Nemotron 3.5 Transcribe ของ Nvidia AI ถอดเสียงฟรีที่ฟังไทยปนอังกฤษออก ทำงานยังไง และมีข้อจำกัดอะไร

ถ้าคุณเคยลองให้ AI ถอดเสียงประชุมงานในไทย คุณน่าจะเจอปัญหาเดียวกัน คนไทยไม่ได้พูดไทยล้วน ประโยคเดียวมีทั้ง "เดี๋ยวขอ approve budget ก่อน deadline วันศุกร์" เครื่องมือถอดเสียงหลายตัวเจอแบบนี้แล้วสะกดคำอังกฤษเป็นภาษาไทยมั่ว ๆ หรือตัดทิ้งไปเลย

วันที่ 28 ตุลาคม 2026 Nvidia ปล่อย model ถอดเสียงตัวใหม่ชื่อ Nemotron 3.5 Transcribe แบบเปิดให้ดาวน์โหลดฟรี และในเอกสารของตัวเองระบุว่าภาษาไทยรองรับการพูดสลับภาษาด้วย บทความนี้สรุปจากสามแหล่ง คือบล็อกของ NVIDIA บน Hugging Face, model card (หน้าเอกสารประจำตัว model) และรายงานของ TechCrunch วันเดียวกัน ตัวเลขทุกตัวในบทความนี้เป็นตัวเลขที่ Nvidia รายงานเอง ยังไม่มีการทดสอบภาษาไทยจากคนนอก ส่วนที่เป็นความเห็นของเราเอง เราจะบอกไว้ชัด ๆ

มันทำอะไรได้บ้าง

งานถอดเสียงในชีวิตจริงไม่ได้จบที่ "ได้ตัวหนังสือครบทุกคำ" คนที่เอาบันทึกประชุมไปใช้ต่ออยากรู้ด้วยว่าใครพูดอะไร อยากได้ฉบับแปล หรืออยากให้ศัพท์เฉพาะทางสะกดถูก Nvidia ออกแบบตัวนี้ให้ทำงานพวกนั้นได้ใน model ตัวเดียว ตามเอกสาร

• ถอดเสียง 40 ภาษา และ แปลไป-กลับกับภาษาอังกฤษได้ 31 ภาษา
• แยกผู้พูด บอกได้ว่าประโยคไหนใครพูด สูงสุด 8 คนต่อไฟล์ ฟีเจอร์นี้รองรับ 13 ภาษา ในวงการเรียกงานนี้ว่า diarization
• รับไฟล์ยาวได้ถึงหนึ่งชั่วโมง และบอกเวลาของแต่ละคำได้ (word-level timestamps)
• ถามตอบจากเสียง เช่นถามว่าในคลิปนี้ตกลงกันว่าอะไร แต่ข้อนี้ Nvidia ระบุว่าทดสอบมาแค่ภาษาอังกฤษ ภาษาอื่นอาจใช้ได้ไม่เสถียร

ภาษาไทยอยู่ตรงไหน

ใน model card มีตารางภาษา แบ่งคุณภาพเป็นสามระดับ ระดับบนสุดคือ Leading (ดีที่สุดหรือเกือบดีที่สุดตั้งแต่แกะกล่อง) ถัดมาคือ Production-ready (คุณภาพระดับใช้งานจริง) และ Supported (รองรับ แต่อาจต้องปรับจูนเพิ่ม)

ภาษาไทยอยู่ระดับ Production-ready และได้เครื่องหมายครบทั้งสี่ช่อง คือถอดเสียง แปลกับภาษาอังกฤษ ถอดเสียงหลายผู้พูด และ code-switching ซึ่งก็คือการพูดสลับภาษาในประโยคเดียวกัน แบบที่คนไทยพูดกันในที่ทำงาน เทียบกับบางภาษาในยุโรปที่ได้ระดับเดียวกันแต่ไม่มีช่องแยกผู้พูด ภาษาไทยถือว่าได้ฟีเจอร์ครบ

ตัวเลขเดียวที่ Nvidia รายงานเฉพาะภาษาไทยคือผลบนชุดทดสอบ FLEURS ได้อัตราผิดระดับตัวอักษร (CER) 7.34% หมายความว่าโดยเฉลี่ยทุก 100 ตัวอักษร มีราว 7 ตัวที่ผิด ตกหล่น หรือเกินมา ภาษาไทยวัดเป็นตัวอักษรแทนคำ เพราะภาษาไทยเขียนติดกันไม่เว้นวรรคระหว่างคำ ตัวเลขนี้มาจากชุดทดสอบเสียงอ่านที่ค่อนข้างสะอาด เสียงประชุมจริงที่มีคนพูดแทรกกันและเสียงรบกวนมักทำให้ผลแย่กว่านี้ ข้อนี้เป็นความเห็นจากประสบการณ์ของเรา ไม่ใช่ตัวเลขของ Nvidia

กลไก ทำไมมันสั่งได้ด้วยภาษาคน

เครื่องมือถอดเสียงรุ่นก่อนส่วนใหญ่ทำงานแบบเดียว ฟังเสียงแล้วพ่นตัวหนังสือออกมา จะปรับอะไรต้องไปแก้ที่การตั้งค่าหรือเทรนใหม่

Nemotron 3.5 Transcribe ต่างออกไป เพราะข้างในมันคือสองส่วนต่อกัน ส่วนแรกเป็นตัวฟังเสียง (audio encoder) ที่แปลงเสียงเป็นข้อมูลที่ model เข้าใจ และมีตัวจับลักษณะเสียงของแต่ละคนติดมาด้วย ส่วนที่สองเป็นโมเดลภาษา (LLM) ตัวเดียวกับที่ใช้ในแชทบอท รับทั้งข้อมูลเสียงและคำสั่งที่คุณพิมพ์ แล้วเขียนผลลัพธ์ออกมา ในวงการเรียก model แบบนี้ว่า speech-augmented language model

ผลคือคุณกำหนดรูปแบบผลลัพธ์ด้วยคำสั่งได้ เช่น

• ขอแบบคำต่อคำ เก็บ เอ่อ อ่า และคำพูดซ้ำไว้ครบ เหมาะกับงานวิจัยหรือตรวจสอบย้อนหลัง
• ขอแบบอ่านง่าย ตัดคำเติมและคำซ้ำทิ้ง เหมาะทำบันทึกประชุมหรือซับไตเติล
• บอกศัพท์ล่วงหน้า เช่นชื่อลูกค้า ชื่อสินค้า หรือคำย่อในวงการ แล้วกำชับว่าให้ใช้เฉพาะเมื่อได้ยินในเสียงจริง

ข้อสุดท้ายสำคัญมาก Nvidia ยกตัวอย่างจากงานถอดเสียงทางการแพทย์ แค่เขียนคำสั่งให้ระบุภาษาและตัวอักษรที่ต้องการให้ชัด อัตราผิดก็ลดจาก 30.8% เหลือ 23.8% และเมื่อเทรนเพิ่มด้วยข้อมูลเฉพาะทาง ลดลงเหลือ 11.8% บนชุดทดสอบเดียวกัน

อีกเรื่องที่ทำให้มันเร็ว model ทั้งตัวมีราว 30,000 ล้านพารามิเตอร์ แต่ใช้โครงสร้างแบบ mixture of experts คือแบ่งเป็นผู้เชี่ยวชาญย่อยหลายชุด แล้วเรียกใช้เฉพาะชุดที่เกี่ยวข้อง ในแต่ละขั้นจึงทำงานจริงราว 4,300 ล้านพารามิเตอร์ เปรียบเหมือนบริษัทที่มีพนักงานเยอะ แต่แต่ละงานเรียกแค่คนที่เกี่ยวข้องเข้าห้องประชุม

ทำไม "เปิดให้โหลด" ถึงสำคัญกับบริษัทไทย

บริการถอดเสียงส่วนใหญ่ทำงานแบบเดียวกัน คุณอัปโหลดไฟล์เสียงขึ้นเซิร์ฟเวอร์ของผู้ให้บริการ แล้วรอรับตัวหนังสือกลับมา ถ้าไฟล์นั้นคือการประชุมเรื่องราคา สัญญา หรือข้อมูลลูกค้า หลายบริษัทไม่สบายใจจะส่งออกไปข้างนอก

model แบบ open-weight คือ Nvidia ปล่อยตัว model ให้ดาวน์โหลดไปติดตั้งบนเครื่องของคุณเอง ไฟล์เสียงไม่ต้องออกจากบริษัท model card ระบุว่าใช้ได้ทั้งเชิงพาณิชย์และไม่ใช่เชิงพาณิชย์ ภายใต้สัญญาอนุญาต OpenMDW-1.1 นอกจากนี้ Nvidia ยังปล่อยชุดข้อมูลเสียงสำหรับเทรน Granary v2 ซึ่งมีข้อมูลราว 463,000 ชั่วโมงใน 48 ภาษา พร้อมเครื่องมือให้บริษัทเอาไปปรับจูนกับศัพท์ในวงการของตัวเองได้

ข้อจำกัดที่ต้องรู้ก่อน

• ถอดได้เฉพาะไฟล์ที่อัดเสร็จแล้ว ไม่ใช่ถอดสดระหว่างประชุม TechCrunch ชี้ข้อนี้เป็นจุดอ่อนหลัก
• ติดตั้งเองต้องใช้เครื่องแรง ตัวอย่างการติดตั้งใน model card ใช้การ์ดจอ H100 80 GB หนึ่งใบ ซึ่งเป็นการ์ดระดับศูนย์ข้อมูล รุ่นย่อขนาด (quantized) สำหรับเครื่องเล็กอย่าง DGX Spark หรือ RTX Spark Nvidia บอกว่า "เร็ว ๆ นี้"
• ถามตอบจากเสียงทดสอบแค่ภาษาอังกฤษ ถ้าถามเป็นภาษาไทย อย่าเพิ่งเชื่อผลมาก
• ยังต้องตรวจเอง Nvidia เขียนไว้ในบล็อกของตัวเองว่าให้สุ่มตรวจชื่อคน จุดเปลี่ยนผู้พูด และคำตอบเทียบกับเสียงจริง

ถ้าคุณอยากลอง

ถ้าคุณไม่ใช่สายเทคนิค ลองผ่านหน้าเดโมบน Hugging Face ได้เลยที่ huggingface.co/spaces/nvidia/nemotron-transcribe อัปโหลดคลิปเสียงไทยสั้น ๆ ที่ไม่มีข้อมูลลับ เช่นคลิปที่คุณอัดเองพูดไทยปนอังกฤษสักนาที แล้วดูว่ามันสะกดคำอังกฤษถูกไหม จำไว้ว่าหน้าเดโมคือการส่งไฟล์ขึ้นเซิร์ฟเวอร์สาธารณะ อย่าใช้ไฟล์ประชุมจริงของบริษัท

ถ้าบริษัทคุณมีทีมเทคนิค มีสองทาง ทางแรกใช้ผ่านผู้ให้บริการที่ติดตั้งไว้แล้ว ซึ่ง Nvidia ระบุชื่อไว้คือ Baseten, DeepInfra และ Simplismart ทางที่สองติดตั้งเองด้วย vLLM ซึ่งเปิดเป็น API แบบเดียวกับของ OpenAI ทำให้ต่อเข้ากับโปรแกรมที่มีอยู่ได้ง่าย หรือถ้าคุณไม่ได้เขียนโค้ดเอง ส่งลิงก์ model card ให้ AI agent ที่รันโค้ดได้ เช่น Claude Code หรือ Codex แล้วสั่งให้มันติดตั้งบนเครื่องที่มีการ์ดจอพอ

ความเห็นของเรา สิ่งที่ควรทดสอบก่อนตัดสินใจไม่ใช่ตัวเลขบนตาราง แต่คือไฟล์ประชุมจริงสัก 3-5 ไฟล์ของคุณเอง ที่มีคนพูดแทรก มีศัพท์ในวงการ และมีชื่อลูกค้า แล้วนับเองว่าต้องแก้กี่จุด นั่นคือตัวเลขที่บอกได้จริงว่ามันช่วยประหยัดเวลาคุณแค่ไหน

ที่มา

• NVIDIA, "NVIDIA Nemotron 3.5 Transcribe and Granary v2", Hugging Face blog, 28 ตุลาคม 2026 — huggingface.co/blog/nvidia/nemotron-transcribe-granary
• Model card: huggingface.co/nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B
• TechCrunch, "Voice AI in vogue: Nvidia releases new open transcription model", 28 ตุลาคม 2026