Chinda ASR Realtime

Chinda ASR Realtime ถอดเสียงพูดภาษาไทยเป็นข้อความขณะที่คนยังพูดอยู่ เหมาะกับคำบรรยายสด คอลเซ็นเตอร์ และการสั่งงานด้วยเสียง ส่งเสียงเข้ามาทาง WebSocket แล้วจะได้ประโยคที่พูดมาถึงตอนนั้นราวทุก 0.7 วินาที และได้ประโยคที่จบแล้วโดยค่ากลาง 0.66 วินาทีหลังผู้พูดหยุด 90% ภายใน 1 วินาที ใช้ฟรีในช่วงเปิดตัว

ไฟล์เสียง หรือเสียงสด

มีไฟล์เสียงอยู่แล้ว? ใช้ Chinda ASR Pro v2 ซึ่งแม่นกว่า ระบุผู้พูดแต่ละคน รับรายชื่อเฉพาะ และรับไฟล์ได้ยาวถึง 8 ชั่วโมง ต้องการข้อความระหว่างที่คนกำลังพูด? ใช้ Realtime บนชุดทดสอบ TVSpeech นั้น Realtime ถอดตัวอักษรผิด 12.95% ส่วน Pro v2 ผิด 7.28%

WSS/v3/store/speech/speech-to-text/realtime-v2ทดลองใช้

• ราคาฟรีช่วงเปิดตัว
• ให้บริการแล้ว130.9Kครั้ง

• ใช้งานได้

เข้าสู่ระบบเพื่อทดลองใช้งาน

สมัครแล้วได้ 50 เครดิตฟรี ไม่ต้องผูกบัตร

สมัครบัญชีฟรีเข้าสู่ระบบ

การเชื่อมต่อ

เปิด wss://api.iapp.co.th/v3/store/speech/speech-to-text/realtime-v2 โดยใส่ API key ใน header apikey เบราว์เซอร์ตั้ง header ของ WebSocket ไม่ได้ หน้าเว็บจึงใส่ key ใน URL เป็น ?apikey=YOUR_API_KEY ได้ แต่ถ้าเป็นไปได้ให้เชื่อมต่อจากเซิร์ฟเวอร์ของคุณ เพราะ key ที่อยู่ในหน้าเว็บคัดลอกไปได้

1. ส่งข้อความ JSON หนึ่งข้อความพร้อมค่าตั้งด้านล่าง ทุกค่าไม่บังคับ
2. เซิร์ฟเวอร์ตอบ {"type": "ready", "session_id": "..."}
3. ส่งเสียงเป็นข้อความแบบ binary: PCM 16-bit little-endian, mono, 16 kHz ครั้งละไม่เกิน 1 วินาที (100 ถึง 200 ms กำลังดี) ด้วยความเร็วเท่าที่อัดจริง
4. อ่านข้อความ partial และ final ระหว่างที่ส่ง
5. ส่งข้อความ end เซิร์ฟเวอร์จะส่งประโยคสุดท้าย ตามด้วย done แล้วปิดการเชื่อมต่อ

language_codestring

th เป็นค่าเริ่มต้นและเป็นภาษาเดียวที่รองรับ

sample_rateinteger

16000 เป็นค่าเริ่มต้น ค่าอื่นจะถูกปฏิเสธ ให้แปลงอัตราสุ่มที่ฝั่งคุณ

encodingstring

pcm_s16le เป็นค่าเริ่มต้น: PCM 16-bit little-endian, mono

latency_msinteger

ระบบรอเสียงนานเท่าไรก่อนเขียน: 80, 320, 560 (ค่าเริ่มต้น) หรือ 1120 ยิ่งน้อยยิ่งได้ข้อความเร็ว แต่แม่นน้อยลงเล็กน้อย

end_silence_msinteger

ช่วงเงียบที่ถือว่าจบประโยค 300 ถึง 3000 ค่าเริ่มต้น 700

{"language_code": "th", "sample_rate": 16000, "encoding": "pcm_s16le", "latency_ms": 560, "end_silence_ms": 700}

ข้อความที่ได้รับ

partialobject

ประโยคที่พูดมาถึงตอนนั้น จะเปลี่ยนไปเมื่อมีเสียงเข้ามาเพิ่ม ให้แสดงแล้วแทนที่ด้วยข้อความใหม่

partial.utteranceinteger

ลำดับของประโยค เริ่มจาก 0

partial.textstring

สิ่งที่พูดมาถึงตอนนี้

partial.startnumber

เวลาที่ประโยคเริ่ม เป็นวินาทีนับจากเริ่ม session

finalobject

ประโยคที่จบแล้ว จะไม่เปลี่ยนอีก

final.utterancefinal.textfinal.start

เหมือนใน partial

final.endnumber

เวลาที่ประโยคจบ เป็นวินาทีนับจากเริ่ม session

final.modelstring

รุ่นของโมเดลที่ตอบ เช่น chinda-asr-realtime-v1

doneobject

ข้อความสุดท้ายหลัง end ก่อนปิดการเชื่อมต่อ

done.audio_secondsnumber

จำนวนวินาทีของเสียงใน session

done.utterancesinteger

จำนวนประโยค

ประโยคจบเมื่อผู้พูดเงียบนาน end_silence_ms หรือเมื่อพูดต่อเนื่อง 30 วินาทีโดยไม่หยุด ข้อความด้านล่างคือประโยคแรกของไฟล์เสียงตัวอย่างในหน้านี้ ส่งแบบสดเมื่อ 9 พฤศจิกายน 2569

{"type": "partial", "utterance": 0, "text": "สวัสดีค่ะชั้น", "start": 0.0}
{"type": "final", "utterance": 0, "text": "สวัสดีค่ะชั้นเสียงผู้ใหญ่ค่ะ", "start": 0.0, "end": 2.68, "model": "chinda-asr-realtime-v1"}
{"type": "done", "audio_seconds": 7.629, "utterances": 2}

ข้อผิดพลาด

ข้อผิดพลาดจะมาเป็น {"type": "error", "code": "...", "message": "..."} แล้วการเชื่อมต่อจะปิด ยกเว้น BAD_AUDIO และ BAD_MESSAGE การเปิด WebSocket โดยไม่มี key ที่ถูกต้องจะได้ HTTP 401 ก่อนการ upgrade

รหัส	เมื่อ
BAD_CONFIG	ข้อความแรกไม่ใช่ JSON ที่ถูกต้อง หรือค่าตั้งมีค่าที่ไม่อยู่ในรายการด้านบน
BAD_AUDIO	ข้อความ binary ที่มีจำนวนไบต์เป็นเลขคี่ หรือเสียงยาวเกิน 1 วินาที ข้อความนั้นจะถูกข้าม
BAD_MESSAGE	ข้อความตัวอักษรที่ไม่ใช่ end
TIMEOUT	ไม่ได้รับค่าตั้งภายใน 30 วินาทีหลังเปิด หรือไม่มีเสียงเข้ามา 30 วินาที ประโยคของเสียงที่ส่งแล้วจะถูกส่งมาก่อน
TOO_LONG	session มีเสียงครบ 4 ชั่วโมง
TOO_FAST	มีเสียงรอถอดเกิน 2 นาที แปลว่าส่งเร็วกว่าเวลาจริงมาก ถ้าเป็นไฟล์เสียงให้ใช้ Pro v2
BUSY	session สดถูกใช้ครบแล้ว ลองใหม่ในอีกไม่กี่วินาที
ASR_FAILED	ข้อผิดพลาดภายในระบบ

ตัวอย่าง

ภาษา Python ส่งไฟล์ 16 kHz mono ด้วยความเร็วเท่าที่อัดจริง:

import asyncio, json
import numpy as np, soundfile as sf, websockets

async def main(path, key):
    audio, sr = sf.read(path, dtype="float32")          # a 16 kHz mono file, for the example
    pcm = (np.clip(audio, -1, 1) * 32767).astype("<i2").tobytes()
    url = "wss://api.iapp.co.th/v3/store/speech/speech-to-text/realtime-v2"
    async with websockets.connect(url, additional_headers={"apikey": key}) as ws:
        await ws.send(json.dumps({"language_code": "th"}))
        print(await ws.recv())                          # ready

        async def send():
            step = 3200                                 # 100 ms of 16-bit audio
            for i in range(0, len(pcm), step):
                await ws.send(pcm[i:i + step])
                await asyncio.sleep(0.1)                # real time
            await ws.send("end")

        async def receive():
            async for msg in ws:
                ev = json.loads(msg)
                if ev["type"] == "final":
                    print(f'{ev["start"]:7.2f}-{ev["end"]:7.2f}  {ev["text"]}')
                elif ev["type"] == "done":
                    break

        await asyncio.gather(send(), receive())

asyncio.run(main("meeting.wav", "YOUR_API_KEY"))

รายละเอียดเพิ่มเติม

ผลการทดสอบ

วัดบนระบบจริง มี session สด 16 session ส่งเสียงด้วยความเร็วจริงพร้อมกัน 9 พฤศจิกายน 2569 ค่าความแม่นคืออัตราผิดพลาดระดับตัวอักษร ยิ่งต่ำยิ่งดี

รายการ	ผล
ประโยคที่พูดมาถึงตอนนั้น	ราวทุก 0.7 วินาทีระหว่างพูด ครั้งแรกราว 1.1 วินาทีหลังเริ่มพูด
ประโยคที่จบแล้ว	ค่ากลาง 0.66 วินาทีหลังผู้พูดหยุด 90% ภายใน 1 วินาที
TVSpeech 570 คลิป แบบสด	12.95% (โมเดลเดียวกันถอดทั้งคลิป 12.41%; Pro v2 7.28%)
ไฟล์เสียงยาว 10 นาที แบบสด	7.99% (โมเดลเดียวกันถอดทั้งไฟล์ 8.72%)
session สดพร้อมกัน	สูงสุด 20 session รวมทุกลูกค้าในช่วงเปิดตัว เกินกว่านั้นได้ BUSY

ข้อความแบบสดได้คะแนนใกล้กับโมเดลเดียวกันที่ถอดทั้งไฟล์ การเขียนออกมาก่อนจึงเสียความแม่นน้อยมาก ส่วน Pro v2 เป็นโมเดลที่แม่นกว่า ไฟล์เสียงจึงควรส่งไป Pro v2

ข้อจำกัด

• เสียงพูดภาษาไทย ในรูปแบบ PCM 16 kHz 16-bit mono
• ยาวได้ถึง 4 ชั่วโมงต่อ session
• ส่งเสียงด้วยความเร็วเท่าที่อัดจริง ถ้ามีเสียงรอเกิน 2 นาทีจะได้ TOO_FAST
• ยังไม่รองรับรายชื่อเฉพาะสำหรับเสียงสด ใช้ได้กับไฟล์เสียงบน Pro v2
• คำภาษาอังกฤษเขียนเป็นอักษรไทย

Endpoint รุ่นก่อน

Endpoint แบบเรียลไทม์รุ่นก่อน ได้แก่ wss://api.iapp.co.th/v3/store/speech/speech-to-text/realtime, /asrx และ /v1/audio/stt/rt ทำงานบน Chinda ASR Realtime ตั้งแต่ 9 พฤศจิกายน 2569 โดยใช้โปรโตคอลเดิม คือข้อความ SegmentResult ที่มี is_final จากนั้นส่ง {"action": "stop"} แล้วได้ SessionResult หนึ่งข้อความ และใช้ฟรีช่วงเปิดตัวเช่นกัน มีสองอย่างที่เปลี่ยนไป:

• รองรับภาษาไทยเท่านั้น ถ้า transcribe_lang เป็น en หรือ zh จะได้ข้อความแจ้งข้อผิดพลาดและการเชื่อมต่อจะถูกปิด
• ข้อมูลผู้พูดเป็นค่าว่าง

ระบบที่เชื่อมต่อใหม่ควรใช้ realtime-v2 ตามที่อธิบายในหน้านี้

การจัดการข้อมูล

การขอความยินยอมและการแจ้งเจ้าของข้อมูลตาม PDPA และ GDPR เป็นหน้าที่ของคุณในฐานะผู้ควบคุมข้อมูล