Chinda ASR Speech to Text ภาษาไทย

Chinda ASR Pro v2 แปลงเสียงพูดภาษาไทยเป็นข้อความ แบ่งเป็นช่วงตามผู้พูดพร้อมเวลากำกับ และระบุผู้พูดแต่ละคน (SPEAKER_00, SPEAKER_01 ไปตามลำดับ) ถอดตัวอักษรถูก 97.94% บนชุดทดสอบ Common Voice 17.0 ภาษาไทย เฉพาะ 3,539 คลิปที่ประโยคไม่อยู่ในข้อมูลเทรน และรับเสียงได้ยาวถึง 8 ชั่วโมงต่อ request ชื่อและคำเฉพาะที่ส่งมาใน vocabulary จะเขียนตามที่คุณสะกด endpoint เดียวกันนี้ถอดภาษาอังกฤษและภาษาจีนได้ด้วย (language_code เป็น en หรือ zh) ถ้าต้องการข้อความระหว่างที่คนกำลังพูด ใช้ OpenThai ASR Realtime

ราคา Pro v2 และการสิ้นสุดของ Base กับ Pro

ช่วงเปิดตัวใช้ Pro v2 ฟรีถึงวันที่ 30 พฤศจิกายน 2569 ตั้งแต่ 1 ธันวาคม 2569 คิด 0.003 IC ต่อวินาทีเสียง นับตามวินาทีจริง: 10.8 IC ต่อชั่วโมงเสียง หรือประมาณ 13.5 บาทต่อชั่วโมง หรือเลือกแพ็กเกจรายเดือน ได้ตั้งแต่วันเดียวกัน: Transcribe S, M และ L ได้เสียง 18, 70 และ 320 ชั่วโมงต่อเดือน ในราคา 199, 690 และ 2,990 บาท ก่อน VAT

Base และ Pro สิ้นสุดวันที่ 15 พฤศจิกายน 2569 ตั้งแต่วันนั้น request ที่ส่งไป …/speech-to-text/base, …/speech-to-text/pro และ path เดิม /asr/v3 กับ /asr/v3/pro จะตอบโดย Pro v2 ในราคาของ Pro v2 ด้วย request และรูปแบบ response เดิม จึงไม่ต้องแก้โค้ด สิ่งที่ต่างคือ Pro v2 รับ language_code เป็น th, en และ zh ค่าอื่นจะได้ 400 รับเสียงได้ถึง 8 ชั่วโมงและ 250 MB ต่อ request เขียนตัวเลขเป็นคำอ่าน เขียนคำภาษาอังกฤษเป็นอักษรไทยตามเสียง และสะกดคำภาษาพูดตามแบบมาตรฐาน ระบุผู้พูดแต่ละคน (SPEAKER_00, SPEAKER_01 ไปตามลำดับ) ไม่ส่ง avg_logprob และ use_asr_pro กับ asr_pro_is_used เป็น true เสมอ endpoint Base และ Pro ของภาษาอังกฤษและภาษาจีนไม่เปลี่ยน

POST/v3/store/speech/speech-to-text/pro-v2

และอีก 2 endpoint

ทดลองใช้

• ราคาฟรีถึง 30 พ.ย. 2569
• แพ็กเกจรายเดือน เริ่ม199บาท/เดือน
• ความแม่นยำ97.94%
• ให้บริการแล้ว224.1Kครั้ง

• v3.0
• ใช้งานได้
• รายงานผลทดสอบ (PDF)

Input

OutputPOST /v3/store/speech/speech-to-text/pro-v2

output

2 × text: สวัสดีค่ะชั้นเสียงผู้ใหญ่ค่ะ start: 0 end: 3.4 speaker: SPEAKER_00 segment: 0

audio_duration_in_seconds

7.63

uploaded_file_name

2f3aeeb3-0cb6-42fb-b694-933b1a2c73f4.wav

processing_time_in_seconds

1.041

use_asr_pro

true

asr_pro_is_used

true

iapp

seconds: 7.63

ฟิลด์ทั้งหมดอยู่ในหัวข้อ Responseendpoint อื่น: /base, /pro ดูที่ Request

Request

curl -X POST https://api.iapp.co.th/v3/store/speech/speech-to-text/pro-v2 \
  -H "apikey: YOUR_API_KEY" \
  -F "file=@recording.wav"

Response

200OK ฟิลด์อธิบายไว้ในหัวข้อ Response

{
  "output": [
    { "text": "สวัสดีค่ะชั้นเสียงผู้ใหญ่ค่ะ", "start": 0.0, "end": 3.4, "speaker": "SPEAKER_00", "segment": 0 },
    { "text": "สวัสดีครับผมเสียงผู้ใหญ่ผู้ชายครับ", "start": 3.4, "end": 7.63, "speaker": "SPEAKER_01", "segment": 1 }
  ],
  "audio_duration_in_seconds": 7.63,
  "uploaded_file_name": "2f3aeeb3-0cb6-42fb-b694-933b1a2c73f4.wav",
  "processing_time_in_seconds": 1.041,
  "use_asr_pro": true,
  "asr_pro_is_used": true,
  "iapp": { "seconds": 7.63 }
}

แพ็กเกจรายเดือน

• Transcribe S18 ชั่วโมงต่อเดือนเดือนละ 199 บาท ตกชั่วโมงละ 11.06 บาท
  หรือปีละ 1,990 บาท ลด 2 เดือนเปิดสมัคร 1 ธันวาคม 2569
• Transcribe M70 ชั่วโมงต่อเดือนเดือนละ 690 บาท ตกชั่วโมงละ 9.86 บาท
  หรือปีละ 6,900 บาท ลด 2 เดือนเปิดสมัคร 1 ธันวาคม 2569
• Transcribe L320 ชั่วโมงต่อเดือนเดือนละ 2,990 บาท ตกชั่วโมงละ 9.34 บาท
  หรือปีละ 29,900 บาท ลด 2 เดือนเปิดสมัคร 1 ธันวาคม 2569

แพ็กเกจเหล่านี้เปิดให้สมัครตั้งแต่วันที่ 1 ธันวาคม 2569

ราคาก่อน VAT 7% ทุก endpoint ของ ถอดเสียง Chinda ASR Pro v2 นับเข้าแพ็กเกจ ส่วนที่เกินคิดชั่วโมงละ 10.8 เครดิตจากยอดเครดิต (เท่ากับราคาจ่ายตามใช้) ตัดบัตรต่ออายุรายเดือนหรือรายปี ยกเลิกได้ทุกเมื่อ มีผลเมื่อสิ้นรอบ

Request

ส่งเป็น multipart/form-data ครั้งละหนึ่งไฟล์เสียง ไปยัง endpoint ของระดับที่ต้องการ

ระดับ	Endpoint	ราคา
Base	POST /v3/store/speech/speech-to-text/base	1 IC ต่อ 60 วินาที ถึงวันที่ 14 พฤศจิกายน 2569
Pro	POST /v3/store/speech/speech-to-text/pro	2 IC ต่อ 60 วินาที ถึงวันที่ 14 พฤศจิกายน 2569
Pro v2	POST /v3/store/speech/speech-to-text/pro-v2	ฟรีถึง 30 พฤศจิกายน 2569 จากนั้น 0.003 IC ต่อวินาที (10.8 IC ต่อชั่วโมง)

Headers

apikeystringrequired

API key ของคุณ สร้างได้ที่เมนู API Keys ในแผงควบคุม

Body

filefilerequired

ไฟล์เสียง MP3, WAV, AAC, M4A หรือ WebM โดย Pro v2 อ่าน OGG/Opus, FLAC และเสียงในไฟล์ MP4 หรือไฟล์วิดีโออื่นได้ด้วย ความยาวและขนาดต่อ request ดูที่ข้อจำกัด

language_codestring

th เป็นค่าเริ่มต้น Pro v2 รับ en และ zh ได้ด้วย รวมถึง en-US, zh-CN, zh-TW, zh-HK และ zh-Hant โดยสามค่าหลังได้อักษรจีนตัวเต็ม ค่าอื่นจะได้ 400

vocabularystring

Pro v2 ชื่อและคำเฉพาะที่อาจมีในเสียง สะกดตามที่ต้องการให้เขียน เช่น ชื่อคน บริษัท แบรนด์ สินค้า สถานที่ ศัพท์เฉพาะทาง ส่ง field นี้ซ้ำได้ หรือส่ง field เดียวโดยแยกแต่ละคำด้วยการขึ้นบรรทัดใหม่หรือจุลภาค หรือส่งเป็น JSON list ได้สูงสุด 500 คำ คำละไม่เกิน 60 ตัวอักษร ดูชื่อและคำเฉพาะ

speaker_labelsboolean

Pro v2 true เป็นค่าเริ่มต้น ระบุผู้พูดแต่ละคน ส่วน false ข้ามขั้นนี้ เร็วขึ้นเล็กน้อย และทุกช่วงเป็น SPEAKER_00

mai_yamokstring

Pro v2 ภาษาไทย วิธีเขียนคำซ้ำ: expand เป็นค่าเริ่มต้น เขียนคำซ้ำเต็ม (จริงจริง) แบบที่บทถอดเสียงพูดมักใช้ ส่วน keep ใช้ไม้ยมก (จริงๆ) แบบภาษาเขียนมาตรฐาน

chunk_sizeinteger

ความยาวเสียงต่อช่วงประมวลผล เป็นวินาที ค่าเริ่มต้น 7 Pro v2 รับค่านี้แต่ไม่ได้ใช้

path เดิม /asr/v3 และ /asr/v3/pro ยังใช้ได้ในราคาเดียวกันถึงวันที่ 14 พฤศจิกายน 2569 ตั้งแต่ 15 พฤศจิกายน 2569 ทุก path เหล่านี้จะตอบโดย Pro v2

Response

outputarray

ช่วงเสียงทั้งหมด เรียงตามลำดับที่พูด

output.textstring

ข้อความที่พูดในช่วงนั้น

output.startnumber

เวลาที่ช่วงเริ่ม เป็นวินาที

output.endnumber

เวลาที่ช่วงจบ เป็นวินาที

output.speakerstring

ป้ายชื่อผู้พูด เช่น SPEAKER_00, SPEAKER_01 ถ้า speaker_labels เป็น false ทุกช่วงเป็น SPEAKER_00

output.segmentinteger

ลำดับของช่วง เริ่มจาก 0

output.avg_logprobnumber

ระดับความชัดของเสียงในช่วงนี้ตามที่ระบบรู้จำได้ เป็นค่าเฉลี่ย log-probability ของ token มีค่า 0 หรือติดลบ ยิ่งใกล้ 0 ยิ่งชัด ค่าที่วัดได้คือ −0.04 สำหรับเสียงพูดชัด −0.21 เมื่อมีเสียงรบกวนเบา และ −0.30 เมื่อมีเสียงรบกวนมาก ถ้าต่ำกว่า −0.15 ควรให้คนตรวจช่วงนั้นก่อนนำวันที่ ตัวเลข หรือชื่อไปใช้

audio_duration_in_secondsprocessing_time_in_secondsuploaded_file_name

ความยาวเสียง เวลาที่ใช้ และชื่อไฟล์

use_asr_proasr_pro_is_usedboolean

ขอใช้ขั้น Pro หรือไม่ และได้ใช้จริงหรือไม่ โดย Base เป็น false และ Pro เป็น true

iappobject

ข้อมูลการคิดเงิน

iapp.secondsnumber

จำนวนวินาทีที่คิดเงิน

modelstring

Pro v2: รุ่นของโมเดลที่ตอบ เช่น chinda-asr-pro-v2.2

รหัสสถานะ

รหัส	ความหมาย
200	รวมถึงไฟล์ที่ไม่มีเสียงพูด ซึ่งจะได้ output เป็นรายการว่าง
400	ไม่มีไฟล์ ไฟล์ว่าง ไฟล์ที่อ่านเป็นเสียงไม่ได้ language_code ที่ไม่ใช่ th, en หรือ zh vocabulary ที่เกิน 500 คำ มีคำยาวเกิน 60 ตัวอักษร หรือเป็น JSON ที่ไม่ใช่ list ของข้อความ หรือ mai_yamok ที่ไม่ใช่ expand หรือ keep
401	ไม่มี API key หรือ key ไม่ถูกต้อง
404	ไม่พบงาน
413	เสียงยาวเกิน หรือไฟล์ใหญ่เกินขีดจำกัดที่ระบุในข้อจำกัด
429	เรียกเกินขีดจำกัดของ API key (Pro v2: 5 ครั้งต่อวินาที 60 ครั้งต่อนาที 3,000 ครั้งต่อชั่วโมง) ดูข้อจำกัด
500	ประมวลผลไม่สำเร็จ (ไฟล์ยาวที่ได้ 200 ไปแล้ว ดูไฟล์เสียงยาว)
503	ระบบไม่ว่างชั่วคราว ให้ลองใหม่หลังจำนวนวินาทีที่ header Retry-After ระบุ

ไฟล์เสียงยาว

Pro v2 ใช้เวลาถอดประมาณหนึ่งในแปดของความยาวเสียง ไฟล์ MP3 ยาว 85 นาทีใช้เวลา 9.3 นาทีผ่าน API ไฟล์ที่ยาวเกิน 5 นาทีจะได้ 200 และ header ทันที จากนั้นระบบส่งช่องว่างหนึ่งตัวทุก 20 วินาทีระหว่างถอด แล้วจึงส่ง JSON ตามปกติ ตัวอ่าน JSON ข้ามช่องว่างนำหน้าได้อยู่แล้ว จึงไม่ต้องแก้โค้ด อย่าตั้ง timeout รวมให้สั้นกว่าเวลาที่ใช้ถอด ส่วน read timeout ตั้ง 60 วินาทีขึ้นไปก็พอ ถ้าถอดไม่สำเร็จหลังจากได้ 200 ไปแล้ว body จะเป็น {"detail": {"code": "ASR_FAILED", "message": "...", "retryable": true, "request_id": "..."}} ให้ตรวจว่ามี detail แล้วส่งไฟล์ใหม่

ชื่อและคำเฉพาะ

ส่งชื่อและคำเฉพาะที่คาดว่าจะมีในเสียงมาใน vocabulary โดยสะกดตามที่ต้องการให้เขียน เมื่อคำที่เสียงรองรับอยู่แล้วตรงกับคำในรายการ Pro v2 จะเลือกคำนั้น ชื่อที่ไม่ได้พูดจึงไม่ถูกใส่เข้ามา ได้ผลมากที่สุดกับชื่อที่สะกดได้หลายแบบ (ศรัณย์ หรือ ศรัณ) ชื่อบริษัทและสินค้า และศัพท์เฉพาะทาง ต้องส่งรายการมากับทุก request และใช้เวลาประมวลผลเพิ่มราว 7%

curl -X POST https://api.iapp.co.th/v3/store/speech/speech-to-text/pro-v2 \
  -H "apikey: YOUR_API_KEY" \
  -F "file=@meeting.mp3" \
  -F "vocabulary=ศรัณย์ วงศ์สวัสดิ์" \
  -F "vocabulary=ไอแอพพ์ เทคโนโลยี"

รายละเอียดเพิ่มเติม

ผลการทดสอบ

วัดบนระบบจริง 28 ตุลาคม 2569 ด้วยชุดทดสอบสาธารณะภาษาไทย 3 ชุด ได้แก่ Common Voice 17.0 (ประโยคทั่วไปที่อ่านออกเสียง) FLEURS (ประโยคจาก Wikipedia ที่อ่านออกเสียง) และ TVSpeech (เสียงพูดธรรมชาติจากวิดีโอที่มีศัพท์เฉพาะมาก) ค่าที่แสดงคืออัตราผิดพลาดระดับตัวอักษร ไม่นับช่องว่าง ยิ่งต่ำยิ่งดี

รายการ	ผล
Base, Common Voice 17.0 ภาษาไทย ชุดทดสอบ 11,042 คลิป	5.21% คือถูก 94.79% ของตัวอักษร
Base, FLEURS ภาษาไทย ชุดทดสอบ 1,021 คลิป	9.93%
Base, TVSpeech 570 คลิป	18.50%
Pro เทียบกับ Base บน Common Voice 300 คลิปชุดเดียวกัน	5.11% เทียบกับ 5.59%
Pro เทียบกับ Base บน TVSpeech 80 คลิปชุดเดียวกัน	17.69% เทียบกับ 19.21%
Pro v2, Common Voice 17.0 ภาษาไทย เฉพาะ 3,539 คลิปที่ประโยคไม่อยู่ในข้อมูลเทรน	2.06% คือถูก 97.94% ของตัวอักษร (Base บนคลิปชุดเดียวกัน 5.33%)
Pro v2, Common Voice 17.0 ภาษาไทย ชุดทดสอบทั้ง 11,042 คลิป	1.89% คือถูก 98.11% ของตัวอักษร
Pro v2 เทียบกับ Base บน FLEURS 1,021 คลิป	9.43% เทียบกับ 9.93%
Pro v2 เทียบกับ Base บน TVSpeech 570 คลิป	7.28% เทียบกับ 18.50%
Pro v2 ภาษาอังกฤษ: LibriSpeech test-clean 300 คลิป / FLEURS 200 คลิป (8 พ.ย. 2569)	word error rate 1.61% / 3.87%
Pro v2 ภาษาจีนกลาง: FLEURS 200 คลิป (8 พ.ย. 2569)	character error rate 7.07%
Pro v2 พร้อม vocabulary, GigaSpeech 2 dev 2,127 คลิปจาก YouTube (9 พ.ย. 2569)	ชื่อที่เขียนตรงตามที่ให้ไว้: 72% เมื่อไม่ส่งรายการ และ 84% เมื่อส่ง อัตราผิดพลาด 5.05% และ 4.90%
Pro v2 พร้อม vocabulary, TVSpeech 570 คลิป (9 พ.ย. 2569)	ชื่อที่เขียนตรงตามที่ให้ไว้: 67% เมื่อไม่ส่งรายการ และ 74% เมื่อส่ง อัตราผิดพลาดเท่าเดิม
Pro v2 พร้อมรายการชื่อที่ไม่มีในเสียง, TVSpeech (9 พ.ย. 2569)	ชื่อที่เขียนตรง: 67% เป็น 68% อัตราผิดพลาดสูงขึ้น 0.08 จุด และไม่มีชื่อในรายการถูกใส่เข้ามา
Pro v2 ผ่าน API ไฟล์ MP3 ยาว 85 นาที	9.3 นาที
เวลากลางผ่าน API ของ Base คลิปยาว 4.4 / 26.1 วินาที	0.68 / 2.13 วินาที
เวลากลางผ่าน API ของ Pro คลิปยาว 4.3 / 27.5 วินาที	4.52 / 6.01 วินาที

คลิปทดสอบ Common Voice จำนวน 1,186 คลิป (10.7%) มีประโยคซ้ำกับชุด training หรือ validation ของ Common Voice 11.0 ซึ่งอยู่ในข้อมูลที่ใช้ฝึกระบบ เมื่อวัดเฉพาะอีก 9,856 คลิป Base ได้ 5.27% ส่วน Pro ลดความผิดพลาดได้มากที่สุดกับเสียงพูดธรรมชาติที่มีชื่อเฉพาะและศัพท์เทคนิค สำหรับเสียงอ่านที่ชัด ผลต่างจาก Base ยังอยู่ในช่วงที่อาจเกิดจากความบังเอิญ วิธีวัดและผลรายชุด: รายงานผลการทดสอบ (PDF)

Pro v2 วัดด้วยชุดทดสอบและวิธีให้คะแนนเดียวกัน ที่รุ่น v2.2.6 ของวันที่ 9 พฤศจิกายน 2569 ซึ่งสะกดคำภาษาพูดตามแบบมาตรฐาน บนชุดทดสอบ Common Voice 17.0 ภาษาไทย เฉพาะ 3,539 คลิปที่ทั้งประโยคและเสียงไม่อยู่ในข้อมูลเทรน Pro v2 ถอดตัวอักษรได้ถูกต้องร้อยละ 97.94 (อัตราความผิดพลาดระดับตัวอักษรร้อยละ 2.06 ก่อนเปลี่ยนการสะกดได้ร้อยละ 97.95) ทั้งชุด 11,042 คลิปได้ร้อยละ 98.11 อีก 7,503 คลิปอยู่ในข้อมูลเทรน และผลของสองกลุ่มต่างกัน 0.25 จุด Pro v2 เขียนตัวเลขเป็นคำอ่าน จึงนับเป็นความผิดพลาดเมื่อประโยคอ้างอิงเขียนเป็นตัวเลข หากแปลงตัวเลขเป็นคำอ่านทั้งสองฝั่ง FLEURS วัดได้ 7.01% สำหรับ Pro v2 เทียบกับ 8.63% ของ Base บน TVSpeech นั้น Pro v2 ผิดน้อยกว่า Base 11.22 จุด (ช่วงความเชื่อมั่น 95% คือ 8.09 ถึง 13.53 จุด โดยสุ่มซ้ำตามวิดีโอต้นทาง 18 วิดีโอ)

ในแถวของ vocabulary รายการของแต่ละไฟล์คือชื่อในข้อความอ้างอิงของไฟล์นั้นเอง เฉลี่ยราว 23 ชื่อต่อไฟล์ ส่วนแถวสุดท้ายให้แต่ละไฟล์ใช้ชื่อของไฟล์อื่นแทน

เสียงที่มีเสียงรบกวน

Pro แก้ข้อความที่ถอดได้โดยดูจากบริบท ข้อผิดพลาดของขั้นนี้มักอ่านลื่น เช่น เติมหรือตัดคำเชื่อม หรือตัดคำทิ้ง และกับไฟล์ที่มีเสียงรบกวน คำที่ระบบได้ยินไม่ชัดอาจถูกแก้เป็นข้อความที่อ่านลื่นแต่ความหมายเปลี่ยน เช่น ชื่อเดือนผิด ค่า avg_logprob บอกคุณภาพของเสียง ไม่ได้บอกคุณภาพของข้อความที่แก้แล้ว และมีค่าเท่ากันทั้งสองระดับ จึงใช้หาช่วงที่ควรตรวจทานได้ ในประโยคทดสอบที่ผสมเสียงรบกวนเบา ช่วงที่ชื่อเดือนผิดได้ค่า −0.21 ส่วนคำศัพท์ภาษาอังกฤษที่ออกเสียงแบบไทย เช่น Login หรือ OAuth อาจถูกถอดเป็นคำทับศัพท์ที่เพี้ยน แม้ค่าจะดูมั่นใจ (−0.09)

ข้อจำกัด

• Base และ Pro: เสียงพูดภาษาไทย ยาวไม่เกิน 30 นาทีต่อ request
• Pro v2: ภาษาไทย อังกฤษ และจีน ยาวได้ถึง 8 ชั่วโมงต่อ request และไฟล์ไม่เกิน 250 MB เกินกว่านี้จะได้ 413 ไฟล์ WAV 16 kHz 16-bit จะถึง 250 MB เมื่อยาวราว 2 ชั่วโมง 10 นาที ไฟล์ยาวจึงควรส่งเป็น MP3, M4A หรือ Opus (MP3 64 kbps ยาว 8 ชั่วโมงราว 230 MB) ระบุผู้พูดได้ถึง 8 คนต่อไฟล์
• Pro v2 เขียนตัวเลขภาษาไทยเป็นคำอ่าน เขียนคำภาษาอังกฤษเป็นอักษรไทย และสะกดคำภาษาพูดตามแบบมาตรฐาน (อะ, ไหม, เขา ไม่ใช่ อ่ะ, มั้ย, เค้า) ไม่มีเครื่องหมายวรรคตอน เขียนคำซ้ำเต็ม (จริงจริง) เว้นแต่ mai_yamok เป็น keep และคำที่ส่งมาใน vocabulary จะเขียนตามที่คุณสะกด ส่วนภาษาอังกฤษและภาษาจีนมีเครื่องหมายวรรคตอนและเขียนตัวเลขเป็นตัวเลข ภาษาจีนเป็นอักษรตัวย่อ หรืออักษรตัวเต็มเมื่อใช้ zh-TW, zh-HK หรือ zh-Hant
• Pro v2 จำกัดการเรียกต่อ API key ไว้ที่ 5 ครั้งต่อวินาที 60 ครั้งต่อนาที และ 3,000 ครั้งต่อชั่วโมง ถ้าเกินจะได้ 429 โดย response header X-RateLimit-Remaining-Second, -Minute และ -Hour บอกจำนวนครั้งที่เหลือ

การจัดการข้อมูล

การขอความยินยอมและการแจ้งเจ้าของข้อมูลตาม PDPA และ GDPR เป็นหน้าที่ของคุณในฐานะผู้ควบคุมข้อมูล