Phonon-2 โมเดลถอดเสียงภาษาอังกฤษแบบเปิด ขนาดดาวน์โหลด 164 MB — WER เฉลี่ย 5.21% บน Open ASR Leaderboard ห่างจาก Parakeet ต้นแบบขนาด 2.5 GB แค่ 0.25 จุด เก็บน้ำหนักราว 2.1 บิต

29 ก.ย. 2026 Fermion Research แล็บที่เคยปล่อยโมเดลภาษาตระกูล Neutrino-1 แบบ ternary เผยแพร่บทความ “Introducing Phonon-2” พร้อมปล่อยน้ำหนักบน Hugging Face (repo FermionResearch/Phonon-2 สร้างวันที่ 28 ก.ย. และอัปเดตล่าสุด 1 ต.ค.) ข่าวนี้ออกมาได้หลายวันแล้ว บล็อกนี้เพิ่งตามมาเขียน Phonon-2 เป็นโมเดลถอดเสียง (ASR) ภาษาอังกฤษ ที่ดัดแปลงจาก NVIDIA Parakeet TDT 0.6B v3 ไฟล์ดาวน์โหลดมีขนาดแค่ 164 MB (config ระบุไว้ 163,515,201 ไบต์) แต่ WER เฉลี่ยบนชุดทดสอบภาษาอังกฤษ 7 ชุดของ Open ASR Leaderboard ได้ 5.21% เทียบกับ 4.96% ของต้นแบบที่มีขนาด 2,508 MB

ประเด็นที่นักพัฒนาควรสนใจไม่ได้อยู่ที่ตัวเลข WER อย่างเดียว ผู้พัฒนาส่งมาพร้อม engine สำหรับทุกแพลตฟอร์ม ได้แก่ MLX บน Apple silicon, โค้ด C สำหรับ CPU ทั้ง x86-64 และ Arm และ CUDA สำหรับ GPU ของ NVIDIA ติดตั้งผ่าน pip หรือใช้ Docker ก็ได้ ทำให้ได้โมเดลถอดเสียงคุณภาพใกล้ตัวท็อปที่ไฟล์เล็กพอจะฝังไว้ในแอปได้จริง

บีบ encoder ให้น้ำหนักแต่ละตัวมีค่าได้แค่ 5 ระดับ

ตาม model card และไฟล์ NOTICE ใน repo Fermion เทรนน้ำหนัก linear ของ encoder ใหม่ (quantization-aware training) ให้น้ำหนักแต่ละตัวมีค่าได้เพียง 5 ระดับ คือ 0 หรือ บวก/ลบ ของ magnitude สองค่าที่เก็บแยกไว้ต่อแถว ค่าเหล่านี้ถูกแพ็กเป็นเลขฐานสาม 5 หลักต่อ 1 ไบต์ แล้วใช้อีก 1 บิตกับน้ำหนักที่ไม่เป็นศูนย์เพื่อเลือก magnitude รวมแล้ว ประมาณ 2.1 บิตต่อน้ำหนัก ส่วนพารามิเตอร์อื่นถูก quantize เป็นตาราง integer 6 บิต สถาปัตยกรรม FastConformer encoder, TDT decoder และ tokenizer ยังเป็นของ Parakeet เดิม ผลลัพธ์อย่างเครื่องหมายวรรคตอน ตัวพิมพ์ใหญ่เล็ก และรูปแบบตัวเลข จึงออกมาเหมือนต้นแบบ

engine แต่ละตัวจะแตกไฟล์ที่แพ็กไว้แค่ครั้งเดียวตอนโหลดโมเดล บน Mac จะสร้าง encoder แบบ 16 บิตเต็มแล้วรันบน GPU ผ่าน MLX บน CPU จะแปลงเป็น int8 ต่อแถวและใช้คำสั่ง AVX-512 VNNI, AVX2 หรือ NEON ส่วนบน NVIDIA จะขยายกลับเป็น encoder 16 บิตและใช้ CUDA graphs กล่าวคือ ความเล็กช่วยเรื่องขนาดดาวน์โหลดและที่เก็บบนดิสก์ แต่ตอนรันไม่ได้ใช้ kernel แบบ 2 บิต เอกสารบอกว่าไฟล์ที่แตกแล้วมีขนาดราว 178 MB ส่วนหน่วยความจำที่ใช้ตอนรันจริงยังไม่ได้ระบุไว้

ตัวเลขเทียบกับรุ่นอื่น

WER (%) เฉลี่ยจาก 7 ชุดภาษาอังกฤษของ Open ASR Leaderboard ยิ่งต่ำยิ่งดี ข้อมูลจากตารางในบทความและ model card

โมเดล	ขนาดดาวน์โหลด	WER เฉลี่ย
Phonon-2	164 MB	5.21
Parakeet TDT 0.6B v3 (ต้นแบบ)†	2,508 MB	4.96
Parakeet Redux	178 MB	5.69
Canary 180M Flash†	737 MB	5.69
Voxtral Mini 4B Realtime†	≈8,000 MB*	6.12
Whisper large-v3-turbo†	1,618 MB	6.58
Nemotron 3.5 ASR Streaming 0.6B†	2,368 MB	7.96

† ใช้ตัวเลขที่ leaderboard เผยแพร่ ส่วนแถวที่เหลือ Fermion รันเองด้วยโค้ดของ leaderboard บนชุดทดสอบเต็ม · * ประมาณจากจำนวนพารามิเตอร์ที่ 16 บิต

เมื่อดูแยกรายชุด Phonon-2 ชนะต้นแบบในชุด VoxPopuli (2.46 ต่อ 3.19) และ AMI ซึ่งเป็นเสียงประชุม (9.37 ต่อ 9.42) แต่ยังแพ้ชัดเจนในชุด LibriSpeech other (3.92 ต่อ 3.13) และ Earnings-22 (6.96 ต่อ 5.85) ตัวเลข “100.8% ของความแม่นยำต้นแบบ” ที่ Fermion ใช้โปรโมตจึงมาจากชุด VoxPopuli ชุดเดียว ไม่ใช่ค่าเฉลี่ย

ความเร็ว (วินาทีของเสียงต่อวินาทีจริง ประมวลทีละ stream ไม่นับเวลาโหลดโมเดล)

• M5 MacBook Air (GPU ผ่าน MLX): 174× หรือถอดเสียง 1 ชั่วโมงได้ในราว 20 วินาที เครื่องเดียวกันนี้ FluidAudio ที่รัน Parakeet v3 ผ่าน Core ML ทำได้ 104.9× และ whisper.cpp large-v3-turbo ทำได้ 17.0×
• Linux x86-64 Zen 5 จำนวน 8 คอร์ (16 vCPU): 142.8× · Google Axion 8 คอร์: 52.2× · Windows 8 vCPU: 21.0×
• NVIDIA H100: 465× เมื่อรัน 1 stream และ 6,680× เมื่อรันเป็น batch ละ 128 ส่วน A100 ได้ 267× และ 3,614× ตามลำดับ

ลองใช้งาน

คำสั่งด้านล่างคัดมาจาก model card และหน้าบทความ บน Apple silicon ใช้แบบนี้

pip install fermion-research
pip install mlx mlx-audio mlx-lm soundfile scipy zstandard
phonon transcribe recording.wav        # ใส่ --json เพื่อให้ได้ timestamp ระดับคำ
phonon serve --port 8010               # endpoint ที่เข้ากันได้กับ OpenAI API

ถ้าใช้ Linux หรือ Windows แบบ CPU หรือใช้ GPU ของ NVIDIA ให้รันผ่าน Docker

docker run --rm -v "$PWD":/audio -v phonon-cache:/home/phonon/.cache \
  ghcr.io/fermionresearch/phonon-cpu:2.0.6 transcribe phonon-2 /audio/recording.wav
docker run --rm --gpus all -v "$PWD":/audio -v phonon-cache:/home/phonon/.cache \
  ghcr.io/fermionresearch/phonon-cuda:1.0.5 transcribe phonon-2 /audio/recording.wav

เรื่องไลเซนส์ น้ำหนักโมเดลใช้ CC-BY-4.0 ตามต้นแบบ Parakeet TDT 0.6B v3 ซึ่งเป็น CC-BY-4.0 เหมือนกัน จึงไม่มีเงื่อนไขอื่นซ้อนมาจากต้นแบบ ส่วนโค้ดใน repo, CLI บน PyPI และ engine บน GitHub ใช้ Apache-2.0 ในไฟล์ NOTICE ยังระบุว่าข้อมูลเทรนมีชุด CHiME-6 (CC-BY-SA-4.0) และ SPGISpeech (ใช้ตามเงื่อนไขของ Kensho) รวมอยู่ด้วย ทีมที่ต้องตรวจเรื่อง compliance ควรอ่านส่วนนี้ประกอบ

ข้อจำกัดสำคัญคือรองรับเฉพาะภาษาอังกฤษ ทั้งบทความและ model card ระบุว่าเป็น “open model for English” ถึงแม้ Parakeet v3 ต้นแบบจะรองรับ 25 ภาษาในยุโรป แต่ ไม่มีภาษาไทย ทั้งในต้นแบบและใน Phonon-2

มุมมอง AI Curator

ตัวเลขที่น่าสนใจที่สุดไม่ใช่ 5.21% แต่เป็นอัตราส่วน ขนาดเล็กลง 15 เท่า โดย WER เพิ่มขึ้นแค่ 0.25 จุด ถ้าเทียบกับ Parakeet Redux ซึ่งเป็นโมเดลบิตต่ำขนาดใกล้กัน Phonon-2 ทำได้ดีกว่าชัดเจน แสดงว่าวิธี quantization-aware training ให้ผลดีกว่าการ quantize หลังเทรนเสร็จ ทั้งนี้ตัวเลขทั้งหมดในบทความยังเป็นตัวเลขที่ Fermion วัดเอง และหลายแถวไม่ใช่แถวทางการของ leaderboard ผมแนะนำให้อ่านประกอบกับ งานวิจัยของ Hume AI และ Hugging Face ที่พบว่าโมเดล ASR บางตัว “จำข้อสอบ” เพราะ NOTICE ระบุว่าข้อมูลเทรนมี SPGISpeech ซึ่งก็เป็นหนึ่งในชุดทดสอบของ leaderboard ด้วย (เอกสารไม่ได้บอกว่าใช้ split ไหน) ถ้าจะนำไปใช้กับงานจริง ควรวัดผลกับเสียงของตัวเองก่อนเสมอ

สำหรับนักพัฒนาไทย โมเดลนี้ยังเอาไปใช้กับเสียงภาษาไทยไม่ได้ แต่มีงานที่ใช้ได้ทันทีหลายแบบ เช่น ถอดเสียงประชุมหรือ webinar ภาษาอังกฤษ ทำ subtitle ให้คอนเทนต์สอนเทคนิค หรือใช้เป็นตัวแรกใน pipeline ที่ต้องเก็บข้อมูลไว้ในเครื่องตามแนวทาง PDPA โดยไม่ต้องส่งเสียงขึ้น cloud และเมื่อมี phonon serve ที่เข้ากันได้กับ OpenAI API การย้ายมาจาก Whisper API ก็แทบไม่ต้องแก้โค้ด ถ้าต้องการภาษาไทย ทางเลือกตอนนี้ยังเป็นบริการแบบ API อย่าง MAI-Transcribe-2-Streaming ที่รองรับ 60 ภาษา

ในระยะยาว เทคนิคนี้น่าจะสำคัญกว่าตัวโมเดล เพราะเมื่อบีบโมเดลขนาด 0.6B ลงเหลือราว 2 บิตได้โดยแทบไม่เสียความแม่นยำ ก็มีโอกาสใช้วิธีเดียวกันกับต้นแบบหลายภาษาที่มีภาษาไทยได้ ถ้ามีโมเดลตั้งต้นที่ไลเซนส์เปิด ทั้งนี้ข่าวนี้มาในสัปดาห์เดียวกับ Oído ที่รัน ASR บนชิป ESP32 ราคา $5 ซึ่งชี้ไปในทางเดียวกันว่า speech recognition กำลังย้ายจาก cloud มาทำงานบนอุปกรณ์ของผู้ใช้ และภาษาที่ไม่มีชุดข้อมูลหรือโมเดลต้นแบบแบบเปิดก็มีโอกาสตกขบวนนี้

แหล่งข่าว

• Introducing Phonon-2 — Fermion Research
• FermionResearch/Phonon-2 — Hugging Face (model card)
• NOTICE — การดัดแปลง, ไลเซนส์ และข้อมูลเทรน
• fermionresearch/phonon — engine บน GitHub (Apache-2.0)