ถ้าเราพูดว่า "นัดวันอังคาร เอ๊ย วันพุธ" ปกติโปรแกรมถอดเสียงจะพิมพ์ออกมาทั้งประโยค แต่ Gemini 3.5 Transcribe โมเดลถอดเสียงตัวใหม่จาก Google จะพิมพ์กลับมาให้แค่ "นัดวันพุธ" เท่านั้น เพราะระบบเข้าใจความหมายที่เราต้องการสื่อ และตัดคำที่พูดผิดแล้วแก้กลางประโยคออกให้ตั้งแต่ตอนถอดเสียง โดยที่เราไม่ต้องมานั่งตามแก้เองทีหลัง

ที่ผ่านมา การพิมพ์ด้วยเสียงดูเหมือนจะช่วยประหยัดเวลา แต่พอใช้งานจริง ข้อความที่ได้มักเป็นคำพูดดิบๆ เต็มไปด้วยคำสร้อยคำเติมอย่าง "อืม" "อ่า" หรือคำที่พูดสะดุดซ้ำไปซ้ำมา แถมยังไม่เว้นวรรคหรือตัดย่อหน้า สุดท้ายก็ต้องเสียเวลามานั่งไล่แก้ทีละบรรทัดอยู่ดี

ล่าสุด Google DeepMind ผู้พัฒนาโมเดลตัวนี้ เปิดเผยข้อมูลทั้งด้านความแม่นยำ ความเร็ว ช่องทางการใช้งาน รวมถึงระบุชัดเจนว่ายังมีข้อจำกัดเรื่องภาษา และยังเปิดให้ใช้งานไม่ครบทุกภาษา

จากเดิมที่ได้แค่คำพูดดิบ สู่ข้อความที่เกลาเสร็จพร้อมใช้งาน

โปรแกรมถอดเสียงแบบเดิมทำหน้าที่เพียงแปลงเสียงเป็นตัวอักษรตามที่ได้ยิน พูดอะไรออกไปก็จะได้ตามนั้นทั้งหมด รวมถึงคำที่เราพูดผิดหรือไม่ได้ตั้งใจให้อยู่ในข้อความด้วย

แต่ความสามารถด้านการถอดเสียงอัจฉริยะที่ Google เรียกว่า Smart transcription ทำงานต่างออกไป โดยจัดการ 3 เรื่องพร้อมกันในขั้นตอนเดียว:

1. แก้คำที่พูดผิดกลางประโยค: ตัวอย่างเช่น ถ้าพูดว่า "นัดวันอังคาร เอ๊ย วันพุธ" ข้อความที่ได้จะเหลือเพียง "นัดวันพุธ"
2. ตัดคำเติมทิ้ง: กรองคำสร้อยอย่าง "อืม" หรือ "อ่า" ออกไปโดยอัตโนมัติ
3. จัดรูปแบบข้อความ: ใส่วรรคตอนและเว้นบรรทัดย่อหน้าให้อ่านง่าย

จุดต่างสำคัญอยู่ตรงนี้ จากเดิมที่เราต้องเปิดไฟล์มานั่งตรวจแก้ทีละบรรทัด เราจะได้ข้อความที่พร้อมคัดลอกไปส่งอีเมลหรือใช้งานต่อได้ทันที ซึ่งช่วยตัดงานส่วนที่กินเวลามากที่สุดออกไป

ค่า WER 4.0% และ 2.6% ตัวเลขสำหรับงานคนละประเภท

Word Error Rate หรือค่า WER คือเกณฑ์วัดอัตราความผิดพลาดของคำในงานถอดเสียง ยิ่งตัวเลขน้อยก็ยิ่งแม่นยำ เช่น WER 4% หมายความว่าทุก 100 คำ จะมีคำผิดเฉลี่ยประมาณ 4 คำ

Artificial Analysis ผู้ประเมิน AI อิสระ ได้ทดสอบ Gemini 3.5 Transcribe และวัดค่า WER เฉลี่ยไว้ 2 รูปแบบ:

• 4.0% สำหรับงานถอดเสียงสดแบบสตรีม
• 2.6% สำหรับงานถอดเสียงจากไฟล์ที่บันทึกไว้ล่วงหน้า

จุดนี้ต้องดูให้ดี เพราะตัวเลขสองชุดนี้วัดจากการทำงานคนละแบบ โดยแบบสตรีมคือการถอดเสียงสดขณะกำลังพูด ส่วนแบบไม่สตรีมคือการส่งไฟล์เสียงที่บันทึกไว้แล้วเข้าไปทั้งไฟล์

ทั้งนี้ ตัวเลขทั้งสองชุดมาจากเกณฑ์การวัดคนละแบบ จึงไม่สามารถนำมาเปรียบเทียบกันตรงๆ ได้ และในประกาศก็ไม่ได้นำตัวเลขเหล่านี้ไปเทียบกับบริการของค่ายอื่นแต่อย่างใด

ความเร็วเพิ่มขึ้น 70% เมื่อเทียบกับรุ่นก่อนหน้า

ด้านความเร็ว Artificial Analysis วัดผลจากตัวชี้วัดความเร็วอย่าง Time to final transcription หรือเวลาที่ใช้จนได้ข้อความฉบับสมบูรณ์ พบว่าเร็วขึ้นถึง 70% เมื่อเทียบกับ Chirp 3 โมเดลรุ่นก่อนหน้า

ข้อสังเกตคือ ตัวเลข 70% นี้เป็นการเทียบกับโมเดลรุ่นเดิมของ Google ไม่ใช่การเทียบกับผู้ให้บริการเจ้าอื่นในตลาด ถ้าใช้บริการของค่ายอื่นอยู่แล้ว ตัวเลขนี้จึงยังบอกไม่ได้ว่าถ้าเปลี่ยนมาใช้แล้วจะเร็วขึ้นเท่าไร

ในแง่การใช้งานจริง ความเร็วที่เพิ่มขึ้นนี้จะส่งผลชัดเจนที่สุดกับงานแบบเรียลไทม์ เช่น แอปพลิเคชันที่ต้องสนทนาโต้ตอบด้วยเสียง เพราะทุกวินาทีที่ระบบประมวลผลช้าลง จะกลายเป็นความเงียบที่ผู้ใช้งานรู้สึกได้ทันที

ถอดเสียงไฟล์ที่บันทึกไว้ได้ พร้อมแยกผู้พูดและรองรับคำศัพท์เฉพาะทาง

สำหรับการถอดเสียงจากไฟล์ที่บันทึกไว้ โมเดลมีฟีเจอร์แยกเสียงผู้พูดอย่าง Speaker Diarization ที่ช่วยระบุว่าช่วงไหนเป็นเสียงของใคร พร้อมระบบบอกตำแหน่งเวลาระดับคำอย่าง Word-level timestamps ที่บอกว่าแต่ละคำพูดอยู่ตรงวินาทีไหนของไฟล์ ซึ่งจำเป็นอย่างยิ่งสำหรับงานทำซับไตเติลหรือสรุปบันทึกการประชุม

แต่มีข้อจำกัดที่ควรรู้คือ ตัวโมเดลรองรับการระบุผู้พูดได้สูงสุด 3 คน ถ้ามีผู้พูดมากกว่า 3 คน ทาง Google ระบุชัดเจนว่าการทำงานยังอยู่ในขั้นทดลอง

อีกหนึ่งจุดเด่นสำหรับงานเฉพาะทางคือ โมเดลรองรับฟีเจอร์คลังคำศัพท์เฉพาะอย่าง Custom vocabulary ที่เปิดให้ใส่รายการคำศัพท์ไว้ล่วงหน้า เช่น ศัพท์การแพทย์ ศัพท์กฎหมาย หรือชื่อเฉพาะของสินค้าและแบรนด์ สำหรับสายงานที่มีคำศัพท์เฉพาะเยอะ ฟีเจอร์นี้จะช่วยลดปัญหาตั้งแต่ต้นทาง แทนที่จะต้องมาตามไล่แก้คำผิดทีหลังทุกไฟล์

ช่องทางการใช้งาน: นักพัฒนาผ่าน API ผู้ใช้ทั่วไปผ่าน Gemini App

ช่องทางการใช้งานแบ่งออกเป็น 2 กลุ่มหลัก:

สำหรับนักพัฒนา มี API ให้เลือกใช้ 2 แบบตามลักษณะงาน:

• Live API: ใช้โมเดล gemini-3.5-transcribe-live สตรีมเสียงสองทางแบบเรียลไทม์ ความหน่วงต่ำกว่า 1 วินาที เหมาะสำหรับแอปที่ต้องพูดคุยโต้ตอบกับผู้ใช้สดๆ
• Interactions API: ใช้โมเดล gemini-3.5-transcribe ออกแบบมาสำหรับไฟล์เสียงที่บันทึกไว้ล่วงหน้า เช่น ไฟล์บันทึกการประชุมหรือสายสนทนา โดยรองรับฟีเจอร์แยกผู้พูดและระบุเวลาระดับคำ

สำหรับผู้ใช้งานทั่วไป มี 2 ช่องทางหลัก:

• Gemini app บน macOS: ใช้งานง่ายเพียงกดปุ่ม Fn ค้างไว้ แล้วพูดใส่หน้าต่างโปรแกรมใดก็ได้บนหน้าจอ ข้อความที่เกลาเสร็จแล้วจะพิมพ์ลงตรงตำแหน่งเคอร์เซอร์ทันที ไม่ต้องสลับแอปไปคัดลอกมาวาง
• Rambler: ฟีเจอร์พิมพ์ด้วยเสียงบนคีย์บอร์ด Gboard ของ Android ที่จะแปลงเสียงพูดเป็นข้อความพร้อมจัดรูปแบบ กรองคำเติมออกให้ และยังสั่งแก้ไขด้วยเสียงต่อได้ เช่น สั่งแก้ตัวสะกด หรือเปลี่ยนสไตล์การเขียน

ต่อยอดการทำงานได้มากกว่าแค่การถอดเสียง

จุดเด่นที่ทำให้เครื่องมือนี้ต่างจากโปรแกรมถอดเสียงทั่วไปอย่างเห็นได้ชัด อยู่ใน Gemini app บน macOS ซึ่งถ้าเปิดใช้งานโหมดคิดวิเคราะห์อย่าง Gemini reasoning ซึ่งช่วยให้ AI ประมวลผลบริบทบนหน้าจอได้ ระบบจะไม่ใช่แค่พิมพ์ตามที่พูด แต่จะอ่านเนื้อหาบนหน้าจอแล้วทำงานต่อตามคำสั่งเสียงได้ทันที

ประกาศดังกล่าวยกตัวอย่างการสั่งงานจริงไว้ 3 รูปแบบ:

1. อ่านเอกสารและร่างอีเมล: ลากคลุมไฟล์เอกสารบนเครื่อง แล้วสั่งให้อ่านเอกสารจากคลินิกสัตว์เหล่านี้ พร้อมสรุปประวัติการรักษาของสุนัขเป็นอีเมลส่งไปให้สถานรับฝากสัตว์เลี้ยง
2. สรุปเนื้อหาสำหรับผู้บริหาร: ลากคลุมข้อความบนหน้าจอ แล้วสั่งให้แปลงโน้ตเหล่านี้เป็นสรุปสำหรับผู้บริหาร พร้อมใส่สรุปสั้นไว้ด้านบนสุด
3. ปรับแต่งรูปภาพ: ชี้ไปที่รูปภาพแล้วสั่งให้ทำภาพประกอบเวอร์ชัน Dark mode

การที่โมเดลถอดเสียงสั่งสร้างรูปภาพหรืออ่านไฟล์ได้ เป็นเพราะระบบส่งต่องานไปยังโมเดล Gemini ตัวอื่นผ่านกลไก Function Calling เพื่อให้โมเดลอื่นเข้ามารับช่วงต่อ ซึ่งปัจจุบันเปิดให้ใช้งานแล้วใน Gemini app บน macOS ทำให้การทำงานลักษณะนี้ใกล้เคียงกับ Gemini Spark ผู้ช่วย AI ที่รับงานหลายขั้นตอนไปทำจนจบ มากกว่าจะเป็นแค่เครื่องมือถอดเสียงทั่วไป

รองรับกว่า 85 ภาษา แต่เริ่มเปิดใช้ด้วยภาษาอังกฤษก่อน

แม้ตัวโมเดลจะสามารถตรวจจับและถอดเสียงได้มากกว่า 85 ภาษา รวมถึงสำเนียงและภาษาถิ่นต่างๆ แต่การเปิดให้ใช้งานจริงในแต่ละช่องทางยังมีข้อจำกัดที่ควรรู้ 3 ข้อ:

1. Gemini app บน macOS: แม้จะทยอยเปิดให้ใช้งานทั่วโลก แต่ช่วงแรกยังรองรับเฉพาะภาษาอังกฤษเท่านั้น ส่วนภาษาอื่นจะตามมาทีหลังโดยยังไม่มีกำหนดเวลาแน่ชัด
2. Rambler บน Android: เปิดให้บริการเฉพาะบางประเทศและบางภาษาเท่านั้น โดย Google ไม่ได้ระบุรายชื่อทั้งหมดไว้ แต่สามารถตรวจสอบความพร้อมใช้งานล่าสุดได้จาก หน้ารายชื่อภาษาของ Rambler บนศูนย์ช่วยเหลือ Gboard ของ Google
3. ฝั่ง API: ปัจจุบันยังอยู่ในสถานะ Public preview ซึ่งเปิดให้ทดลองใช้งานได้แล้ว ถ้ามีแผนจะนำไปสร้างระบบสำหรับผู้ใช้งานจริง ควรเผื่อเวลาสำหรับการเปลี่ยนแปลงในอนาคต

นอกจากนี้ ในประกาศทั้งหมดยังไม่เปิดเผยรายละเอียดเรื่องราคาและค่าบริการ ทั้งฝั่ง API แอปบน macOS และ Rambler ว่าคิดค่าบริการต่อนาทีหรือต่อชั่วโมงเท่าไร

งานแบบไหนที่เหมาะกับการนำไปใช้งานทันที

ถ้าต้องการประเมินว่าเครื่องมือนี้เหมาะกับเราหรือไม่ ให้ดูจากลักษณะงานเป็นหลัก:

• คนที่ต้องจดบันทึกการประชุม: ได้ประโยชน์เต็มๆ จากการถอดเสียงพร้อมแยกว่าแต่ละช่วงเป็นเสียงของใคร แต่ต้องเป็นการประชุมที่มีผู้พูดไม่เกิน 3 คนตามที่ระบุไว้
• ครีเอเตอร์และคนทำคอนเทนต์: นำตำแหน่งเวลาระดับคำไปทำซับไตเติลคลิปยาว หรือนำข้อความที่จัดย่อหน้าเรียบร้อยแล้วไปเขียนเป็นบทความต่อได้ทันที
• ทีมที่ต้องตรวจสอบสายสนทนาย้อนหลัง: เช่น ทีม Call Center สามารถใช้ Interactions API ถอดเสียงบทสนทนาโดยแยกเสียงผู้พูดแต่ละฝั่งได้อย่างชัดเจน
• คนที่พิมพ์ช้าแต่พูดคล่อง: ใช้งานผ่าน Gemini app หรือ Rambler เพื่อเปลี่ยนเสียงพูดเป็นข้อความพร้อมส่งได้โดยไม่ต้องเขียนโค้ด

แต่มีข้อควรระวังเรื่องความเป็นส่วนตัวและความปลอดภัยของข้อมูล เพราะไฟล์เสียงประชุมมีเสียงของทุกคนที่อยู่ในห้อง ก่อนอัปโหลดไฟล์ขึ้นบริการใดๆ ควรตรวจสอบให้แน่ใจว่าองค์กรอนุญาตให้ส่งข้อมูลลักษณะนี้หรือไม่ เรื่องนี้ไม่เกี่ยวกับความแม่นยำของโมเดล แต่เป็นกฎระเบียบภายในองค์กรที่ควรตรวจสอบให้ชัดเจนก่อนใช้งาน

เมื่อ AI พัฒนาจนเกลาข้อความให้พร้อมใช้งานได้ทันที เราจึงต้องปรับตัวด้วยการฝึกพูดและสื่อสารความคิดให้ชัดเจนตรงประเด็นตั้งแต่ประโยคแรก แทนที่จะฝึกพิมพ์ให้เร็วขึ้น

---

ที่มา:

• บทความ Intelligent transcription with Gemini 3.5 Transcribe จาก Google DeepMind
• บทความ Gemini for macOS adds new natural language capabilities จาก Google