Google เปิดตัว Gemini 3.5 Transcribe เวอร์ชันพรีวิว แปลงเสียงเป็นข้อความรองรับกว่า 85 ภาษา

บ่ายสามโมงวันพุธ วิศวกรของสตาร์ทอัพแห่งหนึ่งในกรุงเทพฯ เพิ่งประชุมข้ามประเทศเสร็จ กลับมาที่โต๊ะสิ่งแรกที่ทำคือโยนไฟล์บันทึกเสียงเข้าบริการถอดเสียง การประชุมสองชั่วโมงที่พูดไทยปนอังกฤษ ต้นฉบับที่ออกมาแปลง "blocker ของ sprint นี้" เป็นคำไทยแปลก ๆ ชุดหนึ่ง ผู้พูดก็ปนกันหมดจนแยกไม่ออกว่าใครเป็นใคร เขาถอนหายใจ แล้วเริ่มแก้ด้วยมือ

ฉากนี้น่าจะเป็นความทรงจำร่วมของทีมเทคโนโลยีในไทยทุกทีม และโมเดลใหม่ที่ Google ปล่อยในเดือนสิงหาคมก็มุ่งมาที่จุดเจ็บปวดเหล่านี้พอดี

ภูมิหลังของเหตุการณ์

Google เปิดตัวโมเดลแปลงเสียงเป็นข้อความเฉพาะทาง Gemini 3.5 Transcribe บน Gemini API ในเดือนสิงหาคม 2026 ปัจจุบันอยู่ในสถานะพรีวิวสาธารณะ (public preview)

ที่น่าสนใจคือการออกแบบผลิตภัณฑ์ของมัน: นี่ไม่ใช่การเอาโมเดล Gemini ทั่วไปมาเพิ่มอินพุตเสียง แต่แยกเป็นสอง endpoint เฉพาะทาง gemini-3.5-transcribe รับผิดชอบการประมวลผลไฟล์เสียงที่บันทึกไว้ล่วงหน้า ใช้ Interactions API ส่วน gemini-3.5-transcribe-live รับผิดชอบการสตรีมแบบสองทิศทางเรียลไทม์ ใช้ Live API ตัวแรกเหมาะกับงานแบบชุด เช่น บันทึกการประชุม Podcast คำบรรยายวิดีโอ ส่วนตัวหลังเหมาะกับคำบรรยายเรียลไทม์ ผู้ช่วยเสียง ระบบบริการลูกค้า

ตามเอกสารทางการ โมเดลรองรับกว่า 85 ภาษา และแนบตารางเทียบรหัสภาษา BCP-47

จุดเน้นครั้งนี้

• การแยกผู้พูด (speaker diarization): รองรับผู้พูดสูงสุด 8 คน แต่ทางการหมายเหตุว่าการตัดสินการระบุตัวสำหรับ 3 คนขึ้นไปยังอยู่ในขั้นทดลอง
• การประทับเวลาระดับคำ: รองรับเฉพาะ endpoint การประมวลผลไฟล์เท่านั้น และทางการระบุชัดว่าเปิดใช้แล้วจะทำให้ความแม่นยำลดลง คนที่ทำการจับเวลาคำบรรยายต้องระวังการแลกเปลี่ยนนี้
• การตรวจจับภาษาอัตโนมัติและการสลับรหัสภาษา: ตรวจจับภาษาเป็นหน่วยประโยค รองรับการสลับหลายภาษาในไฟล์เสียงเดียวกัน — สิ่งนี้สำคัญมากสำหรับสถานการณ์การประชุมของไทยที่พูดไทยปนอังกฤษ
• การถ่วงคำศัพท์กำหนดเอง (custom vocabulary biasing): ให้ได้สูงสุด 1,000 คำ แต่ทางการแนะนำว่าราว 100 คำได้ผลดีที่สุด นี่คือที่สำหรับป้อนศัพท์ภายในองค์กร ชื่อผลิตภัณฑ์ ชื่อคน
• การถอดเสียงอัจฉริยะ: ลบคำติดปากและคำเติม (เอ่อ แล้วก็ อืม ทำนองนี้) ได้
• ข้อจำกัดความยาวเสียง: การประมวลผลไฟล์ยาวสุด 1 ชั่วโมงต่อครั้ง หากเปิดการแยกผู้พูดหรือการประทับเวลาพร้อมกัน เพดานลดลงเหลือ 30 นาที การสตรีมเรียลไทม์แต่ละเซสชัน 10 นาที

ส่วนความแม่นยำและราคา หน้าเอกสารทางการเองไม่ได้ระบุตัวเลขอัตราความผิดพลาดของคำ (WER) และรายละเอียดราคา รายงานจากบุคคลที่สาม (MarkTechPost) อ้างการวัดของ Artificial Analysis ระบุว่าอัตราความผิดพลาดของคำเฉลี่ยแบบไม่สตรีมราว 2.6% แบบสตรีมราว 4.0% บทความเรียบเรียงหลายแหล่งให้การประมาณราคาว่าราวแบบชุดนาทีละ 0.005 ดอลลาร์สหรัฐ เรียลไทม์นาทีละ 0.009 ดอลลาร์สหรัฐ ตัวเลขเหล่านี้ไม่ใช่ตัวเลขที่ Google ประกาศอย่างเป็นทางการ อัตราค่าบริการจริงโปรดยึดตามหน้าราคาของ Gemini API เป็นหลัก

การวิเคราะห์ผลกระทบต่อตลาด

ต่อผู้ใช้ชาวไทย: การรองรับการสลับรหัสภาษาคือฟังก์ชันที่ควรสนใจที่สุดครั้งนี้ ความเป็นจริงของภาษาในการประชุมของที่ทำงานไทยคือไทยปนอังกฤษ ประโยคอย่าง "timeline ของ feature นี้ต้อง push หน่อย" โมเดลถอดเสียงในอดีตแทบผิดแน่ หากการตรวจจับภาษาเป็นหน่วยประโยคจัดการการปนแบบนี้ได้เสถียรจริง ก็จะยกระดับประโยชน์ใช้สอยต่อบันทึกการประชุมและต้นฉบับการสัมภาษณ์อย่างชัดเจน แต่ต้องเตือนว่า ทางการไม่ได้ประกาศตัวเลขความแม่นยำเฉพาะสำหรับภาษาไทยและสำเนียงไทย เรื่องนี้ต้องทดสอบเอง

ต่อการใช้งานเชิงองค์กร: การถ่วงคำศัพท์กำหนดเองคือฟังก์ชันที่ใช้ได้จริงที่สุดตอนองค์กรนำมาใช้ รหัสผลิตภัณฑ์ภายในองค์กร ชื่อโปรเจกต์ ชื่อเพื่อนร่วมงาน สิ่งเหล่านี้โมเดลทั่วไปถอดผิดแน่ แต่ป้อนผ่านรายการคำศัพท์ได้ ทางการแนะนำว่าราว 100 คำได้ผลดีที่สุด ตัวเลขนี้สมจริงมาก อย่ายัด 1,000 คำเข้าไปในคราวเดียว เลือกที่ปรากฏบ่อยและผิดบ่อยที่สุดก่อน

อย่างไรก็ตาม เพดานเสียง 30 นาทีและ 1 ชั่วโมง สำหรับการบันทึกยาว ๆ อย่างการแถลงผลประกอบการหรือการอบรม จำเป็นต้องมีการตัดไฟล์เพิ่มเติม ก่อนนำมาใช้ต้องคำนวณต้นทุนงานวิศวกรรมส่วนนี้เข้าไปด้วย

ต่อนักพัฒนา: การออกแบบที่แยกสอง endpoint หมายความว่าคุณต้องเลือก API ตามสถานการณ์ ไม่ใช่ชุดเดียวครอบจักรวาล คนที่ทำคำบรรยายเรียลไทม์ใช้ Live API แต่ข้อจำกัด 10 นาทีต่อเซสชันหมายความว่าการถ่ายทอดสดยาว ๆ ต้องจัดการการต่อเนื่อง คนที่ทำถอดเสียงแบบชุดใช้ Interactions API ต้องระวังว่าการเปิดการประทับเวลาจะเสียความแม่นยำ หากแอปของคุณไม่ต้องการการจับเวลาแม่นยำ ก็อย่าเปิด

การแข่งขันในตลาดก็ต้องนำมาพิจารณา ElevenLabs มีระบบนิเวศเดิมในสาขาเสียง Otter.ai มีประสบการณ์ผลิตภัณฑ์ที่สมบูรณ์ในสถานการณ์การประชุม Descript ผสานการถอดเสียงเข้ากับกระบวนการตัดต่อ ตัวเลือกในระดับ API ล้วนมีมากขึ้น เป็นเรื่องดีต่อนักพัฒนา

แนวโน้มการพัฒนาในอนาคต

หมวดการแปลงเสียงเป็นข้อความกำลังแยกเป็นสองชั้น: ชั้นหนึ่งคือโมเดล API (แข่งความแม่นยำ จำนวนภาษา ราคาต่อหน่วย) อีกชั้นคือผลิตภัณฑ์แอปพลิเคชัน (แข่งการผสานเวิร์กโฟลว์และประสบการณ์) Google ครั้งนี้ยืนอยู่ชั้นแรกอย่างชัดเจน ขายความสามารถของโมเดลให้นักพัฒนา ไม่ทำแอปพลิเคชันปลายทาง

ผมคิดว่าจุดโฟกัสของการแข่งขันในปีถัดไปจะเปลี่ยนจาก "ความแม่นยำ" ไปสู่ "ผลลัพธ์เชิงโครงสร้าง" การเปลี่ยนเสียงเป็นข้อความล้วน ๆ ใกล้กลายเป็นสินค้าโภคภัณฑ์แล้ว สิ่งที่มีคุณค่าจริงคือใครพูด พูดเมื่อไหร่ ประโยคไหนคือมติ ประโยคไหนคือรายการที่ต้องทำ การแยกผู้พูดและการประทับเวลาล้วนเป็นโครงสร้างพื้นฐานที่มุ่งไปทิศทางนี้

อีกเรื่องที่ควรติดตามคือเวอร์ชันพรีวิวจะปรับเป็นเวอร์ชันทางการเมื่อไหร่ ในช่วงพรีวิวสาธารณะ พฤติกรรมของโมเดล ราคา และระดับบริการล้วนอาจปรับได้ ก่อนนำเข้าสภาพแวดล้อมการผลิตต้องประเมินความเสี่ยงนี้

บทสรุปและบทวิจารณ์จาก TheAI Academy

พูดตรง ๆ ความก้าวหน้าของการแปลงเสียงเป็นข้อความในช่วงไม่กี่ปีนี้มาถึงขั้น "สำหรับงานทั่วไปดีพอแล้ว" การแข่งความแม่นยำเพิ่มขึ้นอีกไม่กี่เปอร์เซ็นต์ ความรู้สึกจะไม่ต่างมาก สิ่งที่ยังแก้ไม่ได้จริงคือกรณีขอบเหล่านั้น: การปนหลายภาษา หลายคนแย่งกันพูด ศัพท์เฉพาะทาง สำเนียง ฟังก์ชันที่ Gemini 3.5 Transcribe ชูครั้งนี้อยู่ที่จุดเหล่านี้พอดี

ข้อเสนอแนะที่เป็นรูปธรรมสำหรับทีมไทย: หาไฟล์บันทึกการประชุมจริงที่คุณปวดหัวที่สุด — ที่ดีที่สุดคือแบบไทยปนอังกฤษ สามคนขึ้นไป พูดเร็วมาก — โยนให้บริการที่ใช้อยู่กับโมเดลใหม่นี้พร้อมกัน เทียบผลลัพธ์ อย่าดู demo ทางการ อย่าดูตัวเลขเฉลี่ยจากการประเมินของบุคคลที่สาม ทดสอบด้วยข้อมูลของตัวเอง อีกทั้งอย่าลืมจัดศัพท์เฉพาะที่องค์กรใช้บ่อย 100 คำเป็นรายการคำศัพท์ป้อนเข้าไปด้วย นั่นแหละคือเงื่อนไขการใช้งานจริง

บทวิจารณ์: การแปลงเสียงเป็นข้อความไม่ได้ขาดตัวเลือกที่ "พอใช้ได้" แล้ว ที่ขาดคือโมเดลที่จัดการหน้างานวุ่นวายแบบไทยปนอังกฤษได้ สเปกของ Gemini 3.5 Transcribe ดูเหมือนจะรักษาตรงจุด แต่มันจะใช้ได้จริงกับภาษาไทยและสำเนียงไทยหรือไม่ ทางการไม่ให้ตัวเลข ต้องทดสอบเอง ใช้เวลาครึ่งวันทดสอบจริง มีประโยชน์กว่าอ่านรีวิวสิบบทความ

แหล่งข้อมูล

• Google AI for Developers: เอกสารทางการ Gemini 3.5 Transcribe
• MarkTechPost: Google AI Releases Gemini 3.5 Transcribe (27 สิงหาคม 2026)

บทความนี้เรียบเรียงตามข้อมูลสาธารณะ สเปกฟังก์ชันและราคายึดตามทางการเป็นหลัก อัตราความผิดพลาดของคำและการประมาณราคาที่กล่าวถึงในบทความอ้างจากแหล่งบุคคลที่สาม ไม่ใช่ตัวเลขที่ Google ประกาศอย่างเป็นทางการ