ตัวนี้คืออะไร ทำอะไรได้
- เป็นระบบฟังเสียงแล้วถอดออกมาเป็นข้อความ หรือที่เรียกว่า ASR แบบทำสดระหว่างที่เสียงกำลังพูดอยู่ และแยกให้รู้ว่าประโยคไหนเป็นคำพูดของใคร (Microsoft)
- รับคำเฉพาะที่ผู้ใช้พิมพ์ใส่เองได้ เรียกว่า hotword ช่วยให้จับชื่อคนหรือศัพท์เทคนิคได้แม่นขึ้น (Microsoft)
รองรับ 10 ภาษา แต่ยังไม่มีภาษาไทย
- ภาษาที่ใช้ได้มี จีน อังกฤษ ฝรั่งเศส เยอรมัน อิตาลี ญี่ปุ่น เกาหลี โปรตุเกส รัสเซีย และสเปน (Microsoft)
- ภาษาไทยยังไม่อยู่ในรายชื่อทางการตอนเปิดตัว (Microsoft)
ออกมาสองขนาด แต่ชื่อรุ่นกับตัวเลขจริงไม่ตรงกัน
- แจกมาสองเช็กพอยต์ คือ VibeVoice-ASR-Streaming-1.5B กับรุ่นใหญ่กว่าที่ชื่อ 7B (Microsoft)
- แต่พอไปดูหน้าชุดน้ำหนักบนเว็บฮักกิงเฟซ ขนาดจริงที่แสดงไว้ราว 3B กับ 9B ตามลำดับ (Microsoft)
โหลดฟรี ใช้ได้เลย
- น้ำหนักแบบ BF16 เปิดให้โหลดฟรีภายใต้ใบอนุญาต MIT พร้อมโค้ดบน GitHub และมีหน้าเดโมบน Space ให้เข้าไปทดลองได้ (Microsoft)
- ตอนเปิดตัวยังไม่มีผู้ให้บริการช่วยรันโมเดลให้เรียกใช้บนฮักกิงเฟซ (Microsoft)
- ตัวโมเดลทำได้แค่ถอดเสียงอย่างเดียว ไม่ใช่โมเดลไว้คุยแชต ไม่ใช่บริการเรียกใช้แบบคิดเงิน จึงยังไม่มีราคา API ทางการ (Microsoft)
สเปคจากรายงานเทคนิค
- รับเสียงทีละช่วง 2.9 วินาที มองล่วงหน้า 0.5 วินาที และคาดว่าต้องรอ 2.0 วินาทีก่อรู้ว่าใครเป็นคนพูด (รายงานเทคนิค)
- แต่ละเช็กพอยต์รับไฟล์เสียงยาวได้สูงสุด 8 นาที และจัดคิวข้อมูลได้ 8,192 โทเคน (รายงานเทคนิค)
สรุป
ไมโครซอฟต์แจกโมเดลถอดเสียงสดสองขนาดให้ใช้ฟรี รองรับ 10 ภาษาแต่ยังไม่มีภาษาไทย
แหล่ง: ไมโครซอฟต์รีเสิร์ช / ฮักกิงเฟซ · 3 ก.ย. 2026