การแข่งขันในตลาดเครื่องมือถอดเสียงด้วยปัญญาประดิษฐ์ (AI Speech Transcription) กำลังจะดุเดือดขึ้นไปอีกระดับ เมื่อทีม Qwen ของ Alibaba ได้เปิดตัวโมเดล AI สำหรับการรู้จำเสียงพูดรุ่นล่าสุดในชื่อ Qwen3-ASR-Flash ที่มาพร้อมประสิทธิภาพและความสามารถที่น่าทึ่ง
โมเดลนี้ถูกสร้างขึ้นบนพื้นฐานของ AI อัจฉริยะอย่าง Qwen3-Omni และผ่านการฝึกฝนด้วยชุดข้อมูลเสียงขนาดยักษ์ที่มีความยาวหลายสิบล้านชั่วโมง ทีมงานระบุว่ามันไม่ได้เป็นแค่โมเดลรู้จำเสียงพูดทั่วไป แต่ถูกออกแบบมาเพื่อมอบความแม่นยำในระดับสูงสุด แม้จะต้องเผชิญกับสภาพแวดล้อมทางเสียงที่ท้าทายหรือรูปแบบภาษาที่ซับซ้อนก็ตาม
ผลทดสอบชี้ขาด ทิ้งห่างคู่แข่งอย่างชัดเจน
จากข้อมูลการทดสอบที่จัดทำขึ้นในเดือนสิงหาคม 2025 ที่ผ่านมา แสดงให้เห็นว่า Qwen3-ASR-Flash มีประสิทธิภาพที่น่าประทับใจอย่างยิ่ง
- ภาษาจีนมาตรฐาน: ในการทดสอบสาธารณะ Qwen3-ASR-Flash มีอัตราความผิดพลาด (Error Rate) เพียง 3.97% เท่านั้น ซึ่งทิ้งห่างคู่แข่งอย่าง Gemini-2.5-Pro (8.98%) และ GPT4o-Transcribe (15.72%) ไปอย่างขาดลอย
- ภาษาอังกฤษ: โมเดลนี้ทำได้ดีไม่แพ้กัน โดยมีอัตราความผิดพลาดที่ 3.81% ซึ่งดีกว่า Gemini (7.63%) และ GPT4o (8.45%) อย่างชัดเจน
- ภาษาจีนสำเนียงถิ่น: ยังสามารถจัดการกับสำเนียงต่างๆ ของภาษาจีนได้ดีเยี่ยม ด้วยอัตราความผิดพลาดเพียง 3.48%
ไม้ตายเด็ด ถอดเสียงจากบทเพลงได้แม่นยำอย่างน่าทึ่ง
แต่จุดที่ทำให้โมเดลนี้โดดเด่นและสร้างความฮือฮาที่สุด คือความสามารถในการถอดเสียงจาก “บทเพลง” ซึ่งเป็นโจทย์ที่ท้าทายสำหรับ AI มาโดยตลอด
เมื่อได้รับมอบหมายให้ถอดเนื้อเพลงจากท่อนเพลงต่างๆ Qwen3-ASR-Flash ทำอัตราความผิดพลาดได้เพียง 4.51% ซึ่งดีกว่าคู่แข่งอย่างมาก และในการทดสอบภายในที่ให้ถอดเสียงจากเพลงเต็มเพลง โมเดลนี้ทำได้ที่ 9.96% ซึ่งถือเป็นความก้าวหน้าครั้งสำคัญ เมื่อเทียบกับ Gemini-2.5-Pro ที่ผิดพลาดถึง 32.79% และ GPT4o-Transcribe ที่ผิดพลาดสูงถึง 58.59%
นวัตกรรมใหม่ ป้อนข้อมูลบริบทได้อย่างยืดหยุ่น
นอกเหนือจากความแม่นยำแล้ว โมเดลนี้ยังมาพร้อมฟีเจอร์ใหม่ที่เรียกว่า “Flexible Contextual Biasing” ซึ่งจะเปลี่ยนวิธีการใช้งานเครื่องมือถอดเสียงไปโดยสิ้นเชิง
ลืมการสร้างรายการคีย์เวิร์ดที่ต้องจัดรูปแบบอย่างยุ่งยากไปได้เลย เพราะระบบใหม่นี้อนุญาตให้ผู้ใช้ป้อน “ข้อมูลบริบท” ในรูปแบบใดก็ได้เพื่อเพิ่มความแม่นยำเฉพาะทาง ไม่ว่าจะเป็นการให้รายการคำศัพท์เฉพาะ, การโยนเอกสารทั้งฉบับเข้าไป, หรือแม้แต่ข้อความที่ปะปนกันอย่างไม่เป็นระเบียบ โมเดลนี้ก็ฉลาดพอที่จะดึงบริบทเหล่านั้นมาใช้เพื่อเพิ่มความแม่นยำในการถอดเสียงได้ โดยที่ประสิทธิภาพโดยรวมแทบไม่ลดลง แม้ว่าข้อมูลบริบทที่ให้ไปจะไม่เกี่ยวข้องเลยก็ตาม
โมเดลเดียวครอบคลุมทั่วโลก
Alibaba ตั้งเป้าให้โมเดลนี้เป็นเครื่องมือถอดเสียงระดับโลกอย่างแท้จริง โดยใช้โมเดลเพียงตัวเดียวในการรองรับถึง 11 ภาษา พร้อมด้วยสำเนียงและภาษาถิ่นอีกมากมาย
- ภาษาจีน: รองรับอย่างลึกซึ้งทั้งภาษาจีนกลาง และภาษาถิ่นหลัก เช่น กวางตุ้ง, เสฉวน, หมิ่นหนาน (ฮกเกี้ยน), และอู๋
- ภาษาอังกฤษ: รองรับสำเนียงบริติช, อเมริกัน, และสำเนียงภูมิภาคอื่นๆ
- ภาษาอื่นๆ: ครอบคลุมภาษาสำคัญทั่วโลก ได้แก่ ฝรั่งเศส, เยอรมัน, สเปน, อิตาลี, โปรตุเกส, รัสเซีย, ญี่ปุ่น, เกาหลี, และอารบิก
นอกจากนี้ โมเดลยังสามารถระบุได้โดยอัตโนมัติว่าเสียงที่กำลังพูดเป็นภาษาใดใน 11 ภาษานี้ และยังเก่งกาจในการตัดเสียงที่ไม่ใช่คำพูดออกไป เช่น ความเงียบ หรือเสียงรบกวนรอบข้าง ทำให้ผลลัพธ์ที่ได้มีความสะอาดและพร้อมใช้งานมากกว่าเครื่องมือในอดีต
หน้าแรก 
โซลูชั่น 
โทร 
ติดต่อเรา