ถอดเสียงเป็นข้อความและทำคำบรรยาย

ระบบรู้จำเสียงอ่านไฟล์เสียงอย่างไร

เครื่องมือแปลงเสียงเป็นข้อความใช้ Whisper ซึ่งเป็นโมเดลรู้จำเสียงที่ OpenAI เปิดเผยในปี 2022 ภายใต้สัญญาอนุญาต MIT ตามการ์ดโมเดล (model card) Whisper ฝึกด้วยเสียงและบทถอดความจากอินเทอร์เน็ตรวม 680,000 ชั่วโมง ประมาณสองในสามเป็นภาษาอังกฤษ

Whisper ไม่ได้ฟังทั้งไฟล์ในครั้งเดียว แต่อ่านเสียงทีละ 30 วินาที ซึ่งแปลงเป็นสเปกโตรแกรม (ภาพที่บอกว่าความถี่ใดดังในแต่ละขณะ) แล้วเขียนข้อความที่น่าจะเป็นที่สุดของช่วงนั้นทีละชิ้นคำ พร้อมกำกับเวลา ไฟล์ที่ยาวจึงถูกแบ่งเป็นหลายช่วง เครื่องมือนี้ตัดแต่ละช่วงตรงจังหวะหยุดที่ยาวที่สุดใกล้ท้ายช่วง เพื่อไม่ให้ประโยคขาดกลาง และข้ามช่วงที่เงียบ

ก่อนเขียนอะไร โมเดลยังบอกได้ด้วยว่าเป็นภาษาอะไร เพราะสิ่งแรกที่มันทำนายคือป้ายภาษา หากปล่อยไว้ที่ "ตรวจหาอัตโนมัติ" เครื่องมือจะใช้การทำนายนี้กับ 30 วินาทีแรกที่มีเสียงพูด แล้วใช้ภาษาเดียวกับทั้งไฟล์

เลือกโมเดลไหนดี

Whisper มีหลายขนาด เครื่องมือนี้มีให้เลือกสามแบบ base และ small ทำงานบนหน่วยประมวลผลในเบราว์เซอร์รุ่นใหม่ทุกตัว ส่วน large-v3-turbo ทำงานบนการ์ดจอเมื่อเบราว์เซอร์รองรับ WebGPU

* วัดบนคอมพิวเตอร์ตั้งโต๊ะหนึ่งเครื่องในเบราว์เซอร์ base และ small ใช้น้ำหนัก 8 บิตบนหน่วยประมวลผล ส่วน large-v3-turbo ใช้น้ำหนัก 4 บิตบนการ์ดจอ อุปกรณ์ที่ช้ากว่าจะใช้เวลานานกว่า โมเดลแต่ละตัวดาวน์โหลดครั้งเดียว จากนั้นจะบันทึกไว้ในเบราว์เซอร์จนกว่าคุณจะลบในเครื่องมือ

ความต่างด้านคุณภาพเห็นชัดที่สุดในภาษาที่ไม่ใช่ภาษาอังกฤษ ในการทดสอบของเราด้วยไฟล์ภาษาเกาหลียาวหนึ่งนาทีที่อ่านด้วยเสียงสังเคราะห์ base เขียน 후회 (ความเสียใจ) แทน 회의 (การประชุม) และ 머료일 แทน 월요일 (วันจันทร์) small เขียนสองคำนั้นถูก แต่เขียน 무늬 (ลวดลาย) แทน 문의 (การสอบถาม) ส่วน large-v3-turbo ไม่ผิดเลย หากเบราว์เซอร์มี large-v3-turbo ให้ใช้โมเดลนี้ ถ้าไม่มี ให้เริ่มจาก base แล้วเปลี่ยนเป็น small เมื่อข้อความผิดมากเกินไป

large-v3-turbo คือ large-v3 ซึ่งเป็นโมเดลที่ใหญ่ที่สุดของ Whisper ในรุ่นที่ปรับให้เร็วขึ้น ต้องใช้การ์ดจอ เมื่อใช้หน่วยประมวลผลอย่างเดียวใช้เวลาประมาณ 13 เท่าของความยาวไฟล์ เครื่องมือจึงแสดงโมเดลนี้เฉพาะเมื่อมี WebGPU เช่น Chrome และ Edge รุ่นใหม่บนคอมพิวเตอร์ และ Safari บน Mac รุ่นใหม่ โมเดลนี้ยังใช้หน่วยความจำมากกว่า base มาก ซึ่งมือถือหลายรุ่นไม่มี

ทำอย่างไรให้ถอดเสียงได้แม่นขึ้น

• อัดเสียงใกล้ไมโครโฟน ระยะห่าง เสียงสะท้อน และเสียงรบกวนรอบข้างทำให้ความแม่นยำลดลงมากที่สุด
• หลีกเลี่ยงเพลงและเสียงพูดซ้อนกัน Whisper เขียนข้อความเป็นสายเดียวและไม่แยกผู้พูด
• เลือกภาษาเอง เมื่อไฟล์เริ่มด้วยเพลง ความเงียบ หรือคำทักทายในภาษาอื่น
• เตรียมแก้ชื่อคนและศัพท์เฉพาะ โมเดลเดาการสะกดจากเสียงและมักเลือกคำที่พบบ่อย
• ระวังข้อความที่แต่งขึ้นเอง การ์ดโมเดลเตือนว่า Whisper อาจเขียนสิ่งที่ไม่มีใครพูดและพูดซ้ำ โดยเฉพาะในช่วงที่เงียบหรือมีเสียงดัง ควรอ่านช่วงเหล่านั้นคู่กับไฟล์เสียง
• แบ่งไฟล์ที่ยาวมาก เสียง 1 ชั่วโมงหลังถอดรหัสใช้หน่วยความจำประมาณ 220 MB และทุกอย่างทำงานบนอุปกรณ์ของคุณเอง

ไฟล์คำบรรยาย: SRT และ VTT

ไฟล์คำบรรยายเป็นข้อความธรรมดา ประกอบด้วยรายการคำบรรยาย (cue) แต่ละรายการมีเวลาเริ่ม เวลาจบ และข้อความที่จะแสดง สองรูปแบบที่ใช้กันทั่วไปหน้าตาแทบเหมือนกัน

SubRip (.srt) ใส่หมายเลขให้แต่ละรายการ และใช้จุลภาคหน้ามิลลิวินาที

1
00:00:00,000 --> 00:00:02,500
สวัสดีตอนเช้าทุกคนครับ

2
00:00:02,500 --> 00:00:05,900
ผมจะสรุปประเด็นสำคัญของการประชุมวันนี้

WebVTT (.vtt) เป็นรูปแบบของ W3C สำหรับคำบรรยายในหน้าเว็บ ซึ่งองค์ประกอบ HTML <track> ใช้ ไฟล์ขึ้นต้นด้วยคำว่า WEBVTT เวลาใช้จุด และไม่ต้องใส่หมายเลขก็ได้

WEBVTT

00:00:00.000 --> 00:00:02.500
สวัสดีตอนเช้าทุกคนครับ

00:00:02.500 --> 00:00:05.900
ผมจะสรุปประเด็นสำคัญของการประชุมวันนี้

ใน WebVTT ข้อความของคำบรรยายต้องไม่มี --> และต้องเขียนอักขระ & กับ < เป็น & และ < เครื่องมือนี้แปลงให้อัตโนมัติ SRT ไม่มีข้อกำหนดอย่างเป็นทางการ แต่โปรแกรมตัดต่อและเครื่องเล่นวิดีโออ่านรูปแบบข้างต้นได้ ให้เลือกรูปแบบที่เครื่องเล่นหรือแพลตฟอร์มของคุณต้องการ

ปรับคำบรรยายให้อ่านง่าย

ช่วงข้อความของ Whisper แบ่งตามที่โมเดลเห็นว่าเป็นประโยค บางช่วงจึงยาว ก่อนเผยแพร่ ให้เล่นคำบรรยายพร้อมวิดีโอ แบ่งช่วงที่ค้างบนจอนานเกินไปหรือยาวเกินสองบรรทัด และตรวจว่าแต่ละรายการขึ้นตรงกับเสียงพูด โปรแกรมแก้ไขคำบรรยายส่วนใหญ่เปิดไฟล์ SRT แล้วเลื่อนหรือแบ่งรายการได้

ถอดเสียงบนอุปกรณ์กับถอดเสียงบนคลาวด์

บริการถอดเสียงออนไลน์มักอัปโหลดไฟล์เสียงไปยังเซิร์ฟเวอร์ของตน แล้วใช้โมเดลขนาดใหญ่ประมวลผลอย่างรวดเร็ว เครื่องมือในเบราว์เซอร์เก็บไฟล์เสียงไว้บนอุปกรณ์ของคุณ เสียงถูกถอดรหัสและถอดเป็นข้อความในหน้าเว็บ สิ่งที่ดาวน์โหลดมีเพียงไฟล์โมเดล แลกกับความเร็วที่ขึ้นกับหน่วยประมวลผลของคุณ และขนาดโมเดลที่จำกัดตามที่เบราว์เซอร์รองรับได้

ไม่ว่าใครเป็นผู้ประมวลผล ไฟล์เสียงของผู้อื่นควรได้รับการดูแลอย่างระมัดระวัง การ์ดโมเดล Whisper เตือนไม่ให้ใช้ถอดเสียงที่อัดผู้อื่นไว้โดยไม่ได้รับความยินยอม ควรขออนุญาตก่อนอัดหรือถอดเสียงบทสนทนา

คำถามที่พบบ่อย

แหล่งข้อมูล

แหล่งที่มา: OpenAI, Whisper (README) · ตรวจสอบล่าสุด: 13 ตุลาคม 2569

แหล่งที่มา: OpenAI, Model Card: Whisper · ตรวจสอบล่าสุด: 13 ตุลาคม 2569

แหล่งที่มา: W3C, WebVTT: The Web Video Text Tracks Format (Candidate Recommendation Draft, 20 May 2026) · ตรวจสอบล่าสุด: 13 ตุลาคม 2569