หน้าแรก › on-device คืออะไร

ความรู้พื้นฐาน

ประมวลผลบนเครื่อง (on-device) คืออะไร และต่างจากคลาวด์อย่างไร

คำว่า on-device หรือ “ประมวลผลบนเครื่อง” หมายถึงการที่งานคำนวณเกิดขึ้นในคอมพิวเตอร์ที่คุณใช้อยู่ ไม่ใช่บนเซิร์ฟเวอร์ของผู้ให้บริการ ในงานถอดเสียงเป็นข้อความ ความต่างนี้ไม่ใช่แค่เรื่องเทคนิค เพราะสิ่งที่ถูกส่งออกไปประมวลผลคือไฟล์เสียงจริงของการประชุม การสัมภาษณ์ หรือบทสนทนากับลูกค้า หน้านี้อธิบายว่ามันต่างจากคลาวด์ตรงไหน ได้อะไร และต้องแลกกับอะไรบ้าง

on-device แปลว่าอะไรกันแน่

คนไทยสายเทคคุ้นกับคำทับศัพท์ว่า on-device จากการตลาดของโทรศัพท์มือถือ ส่วนคำไทยที่ใช้กันทั่วไปคือ “ประมวลผลในเครื่อง” “ประมวลผลแบบโลคอล” หรือพูดง่าย ๆ ว่า “ทำงานออฟไลน์” ทั้งหมดหมายถึงเรื่องเดียวกัน คือการคำนวณเกิดขึ้นบนชิปของเครื่องที่อยู่ตรงหน้าคุณ ไม่ได้เกิดบนเครื่องของใครที่อื่น

สำหรับซอฟต์แวร์ทั่วไป ความต่างนี้อาจเป็นแค่เรื่องความเร็ว แต่สำหรับงานแปลงเสียงเป็นข้อความ สิ่งที่ต้องส่งเข้าไปประมวลผลคือไฟล์เสียงทั้งไฟล์ ไม่ใช่ข้อความสั้น ๆ ไฟล์เดียวอาจมีการสัมภาษณ์ผู้ให้ข้อมูล บทสนทนากับลูกค้า การประชุมภายในที่ยังไม่ประกาศ หรือเสียงของคนที่ไม่ได้เป็นคู่สัญญากับผู้ให้บริการรายไหนเลย คำถามว่า “ไฟล์นี้ไปอยู่ที่ไหนบ้าง” จึงเป็นคำถามแรกที่ฝ่ายไอทีและฝ่ายกฎหมายขององค์กรไทยถามเสมอ

เส้นทางของไฟล์: คลาวด์กับในเครื่อง

บริการถอดเสียงแบบคลาวด์ทำงานเป็นลำดับประมาณนี้

1. คุณอัปโหลดไฟล์เสียงหรืออนุญาตให้บอทเข้าร่วมห้องประชุมเพื่อบันทึก
2. ไฟล์ถูกส่งผ่านอินเทอร์เน็ตไปเก็บไว้ที่เซิร์ฟเวอร์ ซึ่งส่วนใหญ่ตั้งอยู่นอกประเทศ
3. เซิร์ฟเวอร์ประมวลผลและเก็บทั้งไฟล์เสียงและบทถอดไว้ในบัญชีของคุณ
4. คุณเปิดดูผลผ่านเว็บหรือแอป และไฟล์จะยังอยู่บนเซิร์ฟเวอร์นั้นจนกว่าคุณจะสั่งลบ

แบบประมวลผลในเครื่องตัดขั้นตอนที่ 2 และ 3 ออกทั้งหมด

1. ไฟล์เสียงอยู่ในดิสก์ของคุณอยู่แล้ว หรือถูกอัดลงดิสก์โดยตรง
2. แอปอ่านไฟล์นั้นแล้วให้ชิปในเครื่องคำนวณผลออกมาเป็นข้อความ
3. ผลลัพธ์ถูกเขียนกลับลงดิสก์เครื่องเดิม

ไม่มีขั้นตอนไหนที่ต้องมีการเชื่อมต่อออกไปข้างนอก ผลพลอยได้ที่ตามมาคือแอปทำงานได้แม้ตัดอินเทอร์เน็ต และไม่จำเป็นต้องมีบัญชีผู้ใช้ เพราะไม่มีเซิร์ฟเวอร์ที่ต้องรู้ว่าคุณเป็นใคร

เทียบให้เห็นภาพ

สังเกตว่าสองแถวล่างไม่ได้เข้าข้างฝั่งในเครื่อง นั่นคือของจริง ถ้าคุณใช้ Mac รุ่นเก่ากว่าและต้องถอดไฟล์ยาวทุกวัน คลาวด์เร็วกว่าแน่นอน ประเด็นคือคุณกำลังแลกความเร็วกับการที่ไฟล์เสียงไม่ต้องออกจากเครื่อง ไม่ใช่ได้ทุกอย่างฟรี ๆ

อะไรอยู่ในเครื่องจริง

คำว่า “ในเครื่อง” ถูกใช้อย่างหลวม ๆ ในการตลาดจนแทบไม่มีความหมาย จึงควรถามให้ชัดว่าอะไรบ้างที่อยู่ในเครื่องจริง สำหรับการถอดเสียงแบบ on-device เต็มรูปแบบ สิ่งเหล่านี้ต้องอยู่ในเครื่องทั้งหมด

• โมเดลรู้จำเสียง — ไฟล์โมเดลถูกดาวน์โหลดมาเก็บไว้ในดิสก์ ไม่ใช่เรียกใช้ผ่าน API ทุกครั้ง
• การถอดเสียงเป็นข้อความ — คำนวณบนชิปของเครื่อง
• การแยกผู้พูด — การตัดว่าใครพูดช่วงไหน เกิดในเครื่องเช่นกัน
• ลายเสียงที่บันทึกไว้ — ถ้าแอปจำเสียงคนได้ข้ามไฟล์ ข้อมูลลักษณะเสียงนั้นต้องเก็บอยู่ในเครื่อง ไม่ใช่ในฐานข้อมูลกลาง
• ไฟล์บันทึกและบทถอดทั้งหมด — อยู่ในโฟลเดอร์บนดิสก์ที่คุณเปิดดูเองได้

ส่วนสิ่งที่ยังต้องใช้อินเทอร์เน็ตมีเท่านี้: การดาวน์โหลดตัวแอป การดาวน์โหลดโมเดลครั้งแรก และการชำระเงินผ่าน App Store หลังจากนั้นคุณตัดเน็ตทิ้งแล้วใช้งานต่อได้ ซึ่งเป็นวิธีทดสอบที่ตรงไปตรงมาที่สุด: ปิด Wi-Fi แล้วลองถอดไฟล์ดู ถ้ายังทำงานได้ก็แปลว่าเป็น on-device จริง

ข้อแลกเปลี่ยนที่ควรรู้ก่อนตัดสินใจ

การประมวลผลในเครื่องมีต้นทุนที่ผู้ขายมักไม่พูดถึง เขียนไว้ตรงนี้ให้ครบ

• กินพื้นที่ดิสก์ — โมเดลรู้จำเสียงมีขนาดตั้งแต่หลักร้อยเมกะไบต์ไปจนถึงระดับกิกะไบต์ ยิ่งโมเดลใหญ่ยิ่งแม่นและยิ่งกินพื้นที่
• ใช้พลังของเครื่องคุณเอง — ระหว่างถอดไฟล์ยาว เครื่องจะอุ่นขึ้นและพัดลมอาจทำงาน เป็นเรื่องปกติของงานที่ใช้ชิปเต็มที่
• เครื่องรุ่นเก่ากว่าช้ากว่า — ไม่มีเซิร์ฟเวอร์มาช่วยแบ่งงาน เวลาที่ใช้ขึ้นกับเครื่องที่คุณมี
• ต้องอัปเดตเอง — โมเดลจะดีขึ้นเมื่อคุณอัปเดตแอป ไม่ใช่ดีขึ้นเงียบ ๆ ฝั่งผู้ให้บริการ ข้อนี้เป็นข้อเสียสำหรับคนที่อยากได้ของใหม่ตลอด แต่เป็นข้อดีสำหรับงานที่ต้องการผลลัพธ์คงเส้นคงวา เพราะไม่มีใครเปลี่ยนโมเดลใต้เท้าคุณกลางโครงการ

ถ้าใครบอกว่าแบบในเครื่องไม่มีข้อเสียเลย แปลว่ายังไม่ได้ใช้งานจริงกับไฟล์ยาว ๆ

เรื่องภาษาไทยที่ต้องเข้าใจตรงกัน

ไม่ว่าจะประมวลผลที่ไหน ผลลัพธ์ภาษาไทยที่ได้จากการรู้จำเสียงคือร่างแรก เสมอ ภาษาไทยเขียนติดกันโดยไม่มีช่องว่างระหว่างคำ การตัดคำและการใส่วรรคตอนจึงเป็นการตีความของเครื่อง ไม่ใช่ข้อเท็จจริงในเสียง นอกจากนี้คนทำงานในไทยพูดปนคำทับศัพท์และชื่อระบบภาษาอังกฤษตลอดเวลา ซึ่งเป็นจุดที่ผลลัพธ์มักเพี้ยนที่สุด ให้เผื่อเวลาอ่านทวนและแก้ไว้เสมอ ไม่ว่าคุณจะใช้เครื่องมือของค่ายไหน

ประมวลผลในเครื่องแล้วเรื่อง PDPA จบหรือยัง

ยังไม่จบ และข้อนี้เป็นความเข้าใจผิดที่พบบ่อยที่สุด เสียงพูดของบุคคลอื่นถือเป็นข้อมูลส่วนบุคคลตาม พ.ร.บ.คุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 ไม่ว่าจะประมวลผลที่ไหนก็ตาม การที่การคำนวณเกิดขึ้นในเครื่องของคุณไม่ได้ทำให้ข้อมูลนั้นหมดสภาพเป็นข้อมูลส่วนบุคคล และไม่ได้แปลว่าคุณไม่ต้องมีฐานทางกฎหมายในการเก็บ ใช้ หรือเปิดเผยข้อมูลนั้น

สิ่งที่พูดได้ตรง ๆ มีข้อเดียวคือเรื่องสถาปัตยกรรม: ถ้าการประมวลผลเกิดในเครื่อง ไฟล์เสียงและบทถอดก็ไม่ได้ถูกส่งออกไปยังเซิร์ฟเวอร์ของผู้ให้บริการรายใด ซึ่งทำให้คำถามเรื่องการโอนข้อมูลออกนอกประเทศและเรื่องผู้ประมวลผลข้อมูลรายที่สามหายไปจากภาพ ส่วนคำถามว่าองค์กรของคุณใช้เครื่องมือแบบนี้กับข้อมูลชุดใดได้บ้าง เป็นคำถามที่ต้องถาม DPO หรือฝ่ายกฎหมายของคุณเอง หน้านี้ไม่ได้รับรองการปฏิบัติตามกฎหมายใด ๆ ให้กับซอฟต์แวร์ตัวไหนทั้งสิ้น

Lesskeys ทำแบบนี้อย่างไร

Lesskeys เป็นแอป macOS ที่อยู่บนแถบเมนู ออกแบบตามแนวทางที่อธิบายไว้ทั้งหน้านี้ คือการรู้จำเสียงและการแยกผู้พูดทำงานบนจีพียูของชิป Apple Silicon ในเครื่องคุณ ไฟล์เสียงและบทถอดอยู่ในดิสก์ของคุณ ไม่มีการอัปโหลด และไม่ต้องสมัครบัญชีใด ๆ รองรับ 99 ภาษา ตรวจจับภาษาให้อัตโนมัติ ใช้ได้ทั้งการลากไฟล์เสียงหรือวิดีโอเข้ามาถอด และการอัดเสียงประชุมจากฝั่ง Mac โดยตรง ส่วนการพิมพ์ด้วยเสียงนั้น ข้อความที่ถอดได้จะถูกคัดลอกไว้ในคลิปบอร์ดแล้วคุณกด ⌘V วางเอง แอปไม่พิมพ์ข้อความลงหน้าต่างอื่นแทนคุณ

ข้อกำหนดเครื่องคือ macOS 13 ขึ้นไป และต้องเป็น Mac ชิป Apple Silicon (M1 ขึ้นไป) เท่านั้น เครื่อง Intel ใช้ไม่ได้ ตรวจได้จากเมนู Apple › เกี่ยวกับ Mac เครื่องนี้ ก่อนตัดสินใจซื้อ

ดาวน์โหลดฟรี จาก Mac App Store แล้วปลดล็อก Pro ภายในแอปด้วยการซื้อครั้งเดียว $49.99 ไม่ใช่รายเดือน (App Store ประเทศไทยจะแสดงราคาเป็นเงินบาทตามที่ Apple กำหนด) ในเวอร์ชันฟรีคุณพิมพ์ด้วยเสียงได้วันละ 5 นาที และถอดไฟล์เสียงได้ 5 ไฟล์กับวิดีโอ 5 ไฟล์ โดยนับรวมตลอดอายุการใช้งาน ไม่ใช่ต่อวัน ส่วนการอัดเสียงเก็บไว้ไม่จำกัดจำนวน และการสั่งถอดซ้ำไฟล์ที่เคยถอดแล้วก็ไม่กินโควตา

คำถามที่พบบ่อย

อ่านต่อ