คู่มือ

Mac และ Windows

MacWindows

เมื่อ Whisper หยุดก่อนจบและบอกว่าเสร็จแล้ว

คำตอบสั้น ๆ

โมเดล Whisper อาจหยุดกลางคันระหว่างการบันทึกแล้วยังรายงานว่าสำเร็จ ในการทดสอบของเราเกิดขึ้น 10 จาก 143 รอบ การเทียบปริมาณบทถอดเสียงที่ได้กลับมากับความยาวของเสียงจะจับได้ โดยไม่ต้องมีบทถอดเสียงอ้างอิง

ดาวน์โหลดสำหรับ Mac

ดาวน์โหลดสำหรับ Windows

ดาวน์โหลดอื่น ๆ

macOS 13 ขึ้นไปบน Apple Silicon · ไม่มีค่าบริการรายเดือนWindows 10 และ 11 · ไม่มีค่าบริการรายเดือน

ตรวจสอบล่าสุด 21 ตุลาคม 2026

ภาพประกอบผลจริง หน้าต่างถอดเสียงแสดงรอบที่แย่ที่สุดในการทดสอบของเรา คือภาษานอร์เวย์ แถบเสียงเต็ม แถบบทถอดเสียงหยุดที่ 22% (113 จาก 521 คำ) และสถานะยังแสดงว่า COMPLETED ด้านล่างมีช่องสี่เหลี่ยม 143 ช่อง หนึ่งช่องต่อหนึ่งรอบ มี 10 ช่องเป็นสีแดง คือรอบที่หยุดก่อนจบ

รอบที่แย่ที่สุดในตาราง วาดจากข้อมูลจริง แต่ละช่องคือหนึ่งรอบ เรียงตามลำดับในไฟล์ผลลัพธ์ 10 จาก 143 ช่องเป็นสีแดง

คืออะไร

การตัดทอนแบบเงียบคืออะไร

ข้อความที่โมเดลสร้างออกมาถูกต้อง แต่หยุดไปเฉย ๆ และไปป์ไลน์บอกว่าเสร็จแล้ว

โมเดลเสียงพูดอาจคืนคำที่ผิด หรืออาจหยุดกลางคันแล้วส่งบทถอดเสียงที่ถูกต้องของช่วงแรกกลับมาราวกับว่าเสร็จแล้ว ในรอบที่แย่ที่สุดของเรา คือภาษานอร์เวย์ โมเดลคืน113 จาก 521 คำอ้างอิงหลังประมวลผล 30 นาที และหยุดหลังจาก 9 เซกเมนต์ ไปป์ไลน์ของเราเองบันทึกรอบนั้นว่า COMPLETED ไม่มีข้อผิดพลาด ไม่มีคำเตือน ไม่มีเครื่องหมายบอกว่าเป็นผลลัพธ์บางส่วน

10 จาก 143รอบที่หยุดก่อนจบ
22%ของเสียงในรอบที่แย่ที่สุด
9 จาก 10เกิดกับไฟล์ large-v3 สองตัว

รอบไหนบ้าง

ภาษาไหนที่หยุดก่อนจบ

9 จาก 10 เกิดกับไฟล์ large-v3 สองตัว

ความครอบคลุมคือความยาวของบทถอดเสียงหารด้วยความยาวของข้อความอ้างอิง 1.00 คือบทถอดเสียงครบถ้วน แต่ละแท่งคือหนึ่งรอบที่ถูกตัดทอน เส้นประคือเกณฑ์ 0.80

Large V3: 5 จาก 28 รอบ

นอร์เวย์0.22
มาเลย์0.32
เวียดนาม0.34
เกาหลี0.40
ดัตช์0.74

Large V3 Q5: 4 จาก 28 รอบ

เช็ก0.22
โปรตุเกส (บราซิล)0.35
เวียดนาม0.37
มาเลย์0.75

Large V3 Turbo Q5: 1 จาก 29 รอบ

ฮินดี†0.72

ภาษาฮินดี: ข้อควรระวังเรื่องการให้คะแนน

† นี่คือรอบของโมเดลเริ่มต้น: 886 หน่วยเทียบกับข้อความอ้างอิง 1,237 ซึ่งเป็นจำนวนที่สูงเกินจริงแบบเดียวกับที่คำแก้ไขในความแม่นยำของ Whisper ใน 29 ภาษา ระบุไว้ (ภาษาฮินดี: 1,237 หน่วยเทียบกับ 683 คำจริง จากตัวให้คะแนนที่แยกคำที่เครื่องหมายผสม) ค่าสัมบูรณ์ 0.72 จึงเชื่อถือไม่ได้ แต่รุ่น turbo อีกสองตัวในตระกูลเดียวกันได้ 1,288 และ 1,242 หน่วยเทียบกับข้อความอ้างอิงเดียวกัน (ความครอบคลุม 1.04 และ 1.00) รอบของโมเดลเริ่มต้นจึงสั้นกว่าสองตัวนั้น 29 ถึง 31 เปอร์เซ็นต์ การอ่านที่น่าจะเป็นไปได้ที่สุดคือการตัดทอนจริง ซึ่งตรงกับที่บันทึกผลของงานนั้นเองระบุไว้ รอบนี้รันในส่วนของตารางที่ใช้หน่วยความจำ 12 GB (ดูข้อจำกัดด้านล่าง)

สั้นเสมอ ไม่เคยยาวเกิน

ทุกช่องที่เป็นค่าสุดขั้วในตารางนี้สั้นเสมอ ไม่เคยยาวเกิน ไม่มีรอบใดใน 143 รอบที่ยาวเกินข้อความอ้างอิงมากกว่าครึ่งหนึ่ง นั่นเป็นทิศทางตรงข้ามกับความล้มเหลวแบบวนซ้ำ ซึ่งโมเดลติดอยู่และพ่นวลีเดิมนานหลายนาที ทำให้ความครอบคลุมเป็นห้าเท่าของข้อความอ้างอิงหรือมากกว่า ทั้งสองแบบร้ายแรงและมองไม่เห็นจากการสุ่มตรวจ แต่แยกได้ด้วยเครื่องหมายของตัวเลขตัวเดียวกัน ซึ่งทำให้การตรวจเพียงครั้งเดียวจับได้ทั้งสองแบบ

วิธีจับ

จับได้โดยไม่ต้องมีข้อความอ้างอิง

เทียบปริมาณบทถอดเสียงที่ได้กลับมากับความยาวของเสียง

อัตราความผิดพลาดระดับคำต้องมีบทถอดเสียงอ้างอิง ซึ่งในงานจริงคุณไม่มี ความครอบคลุมไม่ต้องใช้ ในตารางนี้สองกลุ่มแยกออกจากกันชัดเจน:

รอบที่ถูกตัดทอนและรอบปกติในตารางนี้
รายการ	รอบ	ความครอบคลุมเฉลี่ย	อัตราความผิดพลาดเฉลี่ย
ถูกตัดทอน	10	0.44	65.90%
ปกติ	133	1.01	12.10%

เกณฑ์ 0.80 ไม่ได้ปรับให้เข้ากับข้อมูล: ความครอบคลุมสูงสุดของรอบที่ถูกตัดทอนคือ 0.75 และต่ำสุดของรอบปกติคือ 0.82 เกณฑ์ใดก็ตามที่อยู่ในช่วงว่างนี้จึงให้คำตอบเดียวกัน ในงานจริง: เทียบเวลาของเซกเมนต์สุดท้ายที่ได้กลับมากับความยาวของไฟล์ บนเครื่องของผู้ใช้ โดยไม่ต้องมีอะไรให้เทียบ

อัตราความผิดพลาด

การตัดทอนทำให้อัตราความผิดพลาดสูงขึ้น

Large V3 เฉลี่ย 24.64% ใน 28 ภาษา หากไม่นับ 5 รอบที่ถูกตัดทอน จะเหลือ 15.25%

อัตราความผิดพลาดราว 9.4 จุดไม่ใช่เพราะโมเดลฟังผิด แต่เพราะโมเดลไม่ได้อยู่ตรงนั้น

แม้ไม่นับการตัดทอน Large V3 ก็ยังตามโมเดล turbo ขนาดเล็กกว่าไม่ทัน

แม้ไม่นับการตัดทอน Large V3 ก็ยังตามโมเดล turbo แบบควอนไทซ์ขนาด 834 MB ไม่ทัน ซึ่งเฉลี่ย 9.16% ใน 29 ภาษาและไม่เคยถูกตัดทอนเลย ใน 28 ภาษาที่รอบ turbo ทั้งสามมีร่วมกัน (ไม่นับภาษาฮินดี) ค่าเฉลี่ยคือ Q8 8.59% ตัวเริ่มต้น 8.71% และ turbo 1.6 GB 8.80% ห่างกันไม่เกิน 0.2 จุด ส่วนต่างที่เห็นส่วนใหญ่จึงมาจากแถวภาษาฮินดีแถวเดียว ขนาดไม่ได้ทำนายความเชื่อถือได้ในที่นี้ และไม่ได้ทำนายความแม่นยำด้วย

บน Mac

สิ่งนี้หมายถึงอะไรสำหรับโมเดลที่ Lesskeys มีให้

ไฟล์ large-v3 ทั้งสองตัวอยู่ในตัวเลือกโมเดลของเวอร์ชัน App Store ที่วางจำหน่ายอยู่ (3.1.4) และคิดเป็น 9 จาก 10 รอบที่ถูกตัดทอน

เวอร์ชันนั้นไม่มีการตรวจความครอบคลุม การตรวจที่อธิบายข้างต้นเป็นข้อเสนอสำหรับเวอร์ชันนั้น ไม่ใช่ฟีเจอร์ที่เปิดให้ใช้แล้ว

สถานะเมื่อ 15 ตุลาคม 2026 สำหรับเวอร์ชัน App Store ที่วางจำหน่ายอยู่ (3.1.4)

พูดตรง ๆ เพราะนี่คือเหตุผลที่หน้านี้ควรค่าแก่การเผยแพร่แทนที่จะเก็บเข้าแฟ้ม:

ไฟล์ large-v3 ทั้งสองตัวมีอยู่ในตัวเลือกโมเดลของ Lesskeys และคิดเป็น 9 จาก 10 รอบที่ถูกตัดทอน ผู้ใช้ที่คิดว่า “ดาวน์โหลดใหญ่กว่า ผลดีกว่า” กำลังเลือกตัวที่เชื่อถือได้น้อยที่สุดในรายการ
โมเดลควอนไทซ์ขนาด 834 MB ที่มีอัตราความผิดพลาดเฉลี่ยต่ำสุด (ส่วนต่างจากรอบ turbo อื่นส่วนใหญ่มาจากแถวภาษาฮินดีแถวเดียว) และไม่มีการตัดทอนเลยไม่อยู่ในตัวเลือกของเวอร์ชันนั้น ในการทดสอบนี้เข้าถึงได้ก็เพียงเพราะโฟลเดอร์โมเดลถูกสแกนตอนเริ่มต้น
โมเดลเริ่มต้น (547 MB) ถูกตัดทอนหนึ่งครั้งใน 29 ภาษา คือภาษาฮินดี (น่าจะเป็นการตัดทอนจริง ดูหมายเหตุใต้รายการความครอบคลุม) รอบนั้นกับรอบ Large V3 Q5 ภาษาเช็กรันในส่วนของตารางที่ใช้หน่วยความจำ 12 GB ซึ่งเหลือหน่วยความจำน้อย (ดูข้อจำกัด)
เวอร์ชันนั้นไม่มีการตรวจความครอบคลุม การตรวจที่อธิบายข้างต้นเป็นข้อเสนอสำหรับเวอร์ชันนั้น ไม่ใช่ฟีเจอร์ที่เปิดให้ใช้แล้ว เมื่อเปิดให้ใช้ ส่วนนี้จะถูกเขียนใหม่ แทนที่จะลบไปเงียบ ๆ

บน Windows

สิ่งนี้หมายถึงอะไรบน Windows

การทดสอบรันในแอป Mac ไม่ได้รวมแอป Windows

เมื่อเปิดป้ายชื่อผู้พูด Lesskeys บน Windows มีกลไกสำรองสำหรับบทถอดเสียงที่กลับมาว่างจากไฟล์ที่มีเสียงพูด คือถอดรหัสไฟล์ใหม่โดยไม่ใช้เวลากำกับ แต่ไม่มีการตรวจบทถอดเสียงที่หยุดกลางคัน ซึ่งเป็นกรณีของหน้านี้ กับไฟล์ยาว ให้อ่านบรรทัดท้าย ๆ ของบทถอดเสียงเทียบกับเสียง และตรวจว่าตอนจบของบทถอดเสียงตรงกับตอนจบของการบันทึก

ข้อมูล

วิธีวัด ตาราง และข้อจำกัด

วิธีทำรอบทดสอบและสิ่งที่บอกคุณไม่ได้ พับไว้

วัดการตัดทอนอย่างไร

ไฟล์โมเดล Whisper 5 ไฟล์จากตระกูล large-v3 ใน 29 ภาษา 143 จาก 145 ช่อง เสียงเป็น FLEURS ที่ปรับระดับเสียงแล้วและไม่มีตัวเลขในข้อความ (เสียงอ่านที่มีบทถอดเสียงอ้างอิงเผยแพร่) ประมาณ 460 ถึง 2,520 หน่วยต่อภาษา

ทุกรอบรันผ่านแอปเวอร์ชันที่วางจำหน่ายจริงบนเครื่องเสมือนที่รัน macOS Sequoia ไม่ได้ผ่าน whisper-cli ซึ่งสำคัญ เพราะการตรวจจับช่วงที่มีเสียงพูด ตัวกรองข้อความหลอน การปรับระดับเสียง และการจำกัดภาษาอยู่ในเส้นทางทั้งหมด เหมือนที่ผู้ใช้ได้รับ ภาษาถูกจำกัดตายตัวในแต่ละรอบและถูกใช้ครบทั้ง 143 ช่อง โมเดลที่โหลดจริงตรงกับที่ขอทั้ง 143 ช่อง สองช่องที่หายไปคือภาษาฮินดีของไฟล์โมเดล large-v3 ทั้งสองไฟล์ ซึ่งทำงานไม่จบเลย

โมเดลทั้งห้า:

ขนาด

ค่าความผิดพลาดเฉลี่ย รอบที่ถูกตัดทอน

ไฟล์โมเดล Whisper ตระกูล large-v3 ห้าไฟล์ใน 29 ภาษา (ไฮไลต์แถวที่ไม่มีรอบที่ถูกตัดทอน)

โมเดล	ขนาด	ภาษา	ความผิดพลาดเฉลี่ย	มัธยฐาน	รอบที่ถูกตัดทอน
โมเดล Large V3 Turbo Q8 ● ไม่อยู่ในตัวเลือก	834 MB	29	9.16%	6.80%	ไม่มี
Large V3 Turbo	1.6 GB	29	9.52%	7.23%	ไม่มี
โมเดล Large V3 Turbo Q5 ● ค่าเริ่มต้นในแอปที่วางจำหน่าย	547 MB	29	9.99%	7.81%	1 จาก 29
Large V3	3 GB	28	24.64%	15.80%	5 จาก 28
Large V3 Q5	1.0 GB	28	26.66%	18.66%	4 จาก 28

ข้อจำกัดของการทดสอบนี้

เป็นเสียงอ่าน ไม่ใช่การประชุม FLEURS คือร้อยแก้วที่บันทึกในสภาพสะอาด เสียงสนทนาและเสียงพูดทับกันยากกว่ามาก และไม่ควรอ่านอัตราเหล่านี้เป็นสิ่งที่คุณจะได้กับการโทรจริง
หนึ่งรอบต่อช่อง 143 ช่อง ช่องละหนึ่งรอบ การตัดทอนเกิดซ้ำได้ทั้งในไฟล์โมเดล large-v3 สองไฟล์และในการตรวจสอบแยกกันสองครั้ง แต่ตารางนี้ไม่ได้ยืนยันอัตรา ยืนยันได้เพียงว่าเกิดขึ้นจริง
เครื่องเดียว หน่วยความจำสองขนาด ช่องทั้งหมดรันบนเครื่องเสมือน Apple Silicon เครื่องเดียวที่มีหน่วยความจำ 12 GB ใน 33 ช่องแรก และ 24 GB ในช่องที่เหลือ ทั้ง 29 ช่องของโมเดลเริ่มต้นและ 4 ช่องแรกของ Large V3 Q5 (อาหรับ เช็ก เดนมาร์ก เยอรมัน) รันในส่วน 12 GB มีสองรอบที่ถูกตัดทอนอยู่ในส่วนนี้ คือภาษาฮินดีของโมเดลเริ่มต้น (เหลือหน่วยความจำ 241 MB ณ จุดต่ำสุด) และภาษาเช็กของ Large V3 Q5 (60 MB) รอบอื่นที่ถูกตัดทอนทั้งหมดมีหน่วยความจำเหลือมากกว่า 6,000 MB หน่วยความจำที่น้อยอาจมีส่วนกับสองรอบนั้น และตารางนี้แยกสิ่งนั้นออกจากตัวโมเดลไม่ได้ การถอดรหัสใช้ค่าเริ่มต้นของเส้นทางไฟล์ในแอป ไม่ใช่ของเครื่องมือบรรทัดคำสั่ง
อัตราสัมบูรณ์สูงเกินจริงอยู่บ้าง จากทางเลือกในการปรับเครื่องหมายวรรคตอนและตัวพิมพ์ ส่วนที่เชื่อถือได้คือการเปรียบเทียบระหว่างโมเดล ไม่ใช่เปอร์เซ็นต์สัมบูรณ์

ครั้งนี้เราเก็บบทถอดเสียงไว้ ในการวัดรอบก่อนหน้า บทถอดเสียงถูกเขียนทับด้วยขั้นตอนตั้งค่าของรอบถัดไป และต้องอนุมานการตัดทอนจากจำนวนคำ จึงไม่มีใครสังเกตเห็นมานานขนาดนั้น “อัตราความผิดพลาดที่แย่กว่า” กับ “หยุดก่อนจบ” ดูเหมือนกันในตารางผลลัพธ์

คำถาม

คำถามเกี่ยวกับ Whisper ที่หยุดก่อนจบ

การตัดทอนแบบเงียบในการรู้จำเสียงพูดคืออะไร

โมเดลคืนบทถอดเสียงที่ครอบคลุมแค่บางส่วนของเสียง แต่ไปป์ไลน์โดยรอบรายงานว่าสำเร็จ ข้อความที่มีอยู่มักถูกต้อง จึงไม่มีอะไรดูผิดปกติจนกว่าจะมีคนเทียบบทถอดเสียงกับไฟล์บันทึก ในตารางนี้เกิดกับ 10 จาก 143 รอบ โดย 9 รอบเกิดกับไฟล์โมเดล large-v3 สองไฟล์

จะตรวจจับบทถอดเสียงที่ไม่ครบโดยไม่มีข้อความอ้างอิงได้อย่างไร

เทียบสิ่งที่ได้กลับมากับสิ่งที่ใส่เข้าไป: เวลาสิ้นสุดของเซกเมนต์สุดท้ายเทียบกับความยาวของไฟล์เสียง หรือความยาวของบทถอดเสียงเทียบกับความยาวที่คาดไว้ ทั้งสองวิธีไม่ต้องมีบทถอดเสียงเฉลย ซึ่งทำให้ใช้ตรวจในงานจริงได้ ในข้อมูลนี้ รอบที่ถูกตัดทอนมีความครอบคลุมเฉลี่ย 0.44 เทียบกับ 1.01 ของรอบปกติ

โมเดล Whisper ที่ใหญ่กว่าให้ผลดีกว่าไหม

ไม่เป็นเช่นนั้นในตารางนี้ ไฟล์โมเดลที่ใหญ่ที่สุดสองไฟล์มีอัตราความผิดพลาดเฉลี่ยสูงสุดและคิดเป็น 9 จาก 10 รอบที่ถูกตัดทอน ขณะที่โมเดล turbo แบบควอนไทซ์ขนาด 834 MB มีค่าเฉลี่ยต่ำสุด (9.16% ห่างจากรอบ turbo อื่นไม่เกิน 0.2 จุดเมื่อไม่นับภาษาฮินดี) และไม่เคยถูกตัดทอน ขนาดดาวน์โหลดไม่ได้ทำนายทั้งความแม่นยำและความเชื่อถือได้ในที่นี้

นี่เป็นบั๊กของ Whisper หรือของแอป

ยังสรุปไม่ได้ และหน้านี้ไม่ได้อ้างว่ารู้ สิ่งที่วัดได้คือเหตุการณ์นี้เกิดขึ้นจริง และไปป์ไลน์โดยรอบไม่ทันสังเกต ตัวตรวจความครอบคลุมที่เสนอไว้เป็นการบรรเทาในชั้นแอปพลิเคชัน ซึ่งเป็นชั้นที่เราควบคุมได้ ไม่ได้วินิจฉัยสาเหตุที่แท้จริง

เพิ่มเติม

อ่านเรื่องถัดไป

ความแม่นยำของ Whisper ใน 29 ภาษา

โมเดลชุดเดียวกัน ทดสอบนอกภาษาอังกฤษ

อ่าน

ควรใช้โมเดล Whisper ตัวไหนบน Mac

เปรียบเทียบความแม่นยำ

ใช้ Whisper บน Windows

ใช้การรู้จำเสียง Whisper แบบออฟไลน์บน Mac: ติดตั้งแอป พิมพ์ด้วยเสียงหรือเพิ่มไฟล์ แล้วไม่มีอะไรถูกอัปโหลด

ใช้การรู้จำเสียง Whisper แบบออฟไลน์บนพีซี Windows: ติดตั้งแอป พิมพ์ด้วยเสียงหรือเพิ่มไฟล์ แล้วไม่มีอะไรถูกอัปโหลด

อ่าน

การถอดเสียงในเครื่องทำงานอย่างไร

สิ่งที่เกิดขึ้นระหว่างเสียงของคุณกับข้อความบนคอมพิวเตอร์

ทีละขั้น

และส่วนที่ยังต้องใช้อินเทอร์เน็ต

อ่าน

แปลงไฟล์เสียงเป็นข้อความ

แปลงไฟล์เสียงและวิดีโอเป็นข้อความบนคอมพิวเตอร์ของคุณเอง:

ขั้นตอน

ประเภทไฟล์

ป้ายชื่อผู้พูด และข้อจำกัด

อ่าน

คู่มือทั้งหมด

หน้าแรก Lesskeys

ตรวจท้ายบทถอดเสียงยาวเทียบกับเสียง

Lesskeys ถอดเสียงบนคอมพิวเตอร์ของคุณด้วยโมเดล Whisper: พิมพ์ด้วยเสียงในแอปใดก็ได้ หรือเพิ่มไฟล์บันทึกแล้วรับบทถอดเสียงพร้อมป้ายชื่อผู้พูด ไม่มีการอัปโหลด

ดูเพิ่ม: แปลงเสียงเป็นข้อความบน Macดูเพิ่ม: แปลงเสียงเป็นข้อความบน Windows

ดาวน์โหลดสำหรับ Mac

ดาวน์โหลดสำหรับ Windows

ดาวน์โหลดอื่น ๆ

เมื่อ Whisper หยุด​ก่อนจบ​และ​บอก​ว่า​เสร็จ​แล้ว

การตัดทอน​แบบ​เงียบ​คือ​อะไร

ภาษา​ไหน​ที่หยุด​ก่อนจบ

จับได้โดย​ไม่ต้อง​มี​ข้อความ​อ้างอิง

การตัดทอนทำให้​อัตราความผิดพลาด​สูง​ขึ้น

สิ่ง​นี้​หมายถึง​อะไร​สำหรับ​โมเดล​ที่ Lesskeys มี​ให้

สิ่ง​นี้​หมายถึง​อะไร​บน Windows

วิธีวัด ตาราง และ​ข้อจำกัด

คำถาม​เกี่ยวกับ Whisper ที่​หยุด​ก่อนจบ

อ่าน​เรื่อง​ถัดไป

เมื่อ Whisper หยุดก่อนจบและบอกว่าเสร็จแล้ว

การตัดทอนแบบเงียบคืออะไร

ภาษาไหนที่หยุดก่อนจบ

จับได้โดยไม่ต้องมีข้อความอ้างอิง

การตัดทอนทำให้อัตราความผิดพลาดสูงขึ้น

สิ่งนี้หมายถึงอะไรสำหรับโมเดลที่ Lesskeys มีให้

สิ่งนี้หมายถึงอะไรบน Windows

วิธีวัด ตาราง และข้อจำกัด

คำถามเกี่ยวกับ Whisper ที่หยุดก่อนจบ

อ่านเรื่องถัดไป