากกว่า · Real speech is harder
50 clips of real Thai speech (news, interviews, talks), on our DGX Spark's GPU.
| โมเดล · model | อ่าน · read | พูดจริง · real | 9 คลิป† | 1 ชม. บน GPU |
|---|---|---|---|---|
| small | 19.8% | 32.2% | 32.5% | 4 นาที |
| medium | 27.1%‡ | 25.3% | 16.6% | 12 นาที |
| large-v3-turbo | 12.5% | 19.5% | 13.4% | 3 นาที |
| large-v3 | 7.1% | 15.5% | 11.1% | 18 นาที |
| Monsoon | 8.6% | 15.0% | 8.4% | 11 นาที |
| Thonburian ×3 | 5.0–5.4%§ | 12.2–12.8% | 8.0–8.8% | 3–18 นาที |
| Typhoon Turbo | 9.5% | 6.7% | 4.7% | 3 นาที |
สี่แถวแรกคือ Whisper ของ OpenAI · Monsoon = scb10x/monsoon-whisper-medium-gigaspeech2 · Thonburian = โมเดลสามตัวของ biodatlab · Typhoon Turbo = typhoon-ai/typhoon-whisper-turbo · คอลัมน์ "1 ชม." คือเวลาที่ใช้ถอดเสียงยาวหนึ่งชั่วโมงบน GPU
เสียงพูดจริง: TVSpeech (Typhoon / SCB 10X, CC BY) 50 คลิป รวม 1,239 วินาที จากวิดีโอบน YouTube ของ
ThaiPublica (49 คลิป) และ iMoD Official (1 คลิป) ทุกวิดีโอเป็น Creative Commons
· transformers 5.6, float16, beam 5 · เวลาวัดจากเสียงอ่าน: รุ่น turbo เร็วกว่ารุ่นใหญ่ 5.5 เท่า (3.3 กับ 18.0 นาทีต่อเสียงหนึ่งชั่วโมง)
† คลิปที่ข้อความเฉลยไม่มีคำอังกฤษ และไม่มีโมเดลไหนเขียนตัวเลขเป็นเลขอารบิก เหลือ 9 จาก 50 คลิป ซึ่งน้อย
‡ สองประโยคจาก 50 ติดลูป เขียนคำเดิมซ้ำไม่หยุด ถ้าไม่นับสองประโยคนี้ได้ 13.8%
§ สองในสามตัวนี้ฝึกด้วยข้อมูล FLEURS ซึ่งเป็นชุดเดียวกับที่ใช้ทดสอบเสียงอ่าน ตัวเลขนี้จึงดีเกินจริง
1. ชุดทดสอบเสียงพูดจริงทำโดยทีม Typhoon เอง และตั้งใจเลือกคลิปยาก หน้าของชุดข้อมูลบอกว่าเลือกคลิปที่มีศัพท์เฉพาะทาง ชื่อเฉพาะ และคำที่พบไม่บ่อย ส่วนคำอังกฤษ เป็นสิ่งที่เรานับเอง: 26 จาก 50 คลิปมีคำอังกฤษในข้อความเฉลย วิธีเขียนของข้อความเฉลยจึงตรงกับโมเดลของเขาอยู่แล้ว
2. "ผิด" ไม่ได้แปลว่าฟังผิดเสมอ: คนพูด "สามชั่วโมง" โมเดลเขียน "3 ชั่วโมง", คำว่า "เอ่อ" ถูกตัดทิ้ง, "high tech" เขียนเป็น "ไฮเทค" ทั้งหมดถูกนับว่าผิด
3. แต่มีผิดจริงซ่อนอยู่: คนพูดถึงปี 2561 โมเดลรุ่นใหญ่เขียน "2661" · ตัวเลข ชื่อคน วันที่ ต้องกลับไปฟังเสียงเสมอ
4. Typhoon Whisper Turbo ต้องรันตามวิธีในหน้าของโมเดล (ไลบรารี transformers) เมื่อเราแปลงโมเดลนี้เองเพื่อใช้กับ
faster-whisper ด้วยค่าเริ่มต้น ตัวอักษรที่ผิดในคลิปชุดเดียวกันเพิ่มจาก 6.7% เป็น 19.4% เพราะข้อความท้ายคลิปยาวๆ หายไป (15 จาก 50 คลิป เขียนออกมาไม่ถึง 80% ของความยาวจริง)The real-speech test was made by Typhoon's own team and is hard on purpose. "Wrong" includes style (digits for number words, dropped fillers, Thai letters for English words) — and real mistakes, like 2561 written as 2661. Typhoon's model must be run as its card shows: converted by us for faster-whisper, it lost the ends of long clips and went from 6.7% to 19.4%.
ความผิดที่มองไม่เห็น · The silent failure
Three minutes of a Thai teacher talking. Red is where the transcript has no text while someone is speaking.
โมเดลทั้งสี่รันบนโน้ตบุ๊กด้วยค่าเริ่มต้นของ faster-whisper · on the laptop, default settings
vad_filter=True (ตัวกรองเสียงพูด) แล้ว ก็ยังหาย 90 วินาทีWhisper ฟังเสียงทีละ 30 วินาที และมีกฎว่า "ถ้าคิดว่าช่วงนี้ไม่มีเสียงพูด ให้ข้าม"
(ในโค้ดของ Whisper: no_speech_threshold) เพื่อกันไม่ให้แต่งข้อความเองตอนเงียบ
กับเสียงนี้ กฎข้อนั้นข้ามช่วงที่มีคนพูดอยู่จริง เมื่อเราปิดกฎนี้ในเครื่อง GPU ของเรา (Whisper medium) ช่วงที่หายก็กลับมา
เสียงทดสอบเป็นคลิปสอนภาษาไทยบน YouTube เราใช้วัดเท่านั้น ไม่ได้นำเสียงหรือข้อความของผู้พูดมาเผยแพร่ · เนื่องจากไม่มีข้อความเฉลย เราจึงไม่ให้ตัวเลข "เปอร์เซ็นต์ที่ผิด" สำหรับเสียงนี้ บอกได้แค่ความผิดที่ตรวจได้โดยไม่ต้องมีเฉลย (ใช้นาฬิกา และตัวตรวจจับเสียงพูด Silero) · No error rate is given for this recording: it has no reference text.
เครื่องมือ: ตรวจข้อความที่ถอดได้ · Transcript checker
Paste a transcript with timestamps. Nothing leaves this page: the check runs in your browser.
รับรูปแบบ [เริ่ม -> จบ] ข้อความ ที่สคริปต์ข้างบนพิมพ์ออกมา และไฟล์ซับไตเติล SRT / VTT ·
ตัวอย่างในช่องเป็นข้อความที่เราแต่งขึ้นเพื่อให้เห็นความผิดครบทุกแบบ ·
เครื่องมือนี้บอกแค่ จุดที่ควรกลับไปฟัง บรรทัดที่ไม่มีเครื่องหมายไม่ได้แปลว่าถูก
It reads our script's output and SRT / VTT files. It only says where to listen again: a line with no flag is not a line that is right.
ไม่เขียนโค้ด? · No code?
Free apps that run Whisper on your own computer. We did not measure these.
- Buzz — Windows, macOS, Linux · MIT · ส่งออก TXT, SRT, VTT
- Vibe — Windows, macOS, Linux · MIT · ส่งออก SRT, VTT, TXT และอื่นๆ
ข้อควรระวังเหมือนกันทุกอย่าง: เลือกรุ่นใหญ่ที่สุดที่เครื่องรับไหว ส่งออกแบบมีเวลา (SRT) แล้วนำมาวางในเครื่องมือตรวจข้างบน
ก่อนจะเชื่อข้อความที่ถอดได้ · Before you trust a transcript
- เลือกรุ่นใหญ่ที่สุดที่เครื่องรับไหว · the largest size your computer can run
- ถอดพร้อมเวลาของทุกบรรทัด · keep the timestamps
- ตรวจสี่อย่าง: ช่วงว่างยาว (โดยเฉพาะ 30 วินาทีพอดี) · เวลาเกินความยาวไฟล์ · บรรทัดซ้ำติดกัน · ตัวอักษรภาษาอื่น
- ตัวเลข ชื่อคน วันที่: ฟังเสียงเทียบทุกครั้ง · numbers, names, dates: listen
- ให้คนอ่านทวนก่อนส่งต่อ · a person reads it before it goes anywhere
ความเป็นส่วนตัว · Privacy
ข้อดีของการถอดเสียงในเครื่องตัวเอง คือไฟล์เสียงและข้อความไม่ออกจากคอมของเรา แต่เสียงประชุมเป็นคำพูดของคนอื่นด้วย ก่อนอัดเสียงควรบอกและขออนุญาตทุกคนก่อนเสมอ
เงื่อนไขการใช้งาน · Licences
| ชื่อ · name | เงื่อนไข · terms |
|---|---|
| Whisper (OpenAI) · faster-whisper (SYSTRAN) | MIT |
| Typhoon Whisper Turbo (typhoon-ai) | MIT และต้องยอมรับเงื่อนไขของ OpenTyphoon |
| Thonburian Whisper (biodatlab) | Apache 2.0 (รุ่น distill: MIT) |
| Monsoon Whisper medium (scb10x) | Apache 2.0 |
| FLEURS (Google) · TVSpeech (Typhoon) | CC BY 4.0 · CC BY |
ตรวจจากหน้าของแต่ละโมเดลเมื่อ 2026-09-29 · เงื่อนไขเปลี่ยนได้ อ่านของเครื่องมือที่ใช้ทุกครั้ง
แก้ไข · Corrections
Checked against the sources on 30 September 2026. Two things the video says less exactly than this page.
- บรรทัดบอกที่มาของข้อมูลในวิดีโอ เขียนว่าคลิปเสียงพูดจริง 50 คลิปมาจาก ThaiPublica ที่ถูกคือ 49 คลิปมาจาก ThaiPublica และ 1 คลิปมาจาก iMoD Official
คลิปที่เปิดให้ฟังในวิดีโอเป็นของ ThaiPublica ตามที่ให้เครดิตไว้
The video credits ThaiPublica for all 50 real-speech clips. 49 are ThaiPublica's and 1 is iMoD Official's. The clip that is played is ThaiPublica's, as credited. - วิดีโอบอกว่าชุดทดสอบตั้งใจเลือกคลิปที่มี "ชื่อคน ศัพท์เฉพาะ และคำอังกฤษ" ผู้ทำชุดข้อมูลบอกไว้แค่ศัพท์เฉพาะทาง ชื่อเฉพาะ และคำที่พบไม่บ่อย
เรื่องคำอังกฤษเป็นสิ่งที่เรานับเอง (26 จาก 50 คลิป) ไม่ใช่เกณฑ์ของผู้ทำ
The video says the set was chosen for names, technical terms and English words. Its makers name terminology, proper names and rare words. The English words are our own count, not their criterion.
ตัวเลขทุกตัวในวิดีโอยังเหมือนเดิม · No number in the video changes.
📚 แหล่งข้อมูล · Sources
- ตัวเลขทั้งหมด: วัดเอง สคริปต์และผลอยู่ในโฟลเดอร์
spark/benchของโครงการ · our own measurements - Whisper (OpenAI) · faster-whisper · Typhoon Whisper Turbo · Thonburian Whisper · Monsoon Whisper
- เสียงทดสอบ: FLEURS (Google, CC BY 4.0) · TVSpeech (Typhoon / SCB 10X, CC BY) ซึ่งตัดจากวิดีโอ 18 เรื่องบน YouTube: 17 เรื่องของ ThaiPublica และ 1 เรื่องของ iMoD Official ทุกเรื่องเป็น Creative Commons (เราถาม YouTube ทีละวิดีโอ เมื่อ 30 กันยายน 2026) · Typhoon ASR technical report
- ตอนที่เกี่ยวข้อง: AI พากย์เสียงไทย ฟรี ให้เนียนขึ้น · AI ฟรี ไม่มีรายเดือน ติดตั้ง Ollama