พิมพ์ด้วยเสียงภาษาไทยบน Omarchy: เร็ว ถูก ไทยปนอังกฤษได้
ผมพิมพ์ด้วยเสียงทั้งวัน ทั้งแชต ทั้งสั่งงาน AI ทั้งเขียนโค้ด และพูดไทยปนอังกฤษแทบทุกประโยค “เดี๋ยว deploy ขึ้น production แล้วส่ง link ใน Slack นะ” แบบนี้แหละครับ
โจทย์เลยมีสามข้อ
- ไทยปนอังกฤษต้องออกมาถูก คำอังกฤษต้องเป็นตัวอังกฤษ ไม่ใช่ “โปรดักชั่น”
- เร็ว ปล่อยปุ่มแล้วข้อความต้องขึ้นแทบทันที
- ถูก ใช้ทุกวันได้โดยไม่ต้องคิดเรื่องค่าใช้จ่าย
บทความนี้คือสูตรที่ผมใช้อยู่จริงบน Omarchy (Arch + Hyprland) ณ พฤศจิกายน 2026
สรุปสั้น
| โปรแกรม | voxtype (แพ็กเกจ voxtype-bin) |
| ตัวถอดเสียง | Soniox stt-rt-v4 แบบ stream |
| ปุ่ม | กด Right Ctrl หนึ่งทีเริ่ม กดอีกทีหยุด |
| ความเร็ว | คำขึ้นจอระหว่างพูด ครบหลังจบเสียงราว 0.3 วินาที |
| ค่าใช้จ่าย | $0.12 ต่อชั่วโมงเสียง ≈ ฿3.9/ชม. ใช้หนัก 30 ชม./เดือน ≈ ฿118 |
ตัวเลขความเร็วมาจากการวัดของผมเอง ใช้คลิปไทยปนอังกฤษยาว 7.6 วินาที ส่งเสียงเข้าไปตามเวลาจริง วัด 3 รอบผ่านเน็ตบ้าน ส่วนราคามาจากหน้าราคาของ Soniox (คิดที่ 32.9 บาทต่อดอลลาร์)
ทำไมไม่ใช้ Whisper ในเครื่อง
ลองแล้วครับ และใช้ได้ดีด้วย Whisper ที่ fine-tune ภาษาไทยอย่าง Typhoon Whisper turbo รันบน GPU ในโน้ตบุ๊ก (Radeon 780M ผ่าน Vulkan) ถอดคลิปเดียวกันได้ใน 1.2 วินาที ฟรีและออฟไลน์ แต่มีข้อเสียสองข้อ
- ต้องรอถอดหลังปล่อยปุ่ม ยิ่งพูดยาวยิ่งรอนาน
- ไทยปนอังกฤษยังพลาดเป็นระยะ
Soniox ถอดทีละคำระหว่างที่เราพูด พอปล่อยปุ่มก็เหลือแค่ท้ายประโยคนิดเดียว และในการทดสอบของผมมันถอดไทยปนอังกฤษได้ดีที่สุด ได้ทั้ง “production” เป็นตัวอังกฤษ และ “บ่าย 3 โมง” เป็นตัวเลข ผมเลยเก็บ Whisper ไว้เป็นตัวสำรองตอนออฟไลน์
1. ติดตั้ง
yay -S voxtype-bin wtype
voxtype setup check wtype คือตัวพิมพ์ข้อความลงหน้าต่างบน Wayland ส่วน setup check จะบอกว่าทุกอย่างพร้อมหรือยัง
2. เก็บ API key ให้ถูกที่
สมัคร Soniox แล้วเอา API key มา อย่าใส่ใน config.toml ให้แยกไว้ในไฟล์ที่อ่านได้คนเดียว
echo 'SONIOX_API_KEY=ใส่คีย์ตรงนี้' > ~/.config/voxtype/secrets.env
chmod 600 ~/.config/voxtype/secrets.env แล้วให้ systemd โหลดไฟล์นี้ตอนเปิด daemon
mkdir -p ~/.config/systemd/user/voxtype.service.d
cat > ~/.config/systemd/user/voxtype.service.d/secrets.conf <<'EOF'
[Service]
EnvironmentFile=%h/.config/voxtype/secrets.env
EOF
systemctl --user daemon-reload 3. ตั้งค่า voxtype
ใน ~/.config/voxtype/config.toml
engine = "soniox"
[hotkey]
key = "RIGHTCTRL"
mode = "toggle"
[soniox]
language_hints = ["th", "en"]
streaming = true
[output]
mode = "type"
wtype_shift_prefix = true แล้ว systemctl --user restart voxtype
language_hints voxtype จะส่ง ["hu", "en"] ไปให้ Soniox ภาษาไทยจะออกมาเพี้ยน ต้องใส่ ["th", "en"] เองเสมอ4. ทำไมเป็นกดหนึ่งทีเริ่ม กดอีกทีหยุด
voxtype ไม่ยอมให้ใช้ engine แบบ stream คู่กับการกดค้าง ถ้าตั้ง push_to_talk ไว้ มันจะเปลี่ยนเป็น toggle ให้เองตอนเปิด เหตุผลคือข้อความถูกพิมพ์ออกมาระหว่างที่เราพูด ถ้านิ้วยังกดปุ่มค้างอยู่ตอนนั้น Hyprland จะไม่เห็นตอนปล่อยปุ่ม แล้วการอัดเสียงก็ค้าง ผมเลยตั้ง toggle ไว้ตรง ๆ ใน config จะได้ไม่มี warning
ข้อดีของ toggle คือเห็นคำขึ้นจอทีละคำระหว่างพูด
streaming_type_on_release ไว้ใน voxtype #948 ระหว่างกดค้างเสียงจะ stream ไป Soniox แต่ยังไม่พิมพ์อะไร พอปล่อยปุ่ม รออีกราว 0.3 วินาที ข้อความทั้งก้อนก็พิมพ์ออกมาทีเดียว ได้ความรู้สึกแบบกดค้างกับความเร็วแบบ stream ตอนนี้ยังไม่อยู่ใน voxtype ตัวหลัก ถ้าอยากได้ ไปกด 👍 ที่ issue ได้ครับ5. กับดักที่ 2: Chrome กินตัวอักษรตัวแรก
ตอนแรกพิมพ์ใน terminal ได้สมบูรณ์ แต่ใน Chrome ตัวอักษรตัวแรกหายทุกครั้ง บางทีหน้าต่างทำเหมือนโดนกด Escape
ผมไล่ทดสอบด้วยการสั่ง wtype ตรง ๆ เข้า textarea ใน Chrome
| ทดสอบ | ผล |
|---|---|
| พิมพ์ภาษาไทยปกติ | ไทยออกครบ แต่ตัวแรกหาย |
| รอก่อนพิมพ์ 0 / 20 / 50 / 100 / 200 ms | ตัวแรกหายทุกครั้ง |
| ปิด fcitx5 ชั่วคราว | ยังหาย |
| กด Shift เปล่าหนึ่งทีก่อนพิมพ์ | ครบทุกตัว |
แปลว่าไม่ใช่เรื่องภาษาไทย ไม่ใช่ input method และไม่ใช่เรื่องจังหวะเวลา สาเหตุที่น่าจะเป็นมีคนรายงานไว้ใน voxtype #938 คือ wtype วางตัวอักษรแรกไว้ที่ keycode 1 ซึ่งปกติคือปุ่ม Escape แอปตระกูล Chromium อ่าน keycode เลยเห็นเป็น Escape
ทางแก้คือ wtype_shift_prefix = true ที่ใส่ไว้ใน config ข้างบนแล้ว มันกด Shift ก่อนหนึ่งที ให้ Shift เป็นตัวที่โดนกินแทน
ค่าใช้จ่ายจริงเป็นยังไง
Soniox คิดตามความยาวเสียง $0.12 ต่อชั่วโมงสำหรับแบบ stream คนที่พูดวันละชั่วโมงทุกวันจะตกเดือนละราว ฿118 ส่วนคนที่พูดวันละ 10-20 นาทีจะเหลือหลักสิบบาท
ถ้าอยากรู้ว่าเจ้าอื่นเป็นยังไง ทั้ง ElevenLabs, Paxa และ Whisper ในเครื่อง รวมถึงฝั่งอ่านออกเสียง (TTS) ผมเขียนแยกไว้อีกบทความ
สรุป
- voxtype + Soniox แบบ stream ใส่
language_hints = ["th", "en"] - เก็บคีย์ในไฟล์ env ที่ systemd โหลด
- ตั้ง
mode = "toggle"แล้วเห็นคำขึ้นจอระหว่างพูด - ใส่
wtype_shift_prefix = trueถ้าใช้ Chrome
ตั้งค่าเสร็จแล้วก็ลืมมันไปได้เลยครับ กด พูด กด