วงการ AI และเหล่าโมเดล Speech-to-Text ต้องเปิดทางให้แชมป์คนใหม่ เมื่อ Meta ประกาศเปิดตัว ‘Muse Voice Transcribe’ โมเดลการรับรู้เสียงแบบเรียลไทม์รุ่นใหม่ล่าสุดที่ฉีกกฎการทำงานแบบเดิม ๆ ด้วยการรวมทุกขั้นตอนไว้ในโมเดลเดียว งานนี้ Meta จัดมาเต็มทั้งความเร็ว ความแม่นยำ และฟีเจอร์ที่เหนือกว่าเจ้าอื่นแบบเห็น ๆ และที่สำคัญคือรองรับภาษาไทยพร้อมใช้งานได้ทันที
ความเทพของ Muse Voice Transcribe ที่ทำให้โค่นขู่แข่งได้
ในขณะที่การแปลงเสียงเป็นข้อความ (Speech-to-Text) ทั่วไปก็แค่ฟังแล้วพิมพ์ตาม แต่ Meta ออกแบบระบบนี้ให้ทำงานเหมือนสมองมนุษย์มากขึ้น ผ่านจุดเด่นที่ทิ้งห่างคู่แข่งแบบไม่เห็นฝุ่น
- All-in-One Pass: ทำงานแบบ 3-in-1 ในขั้นตอนเดียว ปกติแล้วระบบถอดเสียงทั่วไปต้องแยกกระบวนการ เป็นการถอดเสียง แยกเสียงคนพูด และตัดจบประโยคทีละขั้นตอนแบบ Post-processing ทำให้เกิดความหน่วงในการทำงานได้ แต่ Muse Voice Transcribe รวมทุกอย่างไว้ในรวดเดียวจบ ทำให้การประมวลผลลื่นไหลและเร็วกว่าเดิมแบบก้าวกระโดด
- Adaptive Processing: ประมวลผลระดับละเอียด เพราะโมเดลนี้ประมวลผลเสียงทีละท่อนเล็ก ๆ แค่ 80 มิลลิวินาที ซึ่งความละเอียดระดับนี้ทำให้ AI สามารถตัดสินใจทันทีหลังจบแต่ละท่อนว่าควรจะแปลงข้อความออกมาเลย หรือควรจะตั้งใจฟังต่ออีกนิดเพื่อรอฟังบริบทให้ครบถ้วน ทำให้อัตราความผิดพลาดในการถอดเสียงเหลือเพียง 3.1% เท่านั้น ซึ่งครองแชมป์อันดับ 1 บนตาราง Benchmark ของ Artificial Analysis ไปเรียบร้อย
- Advanced Diarization: หมดปัญหาการถอดเสียงประชุมขนาดใหญ่ที่จับต้นชนปลายไม่ถูกว่าใครพูดประโยคไหน เพราะตัวนี้รองรับการแยกแยะผู้พูดได้มากกว่า 20 คนพร้อมกันอย่างไร้รอยต่อ
- Multilingual & Code-Switching: สำหรับคนไทยและคนที่ชอบพูดปนภาษา เช่น พูดไทยคำ อังกฤษคำ หรือสลับภาษาไปมาในประโยคเดียว ระบบนี้รองรับการสลับภาษาได้อย่างเป็นธรรมชาติสุด ๆ ไม่เหมือนระบบแปลภาษารุ่นเก่า ๆ ที่มักจะรวนเวลาเจอประโยคผสม
- Context & Keyword Biasing: สามารถป้อนบริบทเฉพาะกลุ่มล่วงหน้าได้ ทำให้เวลาคุยเรื่องเฉพาะทาง เช่น ศัพท์เทคนิคการแพทย์ คำศัพท์เทคโนโลยี หรือชื่อเฉพาะ โมเดลจะไม่เพี้ยนและสะกดออกมาได้อย่างแม่นยำ
สรุปภาพรวมและการใช้งาน
ในเบื้องต้น Muse Voice Transcribe ถูกเทรนด้วยภาษามากกว่า 70 ภาษา และผ่านการตรวจสอบความเสถียรเข้มข้นในชุดแรกถึง 25 ภาษาหลัก ซึ่งมีภาษาไทยรวมอยู่ด้วย โดยเปิดให้เหล่านักพัฒนาและผู้ใช้งานเข้าถึงได้แล้วผ่านทาง Meta Model API, Meta AI สำหรับ Mac และ Muse Code
การมาของ Muse Voice Transcribe รอบนี้ ถือเป็นจิ๊กซอว์ชิ้นสำคัญที่เข้ามาเติมเต็ม Ecosystem ของ AI Voice Agents และแอปยุคใหม่ สำหรับใครที่กำลังมองหาผู้ช่วยในการถอดเสียงตัวเทพ บอกเลยว่าต้องรีบไปลอง!
ที่มา: https://research.meta.ai/blog/introducing-muse-voice-transcribe
