อภิธานศัพท์การแปลงเสียงเป็นข้อความ

สรุปสั้น ๆ

ซอฟต์แวร์ด้านเสียงพูดมีศัพท์เฉพาะมากมาย และบางคำก็มีความหมายต่างกันไปตามผู้ผลิตแต่ละราย หน้านี้บอกว่าแต่ละคำหมายถึงอะไรในที่นี้

คำที่ใช้ในเว็บไซต์นี้ด้วยความหมายเฉพาะหรือไม่ธรรมดา และความหมายของคำเหล่านั้นเมื่อเราใช้

อัปเดตล่าสุด 15 ตุลาคม 2026

A

ASR (การรู้จำเสียงพูดอัตโนมัติ): ชื่อเรียกทั่วไปของซอฟต์แวร์ที่แปลงเสียงพูดเป็นข้อความ Whisper เป็นระบบแบบนี้ระบบหนึ่ง “แปลงเสียงเป็นข้อความ” ในการใช้งานทั่วไปมีความหมายเดียวกัน

D

การพิมพ์ด้วยเสียง: การพูดแทนการพิมพ์ เพื่อให้คำปรากฏในแอปที่คุณใช้อยู่แล้ว เกิดขึ้นสด ๆ และเป็นช่วงสั้น ต่างจากการถอดเสียง ซึ่งแปลงการบันทึกที่มีอยู่แล้วเป็นข้อความภายหลัง

H

ปุ่มลัด: ชุดปุ่มที่ใช้ได้ทุกที่ ไม่ใช่เฉพาะในแอปใดแอปหนึ่ง Lesskeys ใช้ปุ่มลัดเพื่อเริ่มและหยุดการพิมพ์ด้วยเสียง คุณจึงไม่ต้องสลับหน้าต่างเพื่อพูด

O

ในเครื่อง: งานทั้งหมดเกิดขึ้นบนคอมพิวเตอร์ที่อยู่ตรงหน้าคุณ ไม่ใช่บนเซิร์ฟเวอร์ของบริษัท สำหรับ Lesskeys หมายความว่าเสียงที่บันทึก โมเดลเสียง และข้อความที่ได้ ทั้งหมดอยู่บนคอมพิวเตอร์ของคุณ คำนี้ระบุว่าการประมวลผลเกิดขึ้นที่ไหน จึงตรวจสอบได้ เพียงปิดเครือข่ายแล้วดูว่ายังใช้งานได้

S

การแยกผู้พูด: การหาว่าใครพูด และพูดเมื่อไร ในการบันทึกที่มีมากกว่าหนึ่งเสียง เป็นงานแยกจากการถอดเสียง การถอดเสียงถามว่าพูดว่าอะไร การแยกผู้พูดถามว่าใครเป็นคนพูด ทั้งสองอย่างนำมารวมกันเพื่อให้ได้บทถอดเสียงที่มีชื่อผู้พูดกำกับทุกบรรทัด
เสียงของระบบ: เสียงที่คอมพิวเตอร์ของคุณกำลังเล่น ต่างจากเสียงที่ไมโครโฟนได้ยิน การอัดเสียงของระบบพร้อมไมโครโฟนจะจับเสียงได้ทั้งสองฝั่งของการโทร โดยไม่มีอะไรเข้าร่วมการประชุม

T

การถอดเสียง: การแปลงการบันทึกที่มีอยู่แล้ว เช่น การโทร การสัมภาษณ์ หรือวิดีโอ เป็นข้อความที่เขียนไว้ ต่างจากการพิมพ์ด้วยเสียงตรงที่เกิดขึ้นหลังเหตุการณ์ และมักมีผู้พูดมากกว่าหนึ่งคน

V

ลายเสียง: ข้อมูลสรุปที่เก็บไว้ว่าเสียงของคนหนึ่งฟังดูเป็นอย่างไร ใช้จำคนเดิมข้ามการบันทึกต่าง ๆ Lesskeys เก็บลายเสียงไว้บนคอมพิวเตอร์ของคุณเท่านั้น

W

WER (อัตราคำผิด): วิธีวัดความแม่นยำ นับคำที่ระบบทำผิด ทั้งแทนที่ ตกหล่น หรือเพิ่มเข้ามา เป็นเปอร์เซ็นต์ของคำที่พูดจริง ยิ่งต่ำยิ่งดี และ WER 2.5% หมายถึงผิดประมาณหนึ่งคำจากสี่สิบคำ
Whisper: ตระกูลโมเดลรู้จำเสียงพูดแบบเปิดที่ทำงานบนฮาร์ดแวร์ทั่วไปได้ รวมถึง Mac หรือพีซี Windows มีหลายขนาด ใหญ่กว่าไม่ได้แปลว่าดีกว่าเสมอไป ซึ่งการทดสอบของเราเองก็พบอย่างนั้น

คำตอบสั้น ๆ

on-device หมายความว่าอะไรกันแน่

หมายความว่าการประมวลผลเกิดขึ้นบนคอมพิวเตอร์ของคุณเอง ไม่ใช่บนเซิร์ฟเวอร์ของบริษัทใด วิธีทดสอบง่าย ๆ คือปิดเครือข่าย ถ้ายังใช้งานได้ ก็แปลว่าประมวลผลในเครื่อง

การพิมพ์ด้วยเสียงกับการถอดเสียงเป็นอย่างเดียวกันหรือไม่

ไม่ใช่ การพิมพ์ด้วยเสียงเกิดขึ้นสด ๆ คุณพูดแล้วคำก็ปรากฏตรงที่คุณกำลังพิมพ์ ส่วนการถอดเสียงคือการแปลงการบันทึกที่มีอยู่แล้วเป็นข้อความ ซึ่งมักมีผู้พูดมากกว่าหนึ่งคน

อัตราคำผิด (WER) เท่าไรจึงถือว่าดี

ขึ้นอยู่กับคุณภาพเสียง จึงไม่ควรดูจากตัวเลขเดียว กับเสียงพูดที่ชัด โมเดลที่ดีที่สุดในปัจจุบันอยู่ที่ราว 2–3% หรือประมาณผิดหนึ่งคำจากสี่สิบคำ ส่วนเสียงที่ยาก เช่น คนพูดซ้อนกัน สำเนียงเข้ม หรือห้องที่เสียงก้อง เป็นเรื่องยากกว่ามากสำหรับทุกระบบ

อภิธาน​ศัพท์การ​แปลง​เสียง​เป็น​ข้อความ

A

D

H

O

S

T

V

W

คำตอบ​สั้น ๆ

อ่าน​เรื่อง​ถัดไป

อภิธานศัพท์การแปลงเสียงเป็นข้อความ

คำตอบสั้น ๆ

อ่านเรื่องถัดไป