ChindaMT: การแปลภาษาไทย-อังกฤษที่ทำตามกฎของคุณ ตีพิมพ์ที่ AACL-IJCNLP 2026

วันนี้เราเปิดตัว ChindaMT กลุ่มโมเดลแปลภาษาไทย-อังกฤษที่ทำตามกฎที่คุณกำหนด ได้แก่ คำศัพท์ที่ต้องใช้ น้ำเสียงที่ต้องการ ความยาว และรูปแบบ งานวิจัยเบื้องหลังตีพิมพ์ที่ AACL-IJCNLP 2026 (Main Conference) โมเดล ข้อมูลเทรน ชุดประเมินผล และโค้ด เปิดภายใต้ Apache 2.0 และ ChindaMT-4B พร้อมให้ใช้งานเป็น API แบบโฮสต์แล้ววันนี้

ลองใช้: ChindaMT แปลภาษาไทย-อังกฤษ · API: เอกสารและหน้าทดลองใช้งาน · บทความวิจัย: arxiv.org/abs/2609.34770 · น้ำหนักโมเดล: huggingface.co/iapp/ChindaMT-4B

คำแปลที่ถูกต้อง อาจยังไม่เหมาะกับงาน

ลองดูประโยคนี้: "The meeting has been moved to Friday because the boss is busy."

การแปลแบบมาตรฐานได้ การประชุมถูกเลื่อนไปเป็นวันศุกร์เนื่องจากเจ้านายยุ่ง ถูกต้องทุกคำ แต่คงไม่มีใครพิมพ์แบบนี้ลงในแชตกลุ่ม เมื่อกำหนดกฎ "use a casual, friendly tone" ให้ ChindaMT จะได้ ประชุมย้ายไปวันศุกร์แล้วนะ เพราะเจ้านายยุ่งมาก

การแปลแทบไม่เคยมีคำตอบเดียว ซับไตเติลต้องใช้น้ำเสียงของตัวละคร บทความวิชาการต้องใช้ภาษาทางการ แบรนด์ต้องมีสไตล์ของตัวเอง และสัญญาต้องใช้คำเดิมทุกครั้ง ความยากอยู่ที่ว่า ยิ่งผลักดันให้โมเดลทำตามกฎเหล่านี้มากเท่าใด คุณภาพการแปลก็มักยิ่งลดลง โมเดลที่เชี่ยวชาญด้านการแปลแปลได้ดีแต่ไม่ทำตามคำสั่ง ส่วนโมเดลทั่วไปที่ทำตามคำสั่งได้ก็แปลได้ไม่ดีเท่า ที่ผ่านมายังไม่มีโมเดลไทย-อังกฤษแบบเปิดตัวใดปิดช่องว่างนี้ได้

คำตอบอยู่ที่ข้อมูล

เราสร้างข้อมูลเทรนด้วยวิธีที่เรียกว่า Reference-Grounded Data Curation (RGDC) แทนที่จะให้โมเดลภาษาคิดกฎขึ้นมาเองแล้วหวังว่ากฎนั้นจะทำตามได้ RGDC ดึงกฎทุกข้อออกมาจากคำแปลอ้างอิงที่ดีซึ่งทำตามกฎนั้นอยู่แล้ว หากคำแปลอ้างอิงใช้ "THB" แทนคำว่า บาท ใช้เพียงประโยคเดียว และใช้ภาษาทางการ สิ่งเหล่านี้จะกลายเป็นกฎของตัวอย่างนั้น และเป็นกฎที่ทำตามได้แน่นอนโดยวิธีสร้าง เพราะมีคำแปลจริงที่ทำตามได้อยู่แล้ว

ไปป์ไลน์เริ่มจากคู่ประโยคอังกฤษ-ไทย 17.85 ล้านคู่ จากคลังข้อมูลสาธารณะ 10 ชุด ขั้นแรกคัดเก็บ 1.75 ล้านคู่ที่ยากที่สุดแต่ยังเรียนรู้ได้ ขั้นที่สองดึงกฎจากคำแปลอ้างอิงแต่ละรายการใน 5 หมวด (เนื้อหา ตัวเลข สไตล์ รูปแบบ ภาษา) สร้างคำแปลใหม่ภายใต้กฎเหล่านั้น และเก็บเฉพาะคำแปลที่ผ่านกฎทุกข้อ ผลลัพธ์คือ Grounded ชุดข้อมูล 1.97 ล้านรายการ เฉลี่ยรายการละ 3.7 กฎ

ผลลัพธ์

เราปรับแต่ง (fine-tune) โมเดล 3 ขนาด คือ 4B, 2B และ 0.8B แล้วเปรียบเทียบแต่ละขนาดกับโมเดลแปลภาษาแบบเปิดที่มีขนาดเท่ากัน ทั้งสองทิศทาง ทั้งแบบมีและไม่มีกฎ ตัวเลขด้านล่างคือสัดส่วนที่โมเดลผู้ตัดสิน (judge model) เลือกคำแปลของ ChindaMT เมื่อมีการกำหนดกฎ (50% หมายถึงเสมอกัน):

ChindaMT	เทียบกับ	ได้รับเลือก
4B	Typhoon-Translate-1.5-4B	68.4%
4B	TranslateGemma-4B	87.2%
4B	MiLMMT-46-4B	89.5%
2B	HY-MT-1.5-1.8B	78.6%
2B	GemmaX2-28-2B	89.9%
0.8B	HY-MT-1.5-1.8B	67.8%
0.8B	GemmaX2-28-2B	86.5%

การทำตามกฎไม่ได้แลกมาด้วยคุณภาพการแปล บน benchmark สาธารณะ FLORES-200 ChindaMT-4B ได้คะแนน 90.7 จากค่าเฉลี่ยของตัวชี้วัดคุณภาพ 3 ตัว สูงที่สุดในกลุ่มโมเดลขนาด 4B ถึง 9B ที่ทดสอบ ผู้ใช้ภาษาไทยเป็นภาษาแม่ 3 คน ซึ่งให้คะแนนคู่คำแปลแบบไม่ระบุที่มาโดยไม่ทราบว่าโมเดลใดสร้างคำแปลใด เลือก ChindaMT-4B ใน 69% ของการแปลแบบมีกฎ และ 67% โดยรวม หรือมากกว่าสองต่อหนึ่ง สูตรเดียวกันยังช่วยให้โมเดลตั้งต้นอีกรุ่นหนึ่งดีขึ้นภายใต้การตั้งค่าเดียวกัน ซึ่งชี้ว่าผลที่ดีขึ้นมาจากข้อมูล ไม่ได้มาจากโมเดลตั้งต้นตัวใดตัวหนึ่งโดยเฉพาะ

เริ่มใช้งาน

บนเว็บ ChindaMT แปลภาษาไทย-อังกฤษ ให้คุณแปลตามกฎของคุณเอง และเปรียบเทียบผลลัพธ์กับคำแปลที่ไม่ใช้กฎ

ผ่าน API ChindaMT-4B ให้บริการแล้วที่ POST https://api.iapp.co.th/v3/store/text/mt/translate พร้อม endpoint แบบ batch สำหรับข้อความบน UI และเซลล์ในตาราง รับข้อความได้สูงสุด 100,000 ตัวอักษรต่อคำขอ แปลหนึ่งประโยคในประมาณ 0.4 วินาที และห้าหน้าใน 1.7 วินาที ราคา 1 IC ต่อ 400 ตัวอักษรของข้อความต้นฉบับ ไม่คิดค่ากฎ และคำขอที่ล้มเหลวไม่คิดค่าบริการ รายละเอียดทั้งหมดอยู่ในเอกสาร API

curl -X POST https://api.iapp.co.th/v3/store/text/mt/translate \
  -H "apikey: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"text": "The meeting has been moved to Friday because the boss is busy.", "source_lang": "en", "target_lang": "th", "rules": ["Use a casual, friendly tone"]}'

บนฮาร์ดแวร์ของคุณเอง ทั้งสามขนาดเปิดภายใต้ Apache 2.0 โมเดล 0.8B มีขนาดเล็กพอจะรันบนโน้ตบุ๊กได้

สิ่งที่เผยแพร่	ลิงก์
โมเดล (Apache 2.0)	ChindaMT-4B, ChindaMT-2B, ChindaMT-0.8B
ข้อมูลเทรน 1.97 ล้านรายการ	ChindaMT-Grounded
ชุดประเมินผล	ChindaMT-CoreEval, ChindaMT-BroadEval
โค้ด	github.com/iapp-technology/ChindaMT-RGDC
บทความวิจัย	arxiv.org/abs/2609.34770

องค์กรที่ต้องการให้โมเดลใช้คำศัพท์เฉพาะขององค์กร หรือต้องการติดตั้งแบบ on-premise เพื่อความปลอดภัยของข้อมูล ติดต่อได้ที่ sale@iapp.co.th

ข้อจำกัด

ChindaMT รองรับเฉพาะภาษาไทยและภาษาอังกฤษ โมเดลทำตามกฎประเภทที่คำแปลอ้างอิงที่ดีสามารถแสดงให้เห็นได้ ได้แก่ คำศัพท์ น้ำเสียง ความยาว และรูปแบบผลลัพธ์ อภิธานศัพท์บังคับขนาดใหญ่และโทเคน placeholder ที่ต้องคงไว้อย่างเคร่งครัดอยู่นอกขอบเขตที่เทรนมา เช่นเดียวกับการแปลด้วยเครื่องทุกระบบ โมเดลอาจสร้างข้อความที่อ่านลื่นไหลแต่ไม่ถูกต้อง คำแปลสำหรับงานด้านกฎหมาย การแพทย์ และงานอื่นที่มีความเสี่ยงสูงจึงควรผ่านการตรวจทานโดยคน โดย API จะระบุจุดที่น่าจะมีปัญหาไว้ในฟิลด์ warnings

กิตติกรรมประกาศ

ChindaMT เป็นผลงานของทีม iApp AI Research ร่วมกับ ศ. ดร.ธนารักษ์ ธีระมั่นคง ขอขอบคุณ SiamAI ที่สนับสนุนทรัพยากรการประมวลผล OpenThai Lab ที่ให้การสนับสนุน และผู้ใช้ภาษาไทยเป็นภาษาแม่ 3 ท่านที่อาสาเป็นผู้ประเมิน

หากให้กฎกับนักแปลได้เพียงข้อเดียว คุณจะเลือกกฎใด ลองใช้ได้ที่หน้าแปลภาษา แล้วบอกเราได้ที่ Discord