สถานะ AI เสียงภาษาไทย พ.ย. 2026: ถอดเสียงและอ่านออกเสียง เจ้าไหนเร็ว เจ้าไหนถูก
ช่วงนี้ผมใช้เสียงกับคอมพิวเตอร์ทุกวัน ทั้งพูดให้พิมพ์ (วิธีตั้งค่าบน Omarchy) และให้มันอ่านภาษาไทยออกเสียงทำวิดีโอ เลยถือโอกาสจดไว้ว่าตอนนี้ (พฤศจิกายน 2026) ถ้าจะทำอะไรกับเสียงภาษาไทย มีตัวเลือกอะไรบ้าง ราคาเท่าไร และเร็วแค่ไหน
ถอดเสียง (Speech-to-Text)
ประโยคทดสอบ: “วันนี้ผมจะ deploy เวอร์ชันใหม่ของ API ขึ้น production ตอนบ่ายสามโมง แล้วจะส่ง link ให้ทีมรีวิวใน Slack นะครับ”
ราคา
| เจ้า | ส่งไฟล์ (batch) | แบบ stream | ใช้ 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) | ฟรี | ฟรี | ค่าไฟ |
ความเร็วและความแม่น
| แบบ | เจ้า | ความเร็ว | ผลถอด |
|---|---|---|---|
| stream | Soniox stt-rt-v4 | คำแรก 1.45 s · ครบหลังจบเสียง +0.30 s | ดีที่สุด คำอังกฤษเป็นตัวอังกฤษครบ ได้ “บ่าย 3 โมง” |
| stream | Paxa realtime | คำแรก 5.31 s · ครบ +0.17 s | ไม่มีข้อความระหว่างพูด ออกทีละประโยค “production” กลายเป็น “โปรดักชั่น” |
| ส่งไฟล์ | Paxa REST | 0.69 s | ดี แต่ “บ่าย สาม โมง” แยกคำ |
| ส่งไฟล์ | Typhoon Whisper turbo บน Radeon 780M | 1.20 s | ดีมาก |
| ส่งไฟล์ | Soniox async | 3.94 s | ดีที่สุด |
| stream | ElevenLabs Scribe v2 | ยังไม่ได้วัด |
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 / โมเดล | ราคาที่ประกาศ | ต่อ 1,000 ตัวอักษร | ต่อเสียง 1 ชม.* | ภาษาไทย |
|---|---|---|---|---|
| Paxa TTS Flash v2 | 10 credit / 1k | ฿0.33 | ≈ ฿18 | ✅ ใช้จริง มีเสียงไทยราว 50 เสียง |
| Soniox tts-rt-v2 | $0.70 / ชม. เสียง | ≈ ฿0.43 | ≈ ฿23 | ยังไม่ได้ตรวจ |
| ElevenLabs Flash / Turbo | $0.04 / 1k | ≈ ฿1.3 | ≈ ฿71 | ยังไม่ได้ตรวจ |
| ElevenLabs v3 / v4 / Multilingual v2 | $0.08 / 1k | ≈ ฿2.6 | ≈ ฿142 | ยังไม่ได้ตรวจ |
*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
- Soniox pricing · Soniox TTS
- ElevenLabs API pricing
- Paxa credits และ API
/v1/modelsของ Paxa - Typhoon tech report (arXiv 2601.13044)
- Pathumma-whisper-th-large-v3