แท็ก

#ASR

10 บทความ

IBM ปล่อย Granite Speech 5.0 2B (Apache-2.0) — WER ภาษาอังกฤษเฉลี่ย 5.06% อันดับ 2 ของโมเดลเปิดบน Open ASR Leaderboard, TurboCTC 470M รองรับหลายภาษาและเร็วขึ้น 1.6 เท่า แต่ยังไม่มีภาษาไทย
โมเดลใหม่

IBM ปล่อย Granite Speech 5.0 2B (Apache-2.0) — WER ภาษาอังกฤษเฉลี่ย 5.06% อันดับ 2 ของโมเดลเปิดบน Open ASR Leaderboard, TurboCTC 470M รองรับหลายภาษาและเร็วขึ้น 1.6 เท่า แต่ยังไม่มีภาษาไทย

21 ต.ค. 2026 IBM ปล่อย granite-speech-5.0-2b (Apache-2.0) ที่ IBM ระบุว่าได้ WER ภาษาอังกฤษเฉลี่ย 5.06% อันดับ 2 ในกลุ่มโมเดลเปิดบน Open ASR Leaderboard รองรับ keyword list 2,000 คำ และรันได้บน vLLM, llama.cpp, mlx-audio พร้อมอัปเดต TurboCTC 470M ให้รองรับหลายภาษา และ 4.1-2b-plus ที่ลด timestamp shift ลงกว่าครึ่ง — ทั้งหมดยังไม่รองรับภาษาไทย

· อ่าน 3 นาที
Mistral เปิดตัว Voxtral 3: โมเดลถอดเสียง 50+ ภาษา, TTS $13 ต่อล้านตัวอักษร และ voice agent SDK บน LiveKit — แต่รอบนี้เป็น API อย่างเดียว ไม่ปล่อย weights
โมเดลใหม่

Mistral เปิดตัว Voxtral 3: โมเดลถอดเสียง 50+ ภาษา, TTS $13 ต่อล้านตัวอักษร และ voice agent SDK บน LiveKit — แต่รอบนี้เป็น API อย่างเดียว ไม่ปล่อย weights

Mistral เปิดตัว Voxtral 3 (20 ต.ค. 2026) มีโมเดลถอดเสียง Small/Mini/Realtime, TTS ที่ปรับอารมณ์ได้ และ voice agent SDK ราคาเริ่ม $0.0035/นาที แต่ทุกตัวเป็น Public Preview ระดับ Premier ไม่มี weights บน Hugging Face ต่างจาก Voxtral รุ่นก่อนที่เป็น Apache-2.0 และหน้า docs ของ TTS ระบุว่ารองรับ 9 ภาษา ไม่ใช่ 35+ ตามที่บล็อกเขียน

· อ่าน 4 นาที
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
โมเดลใหม่

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 เปิด Phonon-2 โมเดลถอดเสียงภาษาอังกฤษที่ดัดแปลงจาก NVIDIA Parakeet TDT 0.6B v3 ไฟล์ดาวน์โหลด 164 MB ได้ WER เฉลี่ย 5.21% บน Open ASR Leaderboard ส่วนต้นแบบขนาด 2,508 MB ได้ 4.96% รันได้บน Mac, Linux, Windows และ GPU ของ NVIDIA ใช้ไลเซนส์ CC-BY-4.0 แต่รองรับเฉพาะภาษาอังกฤษ ยังไม่มีภาษาไทย

· อ่าน 5 นาที
Oído — ถอดเสียงพูดภาษาอังกฤษแบบพูดอะไรก็ได้บนชิป ESP32-S3 ราคา $5 โดยไม่ใช้ cloud และไม่ต้องมี NPU — WER 3.7% ดีกว่า Whisper tiny แต่ความเร็วยังเป็นตัวเลขประเมินจาก emulator
เครื่องมือนักพัฒนา

Oído — ถอดเสียงพูดภาษาอังกฤษแบบพูดอะไรก็ได้บนชิป ESP32-S3 ราคา $5 โดยไม่ใช้ cloud และไม่ต้องมี NPU — WER 3.7% ดีกว่า Whisper tiny แต่ความเร็วยังเป็นตัวเลขประเมินจาก emulator

30 ก.ย. 2026 Lokutor บริษัทจากมาดริดเปิดซอร์ส Oído เอนจินถอดเสียงพูดที่รัน Conformer-CTC Small 13M ของ NVIDIA บนไมโครคอนโทรลเลอร์ ESP32-S3 ได้ WER 3.7/8.2 บน LibriSpeech ซึ่งดีกว่า Whisper tiny.en ที่รันบนแล็ปท็อป แต่ความเร็วแบบเรียลไทม์ยังเป็นค่าประเมินจาก QEMU และโค้ดเป็น GPLv3 ถ้าจะใส่ในสินค้าแบบปิดต้องซื้อไลเซนส์

· อ่าน 5 นาที
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
โมเดลใหม่

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

Meta Superintelligence Labs เปิด Muse Voice Transcribe เมื่อ 1 ก.ย. — โมเดล ASR สตรีมมิ่งที่รวม diarization และ endpointing ไว้ในตัวเดียว ราคา $0.18 ต่อชั่วโมง และมีภาษาไทยอยู่ใน 25 ภาษาที่รองรับ ข้อมูลสดจาก Artificial Analysis ยืนยันว่าชนะ WER จริงที่ 3.06% แต่ latency ถึงทรานสคริปต์สุดท้ายอยู่อันดับ 5 จาก 7 ช้ากว่า Deepgram Flux ราว 7.7 เท่า

· อ่าน 7 นาที
Open ASR Leaderboard รับภาษาจากซีกโลกใต้เป็นครั้งแรก — ชุดทดสอบฮินดีและอังกฤษอินเดีย 4,888 ผู้พูด ที่ออกแบบมาให้ WER ตัวเดียวโกหกไม่ได้
งานวิจัย

Open ASR Leaderboard รับภาษาจากซีกโลกใต้เป็นครั้งแรก — ชุดทดสอบฮินดีและอังกฤษอินเดีย 4,888 ผู้พูด ที่ออกแบบมาให้ WER ตัวเดียวโกหกไม่ได้

28 ส.ค. 2026 Hugging Face และ Voice Arena เพิ่มชุดทดสอบ Monsoon hi-IN และ en-IN เข้า Open ASR Leaderboard ทำให้ฮินดีเป็นภาษาอินดิกแรกบนแท็บ multilingual ที่ก่อนหน้านี้มีแต่ภาษายุโรป จุดสำคัญไม่ใช่จำนวนชั่วโมง (รวมกันแค่ 17 ชม.) แต่คือ 4,888 ผู้พูดจากหลายร้อยอำเภอ พร้อมเมทาดาทา 12 ช่องต่อคลิป และรีเฟอเรนซ์ฮินดีที่เป็น lattice ของสะกดที่ยอมรับได้

· อ่าน 7 นาที
Gemini 3.5 Transcribe ถอดเสียง 85+ ภาษารวมภาษาไทย — WER 2.6% ตัดคำเอ้ออ้าและแก้คำพูดกลับให้อัตโนมัติ
โมเดลใหม่

Gemini 3.5 Transcribe ถอดเสียง 85+ ภาษารวมภาษาไทย — WER 2.6% ตัดคำเอ้ออ้าและแก้คำพูดกลับให้อัตโนมัติ

Google เปิด Gemini 3.5 Transcribe เมื่อ 26 ส.ค. — โมเดลถอดเสียงที่ทำ WER เฉลี่ย 4.0% แบบสตรีมมิ่งและ 2.6% แบบไม่สตรีมมิ่ง เร็วขึ้นจาก Chirp 3 70% รองรับกว่า 85 ภาษาโดยมี th-TH อยู่ในรายการ และเรียกใช้ได้ผ่าน Live API กับ Interactions API

· อ่าน 5 นาที
IBM ปล่อย Granite Speech 5.0 Turbo CTC — โมเดลถอดเสียง 470M ใต้ Apache-2.0 ที่ถอดเสียงพูด 3.5 ชั่วโมงจบในหนึ่งวินาที
โมเดลใหม่

IBM ปล่อย Granite Speech 5.0 Turbo CTC — โมเดลถอดเสียง 470M ใต้ Apache-2.0 ที่ถอดเสียงพูด 3.5 ชั่วโมงจบในหนึ่งวินาที

25 ส.ค. 2026 IBM ปล่อย Granite Speech 5.0 Turbo CTC — โมเดลถอดเสียงภาษาอังกฤษขนาด 470M พารามิเตอร์ สองรุ่น รุ่น Apache-2.0 ทำ WER 5.00% และรุ่นห้ามใช้เชิงพาณิชย์ทำได้ 4.85% ทั้งคู่วิ่งเกิน 12,600 RTFx บน H200 คือถอดเสียงพูดกว่า 3.5 ชั่วโมงจบในหนึ่งวินาที — แต่รองรับภาษาอังกฤษภาษาเดียว

· อ่าน 6 นาที
โมเดลถอดเสียงเก่งขึ้นจริง หรือแค่จำข้อสอบได้ — งานวิจัย Hume AI x Hugging Face พบโมเดล ASR เดาตัวเลขที่ไม่มีในเสียงได้ 30-40%
งานวิจัย

โมเดลถอดเสียงเก่งขึ้นจริง หรือแค่จำข้อสอบได้ — งานวิจัย Hume AI x Hugging Face พบโมเดล ASR เดาตัวเลขที่ไม่มีในเสียงได้ 30-40%

21 ส.ค. 2026 นักวิจัยจาก Hume AI และ Hugging Face ทดสอบโมเดล ASR 11 ตัวด้วยการตรวจสามแบบ พบว่าโมเดลที่ word error rate ต่ำที่สุดคือกลุ่มที่ลอกความผิดพลาดของ transcript ต้นฉบับมากที่สุด บางตัวเดาตัวเลขที่ถูกลบเสียงออกไปแล้วได้ถูก 30-40% และสลับรูปแบบการสะกดตามชุดข้อมูลได้แม่นราว 90%

· อ่าน 7 นาที
S1-mini: โมเดล 0.6B ที่ทำงานเดียว — เก็บกวาดข้อความจาก speech-to-text ให้อ่านรู้เรื่อง ไฟล์ GGUF 462 MB รันบน CPU โน้ตบุ๊กได้
โมเดลใหม่

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

20 ส.ค. 2026 Superwhisper ปล่อย S1-mini โมเดลโอเพนเวต 596M พารามิเตอร์ที่ fine-tune จาก Qwen3-0.6B ทำหน้าที่เดียวคือแปลงข้อความดิบจาก ASR ให้เป็นข้อความเขียนที่สะอาด — ตัดคำเอ้ออ้า แก้คำที่พูดผิดแล้วพูดใหม่ ใส่วรรคตอน แปลงตัวเลขและอีเมล ความแม่นยำระดับโทเคน 94.8% ไฟล์ GGUF เพียง 462 MB

· อ่าน 5 นาที