🎙️ ทำได้แล้ว! AI ถอดเสียงภาษาไทยแบบสด ๆ แจกฟรี
ประกาศเมื่อ 13 พฤศจิกายน 2569 (2026)
0.64Bช้ากว่าเสียง 80–1120 msGPU หรือ CPUใช้เชิงพาณิชย์ได้OpenMDW-1.1
เคยไหม ดูไลฟ์ เข้าคลาส หรือประชุมออนไลน์ แล้วอยากได้คำบรรยายภาษาไทยสด ๆ แต่โมเดลถอดเสียงภาษาไทยแบบเปิดส่วนใหญ่ต้องฟังให้จบเป็นช่วงก่อน กว่าตัวหนังสือจะขึ้น คนพูดไปเรื่องอื่นแล้ว
วันนี้ทีม OpenThai ของ iApp Technology เปิดให้ทุกคนโหลด OpenThai 2.0 ASR Streaming ไปใช้ได้ฟรี เป็นโมเดลถอดเสียงพูดภาษาไทยที่พิมพ์ตามไปขณะที่คนยังพูดอยู่ ใช้ในงานเชิงพาณิชย์ได้ด้วย
| OpenThai 2.0 ASR Streaming | |
|---|---|
| ทำอะไร | ถอดเสียงพูดภาษาไทยเป็นข้อความแบบสด ข้อความตามหลังเสียง 80 ถึง 1120 ms |
| ความหน่วง | โมเดลเดียว ตั้งได้ 4 ระดับ: 80, 320, 560 และ 1120 ms |
| ขนาด | 0.64B พารามิเตอร์ |
| ต่อยอดจาก | NVIDIA Nemotron 3.5 ASR Streaming 0.6B |
| บน GPU | NVIDIA H100 ใบเดียวถอดสดได้ราว 20 สายพร้อมกัน (ที่ 560 ms) และถอดไฟล์เร็วกว่าเวลาจริงราว 257 เท่า |
| บน CPU | 8 เธรดถอดสดทัน 1 สาย ที่ 320 หรือ 560 ms (ไม่ทันที่ 80 ms) ถอดไฟล์ราว 4 เท่าของเวลาจริง ใช้ RAM ราว 6.5 GB |
| ไฟล์โมเดล | น้ำหนักโมเดลบน Hugging Face และเวอร์ชัน ONNX (ความละเอียดเต็มและ int8) |
| สัญญาอนุญาต | OpenMDW-1.1 ใช้เชิงพาณิชย์ได้ |
จุดเด่น
- พูดปุ๊บ ตัวหนังสือขึ้นปั๊บ ข้อความตามหลังเสียงแค่ 0.08 ถึง 1.12 วินาที โมเดลเดียวตั้งได้ 4 ระดับ (80, 320, 560 และ 1120 ms) อยากเร็วหรืออยากแม่น เลือกเอา
- GPU ใบเดียวรับได้หลายสาย NVIDIA H100 ใบเดียวถอดสดได้ราว 20 สายพร้อมกันที่ 560 ms และถอดไฟล์เร็วกว่าเวลาจริงราว 257 เท่า
- ไม่มี GPU ก็ใช้ได้ CPU 8 เธรดถอดสดทัน 1 สายที่ 320 หรือ 560 ms ใช้ RAM ราว 6.5 GB
- รันในเครื่องตัวเองได้ เสียงไม่ต้องออกนอกองค์กร เหมาะกับองค์กรที่ส่งเสียงขึ้นคลาวด์ต่างประเทศไม่ได้ เช่น โรงพยาบาลและธนาคาร
- โมเดลตัวเดียวกับที่อยู่เบื้องหลัง OpenThai ASR Realtime บริการถอดเสียงสดผ่าน WebSocket API ของ iApp
เวอร์ชัน ONNX: ความละเอียดเต็มและ int8huggingface.co/iapp/OpenThai2.0-ASR-Streaming-ONNX
ผลทดสอบ
วัดกันตรง ๆ กับ Typhoon ASR Streaming 0.6B ซึ่งสร้างจากโมเดลฐานเดียวกันของ NVIDIA เราถอดเสียงเองทั้งสองโมเดล บนชุดทดสอบเดียวกัน ด้วยสคริปต์เดียวกัน ที่ความหน่วง 560 ms
| ชุดทดสอบ | เสียงแบบไหน | OpenThai 2.0 ASR Streaming | Typhoon ASR Streaming 0.6B | ผล |
|---|---|---|---|---|
| FLEURS | เสียงอ่าน | 8.47 | 11.28 | เรานำ |
| GigaSpeech2 | คลิป YouTube | 15.35 | 16.33 | เรานำ |
| LOTUSDIS | ประชุม | 20.77 | 28.91 | เรานำ (ชุดนี้เข้าทางเรา ดูหมายเหตุ) |
| TVSpeech | รายการทอล์กทางทีวี | 12.41 | 10.84 | Typhoon นำ |
| อีสาน | ภาษาอีสาน | 34.90 | 34.15 | เสมอ |
ตัวเลขคือ % ของตัวอักษรที่ถอดผิด ยิ่งต่ำยิ่งดี ตัวหนาคือดีกว่าในแต่ละชุด LOTUSDIS: เราเทรนด้วยการประชุมอื่นที่อัดในห้องเดียวกัน ชุดนี้จึงได้เปรียบ อีสาน: ต่างกันน้อยจนนับว่าเสมอ
จาก 99% เหลือ 8.47%
- ก่อนปรับจูน โมเดลฐาน NVIDIA Nemotron 3.5 ASR Streaming 0.6B ถอด FLEURS ภาษาไทยผิด 98.96% ของตัวอักษร แทบไม่ออกเลย ตอนนี้เหลือ 8.47% บนชุดทดสอบเดียวกัน
- ทีมเพิ่มหน่วยคำภาษาไทยให้ tokenizer 1,901 หน่วย
- เทรนด้วยเสียงพูดภาษาไทย 12,373 ชั่วโมง และภาษาอังกฤษ 961 ชั่วโมง
- เทรนบน GPU NVIDIA H100 ที่สนับสนุนโดย Siam AI
วิธีใช้
hf download iapp/OpenThai2.0-ASR-Streaming --local-dir OpenThai2.0-ASR-Streaming
วิธีรัน การตั้งความหน่วง และเซิร์ฟเวอร์ที่แนบมาสำหรับไฟล์และเสียงสด อยู่ใน model card
- ไฟล์ยาวต้องตัดตามช่วงที่หยุดพูดก่อนถอด เซิร์ฟเวอร์ที่แนบมาทำให้อัตโนมัติ ถ้าถอดไฟล์ยาวทั้งไฟล์เป็นสตรีมเดียว คำหลังช่วงที่เงียบจะหายไป
- ภาษาอังกฤษ: โหมดมาตรฐาน
th-THเขียนทุกอย่างเป็นอักษรไทย ส่วนโหมดth-mixเขียนคำภาษาอังกฤษเป็นอักษรอังกฤษได้แค่บางคำ
ไม่อยากดูแล GPU เอง ใช้ OpenThai ASR Realtime ได้ เป็นโมเดลตัวเดียวกันผ่าน WebSocket API ใช้ฟรีช่วงเปิดตัว (ไม่ใช่ฟรีตลอดไป)
🤔 ทำไมแจกฟรี
อยากให้คนหูหนวก หูตึง และผู้สูงอายุ ได้ดูไลฟ์ ดูข่าว เข้าคลาส เข้าประชุม แบบมีคำบรรยายภาษาไทยสด ๆ ได้ทุกที่ และใครจะทำผู้ช่วย AI ที่คุยด้วยเสียงภาษาไทยได้ทันใจ ก็ต้องเริ่มจากฟังภาษาไทยให้ทันก่อน
⚠️ พูดกันตรง ๆ: สิ่งที่ยังไม่ใช่จุดแข็ง
- รายการทอล์กทางทีวี Typhoon ยังทำได้ดีกว่า (TVSpeech 12.41 ต่อ 10.84)
- ภาษาอีสาน ยังเสมอกับ Typhoon (34.90 ต่อ 34.15)
- คำภาษาอังกฤษ โหมดมาตรฐานเขียนเป็นอักษรไทยทั้งหมด โหมด
th-mixเขียนเป็นอักษรอังกฤษได้แค่บางคำ - ไฟล์ยาว ต้องตัดตามช่วงที่หยุดพูดก่อนถอด (เซิร์ฟเวอร์ที่แนบมาและบริการของ iApp ทำให้แล้ว)
- บน CPU ถอดสดทันที่ 320 และ 560 ms เท่านั้น ที่ 80 ms ยังไม่ทัน
ทีมกำลังพัฒนาต่อครับ และขอบคุณทีม Typhoon ที่ช่วยกันยกมาตรฐานการถอดเสียงภาษาไทยมาด้วยกัน
👨👩👧 ตระกูล OpenThai 2.0
| โมเดล | ทำอะไร | ขนาด | สถานะ |
|---|---|---|---|
| OpenThai 2.0 | LLM สนทนา/ให้เหตุผลภาษาไทย อ่านภาพได้ | 27B | เปิดตัวแล้ว |
| OpenThai 2.0 Legal | โมเดลกฎหมายไทยสำหรับ RAG | 30B-A3B | เปิดตัวแล้ว |
| OpenThai-SystemOne | โมเดลตัดสินใจไทย+อังกฤษ (ไม่สร้างข้อความ) | 0.8B | เปิดตัวแล้ว |
| OpenThai 2.0 OCR Markdown | หน้าเอกสาร → Markdown ตารางเป็นตาราง | 0.63B | เปิดตัวแล้ว |
| OpenThai 2.0 OCR Text | OCR ข้อความตัวพิมพ์บน CPU | 4 MB | เปิดตัวแล้ว |
| OpenThai 2.0 ASR Streaming | ถอดเสียงพูดภาษาไทยแบบสด | 0.64B | เปิดตัวแล้ว |
🤝 ร่วมพัฒนา
- อยากเอาไปทำคำบรรยายสดให้งานไหน หรือเจอเสียงแบบไหนที่ถอดแล้วพัง (ที่ไม่มีข้อมูลส่วนตัว) บอกทีมได้เลย
- พูดคุยกันได้ที่ Discord OpenThaiGPT และ กลุ่ม Facebook
- อ่านเพิ่มบนเว็บ iApp: บทความเปิดตัว และ หน้าโมเดล
📄 สัญญาอนุญาตและเครดิต
- OpenThai 2.0 ASR Streaming: OpenMDW-1.1 ใช้เชิงพาณิชย์ได้ เป็นงานต่อยอดจาก NVIDIA Nemotron 3.5 ASR Streaming 0.6B Built on NVIDIA Nemotron
พัฒนาโดย iApp Technology / ทีม OpenThai
🙏 ขอบคุณ Siam AI
โมเดลนี้เทรนบน GPU NVIDIA H100 ที่ได้รับการสนับสนุนจาก บริษัท สยาม เอไอ คอร์เปอเรชั่น จำกัด ขอขอบคุณเป็นอย่างยิ่งที่ร่วมสนับสนุน AI ไทยแบบเปิดมาอย่างต่อเนื่อง และขอบคุณ NVIDIA สำหรับ Nemotron 3.5 ASR Streaming