AI ถอดเสียงภาษาไทย แบบเปิด ให้ใช้ฟรีมีตัวใหม่แล้ว เมื่อวัน ที่ 28 ตุลาคม 2026 NVIDIA ปล่อยโมเดล Nemotron 3.5 Transcribe ที่ถอดเสียง ได้ 40 ภาษา และ ในหน้าข้อมูลโมเดล NVIDIA จัด ให้ภาษาไทยอยู่ ในระดับ “Production-ready” หรือพร้อมใช้งานจริง ข่าวนี้ฟังดูเหมือนคนทำคลิป จะ ได้เครื่องมือทำซับฟรี แต่ก่อน จะดีใจ มาดูกัน ว่าฟรี แบบไหน และ ต้องมีอะไรบ้างถึง จะใช้ได้
Nemotron 3.5 Transcribe ทำอะไร ได้บ้าง
โมเดลนี้ เป็น แบบ open-weight คือดาวน์โหลดตัวโมเดลไปรันเอง ได้ มี ให้ทั้งบน Hugging Face, GitHub และ NGC ใช้ได้ทั้งงานส่วนตัว และงานเชิงพาณิชย์ภายใต้สัญญาอนุญาต OpenMDW-1.1 นอกจากถอดเสียง 40 ภาษาแล้ว ยังแปลไป และกลับ จากภาษาอังกฤษ ได้ 31 ภาษา แยกว่าใครพูด ได้สูงสุด 8 คน และรับไฟล์เสียงยาว ได้ถึงประมาณหนึ่งชั่วโมง สำหรับภาษาไทย หน้าข้อมูลโมเดลระบุ ว่ารองรับทั้งการถอดเสียง การแปล กับภาษาอังกฤษ การแยกผู้พูด และการพูดไทยปนอังกฤษ
จุด ที่น่าสนใจสำหรับคนทำคอนเทนต์ คือ เราสั่งงานมันด้วยข้อความ ได้ เช่น ใส่รายชื่อคำเฉพาะ ที่อาจเจอ ในคลิป อย่างชื่อแบรนด์ หรือศัพท์เทคนิค เพื่อ ให้มันสะกดถูก และ ยัง ให้ตำแหน่งเวลา ของแต่ละคำ ได้ ซึ่ง เป็นข้อมูล ที่ ต้องใช้ทำซับ ส่วนผลทดสอบ NVIDIA บอกว่าโมเดลนี้ ได้อันดับหนึ่ง ในกลุ่มโมเดล แบบเปิดบนตาราง Open ASR Leaderboard ภาษาอังกฤษ ของ Hugging Face
AI ถอดเสียงภาษาไทย ฟรีจริงไหม
ตัวโมเดลฟรีจริง แต่ค่าเครื่อง ไม่ฟรี โมเดลมีพารามิเตอร์ 30B และใช้งานจริงครั้งละประมาณ 4B เป้าหมาย ที่ NVIDIA ระบุไว้ คือการ์ด H100 80GB หนึ่งใบ ส่วนรายชื่อการ์ด ที่รองรับมีตั้งแต่ RTX 5090 ไปจนถึง RTX PRO 6000 และการ์ดระดับดาต้าเซ็นเตอร์ ระบบ ที่รองรับ คือ Linux หรือ Windows ผ่าน WSL2 แปล ว่าคอมตัดต่อทั่วไป หรือ Mac รันเอง ไม่ได้ง่ายๆ อีกข้อ คือมันทำงาน กับไฟล์ ที่อัดไว้แล้วเท่านั้น ใช้ทำซับสด ตอนไลฟ์ ไม่ได้ สรุป คือคำ ว่าฟรี ในข่าวนี้ หมายถึง ไม่ต้องจ่ายค่าโมเดล แต่ ยังมีค่าฮาร์ดแวร์ หรือค่าบริการ ที่ต้องคิดเผื่อไว้
เรื่องไฟล์ซับ ก็ ต้องรู้ไว้ หน้าข้อมูลโมเดล ไม่ได้บอกว่าส่งออก เป็นไฟล์ SRT หรือ VTT ได้ตรงๆ สิ่ง ที่ได้ คือข้อความพร้อมเวลา ของแต่ละคำ ถ้า จะเอาไปใช้ ในโปรแกรมตัดต่อ ต้องมีคนเขียนสคริปต์แปลง เป็นไฟล์ซับ อีกขั้น งานนี้ จึงเหมาะ กับทีม ที่มีคนเขียนโค้ด หรือมีบริการ ที่เอาโมเดลไปทำ เป็นแอป ให้ อีกที
มีผล กับครีเอเตอร์ไทย ยังไง
ที่ผ่านมาภาษาไทยมัก เป็นภาษา ที่ระบบถอดเสียงทำได้ ไม่ดีนัก การ ที่โมเดล แบบเปิด จากบริษัทใหญ่ประกาศ ว่าภาษาไทยพร้อมใช้งานจริง น่าจะ ทำให้แอปทำซับ และบริการถอดเสียง ที่คนไทยใช้ เอาโมเดลนี้ไปต่อยอด ได้ง่ายขึ้น คนทำพอดแคสต์ คลิปสัมภาษณ์ หรือคลิป ที่มีหลายคนพูด จะ ได้ประโยชน์ จากการแยกผู้พูดมาก เป็นพิเศษ ส่วนสาย ที่ทำคลิปสองภาษา การแปลไทย กับอังกฤษ ในโมเดลเดียว ก็ช่วยลดขั้นตอนลง ได้
อีกกลุ่ม ที่น่าจะ ได้ใช้ คือคนทำคลิปความรู้ยาวๆ เช่น คลาสออนไลน์ หรือไลฟ์ ที่อัดเก็บไว้ เพราะโมเดลรับไฟล์ยาว ได้ราวหนึ่งชั่วโมง ข้อความ ที่ได้ เอาไปทำซับ ทำสรุปเนื้อหา หรือเขียนบทความประกอบคลิปต่อ ได้ ขอแค่มีคน ในทีมช่วยจัดการเรื่องเทคนิค ให้
ลองทำอะไรต่อ
วิธี ที่ง่ายที่สุด คือเข้าไปลองหน้าเดโม ของ NVIDIA บน Hugging Face Spaces (nvidia/nemotron-transcribe) โดยใช้คลิปเสียงสั้นๆ ของเราเอง ลองทั้งช่วง ที่พูดไทยล้วน และช่วง ที่พูดไทยปนอังกฤษ แล้วเทียบ กับระบบทำซับ ที่ใช้อยู่ ถ้าคลิปมีศัพท์เฉพาะเยอะ ลองพิมพ์รายชื่อคำเหล่านั้นใส่ ในคำสั่งก่อนถอดเสียง แล้วดู ว่าสะกดถูกขึ้นแค่ไหน ถ้าผลดีพอค่อยคิดเรื่องรันเอง หรือใช้บริการ ที่ให้เช่าโมเดลอย่าง Baseten หรือ DeepInfra อย่าลืมตรวจคำผิดก่อนขึ้นซับทุกครั้ง เพราะ ไม่มีระบบไหนถูกร้อยเปอร์เซ็นต์ และอย่าอัปโหลดไฟล์เสียง ที่มีข้อมูลลับ ของลูกค้าขึ้นเดโมสาธารณะ
ถ้าสนใจ ว่า AI กำลังเปลี่ยนวิธีทำคลิปไปทางไหน อ่านต่อ ได้ ใน เทรนด์วิดีโอ AI ปีนี้ ที่ YouTube สรุปไว้ และสำหรับคนตัดต่อด้วย Final Cut Pro ลองดู เครื่องมือใหม่ ใน Final Cut Pro ประกอบกัน ได้
ที่มา: NVIDIA บน Hugging Face Blog, หน้าข้อมูลโมเดล Nemotron 3.5 Transcribe, TechCrunch
