Gemini 3.5 Transcribe ถอดเสียง 85+ ภาษารวมภาษาไทย — WER 2.6% ตัดคำเอ้ออ้าและแก้คำพูดกลับให้อัตโนมัติ
Google เปิดตัว Gemini 3.5 Transcribe เมื่อวันที่ 26 สิงหาคม 2026 เรียกมันว่าโมเดลแปลงเสียงเป็นข้อความที่แม่นที่สุดเท่าที่บริษัทเคยทำ จุดขายไม่ใช่แค่ความแม่น แต่คือการที่มัน ไม่ถอดเสียงตรงตัว — โมเดลตัดคำเติมอย่าง “เอ้อ” “อ่า” ทิ้ง จัดการกรณีที่ผู้พูดพูดผิดแล้วแก้กลับกลางประโยค และจัดฟอร์แมตข้อความให้อ่านได้เลย แทนที่จะโยนสายอักษรดิบมาให้นักพัฒนาไปทำความสะอาดเอง
สำหรับผู้อ่านชาวไทย ข้อมูลที่สำคัญที่สุดอยู่ในเอกสารนักพัฒนา ไม่ใช่ในบล็อกประกาศ: ตาราง BCP-47 ของ Gemini 3.5 Transcribe มี th-TH อยู่ด้วย ภาษาไทยจึงอยู่ในชุด 85+ ภาษาที่รองรับการตรวจจับภาษาอัตโนมัติตั้งแต่วันแรก
ตัวเลขที่ Google ประกาศ
- WER เฉลี่ย 4.0% สำหรับการใช้งานแบบสตรีมมิ่ง และ 2.6% สำหรับแบบไม่สตรีมมิ่ง
- บนเบนช์มาร์ก FLEURS ซึ่งเป็นชุดทดสอบหลายภาษา ตัวเลขคือ 5.50% (สตรีมมิ่ง) และ 5.04% (ไม่สตรีมมิ่ง)
- เวลาจนได้ผลลัพธ์สุดท้ายดีขึ้น 70% เทียบกับ Chirp 3 ซึ่งเป็นโมเดลถอดเสียงรุ่นก่อนของ Google
- ระบุตัวผู้พูดพร้อม timestamp ระดับคำได้ แม่นยำสูงสุด 3 คน ในไฟล์ที่บันทึกไว้ ส่วนกรณีตั้งแต่ 3 คนขึ้นไป Google ระบุเองว่ายังเป็น experimental
ข้อควรระวังในการอ่านตัวเลขชุดนี้: WER 2.6% เป็นค่าเฉลี่ยรวม ส่วน 5.04% บน FLEURS เป็นค่าเฉลี่ยข้ามภาษา — Google ไม่ได้แจกแจง WER รายภาษา ดังนั้นเราไม่รู้ว่าภาษาไทยอยู่ตรงไหนของการกระจายตัว ภาษาที่มีข้อมูลน้อยมักถูกกลบด้วยค่าเฉลี่ยของภาษาอังกฤษเสมอ ใครจะเอาไปใช้จริงควรวัดกับเสียงของตัวเองก่อน
เรียกใช้ยังไง
มีสองโมเดลไอดีและสองพื้นผิว API แยกตามลักษณะงาน
gemini-3.5-transcribe— ใช้ผ่าน Interactions API สำหรับไฟล์เสียงที่บันทึกไว้แล้ว อัปโหลดผ่าน Files API แล้วเรียกโมเดล มีตัวอย่างโค้ดทั้ง Python, JavaScript และ RESTgemini-3.5-transcribe-live— ใช้ผ่าน Live API สำหรับสตรีมจากไมโครโฟนหรือสตรีมเสียงสดแบบ low-latency
ข้อจำกัดที่ควรรู้ก่อนออกแบบระบบ: คำขอแบบ unary รองรับไฟล์เสียง ยาวได้ถึง 1 ชั่วโมง แต่ถ้าเปิดฟีเจอร์อย่างการแยกผู้พูด (diarization) หรือ timestamp ระดับคำ เพดานจะลดเหลือ 30 นาที — งานถอดประชุมยาว ๆ ต้องหั่นไฟล์เอง
นอกจากนี้โมเดลยังรองรับ custom vocabulary สำหรับศัพท์เฉพาะทาง ชื่อเฉพาะ และการสะกดแบบที่องค์กรใช้ และรองรับ function calling ซึ่งเปิดทางให้ส่งงานที่ซับซ้อนต่อไปยังโมเดล Gemini ตัวอื่นได้จากภายในกระบวนการถอดเสียงเลย
ปล่อยที่ไหนบ้างแล้ว
ฝั่งนักพัฒนาอยู่ใน public preview ผ่าน Google AI Studio และ Gemini Enterprise Agent Platform ส่วนฝั่งผู้ใช้ทั่วไป Google เอาไปเสียบในผลิตภัณฑ์ของตัวเองพร้อมกันหลายจุด: Gboard Rambler บน Android, ฟีเจอร์ Speak to Window ในแอป Gemini บน macOS และไมโครโฟนในช่องพรอมต์ของ Google Antigravity ส่วน Chrome สำหรับพิมพ์ด้วยเสียงลงช่องกรอกบนเว็บ ประกาศว่ากำลังจะตามมา
ราคายังไม่ระบุในบล็อกประกาศ เอกสารชี้ไปที่หน้า Pricing ทั่วไป
มุมมอง AI Curator
สิ่งที่ Gemini 3.5 Transcribe เปลี่ยนจริง ๆ ไม่ใช่ WER แต่คือ การย้ายงานทำความสะอาดข้อความเข้าไปอยู่ในตัวโมเดล ทุกคนที่เคยต่อ ASR เข้ากับ LLM รู้ดีว่าขั้นตอนจริงคือ เสียง → ข้อความดิบเต็มไปด้วย “เอ่อ” และคำที่พูดผิด → เรียก LLM อีกรอบเพื่อเกลา → ค่อยเอาไปใช้ การรวมสองสเต็ปนี้เป็นสเต็ปเดียวตัดทั้งเวลาแฝงและค่าโทเคนรอบที่สองทิ้ง — ตลาด ASR ปี 2026 จึงแข่งกันที่ “ผลลัพธ์พร้อมใช้” ไม่ใช่ “ตัวอักษรถูก” อีกต่อไป
แต่จุดที่ต้องพูดตรง ๆ สำหรับคนไทยคือ ทางเลือกยังไม่สมมาตร เมื่อวานเราเขียนถึง Granite Speech 5.0 Turbo CTC ที่เร็วเกิน 12,600 RTFx และมีน้ำหนักโมเดลให้โหลดใต้ Apache-2.0 — แต่รองรับภาษาอังกฤษภาษาเดียว วันนี้ได้โมเดลที่รองรับภาษาไทย แต่เป็น API ปิด ไม่มีน้ำหนัก รันในเครื่องไม่ได้ และราคายังไม่ประกาศ ใครทำงานกับข้อมูลเสียงที่ส่งออกนอกองค์กรไม่ได้ — เวชระเบียน คอลเซ็นเตอร์การเงิน ห้องประชุมราชการ — สมการยังไม่เปลี่ยน
คำแนะนำที่ปฏิบัติได้ตอนนี้: ถ้าคุณมีข้อมูลเสียงภาษาไทยจริงอยู่ในมือ ใช้ public preview นี้เป็นเครื่องวัด ไม่ใช่เป็นคำตอบ — ยิงเสียงจริงสัก 30 นาทีที่มีศัพท์เฉพาะขององค์กรผ่านทั้ง gemini-3.5-transcribe และไปป์ไลน์ที่ใช้อยู่ แล้วเทียบ WER ของคุณเอง ตัวเลข 2.6% ของ Google บอกได้แค่ว่าโมเดลเก่งกับชุดทดสอบของ Google และอย่าลืมทดสอบ custom vocabulary กับคำที่คนไทยมักถูกถอดผิด เช่น ชื่อสถานที่ ชื่อบุคคล และคำทับศัพท์อังกฤษที่ออกเสียงแบบไทย — นั่นคือจุดที่ ASR ต่างชาติพังบ่อยที่สุด และเป็นจุดที่ค่าเฉลี่ยข้าม 85 ภาษาไม่มีวันบอกคุณ
แหล่งข่าว
อ่านเพิ่มในหมวด โมเดลใหม่
Google เปิดตัว Gemini 4 Carbon ขึ้นอันดับ 1 Artificial Analysis v5 ด้วยคะแนน 59 แต่ยังให้ใช้แค่นักป้องกันไซเบอร์กลุ่มเล็ก
Gemini 4 Carbon เปิดตัว 28 ต.ค. แซง Claude Opus 5.5 บน Intelligence Index v5 แค่ 1 คะแนน และตามหลังเพียง 3 คะแนนในดัชนี coding agent ราคาเปิดตัว $2/$10 แต่นักพัฒนาทั่วไปยังเรียกใช้ไม่ได้ ระหว่างที่ Google ค่อย ๆ เปิดผ่านโปรแกรม Fairwind
Microsoft ปล่อย Mage-VL-Cowork โมเดล 4B คุมเดสก์ท็อปและเทอร์มินัลในตัวเดียว ได้ 66% บน OSWorld-Verified สัญญาอนุญาต Apache-2.0
Mage-VL-Cowork ขนาด 4B ของ Microsoft เลือกเองว่าจะคลิกหน้าจอหรือสั่ง bash ทำคะแนน OSWorld-Verified 66.0% ใกล้ค่าอ้างอิงมนุษย์ 72.4% ในตารางเดียวกัน แต่คำว่าดีที่สุดในขนาด 4B มีคู่เทียบบนตารางนี้แค่รุ่นเดียว
Mistral ปล่อยน้ำหนัก Large 4 จริงแล้ว — 1T ราคาลดเกือบครึ่ง แต่บน AA ได้ 26 และสัญญาอนุญาตห้ามขายเป็น API ถ้าไม่มีใบอนุญาตแยก
Mistral ปล่อยน้ำหนัก Large 4 (Le Chonk) เมื่อ 29 ต.ค. เป็นรุ่นที่ฝึก RL ต่ออีกสามสัปดาห์หลัง preview ขนาด 1T ใช้พื้นที่ราว 1.06TB ราคา API ลดเหลือ $0.70/$2.10 Mistral นำ open-weight ด้าน coding แต่คะแนนรวม AA 26 ตามหลังโมเดลจีน และสัญญาอนุญาตกันธุรกิจ Model-as-a-Service