พิมพ์ด้วยเสียงภาษาไทยบน Omarchy: เร็ว ถูก ไทยปนอังกฤษได้

ผมพิมพ์ด้วยเสียงทั้งวัน ทั้งแชต ทั้งสั่งงาน AI ทั้งเขียนโค้ด และพูดไทยปนอังกฤษแทบทุกประโยค “เดี๋ยว deploy ขึ้น production แล้วส่ง link ใน Slack นะ” แบบนี้แหละครับ

โจทย์เลยมีสามข้อ

  1. ไทยปนอังกฤษต้องออกมาถูก คำอังกฤษต้องเป็นตัวอังกฤษ ไม่ใช่ “โปรดักชั่น”
  2. เร็ว ปล่อยปุ่มแล้วข้อความต้องขึ้นแทบทันที
  3. ถูก ใช้ทุกวันได้โดยไม่ต้องคิดเรื่องค่าใช้จ่าย

บทความนี้คือสูตรที่ผมใช้อยู่จริงบน Omarchy (Arch + Hyprland) ณ พฤศจิกายน 2026

สรุปสั้น

โปรแกรมvoxtype (แพ็กเกจ voxtype-bin)
ตัวถอดเสียงSoniox stt-rt-v4 แบบ stream
ปุ่มกด Right Ctrl หนึ่งทีเริ่ม กดอีกทีหยุด
ความเร็วคำขึ้นจอระหว่างพูด 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

กับดักที่ 1: ค่าเริ่มต้นของภาษาเป็นฮังการี ถ้าไม่ใส่ language_hints voxtype จะส่ง ["hu", "en"] ไปให้ Soniox ภาษาไทยจะออกมาเพี้ยน ต้องใส่ ["th", "en"] เองเสมอ

4. 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

ถ้าชอบกดค้างแบบผม ผมเสนอตัวเลือก 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 ได้ครับ

5. กับดักที่ 2: Chrome กินตัวอักษรตัวแรก

ตอนแรกพิมพ์ใน terminal ได้สมบูรณ์ แต่ใน Chrome ตัวอักษรตัวแรกหายทุกครั้ง บางทีหน้าต่างทำเหมือนโดนกด Escape

ผมไล่ทดสอบด้วยการสั่ง wtype ตรง ๆ เข้า textarea ใน Chrome

ทดสอบผล
พิมพ์ภาษาไทยปกติไทยออกครบ แต่ตัวแรกหาย
รอก่อนพิมพ์ 0 / 20 / 50 / 100 / 200 msตัวแรกหายทุกครั้ง
ปิด fcitx5 ชั่วคราวยังหาย
กด Shift เปล่าหนึ่งทีก่อนพิมพ์ครบทุกตัว

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 = true ถ้าใช้ Chrome

ตั้งค่าเสร็จแล้วก็ลืมมันไปได้เลยครับ กด พูด กด

© 2026 Nutchanon. All rights reserved. วงแหวนเว็บ