อัตราความผิดพลาดของคำ 2.4% แต่ก็ยังไม่รู้ว่าใครเป็นคนพูด
MAI-Transcribe-1.5 ของ Microsoft ทำอัตราความผิดพลาดของคำได้ 2.4% ขณะที่เอกสารทางการของโมเดลตัวเดียวกันระบุว่าไม่รองรับการแยกผู้พูด บทความนี้อธิบายแบบเข้าใจง่ายว่า WER วัดอะไร ทำไมตารางอันดับถึงกระจุกตัวอยู่ใกล้พื้น และชั้นไหนบ้างที่อยู่เหนือการรู้จำเสียงพูดซึ่งเป็นตัวตัดสินจริง ๆ ว่าถอดเสียงจะกลายเป็นบันทึกการประชุมที่ใช้งานได้หรือไม่
ต้นเดือนมิถุนายน ทีม AI Superintelligence ของ Microsoft ปล่อย MAI-Transcribe-1.5 ออกมา และทำอัตราความผิดพลาดของคำได้ 2.4% บนตารางอันดับอิสระของ Artificial Analysis โมเดลตัวเดียวครอบคลุม 43 ภาษา รับมือกับสำเนียงและห้องประชุมที่เสียงดังได้ และประมวลเสียงความยาวหนึ่งชั่วโมงเสร็จในเวลาไม่ถึงสิบห้าวินาที
จากนั้นลองเปิดเอกสาร Azure ของ Microsoft สำหรับโมเดลตัวเดียวกันนี้ ในหมายเหตุการใช้งานมีอยู่บรรทัดหนึ่งว่า "ไม่รองรับการแยกผู้พูด (diarization)"
การแยกผู้พูดคือส่วนที่บอกคุณว่าใครกำลังพูดอยู่ นั่นแปลว่าโมเดลเสียงที่ถูกพูดถึงมากที่สุดของปีนี้สร้างกำแพงตัวอักษรที่แทบไม่มีที่ติ โดยไม่รู้เลยว่าถ้อยคำเหล่านั้นออกมาจากปากของใคร นี่ไม่ใช่ความหลงลืมในบันทึกการปล่อยเวอร์ชัน แต่เป็นภาพสแนปช็อตที่แม่นยำมากของจุดที่อุตสาหกรรมนี้ยืนอยู่จริง ๆ การได้ยินนั้นแทบจะแก้ปัญหาได้แล้ว และการได้ยินก็ไม่เคยเป็นส่วนที่ยากของบันทึกการประชุมตั้งแต่แรก
บทความนี้ว่าด้วยระยะห่างระหว่างถอดเสียงที่แม่นยำ กับบันทึกที่คุณจะส่งให้ทีมได้จริง ๆ ว่าอัตราความผิดพลาดของคำวัดอะไร โดยโครงสร้างแล้วมันวัดอะไรไม่ได้ และมีชั้นไหนบ้างที่ซ้อนอยู่เหนือการรู้จำเสียงพูดแล้วตัดสินอย่างเงียบ ๆ ว่าไฟล์บันทึกจะมีประโยชน์หรือไม่ ถ้าคุณเคยได้รับถอดเสียงที่สมบูรณ์แบบทางเทคนิคแต่ใช้งานจริงไม่ได้เลย นี่คือคำอธิบายของความรู้สึกนั้น
TL;DR:
- อัตราความผิดพลาดของคำกระจุกตัวอยู่ใกล้พื้นแล้ว โมเดลเก้าอันดับแรกบนตารางอิสระของ Artificial Analysis อยู่ระหว่าง 1.73% ถึง 3.31% ดังนั้นการเปลี่ยนไปใช้เอนจิน "ที่แม่นกว่า" ช่วยคุณได้แค่ไม่กี่สิบคำในการประชุมหนึ่งชั่วโมง
- WER ให้น้ำหนักทุกคำเท่ากันหมด การทำคำว่า "ไม่" หายไปจากมติหนึ่งข้อ มีต้นทุน 0.016% เท่ากับการกลืนเสียง "เอ่อ" หนึ่งครั้ง ตัววัดนี้แยกไม่ออกระหว่างคำผิดกับข้อผูกพันที่กลับด้าน
- งานที่เหลืออยู่เหนือถอดเสียงขึ้นไป ได้แก่ การระบุผู้พูด การแบ่งช่วง การขัดเกลา และการสรุป การ์ดโมเดลของ Microsoft เองคือหลักฐาน ความแม่นยำระดับแนวหน้า ไม่มีการแยกผู้พูด ไม่มีสตรีมมิง
ภาพ: Steve Knight, Rockfield Studios, Wikimedia Commons, CC BY 2.0.
2.4% รู้สึกอย่างไรจริง ๆ เมื่อคุณคือคนที่ต้องอ่าน
อัตราความผิดพลาดของคำเป็นตัวเลขที่เก่าแก่ที่สุดและหยาบที่สุดในวงการรู้จำเสียงพูด และเพราะมันถูกอ้างถึงทุกหนแห่งนี่เองที่ทำให้ควรเข้าใจให้ถูกต้อง เริ่มจากเอาสิ่งที่ถูกพูดออกมาจริง ๆ นั่นคือถอดเสียงอ้างอิงที่มนุษย์ทำขึ้น แล้วเอาสิ่งที่โมเดลเขียนออกมา จากนั้นนับคำที่ผิดออกเป็นสามแบบ ได้แก่ การแทนที่ (เขียนว่า "ล่าช้า" ทั้งที่มีคนพูดว่า "ปล่อยงาน") การตัดหาย (คำหายไปทั้งคำ) และการแทรก (สร้างคำที่ไม่มีใครพูดขึ้นมาเอง) รวมทั้งหมดแล้วหารด้วยจำนวนคำในถอดเสียงอ้างอิง นั่นคือ WER ยิ่งต่ำยิ่งดี
ดังนั้น 2.4% จึงหมายความว่าโดยประมาณแล้วทุก ๆ สี่สิบสองคำจะผิดหนึ่งคำ
ลองเอาไปวางบนการประชุมจริง การประชุมหนึ่งชั่วโมงที่คนพูดจริง ๆ ราวสี่สิบห้านาที ด้วยความเร็วสนทนาปกติประมาณ 140 คำต่อนาที จะได้ราว 6,300 คำ ที่ WER 2.4% จะมีประมาณ 150 คำที่ผิด กระจายไปทั่วถอดเสียงก็คือมีข้อผิดพลาดอยู่ไม่กี่จุดในทุกหน้าจอ
แล้วคำถามที่ตัววัดนี้ปฏิเสธจะตอบก็มาถึง คือ 150 คำไหน
WER ให้น้ำหนักทุกคำในภาษาเท่ากันหมด คำเชื่อมอย่าง "และ" กับคำปฏิเสธอย่าง "ไม่" มีค่าเท่ากันเป๊ะ ลองนึกถึงถอดเสียงที่แปลง "เราจะไม่ปล่อยในไตรมาสที่ 3" ให้กลายเป็น "เราจะปล่อยในไตรมาสที่ 3" นั่นคือการตัดหายหนึ่งครั้ง หนึ่งคำจาก 6,300 คำ คิดเป็น 0.016% ของถอดเสียง เป็นเศษปัดทิ้งเมื่อเทียบกับงบ 2.4% แต่ตอนนี้บันทึกการประชุมกำลังบันทึกสิ่งที่ตรงข้ามกับที่ห้องประชุมตัดสินใจจริง
ความไม่สมมาตรแบบเดียวกันนี้ยังพาดผ่านชื่อคน รหัสผลิตภัณฑ์ และตัวย่อภายในองค์กร ซึ่งล้วนเป็นคำที่แบกความหมายต่อหนึ่งตัวอักษรมากที่สุดและปรากฏในข้อมูลฝึกน้อยที่สุด ถอดเสียงหนึ่งชุดอาจได้คำเชื่อมโยงถูกต้องครบ 6,150 คำ แล้วทำชื่อเฉพาะทุกชื่อในห้องพังหมด แต่ค่า WER ของมันก็ยังดูดีเยี่ยมอยู่ดี ใครที่เคยกลับไปอ่านถอดเสียงสแตนด์อัพของทีมตัวเองย่อมรู้จักความรู้สึกนี้ คำถูกครบ แต่การประชุมหายไป
ตารางอันดับกระจุกตัวอยู่ใกล้พื้น
นี่คือส่วนที่จัดกรอบใหม่ให้กับทั้งหมวดหมู่ เราดึงตารางอันดับ speech-to-text ของ Artificial Analysis เมื่อวันที่ 4 สิงหาคม 2026 ซึ่งเป็นเบนช์มาร์กอิสระ ไม่ใช่ใบรายงานผลของผู้ขายเอง ดัชนี AA-WER v2 ของเขาเป็นค่าเฉลี่ยถ่วงน้ำหนักตามความยาวเสียงจากประมาณแปดชั่วโมงที่ดึงมาจากชุดข้อมูลสามชุด ได้แก่ AA-AgentTalk (50%) VoxPopuli-Cleaned-AA (25%) และ Earnings22-Cleaned-AA (25%) หัวตารางเป็นดังนี้
| อันดับ | โมเดล | AA-WER |
|---|---|---|
| 1 | Fun-Realtime-ASR-preview | 1.73% |
| 2 | Scribe v2 | 2.18% |
| 3 | MAI-Transcribe-1.5 | 2.38% |
| 4 | Smallest AI Pulse Pro | 2.43% |
| 5 | Voxtral Small | 2.77% |
| 6 | Gemini 3.1 Pro Preview (High) | 2.82% |
| 7 | Universal-3.5 Pro | 3.02% |
| 8 | Solaria-3 (Gladia) | 3.23% |
| 9 | GPT Transcribe | 3.31% |
| 11 | Whisper Large v3 | 4.07% |
ที่มา: ตารางอันดับ speech-to-text ของ Artificial Analysis ดึงข้อมูลวันที่ 4 สิงหาคม 2026 (AA-WER v2 แบบไม่สตรีมมิง)
มีสองเรื่องที่สะดุดตา เรื่องแรก ตัวเลข 2.4% ของ Microsoft เป็นของจริงและวัดโดยหน่วยงานอิสระ แต่มันคืออันดับสาม ไม่ใช่อันดับหนึ่ง ส่วนคำกล่าวอ้างที่หนักแน่นกว่านั้น คือความแม่นยำดีที่สุดในระดับเดียวกันบน FLEURS ครบทั้ง 43 ภาษา เป็นการรายงานของ Microsoft เอง จึงควรอ่านในฐานะตัวเลขของผู้ขายจนกว่าจะมีคนนอกวัดให้
เรื่องที่สอง และสำคัญกว่ามาก คือโมเดลเก้าตัวถูกอัดอยู่ในแถบกว้างเพียง 1.6 จุด ลองย้อนกลับไปที่การประชุม 6,300 คำของเรา โมเดลอันดับหนึ่งผิดราว 109 คำ โมเดลอันดับเก้าผิดราว 209 คำ ส่วน Whisper Large v3 ซึ่งเป็นฐานโอเพนที่ผลิตภัณฑ์จำนวนมหาศาลยังใช้อยู่ ผิดราว 256 คำ
ลองคิดว่าเรื่องนี้หมายความว่าอย่างไรกับการตัดสินใจซื้อ การย้ายจากเอนจินระดับกลางไปหาเจ้าที่อยู่อันดับหนึ่งช่วยคุณได้ราวร้อยคำต่อชั่วโมง มันไม่ใช่เรื่องไร้สาระ และในงานถอดเสียงทางการแพทย์หรือกฎหมายมันสำคัญจริง ๆ แต่มันห่างไกลมากจากความต่างระหว่างบันทึกที่คุณไว้ใจได้ กับบันทึกที่คุณต้องเขียนใหม่ทั้งฉบับ ตอนนี้เอนจินที่จริงจังทุกตัวผ่าน 96% ความแม่นยำไปหมดแล้ว ตัวแปรที่ตัดสินว่าบันทึกการประชุมของคุณใช้ได้หรือไม่อยู่ที่อื่นโดยสิ้นเชิง
บันทึกการปล่อยเวอร์ชันของ Microsoft คือเอกสารที่ซื่อสัตย์ที่สุดในหมวดนี้
ซึ่งพาเรากลับมาที่บรรทัดที่เปิดบทความนี้ เอกสาร Azure Speech ระบุข้อจำกัดของ MAI-Transcribe ไว้อย่างตรงไปตรงมา ได้แก่ ไม่รองรับการแยกผู้พูด ไม่รองรับการปรับด้วยพรอมป์ต และโมเดลเปิดให้ใช้ในสถานะพรีวิวสาธารณะผ่าน LLM Speech API ส่วนรายงานข่าวช่วงเปิดตัวเสริมว่าไม่มี API สตรีมมิงแบบเนทีฟด้วย ทำให้การใช้งานแบบเรียลไทม์ถูกจำกัด
ลองพิจารณารูปร่างของชุดข้อจำกัดนี้ บริษัทนี้ทุ่มวิศวกรรมมหาศาลลงไปกับโจทย์การได้ยิน จาก 25 ภาษาในรุ่นก่อนขึ้นมาเป็น 43 ภาษา โดยเพิ่ม 18 ภาษาใหม่ได้โดยความแม่นยำไม่ถอยหลัง แล้วก็ปล่อยออกมาโดยไม่มีป้ายกำกับผู้พูดและไม่มีสตรีมมิง ซึ่งทั้งสองอย่างคือสิ่งที่การประชุมสด ๆ ต้องการพอดี
มุมมองของเราคือ นี่ไม่ใช่ช่องโหว่ในผลิตภัณฑ์ของ Microsoft แต่เป็นคำประกาศเรื่องการแบ่งชั้นของทั้งวงการ การรู้จำเสียงตอนนี้เป็นชิ้นส่วน ไม่ใช่ผลิตภัณฑ์ มันกลายเป็นสิ่งที่เราซื้อมา วัดผล แล้วเปลี่ยนตัว ส่วนงานที่น่าสนใจย้ายไปอยู่กับทุกอย่างที่ห่อหุ้มมันไว้แล้ว
เพดานของคนจดชวเลข
นี่คือคำที่เราใช้กันภายในทีม เพดานของคนจดชวเลข คือจุดที่เลยไปแล้วการได้ยินดีขึ้นหยุดช่วยอะไร เพราะงานที่เหลือไม่ใช่การได้ยินอีกต่อไป
คนจดชวเลขที่สมบูรณ์แบบจะให้บันทึกถ้อยคำที่สมบูรณ์แบบกับคุณ แต่เขาจะไม่บอกคุณว่าคำว่า "ครับ ได้เลย" สองครั้งนั้นมาจากคนละคนและมีความหมายคนละอย่าง เขาจะไม่ทำเครื่องหมายว่าหัวข้อหนึ่งจบตรงไหน และเขาจะไม่บอกว่ายี่สิบนาทีเรื่องย้ายออฟฟิศไม่ควรอยู่ในบันทึกตั้งแต่แรก เหนือถอดเสียงขึ้นไปมีสี่ชั้นที่แยกจากกัน และแต่ละชั้นก็พังในแบบของตัวเอง
การระบุผู้พูด หรือการแยกผู้พูด คือกลไกที่ตัดสตรีมเสียงเดียวออกเป็น "ผู้พูด 1 ผู้พูด 2 ผู้พูด 3" แล้วรักษาป้ายกำกับเหล่านั้นให้คงเส้นคงวาตลอดหนึ่งชั่วโมง มันเป็นโจทย์ที่แยกจากการรู้จำเสียงอย่างแท้จริง และมีรูปแบบความล้มเหลวของตัวเอง เช่น คนสองคนพูดทับกัน คนที่เข้าร่วมกลางคัน หรือผู้ร่วมประชุมคนเดียวกันที่เสียงต่างไปเมื่อใช้ลำโพงกับใช้หูฟัง และเมื่อมันล้มเหลว มันล้มเหลวแบบทำลายล้าง ถอดเสียงที่ยกข้อผูกพันไปให้ผิดคนแย่กว่าถอดเสียงที่ไม่ยกให้ใครเลย เพราะคนอ่านจะเชื่อ และนี่คือความสามารถที่โมเดลคะแนนสูงสุดไม่ได้ให้มา
การแบ่งช่วง ผลลัพธ์ดิบของการรู้จำเสียงคือแม่น้ำ คำพูดจริงไม่ได้มาเป็นประโยค แต่มาพร้อมกับการเริ่มใหม่ อนุประโยคที่ค้างไว้ และการพูดแทรก ระบบต้องตัดสินว่าประโยคขาดตรงไหน ตาพูดของคนหนึ่งจบตรงไหน และบทสนทนาเปลี่ยนหัวข้อตรงไหน ถ้าทำพลาด คุณจะได้ย่อหน้าที่ถูกต้องทางเทคนิคซึ่งไม่มีใครอ่าน เพราะสายตาไม่มีที่พัก ถ้าทำถูก คำชุดเดียวกันนั้นจะกลายเป็นข้อความที่กวาดตาอ่านได้ และการปรับปรุงนี้ไม่ปรากฏใน WER แม้แต่ตัวอักษรเดียว
การขัดเกลา ระหว่างถอดเสียงดิบกับบันทึกมีรอบการเก็บกวาดอยู่ ได้แก่ ตัดคำฟุ่มเฟือยและประโยคที่เริ่มแล้วทิ้ง จัดรูปแบบตัวเลขและวันที่ให้เป็นมาตรฐาน และแก้ศัพท์เฉพาะทางที่โมเดลเชิงเสียงไม่มีทางรู้ได้ "ไตรมาสสาม" กลายเป็น "Q3" ชื่อรหัสภายในที่ออกมาเป็นคำธรรมดาสามคำที่ฟังดูสมเหตุสมผลถูกกู้กลับที่เดิม นี่คือชั้นที่ความรู้เฉพาะสาขาเข้ามา และเป็นเส้นแบ่งระหว่างเอกสารที่อ่านเหมือนบันทึกคำให้การในศาล กับเอกสารที่อ่านเหมือนโน้ตย่อ
การสรุป สุดท้ายคือการใช้วิจารณญาณ ว่าส่วนไหนของหนึ่งชั่วโมงเป็นการตัดสินใจ ส่วนไหนเป็นคำถามที่ยังค้าง ส่วนไหนเป็นการมอบหมายงานให้คนที่ระบุชื่อ และส่วนไหนคือยี่สิบนาทีเรื่องที่จอดรถ นี่คือชั้นเดียวที่ผู้อ่านส่วนใหญ่บริโภคจริง ๆ แต่มันขึ้นอยู่กับสามชั้นก่อนหน้าทั้งหมด ตัวสรุปที่ทำงานบนถอดเสียงซึ่งไม่มีการระบุผู้พูดและไม่มีการแบ่งช่วง กำลังเดาว่าใครรับปากอะไร ให้ตาพูดที่สะอาดกับมัน แล้วมันจะเลิกเดา
ความสัมพันธ์เชิงพึ่งพานี้ไหลไปทางเดียว และนั่นคือเหตุผลที่บทสนทนาเรื่องความแม่นยำชวนให้เข้าใจผิดถึงเพียงนี้ การปรับ WER จาก 2.4% ลงมาเหลือ 1.7% คือการปรับปรุงอินพุตของห่วงโซ่สี่ขั้นที่ไม่เคยมีใครวัดเลย
การถ่วงน้ำหนักด้วยคีย์เวิร์ดคือวงการยอมรับเรื่องนี้อย่างเงียบ ๆ
ในการเปิดตัว MAI-Transcribe-1.5 มีฟีเจอร์หนึ่งที่เปิดไพ่ทั้งหมด และมันก็เป็นสิ่งที่มีประโยชน์ที่สุดในการเปิดตัวครั้งนี้ด้วย
โมเดลรองรับการถ่วงน้ำหนักด้วยคีย์เวิร์ด หรือที่เรียกว่าการถ่วงน้ำหนักเอนทิตี คุณส่งรายการศัพท์เฉพาะสาขาให้ได้สูงสุด 200 คำ เช่น ชื่อผู้เข้าประชุม ชื่อผลิตภัณฑ์ ตัวย่อภายในองค์กร แล้วโมเดลจะเอียงการทำนายไปทางรายการนั้น โดยใช้บริบทรอบข้างตัดสินว่าควรใช้การถ่วงน้ำหนักเมื่อไร แทนที่จะยัดให้ตรงแบบมืดบอด Microsoft รายงานว่า WER บน FLEURS ลดลงได้ถึง 30% เมื่อเปิดใช้ ตัวอย่างที่เขาเผยแพร่นั้นชัดเจนมาก คือถ้าไม่มีรายการคีย์เวิร์ด ชื่อสามชื่อจะออกมาเป็น "Sean" "Oif" และ "Societal" พอใส่รายการเข้าไป โมเดลกู้ "Shaun" "Aoife" และ "Xochitl" กลับมาได้
ลองดูใกล้ ๆ ว่าเกิดอะไรขึ้นตรงนั้น เสียงไม่ได้เปลี่ยน สภาพอะคูสติกไม่ได้ดีขึ้น โมเดลไม่ได้ได้ยินแย่กว่าเดิม มันได้ยินชัดเจนดีอยู่แล้วแต่เดาผิด เพราะมันไม่รู้ว่าในห้องมีใครบ้าง ยื่นรายชื่อผู้เข้าประชุมให้ แล้วข้อผิดพลาดเกือบหนึ่งในสามก็ระเหยหายไป
นั่นคือข้อโต้แย้งทั้งหมดของบทความนี้ ที่ถูกส่งมอบในรูปฟีเจอร์ผลิตภัณฑ์โดยผู้ขายที่มีโมเดลคะแนนสูงสุด วิธีเพิ่มความแม่นยำที่ได้ผลที่สุดในการเปิดตัวเรือธงของปี ทำงานด้วยการฉีดข้อมูลที่ไม่เคยมีอยู่ในเสียงเลยเข้าไป ซึ่งแปลว่าพรมแดนที่เหลืออยู่ในงานถอดเสียงไม่ใช่เรื่องอะคูสติก แต่เป็นเรื่องบริบท และบริบทก็คือวัสดุที่ใช้สร้างชั้นต่าง ๆ เหนือถอดเสียงพอดี
ในขณะเดียวกัน ทุกคนกำลังแข่งกันเก็บเสียงให้ได้มากขึ้น
ตลาดฮาร์ดแวร์กลับสรุปในทางตรงข้าม และเรื่องนี้ควรพูดถึง แว่น GO3 ของ INMO ราคา 599 ดอลลาร์ ให้คำมั่นว่าจะแปลแบบเรียลไทม์กว่า 98 ภาษาฉายขึ้นบนเลนส์ พร้อมบันทึกเสียง ถอดเสียง และสรุปทุกบทสนทนาและทุกการประชุมโดยอัตโนมัติ ขับเคลื่อนด้วย ChatGPT และ Gemini ทั้งหมดนี้เป็นคำกล่าวอ้างของผู้ผลิตเองบนหน้าผลิตภัณฑ์ และความทะเยอทะยานก็ชัดเจน คือเก็บทุกอย่าง ทุกที่ โดยไม่ต้องใช้มือ
แต่การเก็บเสียงไม่เคยเป็นคอขวดตั้งแต่แรก โทรศัพท์ที่วางบนโต๊ะบันทึกการประชุมได้ดีพอมาสิบปีแล้ว การทำให้การเก็บเสียงกลายเป็นเรื่องรอบตัวยิ่งขึ้นมีแต่จะเพิ่มปริมาณเสียงที่ไหลเข้าไปในไปป์ไลน์เดิมที่ยังแก้ไม่ตก ถ้าจะมีอะไรเปลี่ยนก็คือปัญหายิ่งคมขึ้น อุปกรณ์ที่บันทึกทุกบทสนทนาของคุณตลอดทั้งวันย่อมผลิตวัตถุดิบที่ต้องเอาการตัดสินใจว่า "อะไรสำคัญ" ไปใช้มากกว่าเดิมมาก
สิ่งที่ควรทดสอบแทนการอ่านตัวเลข WER
ถ้าคุณกำลังประเมินเครื่องมือถอดเสียงหรือบันทึกการประชุม ตัวเลขความแม่นยำที่ประกาศไว้จะแยกผู้เข้าชิงไม่ออก เพราะทุกเจ้าอยู่ในระยะไม่กี่จุด แต่การทดสอบสามอย่างนี้แยกได้
อัดการประชุมจริงที่มีคนอย่างน้อยสามคนและมีช่วงที่คนพูดทับกันจริง ๆ แล้วตรวจว่าป้ายกำกับผู้พูดยังคงเส้นคงวาตั้งแต่นาทีที่ห้าไปจนถึงนาทีที่ห้าสิบหรือไม่ ตรงนั้นแหละที่การแยกผู้พูดค่อย ๆ เสื่อมลงอย่างเงียบ ๆ ต่อมา เลือกมติที่ถูกกล่าวในรูปปฏิเสธ (เช่น "ไตรมาสนี้เราไม่ทำ migration") แล้วไปค้นหามันในบทสรุป ระบบที่กลับด้านหรือทำคำปฏิเสธหายจะเผยตัวตรงนี้ สุดท้าย เอาบทสรุปไปเทียบกับความทรงจำของคุณเองเกี่ยวกับการประชุมนั้น แล้วนับแยกกันสองอย่าง คือสิ่งที่มันใส่เข้ามาทั้งที่ไม่สำคัญ กับสิ่งที่มันพลาดไปทั้งที่สำคัญ ตัวเลขที่สองนี้ไม่มีใครประกาศ และมันคือตัวที่ตัดสินว่าอีกสามเดือนคุณจะยังใช้เครื่องมือนี้อยู่หรือไม่
บทสรุป
อัตราความผิดพลาดของคำตอบคำถามที่ว่า "เครื่องได้ยินถ้อยคำเหล่านั้นหรือไม่" และวงการก็ตอบคำถามนั้นไปแล้ว สิ่งที่ไม่มีตารางอันดับไหนเคยตอบคือ "มันบอกฉันได้ไหมว่าการประชุมตัดสินใจอะไร"
นี่คือสองคำถามที่ต่างกัน และมีเพียงคำถามเดียวเท่านั้นที่เคยเป็นประเด็นจริง ถอดเสียงคือบันทึกของเสียง บันทึกการประชุมคือบันทึกของการตัดสินใจ ช่องว่างระหว่างสองอย่างนี้ไม่ได้วัดเป็นจุดเปอร์เซ็นต์ และจะไม่ถูกปิดด้วยไมโครโฟนที่ดีกว่าหรือ WER ที่ต่ำกว่า มันถูกปิดด้วยทุกอย่างที่คุณสร้างทับลงไป คือการรู้ว่าใครพูด รู้ว่าความคิดจบตรงไหน รู้ว่าคำไหนเป็นเสียงรบกวน และรู้ว่าสามประโยคไหนจากทั้งชั่วโมงคือเหตุผลที่การประชุมนั้นเกิดขึ้น
ถอดเสียงไม่เคยเป็นสิ่งที่ต้องส่งมอบ มันคือวัตถุดิบ
Telli.sh ถูกสร้างขึ้นตามแนวคิดนี้พอดี การรู้จำเสียงพูดเป็นชิ้นส่วนหนึ่ง ส่วนงานที่เราถือว่าเป็นตัวผลิตภัณฑ์อยู่เหนือมันขึ้นไป ได้แก่ การแยกผู้พูด การแบ่งช่วง การขัดเกลา และบทสรุปที่แยกการตัดสินใจออกจากการคุยเล่น รองรับ 15 ภาษา ถ้าอยากเห็นความต่างระหว่างถอดเสียงกับบันทึกการประชุมบนงานของคุณเอง ลองอัดสักครั้งแล้วอ่านผลลัพธ์ในอีกไม่กี่นาที
แหล่งอ้างอิง
- MAI-Transcribe in Azure Speech (preview) — Microsoft Learn — รายการข้อจำกัด รวมถึง "ไม่รองรับการแยกผู้พูด"
- Microsoft AI Introduces MAI-Transcribe-1.5 — MarkTechPost, 8 มิถุนายน 2026
- Introducing MAI-Transcribe-1.5 — Microsoft AI
- ตารางอันดับ speech-to-text ของ Artificial Analysis — ค่า AA-WER v2 ดึงข้อมูลวันที่ 4 สิงหาคม 2026
- หน้าผลิตภัณฑ์ INMO GO3 — คำกล่าวอ้างของผู้ผลิตเรื่องฟีเจอร์แปลภาษาและถอดเสียง
- หน้าภาพบน Wikimedia Commons
.jpg){kind=link}