เปลี่ยนเสียงพูดที่อัดไว้สิบนาทีให้เป็นข้อความในไม่กี่วินาที ฟังดูมีประโยชน์ดี แต่ก่อนจะปรบมือ ขอดูข้อความที่ถอดออกมาได้จริงสักหน่อย
Tether บริษัทผู้ออกสเตเบิลคอยน์ USDT เปิดตัวโมเดลแปลงเสียงเป็นข้อความชื่อ QVAC TranscribePsy นักพัฒนาสามารถนำไปสร้างแอปที่ประมวลผลเสียงบนอุปกรณ์ได้ โดยไม่ต้องส่งไฟล์เสียงไปยังเซิร์ฟเวอร์ภายนอก
ตัดแว่นอัจฉริยะ หุ่นยนต์ฮิวแมนนอยด์ และคำสัญญาใหญ่โตเรื่องความเป็นส่วนตัวออก สิ่งที่เปิดตัวก็คือซอฟต์แวร์ถอดเสียงบนอุปกรณ์ของคุณเอง การไม่ต้องส่งบทสนทนาไปยังเซิร์ฟเวอร์ของคนอื่นมีประโยชน์จริง แต่ไม่ได้บอกว่าซอฟต์แวร์จะถอดเสียงได้แม่นแค่ไหน
ความเร็วเล่าเรื่องได้แค่ครึ่งเดียว
เรื่องสำคัญคือคุณต้องนั่งแก้ข้อความมากแค่ไหน การประชุมจริงไม่ได้เดินตามบทเรียบร้อยเสมอไป คนพูดงึมงำ พูดแทรกกัน และเอ่ยชื่อที่ไม่คุ้นเคย ตัวเลขผิดตัวเดียวอาจสำคัญกว่าเครื่องหมายวรรคตอนที่หายไปสิบจุด
Tether เผยแพร่ผลทดสอบความแม่นยำไว้ด้วย ในการทดสอบของบริษัท โมเดลที่รองรับ 25 ภาษามีอัตราความผิดพลาดของคำ (WER) 8.02% บน Open ASR และ 21.56% บน Common Voice ตัวเลขมาจากชุดข้อมูลคนละชุด จึงไม่ควรอ่านเหมือนเป็นค่าความแม่นยำที่ใช้แทนกันได้
ตัวเลขเหล่านี้น่าสนใจ แต่ยังบอกไม่ได้ว่าบันทึกการประชุมครั้งหน้าของคุณจะต้องแก้มากแค่ไหน เราไม่ได้ทดสอบโมเดลนี้ด้วยตัวเอง หากข้อความต้องแก้อีกยาว การประมวลผลที่เร็วขึ้นก็แค่พาคุณไปถึงงานแก้เร็วขึ้นเท่านั้น
แล้วตัวเลข 1.65 วินาทีล่ะ?
Tether ระบุว่าโมเดลถอดเสียงยาวสิบนาทีได้ใน 1.65 วินาทีบน iPhone 17 Pro Max แต่เอกสารทางเทคนิคมีเงื่อนไขสำคัญ ตัวเลขนี้ไม่รวมเวลาหน่วงตอนเริ่มทำงานจากสถานะที่ยังไม่ได้โหลดโมเดล หรือ cold start อีก 12.7 วินาที ซึ่งใช้เตรียมโมเดลให้พร้อม
ไม่ได้หมายความว่าต้องรอเพิ่มเท่านี้ทุกครั้งที่ถอดเสียง ตัวเลข 1.65 วินาทีคือเวลาประมวลผลเมื่อโมเดลพร้อมแล้ว ไม่ใช่เวลารอทั้งหมดตั้งแต่เปิดขึ้นมาใหม่ อีกอย่าง นี่คือผลจากโทรศัพท์รุ่นหนึ่ง ไม่ใช่คำรับประกันสำหรับโทรศัพท์ทุกเครื่อง
ยังถอดเสียงสดไม่ได้
แม้จะพูดถึงการโต้ตอบแบบเรียลไทม์กันมาก แต่คำถามที่พบบ่อยด้านเทคนิคของโครงการระบุว่าเวอร์ชันนี้ประมวลผลหลังไฟล์เสียงหรือช่วงคำพูดจบแล้ว ส่วนการรู้จำเสียงแบบสตรีมมิงยังอยู่ระหว่างพัฒนา
รุ่นสำเร็จรูปสำหรับโทรศัพท์รองรับแปดภาษา ส่วนรุ่น 25 ภาษาซึ่งรวมภาษารัสเซียด้วย เป็นอีกเวอร์ชันหนึ่งสำหรับคอมพิวเตอร์และเซิร์ฟเวอร์ รุ่นมือถือที่มีให้ใช้ตอนนี้ไม่ได้รองรับครบทั้ง 25 ภาษา
ทีนี้ลองกับบทสนทนาจริงดู
มีของที่น่าลองอยู่จริง โมเดลดาวน์โหลดได้ ประมวลผลบนเครื่อง มีผลทดสอบเผยแพร่ และหน้าข้อมูลโมเดลระบุไลเซนส์ Apache 2.0 นักพัฒนามีซอฟต์แวร์จริงให้ลงมือทำงานต่อ
ทีนี้ลองใช้กับบทสนทนาที่มีเสียงรบกวนและคนพูดแทรกกัน เผยแพร่ข้อความที่ถอดได้ นับจุดที่ต้องแก้ แล้วนำไฟล์เสียงเดียวกันไปเทียบกับเครื่องมือที่มีอยู่แล้ว ซอฟต์แวร์ถอดเสียงต้องพิสูจน์ตัวเองด้วยการช่วยลดงาน ส่วนหุ่นยนต์รอไปก่อนได้