Meta เปิด Muse Voice Transcribe โมเดล ASR สตรีมมิ่งตัวแรกของ MSL — ขึ้นที่ 1 ด้าน WER จริงตามข้อมูล Artificial Analysis แต่ latency อยู่ที่ 5 จาก 7 และรองรับภาษาไทยในลิสต์ 25 ภาษา

โพสต์นี้เป็นการตามเก็บข่าวที่เราพลาดไป — Meta ประกาศเมื่อ 1 ก.ย. 2026 และออกบล็อกฝั่งนักพัฒนาเมื่อ 3 ก.ย. ไม่ใช่ข่าววันนี้ แต่เป็นโมเดลที่นักพัฒนาไทยควรรู้เพราะภาษาไทยอยู่ในลิสต์ที่รองรับ

Muse Voice Transcribe คือโมเดล “audio perception” แบบเรียลไทม์ตัวแรกที่ Meta Superintelligence Labs ปล่อยออกมา และจุดขายไม่ได้อยู่ที่ความแม่นอย่างเดียว แต่อยู่ที่การรวมสามงานที่ปกติต้องต่อกันเป็นไปป์ไลน์ — streaming ASR, diarization แยกผู้พูดเกิน 20 คน, และ endpointing (รู้ว่าคนพูดจบประโยคเมื่อไหร่) — ไว้ในโมเดลเดียว ไม่ต้องมีขั้นตอน post-processing แยก

ราคาคือ $0.18 ต่อชั่วโมงเสียง ($3 ต่อ 1,000 นาที) เข้าถึงผ่าน Meta Model API ตั้งแต่วันประกาศ และตอนนี้ก็ขับเคลื่อนการพิมพ์ด้วยเสียงใน Meta AI สำหรับ Mac (กด Fn ค้างเพื่อพูดลงหน้าต่างไหนก็ได้) กับใน Muse Code ด้วย น้ำหนักไม่เปิด และ Meta ไม่เปิดเผยจำนวนพารามิเตอร์ ปริมาณข้อมูลเทรน หรือแหล่งที่มาของข้อมูลเสียง

สถาปัตยกรรม: ให้โมเดลเลือกเองว่าจะฟังต่อหรือพิมพ์

Muse Voice Transcribe เป็นโมเดลมัลติโมดัลแบบ autoregressive ในตระกูล Muse Spark เสียงถูกหั่นเป็นก้อนละ 80 มิลลิวินาที (12.5 Hz) แล้วแปลงเป็น soft token หนึ่งตัวต่อก้อน ที่ทุกก้อนโมเดลตัดสินใจสองทาง: ทำนายโทเคนพิเศษ <|next_audio|> แปลว่า “ขอฟังต่อ” แล้วเอาก้อนเสียงถัดไปมาแทนที่โทเคนนั้น หรือปล่อยโทเคนข้อความออกมาเลย พอสตรีมจบ ระบบใส่ <|empty_audio|> เพื่อบอกว่าไม่มีเสียงแล้ว โมเดลจึงเทข้อความที่เหลือออกมาทั้งหมด

เพราะโมเดลคุมจังหวะเองได้ทั้งหมด มันจึงเลือกได้ว่าจะฟังนานแค่ไหนก่อนตัดสินใจถอดคำหนึ่งคำ — Meta เรียกว่า “adaptive delay” คือคำง่ายก็ตอบเร็ว คำยากก็รอบริบทเพิ่ม เทรนด้วย RL ที่คูณรางวัลด้าน WER เข้ากับรางวัลด้าน delay แบบ multiplicative

diarization กับ endpointing ต่อยอดจากฐานเดียวกันด้วยการเพิ่มโทเคนพิเศษ ไม่ใช่โมเดลแยก: <|start_of_turn|> ปล่อยทันทีที่อาจมีการเปลี่ยนผู้พูด แล้วตามด้วย <|speaker_A|> ถึง <|speaker_Z|> ตอนจบก้อน ส่วน endpointing ใช้ <|speech_onset|> กับ <|speech_endpoint|> ทั้งสองงานถูกเทรนพร้อมกับ ASR โดยเพิ่มรางวัลเฉพาะทางทับลงไป

ภาษาไทยอยู่ในลิสต์ — และ SEA ได้ไป 5 จาก 25

Meta บอกว่าเทรนด้วยภาษามากกว่า 70 ภาษา แต่ ตรวจสอบอย่างละเอียดแล้ว 25 ภาษา และแนะนำให้ใช้เฉพาะ 25 ตัวนี้ก่อน ตัวบล็อกวิจัยไม่ได้พิมพ์รายชื่อไว้ ต้องไปดูในเอกสารนักพัฒนา ซึ่งระบุครบ:

Arabic, Bengali, Dutch, English, French, German, Hebrew, Hindi, Indonesian, Italian, Japanese, Kannada, Korean, Malay, Mandarin Chinese, Marathi, Polish, Portuguese, Spanish, Tagalog, Tamil, Telugu, Thai, Turkish, Vietnamese

ห้าจาก 25 ภาษาเป็นภาษาเอเชียตะวันออกเฉียงใต้ (ไทย อินโดนีเซีย มลายู ตากาล็อก เวียดนาม) ซึ่งสัดส่วนสูงผิดปกติเมื่อเทียบกับโมเดล ASR เชิงพาณิชย์ทั่วไปที่มักหยุดที่ไทยแบบ “รองรับแต่ไม่การันตี” และฟีเจอร์ code-switching ก็ตรงกับพฤติกรรมจริงของผู้พูดไทยมาก — ประโยคแบบ “พรุ่งนี้มี meeting ตอนบ่ายสอง ช่วย remind หน่อย” คือกรณีที่ ASR ภาษาเดียวพังเสมอ

มีสองพารามิเตอร์ที่ควรตั้งตั้งแต่ handshake เพราะเปลี่ยนกลางเซสชันไม่ได้: languageBias (บอกว่าให้คาดหวังภาษาไหนบ้าง เป็นการชี้นำ ไม่ใช่การบังคับ) และ keywords (ชื่อสินค้า ชื่อคน ตัวย่อ — ชี้นำเช่นกัน ไม่การันตีสะกดถูก)

ข้อควรระวัง: Meta ไม่ได้เผยแพร่ WER แยกรายภาษา ตัวเลขที่เห็นทั้งหมดเป็นค่ารวมจากชุดทดสอบภาษาอังกฤษเป็นหลัก การที่ไทยอยู่ใน “25 ภาษาที่ตรวจสอบแล้ว” จึงยังไม่บอกว่าแม่นแค่ไหนเมื่อเจอเสียงไทยจริงในห้องประชุม — ต้องทดสอบด้วยข้อมูลของตัวเองก่อนตัดสินใจย้ายระบบ

ตัวเลขที่บล็อกเปิดตัวไม่ได้พิมพ์ไว้ และตัวเลขที่หายจากพาดหัว

จุดที่ควรสังเกตคือ บล็อกวิจัยของ Meta ไม่ได้เผยแพร่ตัวเลข WER หรือ latency ของตัวเองเลยแม้แต่ตัวเดียว มีแต่ประโยคว่า “เราอยู่อันดับหนึ่งบน Artificial Analysis ด้าน streaming speech-to-text และบนเบนช์มาร์ก diarization สาธารณะ (ณ 1 ก.ย. 2026)” ตัวเลขทุกตัวที่วิ่งอยู่ในข่าวสัปดาห์ที่ผ่านมาจึงมาจากบุคคลที่สาม ไม่ใช่จาก Meta

ดังนั้นเราไปดึงจากต้นทางเอง — ข้อมูลจากกระดาน Artificial Analysis streaming speech-to-text ที่ตรวจสอบเมื่อ 7 ก.ย. 2026 (AA-WER Streaming ประกอบด้วย AA-AgentTalk 50%, VoxPopuli 25%, Earnings22 25%):

โมเดล	WER (ต่ำดี)	latency ถึงทรานสคริปต์สุดท้าย (วินาที)	ราคา/1,000 นาที
Muse Voice Transcribe	3.06%	0.163	$3.00
Cartesia Ink-2 (semantic)	3.36%	0.431	$4.00
ElevenLabs Scribe v2 Realtime	3.59%	0.141	$6.50
Gemini 3.5 Transcribe Live	4.00%	0.395	$9.00
Cartesia Ink-2 (external)	4.02%	0.067	$4.00
Inworld STT 1 Realtime	4.18%	0.071	$1.39
Deepgram Flux	7.39%	0.021	$6.50

คำกล่าวอ้างของ Meta เป็นจริง — 3.06% คืออันดับหนึ่งด้าน WER และถูกเป็นอันดับสองรองจาก Inworld ด้วย แต่มีสองอย่างที่พาดหัวข้ามไป

หนึ่ง — กระดานนี้มีแค่ 7 โมเดล “อันดับหนึ่ง” จึงหมายถึงอันดับหนึ่งในกลุ่มที่ AA เลือกวัด ไม่ใช่ในตลาด ASR ทั้งตลาด และ Meta เขียนหมายเหตุนี้ไว้เองว่า “model inclusion and rankings as of September 1, 2026”

สอง — Muse Voice Transcribe อยู่อันดับ 5 จาก 7 ด้าน latency ที่ 0.163 วินาที ช้ากว่า Deepgram Flux ราว 7.7 เท่า และช้ากว่า ElevenLabs Scribe v2 Realtime ที่ WER ห่างกันแค่ 0.53 จุด นี่ไม่ได้ขัดกับคำกล่าวอ้างของ Meta ตรง ๆ เพราะบล็อกเขียนว่า adaptive delay ทำให้โมเดล “achieves the Pareto front on speed-accuracy trade-off” ซึ่งก็จริง — ไม่มีตัวไหนที่ทั้งเร็วกว่าและแม่นกว่าพร้อมกัน แต่ “อยู่บนเส้น Pareto” กับ “เร็ว” เป็นคนละเรื่อง และ Muse อยู่ที่ปลายด้าน แม่นแต่ช้า ของเส้นนั้น สำหรับ voice agent ที่ต้องตอบโต้ทันที ครึ่งวินาทีที่หายไปในรอบสนทนามีค่ามากกว่า WER ที่ต่างกันหนึ่งจุด — ต้องเลือกตามงาน ไม่ใช่ตามอันดับ

ข้อจำกัดจริงในเอกสาร ที่ไม่ตรงกับบล็อกเปิดตัว

เอกสารนักพัฒนา (dev.meta.ai/docs/speech-to-text) มีรายละเอียดที่บล็อกไม่พูดถึง และบางข้อขัดกับภาพที่บล็อกวาดไว้

บล็อกวิจัยเขียนว่าโมเดล “รองรับเสียงยาวเกินหนึ่งชั่วโมงโดยไม่ต้องมี post-processing” พร้อมเดโมบทสนทนา 1:00:52 แต่เอกสาร API บอกว่า เซสชัน realtime รันได้สูงสุด 60 นาที และไม่มี resume token — WebSocket ใหม่คือเซสชันใหม่ ต้องต่อทรานสคริปต์เองในแอป ส่วนการอัปโหลดไฟล์จำกัดที่ 32 MB และ 10 นาที เกินกว่านั้นได้ 413 กับ 400 พูดอีกอย่างคือ ความสามารถของ โมเดล กับสิ่งที่ API ยอมให้ทำ ไม่ใช่เรื่องเดียวกัน

รายการอื่นที่ควรรู้ก่อนวางสถาปัตยกรรม:

• ไม่มี timestamp ระดับคำ มีแค่ระดับเทิร์น และไม่มี confidence score, sound event detection, emotion detection หรือการจัดรูปแบบทรานสคริปต์ — ฟีเจอร์เหล่านี้เอกสารระบุว่า “ไม่มีให้” ตรง ๆ ใครทำ subtitle ที่ต้อง sync ระดับคำต้องหาทางอื่น
• โหมด DIARIZATION ไม่ได้จูนมาเพื่อ latency ต่ำ เอกสารเขียนเองว่าอย่าใช้กับงาน voice command ให้ใช้ ENDPOINTING แทน — คือได้ “แยกผู้พูด” หรือ “ตอบไว” อย่างใดอย่างหนึ่ง ไม่ใช่ทั้งคู่
• ป้ายผู้พูด A/B เป็นตัวระบุระดับเซสชันเท่านั้น ไม่ใช่ตัวตนจริง และ label เดียวกันข้ามเซสชันไม่ได้หมายถึงคนเดียวกัน
• rate limit ต่อ tenant ตึงกว่าที่คิด: สตรีมพร้อมกัน 8 สตรีม และเริ่มได้ 1,000 สตรีมต่อชั่วโมง ทั้งสอง endpoint ใช้โควตาก้อนเดียวกัน ตัวเลข 8 นี้เล็กพอที่จะเป็นข้อจำกัดจริงถ้าจะทำ call center
• ต้องส่งเสียงเป็น PCM 16-bit mono ที่ 16 หรือ 24 kHz (แนะนำ 24 kHz ซึ่งเป็นอัตราดั้งเดิมของเอนจิน) ถอด container เอง และ ต้องส่งด้วยความเร็วประมาณเรียลไทม์ — เซิร์ฟเวอร์ตัดสตรีมที่ล้ำหน้าเกิน 5 วินาที และตัดสตรีมที่ช้ากว่าเรียลไทม์
• คิดเงินตามเสียงที่เอนจินประมวลผลจริง ปัดลงเป็นวินาทีเต็ม คำขอที่ล้มก่อนได้ทรานสคริปต์และคำขอที่โดน 429 ไม่คิดเงิน และ ZDR ราคาเท่ามาตรฐาน

มุมมอง AI Curator

เรื่องที่น่าสนใจของโมเดลนี้ไม่ใช่ WER 3.06% แต่คือการที่ Meta ยุบ diarization กับ endpointing ให้เป็นแค่ “โทเคนพิเศษเพิ่มอีกไม่กี่ตัว” บนโมเดล ASR ตัวเดียว สถาปัตยกรรมเสียงที่คนไทยส่วนใหญ่ต่อกันอยู่ตอนนี้คือ VAD ตัวหนึ่ง + ASR ตัวหนึ่ง + diarization อีกตัวหนึ่ง ซึ่งแต่ละต่อคือจุดที่ latency สะสมและ error ทบกัน การยุบทั้งหมดเป็น decode loop เดียวลดทั้งงานประกอบและงานดีบัก และผมคิดว่านี่คือทิศทางที่ผู้ให้บริการรายอื่นจะตามภายในปีนี้ ไม่ว่า Muse จะครองอันดับหนึ่งได้นานแค่ไหน

แต่วิธีที่ Meta สื่อสารเป็นตัวอย่างของปัญหาที่เจอบ่อยขึ้นเรื่อย ๆ: บล็อกเปิดตัวที่ไม่มีตัวเลขของตัวเองเลย มีแต่การอ้างอันดับจากกระดานของคนอื่น ผลคือทุกสำนักข่าวไปหยิบตัวเลขมาจากที่เดียวกัน แล้วรายงานเฉพาะคอลัมน์ที่ Meta ชนะ ทั้งที่กระดานเดียวกันนั้นมีคอลัมน์ latency ที่ Meta อยู่อันดับ 5 อยู่ในหน้าเดียวกันแท้ ๆ ใครที่ต้องเลือกผู้ให้บริการ ASR จริง ๆ ควรเปิดกระดานเองแล้วดูทั้งสามแกน — ความแม่น ความหน่วง ราคา — เพราะไม่มีโมเดลไหนในเจ็ดตัวนั้นชนะครบสามแกน

สำหรับตลาดไทย ผมมองว่าค่าที่แท้จริงอยู่ที่สองอย่างที่ไม่ใช่คะแนน หนึ่งคือ ราคา — $0.18 ต่อชั่วโมงหมายความว่าการถอดเทปประชุมหนึ่งชั่วโมงมีต้นทุนราวหกบาท ซึ่งเปลี่ยนสมการของงานที่เมื่อก่อนต้องจ้างคนถอด ไม่ว่าจะเป็นการประชุมองค์กร คอลเซ็นเตอร์ หรือรายการพอดแคสต์ สองคือ code-switching ที่รองรับในระดับภายในประโยค ซึ่งเป็นโจทย์ที่ ASR ที่เทรนแยกภาษาแก้ไม่ได้เลย และเป็นวิธีพูดจริงของคนไทยในที่ทำงานเกือบทุกวง

ข้อควรระวังที่ต้องพูดให้ครบคือ นี่เป็นโมเดลปิด ไม่มีน้ำหนัก ไม่มีจำนวนพารามิเตอร์ ไม่มีคำอธิบายว่าข้อมูลเสียงที่ใช้เทรนมาจากไหน ให้บริการผ่าน API ของ Meta เท่านั้น และผูกกับ rate limit 8 สตรีมพร้อมกันต่อ tenant องค์กรที่มีข้อกำหนดว่าเสียงต้องไม่ออกนอกประเทศ หรือทีมที่อยากรันบนเครื่องตัวเอง ยังต้องมองทางเลือกอย่าง Whisper รุ่นต่าง ๆ หรือโมเดล ASR ไทยที่รันในเครื่องได้อยู่ดี — ถ้ามองในระยะยาว การมีตัวเลือกที่รันเองได้ยังสำคัญกว่าการมีตัวเลือกที่คะแนนสูงสุด

แหล่งข่าว

• Introducing Muse Voice Transcribe — Meta AI Research (1 ก.ย. 2026)
• Meet Muse Voice Transcribe: streaming speech to text — Meta for Developers (3 ก.ย. 2026)
• Speech to text — เอกสาร Meta Model API (endpoint, ลิสต์ 25 ภาษา, ข้อจำกัด, ราคา)
• Artificial Analysis — Streaming Speech to Text Leaderboard