สถานะ AI เสียงภาษาไทย พ.ย. 2026: ถอดเสียงและอ่านออกเสียง เจ้าไหนเร็ว เจ้าไหนถูก

ช่วงนี้ผมใช้เสียงกับคอมพิวเตอร์ทุกวัน ทั้งพูดให้พิมพ์ (วิธีตั้งค่าบน Omarchy) และให้มันอ่านภาษาไทยออกเสียงทำวิดีโอ เลยถือโอกาสจดไว้ว่าตอนนี้ (พฤศจิกายน 2026) ถ้าจะทำอะไรกับเสียงภาษาไทย มีตัวเลือกอะไรบ้าง ราคาเท่าไร และเร็วแค่ไหน

วิธีวัด ราคามาจากหน้าราคาทางการของแต่ละเจ้า ณ 2 พ.ย. 2026 คิดที่ 32.9 บาทต่อดอลลาร์ ความเร็ววัดเองด้วยคลิปไทยปนอังกฤษยาว 7.6 วินาที ส่งเข้าไปตามเวลาจริงทีละ 100 ms วัดเจ้าละ 3 รอบผ่านเน็ตบ้านในประเทศไทย เป็นคลิปเดียวและเป็นเสียงสังเคราะห์ ใช้ดูภาพรวม ไม่ใช่ benchmark ทางวิชาการ

ถอดเสียง (Speech-to-Text)

ประโยคทดสอบ: “วันนี้ผมจะ deploy เวอร์ชันใหม่ของ API ขึ้น production ตอนบ่ายสามโมง แล้วจะส่ง link ให้ทีมรีวิวใน Slack นะครับ”

ราคา

เจ้าส่งไฟล์ (batch)แบบ streamใช้ 30 ชม./เดือน (stream)
Soniox$0.10/ชม. ≈ ฿3.3$0.12/ชม. ≈ ฿3.9≈ ฿118
ElevenLabs Scribe v2$0.22/ชม. ≈ ฿7.2$0.39/ชม. ≈ ฿12.8≈ ฿385
Paxa STT Lite (preview)฿16.45/ชม.≈ ฿24.7/ชม.≈ ฿740
Typhoon Whisper (รันในเครื่อง)ฟรีฟรีค่าไฟ

ความเร็วและความแม่น

แบบเจ้าความเร็วผลถอด
streamSoniox stt-rt-v4คำแรก 1.45 s · ครบหลังจบเสียง +0.30 sดีที่สุด คำอังกฤษเป็นตัวอังกฤษครบ ได้ “บ่าย 3 โมง”
streamPaxa realtimeคำแรก 5.31 s · ครบ +0.17 sไม่มีข้อความระหว่างพูด ออกทีละประโยค “production” กลายเป็น “โปรดักชั่น”
ส่งไฟล์Paxa REST0.69 sดี แต่ “บ่าย สาม โมง” แยกคำ
ส่งไฟล์Typhoon Whisper turbo บน Radeon 780M1.20 sดีมาก
ส่งไฟล์Soniox async3.94 sดีที่สุด
streamElevenLabs Scribe v2ยังไม่ได้วัด

Soniox แบบ stream ส่งคำมาทีละคำ ตามหลังเสียงพูดเฉลี่ย 0.79 วินาที และไม่เคยต้องลบแก้คำที่ส่งมาแล้วในการทดสอบ

ฝั่ง open-weight

ถ้าต้องรันเองในเครื่อง ตัวที่น่าใช้คือ Whisper large-v3 ที่ fine-tune ภาษาไทย

  • Typhoon Whisper large-v3 / turbo (SCB10X) ทีม Typhoon รายงาน CER ดีที่สุดบนชุดทดสอบของตัวเอง
  • Pathumma-whisper-th-large-v3 (NECTEC, Apache-2.0) WER บน Gowajee 9.84 เทียบกับ Whisper ตัวมาตรฐาน 46.59
  • Thonburian Whisper (biodatlab)

แปลงเป็น GGML แล้วใช้กับ whisper.cpp ได้ ตัว turbo แบบ q5_0 ใหญ่แค่ราว 0.55 GB

ตัวเลข WER/CER เหล่านี้ผู้พัฒนาวัดเองทั้งหมด และแต่ละเจ้าตัดคำกับ normalize ข้อความต่างกัน เทียบข้ามเจ้าตรง ๆ ไม่ได้

จุดอ่อนที่ทุกตัวมีเหมือนกันคือ พูดไทยปนอังกฤษ โมเดลมักเขียนคำอังกฤษเป็นตัวไทยบ้าง ตัวอังกฤษบ้าง Typhoon ASR แบบ realtime ตั้งใจเขียนคำอังกฤษเป็นตัวไทยเลย ซึ่งดีสำหรับงานถอดเทปแต่ไม่เหมาะกับการพิมพ์ด้วยเสียง

อ่านออกเสียง (Text-to-Speech)

เจ้า / โมเดลราคาที่ประกาศต่อ 1,000 ตัวอักษรต่อเสียง 1 ชม.*ภาษาไทย
Paxa TTS Flash v210 credit / 1k฿0.33≈ ฿18✅ ใช้จริง มีเสียงไทยราว 50 เสียง
Soniox tts-rt-v2$0.70 / ชม. เสียง≈ ฿0.43≈ ฿23ยังไม่ได้ตรวจ
ElevenLabs Flash / Turbo$0.04 / 1k≈ ฿1.3≈ ฿71ยังไม่ได้ตรวจ
ElevenLabs v3 / v4 / Multilingual v2$0.08 / 1k≈ ฿2.6≈ ฿142ยังไม่ได้ตรวจ

*สมมติเสียงพูด 1 ชั่วโมงราว 54,000 ตัวอักษร ภาษาไทยจริงอาจต่างจากนี้ ใช้เทียบคร่าว ๆ เท่านั้น

Paxa เป็นสตาร์ทอัปไทย ราคาถูกที่สุดในกลุ่มนี้ และผมใช้เสียงไทยของมันทำวิดีโอเดโมอยู่แล้ว ส่วน ElevenLabs แพงกว่า 4-8 เท่า แลกกับระบบที่ใหญ่กว่าและการโคลนเสียง

สรุปตอนนี้

  • พิมพ์ด้วยเสียง ไทยปนอังกฤษ: Soniox แบบ stream ถูกที่สุดและแม่นที่สุดในการทดสอบ
  • ต้องรอผลหลังพูดจบให้น้อยที่สุดแบบส่งไฟล์: Paxa REST 0.69 วินาที แต่แพงสุด
  • ออฟไลน์ ฟรี: Typhoon Whisper turbo ช้ากว่าเล็กน้อยแต่คุณภาพดีมาก
  • อ่านออกเสียงภาษาไทย: Paxa ถูกและภาษาไทยแน่นอน

ตลาดนี้เปลี่ยนเร็วมาก ราคาและโมเดลในบทความนี้อาจล้าสมัยภายในไม่กี่เดือน ผมจะกลับมาอัปเดตถ้ามีอะไรเปลี่ยนมาก

แหล่งข้อมูล

© 2026 Nutchanon. All rights reserved. วงแหวนเว็บ