Gemini 3.5 Transcribe รองรับภาษาไทยอย่างเป็นทางการ ที่ราคาประมาณ 0.18 บาทต่อนาที

Google เปิดให้ใช้งาน Gemini 3.5 Transcribe ในสถานะ public preview ผ่าน Gemini API และ Google AI Studio แล้ว โดยภาษาไทย (th-TH) ปรากฏอยู่ในรายการ Supported Languages อย่างเป็นทางการ ร่วมกับภาษาอื่นอีกกว่า 85 ภาษา Marketing Oops รายงานเรื่องนี้เมื่อวันที่ 27 สิงหาคม 2569 พร้อมราคาฝั่งเสียเงินที่ราว 0.005 ดอลลาร์สหรัฐต่อนาทีสำหรับการประมวลผลไฟล์ ซึ่งคิดเป็นเงินไทยประมาณ 0.18 บาทต่อนาที

สำหรับคนทำงานในไทยที่เคยจ่ายค่าจ้างถอดเทปสัมภาษณ์ความยาวหนึ่งชั่วโมง ตัวเลขนี้คือแก่นของข่าว ส่วนที่เหลือของบทความนี้คือสิ่งที่อยู่ใต้ตัวเลขนั้น ทั้งโหมดการทำงานที่มีให้เลือก ความแตกต่างของข้อความที่ได้กลับมา ฟีเจอร์ที่ยังไม่รองรับในโหมดสตรีมมิ่ง และวิธีอ่านตัวเลขความเร็วที่กำลังถูกส่งต่อโดยตัดคำเตือนออกไป

Google ปล่อยอะไรออกมาใน public preview

Marketing Oops รายงานเมื่อวันที่ 27 สิงหาคม 2569 ว่า Gemini 3.5 Transcribe เปิดให้ใช้ในสถานะ public preview ผ่านสองทาง คือ Gemini API สำหรับผู้ที่ต้องการเชื่อมเข้ากับซอฟต์แวร์ของตัวเอง และ Google AI Studio สำหรับผู้ที่อยากอัปโหลดไฟล์เข้าไปดูผลลัพธ์ตรง ๆ โดย Google ระบุว่าโมเดลนี้เป็นรุ่นต่อจาก Chirp 3

สิ่งที่ปล่อยออกมามีสองชิ้น ไม่ใช่ชิ้นเดียว ชิ้นแรกคือโมเดลประมวลผลไฟล์ ที่รับไฟล์เสียงเข้าไปแล้วคืนข้อความออกมา ชิ้นที่สองคือโมเดลสตรีมมิ่งแยกต่างหากชื่อ gemini-3.5-transcribe-live ซึ่งทำงานผ่าน WebSocket และออกแบบมาสำหรับงานคำบรรยายสดที่ต้องการความหน่วงต่ำ รวมถึงอินเทอร์เฟซแบบสั่งงานด้วยเสียง ทั้งสองไม่ใช่ของชิ้นเดียวกันที่แค่สลับสวิตช์ และอย่างที่จะเห็นในหัวข้อเรื่องช่องว่างของฟีเจอร์ด้านล่าง ความสามารถของทั้งสองยังไม่เท่ากันในตอนนี้

เรื่องการรองรับภาษาคือส่วนที่สำคัญที่สุดสำหรับตลาดไทย ภาษาไทยในกรณีนี้ไม่ได้เป็นผลพลอยได้แบบไม่เป็นทางการจากโมเดลที่รองรับหลายภาษา แต่รหัสภาษา th-TH อยู่ในรายการ Supported Languages อย่างเป็นทางการ ซึ่งเป็นคนละระดับกับโมเดลที่บังเอิญพอถอดภาษาไทยออกมาได้เมื่อป้อนเสียงภาษาไทยเข้าไป

Verbatim กับ Smart Transcription ทำคนละหน้าที่

Marketing Oops อธิบายว่ามีโหมดการถอดข้อความสองแบบ และการเลือกผิดโหมดจะทำให้งานเสียหายแบบเงียบ ๆ

โหมด Verbatim เก็บทุกอย่างตามที่พูดจริง คำเติมยังอยู่ครบ การพูดซ้ำยังอยู่ครบ การพูดแก้กลางประโยคก็ยังอยู่ นี่คือโหมดสำหรับงานสัมภาษณ์และงานวิจัย ที่การลังเลก่อนตอบคือข้อมูล และการแก้คำพูดของผู้ให้สัมภาษณ์เท่ากับการแก้ผลการศึกษา

โหมด Smart Transcription จัดระเบียบให้ระหว่างถอด มันตัดคำเติมอย่าง "เอ่อ" และ "อืม" ออก จัดการกับการพูดซ้ำและการพูดแก้ตัวเอง แล้วจัดรูปแบบผลลัพธ์ให้อัตโนมัติเป็นย่อหน้า หัวข้อย่อย วันที่ ตัวเลข และสกุลเงิน ตัวอย่างที่รายงานยกมาคือผู้พูดบอกว่า "Tuesday, no wait, Wednesday, 2pm" แล้วระบบให้ข้อความสุดท้ายออกมาเป็นนัดหมายวันพุธ เวลา 14:00

ตัวอย่างนี้ควรอ่านซ้ำอีกรอบ เพราะมันทำมากกว่าการจัดหน้าให้เรียบร้อย โมเดลตัดสินใจแทนว่าคำแก้คือคำที่ถูก แล้วแปลงรูปแบบเวลาให้เป็นมาตรฐาน ซึ่งเป็นสิ่งที่ต้องการมากในบันทึกการประชุม และเป็นสิ่งที่ไม่ต้องการเลยในไฟล์ถอดเทปงานวิจัยที่อาจถูกหยิบไปอ้างอิงในภายหลัง พูดให้ตรงคือ Smart Transcription ให้ข้อความที่ใกล้เคียงกับต้นฉบับพร้อมเผยแพร่ ส่วน Verbatim ให้ข้อความที่ใกล้เคียงกับหลักฐาน ตารางด้านล่างเทียบสองโหมดตามประเด็นที่รายงานระบุไว้

แยกผู้พูด จับเวลารายคำ และคลังคำเฉพาะ 1,000 คำ

นอกจากสองโหมดข้างต้น Marketing Oops ยังระบุความสามารถอีกสี่อย่าง อย่างแรกคือ speaker diarization ที่แยกผู้พูดได้สูงสุด 8 คน อย่างที่สองคือ timestamp ระดับคำ ที่บอกว่าคำแต่ละคำถูกพูดขึ้นเมื่อไหร่ อย่างที่สามคือคลังคำเฉพาะที่รับได้สูงสุด 1,000 คำ ซึ่งรายงานอธิบายว่าเป็นชื่อสินค้า ชื่อบริษัท ตัวย่อ และศัพท์เฉพาะทางอุตสาหกรรม อย่างที่สี่คือการรองรับการสลับภาษากลางประโยค พร้อมการตรวจจับอัตโนมัติในภาษาที่รองรับกว่า 85 ภาษา

เพดาน 1,000 คำคือตัวเลขที่ควรวางแผนรอบ ๆ มัน จำนวนเท่านี้มากพอจะใส่ชื่อสินค้าทั้งแคตตาล็อกของแบรนด์ไทยหนึ่งราย รายชื่อพนักงานคอลเซ็นเตอร์ทั้งทีม และกองตัวย่อที่บริษัท B2B ทุกแห่งใช้กันจนติดปาก โมเดลถอดเสียงมักพลาดที่คำวิสามานยนามมากที่สุด และคำวิสามานยนามก็คือสิ่งที่แบรนด์อยากเห็นสะกดถูกในไฟล์ถอดเทปมากที่สุดพอดี

เรื่องการสลับภาษาควรมีบรรทัดของตัวเองสำหรับคนอ่านชาวไทย บทสนทนาธุรกิจในไทยสลับไทยกับอังกฤษภายในประโยคเดียวเป็นเรื่องปกติ ไม่ใช่ข้อยกเว้น โมเดลที่ตรวจจับการสลับให้เองโดยไม่บังคับให้ประกาศภาษาเดียวต่อหนึ่งไฟล์ จึงตรงกับวิธีที่คนที่นี่พูดกันจริง อย่างไรก็ตาม รายงานไม่ได้เผยแพร่ตัวเลขความแม่นยำเฉพาะกรณีสลับภาษาไทยกับอังกฤษ ดังนั้นควรถือว่าเป็นความสามารถที่ประกาศไว้ ยังไม่ใช่ตัวเลขที่วัดมาแล้ว

สองฟีเจอร์ที่ยังไม่รองรับในโหมด Live

นี่คือรายละเอียดที่มีโอกาสทำแผนของใครบางคนพังมากที่สุด และ Marketing Oops ระบุไว้ตรง ๆ ว่า speaker diarization และ timestamp ระดับคำ ปัจจุบันทำงานได้กับการประมวลผลไฟล์ และยังไม่รองรับในโหมดสตรีมมิ่ง Live

ถ้าไอเดียของคุณคือผู้ช่วยประชุมที่ติดป้ายว่าใครกำลังพูดแบบเรียลไทม์ ไอเดียนั้นยังทำไม่ได้ด้วยโมเดลนี้ในวันนี้ แต่ถ้าไอเดียคือคำบรรยายสดที่ไม่ต้องระบุผู้พูด อันนั้นทำได้ รูปแบบการใช้งานที่ข้อจำกัดนี้ชี้ไปคือทำคำบรรยายสดให้คนในห้องก่อน แล้วค่อยเอาไฟล์บันทึกไปเข้ากระบวนการประมวลผลไฟล์ทีหลัง เพื่อให้ได้เวอร์ชันที่มีป้ายผู้พูดและ timestamp ครบ

ตารางด้านล่างเทียบสองเส้นทางนี้พร้อมราคาที่ Marketing Oops รายงานไว้ ตัวเลขเงินบาทเป็นการแปลงค่าโดยประมาณจากราคาที่ประกาศเป็นดอลลาร์ ไม่ใช่ราคาที่ Google ประกาศเป็นเงินบาท

Marketing Oops ระบุด้วยว่ามีแพ็กเกจฟรีให้ใช้ แต่รายงานไม่ได้ลงรายละเอียดว่าโควตาหรือข้อจำกัดของแพ็กเกจฟรีคืออะไร ใครที่วางแผนจะทดลองใช้จึงควรไปตรวจสอบตัวเลขนั้นในเอกสารของ Gemini API เอง แทนที่จะเดาปริมาณเอาเอง

วิธีอ่านตัวเลขเร็วขึ้น 70 เปอร์เซ็นต์

Marketing Oops อ้างผลทดสอบของ Artificial Analysis ที่ระบุว่าค่า Time to Final Transcription ดีขึ้นราว 70 เปอร์เซ็นต์เมื่อเทียบกับโมเดลรุ่นก่อน จากนั้นบทความก็ทำสิ่งที่มักหายไปทันทีที่ตัวเลขเริ่มเดินทาง นั่นคือเตือนไว้ชัดเจนว่าตัวเลขนี้ไม่ได้แปลว่าการถอดเสียงจะเร็วขึ้น 70 เปอร์เซ็นต์ในทุกสถานการณ์ สิ่งที่ดีขึ้นคือเวลาที่ต้องรอกว่าจะได้ไฟล์ถอดเสียงฉบับสมบูรณ์ และเวลารอนั้นลดลงอย่างมีนัยสำคัญ

ความต่างตรงนี้ควรจำไว้ให้แน่น Time to Final Transcription คือค่าหนึ่งค่าบนชุดทดสอบหนึ่งชุด มันไม่ใช่คำสัญญาเกี่ยวกับไฟล์เสียงของคุณ ความยาวไฟล์ของคุณ เครือข่ายของคุณ ส่วนผสมภาษาของคุณ หรือจำนวนงานที่คุณยิงพร้อมกัน ทีมที่ตั้งงบและตั้งความคาดหวังบนคำว่าเร็วขึ้น 70 เปอร์เซ็นต์ แล้วไปวัดค่าอย่างอื่น จะผิดหวังกับโมเดลที่ทำได้ตรงตามที่ประกาศไว้ทุกประการ

รายงานไม่ได้เผยแพร่ระเบียบวิธีทดสอบเบื้องหลังตัวเลขนั้น ไม่ได้บอกสภาพของไฟล์เสียงที่ใช้ ไม่ได้บอกขนาดตัวอย่าง และไม่ได้บอกสัดส่วนภาษา เมื่อไม่มีข้อมูลเหล่านี้ การอ่านอย่างซื่อสัตย์คืออ่านเป็นทิศทาง ว่าเวลารอสั้นลงมากบนการวัดของบุคคลที่สาม ส่วนตัวเลขที่ตัดสินว่ากระบวนการทำงานของคุณคุ้มหรือไม่ คือตัวเลขที่คุณวัดเอง

การถอดเสียงราคาถูกเปลี่ยนอะไรให้ทีมการตลาด

ไม่มีส่วนใดในรายงานของ Marketing Oops ที่พูดถึง SEO หรือการใช้งานด้านการตลาด สิ่งที่ Google ประกาศคือโมเดลแปลงเสียงเป็นข้อความ ไม่ใช่กลยุทธ์คอนเทนต์ ย่อหน้าถัดจากนี้จึงเป็นการให้เหตุผลต่อยอดจากราคาและฟีเจอร์ที่ประกาศไว้ และควรอ่านในฐานะนั้น

ที่ราคาประมาณ 0.18 บาทต่อนาทีสำหรับการประมวลผลไฟล์ ต้นทุนการเปลี่ยนเสียงพูดให้เป็นข้อความเลิกเป็นรายการงบประมาณ และกลายเป็นเศษเงิน ไฟล์บันทึกการขายรวม 100 ชั่วโมงเท่ากับ 6,000 นาที ซึ่งคิดตามอัตราที่รายงานไว้จะอยู่ที่ราว 30 ดอลลาร์ หรือประมาณ 1,080 บาท เมื่อใช้อัตราแปลงโดยประมาณเดียวกัน ตัวเลขนี้เป็นการคำนวณต่อจากราคาต่อนาทีที่ประกาศไว้ ไม่ใช่ตัวเลขที่ Google ระบุเอง

เมื่อราคาการถอดเสียงพังลงมาแบบนี้ เสียงจำนวนมากที่เคยถูกบันทึกไว้แล้วไม่มีใครกลับไปฟังจะกลายเป็นข้อความที่ค้นหาได้ ทั้งเว็บบินาร์ พอดแคสต์ ไฟล์อบรมสินค้า เวทีเสวนา วิดีโอบน YouTube และไฟล์บันทึกคอลเซ็นเตอร์ ทั้งหมดกลายเป็นเอกสาร และเอกสารเหล่านั้นคือวัตถุดิบของงาน content marketing ที่ตั้งอยู่บนสิ่งที่ลูกค้าและผู้เชี่ยวชาญในบริษัทพูดจริง แทนที่จะตั้งอยู่บนบรีฟคีย์เวิร์ด

การใช้งานสามอย่างต่อไปนี้มาจากรายการฟีเจอร์ ไม่ใช่จากความเพ้อฝัน timestamp ระดับคำคือวัตถุดิบของไฟล์คำบรรยาย ซึ่งสำคัญกับชิ้นงาน โฆษณาบน YouTube ที่คนดูจำนวนมากดูโดยไม่เปิดเสียง ส่วน speaker diarization เปลี่ยนเวทีเสวนาสองชั่วโมงให้กลายเป็นคำพูดที่ระบุเจ้าของได้ และคำถามที่ลูกค้าถามออกมาดัง ๆ ในสายขาย เมื่อกลายเป็นข้อความแล้ว ก็คือแหล่งคอนเทนต์ประเภทคำถามที่ซื่อสัตย์ที่สุดที่บริษัทหนึ่งจะมีได้ เพราะไม่มีใครแต่งขึ้นมาเอง

ข้อสุดท้ายเกี่ยวกับเครื่องมือตอบคำถามด้วยเอไอ ข้อความที่จบในตัวเอง มีรูปทรงเป็นคำถามและคำตอบ และมีความเฉพาะเจาะจง คือข้อความประเภทที่ถูกหยิบไปใช้ในคำตอบของเอไอ ไฟล์ถอดเทปเต็มไปด้วยรูปทรงแบบนั้นอยู่แล้วโดยธรรมชาติ เพราะคำตอบที่พูดออกมาต่อคำถามที่ถูกถามก็เป็นหน่วยที่สมบูรณ์ในตัวมันเอง การเก็บกวาดข้อความเหล่านั้นให้กลายเป็นหน้าเว็บที่เผยแพร่ได้ จึงเป็นเส้นทางที่มีเหตุผลไปสู่การถูกอ้างอิงที่งาน GEO ตามหา ทั้งหมดนี้ Google ไม่ได้พูด แต่มันตามมาจากสิ่งที่โมเดลทำได้

เรื่องนี้หมายความว่าอย่างไรกับนักการตลาดไทย

สิ่งที่เปลี่ยนทันทีคือเสียงภาษาไทยมีเส้นทางเข้าสู่ข้อความที่เป็นทางการ มีราคาชัดเจน และมีเอกสารรองรับ ผ่านโมเดลของผู้ให้บริการรายใหญ่ ในอัตราที่ทำให้การประมวลผลจำนวนมากมีเหตุผลทางธุรกิจ ที่ผ่านมาภาษาไทยมักอยู่ในลำดับรองของการรองรับระบบรู้จำเสียงพูดอัตโนมัติ คือมีอยู่ในความสามารถของโมเดลแต่ไม่อยู่ในรายการอย่างเป็นทางการ การได้อยู่ในรายการ Supported Languages จึงเป็นคำแถลงว่า Google ตั้งใจจะดูแลภาษานี้ต่อไป

โปรเจกต์แรกที่สมเหตุสมผลไม่ใช่ฟีเจอร์สด แต่คือคลังเสียงเก่า บริษัทไทยที่ตั้งมาสักระยะแทบทุกแห่งนั่งทับไฟล์เว็บบินาร์ ไฟล์อบรม และคลังบันทึกสายที่ไม่เคยมีใครอ่าน การประมวลผลไฟล์คือฝั่งที่ฟีเจอร์ครบและราคาถูกที่สุด จึงเป็นฝั่งที่พิสูจน์คุณค่าได้ง่ายที่สุดก่อนที่ใครจะไปสร้างฟีเจอร์แบบเรียลไทม์

มีข้อควรระวังสองข้อวางคู่กันไว้ตรงนี้ ข้อแรก นี่คือสถานะ public preview และ Marketing Oops ไม่ได้รายงานวันที่จะเปิดใช้งานทั่วไป เงื่อนไขและโควตาในช่วง preview เปลี่ยนได้ ข้อสอง รายงานไม่ได้เผยแพร่ตัวเลขความแม่นยำเฉพาะภาษาไทยเลยแม้แต่ตัวเดียว ภาษาไทยได้รับการรองรับอย่างเป็นทางการก็จริง แต่จะทำงานได้ดีแค่ไหนกับสำเนียงของคนในองค์กรคุณ ศัพท์เฉพาะของอุตสาหกรรมคุณ และคุณภาพการอัดเสียงของคุณ เป็นคำถามเชิงประจักษ์ที่การทดลองสั้น ๆ กับไฟล์จริงตอบได้ดีกว่าบทความเปิดตัวใด ๆ

สิ่งที่รายงานไม่ได้บอก

การรายงานที่ตรงไปตรงมาต้องรวมช่องว่างไว้ด้วย Marketing Oops ไม่ได้เผยแพร่วันเปิดใช้งานทั่วไป ไม่ได้เผยแพร่ค่าความผิดพลาดระดับคำสำหรับภาษาไทยหรือภาษาใดก็ตาม ไม่ได้บอกโควตาหรือขีดจำกัดอัตราการเรียกใช้ของทั้งแพ็กเกจฟรีและแพ็กเกจเสียเงิน ไม่ได้บอกเงื่อนไขเรื่องที่ตั้งของข้อมูลหรือระยะเวลาการเก็บข้อมูล และไม่ได้บอกวันที่ Chirp 3 จะหยุดให้บริการ อีกทั้งไม่ได้กล่าวอ้างใด ๆ ว่าโมเดลนี้ควรถูกใช้อย่างไรกับงานการตลาดหรืองานค้นหา ข้อมูลเฉพาะเจาะจงกว่านี้ที่อ่านเจอที่อื่นจึงไม่ได้มาจากรายงานฉบับนี้

คำถามที่พบบ่อย

ภาษาไทยรองรับจริงหรือแค่พอใช้ได้

ภาษาไทยได้รับการรองรับอย่างเป็นทางการ ระบุเป็นรหัส th-TH ในรายการ Supported Languages ร่วมกับภาษาอื่นกว่า 85 ภาษา ตามที่ Marketing Oops รายงานเมื่อวันที่ 27 สิงหาคม 2569 สิ่งที่รายงานไม่ได้ใส่มาคือการวัดความแม่นยำเฉพาะภาษาไทย ดังนั้นการรองรับอย่างเป็นทางการบอกได้ว่า Google ผูกพันกับภาษานี้ แต่ไม่ได้บอกว่าผลลัพธ์จะออกมาดีแค่ไหนกับไฟล์เสียงของคุณ

ถอดคลังเสียงขนาดใหญ่ต้องจ่ายเท่าไหร่

ในแพ็กเกจเสียเงิน การประมวลผลไฟล์อยู่ที่ราว 0.005 ดอลลาร์ต่อนาที หรือประมาณ 0.18 บาท ส่วนสตรีมมิ่ง Live อยู่ที่ราว 0.009 ดอลลาร์ต่อนาที หรือประมาณ 0.32 บาท ตัวเลขเงินบาทเป็นการแปลงค่าโดยประมาณจากราคาที่ประกาศเป็นดอลลาร์ ไม่ใช่ราคาที่ Google ประกาศเป็นบาท และมีแพ็กเกจฟรีให้ใช้ แม้รายงานจะไม่ได้อธิบายขีดจำกัดของแพ็กเกจฟรีไว้

ใช้ทำคำบรรยายสดในงานอีเวนต์ได้ไหม

ได้ ผ่านโมเดล gemini-3.5-transcribe-live ซึ่งเป็นโมเดลสตรีมมิ่งแยกต่างหากที่ทำงานผ่าน WebSocket สำหรับคำบรรยายและอินเทอร์เฟซเสียงที่ต้องการความหน่วงต่ำ ข้อจำกัดที่ต้องวางแผนรอบ ๆ มันคือ speaker diarization และ timestamp ระดับคำยังไม่รองรับในโหมด Live ดังนั้นผลลัพธ์แบบเรียลไทม์จะไม่บอกว่าใครเป็นคนพูด

ถอดเสียงเร็วขึ้น 70 เปอร์เซ็นต์จริงหรือไม่

ไม่ใช่ และแหล่งข่าวระบุเรื่องนี้ไว้ตรง ๆ ผลทดสอบของ Artificial Analysis ที่ Marketing Oops อ้างถึงแสดงว่าค่า Time to Final Transcription ดีขึ้นราว 70 เปอร์เซ็นต์เมื่อเทียบกับรุ่นก่อน และบทความเตือนอย่างชัดเจนว่านี่ไม่ได้แปลว่าการถอดเสียงเร็วขึ้น 70 เปอร์เซ็นต์ในทุกสถานการณ์ สิ่งที่ดีขึ้นคือระยะเวลารอกว่าจะได้ไฟล์ถอดเสียงที่เสร็จสมบูรณ์

ต้องรีบทำอะไรวันนี้หรือเปล่า

ไม่ต้อง นี่คือ public preview ของโมเดลที่เลือกใช้หรือไม่ใช้ก็ได้ และ Marketing Oops ไม่ได้รายงานเส้นตาย ข้อบังคับให้ย้ายระบบ หรือวันเปิดใช้งานทั่วไป Google ระบุว่า Gemini 3.5 Transcribe เป็นรุ่นต่อจาก Chirp 3 แต่รายงานไม่ได้ให้วันที่ Chirp 3 จะหยุดทำงาน ระบบเดิมที่ใช้อยู่จึงยังไม่มีนาฬิกาจับเวลาที่ประกาศออกมา

ถ้ากำลังชั่งใจว่าคลังเสียงภาษาไทยที่มีอยู่คุ้มค่าจะแปลงเป็นข้อความหรือไม่ ก้าวถัดไปที่มีประโยชน์คือก้าวเล็ก ๆ ลองรันไฟล์จริงสักไม่กี่ไฟล์ ทำทั้งสองโหมด แล้วอ่านสิ่งที่ได้กลับมาก่อนจะวางแผนอะไรรอบมัน Relevant Audience ยินดีคุยต่อว่าคอนเทนต์ที่ได้จากคลังนั้นมีมูลค่าอย่างไรเมื่อมันมีตัวตนขึ้นมาแล้ว

ที่มา: Marketing Oops