Chinda ASR Pro v2 สำหรับไฟล์เสียง และ Chinda ASR Realtime สำหรับเสียงสด
Chinda ASR มีสองผลิตภัณฑ์แล้ว Chinda ASR Pro v2 ถอดเสียงจากไฟล์และระบุผู้พูดทุกคน ส่วน Chinda ASR Realtime ถอดเสียงพูดภาษาไทยเป็นข้อความขณะที่คนยังพูดอยู่ ในการเปรียบเทียบ ASR ภาษาไทย 25 โมเดล รอบ 3 ของคุณ Korakot Chaovavanich ที่เผยแพร่เมื่อ 9 พฤศจิกายน 2569 Pro v2 ได้อันดับ 3 และอยู่ในกลุ่มที่สูสีทางสถิติกับอันดับ 1 ใช้ Pro v2 ฟรีถึง 30 พฤศจิกายน 2569 และใช้ Realtime ฟรีในช่วงเปิดตัว
สองผลิตภัณฑ์
มีไฟล์เสียงอยู่แล้ว? ใช้ Pro v2 ต้องการข้อความระหว่างที่คนกำลังพูด? ใช้ Realtime
| Chinda ASR Pro v2 | Chinda ASR Realtime | |
|---|---|---|
| เหมาะกับ | ไฟล์เสียง: ประชุม โทรศัพท์ สัมภาษณ์ วิดีโอ | เสียงสด: คำบรรยายสด คอลเซ็นเตอร์ สั่งงานด้วยเสียง |
| วิธีส่ง | HTTPS หนึ่ง request ต่อไฟล์ | สตรีมผ่าน WebSocket |
| ภาษา | ไทย อังกฤษ และจีน | ไทย |
| ผู้พูด | ระบุผู้พูดทุกช่วง | ไม่ระบุ |
| ความยาว | ถึง 8 ชั่วโมงและ 250 MB ต่อไฟล์ | ถึง 4 ชั่วโมงต่อ session |
| รายชื่อเฉพาะที่ให้เขียนตาม | ได้ ผ่าน vocabulary | ยังไม่รองรับ |
| TVSpeech 570 คลิป อัตราตัวอักษรผิด | 7.28% | 12.95% |
| ราคา | ฟรีถึง 30 พฤศจิกายน 2569 จากนั้น 0.003 IC ต่อวินาที | ฟรีช่วงเปิดตัว |
Pro v2 ในการเปรียบเทียบ ASR ภาษาไทย รอบ 3 ของคุณ Korakot Chaovavanich
คุณ Korakot Chaovavanich ทดสอบ 25 โมเดลกับเสียงพูดภาษาไทยจริงจาก YouTube (ข่าว vlog และสัมภาษณ์) ในชุด GigaSpeech 2 ที่คนถอดความไว้แล้ว ทุกโมเดลใช้คลิปชุดเดียวกัน คะแนนคือสัดส่วนตัวอักษรที่ผิด (CER) ยิ่งน้อยยิ่งดี นับหลังปรับการสะกดของทั้งสองฝั่งให้ตรงกัน เขาเผยแพร่ทั้งแผนภาพของโมเดลชั้นนำและตารางเต็มของทั้ง 25 โมเดล อันดับในบทความนี้มาจากตารางเต็ม
Pro v2 ได้อันดับ 3 ถอดตัวอักษรผิด 4.6% บนคลิปทั่วไป 300 คลิป เจ็ดโมเดลแรกอยู่ในช่วงความคลาดเคลื่อน 95% ของอันดับ 1 เขาจึงถือว่าสูสีกันทางสถิติ และลำดับภายในกลุ่มนี้ไม่มีนัยสำคัญ บนคลิปยาก 300 คลิป Pro v2 ไ ด้ 22% เท่ากับอันดับ 2 ด้านราคา อีกหกโมเดลในกลุ่มนี้มีสี่โมเดลที่ถูกกว่าต่อชั่วโมงเสียง หนึ่งในนั้นเป็นราคาโปรโมชัน ส่วน Pro v2 ถูกกว่าอันดับ 2 อยู่ 20% และราวหนึ่งในสิบของอันดับ 1
เชิงอรรถของเขาสองข้อเกี่ยวกับ Pro v2 และเราขอแจ้งไว้ตรงนี้ด้วย ข้อแรก Pro v2 เทรนด้วยชุด train ของ GigaSpeech 2 จึงได้เปรียบบนชุดทดสอบนี้ (†) ข้อสอง ไอแอพพ์ได้รายชื่อคลิปทดสอบไปก่อนการทดสอบ และแจ้งเขาว่าจะใช้ตรวจผลรอบสุดท้ายเท่านั้น (‡) ก่อนปรับการสะกด Pro v2 ผิด 6.0% และอันดับ 2 ผิด 5.4% ส่วนต่างนี้มาจากวิธีเขียน เช่น อ่ะ มั้ย เค้า และ ๆ ไม่ใช่จากการได้ยินผิด การทดสอบของเขาใช้ Pro v2 ก่อนค่ำวันที่ 9 พฤศจิกายน 2569 ซึ่งเป็นเวลาที่ Pro v2 เริ่มสะกดคำเหล่านี้ตามแบบมาตรฐาน (อะ ไหม เขา) บนคลิป GigaSpeech 2 dev 7,672 คลิป การเปลี่ยนนี้ลดอัตราผิดก่อนปรับการสะกดจาก 5.94% เป็น 5.53% ส่วนอัตราผิดหลังปรับไม่เปลี่ยน
ทั่วไป และ ยาก คือสัดส่วนตัวอักษรที่ผิดบนคลิปทั่วไป 300 คลิปและคลิปยาก 300 คลิป หลังปรับการสะกด ก่อนปรับ คือคลิปทั่วไปก่อนปรับการสะกด USD ต่อชม. คือราคาต่อชั่วโมงเสียง
กลุ่มที่สูสีทางสถิติกับอันดับ 1
| # | โมเดล | ทั่วไป | ยาก | ก่อนปรับ | USD ต่อชม. | Timestamp |
|---|---|---|---|---|---|---|
| 1 | Gemini 3.1 Pro (Google) | 4.4% | 21% | 6.0% | $3.82 | ไม่มี |
| 2 | Paxa STT Lite (Paxa Labs) | 4.6% | 22% | 5.4% | $0.50 | คำ |
| 3 | iApp Chinda ASR Pro v2 † ‡ | 4.6% | 22% | 6.0% | $0.40 | ช่วง |
| 4 | MAI-Transcribe-2 (Microsoft) | 4.7% | 21% | 7.0% | $0.11 | คำ |
| 5 | Qwen 3.8 Omni Flash (Alibaba) | 5.0% | 23% | 6.1% | $0.12 | ไม่มี |
| 6 | Scribe v2 (ElevenLabs) | 5.0% | 21% | 6.8% | $0.22 | คำ |
| 7 | Gemini 3.8 Flash (Google) | 5.1% | 32%* | 6.5% | $0.32 | ไม่มี |
อันดับ 8 ถึง 11
| # | โมเดล | ทั่วไป | ยาก | ก่อนปรับ | USD ต่อชม. | Timestamp |
|---|---|---|---|---|---|---|
| 8 | MAI-Transcribe-1.5 (Microsoft) | 5.3% | 25% | 7.5% | $0.41 | ไม่มี |
| 9 | Chirp 3 (Google) | 5.3% | 24% | 7.6% | $1.09 | คำ |
| 10 | Gemini 3.5 Transcribe (Google) | 6.0% | 24% | 8.2% | $0.38 | คำ |
| 11 | Soniox STT v6 (Soniox) | 6.6% | 27% | 8.6% | $0.10 | คำ |
โมเดลอื่นในแผนภาพของเขา
| # | โมเดล | ทั่วไป | ยาก | ก่อนปรับ | USD ต่อชม. | Timestamp |
|---|---|---|---|---|---|---|
| 12 | gpt-transcribe (OpenAI) | 6.8% | 27%* | 8.8% | $0.27 | ไม่มี |
| 13 | Typhoon Whisper Turbo (SCB 10X, open) † | 7.0% | – | 8.0% | ฟรี | ช่วง |
| 14 | Qwen3-ASR-1.7B (Alibaba, open) | 7.0% | 28% | 8.5% | $0.03 | ไม่มี |
| 17 | Gemini 3.5 Flash-Lite (Google) | 7.9% | 32% | 10.0% | $0.08 | ไม่มี |
| 24 | Whisper large-v3 (OpenAI, open) | 14.9% | 38% | 17.2% | $0.05 | ช่วง |
| 25 | MaprangSTT (PyThaiNLP, open) | 29.8% | 66% | 29.9% | ฟรี | คำ |
- ปรับการสะกด: ๆ เขียนเป็นคำซ้ำ ตัวเลขเป็นคำอ่าน อ่ะ เป็น อะ มั้ย เป็น ไหม เค้า เป็น เขา นึง เป็น หนึ่ง งี้ เป็น นี้ เนี่ย เป็น นี่ ฮะ เป็น ครับ ฯลฯ และตัดคำเติม เอ่อ อ่า อืม อะ ออกทั้งฝั่งเฉลยและฝั่งผลถอด
- คลิปยาก: คลิปที่ ASR ส่วนใหญ่ถอดผิดหรือถอดไม่ตรงกัน เช่น คลิปสั้น หัวเราะ พูดซ้อน คำแสลง ชื่อเฉพาะ
- † เทรนด้วยชุด train ของ GigaSpeech 2 จึงได้เปรียบชุดนี้ ‡ ได้รายชื่อคลิปทดสอบไปก่อนการทดสอบ * ถูกใช้คัดคลิปยาก ตัวเลขช่องนี้จึงสูงเกินจริง
- ราคา: ราคาที่จ่ายจริงผ่าน OpenRouter หรือ API ของผู้ให้บริการ (MAI-Transcribe-2 เป็นราคาโปรโมชันถึงสิ้นปี) ฟรีคือโมเดลเปิดที่รันเอง $0.40 ของ Pro v2 คือราคาตั้งแต่ 1 ธันวาคม 2569 ประมาณ 13.5 บาทต่อชั่วโมง คิดตามวินาทีจริง
- Timestamp: ตามเอกสารของผู้ให้บริการแต่ละราย: ระดับคำ ระดับช่วง (ประโยคหรือช่วงที่ผู้พูดแต่ละคนพูด) หรือไม่มี
- ยังมีอีก 8 โมเดลในตารางเต็มที่ไม่ได้แสดงในบทความนี้ คืออันดับ 15, 16 และ 18 ถึง 23 แผนภาพสรุปของเขาไม่ได้แสดง MAI-Transcribe-1.5 เพราะผู้ให้บริการรายเดียวกันมีรุ่นที่ดีกว่า ถูกกว่า และฟีเจอร์ครบกว่า
ที่มา: คุณ Korakot Chaovavanich "ASR ภาษาไทย ตัวไหนแม่นสุด? (พ.ย. 2026) · รอบ 3" เผยแพร่ทางเพจ Facebook ของเขา เมื่อ 9 พฤศจิกายน 2569 ตารางด้านบนคัดลอกจากแผนภาพ ตารางเต็ม และหมายเหตุของเขา Chinda ASR Realtime ไม่ได้อยู่ในการทดสอบนี้
Chinda ASR Pro v2: ไฟล์เสียง
Chinda ASR Pro v2 แปลงไฟล์เสียงเป็นข้อความ แบ่งเป็นช่วงตามผู้พูดพร้อมเวลากำกับ
- ความแม่น: ถอดตัวอักษรถูก 97.94% บนชุดทดสอบ Common Voice 17.0 ภาษาไทย เฉพาะ 3,539 คลิปที่ประโยคไม่อยู่ในข้อมูลเทรน และผิด 7.28% บน TVSpeech ซึ่งเป็นเสียงพูดธรรมชาติจากวิดีโอที่มีศัพท์เฉพาะมาก
- ผู้พูด: ทุกช่วงระบุผู้พูดเป็น
SPEAKER_00,SPEAKER_01ไปตามลำดับ พร้อมเวลาเริ่มและจบ ได้ถึง 8 คนต่อไฟล์ - ไฟล์ยาว: ถึง 8 ชั่วโมงและ 250 MB ต่อไฟล์ ไฟล์ MP3 ยาว 85 นาทีใช้เวลา 9.3 นาทีผ่าน API
- ชื่อและคำเฉพาะ: ส่งชื่อที่คาดว่าจะมีในเสียงมาใน
vocabularyได้ถึง 500 รายการ บนคลิป YouTube 2,127 คลิป ชื่อถูกเขียนตรงตามที่ให้ 84% เมื่อส่งรายชื่อ เทียบกับ 72% เมื่อไม่ส่ง - ไทย อังกฤษ และจีน บน endpoint เดียวกัน เลือกด้วย
language_code
ใช้ Pro v2 ฟรีถึง 30 พฤศจ ิกายน 2569 ตั้งแต่ 1 ธันวาคม 2569 คิด 0.003 IC ต่อวินาทีเสียง นับตามวินาทีจริง: 10.8 IC ต่อชั่วโมง หรือประมาณ 13.5 บาท และตั้งแต่วันเดียวกัน แพ็กเกจ Transcribe ให้เสียง 18, 70 หรือ 320 ชั่วโมงต่อเดือน ในราคา 199, 690 หรือ 2,990 บาท ก่อน VAT
Base และ Pro สิ้นสุดวันที่ 15 พฤศจิกายน 2569 ตั้งแต่วันนั้น request ที่ส่งไป endpoint เดิมจะตอบโดย Pro v2 ในราคาของ Pro v2 ด้วย request และรูปแบบ response เดิม จึงไม่ต้องแก้โค้ด สิ่งที่ต่างอยู่ในหน้า Speech to Text ภาษาไทย
Chinda ASR Realtime: เสียงสด
Chinda ASR Realtime รับเสียงภาษาไทยผ่าน WebSocket ที่ wss://api.iapp.co.th/v3/store/speech/speech-to-text/realtime-v2 และส่งข้อความกลับมาระหว่างที่เสียงเข้ามา
- ประโยคที่พูดมาถึงตอนนั้น: ราวทุก 0.7 วินาทีระหว่างพูด
- ประโยคที่จบแล้ว: ค่ากลาง 0.66 วินาทีหลังผู้พูดหยุด 90% ภายใน 1 วินาที
- ความแม่น: ผิด 12.95% บน TVSpeech แบบสด เทียบกับ 12.41% เมื่อโมเดลเดียวกันถอดทั้งคลิป ส่วน Pro v2 ผิด 7.28% บนคลิปชุดเดียวกัน ไฟล์เสียงจึงควรส่งให้ Pro v2
- เสียง: ภาษาไทยในรูปแบบ PCM 16 kHz 16-bit mono ส่งด้วยความเร็วเท่าที่พูดจริง ถึง 4 ชั่วโมงต่อ session
ใช้ Realtime ฟรีในช่วงเปิดตัว endpoint แบบเรียลไทม์รุ่นก่อน ได้แก่ /v3/store/speech/speech-to-text/realtime, /asrx และ /v1/audio/stt/rt ตอนนี้ทำงานบน Realtime ด้วยโปรโตคอลเดิม ระบบที่เชื่อมต่อใหม่ควรใช้ realtime-v2
ลองใช้
ทั้งสองหน้ามีส่วนให้ลองใช้สำหรับผู้ที่เข้าสู่ระบบ: อัปโหลด ไฟล์เสียงให้ Pro v2 หรือพูดผ่านไมโครโฟนให้ Realtime บัญชีใหม่ได้ 50 เครดิตฟรี สอบถามหรือใช้งานปริมาณมาก ติดต่อ sale@iapp.co.th หรือ 02-124-4041