ไฟล์เสียงของคุณไม่เคยออกจากเครื่อง
แอปส่วนใหญ่ที่บอกว่าใช้ “Whisper” จะส่งเสียงของคุณไปยังเซิร์ฟเวอร์แล้วรันโมเดลที่นั่น Whisper Notes รันโมเดลบน iPhone หรือ Mac ของคุณแทน ซึ่งสร้างยากกว่า แต่อธิบายง่ายกว่ามาก
ทำไมต้องรันโมเดลบนเครื่อง
แอปถอดเสียงทุกตัวต้องตัดสินใจเรื่องหนึ่งก่อนเรื่องอื่นทั้งหมด นั่นคือเสียงจะถูกประมวลผลที่ไหน การส่งเสียงขึ้นเซิร์ฟเวอร์ทำได้ง่ายกว่า และใช้โมเดลขนาดใหญ่ที่สุดได้ ซึ่งยังแม่นกว่าอยู่เล็กน้อย ส่วนการรันโมเดลบนโทรศัพท์หรือโน้ตบุ๊กนั้นทำให้ดีได้ยากกว่า แต่ไฟล์เสียงก็จะไม่มีที่ให้ไป
เราเลือกทางที่สอง และเหตุผลก็เจาะจงกว่าคำขวัญเรื่องความเป็นส่วนตัว เสียงพูดเป็นข้อมูลชีวมิติ และต่างจากรหัสผ่านตรงที่เปลี่ยนใหม่ไม่ได้หลังข้อมูลรั่ว เมื่อเสียงไปอยู่บนระบบของผู้ให้บริการรายอื่นแล้ว ก็ต้องฝากไว้กับประวัติการรั่วไหลของผู้ให้บริการรายนั้น นโยบายการเก็บข้อมูล และสิ่งที่ข้อกำหนดการใช้งานเขียนไว้เรื่องการนำข้อมูลไปเทรนโมเดล ซึ่งเป็นสามเรื่องที่คุณต้องคอยติดตามไปตลอดตราบที่ไฟล์ยังอยู่
Whisper Notes รัน Parakeet, Whisper (Large V3 Turbo บน Mac และ Small บน iPhone) หรือ SenseVoice บนชิปของเครื่องคุณเอง จึงไม่มีเซิร์ฟเวอร์ถอดเสียงอยู่ในเส้นทางเลย ไม่มีอะไรเข้าคิวรอที่อื่น ไม่มีอะไรถูกอัปโหลด และแอปทำงานในโหมดเครื่องบินได้เหมือนตอนต่อ Wi-Fi ข้อนี้คุณควรลองเองมากกว่าเชื่อคำพูดของเรา
แอป Whisper ฟรีมีต้นทุนอะไรบ้าง
เครื่องมือถอดเสียงที่ไม่เก็บเงินมักทำงานแบบเดียวกัน คือเสียงของคุณถูกส่งไปยังเซิร์ฟเวอร์ โมเดลรันที่นั่น และไฟล์เสียงถูกเก็บไว้นานพอที่จะเป็นประโยชน์กับผู้ให้บริการ สำหรับหลายคนนี่เป็นการแลกเปลี่ยนที่รับได้ เพียงแต่ควรรู้ไว้ว่าคุณกำลังแลกอยู่
ทำไมไฟล์เสียงจึงต่างจากรหัสผ่าน
รหัสผ่านที่รั่วเป็นแค่ความยุ่งยากครึ่งวัน เพราะคุณเปลี่ยนได้ แต่ไฟล์เสียงของคุณที่รั่วออกไปเป็นเรื่องถาวร เพราะสิ่งที่ระบุตัวคุณคือตัวเสียงเอง และเสียงเพียงไม่กี่วินาทีก็มีลักษณะเฉพาะมากพอให้ระบบอื่นที่ไม่เกี่ยวข้องกันเลยจดจำได้ว่าเป็นคุณ
สิ่งที่เปลี่ยนไปในช่วงหลังคือปริมาณเสียงที่ผู้ไม่หวังดีต้องใช้ ตอนนี้การโคลนเสียงให้เหมือนจริงใช้ตัวอย่างเสียงแค่ไม่กี่วินาที ไม่ใช่หลายนาที และในปี 2025 มีการใช้เสียงโคลนของรัฐมนตรีกลาโหมอิตาลีเพื่อพยายามหลอกนักธุรกิจหลายคน เราไม่ได้บอกว่าเรื่องนี้น่าจะเกิดกับคุณ เราแค่ชี้ว่านี่คือข้อมูลรั่วประเภทเดียวที่คุณเปลี่ยนใหม่ไม่ได้
ดังนั้นเมื่อเสียงถูกส่งไปยังบริการถอดเสียง สิ่งที่ถูกเก็บไว้ไม่ใช่เอกสาร แต่เป็นข้อมูลชีวมิติ บนระบบที่คุณไม่ได้เป็นคนกำหนดนโยบายการเก็บข้อมูล
ข้อมูลถอดเสียงรั่วไหลได้อย่างไร
ส่วนใหญ่ไม่ใช่การเจาะระบบที่หวือหวา แต่เป็นเพราะเสียงและข้อความถอดเสียงผ่านระบบมากกว่าที่ใครวาดไว้ในแผนผัง ทั้งผู้ให้บริการถอดเสียง ผู้ให้บริการโมเดลที่อยู่เบื้องหลัง ระบบเก็บล็อก ระบบวิเคราะห์ข้อมูล และข้อมูลสำรอง แต่ละจุดคือที่ที่การตั้งค่าผิดเพียงครั้งเดียวทำให้ข้อมูลส่วนตัวกลายเป็นข้อมูลสาธารณะ และยิ่งมีหลายจุด ก็ยิ่งไม่มีใครบอกได้แน่ชัดว่าตอนนี้ไฟล์เสียงหนึ่งอยู่ที่ไหน
วงการสาธารณสุขมีตัวอย่างที่ชัดที่สุด คือข้อมูลสุขภาพที่ต้องคุ้มครองหลุดออกมาผ่านระบบเชื่อมต่อการถอดเสียงและที่เก็บข้อมูลที่ตั้งค่าผิด ไม่ใช่ผ่านสิ่งที่ใครจะเรียกว่าการโจมตี คอลเซ็นเตอร์ก็มีอีกตัวอย่าง คือข้อความถอดเสียงถูกส่งเข้าโมเดล ขณะที่เลขบัญชีไปโผล่ในล็อกดีบักโดยไม่ถูกปิดบัง
ทั้งหมดนี้ไม่ได้แปลว่าการถอดเสียงบนคลาวด์เป็นเรื่องประมาท แต่แปลว่าสิ่งที่ควรนับคือจำนวนระบบที่ถือสำเนาไว้ และการประมวลผลบนเครื่องทำให้ตัวเลขนั้นเหลือหนึ่ง
แนวโน้มกำลังไปทางไหน
ในเดือนมีนาคม 2025 Amazon ยกเลิกการตั้งค่า “ไม่ส่งการบันทึกเสียง” บนอุปกรณ์ Echo ทุกอย่างที่พูดกับ Alexa ตอนนี้ถูกส่งไปยังเซิร์ฟเวอร์ของ Amazon และไม่มีสวิตช์ให้ปิดอีกต่อไป
ผลิตภัณฑ์เดียวที่ตัดตัวเลือกเดียวออกยังไม่นับเป็นเทรนด์ แต่แรงจูงใจเบื้องหลังไม่ได้หายไปไหน ข้อมูลสำหรับเทรนโมเดลมีมูลค่าสูง และสวิตช์ที่ลดปริมาณข้อมูลที่เก็บได้ย่อมถูกกดดันทางธุรกิจอยู่ตลอด การตั้งค่าความเป็นส่วนตัวจึงเป็นแค่คำสัญญาที่ถูกแก้ได้ในบันทึกการอัปเดตฉบับถัดไป
Whisper Notes ถูกสร้างมาให้ไม่มีสวิตช์แบบนั้นให้แก้ ไม่มีเซิร์ฟเวอร์ให้ส่งเสียงไป “ไม่ส่ง” จึงไม่ใช่การตั้งค่าที่เรารับปากว่าจะทำตาม แต่เป็นข้อเท็จจริงว่าแอปทำได้แค่นั้น
เครื่องมือฟรีมีค่าใช้จ่ายเท่าไรในสามปี
เครื่องมือบนเว็บที่ไม่เก็บเงินมักสงวนสิทธิ์นำเสียงของคุณไปปรับปรุงโมเดลของตัวเอง โดยเขียนไว้ในข้อกำหนดที่แทบไม่มีใครอ่าน API ที่คิดเงินรายนาทีดูเหมือนถูก คือ $0.006 ถึง $0.40 ต่อนาที ถ้าถอดเสียงสัปดาห์ละหนึ่งชั่วโมง เจ้าที่ถูกที่สุดจะตกราว $20 ต่อปี ส่วนเจ้าที่แพงที่สุดเกิน $1,200 บริการแบบสมัครสมาชิกคือรูปแบบที่ตรงไปตรงมาของข้อตกลงเดียวกัน Otter คิดราว $99 ต่อปีและบอกคุณชัดเจน
Whisper Notes ราคา $7.99 บน App Store และ $14 สำหรับแอป Mac จากเว็บไซต์ของเรา จ่ายครั้งเดียว ตารางด้านล่างคือเหตุผลเรื่องราคาทั้งหมด และแถวที่สี่คือประเด็นสำคัญ ทางเลือกฟรีกับทางเลือกที่จ่ายครั้งเดียวมีค่าใช้จ่ายพอ ๆ กันในสามปี สิ่งที่ต่างกันคือสิ่งที่เกิดขึ้นกับไฟล์เสียง
ค่าใช้จ่ายต่อปี
| ประเภทบริการ | ปีที่ 1 | ปีที่ 2 | ปีที่ 3 | การจัดการข้อมูล |
|---|---|---|---|---|
| Whisper Notes | $7.99 | $0 | $0 | ไม่เคยออกจากเครื่อง |
| บริการแบบสมัครสมาชิก | $99 | $99 | $99 | ประมวลผลบนคลาวด์ |
| Cloud API คิดรายนาที | $20–1,250 | $20–1,250 | $20–1,250 | ประมวลผลบนคลาวด์ |
| เครื่องมือเว็บ "ฟรี" | $0 | $0 | $0 | อาจถูกนำไปใช้เทรน |
เมื่อไหร่ที่ควรใช้บริการคลาวด์แทน
กับเสียงที่สะอาด โมเดลใหญ่บนคลาวด์ยังแม่นกว่าอยู่บ้าง เพราะเป็นโมเดลขนาดใหญ่เกินกว่าที่โทรศัพท์หรือโน้ตบุ๊กเครื่องไหนจะรับไหว นี่คือข้อได้เปรียบจริง ๆ และเราจะไม่ทำเป็นมองไม่เห็น
ถ้าคุณต้องการคำบรรยายสด ถ้าต้องมีหลายคนแก้ไขข้อความถอดเสียงเดียวกันขณะที่ประชุมยังดำเนินอยู่ หรือถ้าความแม่นยำที่เพิ่มขึ้นอีกเล็กน้อยสำคัญกับคุณมากกว่าเรื่องที่ว่าไฟล์เสียงไปอยู่ที่ไหน บริการคลาวด์คือเครื่องมือที่เหมาะกว่า และเราอยากให้คุณใช้มันมากกว่า
สิ่งที่เราอยากแย้งคือการเอาช่องว่างด้านความแม่นยำนั้นมาเป็นตัวเลขเดียวในการตัดสินใจ สำหรับงานที่มีหน้าที่รักษาความลับ — เวชระเบียน เอกสารที่ได้รับเอกสิทธิ์คุ้มครอง การสัมภาษณ์แหล่งข่าว — คำถามว่า “ไฟล์เสียงไปไหน” เป็นคำถามที่คุณต้องตอบได้ และคำตอบที่สั้นที่สุดและยืนยันได้คือ มันไม่ได้ไปไหนเลย
เครื่องมือบนเบราว์เซอร์ Cloud API หรือแอปเนทีฟ แบบไหนดี
ถ้าค้นหาแอป Whisper คุณจะเจอของสามแบบที่ต่างกันมากแต่ใช้ชื่อเดียวกัน คือหน้าเว็บที่รันโมเดลในแท็บเบราว์เซอร์ API ที่รันโมเดลบนเซิร์ฟเวอร์ของคนอื่น และแอปที่คอมไพล์มาสำหรับเครื่องในมือคุณ ทั้งสามทำงานต่างกันมากจนประเภทของมันสำคัญกว่ารายการฟีเจอร์
เครื่องมือบนเบราว์เซอร์
เมื่อเครื่องมือบนเบราว์เซอร์บอกว่าประมวลผลในเครื่อง ส่วนใหญ่ก็เป็นความจริง เสียงอยู่ในแท็บนั้น ข้อจำกัดของมันไม่ได้อยู่ที่ความซื่อตรง แต่อยู่ที่สิ่งที่แท็บหนึ่งทำได้ เบราว์เซอร์ส่วนใหญ่จำกัดหน่วยความจำ WebAssembly ไว้ราว 4GB ซึ่งเป็นเพดานของขนาดโมเดล และการรันโมเดลผ่าน JavaScript ก็เสียความเร็วที่โค้ดเนทีฟไม่ต้องเสีย
ปัญหาที่ผู้ใช้เจอจริงนั้นเจาะจงกว่าและน่ารำคาญกว่า เครื่องมือบนเบราว์เซอร์ทำงานต่อไม่ได้ขณะที่คุณสลับไปแอปอื่น ใช้การเร่งความเร็วด้วยฮาร์ดแวร์ได้ไม่เต็มที่หรือใช้ไม่ได้เลย และถ้าเผลอปิดแท็บ งานที่ทำอยู่ก็หายไปโดยไม่มีจุดให้ทำต่อ เหมาะสำหรับลองโมเดล แต่ไม่เหมาะเป็นที่เก็บงานของคุณ
| การประมวลผล | WebAssembly/TensorFlow.js ในเบราว์เซอร์ |
| ขนาดโมเดล | จำกัดด้วยหน่วยความจำเบราว์เซอร์ (~4GB) |
| ความเร็ว | ช้ากว่าเพราะภาระของ JavaScript |
| ความเป็นส่วนตัว | ดีกว่าคลาวด์ แต่เบราว์เซอร์เข้าถึงได้ |
| ความเสถียร | แท็บอาจล่ม ทำงานเบื้องหลังไม่ได้ |
แอปเนทีฟ
Whisper Notes คอมไพล์มาสำหรับ macOS และ iOS และรันโมเดลบน Apple silicon โดยตรง นี่คือเหตุผลที่ตัวเลขความเร็วในหน้านี้เป็นไปได้ บน Mac โมเดล Parakeet ในตัวทำงานได้ราว 74 เท่าของเวลาจริง เสียงหนึ่งชั่วโมงถอดเสร็จในเวลาไม่ถึงหนึ่งนาที
ความต่างที่เหลือไม่หวือหวา แต่สำคัญกว่าในการใช้งานทุกวัน บน Mac การถอดเสียงยังทำงานต่อเมื่อคุณสลับไปใช้แอปอื่น แอปทำงานต่อได้เรียบร้อยหลังถูกขัดจังหวะ และ sandbox ของระบบกันแอปออกจากข้อมูลของแอปอื่น เสียงและข้อความถอดเสียงของคุณไม่มีช่องทางอัปโหลดใด ๆ คุณตรวจสอบเองได้ในราวสามสิบวินาที: เปิดโหมดเครื่องบินแล้วลองถอดเสียงสักไฟล์
| การประมวลผล | รันบน Apple silicon โดยตรง |
| ขนาดโมเดล | Whisper Large V3 Turbo ราว 2 GB |
| ความเร็ว | Parakeet เร็วกว่าเวลาจริงราว 74 เท่าบน Mac |
| ความเป็นส่วนตัว | เสียงและข้อความถอดเสียงอยู่บนเครื่อง |
| ความเสถียร | ทำงานได้แม้ออฟไลน์ ผสานกับระบบ |
Cloud API
ทรัพยากรของเซิร์ฟเวอร์แทบไม่มีขีดจำกัด Cloud API จึงรันโมเดลที่ใหญ่ที่สุดได้ และให้ฟีเจอร์ที่ต้องใช้พลังประมวลผลมาก เช่น คำบรรยายสด กับเสียงที่สะอาด มันจะเป็นตัวเลือกที่แม่นที่สุดในหน้านี้
สิ่งที่คุณต้องยอมเสียคือการรู้ว่าไฟล์เสียงอยู่ที่ไหน มันเดินทางผ่านอินเทอร์เน็ต ถูกประมวลผลในที่ที่คุณไม่ได้ดูแล และถูกเก็บไว้ตามนโยบายที่คุณไม่ได้เขียน ซึ่งเปลี่ยนได้โดยไม่ต้องถามคุณ
สำหรับนักบำบัดที่มีหน้าที่รักษาความลับ ทนายความที่ดูแลเอกสารที่ได้รับเอกสิทธิ์คุ้มครอง หรือนักข่าวที่ต้องปกป้องแหล่งข่าว การพิจารณามักจบตรงนี้ ไม่ใช่เพราะความแม่นยำแย่กว่า แต่เพราะคำถามว่า “บอกได้ไหมว่าไฟล์เสียงนี้อยู่ที่ไหน” ไม่มีคำตอบที่ดี
| การประมวลผล | เซิร์ฟเวอร์ระยะไกล (พลังประมวลผลไม่จำกัด) |
| ขนาดโมเดล | โมเดลที่ใหญ่ที่สุดที่มี |
| ความเร็ว | ขึ้นกับอินเทอร์เน็ตและคิวของเซิร์ฟเวอร์ |
| ความเป็นส่วนตัว | เสียงถูกอัปโหลดและอาจถูกจัดเก็บ |
| ความเสถียร | ต้องใช้อินเทอร์เน็ต มีโควตาการใช้งาน |
เราต้องยอมสละอะไรเพื่อสร้างแบบนี้
การทำเป็นแอปเนทีฟคือทางเดียวที่ทำให้เรื่องความเป็นส่วนตัวกลายเป็นข้อจำกัดเชิงโครงสร้าง ไม่ใช่แค่ข้อผูกมัดในสัญญา “ประมวลผลในเครื่องแล้วซิงค์” กับ “เข้ารหัสระหว่างการส่ง” ต่างก็เป็นความจริงทั้งคู่ แต่ระบบแบบนั้นสุดท้ายก็ยังถือสำเนาเสียงของคุณไว้อยู่ดี เราอยากได้แบบที่ไม่มีสำเนาให้ถือตั้งแต่แรก
สิ่งที่ต้องแลกคือฟีเจอร์ ไฟล์เสียงไม่ได้ขึ้นเป็นคำบรรยายทีละคำระหว่างที่คุณพูด ตอนบันทึกบน iPhone หรือบันทึกการประชุมบน Mac ข้อความถอดเสียงสดจะแสดงคำพูดภายในไม่กี่วินาที แต่เฉพาะภาษายุโรป 25 ภาษาที่ Parakeet รองรับ ส่วนภาษาอื่นแผงบน Mac จะอัปเดตราวทุก 30 วินาที เราไม่สามารถรันโมเดลที่ใหญ่เกินกว่าเครื่องของคุณจะรับไหว และไม่มีการแก้ไขร่วมกันหรือพื้นที่ทำงานสำหรับทีม เพราะสิ่งเหล่านั้นต้องมีเซิร์ฟเวอร์ ซึ่งเราไม่มี
ถ้ามีข้อใดข้อหนึ่งในสามข้อนี้อยู่ในรายการของคุณ แอปนี้ก็ไม่ใช่แอปที่ใช่ และบริการคลาวด์สักตัวคือคำตอบที่ถูกต้อง เราอยากบอกไว้ตรงนี้ มากกว่าให้คุณมารู้ทีหลังตอนที่ซื้อไปแล้ว
เบื้องหลังใช้โมเดลอะไรถอดเสียง
เอนจินที่มี และวิธีเลือกสักตัว
ข้อมูลจำเพาะ
| โมเดล AI | Parakeet (ค่าเริ่มต้น), Whisper Large V3 Turbo (Mac) หรือ Whisper Small (iPhone), SenseVoice, Apple Speech (iOS 26, macOS 26); บน Mac มี Qwen3-ASR 1.7B (Beta) ด้วย |
| ภาษา | 100 ภาษาผ่าน Whisper, 25 ภาษายุโรปผ่าน Parakeet, 6 ตัวเลือกผ่าน SenseVoice |
| รูปแบบเสียง | MP3, WAV, M4A, FLAC, AAC |
| ความเร็วในการประมวลผล | Parakeet เร็วกว่าเวลาจริงราว 74 เท่าบน Mac ส่วนสาย Whisper Turbo ราว 2.7 เท่า |
| ขีดจำกัดเวลาและค่าบริการ | ไฟล์ละไม่เกิน 24 ชั่วโมง ไม่คิดค่าบริการรายนาที |
| แพลตฟอร์ม | iOS 18+ (iPhone 12 ขึ้นไป), macOS 14+ (Apple Silicon) |
จริง ๆ แล้วมันทำอะไรได้บ้าง
สามเรื่องนี้คือการใช้งานประจำวันเกือบทั้งหมด: เอาเสียงเข้ามา เอาข้อความออกไป และข้อจำกัดที่ทำให้ทั้งสองอย่างอยู่บนเครื่อง
นำเข้าไฟล์ได้ทีละหลายไฟล์
นำเข้าไฟล์เสียงจากที่ไหนก็ได้แล้วถอดเสียงแบบออฟไลน์ แอปประมวลผลทั้งไฟล์ ไม่ได้ถอดทีละช่วงขณะเล่น โมเดลจึงเห็นบริบทครบและผิดน้อยลง
- ✓นำเข้าจากแอปไฟล์ แอปบันทึกเสียง หรือแอปใดก็ได้ที่แชร์ไฟล์เสียง
- ✓เลือกหรือลากหลายไฟล์มาวางพร้อมกัน แล้วไฟล์จะถูกถอดเสียงทีละไฟล์
- ✓จัดเรียงให้อัตโนมัติตามวันที่และแหล่งที่มา
รูปแบบการส่งออก
มีรูปแบบไฟล์ส่งออกหลายแบบสำหรับการทำงานที่ต่างกัน
- ✓ข้อความธรรมดาแบ่งย่อหน้า
- ✓ไฟล์คำบรรยาย SRT และ VTT สำหรับวิดีโอ
- ✓ข้อความถอดเสียงพร้อมเวลากำกับสำหรับอ้างอิง
- ✓ป้ายชื่อผู้พูดสำหรับไฟล์ที่มีหลายคนพูด
- ✓ตั้งค่าการขึ้นย่อหน้าใหม่ได้
ความเป็นส่วนตัวที่ฝังอยู่ในโครงสร้าง
แอปถูกสร้างมาให้เสียงของคุณออกจากเครื่องไม่ได้ ไม่ใช่เพราะการตั้งค่า แต่เป็นข้อจำกัดทางเทคนิค
- ✓ไม่มีช่องทางอัปโหลดเสียงหรือข้อความถอดเสียง
- ✓ไม่มีเซิร์ฟเวอร์คลาวด์ให้เชื่อมต่อ
- ✓เราไม่เห็นไฟล์เสียงหรือข้อความถอดเสียงของคุณ และไม่มีการนำไปใช้ฝึก AI
- ✓เก็บไว้ในเครื่องเท่านั้น เข้ารหัสโดย iOS หรือ macOS
- ✓ไม่มีผู้ประมวลผลบุคคลที่สามที่ต้องทำสัญญา BAA
แม่นแค่ไหน และตัวเลขนี้มาจากไหน
ผลทดสอบสาธารณะ บวกกับที่เราวัดเองบนเครื่องที่ระบุรุ่นไว้
เราไม่ทำผลทดสอบความแม่นยำของตัวเอง เพราะผู้ผลิตที่ตรวจข้อสอบตัวเองนั้นเชื่อถือได้ยาก ตัวเลขอัตราผิดพลาดด้านล่างมาจาก Hugging Face Open ASR Leaderboard และ FLEURS ทั้งสองเปิดเผยต่อสาธารณะ และผู้ดูแลไม่มีส่วนได้เสียกับแอปนี้ ส่วนตัวเลขความเร็วเป็นของเราเอง วัดบนเครื่องที่เราระบุรุ่นไว้
อัตราผิดพลาดระดับคำ แยกตามโมเดล
| โมเดล | แหล่งที่มา | อัตราผิดพลาด | หมายเหตุ |
|---|---|---|---|
| Parakeet V3 (ฐานของโมเดลค่าเริ่มต้น) | Open ASR Leaderboard | WER อังกฤษ 6.32% | รองรับ 25 ภาษายุโรป เฉลี่ยทั้ง 25 ภาษาบน FLEURS อยู่ที่ 12.0% |
| Whisper Large V3 Turbo | Open ASR Leaderboard | WER อังกฤษ 7.83% | รองรับกว้างที่สุดในสามตัว: 100 ภาษา |
| SenseVoice Small | ทดสอบเองบน M4 Pro | พอดแคสต์ 27 นาที ใน 13.83 วินาที | ตัวเลือกที่เร็วสำหรับจีน ญี่ปุ่น เกาหลี และกวางตุ้ง วัดบนแอปเวอร์ชันก่อนหน้า ใกล้เคียงกับ 115–131× บนการ์ดโมเดลปัจจุบัน |
Key Findings
- •บน Mac Parakeet ทำงานได้ราว 74 เท่าของเวลาจริง ส่วน Whisper Turbo ช้ากว่าหลายเท่ากับไฟล์เดียวกัน
- •ในภาษาอังกฤษ อัตราผิดพลาดของทั้งสามโมเดลต่างกันไม่ถึง 2 จุดเปอร์เซ็นต์
- •ตัวเลขเหล่านี้วัดจากการอ่านออกเสียงและการพูดที่เตรียมมา ไฟล์ที่คุณอัดเองจะแย่กว่านี้ และไมโครโฟนกับการพูดแทรกกันมีผลต่อผลลัพธ์มากกว่าการเลือกโมเดล
บนเสียงที่สะอาด โมเดลใหญ่บนคลาวด์ยังนำอยู่เล็กน้อย เพราะรันด้วยขนาดที่ไม่มีมือถือหรือโน้ตบุ๊กเครื่องไหนรับไหว ช่องว่างนี้คือราคาของการที่เสียงไม่เคยออกจากเครื่อง ถ้างานของคุณไม่ต้องการความแม่นยำส่วนต่างเล็กน้อยนั้น การแลกนี้มักคุ้ม แต่ถ้าต้องการ เราแนะนำตรง ๆ ว่าให้ใช้บริการบนคลาวด์
เทียบกับทางเลือกอื่นแล้วเป็นอย่างไร
เทียบกับบริการคลาวด์ เครื่องมือที่มีอยู่แล้วในเครื่อง และซอฟต์แวร์องค์กร
ตารางนี้ส่วนใหญ่คุณตรวจสอบเองได้ในไม่กี่นาที แถวที่ต้องอ่านให้ละเอียดคือแถวความแม่นยำ เพราะทั้งสี่ประเภทไม่ได้วัดด้วยเบนช์มาร์กเดียวกัน
เปรียบเทียบฟีเจอร์
| ฟีเจอร์ | Whisper Notes | บริการคลาวด์ | เครื่องมือในตัว | ซอฟต์แวร์องค์กร |
|---|---|---|---|---|
| ความแม่นยำ (WER ภาษาอังกฤษ) | 6.32-7.83% (Open ASR Leaderboard) | ตัวเลขที่ผู้ให้บริการรายงานเอง ส่วนใหญ่ไม่ได้อยู่ในตารางอันดับนั้น | ไม่เปิดเผย | ไม่เปิดเผย |
| เสียงถูกประมวลผลที่ไหน | บนเครื่องของคุณ | เซิร์ฟเวอร์ของผู้ให้บริการ | แล้วแต่ผู้ให้บริการ | มีตัวเลือก on-premise |
| ราคา | iPhone $7.99, Mac $14 จ่ายครั้งเดียว | $0.006-0.40/นาที | ฟรี (จำกัด) | $500-2000/ใบอนุญาต |
| ภาษา | 100 ภาษา | 50-100 ภาษา | 10-30 ภาษา | 20-50 ภาษา |
| ขีดจำกัดความยาวไฟล์ | ไม่คิดค่าบริการรายนาที | โดยปกติ 1-2 ชั่วโมง | 5-10 นาที | แตกต่างกันไป |
| ต้องใช้อินเทอร์เน็ต | ไม่ | ใช่ | บางครั้ง | ขึ้นกับรูปแบบการติดตั้ง |
Market Position: พอวางสามทางเลือกเรียงกัน การแลกเปลี่ยนก็ชัดขึ้น API คลาวด์ระดับแนวหน้ายังแม่นกว่าเล็กน้อยกับเสียงที่สะอาด โดยมีราคานาทีละ $0.006 ถึง $0.40 และไฟล์เสียงของคุณไปอยู่บนดิสก์ของคนอื่น ระบบถอดเสียงองค์กรแบบ on-premise เก็บเสียงไว้ในเครือข่ายของคุณเอง เริ่มต้นราว $500 ต่อที่นั่ง ส่วน Whisper Notes รันโมเดลเปิดบนฮาร์ดแวร์ที่คุณมีอยู่แล้ว ราคา $7.99 บน iPhone หรือ $14 บน Mac และแลกด้วยการไม่มีคำบรรยายสด ไม่มีการแก้ไขร่วมกัน และยอมเสียความแม่นยำอีกเล็กน้อยที่โมเดลคลาวด์ทำได้ ถ้ามีข้อใดข้อหนึ่งในสามข้อนี้อยู่ในรายการของคุณ ทางเลือกอีกสองแบบจะคุ้มกว่า
งานแบบไหนที่แอปนี้เหมาะ
งานสามแบบที่ไฟล์เสียงออกจากเครื่องไม่ได้
การแพทย์
บุคลากรทางการแพทย์ใช้ Whisper Notes จดบันทึกการตรวจผู้ป่วย บันทึกทางคลินิก และถอดเสียงการสัมภาษณ์เพื่องานวิจัย เพราะเสียงไม่เคยไปถึงเซิร์ฟเวอร์ของเรา จึงไม่มีผู้ประมวลผลบุคคลที่สามที่ BAA ต้องครอบคลุม ส่วนที่ว่าเวิร์กโฟลว์ทั้งหมดเข้าเกณฑ์ HIPAA หรือไม่ ยังขึ้นอยู่กับว่าตัวเครื่องถูกดูแลความปลอดภัยอย่างไร และถ้าเพื่อนร่วมงานต้องเปิดและคอมเมนต์บันทึกเดียวกัน บริการคลาวด์ที่เซ็น BAA แล้วเป็นคำตอบที่ใช้งานได้จริงกว่า
Use Cases
- •บันทึกการตรวจและปรึกษาผู้ป่วย
- •บันทึกหัตถการทางการแพทย์
- •ถอดเสียงการสัมภาษณ์เพื่องานวิจัย
- •บันทึกการรักษาทางไกล
- •เนื้อหาการฝึกอบรมทางคลินิก
Benefits
- ✓ไม่มีนโยบายแบ่งปันข้อมูลให้ต้องเชื่อใจ เพราะไม่มีอะไรถูกส่งออกไป
- ✓พจนานุกรมของคุณเองสำหรับศัพท์ทางคลินิกและชื่อยา
- ✓ข้อมูลสุขภาพของผู้ป่วยไม่ออกจากเครื่อง เพราะไม่มีช่องทางอัปโหลด
- ✓การปรึกษา 20 นาที ถอดเสร็จในเวลาไม่ถึงหนึ่งนาทีบน Mac ที่ใช้ Apple Silicon
กฎหมาย
ทนายความใช้ Whisper Notes สำหรับการให้ถ้อยคำ การสัมภาษณ์ลูกความ และการเตรียมคดี ไฟล์เสียงอยู่ในเครื่อง จึงไม่มีผู้ให้บริการรายไหนถือสำเนาไว้ แต่สิ่งนี้ไม่ได้ทำให้หน้าที่ของคุณหมดไป: เวิร์กโฟลว์หนึ่ง ๆ จะเข้าเกณฑ์การรักษาความลับในเขตอำนาจของคุณหรือไม่ ยังขึ้นกับว่าเครื่อง ข้อมูลสำรอง และไฟล์ที่ส่งออกถูกจัดการอย่างไร
Use Cases
- •บันทึกการสัมภาษณ์ลูกความ
- •ถอดเสียงการให้ถ้อยคำ
- •บันทึกการค้นคว้าคดี
- •บันทึกกระบวนการทางกฎหมาย
- •การสัมภาษณ์เพื่อการสืบสวน
Benefits
- ✓เราไม่ได้ถือสำเนาไฟล์เสียงหรือข้อความถอดเสียงไว้เลย
- ✓พจนานุกรมของคุณเองสำหรับชื่อคดีและศัพท์กฎหมาย
- ✓ข้อความถอดเสียงพร้อมเวลากำกับ ส่งออกเป็นข้อความ SRT หรือ VTT
- ✓iPhone $7.99 หรือ Mac $14 จ่ายครั้งเดียว เทียบกับการจ้างถอดเสียงที่คิดเงินเป็นนาที
สื่อสารมวลชน
นักข่าวใช้ Whisper Notes สำหรับการสัมภาษณ์แหล่งข่าวและการบันทึกภาคสนาม ไม่มีเซิร์ฟเวอร์ไหนถือเสียงไว้ สำเนาจึงมีอยู่แค่บนเครื่องของคุณเอง การปกป้องแหล่งข่าวจึงย้ายจากนโยบายการเก็บข้อมูลของเรา ซึ่งคุณตรวจสอบไม่ได้ มาอยู่ที่ความปลอดภัยของเครื่องคุณเอง ซึ่งคุณตรวจสอบได้ ถ้ากองบรรณาธิการต้องให้หลายคนแก้ข้อความถอดเสียงเดียวกันระหว่างเหตุการณ์สด นั่นเป็นงานของเครื่องมือบนคลาวด์
Use Cases
- •ถอดเสียงการสัมภาษณ์แหล่งข่าว
- •บันทึกเสียงภาคสนาม
- •บันทึกการแถลงข่าว
- •คลังการสัมภาษณ์เพื่องานวิจัย
- •การผลิตพอดแคสต์
Benefits
- ✓ไม่มีข้อมูลใดของไฟล์เสียงหรือข้อความถอดเสียงถูกส่งออกไปเลย
- ✓ทำงานได้แม้เครื่องออฟไลน์ ซึ่งก็เป็นวิธีที่คุณใช้ตรวจสอบสิ่งที่เราพูดได้ด้วย
- ✓ไม่ต้องมีบัญชี จึงไม่มีประวัติการเข้าสู่ระบบที่โยงการสัมภาษณ์มาถึงคุณ
- ✓ส่งออกเป็นข้อความ SRT หรือ VTT สำหรับเครื่องมือที่กองบรรณาธิการใช้อยู่แล้ว
เร็วแค่ไหน และยังด้อยตรงไหน
ตัวเลขที่เราวัดเอง และสิ่งที่การออกแบบแบบนี้ทำไม่ได้
เราวัดอะไร และวัดบนเครื่องอะไร
ความเร็วขึ้นกับเครื่องและเอนจินที่คุณเลือก การให้ตัวคูณเดียวสำหรับทั้งแอปจึงทำให้เข้าใจผิด ด้านล่างนี้คือการวัดของเราเอง จับเวลาจริงตั้งแต่เริ่มจนได้ข้อความสุดท้าย บนเครื่องที่เราระบุรุ่นไว้
Parakeet V3 (ฐานของเอนจินค่าเริ่มต้น)
ราว 74 เท่าของเวลาจริงบน Mac: ไฟล์ประชุมยาว 17.5 นาทีใช้เวลาราว 15 วินาที
25 ภาษายุโรป เราวัดเอง เครื่องเดียว
สาย Whisper Turbo
บน Mac เครื่องเดียวกัน Whisper Large V3 Turbo เร็วกว่าเวลาจริงราว 2.7 เท่า ซึ่งเป็นสิ่งที่ต้องแลกกับการรองรับ 100 ภาษา
เราวัดเอง Turbo คือสายที่รองรับกว้างที่สุด ไม่ใช่สายที่เร็วที่สุด
เครื่องรุ่นเก่าและเครื่องเล็ก
iPhone ถอดไฟล์ช้ากว่า Mac ที่ใช้ Apple Silicon และช่องว่างยิ่งกว้างขึ้นตามอายุชิป ไฟล์ยาวยังถอดจนจบได้ เพียงแต่ใช้เวลานานขึ้นตามสัดส่วน
iPhone 12 ขึ้นไป หรือ Mac ที่ใช้ Apple Silicon
พื้นที่จัดเก็บ
ข้อความถอดเสียงเล็กมาก ราว 0.1MB ต่อชั่วโมงเสียง สิ่งที่กินที่จริง ๆ คือโมเดล: บน Mac, Qwen3-ASR 1.7B ราว 2.5 GB และ Whisper Large V3 Turbo ราว 2 GB ส่วนตัวอื่นเล็กกว่านั้น
Parakeet ติดมากับแอป ส่วนโมเดลอื่นดาวน์โหลดในแอป
ข้อจำกัดที่รู้อยู่แล้ว
การรันโมเดลบนเครื่องมาพร้อมข้อจำกัดที่ตายตัว และตรวจสอบก่อนซื้อง่ายกว่าหลังซื้อ แอป Mac จากเว็บไซต์ของเราจึงให้ใช้ฟรีสัปดาห์ละ 5,000 คำ
ข้อกำหนดของเครื่อง
ออกแบบมาสำหรับ iPhone 12 ขึ้นไปและ Mac ที่ใช้ Apple Silicon iPhone รุ่นเก่ากว่านั้นมี Neural Engine ที่แรงไม่พอจะใช้งานได้จริง เวอร์ชัน Mac App Store ติดตั้งบน Mac ที่ใช้ Intel ได้ด้วย แต่จะไม่มี SenseVoice, Qwen3-ASR และการถอดเสียงสดแบบเร็ว
Impact: iPhone 12 ขึ้นไป และ Mac ที่ใช้ Apple Silicon หากต้องการใช้ทุกโมเดล
เวลาในการประมวลผล
เวลาประมวลผลแปรผันตามความยาวของไฟล์เสียง ไม่มีทางเลี่ยงข้อจำกัดทางกายภาพของการคำนวณบนเครื่อง
Impact: ที่อัตราข้างต้น ไฟล์ยาวหนึ่งชั่วโมงใช้เวลาไม่กี่นาทีบน Mac และนานกว่านั้นบน iPhone
ขึ้นกับคุณภาพเสียง
เสียงคุณภาพต่ำหรือเสียงรบกวนดังทำให้ความแม่นยำลดลง และโมเดลกู้ข้อมูลที่ไม่มีอยู่ในสัญญาณกลับมาไม่ได้
Impact: ตำแหน่งไมโครโฟนและการพูดแทรกกัน มีผลต่ออัตราผิดพลาดมากกว่าการเลือกโมเดล
ไม่มีคำบรรยายสด
Whisper Notes ไม่ใช่บริการคำบรรยาย บน iPhone ถ้าพูดภาษายุโรป 25 ภาษาที่ Parakeet รองรับ ข้อความถอดเสียงจะขึ้นบนจอระหว่างที่คุณบันทึก เมื่อบันทึกการประชุมบน Mac แผงข้อความถอดเสียงสดจะแสดงคำพูดภายในไม่กี่วินาทีสำหรับภาษาเหล่านั้น และราวทุก 30 วินาทีสำหรับภาษาอื่น ทรานสคริปต์ฉบับสุดท้ายทำจากทั้งไฟล์ ซึ่งให้บริบทกับโมเดลมากกว่า
Impact: ถ้าคุณต้องการคำบรรยายขึ้นจอระหว่างงานกำลังดำเนินอยู่ นี่ไม่ใช่เครื่องมือที่ใช่
หนึ่งภาษาต่อหนึ่งไฟล์
การสลับภาษาไปมาอย่างรวดเร็วในไฟล์เดียวทำให้ความแม่นยำลดลง โมเดลทำงานได้ดีที่สุดเมื่อพูดภาษาเดียวตลอด
Impact: ได้ผลดีที่สุดเมื่อแต่ละไฟล์มีภาษาหลักภาษาเดียว
สรุปแล้วแอปนี้เหมาะกับใคร
ดาวน์โหลด Whisper Notes
ถอดเสียงบน iPhone หรือ Mac ของคุณ แอป Mac จากเว็บไซต์ของเราใช้ฟรีสัปดาห์ละ 5,000 คำ คุณจึงตรวจสอบสิ่งที่เราพูดได้ก่อนจ่ายเงิน
ดาวน์โหลดสำหรับ iOSใช้ได้บน iOS (iPhone 12 ขึ้นไป) และ macOS (Apple Silicon) จ่ายครั้งเดียว $7.99 บน App Store ส่วนแอป Mac จากเว็บไซต์ของเราใช้ฟรีสัปดาห์ละ 5,000 คำ จากนั้นจ่ายครั้งเดียว $14 ไม่มีการสมัครสมาชิก