S1-mini: โมเดล 0.6B ที่ทำงานเดียว — เก็บกวาดข้อความจาก speech-to-text ให้อ่านรู้เรื่อง ไฟล์ GGUF 462 MB รันบน CPU โน้ตบุ๊กได้

20 สิงหาคม 2026 ท่ามกลางข่าวโมเดลที่แข่งกันว่าใครฉลาดกว่ากัน มีโมเดลตัวหนึ่งที่น่าสนใจเพราะทำตรงกันข้าม — S1-mini จาก Superwhisper คือโมเดล 596M พารามิเตอร์ที่ทำงานเดียวเท่านั้น: เก็บกวาดข้อความดิบที่ออกจากระบบ speech-to-text ให้กลายเป็นข้อความเขียนที่คนอ่านรู้เรื่อง

ใครที่เคยต่อ Whisper หรือ ASR ตัวไหนก็ตามเข้ากับงานจริงจะรู้ทันทีว่าปัญหานี้มีอยู่จริงและน่ารำคาญแค่ไหน — ผลลัพธ์ที่ได้คือถอดเสียงตรงตัว มี “เอ่อ” “แบบว่า” ครบ มีประโยคที่พูดผิดแล้วพูดใหม่ค้างอยู่ทั้งสองเวอร์ชัน ไม่มีวรรคตอน และตัวเลขกับอีเมลถูกสะกดออกมาเป็นคำพูด

มันทำอะไรบ้าง

S1-mini รับข้อความดิบจาก ASR แล้วส่งกลับเป็นข้อความเขียน โดยจัดการสี่เรื่อง:

• ตัดคำเติม — เอ่อ อ่า แบบว่า หายไป
• แก้การพูดผิดแล้วพูดใหม่ — เก็บเฉพาะสิ่งที่ผู้พูดลงเอย ไม่ใช่ทุกอย่างที่หลุดปากออกมา
• ใส่วรรคตอนและตัวพิมพ์ใหญ่
• แปลงรูปพูดเป็นรูปเขียน — ตัวเลข วันที่ สกุลเงิน และที่อยู่อีเมล

ข้อสองคือข้อที่ผมว่าแยกมันออกจาก regex หรือ post-processing ธรรมดา เพราะการรู้ว่าผู้พูด “ลงเอย” ที่เวอร์ชันไหน ต้องเข้าใจความหมายของประโยค ไม่ใช่แค่จับ pattern

ตัวโมเดลควบคุมได้ผ่าน control line ที่แยกเป็นสามแกนอิสระ:

• Styling — casual / semi-casual / semi-formal / formal (คุมระดับภาษาและการใช้ตัวพิมพ์ใหญ่)
• Structure — prose หรือ lists (จะจัดรายการที่พูดออกมาเป็นบุลเล็ตไหม)
• Context — general หรือ email (คุมเลย์เอาต์ของผลลัพธ์)

สเปกและตัวเลข

รายการ	ค่า
พารามิเตอร์	596M (0.6B)
โมเดลตั้งต้น	Qwen/Qwen3-0.6B
สถาปัตยกรรม	28 เลเยอร์, 16 query heads / 8 KV heads
ความละเอียด	BF16
ขนาดไฟล์ GGUF (Q4_K_M)	~462 MB
ภาษา	อังกฤษเท่านั้น (v1)
ไลเซนส์	Apache 2.0 พร้อมข้อกำหนดเรื่องชื่อ

เบนช์มาร์กที่ทีมรายงาน: ความแม่นยำระดับโทเคน 94.8% บนชุดทดสอบที่กันไว้ 7,519 เคส, อัตราความผิดพลาดในการแก้ข้อความ 11.6%, ความแม่นยำในการระบุคำขึ้นต้นอีเมล 99.3% และความแม่นยำของที่อยู่อีเมลแบบตรงเป๊ะ 92%

ข้อควรระวังตอนใช้งาน ที่การ์ดโมเดลย้ำไว้: ต้องส่ง system prompt ให้ตรงเป๊ะ ตามด้วย control line, ขึ้นบรรทัดใหม่, แล้วค่อยเป็นข้อความถอดเสียง และต้อง ปิด thinking mode ใน chat template เพราะโมเดลถูกเทรนมาโดยไม่มี reasoning trace เลย — ถ้าลืมปิด ผลลัพธ์จะเพี้ยน

ไลเซนส์เป็น Apache 2.0 ที่สืบทอดมาจาก Qwen3 บวกข้อกำหนดว่าต้องคงการให้เครดิตและใช้ชื่อ “S1-mini” by “Superwhisper” ตามเดิม

มุมมอง AI Curator

โมเดลนี้เป็นตัวอย่างที่ดีของสิ่งที่ผมคิดว่าวงการกำลังจะกลับมาให้ค่ามากขึ้น: โมเดลเล็กที่ทำงานเดียวได้ดีเยี่ยม แทนที่จะเรียกโมเดลใหญ่มาทำงานเล็ก

ทุกวันนี้วิธีที่คนส่วนใหญ่ทำงานนี้คือส่งข้อความถอดเสียงเข้า GPT หรือ Claude พร้อม prompt ว่า “ช่วยจัดให้อ่านง่าย” ซึ่งได้ผลดีแต่มีต้นทุนสามชั้น: ค่า API ต่อครั้ง, latency ของการเรียกข้ามเน็ตเวิร์ก, และการที่เสียงพูดของผู้ใช้ต้องออกจากเครื่องไปหาบุคคลที่สาม S1-mini ตัดทั้งสามชั้นทิ้งด้วยไฟล์ 462 MB ที่รันบน CPU โน้ตบุ๊กได้ — และในงานประเภทนี้ โมเดลเฉพาะทางที่เทรนมาตรง ๆ มักชนะโมเดลใหญ่ที่ถูก prompt ให้ทำ เพราะมันไม่ตีความเกินคำสั่งหรือ “ช่วยเรียบเรียงใหม่” ในจุดที่เราไม่ได้ขอ

ข้อจำกัดที่ต้องพูดให้ชัด: v1 รองรับภาษาอังกฤษอย่างเดียว ซึ่งตัดคนไทยออกจากการใช้งานตรง ๆ ไปเลย

แต่ผมว่าคุณค่าสำหรับเราอยู่ที่อื่น — มันคือ สูตร ที่ทำซ้ำได้ ทีมนี้เอา Qwen3-0.6B ซึ่งใครก็โหลดได้ มา fine-tune บนงานแคบ ๆ งานเดียว แล้วสร้างชุดทดสอบ 7,519 เคสไว้วัด สิ่งที่ได้คือโมเดลที่ใช้งานได้จริงในผลิตภัณฑ์ ทั้งหมดนี้ไม่มีขั้นตอนไหนต้องใช้คลัสเตอร์ GPU ระดับที่ทีมไทยเอื้อมไม่ถึง

และปัญหาข้อความ ASR ภาษาไทยนั้น หนักกว่าภาษาอังกฤษมาก — เราไม่เว้นวรรคระหว่างคำ การใส่ช่องว่างผิดที่เปลี่ยนความหมายได้, คำเติมแบบ “คือแบบว่า” “อ่ะ” “นะครับ” มีความถี่สูง, เลขไทยกับเลขอารบิกปนกัน, และคำทับศัพท์ภาษาอังกฤษที่ ASR ถอดออกมาเป็นเสียงไทย ถ้ามีทีมไทยสักทีมหยิบสูตรนี้ไปทำ S1-mini เวอร์ชันไทย ผมคิดว่ามันจะมีคนใช้ทันที — โดยเฉพาะในงานถอดเทปประชุม งานเวชระเบียน และคอลเซ็นเตอร์ ซึ่งเป็นสามงานที่ต้องการทั้งความแม่นและการไม่ส่งข้อมูลออกนอกองค์กรพร้อมกัน

นี่คือช่องว่างที่โมเดลใหญ่จากต่างประเทศไม่มีใครมาอุดให้ เพราะมันเล็กเกินกว่าจะคุ้มสำหรับพวกเขา แต่ใหญ่พอสำหรับตลาดไทย

แหล่งข่าว

• superwhisper/s1-mini — Hugging Face
• Meet S1-mini: Superwhisper’s 462 MB Open-Weights Text Normalizer — MarkTechPost
• Qwen/Qwen3-0.6B — Hugging Face