Whisper แปลงเสียงเป็นข้อความ — โมเดลโอเพนซอร์สของ OpenAI กับทางเลือกถอดเทปฟรี

ตรวจสอบและยืนยันโดย FeiYueh · อัปเดตล่าสุด 2026-09-02

Whisper คือโมเดลรู้จำเสียงพูดที่ OpenAI เปิดซอร์สภายใต้สัญญาอนุญาต MIT เมื่อเดือนกันยายน 2022 ใครก็สามารถรันบนคอมพิวเตอร์ของตัวเองได้ฟรี ไม่ต้องเสียเงิน ไม่ต้องอัปโหลดไฟล์เสียงขึ้นคลาวด์ โมเดลนี้ฝึกด้วยข้อมูลเสียงหลายภาษา 680,000 ชั่วโมง รองรับการรู้จำและแปล 99 ภาษา ความแม่นยำในการรู้จำภาษาจีน (รวมทั้งตัวเต็ม) อยู่ที่มากกว่า 95% เมื่อไฟล์บันทึกเสียงมีคุณภาพดี สำหรับบุคคลและทีมเล็กที่ต้องจัดการเสียงประชุม บทสัมภาษณ์ หรือวิดีโอคอร์สจำนวนมาก นี่คือทางเลือกถอดเทปที่มีต้นทุนต่ำที่สุดในตอนนี้ Whisper คืออะไร: ไม่ใช่แค่ "เครื่องมือแปลงเสียงเป็นข้อความอีกตัวหนึ่ง" ความแตกต่างที่สำคัญที่สุดระหว่าง Whisper กับการพิมพ์ด้วยเสียงของ Google หรือการบอกจดของ iOS คือ "รันแบบออฟไลน์ได้" และ "ดาวน์โหลดตัวโมเดลได้" OpenAI อธิบายไว้ใน "Whisper ฝึกด้วยข้อมูลกำกับแบบหลายภาษาและหลายงาน 680,000 ชั่วโมง" (แหล่งที่มา: บล็อกทางการของ OpenAI, กันยายน 2022) ว่าโมเดลชุดนี้ใช้สถาปัตยกรรม encoder-decoder Transformer โดยตัดเสียงเป็นช่วงละ 30 วินาที แปลงเป็นสเปกโตรแกรม log-Mel แล้วป้อนเข้าโมเดล เพื่อส่งออกข้อความในครั้งเดียว ทั้งค่าน้ำหนักและโค้ดอนุมานเปิดเผยทั้งหมดใน คลัง GitHub ภายใต้สัญญาอนุญาต MIT หมายความว่าการใช้เชิงพาณิชย์ การดัดแปลง และการเผยแพร่ต่อไม่มีข้อจำกัด จุดนี้เองที่กำหนดคุณค่าเชิงปฏิบัติของมัน: ไฟล์เสียงที่รั่วไหลออกไปไม่ได้ เช่น เสียงสัมภาษณ์ของสำนักงานกฎหมาย บันทึกการปรึกษาทางการแพทย์ หรือการประชุมภายในองค์กร สามารถประมวลผลบนเครื่องตัวเองได้ทั้งหมด โดยไม่ผ่านเซิร์ฟเวอร์ของบุคคลที่สามใดๆ องค์ประกอบของข้อมูลฝึกก็อธิบายจุดแข็งและจุดอ่อนของมันเช่นกัน "ในข้อมูลฝึก 65% เป็นเสียงภาษาอังกฤษคู่กับข้อความภาษาอังกฤษ 18% เป็นเสียงที่ไม่ใช่ภาษาอังกฤษคู่กับข้อความภาษาอังกฤษ และ 17% เป็นเสียงที่ไม่ใช่ภาษาอังกฤษคู่กับข้อความภาษาเดียวกัน" (แหล่งที่มา: เปเปอร์ Whisper ของ OpenAI, ปี 2022) สัดส่วนภาษาอังกฤษสูงอย่างท่วมท้น คุณภาพการรู้จำภาษาอังกฤษจึงเหนือกว่าภาษาอื่นอย่างชัดเจน ส่วนภาษาจีนอยู่ในกลุ่มปริมาณข้อมูลระดับสอง ในทางปฏิบัติทำงานได้เสถียร แต่ยังผิดพลาดในกรณีที่มีคำเฉพาะหรือสำเนียงหนัก เลือกขนาดโมเดลทั้งห้าแบบอย่างไร Whisper มีโมเดลให้เลือก 6 ขนาด ความต้องการหน่วยความจำและความเร็วต่างกันมากกว่า

FAQ

Whisper คืออะไร: ไม่ใช่แค่ "เครื่องมือแปลงเสียงเป็นข้อความอีกตัวหนึ่ง"

ความแตกต่างที่สำคัญที่สุดระหว่าง Whisper กับการพิมพ์ด้วยเสียงของ Google หรือการบอกจดของ iOS คือ "รันแบบออฟไลน์ได้" และ "ดาวน์โหลดตัวโมเดลได้" OpenAI อธิบายไว้ใน "Whisper ฝึกด้วยข้อมูลกำกับแบบหลายภาษาและหลายงาน 680,000 ชั่วโมง" (แหล่งที่มา: บล็อกทางการของ OpenAI, กันยายน 2022) ว่าโมเดลชุดนี้ใช้สถาปัตยกรรม encoder-decoder Transformer โดยตัดเสียงเป็นช่วงละ 30 วินาที แปลงเป็นสเปกโตรแกรม log-Mel แล้วป้อนเข้าโมเดล เพื่อส่งออกข้อความในครั้งเดียว ทั้งค่าน้ำหนักและโค้ดอนุมานเปิดเผยทั้งหมดใน คลัง GitHub ภ

เลือกขนาดโมเดลทั้งห้าแบบอย่างไร

Whisper มีโมเดลให้เลือก 6 ขนาด ความต้องการหน่วยความจำและความเร็วต่างกันมากกว่า 10 เท่า เลือกผิดจะทำให้เครื่องค้างไปเลย สเปกที่ประกาศอย่างเป็นทางการมีดังนี้: tiny : 39 ล้านพารามิเตอร์ ต้องการ VRAM ราว 1GB ความเร็วประมาณ 10 เท่าของ large เหมาะกับซับไตเติลเรียลไทม์และคำสั่งเสียงที่ทนความผิดพลาดได้สูง base : 74 ล้านพารามิเตอร์ ต้องการ VRAM ราว 1GB ความเร็วประมาณ 7 เท่า small : 244 ล้านพารามิเตอร์ ต้องการ VRAM ราว 2GB ความเร็วประมาณ 4 เท่า เป็นขีดต่ำสุดที่ใช้งานได้จริงสำหรับถอดเทปภาษาจีน medium : 769

อุปสรรคจริงของการติดตั้งทั้งสามวิธี

วิธีที่หนึ่ง: แพ็กเกจ Python ทางการ (อุปสรรคทางเทคนิคสูงสุด ควบคุมได้ครบที่สุด) ต้องติดตั้ง Python 3.8-3.11 และ ffmpeg ก่อน แล้วรัน pip install -U openai-whisper คำสั่งถอดความคือ whisper audio.mp3 --model large-v3 --language Chinese ข้อดีของเส้นทางนี้คือใช้พารามิเตอร์ได้ทุกตัว (temperature, beam size, ข้อความชี้นำเริ่มต้น) และเขียนเป็นสคริปต์ประมวลผลแบบชุดทั้งโฟลเดอร์ได้ด้วย ข้อเสียคือการติดตั้งครั้งแรกมีโอกาสติดปัญหาสูง โดยจุดที่ล้มเหลวบ่อยที่สุดคือเวอร์ชัน PyTorch กับ CUDA ไม่ตรงกัน วิธีที่สอง

คู่มือที่เกี่ยวข้อง

ตรวจสอบและยืนยันโดย FeiYueh · อัปเดตล่าสุด 2026-09-02. Independently maintained — not AI-generated boilerplate.

← Back to Blog