ไมโครโฟนส่งแถบคลื่นเสียงผ่านเครื่องแยกกระดาษ โดยมีช่องหนึ่งเยื้องเป็นสีอำพัน
aigrokspeech-to-textvoice

Grok Voice Transcribe 2.0: ถอดเสียงหลายภาษาเร็วขึ้น แต่เลขบัญชียังต้องตรวจ

พี่โชว์Engineering

เสียงประชุมในห้องเงียบกับเสียงลูกค้าผ่านโทรศัพท์คนละโจทย์ครับ สายจริงมี noise, สำเนียง, เสียงซ้อน และรหัสบัญชีที่ผิดหลักเดียวก็ทำงานต่อผิด xAI ประกาศ Grok Voice Transcribe 2.0 วันที่ 18 กันยายน 2026 โดยเน้น speech-to-text หรือการแปลงเสียงเป็นข้อความในสถานการณ์ดังกล่าว ทั้ง batch สำหรับไฟล์บันทึกและ streaming สำหรับเสียงที่ไหลเข้ามาต่อเนื่อง

ผู้พัฒนาระบุว่ารุ่นใหม่แม่นกว่ารุ่น 1.0 บนชุดประเมินภายในหลายแบบ รวมถึงเสียงโทรศัพท์ 8 kHz, บทสนทนา, คำอย่างรหัสบัญชี/อีเมล และคำสั่งสั้นหลายภาษา บนชุดคำสั่งสั้นที่บริษัทใช้วัดเอง word error rate ลดจาก 20.6% เป็น 6.8% ตัวเลขนี้เป็น ผลวัดที่ xAI รายงาน ไม่ใช่ผลยืนยันกับเสียงภาษาไทยหรือ call center ของผู้อ่าน

สิ่งที่เปลี่ยนสำหรับผู้พัฒนา

ประกาศบอกว่า integration ที่ใช้ Speech-to-Text API เดิมจะได้การปรับความแม่นยำโดยไม่ต้องเปลี่ยนโค้ดเมื่อระบบสลับค่า default บริษัทวางแผนให้รุ่น 2.0 กลายเป็น default ในเร็ว ๆ นี้ และจะเลิกใช้รุ่น 1.0 ในสัปดาห์ถัด ๆ ไป หากระบบต้องการคงผลเดิมในช่วงเปลี่ยนผ่าน ให้ pin grok-voice-transcribe-1.0 ตามคำแนะนำในประกาศ นี่เป็น decision ที่ควรทำแบบมี regression test ไม่ใช่ปล่อย model เปลี่ยนในวันเปิดงานสำคัญ

xAI ระบุราคาเดิม: batch 0.10 ดอลลาร์ต่อชั่วโมงเสียง และ streaming 0.20 ดอลลาร์ต่อชั่วโมง พร้อม diarization, timestamps และ key terms ในราคาที่ประกาศ แต่ค่าใช้จ่ายจริงยังขึ้นกับข้อกำหนดบัญชีและการใช้งานล่าสุด ต้องตรวจหน้า pricing ณ วันซื้อก่อนประมาณงบ

ทดสอบอย่างไรไม่ให้ตัวเลขสวยบังข้อผิดพลาด

ทำชุดเสียงทดสอบที่ได้รับอนุญาตและปกปิดข้อมูลส่วนบุคคล แยกกลุ่มตามภาษา สำเนียง ความดัง และช่องสัญญาณ แล้วนับทั้ง word error rate กับ critical field error เช่น หมายเลขคำสั่งซื้อ อีเมล หรือชื่อยา เพราะประโยคส่วนใหญ่ถูกแต่เลขตัวเดียวผิดอาจมีผลมากกว่า error คำทั่วไป สำหรับการสลับภาษาในประโยคเดียว อย่าเอาคะแนนภาษาอังกฤษล้วนมาแทนผลจริง

ถ้าใช้ใน workflow ที่ส่งคำถอดเสียงต่อให้ agent หรือระบบชำระเงิน ให้มี human confirmation เมื่อ field สำคัญมีความมั่นใจต่ำ และเก็บ audio/reference กับ transcript ตามนโยบายข้อมูลที่องค์กรยอมรับ การรองรับหลายภาษาที่ประกาศไม่ได้การันตีความแม่นยำเท่ากันทุกภาษา และ model update อาจเปลี่ยน output แม้ API shape เดิมครับ

Recap

  • รุ่น 2.0 ประกาศ 18 กันยายน; batch และ streaming ยังรองรับ
  • ตัวเลขความแม่นยำเป็นผลวัดที่ผู้พัฒนาอ้าง ต้องทดสอบเสียงของเราเอง
  • pin รุ่น 1.0 ชั่วคราวหากยังไม่ผ่าน regression ก่อน default เปลี่ยน
  • ตรวจรหัส/อีเมล/ข้อมูลสำคัญแยกจากคะแนน error เฉลี่ย