'Gemini 3.5 Transcribe' AI ถอดเสียง 85 ภาษา ตัดคำฟุ่มเฟือย เข้าใจสิ่งที่คนพูด

Google เปิดตัว Gemini 3.5 Transcribe โมเดล Speech to Text รุ่นใหม่ที่ Google ระบุว่าเป็นโมเดล AI ถอดเสียงที่แม่นยำที่สุดในขณะนี้ โดยไม่ได้ถูกออกแบบมาเพียงเพื่อเปลี่ยนเสียงเป็นตัวหนังสือ แต่พยายามทำความเข้าใจบริบทและเจตนาของผู้พูด ก่อนจัดข้อความให้อ่านและนำไปใช้งานต่อได้ง่ายขึ้น

ความต่างจากระบบถอดเสียงแบบเดิมคือ มันไม่ได้พยายามพิมพ์ทุกคำแบบตรงตัว แต่มี Smart Transcription เช่น ถ้าพูดว่า “มีนัดวันอังคาร…เอ่อ ไม่ใช่ วันพุธ”

หากเป็นระบบถอดเสียงแบบเดิม เราอาจได้ข้อความกลับมาตามที่พูดทุกคำแบบตรงตัว รวมถึงคำว่า “เอ่อ”, “อืม”, “uh” และประโยคที่ผู้พูดเปลี่ยนใจกลางทาง แต่โมเดลล่าสุด มี Smart Transcription ที่เข้าใจว่าเราต้องการพูดอะไร และจัดให้เหลือสารที่ผู้พูดต้องการจริง ๆ รวมถึงตัด filler words โดยอัตโนมัติ เหลือแค่ “มีนัดวันพุธ” ซึ่งเป็นใจความสำคัญ

นี่อาจดูเหมือนความแตกต่างเล็ก ๆ แต่จริง ๆ แล้วเป็นการขยับบทบาทของ AI ถอดเสียงไปอีกขั้น

Gemini 3.5 Transcribe ทำอะไรได้บ้าง?

1. รองรับมากกว่า 85 ภาษา และการพูดสลับภาษา ‘ไทยคำ-อังกฤษคำ’

หนึ่งในจุดเด่นสำคัญคือการรองรับมากกว่า 85 ภาษา  รวมถึงสำเนียง/ภาษาถิ่นที่หลากหลาย พร้อมระบบตรวจจับภาษาอัตโนมัติ และการสลับภาษาระหว่างสนทนา หรือ Code-switching

พฤติกรรมนี้พบได้บ่อยขึ้นเรื่อย ๆ โดยเฉพาะในประเทศที่ใช้หลายภาษา หรือแม้แต่บทสนทนาของคนไทยที่ติดภาษาพูดอาจพูดว่า “เดี๋ยวส่ง Final Version ให้ตอนบ่ายนะ” AI สามารถรับมือกับการสลับภาษาภายในบทสนทนาเดียวกันได้ แทนที่ระบบจะตั้งภาษาไทยหรือภาษาอังกฤษ แยกทีละภาษา

ความสามารถนี้จึงมีประโยชน์ตั้งแต่การถอดบทสัมภาษณ์ การประชุมข้ามประเทศ Call Center ไปจนถึงระบบ Voice Agent ที่ต้องรับมือกับผู้ใช้หลายภาษา

2. Smart Transcription ระบบถอดเสียงอัจฉริยะ

อีกฟีเจอร์สำคัญคือ Smart Transcription ระบบสามารถจัดการกับคำฟุ่มเฟือยหรือ Filler Words เช่น “เอ่อ” “อืม” “uh” และ “um” รวมถึงตรวจจับกรณีที่ผู้พูดพูดผิดแล้วแก้คำใหม่

เช่น

“เอ่อ ผมคิดว่าเราประชุมวันพฤหัส…เอ๊ะ ไม่สิ วันศุกร์”

แทนที่จะเก็บข้อความทั้งหมดไว้เหมือน Transcript แบบคำต่อคำ ระบบสามารถนำคำที่ผู้พูดแก้แล้วมาสรุป ใช้เป็นข้อความสุดท้ายได้เลย นอกจากนี้ AI ยังช่วยจัดตัวพิมพ์ใหญ่-เล็ก เครื่องหมายวรรคตอน และรูปแบบของข้อความให้อ่านง่ายขึ้นโดยอัตโนมัติ ผลลัพธ์ที่ได้จึงเป็น ‘ข้อความพร้อมใช้’ มากกว่าไฟล์ถอดเสียงดิบที่มนุษย์ต้องกลับมานั่งเกลาอีกครั้ง

3. Custom Vocabulary ป้อนคลังคำศัพท์เฉพาะได้

ฟีเจอร์นี้สำคัญเพราะระบบ Speech-to-Text มักสะดุดกับชื่อคน ชื่อบริษัท ชื่อผลิตภัณฑ์ ตัวย่อ หรือศัพท์เฉพาะทาง โดยทางอาชีพ หรืองานวิจัย ผู้ใช้จึงสามารถป้อนคำศัพท์เฉพาะได้สูงสุด 1,000 phrases ที่คาดว่าจะปรากฏในบทสนทนาไว้ล่วงหน้า ก่อนโยนไฟล์เสียงให้ AI ถอด เพื่อความถูกต้องแม่นยำขึ้น

4. Speaker Diarization แยกได้ว่าใครกำลังพูด

ปัญหาคลาสสิกของการใช้ AI ถอดการประชุม หรือบทสัมภาษณ์คือ เมื่อมีคนพูดพร้อมกันหลายคน เราอาจได้ Transcript ยาวเป็นพรืด แต่ไม่รู้ว่าประโยคไหนเป็นของใคร แต่ Gemini 3.5 Transcribe มีความสามารถในการแยกผู้พูด ช่วยให้ระบบระบุได้ว่าเสียงแต่ละช่วงมาจาก Speaker คนไหน โดยระยะทดลองสามารถรองรับผู้พูด 3 คนขึ้นไป

5. ถอดเสียงแบบ Real-time และระบุเวลาในแต่ละคำได้

Gemini 3.5 Transcribe ยังรองรับการถอดเสียงแบบเรียลไทม์ สำหรับงานที่ต้องการข้อความแทบจะทันทีหลังจากมีเสียงพูด เช่น Live Caption, Voice Agent หรือระบบช่วยประชุม

ส่วนการถอดไฟล์เสียงที่บันทึกไว้ สามารถใช้ Word-level Timestamp เพื่อระบุช่วงเวลาเริ่มต้นและสิ้นสุดของแต่ละคำได้ เช่น เมื่อค้นเจอ Quote สำคัญจากบทสัมภาษณ์ยาวๆ ก็สามารถย้อนกลับไปยังช่วงเวลาที่คำนั้นถูกพูดได้ง่ายขึ้น หรือใช้ต่อยอดทำ Subtitle และ Searchable Transcript

Gemini 3.5 Transcribe แม่นยำขึ้นแค่ไหน?

Google อ้างอิงผลการทดสอบจาก Artificial Analysis พบว่า Gemini 3.5 Transcribe อัตราข้อผิดพลาดของคำ (WER) เฉลี่ย 4.0% สำหรับการใช้งานแบบสตรีมมิ่ง และ 2.6% สำหรับการใช้งานแบบไม่สตรีมมิ่ง แสดงให้เห็นถึงประสิทธิภาพที่แข็งแกร่งในสภาพแวดล้อมจริงที่มีเสียงรบกวน สามารถถอดเสียงตัวอักษรและตัวเลขได้อย่างแม่นยำ เช่น รหัสไปรษณีย์และรหัสคำสั่งซื้อ

นอกจากนี้ Google ยังระบุว่าเวลาในการได้ Final Transcription เร็วกว่าโมเดล Chirp 3 รุ่นก่อนหน้าประมาณ 70%

ส่วนการทดสอบด้านหลายภาษาบนชุดข้อมูล FLEURS มี WER อยู่ที่ประมาณ 5.50% สำหรับ Streaming และ 5.04% สำหรับ Non-streaming (WER ยิ่งต่ำยิ่งดี เพราะหมายถึงสัดส่วนคำที่โมเดลถอดผิดน้อยลง)

อย่างไรก็ตาม ตัวเลข Benchmark ไม่ได้แปลว่าการใช้งานจริงจะได้ผลเท่ากันทุกสถานการณ์ เพราะคุณภาพไมโครโฟน เสียงรบกวน สำเนียง จำนวนผู้พูด และศัพท์เฉพาะ ล้วนมีผลต่อความแม่นยำ

AI ถอดเสียงกำลังเปลี่ยนจาก ‘เครื่องพิมพ์’ เป็น ‘ผู้ช่วยฟัง’

Gemini 3.5 Transcribe สะท้อนทิศทางหนึ่งของ AI ที่ชัดขึ้นเรื่อย ๆ เครื่องมือไม่ได้ถูกสร้างมาเพียงเพื่อทำงานตามคำสั่ง แต่กำลังถูกออกแบบให้พยายามเข้าใจบริบทและเจตนาของมนุษย์มากขึ้น สำหรับคนทำงาน นั่นอาจหมายถึงเวลาหลายชั่วโมงที่ได้กลับคืนมา

จากเดิมที่ Speech-to-Text มีหน้าที่เพียงฟังเสียงแล้วเปลี่ยนเป็นตัวอักษร วันนี้มันเริ่มแยกผู้พูด รู้จักศัพท์เฉพาะ เข้าใจการสลับภาษา ตัดคำฟุ่มเฟือย และเลือกได้ว่าคำไหนคือสิ่งที่ผู้พูดตั้งใจจะพูดจริง ๆ

ยิ่งระบบถอดเสียงเข้ามาช่วยจัดการคำพูดของเราได้มากขึ้น การตรวจสอบกับเสียงต้นฉบับก็ยิ่งสำคัญ โดยเฉพาะกับงานข่าว งานวิจัย หรือเนื้อหาที่ต้องอ้างอิงคำพูดอย่างตรงไปตรงมา

ที่มา : Blog.google

FAQ : คำถามเกี่ยวกับ Gemini 3.5 Transcribe

Q: Gemini 3.5 Transcribe คืออะไร?

A: Gemini 3.5 Transcribe คือโมเดล Speech-to-Text ของ Google สำหรับถอดเสียงพูดเป็นข้อความ รองรับทั้งการถอดแบบ Real-time และไฟล์เสียงที่บันทึกไว้

Q: Gemini 3.5 Transcribe รองรับกี่ภาษา?

A: Gemini 3.5 Transcribe รองรับมากกว่า 85 ภาษา รวมถึงสำนวนหรือภาษาท้องถิ่น พร้อมความสามารถในการตรวจจับภาษาและรับมือกับการสลับภาษาภายในบทสนทนา

Q: Gemini 3.5 Transcribe รองรับภาษาไทยหรือไม่?

A: Gemini 3.5 Transcribe รองรับภาษาไทยในกลุ่มภาษาที่โมเดลสนับสนุน อย่างไรก็ตาม ความแม่นยำในการใช้งานจริงอาจแตกต่างกันตามคุณภาพเสียง สำเนียง เสียงรบกวน และศัพท์เฉพาะที่ใช้

Q: Gemini 3.5 Transcribe แยกเสียงผู้พูดได้หรือไม่?

A: ได้ โมเดลรองรับ Speaker Diarization เพื่อแยกว่าเสียงแต่ละช่วงเป็นของผู้พูดคนใด เหมาะสำหรับการประชุม การสัมภาษณ์ และบทสนทนาที่มีผู้พูดหลายคน

Q: AI สามารถตัดคำฟุ่มเฟือย “เอ่อ, อืม” หรือ คำผิด ออกจาก Transcript ได้หรือไม่?

A: ได้ Smart Transcription สามารถจัดการ Filler Words การพูดซ้ำ และการแก้คำระหว่างพูด เพื่อสร้างข้อความที่ตรงประเด็นได้ทันที

Q: Gemini 3.5 Transcribe เหมาะกับงานแบบไหน? ใช้ถอดบทสัมภาษณ์ได้ไหม?

A: ได้ และมีฟีเจอร์ที่เหมาะกับงานสัมภาษณ์ เช่น Speaker Diarization, Custom Vocabulary และ Word-level Timestamp เพื่อระบุช่วงเวลาเริ่มต้นและสิ้นสุดของแต่ละคำได้