การรู้จำเสียงพูดเปิดน้ำหนักโมเดลไปแล้วอย่างเงียบ ๆ — และมีขนาดแค่ 1.56 GB

ทีม Qwen ของอาลีบาบามีโมเดลรู้จำเสียงพูดสามตัววางอยู่บน Hugging Face ที่แทบไม่มีใครเขียนถึง ได้แก่ Qwen3-ASR-0.6B, Qwen3-ASR-1.7B และตัวคู่กันชื่อ Qwen3-ForcedAligner-0.6B ทั้งหมดอยู่ภายใต้สัญญาอนุญาต Apache 2.0 ตัวเล็กที่สุดดาวน์โหลดแค่ 1.56 GB รองรับ 52 ภาษาและสำเนียง และตั้งแต่ 26 มิถุนายนเป็นต้นมาก็รันได้ด้วย Python มาตรฐานสามบรรทัด คุณเอาไปวางไว้บนเครื่องที่คุณมีอยู่แล้ว และไม่มีใครส่งใบแจ้งหนี้มาให้คุณได้

รูปแบบนี้สังเกตได้ไม่ยาก เพราะเราเคยเห็นมันเกิดขึ้นมาแล้วรอบหนึ่ง โมเดลภาษาขนาดใหญ่ใช้เวลาปี 2023 และ 2024 เป็นของที่ต้องเช่าผ่าน API จากนั้นชั้นโมเดลเปิดน้ำหนักก็มาถึงและกลายเป็นตัวเลือกตั้งต้นสำหรับใครก็ตามที่ใส่ใจเรื่องต้นทุน ความเป็นส่วนตัว หรือการทำงานแบบออฟไลน์ ตอนนี้งานถอดเสียงกำลังเดินตามเส้นทางเดียวกัน ช้ากว่าราวสองปี

บทความนี้คือแผนที่ของความเปลี่ยนแปลงนั้น สำหรับคนที่ไม่ได้ติดตามการเปิดตัวโมเดลเป็นอาชีพ ว่าโมเดลเสียงแบบเปิดน้ำหนักคืออะไร ตอนนี้มีตัวไหนบ้างและอยู่ใต้สัญญาอนุญาตแบบใด "0.6B บนโน้ตบุ๊ก" ให้อะไรในทางปฏิบัติ และส่วนที่รายงานข่าวส่วนใหญ่ข้ามไป นั่นคือ API แบบปิดที่โฮสต์ไว้ให้ยังนำอยู่ชัดเจนตรงไหน

TL;DR:

• การถอดเสียงด้วยโมเดลเปิดน้ำหนักใช้งานได้จริงแล้ววันนี้ Qwen3-ASR อยู่ใต้ Apache 2.0 รองรับ 52 ภาษาและสำเนียง, Whisper อยู่ใต้ MIT, Parakeet และ Canary ของ NVIDIA อยู่ใต้ CC BY 4.0, Voxtral ของ Mistral อยู่ใต้ Apache 2.0
• การโฮสต์เองให้ความเป็นส่วนตัว การทำงานออฟไลน์ และการคุมต้นทุน บนกระดานอิสระของ Artificial Analysis การโฮสต์โมเดลเปิดตกที่ 1.50 ดอลลาร์ต่อ 1,000 นาที เทียบกับ 6.00 ดอลลาร์ของ MAI-Transcribe-1.5 จากไมโครซอฟท์ และ 18.15 ดอลลาร์ของ Gemini 3.1 Pro Preview
• อันดับหนึ่งด้านความแม่นยำยังเป็นปลายทางแบบพรีวิวที่ปิดอยู่ แต่โมเดลเปิดภายใต้ Apache 2.0 อย่าง Voxtral Small ขึ้นมาอยู่อันดับห้าแล้ว ห่างจากอันดับหนึ่งราวหนึ่งจุดของอัตราผิดพลาดระดับคำ

ภาพ: Aaron Parecki, Wikimedia Commons, CC BY 2.0 รูปคลื่นเสียงและสเปกโตรแกรมของประโยค "it rains a lot in Portland" โดยตัวอักษรถูกวางไว้เหนือช่วงเสียงที่ตรงกัน นี่คือวัตถุดิบตั้งต้นที่โมเดลรู้จำเสียงพูดทุกตัวต้องทำงานด้วย

คุณดาวน์โหลดอะไรกันแน่ตอนที่ดาวน์โหลดโมเดลถอดเสียง

โมเดล ASR หรือการรู้จำเสียงพูดอัตโนมัติ ซึ่งใช้แทนกันได้กับ STT หรือการแปลงเสียงเป็นข้อความ คือโปรแกรมที่รับเสียงเข้าไปแล้วผลิตข้อความออกมา งานมีแค่นั้น มันไม่ตัดสินว่าใครพูด ไม่สรุปให้ ไม่รู้ว่าการประชุมของคุณว่าด้วยเรื่องอะไร มันได้ยินคำแล้วก็เขียนลงไป

"เปิดน้ำหนัก" หมายความว่าห้องแล็บเผยแพร่ไฟล์โมเดลที่เสร็จสมบูรณ์ออกมาเลย น้ำหนักของโมเดลคือตารางตัวเลขมหึมาที่มันเรียนรู้มาระหว่างการฝึก และการเผยแพร่มันหมายความว่าคุณดาวน์โหลดไฟล์นั้น รันบนฮาร์ดแวร์ของตัวเอง แล้วสร้างต่อยอดได้โดยไม่ต้องขออนุญาตใครและไม่ต้องจ่ายรายครั้ง อีกทางเลือกคือโมเดลแบบปิด น้ำหนักอยู่บนเซิร์ฟเวอร์ของผู้ให้บริการ ส่วนคุณเช่าสิทธิ์เข้าถึงผ่าน API เสียงส่งขึ้นไป ข้อความส่งกลับมา และคิดเงินเป็นรายนาที

ตัวเลขในชื่อคือจำนวนพารามิเตอร์ และสำหรับโมเดลเสียงตัวเลขนี้จับต้องได้มากผิดปกติ "0.6B" หมายถึงพารามิเตอร์ราว 600 ล้านตัว ซึ่งในทางปฏิบัติทำให้ Qwen3-ASR-0.6B เป็นไฟล์ขนาด 1.56 GB และ Qwen3-ASR-1.7B ขนาด 4.08 GB ทั้งคู่เล็กพอจะนอนอยู่บน SSD ของโน้ตบุ๊กโดยไม่มีใครสังเกต ลองเทียบกับโมเดลภาษาแบบเปิดที่เราเขียนถึงในบทสรุปคลื่นโมเดลเปิดของจีน ซึ่งตัวชูโรงมีขนาด 1.56 เทระไบต์แบ่งเป็น 96 ชิ้น และต้องใช้คลัสเตอร์แค่จะโหลดขึ้นมา โมเดลเสียงเล็กกว่าโมเดลข้อความระดับแนวหน้าราวพันเท่า และข้อเท็จจริงข้อเดียวนี้เองที่ทำให้ความเปลี่ยนแปลงรอบนี้กระทบแรงกว่ารอบก่อน

นี่คือคำที่เราจะใช้ตลอดบทความที่เหลือ นั่นคือ ชั้นโน้ตบุ๊ก หมายถึงกลุ่มโมเดลที่คำถามเรื่องฮาร์ดแวร์หายไปเฉย ๆ เป็นจุดที่ "ฉันรันไหวไหม" เลิกเป็นการคุยเรื่องงบประมาณและกลายเป็นแค่การดาวน์โหลด โมเดลข้อความส่วนใหญ่ไม่ได้อยู่ในชั้นนี้ ส่วนโมเดลเสียงเกือบทั้งหมดอยู่

ยังมีอีกบรรทัดที่ควรอ่านก่อนดูคะแนนทดสอบใด ๆ นั่นคือสัญญาอนุญาต Apache 2.0 กับ MIT อยู่ฝั่งที่ผ่อนปรนที่สุด ใช้ได้ แก้ได้ ใส่ลงในสินค้าเชิงพาณิชย์ได้ โดยไม่ติดค้างอะไรใคร ส่วน CC BY 4.0 ที่ NVIDIA ใช้ก็ใช้เชิงพาณิชย์ได้เช่นกัน แต่ต้องระบุที่มา

Qwen ปล่อยตระกูลนี้ตั้งแต่มกราคม เดือนมิถุนายนคือตอนที่มันง่ายขึ้น

ทีนี้มาถึงการเปิดตัวที่เป็นเหตุให้เขียนบทความนี้ พร้อมคำแก้ไขหนึ่งข้อต่อคำบรรยายที่แพร่หลาย ตระกูล Qwen3-ASR ไม่ได้โผล่มาในเดือนมิถุนายน คลังโค้ดดั้งเดิมขึ้นออนไลน์เมื่อ 28 มกราคม 2026 และรายงานทางเทคนิคขึ้น arXiv ในวันถัดมา สิ่งที่เกิดขึ้นเมื่อ 26 มิถุนายนคือ Qwen เผยแพร่เวอร์ชัน -hf ของทั้งสามโมเดล ซึ่งเป็นเช็กพอยต์ที่ทำงานได้เองในตัวกับ Hugging Face Transformers ตั้งแต่เวอร์ชัน 5.13.0 เป็นต้นไป

ฟังดูเหมือนเชิงอรรถแต่ไม่ใช่ ก่อนหน้านั้น การรันโมเดลหมายถึงต้องติดตั้งแพ็กเกจ qwen-asr ของ Qwen เองหรือแบ็กเอนด์ vLLM แล้วเรียนรู้ชุดเครื่องมือทั้งชุด หลังจากนั้นมันคือ Python มาตรฐานสามบรรทัดที่นักพัฒนาคนไหนเคยแตะ Transformers ก็รู้จักอยู่แล้ว กำแพงที่ทำให้โมเดลเปิดส่วนใหญ่ไม่ถูกใช้งานนั้นแทบไม่เคยเป็นตัวโมเดลเอง แต่เป็นสี่สิบนาทีของการงัดข้อกับสภาพแวดล้อมก่อนจะได้ข้อความถอดเสียงชิ้นแรก และนั่นคือสิ่งที่วันที่ 26 มิถุนายนลบทิ้งไป

สเปกยกมาจากการ์ดโมเดลโดยตรง ทั้งสองขนาดทำการระบุภาษาและรู้จำเสียงพูดได้ 30 ภาษา ได้แก่ อังกฤษ จีน เกาหลี ญี่ปุ่น สเปน อาหรับ ฮินดี ไทย เวียดนาม โปแลนด์ และอีกยี่สิบภาษา บวกกับสำเนียงจีนอีก 22 สำเนียง จึงได้เป็นตัวเลข "52 ภาษาและสำเนียง" ทั้งคู่ทำการอนุมานทั้งแบบสตรีมและแบบออฟไลน์จากโมเดลตัวเดียว ซึ่งหายากกว่าที่ฟังดู เพราะโมเดลถอดเสียงจำนวนมากทำได้อย่างใดอย่างหนึ่ง ทั้งคู่รับไฟล์เสียงยาวได้ และการ์ดยังระบุเสียงร้องและเพลงที่มีดนตรีประกอบไว้ในประเภทเสียงที่รองรับด้วย

โมเดลตัวที่สามควรค่าแก่การหยุดดู Qwen3-ForcedAligner-0.6B ทำสิ่งที่เรียกว่าการจัดแนวแบบบังคับ คุณป้อนเสียงกับข้อความถอดเสียงให้มัน แล้วมันจะบอกว่าคำแต่ละคำเริ่มและจบตรงไหน ละเอียดถึงระดับมิลลิวินาที ครอบคลุม 11 ภาษา และรับเสียงพูดได้ครั้งละไม่เกินห้านาที นี่คือกลไกเบื้องหลังข้อความถอดเสียงที่คลิกได้ การจับเวลาคำบรรยาย และการกระโดดไปยังวินาทีที่ใครสักคนพูดประโยคหนึ่ง มันคือสิ่งที่ภาพหัวบทความนี้แสดงพอดี การปล่อยตัวจัดแนวออกมาพร้อมตัวรู้จำคือสัญญาณว่าการเปิดตัวครั้งนี้ทำเพื่อใคร ไม่ใช่คนที่รันเดโม แต่คือคนที่สร้างผลิตภัณฑ์

เรื่องคุณภาพ ต้องแยกให้ออกว่าใครเป็นคนอ้างอะไร การ์ดของ Qwen เองอ้างตัวเลขจาก Hugging Face Open ASR Leaderboard ลงวันที่ 26 มิถุนายน 2026 ว่าอัตราผิดพลาดระดับคำเฉลี่ยอยู่ที่ 5.59% สำหรับรุ่น 1.7B และ 6.31% สำหรับรุ่น 0.6B ส่วนชุดเสียงประชุม AMI อยู่ที่ 9.26% และ 10.57% อัตราผิดพลาดระดับคำคือสัดส่วนคำที่โมเดลฟังผิด ยิ่งต่ำยิ่งดี และ AMI คือตัวเลขที่โหดที่สุดในชุดนี้เพราะการประชุมจริงนั้นรกรุงรัง Qwen ยังเรียกรุ่น 1.7B ว่า "ล้ำสมัยที่สุดในบรรดาโมเดล ASR โอเพนซอร์ส" และแข่งกับ API เชิงพาณิชย์ได้ ให้ถือเป็นคำกล่าวอ้างของผู้ผลิตไปก่อนจนกว่าจะมีคนนอกอาลีบาบาวัดผล และโปรดสังเกตด้วยว่านี่คือชุดทดสอบคนละชุดกับกระดานอิสระที่จะพูดถึงข้างล่าง ใช้เสียงคนละชุด ดังนั้นตัวเลขสองชุดนี้เอามาเทียบกันไม่ได้

Whisper เป็นผู้เริ่มเรื่องนี้ และยังเป็นโมเดลที่ทุกคนรัน

ทั้งหมดนี้คงไม่มีรูปร่างแบบทุกวันนี้ถ้าไม่มี Whisper ของ OpenAI คลังโค้ดเปิดสาธารณะเมื่อ 16 กันยายน 2022 ภายใต้สัญญาอนุญาต MIT ทั้งโค้ดและน้ำหนัก ในช่วงเวลาที่การรู้จำเสียงพูดอย่างจริงจังหมายถึงการทำสัญญากับผู้ให้บริการคลาวด์ ตั้งแต่นั้นมามันสะสมดาวบน GitHub ได้ 106,679 ดวง

สิ่งที่ทำให้ Whisper สำคัญไม่ใช่ตัวโมเดลเท่ากับสิ่งที่ชุมชนสร้างต่อยอดบนมันภายในไม่กี่เดือน whisper.cpp เขียนมันขึ้นใหม่ด้วย C และ C++ ล้วน สัญญาอนุญาต MIT ดาว 52,591 ดวง และทำให้มันรันบนโน้ตบุ๊กกับโทรศัพท์ได้โดยไม่ต้องมี Python และไม่ต้องมี GPU ส่วน faster-whisper สร้างมันใหม่บน CTranslate2 ได้ความเร็วและหน่วยความจำดีขึ้นมาก เป็น MIT เช่นกัน ดาว 24,750 ดวง โมเดลคือเมล็ด ระบบนิเวศคือต้นไม้

สี่ปีผ่านไป มันยังเป็นโมเดลเสียงที่ถูกใช้มากที่สุดในโลก ในรอบ 30 วันที่ผ่านมา whisper-large-v3-turbo ถูกดาวน์โหลดจาก Hugging Face 8.72 ล้านครั้ง และ whisper-large-v3 5.50 ล้านครั้ง ตัวเลขที่เราดึงมาเมื่อ 5 สิงหาคม 2026 ส่วน Qwen3-ASR-0.6B อยู่ที่ 4.29 ล้านครั้ง ถือว่าไต่ขึ้นเร็วสำหรับโมเดลอายุหกเดือน แต่ตัวเลือกตั้งต้นที่วงการเอื้อมไปหยิบโดยไม่ต้องคิดก็ยังคงเป็น Whisper อย่างไรก็ตามความแม่นยำของมันแก่ตัวลงแล้ว บนกระดานของ Artificial Analysis นั้น Whisper Large v3 ทำ AA-WER ได้ 4.07% เทียบกับ 1.73% ของอันดับหนึ่งปัจจุบัน และผลิตภัณฑ์ที่วางขายอยู่จำนวนมากก็ยังรันมันอยู่ดี

ชั้นเสียงพูดแบบเปิดมาเป็นสองระลอกห่างกันสามปี และระหว่างนั้นแทบว่างเปล่า วันที่เปิดตัวจาก GitHub และ Hugging Face ดึงข้อมูลเมื่อ 5 สิงหาคม 2026

ฝั่งเปิดไม่ได้มีแค่ห้องแล็บเดียว

Qwen ไม่ได้อยู่ลำพัง และรายอื่นเก่งคนละเรื่องกันชัดเจน

สาย Parakeet ของ NVIDIA เดิมพันกับความเร็ว parakeet-tdt-0.6b-v3 ที่ออกเมื่อสิงหาคม 2025 ภายใต้ CC BY 4.0 เป็นโมเดล 600 ล้านพารามิเตอร์ ครอบคลุม 25 ภาษายุโรป มาพร้อมการตรวจจับภาษาอัตโนมัติ เครื่องหมายวรรคตอน ตัวพิมพ์ใหญ่เล็ก และเวลาประทับระดับคำในตัว และรับเสียงยาวได้ถึง 24 นาทีในรอบเดียว ส่วนตระกูล Canary ของ NVIDIA คือ canary-1b-v2 และ canary-qwen-2.5b ซึ่งเป็น CC BY 4.0 เช่นกัน ครอบคลุมพื้นที่ใกล้เคียงด้วยการเดิมพันเชิงสถาปัตยกรรมแบบอื่น ส่วนโมเดล Voxtral ของ Mistral มาเมื่อกรกฎาคม 2025 ภายใต้ Apache 2.0 และสำคัญด้วยเหตุผลที่เราจะพูดถึงในอีกสักครู่

นี่คือฝั่งเปิดวางเรียงข้างกัน โดยแถวสุดท้ายเป็น API แบบโฮสต์ไว้เทียบให้เห็นความต่าง

ขนาดดาวน์โหลดคือเช็กพอยต์เริ่มต้นในแต่ละคลัง Hugging Face ส่วน "—" คือค่าที่เรายืนยันจากแหล่งต้นทางไม่ได้ ดึงข้อมูลเมื่อ 5 สิงหาคม 2026

ถัดจากนั้นคืองานห่อหุ้มที่พาโมเดลเหล่านี้ขึ้นไปอยู่บนอุปกรณ์จริง ซึ่งเป็นจุดที่ชั้นโน้ตบุ๊กเลิกเป็นเรื่องบนกระดาษ whisperkit-coreml ซึ่งคือ Whisper ที่คอมไพล์สำหรับฮาร์ดแวร์แอปเปิล ถูกดาวน์โหลด 8.31 ล้านครั้งในรอบ 30 วันที่ผ่านมา บิลด์ MLX ของ Parakeet สำหรับ Apple Silicon ได้ไป 1.87 ล้านครั้ง และไฟล์แปลง GGUF สองตัว ซึ่งเป็นรูปแบบบีบข้อมูลที่ทำให้โมเดลรันบนซีพียูธรรมดาได้ ทำได้ 2.04 ล้านและ 1.87 ล้านครั้ง แต่ละเดือนมีคนหลายล้านคนดาวน์โหลดระบบรู้จำเสียงพูดที่ถูกห่อมาเพื่อรันบนเครื่องของตัวเองโดยเฉพาะ นี่ไม่ใช่ของแปลกในวงวิจัย นี่คือช่องทางจัดจำหน่าย

อันดับหนึ่งยังเป็นปลายทางแบบพรีวิวที่คุณดาวน์โหลดไม่ได้

ตรงนี้คือจุดที่การคิดบัญชีอย่างซื่อตรงเริ่มขึ้น และมันบาดทั้งสองฝั่ง

เราดึงกระดานแปลงเสียงเป็นข้อความของ Artificial Analysis เมื่อ 5 สิงหาคม 2026 ซึ่งเป็นชุดทดสอบอิสระที่วัดโมเดลเปิดและโมเดลปิดบนเสียงชุดเดียวกัน ต่างจากกระดานของ Hugging Face ที่เป็นเรื่องของโมเดลเปิดล้วน ๆ ยอดของดัชนี AA-WER มีดังนี้

ที่มา: กระดานแปลงเสียงเป็นข้อความของ Artificial Analysis, AA-WER v2, ดึงข้อมูลเมื่อ 5 สิงหาคม 2026 สถานะการดาวน์โหลดประเมินจากสัญญาอนุญาตที่แต่ละโมเดลเผยแพร่

อ่านสี่แถวบนก่อน เพราะมันคือคำแก้ให้กับเรื่องเล่าใด ๆ ที่บอกว่าฝั่งเปิดชนะไปแล้ว โมเดลเสียงที่ทำคะแนนดีที่สุดในโลกล้วนเป็นของที่ต้องเช่า และอันดับหนึ่งยังไม่เปิดให้ใช้ทั่วไปด้วยซ้ำ มันเป็นปลายทางแบบพรีวิว

ทีนี้อ่านแถวที่ห้า เพราะมันคือคำแก้ให้กับคำแก้ข้างต้นอีกที Voxtral Small อยู่ใต้ Apache 2.0 คุณดาวน์โหลดได้ รันบนฮาร์ดแวร์ของตัวเองได้ และส่งขายเชิงพาณิชย์ได้ แล้วมันก็อยู่อันดับห้าบนกระดานอิสระด้วยตัวเลข 2.77% ห่างจากโมเดลปิดแบบพรีวิวราวหนึ่งจุดของอัตราผิดพลาดระดับคำ เทียบกับการประชุมหนึ่งชั่วโมงที่มี 6,300 คำ ช่องว่างนั้นคือราว 66 คำ มีอยู่จริง แต่ไม่ใช่เหวลึกอย่างที่มักถูกวาดภาพ

ความเห็นของเรา บทสรุปที่ถูกต้องไม่ใช่ "STT ฝั่งเปิดตามหลังอยู่ไกล" โมเดลเสียงฝั่งเปิดข้ามเส้นดีพอสำหรับงานส่วนใหญ่มานานแล้ว ส่วนความได้เปรียบที่เหลืออยู่ของฝั่งปิดคืออัตราผิดพลาดหนึ่งจุด บวกกับผลิตภัณฑ์ที่ห่อหุ้มมันไว้ ซึ่งพาเรามาถึงการแลกได้แลกเสียที่ตัดสินเรื่องนี้จริง ๆ

รันเองแล้วได้อะไร และต้องจ่ายอะไร

มีสามอย่างที่ผลักทีมงานไปทางการโฮสต์เอง และไม่มีข้อไหนเป็นเรื่องความแม่นยำ

ข้อแรกคือความเป็นส่วนตัว และมักเป็นตัวตัดสิน ถ้าคุณถอดเสียงการปรึกษาแพทย์ การสัมภาษณ์ทางกฎหมาย หรือการพูดคุยเรื่องบุคลากร คำว่า "เสียงไม่ออกจากฮาร์ดแวร์ของเรา" ไม่ใช่ความชอบส่วนตัวแต่เป็นข้อกำหนดในการจัดซื้อ และโมเดลที่คุณโฮสต์เองคือสถาปัตยกรรมเดียวที่ตอบโจทย์นั้นได้อย่างสะอาด ข้อที่สองคือการทำงานออฟไลน์ โมเดลที่อยู่บนเครื่องทำงานได้บนเครื่องบิน ในห้องใต้ดิน บนพื้นโรงงาน ที่หน้างานซึ่งไม่มีสัญญาณ นี่แหละคือเหตุผลที่ whisper.cpp และบิลด์ GGUF มียอดดาวน์โหลดอย่างที่เห็น

ข้อที่สามคือต้นทุน และตัวเลขตรงนี้ค่อนข้างโหด จากภาพรวมชุดเดียวกันของ Artificial Analysis ราคาต่อเสียง 1,000 นาที Whisper Large v3 ที่โฮสต์บน fal.ai อยู่ที่ 0.50 ดอลลาร์ Canary Qwen 2.5B ของ NVIDIA บน Replicate อยู่ที่ 0.74 ดอลลาร์ และ Parakeet TDT 0.6B V3 บน Together AI อยู่ที่ 1.50 ดอลลาร์ ส่วนฝั่งปิด Nova-3 ของ Deepgram อยู่ที่ 4.30 ดอลลาร์ MAI-Transcribe-1.5 อยู่ที่ 6.00 ดอลลาร์ และ Gemini 3.1 Pro Preview อยู่ที่ 18.15 ดอลลาร์ นั่นคือห่างกัน 4 เท่าเมื่อเทียบกับไมโครซอฟท์และ 12 เท่าเมื่อเทียบกับกูเกิล เพียงแค่การโฮสต์โมเดลเปิดไว้บนเซิร์ฟเวอร์ของคนอื่น ยังไม่นับกรณีรันบนเครื่องตัวเอง ซึ่งต้นทุนส่วนเพิ่มของชั่วโมงที่หนึ่งพันคือค่าไฟ

ความเร็วก็แยกไปทางเดียวกัน และนี่คือรายละเอียดที่ทำให้เราแปลกใจที่สุด โมเดลเร็วที่สุดบนกระดานทั้งใบคือ Parakeet TDT 0.6B V3 ที่ให้บริการบน Together AI ด้วยความเร็ว 885 เท่าของเวลาจริง แปลว่าเสียงหนึ่งชั่วโมงกลับมาในราวสี่วินาที Nova-3 ของ Deepgram ทำได้ 512 เท่า Whisper Large v3 บน Together ทำได้ 478 เท่า และ MAI-Transcribe-1.5 ทำได้ 189 เท่า ตัวเลือกถอดเสียงที่เร็วที่สุดเท่าที่มีอยู่คือโมเดลเปิดน้ำหนักขนาด 600 ล้านพารามิเตอร์ที่ใครก็ดาวน์โหลดได้

การแลกเปลี่ยนนี้ไม่เคยเป็นเรื่องความแม่นยำปะทะความแม่นยำ แต่เป็นการควบคุมกับต้นทุน ปะทะฟีเจอร์ที่ห่อหุ้มการรู้จำเสียงเอาไว้

แล้ว API แบบโฮสต์ขายอะไรอยู่ ก็ขายทุกอย่างที่ไม่ใช่การรู้จำเสียง เอกสารของ Deepgram คือบัญชีรายการที่ตรงไปตรงมา ได้แก่ การแยกผู้พูด การสตรีมแบบเรียลไทม์ การจัดรูปแบบ คำศัพท์เฉพาะ การปิดบังข้อมูลระบุตัวตน การตรวจจับภาษา และการรับประกันเชิงปฏิบัติการว่าบริการยังทำงานอยู่ตอนที่คุณหลับ ดาวน์โหลด Qwen3-ASR มาแล้วคุณจะได้คำกับเวลาประทับ ไม่มีป้ายชื่อผู้พูด ไม่มี SLA และค่า GPU การขยายขนาด กับสายเรียกตอนตีสามเป็นของคุณเอง

โมเดลที่ถูกดาวน์โหลดมากที่สุดในหมวดนี้ไม่ใช่โมเดลถอดเสียง

มีสถิติหนึ่งที่ร้อยทุกอย่างเข้าด้วยกัน และเราเองก็ไม่ได้คาดคิด

เมื่อเรียงหมวดการรู้จำเสียงพูดอัตโนมัติทั้งหมดบน Hugging Face ตามยอดดาวน์โหลด โมเดลที่อยู่บนสุดไม่ใช่ Whisper ไม่ใช่ Qwen และไม่ใช่ Parakeet แต่เป็น pyannote/speaker-diarization-3.1 ด้วยยอด 8.91 ล้านครั้งในรอบ 30 วันที่ผ่านมา และโมเดลแยกผู้พูดอีกตัวของ pyannote อยู่อันดับห้าด้วยยอด 5.26 ล้านครั้ง การแยกผู้พูดคือกลไกที่หาคำตอบว่าใครพูดตอนไหน ซึ่งก็คือชั้นที่อยู่เหนือการถอดเสียงขึ้นไปหนึ่งชั้นพอดี

ตอนนี้โมเดลเปิดครอบคลุมสองชั้นล่างสุดแล้ว ส่วนชั้นที่ตัดสินว่าบันทึกนั้นใช้ได้จริงหรือไม่อยู่เหนือขึ้นไป

โมเดลที่คนต้องการมากที่สุดในหมวดการรู้จำเสียงพูดกลับไม่ได้รู้จำเสียงพูด มันตอบคำถามที่ตัวรู้จำทิ้งค้างไว้ ซึ่งเป็นข้อสรุปเดียวกับที่เราไปถึงเมื่อมองจากฝั่งปิดของตลาด ตอนที่โมเดลคะแนนสูงสุดในโลกออกวางโดยไม่มีป้ายชื่อผู้พูด สองมุมมองที่ต่างกันโดยสิ้นเชิง แต่พบสิ่งเดียวกัน นั่นคือการฟังคำออกเป็นส่วนที่แก้ได้แล้ว

สรุป

คำถามที่น่าสนใจเกี่ยวกับการรู้จำเสียงพูดแบบเปิดน้ำหนักไม่เคยเป็น "มันดีเท่าโมเดลปิดหรือยัง" มันห่างอยู่ราวหนึ่งจุดของอัตราผิดพลาดระดับคำ มันเร็วกว่า มันถูกกว่าสี่ถึงสิบสองเท่า และมันใส่ลงโน้ตบุ๊กได้ คำถามที่น่าสนใจคือคุณจะสร้างอะไรในพื้นที่ที่เปิดออกเมื่อการถอดเสียงเลิกเป็นรายจ่ายที่ต้องเช่า เพราะไฟล์ขนาด 1.56 GB ที่ฟังออก 52 ภาษาไม่ใช่ผลิตภัณฑ์ มันคือชิ้นส่วนที่เพิ่งกลายเป็นของฟรี

สำหรับทีมที่กำลังเลือกเครื่องมือจดบันทึกการประชุมแทนที่จะเลือกโมเดล สิ่งที่ต้องอ่านนั้นสั้น การที่ผลิตภัณฑ์หนึ่งรันโมเดลเปิดหรือ API ปิดตอนนี้ส่วนใหญ่เป็นแค่รายละเอียดการติดตั้ง และนับวันจะเป็นทั้งสองอย่าง คือใช้น้ำหนักเปิดกับงานปริมาณมาก และใช้ API แบบโฮสต์ตรงที่การแยกผู้พูด การสตรีม และการรองรับสเกลคุ้มกับราคา Telli.sh รันโมเดลเปิดในชั้นสรุปอยู่แล้ว ความก้าวหน้าของฝั่งเปิดจึงไหลตรงเข้าสู่การถอดเสียง การแปล และบันทึกการประชุมโดยไม่ขึ้นราคา ตัดสินเครื่องมือจากสิ่งที่ออกมาตอนท้าย ว่าบันทึกนั้นบอกคุณหรือไม่ว่าใครรับปากจะทำอะไร

เริ่มบันทึก AI แบบสด

แหล่งอ้างอิง

• การ์ดโมเดล Qwen3-ASR-0.6B-hf (Hugging Face) — สัญญาอนุญาต รายชื่อภาษา และตัวเลขกระดานลงวันที่ 26 มิถุนายน 2026
• การ์ดโมเดล Qwen3-ASR-1.7B-hf (Hugging Face)
• Qwen3-ForcedAligner-0.6B (Hugging Face)
• Qwen3-ASR Technical Report, arXiv:2601.21337 (ส่งเมื่อ 29 มกราคม 2026)
• คลังโค้ด OpenAI Whisper (MIT, เผยแพร่ 16 กันยายน 2022)
• whisper.cpp และ faster-whisper
• การ์ดโมเดล NVIDIA parakeet-tdt-0.6b-v3 (CC BY 4.0)
• Mistral Voxtral-Small-24B-2507 (Apache 2.0)
• กระดานแปลงเสียงเป็นข้อความของ Artificial Analysis — AA-WER v2 ตัวเลขความเร็วและราคาดึงเมื่อ 5 สิงหาคม 2026
• Hugging Face Open ASR Leaderboard
• เอกสาร Deepgram เรื่องการแยกผู้พูด
• หน้าภาพบน Wikimedia Commons