Speech to Text ภาษาไทย

แปลงเสียงพูดภาษาไทยเป็นข้อความ แบ่งเป็นช่วงตามผู้พูดพร้อมเวลากำกับ มีสองระดับที่รับ request แบบเดียวกันและตอบ response แบบเดียวกัน: Base ตอบใน 0.3 วินาทีโดยทั่วไป ราคา 1 IC ต่อนาที; Pro แลกความเร็วกับความแม่นยำ ตัวอักษรถูก 97.81% ราคา 2 IC ต่อนาที

POST/v3/store/speech/speech-to-text/base

และอีก 1 endpoint

ทดลองใช้

• ราคา1 ICต่อ 60 วินาที
• ให้บริการแล้ว317.2Kครั้ง

• v3.0
• ใช้งานได้

Input

OutputPOST /v3/store/speech/speech-to-text/base

output

2 × text: สวัสดีครับ วันนี้เรามาคุยเรื่องการใช้งาน API กันนะครับ start: 0 end: 4.6 speaker: SPEAKER_00 segment: 0

audio_duration_in_seconds

8.1

uploaded_file_name

recording.wav

processing_time_in_seconds

0.3

iapp

seconds: 8.1

ฟิลด์ทั้งหมดอยู่ในหัวข้อ Responseendpoint อื่น: /pro ดูที่ Request

Request

curl -X POST https://api.iapp.co.th/v3/store/speech/speech-to-text/base \
  -H "apikey: YOUR_API_KEY" \
  -F "file=@recording.wav"

Response

200OK ฟิลด์อธิบายไว้ในหัวข้อ Response

{
  "output": [
    { "text": "สวัสดีครับ วันนี้เรามาคุยเรื่องการใช้งาน API กันนะครับ", "start": 0.0, "end": 4.6, "speaker": "SPEAKER_00", "segment": 0 },
    { "text": "ได้เลยค่ะ เริ่มจากการขอ API key ก่อนนะคะ", "start": 4.6, "end": 8.1, "speaker": "SPEAKER_01", "segment": 1 }
  ],
  "audio_duration_in_seconds": 8.1,
  "uploaded_file_name": "recording.wav",
  "processing_time_in_seconds": 0.3,
  "iapp": { "seconds": 8.1 }
}

Request

ส่งเป็น multipart/form-data ครั้งละหนึ่งไฟล์เสียง ไปยัง endpoint ของระดับที่ต้องการ

ระดับ	Endpoint	ราคา	อัตราผิดพลาดระดับตัวอักษร
Base	POST /v3/store/speech/speech-to-text/base	1 IC ต่อ 60 วินาที	5.87%
Pro	POST /v3/store/speech/speech-to-text/pro	2 IC ต่อ 60 วินาที	2.19%

Headers

apikeystringrequired

API key ของคุณ สร้างได้ที่เมนู API Keys ในแผงควบคุม

Body

filefilerequired

ไฟล์เสียง MP3, WAV, AAC หรือ M4A ไม่เกิน 1 GB

chunk_sizeinteger

ความยาวเสียงต่อช่วงประมวลผล เป็นวินาที ค่าเริ่มต้น 7

path เดิม /asr/v3 และ /asr/v3/pro ยังใช้ได้ในราคาเดียวกัน

Response

outputarray

ช่วงเสียงทั้งหมด เรียงตามลำดับที่พูด

output.textstring

ข้อความที่พูดในช่วงนั้น

output.startnumber

เวลาที่ช่วงเริ่ม เป็นวินาที

output.endnumber

เวลาที่ช่วงจบ เป็นวินาที

output.speakerstring

ป้ายชื่อผู้พูด เช่น SPEAKER_00, SPEAKER_01

output.segmentinteger

ลำดับของช่วง เริ่มจาก 0

audio_duration_in_secondsprocessing_time_in_secondsuploaded_file_name

ความยาวเสียง เวลาที่ใช้ และชื่อไฟล์

iappobject

ข้อมูลการคิดเงิน

iapp.secondsnumber

จำนวนวินาทีที่คิดเงิน

รหัสสถานะ

รหัส	ความหมาย
400	ไม่มีไฟล์ หรือรูปแบบไม่รองรับ
404	ไม่พบงาน
500	ประมวลผลไม่สำเร็จ

รายละเอียดเพิ่มเติม

ผลการทดสอบ

วัดบนชุดทดสอบ Common Voice 17.0 ภาษาไทย 11,042 ตัวอย่างที่โมเดลไม่เคยเห็น ผู้พูดมีทั้งชาย หญิง และเด็ก

รายการ	Base	Pro
อัตราผิดพลาดระดับคำ	14.52% คือถูก 85.48% ของคำ	8.01% คือถูก 91.99% ของคำ
อัตราผิดพลาดระดับตัวอักษร	5.87% คือถูก 94.13% ของตัวอักษร	2.19% คือถูก 97.81% ของตัวอักษร
เวลาตอบ โดยทั่วไป	0.3 วินาที	ช้ากว่า Base แลกกับความแม่นยำที่สูงกว่า

ผลรายตัวอย่างของ Base: ตารางผลทดสอบ

ข้อจำกัด

• เสียงพูดภาษาไทย ยาวไม่เกิน 30 นาทีต่อ request ทั้งสองระดับ

การจัดการข้อมูล

บริการเป็นไปตาม GDPR และ PDPA