Open Yap 1K: บทสนทนา 1,000 ชั่วโมงแยกแทร็กซ้ายขวาบนไทม์ไลน์เดียว ใช้เชิงพาณิชย์ได้ฟรี — แต่ส่วนที่ดาวน์โหลดได้ทันทีมี 8.9 ชั่วโมง ที่เหลือต้องยื่นคำขอ

คอขวดของโมเดลเสียงแบบ full-duplex — โมเดลที่ฟังและพูดพร้อมกันได้ ไม่ใช่ผลัดกันพูดทีละคน — ไม่ใช่สถาปัตยกรรม แต่คือข้อมูล ชุดข้อมูลบทสนทนาที่วงการใช้อ้างอิงกันมาสามทศวรรษอย่าง Fisher และ Switchboard ถูกบันทึกผ่านสายโทรศัพท์ที่ตัดความถี่ทิ้งเหลือราว 4 kHz และใช้วิธีจับ คนแปลกหน้า มาคุยกันตามหัวข้อที่กำหนด

เมื่อวันที่ 3 กันยายน 2026 บริษัท The Agentic Data Company ปล่อย Open Yap 1K บน Hugging Face — บทสนทนาภาษาอังกฤษ 1,602 รายการ รวม 1,000 ชั่วโมง บันทึกที่ 48 kHz แยกเป็นสองแทร็ก ต่อหนึ่งบทสนทนา บนไทม์ไลน์เดียวกัน และเก็บจาก คนที่รู้จักกันจริง โดยประกาศว่าใช้ได้ฟรีทั้งเชิงพาณิชย์และงานวิจัย

แต่ต้องอ่านโครงสร้างการเข้าถึงให้ครบก่อน เพราะคำว่า “ฟรี” ในประกาศนี้มีสองชั้น

สองชั้นของคำว่า “เปิด”

• ตัวอย่างบน Hugging Face Hub — 8.9 ชั่วโมง 16 บทสนทนา 8 ผู้พูด ใต้ CC-BY-4.0 ดาวน์โหลดได้ทันที ฟังผ่าน dataset viewer ได้ (รีโป TheAgenticDataCompany/open-yap-1k สร้างเมื่อ 2 ก.ย. ตอนตรวจสอบมีดาวน์โหลด 430 ครั้งและไลก์ 41)
• คลังเต็ม 1,000 ชั่วโมง — ต้องยื่นคำขอ แล้วรับสิทธิ์เป็นราย ๆ ภายใต้ Open Yap 1K Data Use Agreement ไม่ใช่ไลเซนส์เปิด

คือส่วนที่อยู่ใต้ไลเซนส์เปิดจริง ๆ คิดเป็นราว 0.89% ของคลัง ที่เหลือเป็นการให้สิทธิ์แบบมีเงื่อนไข ซึ่งบริษัทเขียนขั้นตอนไว้ตรงไปตรงมา: ยื่นคำขอโดยบอกว่าคุณเป็นใคร กำลังสร้างอะไร และจะใช้เสียงอย่างไร → ทีมงานอ่านทุกคำขอและตอบภายในไม่กี่ชั่วโมง → ผู้ที่ได้รับอนุมัติได้บัญชีพอร์ทัลหรือส่งเข้า S3 bucket ของตัวเอง

สิ่งที่ทำได้ตามข้อตกลง: ใช้เชิงพาณิชย์รวมถึงในสินค้าที่คุณขาย, งานวิจัยทั้งที่ตีพิมพ์และภายใน, เทรน/ไฟน์จูน/ประเมินโมเดล และ นำสิ่งที่เทรนไปดีพลอยได้

สิ่งที่ห้าม: แจกจ่ายซ้ำ แชร์ต่อ ให้ไลเซนส์ช่วง หรือขายต่อชุดข้อมูล; พยายามระบุตัวผู้พูดหรือเชื่อมโยงการบันทึกกับข้อมูลภายนอก; และ สร้าง voice clone หรืองานสังเคราะห์ที่ระบุได้ว่าเป็นผู้พูดคนใดในคลัง

ข้อสุดท้ายมีน้ำหนักจริง เพราะหนึ่งใน use case ที่บริษัทโฆษณาเองคือ expressive TTS — คุณเทรน TTS ด้วยข้อมูลนี้ได้ แต่เสียงที่ออกมาต้องไม่ฟังแล้วรู้ว่าเป็นใครในคลัง เป็นเส้นที่ทีมกฎหมายควรอ่านก่อนทีมวิศวกรรมจะเริ่มเทรน

จุดที่ต่างจริง: จับคนที่รู้จักกันมาคุย ไม่ใช่คนแปลกหน้า

วิธีเก็บข้อมูลคือบริษัททำ แอปคล้าย WhatsApp ให้คนใช้แทนการโทรปกติ ชวนคนที่ตัวเองรู้จักมาคุย แล้วบันทึกทั้งสองฝั่งเป็นแทร็กแยก เหตุผลที่บริษัทให้ไว้คมมาก: คนที่เพิ่งเจอกันหกสิบวินาทีก่อนจะสุภาพต่อกัน ผลัดกันพูดเป็นระเบียบ รอให้อีกฝ่ายพูดจบ แทบไม่แทรก — และโมเดล full-duplex ที่เทรนจากข้อมูลแบบนั้น “จะเรียนนโยบายการผลัดตาที่ผู้ใช้จริงละเมิดภายในนาทีแรก”

สัดส่วนความสัมพันธ์ที่ได้จึงเป็น: เพื่อน 70.9%, เพื่อนร่วมงาน 10.8%, คู่รัก 9.8%, ครอบครัว 8.5% ความยาวบทสนทนาเฉลี่ย 37.5 นาที มัธยฐาน 30 นาที และมีหางยาวเกิน 100 นาที

เพราะสองแทร็กอยู่บนไทม์ไลน์เดียวกัน พลวัตของบทสนทนาจึง วัดได้ตรง ๆ ไม่ต้องอนุมานจากการ diarize เสียงที่ผสมกันแล้ว ตัวเลขทั้งคลัง (p5 / p50 / p95):

ตัวชี้วัด	p5	p50	p95
ช่องว่างระหว่างตา (ms)	280	580	1,120
การพูดทับ (% ของเวลาที่มีเสียง)	2.8	8.3	20.9
จำนวนตาต่อนาที	5.3	11.9	20.0
สัดส่วนการครองบทสนทนา	0.27	0.56	0.81
อัตราการพูด (คำ/นาที)	156	186	218
แบนด์วิดท์ที่ใช้ได้จริง (kHz)	6.9	11.6	22.3

บริษัทเน้นว่า หางสำคัญกว่าค่ากลาง — บทสนทนาที่เกิน 20 ตาต่อนาทีและมีเสียงทับกัน 20% ของเวลาคือเคสที่ระบบ full-duplex จะพังก่อน และมันอยู่ในการแจกแจงนี้ ไม่ได้ถูกกรองทิ้ง ส่วนสัดส่วนการครองบทสนทนากระจายตั้งแต่ 0.16 ถึง 0.87 คือมีทั้งคู่ที่สลับกันเท่า ๆ และคู่ที่คนหนึ่งเล่าเรื่องยาวโดยอีกคนแค่ตอบรับ — ทั้งสองแบบใช้ได้ และไม่มีแบบไหนรอดจากโปรโตคอลที่บังคับให้ผลัดกันพูดเท่า ๆ กัน

ในตารางเทียบกับชุดข้อมูลอื่น Fisher English (2004) ยังใหญ่กว่าที่ 1,959 ชั่วโมง แต่เป็นของเสียเงิน อายุ 22 ปี และจำกัดที่ย่านโทรศัพท์ ในกลุ่ม wideband ที่ใช้เชิงพาณิชย์ได้ Open Yap 1K ใหญ่กว่าอันดับถัดไป (otoSpeech full-duplex, 280 ชั่วโมง) ราว 3.5 เท่า

สิ่งที่ควรอ่านก่อนตัดสินใจดาวน์โหลด

บริษัทเปิดเผยข้อจำกัดของตัวเองไว้ครบผิดปกติ และสี่ข้อนี้กระทบการใช้งานจริง

หนึ่ง — ทรานสคริปต์ยังไม่ผ่านมนุษย์ เป็นผลจาก Deepgram Nova-3 ระดับคำ และบริษัทเขียนเองว่า “ไม่ได้ผ่านการตรวจสอบโดยมนุษย์” ใครเทรน ASR หรือใช้ทรานสคริปต์เป็นเป้าหมาย จะรับการแจกแจงความผิดพลาดของ Nova-3 ติดมาด้วย

สอง — ตัวอย่างบน Hub ไม่ใช่ตัวแทนของคลัง บริษัทระบุเองว่ามันถูก คัดด้วยมือ ไม่ใช่สุ่ม ดังนั้น “ไม่มีอะไรเกี่ยวกับการแจกแจงของมันที่สรุปไปถึงคลังได้” และ 8 ใน 32 แทร็กของตัวอย่างไม่มีพลังงานเหนือ 8 kHz เลย เพราะเป็นหูฟังบลูทูธ ทั้งที่ไฟล์ยังเป็นคอนเทนเนอร์ 48 kHz — ต้องอ่านฟิลด์ effective_bandwidth_hz ต่อแทร็กก่อนจะเชื่อว่าได้ wideband จริง

สาม — ผู้พูดมีแค่ 239 คน สำหรับ 1,000 ชั่วโมง เฉลี่ยราว 4.2 ชั่วโมงต่อคน โดยผู้บริจาคเสียงรายใหญ่สุดคิดเป็น 1.8% ของคลัง และสิบอันดับแรกรวมกัน 17.9% นี่คือราคาที่ต้องจ่ายของการออกแบบแบบ “จับคู่กันเอง”: ได้ความเป็นธรรมชาติ แต่ได้ความหลากหลายของผู้พูดต่อชั่วโมงน้อยกว่าการจับคู่คนแปลกหน้า

สี่ — องค์ประกอบทางประชากรกระจุกที่โลกที่พูดอังกฤษ เจ้าของภาษาอังกฤษ 88.7% ประเทศที่โตมา: สหรัฐฯ 52.7%, แอฟริกาใต้ 10.5%, แคนาดา 7.5%, สหราชอาณาจักร 4.2% เพศแบ่งครึ่งพอดี อายุกระจายตั้งแต่ต่ำกว่า 25 ปี (23.0%) ถึง 55+ (6.7%) ทั้งหมดเป็นข้อมูลที่ผู้พูดกรอกเองตอนสมัคร ไม่ได้อนุมานจากเสียง

ด้านคุณภาพ บริษัทรายงานผลตรวจของคลังที่ส่งมอบไว้เป็นตัวเลข: แทร็กคู่ที่แชร์จุดยึดไทม์ไลน์เดียวกัน 100%, บทสนทนาที่มีทรานสคริปต์ระดับคำครบทั้งสองฝั่ง 100%, แทร็กที่เสียงรบกวนไม่รบกวน (BAK มัธยฐาน ≥ 3.0 ตาม P.835) 100%, แทร็กที่ไม่มีตัวอย่างคลิป 98.38% และแทร็กที่แบนด์วิดท์เกินย่านโทรศัพท์ (≥ 6.0 kHz) 96.44% ส่วนเรื่องความยินยอม ทุกไฟล์บันทึกบนแพลตฟอร์มของบริษัทเอง ไม่มีการสเครปหรือนำของจากที่อื่นมาใช้ซ้ำ ผู้พูดสมัคร ให้ความยินยอมชัดเจนก่อนบันทึกครั้งแรก และ ได้รับค่าตอบแทน

มุมมอง AI Curator

ผมให้เครดิตประกาศนี้สูงในเรื่องความซื่อสัตย์ของเอกสาร — มันบอกจุดอ่อนของตัวเอง (ตัวอย่างคัดมือ, บลูทูธในตัวอย่าง, ทรานสคริปต์ไม่ผ่านคน, ผู้พูดกระจุก) ก่อนที่ผู้ใช้จะไปเจอเอง ซึ่งเป็นมาตรฐานที่ประกาศชุดข้อมูลส่วนใหญ่ทำไม่ถึง และบริษัทก็ไม่ปิดบังว่าตัวเองขายอะไร: “เราสร้างชุดข้อมูลเสียงร่วมกับห้องแล็บแนวหน้า 1,000 ชั่วโมงนี้เป็นส่วนหนึ่งของคลังที่ให้ไลเซนส์ที่ใหญ่กว่า” พร้อมลิงก์ชวนคุยเรื่องไลเซนส์คลังเต็ม — คือการปล่อยของฟรีนี้เป็นช่องทางการขายด้วย และเขาเขียนไว้เอง

แต่ผมคิดว่าคำว่า “open” ในชื่อควรถูกอ่านอย่างระวัง ชุดข้อมูลที่ต้องยื่นคำขอและได้รับอนุมัติเป็นราย ๆ ภายใต้ข้อตกลงที่ห้ามแจกจ่ายซ้ำ ไม่ใช่ open data ในความหมายเดียวกับ CC-BY มันคือ “ฟรีและใช้เชิงพาณิชย์ได้” ซึ่งดีมากและมีค่ามาก แต่ไม่ใช่สิ่งเดียวกัน ความต่างจะสำคัญทันทีเมื่อคุณอยากทำงานให้ทำซ้ำได้ — คุณเผยแพร่ชุดข้อมูลที่ใช้เทรนพร้อมเปเปอร์ไม่ได้ ผู้ตรวจต้องไปขอเอง และประตูนั้นอยู่ในมือบริษัทเดียว

สำหรับคนไทยที่ทำ voice agent นี่คือทั้งของขวัญและใบเสร็จ

ของขวัญ: ถ้าคุณกำลังสร้างเอเจนต์เสียงภาษาอังกฤษ — คอลเซ็นเตอร์ที่ให้บริการลูกค้าต่างชาติ, ผู้ช่วยเสียงในสินค้าที่ขายนอกประเทศ — ตัวเลขในคลังนี้คือ สเปกที่คุณควรออกแบบระบบให้รับได้: ช่องว่างระหว่างตามัธยฐาน 580 ms และ p5 ที่ 280 ms หมายความว่าไปป์ไลน์ VAD → ASR → LLM → TTS ที่มี latency รวมเกินครึ่งวินาทีจะรู้สึกช้ากว่ามนุษย์ทันทีในครึ่งหนึ่งของตา และเสียงทับกัน 20.9% ที่ p95 คือเหตุผลที่ระบบผลัดตาแบบเดิมพังในบทสนทนาจริง — ตัวเลขพวกนี้เอาไปตั้งเป็นเกณฑ์ทดสอบได้เลยแม้จะไม่ดาวน์โหลดคลัง

ใบเสร็จ: ในคลังนี้ ไม่มีภาษาไทยแม้แต่ชั่วโมงเดียว และไม่มีอะไรใกล้เคียงในภูมิภาค ทีมที่อยากได้เอเจนต์เสียงภาษาไทยที่รับมือกับการแทรก การพูดทับ และ backchannel แบบ “ครับ/ค่ะ/อืม” ที่คนไทยใส่ถี่กว่าภาษาอังกฤษมาก ยังต้องเก็บข้อมูลเอง

ข่าวดีคือ สูตรที่บริษัทนี้ใช้เป็นสูตรที่ทำซ้ำได้ด้วยงบระดับมหาวิทยาลัย — ไม่ต้องมีห้องอัด ไม่ต้องจ้างนักแสดง แค่แอปโทรศัพท์ที่บันทึกสองแทร็กแยกกัน คนที่รู้จักกันจริง ความยินยอมชัดเจน และค่าตอบแทน โจทย์เพิ่มเติมสำหรับภาษาไทยมีสองข้อที่ต้องแก้ตั้งแต่ต้น: ภาษาไทยไม่เว้นวรรค ทำให้ทรานสคริปต์ “ระดับคำ” ต้องผ่านการตัดคำก่อน ซึ่งเป็นชั้นที่มีความผิดพลาดเพิ่มมาเอง และ การสลับภาษาไทย-อังกฤษกลางประโยค เป็นเรื่องปกติในบทสนทนาไทยจริงจนต้องออกแบบไปป์ไลน์ให้รองรับตั้งแต่แรก ไม่ใช่มาแก้ทีหลัง

ส่วนเรื่องความยินยอม ผมคิดว่าชิ้นนี้เป็นแบบอย่างที่ตรงกับ PDPA พอดี: บันทึกบนแพลตฟอร์มของตัวเอง ยินยอมก่อนบันทึกครั้งแรก ข้อมูลประชากรมาจากการกรอกเอง ไม่ใช่การอนุมานจากเสียง ตัวระบุผู้พูดเป็นนามแฝง และคัดข้อมูลที่มี PII ออกก่อนส่งมอบ ใครกำลังจะทำคลังเสียงภาษาไทย ลอกโครงนี้ไปใช้ได้เลย — มันแพงกว่าการไปสเครป YouTube มาก แต่เป็นวิธีเดียวที่ผลลัพธ์เอาไปขายได้จริงโดยไม่ต้องลุ้น

แหล่งข่าว

• Open Yap 1K: 1,000 hours of full-duplex natural conversation, free for commercial use — Hugging Face Blog (3 ก.ย. 2026)
• TheAgenticDataCompany/open-yap-1k — ตัวอย่าง 8.9 ชั่วโมงบน Hugging Face (CC-BY-4.0)
• Open Yap 1K — หน้าขอสิทธิ์เข้าถึงคลังเต็มของ The Agentic Data Company