Chirp 3 หรือ GPT-4o Transcribe: แม่นไทยห่าง 0.38 จุด แต่ตัวหลังใกล้ปิด

ถ้าเทียบเฉพาะสองโมเดลนี้ Chirp 3 ถอดเสียงไทยได้แม่นกว่าเล็กน้อย แต่ GPT-4o Transcribe เร็วกว่าและถูกกว่า: การทดสอบเสียงไทย 200 ตัวอย่างเมื่อวันที่ 5 กรกฎาคม 2026 ใน ตาราง STT Bench ของ koedesk ให้ค่า CER เท่ากับ 5.17% และ 5.55% ต่างกัน 0.38 จุดเปอร์เซ็นต์ ค่า RTF มัธยฐานอยู่ที่ 0.40 และ 0.11 ส่วนต้นทุนที่รายงานคือ 0.96 และ 0.36 ดอลลาร์ต่อชั่วโมงเสียงตามลำดับ ผลนี้ช่วยตั้งต้นการเลือกได้ แต่ส่วนต่างความแม่นยำจะคุ้มต้นทุนหรือไม่ขึ้นอยู่กับเสียงที่ระบบของทีมต้องถอดจริง

สำหรับระบบที่จะใช้งานต่อเนื่อง ยังมีข้อจำกัดด้านเวลา: ประกาศยุติการให้บริการของ OpenAI ระบุว่า GPT-4o Transcribe เลิกแนะนำแล้วและจะปิดในวันที่ 26 กุมภาพันธ์ 2027 ทีมที่ใช้อยู่จึงต้องเตรียมย้าย ส่วนทีมที่กำลังเลือกใหม่ควรนำ Chirp 3 ไปเทียบกับโมเดลทดแทนในเสียงชุดเดียวกัน ไม่ควรนำคะแนนของ GPT-4o Transcribe ไปถือเป็นคะแนนของรุ่นที่จะใช้ต่อ

ส่วนต่าง CER บอกความแม่นยำได้แค่ไหน

CER หรืออัตราความผิดพลาดระดับอักขระ นับอักขระที่ระบบแทนที่ เพิ่ม หรือลบเมื่อเทียบกับข้อความอ้างอิง แล้วหารด้วยความยาวข้อความอ้างอิง ค่ายิ่งต่ำยิ่งดี สำหรับภาษาไทยที่เขียนต่อเนื่องโดยไม่เว้นวรรคทุกคำ การวัดระดับอักขระช่วยลดปัญหาที่คะแนนระดับคำเปลี่ยนไปตามวิธีตัดคำ จึงเหมาะกับการอ่านผลชุดทดสอบนี้

เสียงที่ใช้เป็นเสียงอ่านจากชุด FLEURS ซึ่งเผยแพร่สาธารณะ ทุกบริการได้รับไฟล์เสียงเดียวกันและถูกประเมินด้วยเกณฑ์เดียวกัน จุดแข็งคือเปรียบเทียบผลภายใต้เงื่อนไขที่ควบคุมได้ แต่เสียงอ่านไม่ครอบคลุมสายโทรศัพท์ที่ถูกบีบอัด การประชุมที่พูดทับกัน หรือบทสนทนาซึ่งมีเสียงรบกวน ชุดข้อมูลสาธารณะยังอาจเคยปรากฏในข้อมูลฝึกของบางโมเดล จึงไม่ควรนำคะแนนไปทำนายผลของงานทุกประเภท

การจัดกลุ่มผลทดสอบใช้สถิติแบบจับคู่เทียบกับโมเดลที่นำกลุ่ม ไม่ใช่การพิสูจน์โดยตรงว่า Chirp 3 ชนะ GPT-4o Transcribe ในเสียงไทยทุกลักษณะ แม้ค่าเฉลี่ยของ Chirp 3 ต่ำกว่า ทีมก็ยังต้องดูว่าความผิดพลาดที่ลดลงเกิดกับข้อความส่วนใด หากคำทั่วไปถูกต้องขึ้นแต่ชื่อผู้ติดต่อ รหัสสินค้า หรือยอดเงินยังผิด ผลต่อขั้นตอนทำงานอาจไม่ดีขึ้นตามคะแนนรวม

ชุดทดลองของทีมไทยจึงควรมีข้อความอ้างอิงที่คนตรวจแล้ว และแยกเสียงตามแหล่งที่มา เช่น โทรศัพท์ ไมโครโฟนห้องประชุม และคลิปจากผู้ใช้ ควรเก็บทั้งสำเนียง การสลับภาษาไทยกับอังกฤษ เสียงเบา และคำเฉพาะของธุรกิจไว้ในชุดเดียวกัน เมื่อถอดเสียงด้วยแต่ละตัวเลือก ให้เทียบ CER พร้อมนับข้อผิดพลาดของชื่อ ตัวเลข วันที่ และรหัสที่ระบบปลายทางนำไปใช้จริง วิธีนี้ทำให้เห็นว่าคะแนนที่ต่างกันส่งผลต่อเวลาตรวจแก้หรือความเสี่ยงของงานตรงไหน

ความเร็วของไฟล์เสียงกับความหน่วงขณะพูด

RTF คือเวลาตั้งแต่ส่งคำขอจนได้ผล หารด้วยความยาวเสียง ค่าที่ต่ำกว่าหมายถึงประมวลผลไฟล์ได้เร็วกว่าในสภาพทดสอบนั้น เมื่อดูตัวเลขในชุดเดียวกัน GPT-4o Transcribe มีความได้เปรียบชัดเจนด้านเวลาประมวลผลไฟล์ แต่ตัวเลขนี้รวมเส้นทางเครือข่ายของผู้ทดสอบไว้ด้วย จึงใช้เป็นแนวโน้มเปรียบเทียบได้ดีกว่าใช้กำหนดเวลารอรับผลของผู้ใช้ในไทยโดยตรง

งานถอดไฟล์ย้อนหลังควรวัดเวลาครบเส้นทาง ตั้งแต่การอัปโหลด การรอคิว การตอบกลับ ไปจนถึงการลองส่งใหม่เมื่อคำขอล้มเหลว ไฟล์สั้นจำนวนมากกับไฟล์ยาวไม่กี่ไฟล์อาจสร้างคอขวดต่างกัน และค่าเฉลี่ยอย่างเดียวอาจซ่อนงานกลุ่มที่รอนาน ควรดูทั้งเวลาของไฟล์ทั่วไปและไฟล์ที่ช้าที่สุดบางส่วน โดยใช้รูปแบบไฟล์และเครือข่ายเดียวกับระบบจริง

หากผู้ใช้ต้องเห็นข้อความระหว่างพูด การทดสอบไฟล์ที่บันทึกเสร็จแล้วตอบคำถามได้ไม่ครบ สิ่งที่ต้องวัดคือเวลาจากเสียงพูดไปถึงข้อความที่แสดง และเวลาที่ข้อความสุดท้ายหยุดเปลี่ยนหลังจบประโยค ระบบหนึ่งอาจประมวลผลไฟล์ได้เร็ว แต่ให้ผลระหว่างสตรีมช้าหรือแก้ข้อความย้อนหลังบ่อย ซึ่งมีผลต่อคำบรรยายสดและการติดตามบทสนทนาคนละแบบกับงานเก็บบันทึก

ต้นทุนต่อเสียง 100 ชั่วโมงต่างกันเท่าไร

จากอัตราต่อชั่วโมงในชุดทดสอบ หากมีเสียงที่ถูกเรียกเก็บ 100 ชั่วโมงและคิดอัตราเดิมตลอด Chirp 3 จะอยู่ที่ประมาณ 96 ดอลลาร์ ส่วน GPT-4o Transcribe อยู่ที่ 36 ดอลลาร์ ต่างกัน 60 ดอลลาร์ หรือราว 2.67 เท่า นี่เป็นค่าถอดเสียงตั้งต้นก่อนค่าเก็บไฟล์ การส่งงานซ้ำ และแรงงานตรวจแก้ ผลรวมที่ต้องจ่ายจริงยังขึ้นอยู่กับวิธีคิดค่าบริการและปริมาณงานของบัญชีที่ใช้

สำหรับทางเลือกที่จะย้ายไป ตารางราคา OpenAI แสดงต้นทุนประเมินของ gpt-4o-transcribe ที่ 0.006 ดอลลาร์ต่อนาที และ gpt-transcribe ที่ 0.0045 ดอลลาร์ต่อนาที หากคิดเสียง 100 ชั่วโมงด้วยอัตราหลัง จะเป็นประมาณ 27 ดอลลาร์ ตัวเลขของรุ่นใหม่ใช้วางงบได้ แต่ยังบอกไม่ได้ว่ามันถอดเสียงไทยแม่นหรือเร็วเท่ารุ่นเดิม เพราะไม่ได้เป็นโมเดลที่ถูกวัดในคู่เปรียบเทียบข้างต้น

ต้นทุนที่ช่วยตัดสินใจมากกว่าราคา API เพียงรายการเดียวคือค่าใช้จ่ายต่อข้อความที่นำไปใช้ได้ หาก Chirp 3 ลดเวลาที่คนต้องแก้ชื่อเฉพาะและตัวเลขในงานปริมาณมาก ส่วนต่างค่าบริการอาจคืนกลับมาเป็นเวลาทำงาน แต่ถ้าข้อผิดพลาดที่ลดลงเป็นอักขระซึ่งไม่มีผลต่อผลลัพธ์ปลายทาง ค่าใช้จ่ายเพิ่มอาจไม่คุ้ม ทีมควรวัดเวลาตรวจแก้ต่อไฟล์และจำนวนกรณีที่ต้องย้อนฟังเสียง แล้วรวมเข้ากับค่าเรียกใช้จริงก่อนเลือก

ภาษาไทย ภูมิภาค และฟีเจอร์ต้องเข้ากัน

รายละเอียด Chirp 3 ของ Google Cloud ระบุว่าโมเดลใช้ผ่าน Speech-to-Text API V2 และภาษาไทยรหัส th-TH มีสถานะ Preview หน้าเดียวกันแสดง us และ eu เป็นภูมิภาคที่เปิดใช้งานทั่วไปในตารางหลัก ขณะที่ตัวอย่างโค้ดระบุ asia-southeast1 เป็นภูมิภาคที่ใช้ได้ ข้อมูลสองส่วนนี้ยังไม่พอจะถือว่าคู่ภาษาไทยกับภูมิภาคเอเชียตะวันออกเฉียงใต้มีสถานะ GA ทีมที่ต้องกำหนดสถานที่ประมวลผลควรตรวจคู่โมเดล ภาษา และภูมิภาคผ่าน Locations API แล้วทดลองคำขอในโครงการที่จะใช้งานจริง

สถานะ Preview ของภาษาไทยเป็นคนละเรื่องกับสถานะของภูมิภาค และการใช้โมเดลได้ในภูมิภาคหนึ่งก็ไม่ได้แปลว่าทุกฟีเจอร์รองรับภาษาไทยเหมือนกัน งานถอดเสียงปกติ งานแยกผู้พูด และงานที่ต้องการเวลารายคำมีข้อกำหนดต่างกัน โดยเฉพาะระบบปลายทางที่ต้องรู้ว่าใครพูดหรือผูกข้อความกับช่วงเวลาเสียง ควรทดสอบรูปแบบผลลัพธ์ที่ต้องใช้จริงก่อนผูกการตัดสินใจไว้กับคะแนน CER

ข้อกำหนดข้อมูลขององค์กรควรถูกตรวจพร้อมกับความพร้อมทางเทคนิค หากเสียงลูกค้าหรือการประชุมต้องประมวลผลในภูมิภาคที่กำหนด ผลทดสอบจากภูมิภาคอื่นยังตอบโจทย์การใช้งานจริงไม่ได้ และการเลือกภูมิภาคอาจเปลี่ยนเวลาส่งเสียงผ่านเครือข่ายด้วย การทดลองในโครงการและภูมิภาคปลายทางจึงช่วยตอบพร้อมกันทั้งเรื่องการเข้าถึงโมเดล เวลาแฝง และข้อกำหนดการจัดการข้อมูล

ย้ายระบบเดิมโดยรักษาคุณภาพงานอย่างไร

คู่มือการถอดเสียงของ OpenAI แนะนำ gpt-transcribe สำหรับไฟล์เสียงที่บันทึกเสร็จแล้ว และ gpt-live-transcribe สำหรับเสียงที่ไหลเข้าระบบสด ทั้งยังเตือนว่าการเปลี่ยนเพียงรหัสโมเดลอาจไม่รักษารูปแบบผลลัพธ์และข้อมูลประกอบเดิมไว้ครบ ดังนั้นเส้นทางย้ายควรเริ่มจากชนิดงานที่ระบบทำอยู่ แล้วตรวจสิ่งที่โปรแกรมปลายทางอ่านจากผลถอดเสียงก่อนเปลี่ยนทราฟฟิกจริง

ชุดเสียงสำหรับการย้ายควรใช้ไฟล์เดียวกันกับทุกตัวเลือกและเก็บผลของระบบเดิมไว้เป็นฐานเปรียบเทียบ อย่าเลือกเฉพาะคลิปที่ชัดและพูดทีละคน เพราะกรณีที่กระทบงานมักอยู่ในเสียงโทรศัพท์ คำย่อ ชื่อคน หรือประโยคที่เปลี่ยนภาษา เมื่อพบข้อความต่างกัน ผู้ตรวจควรดูไฟล์เสียงและข้อความอ้างอิงประกอบ แทนการตัดสินจากคะแนนรวมเพียงค่าเดียว

1. รวบรวมเสียงตัวแทนจากช่องทางจริง พร้อมข้อความอ้างอิงที่คนตรวจแล้ว และระบุประเภทเสียงให้ชัด เพื่อเห็นว่าผลต่างเกิดในงานชนิดใด
2. วัด CER ควบคู่กับความถูกต้องของชื่อเฉพาะ จำนวนเงิน วันที่ รหัส และคำศัพท์ที่มีผลต่อขั้นตอนถัดไป บันทึกกรณีที่ต้องให้คนแก้หรือฟังซ้ำ
3. จับเวลาตั้งแต่ส่งเสียงจนได้ข้อความที่ใช้งานได้ รวมการอัปโหลด คิว การตอบกลับ และการลองใหม่ แล้วคำนวณต้นทุนจากปริมาณเสียงที่ถูกเรียกเก็บจริง
4. ตรวจฟิลด์คำขอและผลตอบกลับ คำใบ้บริบทหรือคำศัพท์ที่ใช้ช่วยถอดเสียง และข้อกำหนดภูมิภาค ก่อนค่อย ๆ ส่งงานบางส่วนไปยังระบบใหม่

การเปลี่ยนโมเดลยังอาจเปลี่ยนวรรคตอน การสะกดชื่อ และรูปแบบตัวเลข แม้ใจความจะถูกต้อง ระบบค้นหา การจับคู่ชื่อ และการส่งข้อมูลเข้าฐานข้อมูลอาจไวต่อรายละเอียดเหล่านี้ ทีมจึงควรตรวจผลที่ถูกส่งต่อไปยังงานปลายทาง ไม่ใช่หยุดที่ข้อความบนหน้าทดสอบ หากมีคนตรวจแก้ตามปกติ ให้เก็บเวลาที่ใช้แก้ไว้ด้วย เพราะเวลานั้นเป็นส่วนหนึ่งของต้นทุนการย้าย

เกณฑ์เลือกสุดท้ายควรผูกกับงานของทีม: ถ้า Chirp 3 ลดข้อผิดพลาดสำคัญได้พอชดเชยต้นทุนและใช้ได้ในภูมิภาคที่ต้องการ ก็มีเหตุผลให้จ่ายเพิ่ม แต่ถ้า gpt-transcribe ให้คุณภาพเพียงพอและเข้ากับขั้นตอนเดิม การย้ายภายในเส้นทาง OpenAI อาจใช้แรงปรับระบบน้อยกว่า ไม่ว่าทางใด การทดสอบบนเสียงไทยขององค์กรต้องเสร็จก่อนระบบเดิมปิด เพื่อให้มีเวลาปรับผลลัพธ์และแก้ข้อผิดพลาดก่อนผู้ใช้ได้รับผลกระทบ

อ่านเพิ่มเติม:

• GPT-6.1 Sol ลดราคา AI งานซับซ้อน แต่โหมดเครื่องมือย้ายไป Responses API
• OpenAI หรือ Cohere Embeddings: คะแนนห่าง 0.4 แต่ข้อความยาวต่าง 16 เท่า
• Atlassian ดึง GPT-6 เข้า Rovo แต่งานของเอเจนต์ยังต้องย้อนตรวจได้