ใช้ได้อยู่แล้ววันนี้
- สถานะเป็นพรีวิวสาธารณะ หรือ public preview แปลง่าย ๆ ว่าเปิดให้ทุกคนเข้าไปลองได้เลย (Microsoft AI)
- ใช้ได้ผ่าน Microsoft Foundry, MAI Playground และ Open Router (Microsoft AI)
ราคาและภาษา
- ราคาเปิดตัว 0.10 ดอลลาร์ต่อชั่วโมงเสียง เป็นข้อเสนอจำกัดเวลาถึงสิ้นปี 2026 ตัวเลขที่ไมโครซอฟต์ประกาศเอง (Microsoft AI)
- รองรับ 60 ภาษา และตรวจให้เองว่าไฟล์เสียงเป็นภาษาอะไร (Microsoft AI)
- เทียบให้เห็นภาพ รุ่นแรกที่เปิดช่วงเม.ย. ราคา 0.36 ดอลลาร์ต่อชั่วโมงและมี 25 ภาษา รุ่นนี้ถูกลงและคลุมภาษาเพิ่มขึ้นชัดเจน (Microsoft AI)
ฟีเจอร์ที่ช่วยงานจริง
- แยกผู้พูด คือบอกว่าใครพูดตอนไหน เหมาะกับไฟล์ประชุมหรือสัมภาษณ์สองคนขึ้นไป (Microsoft AI)
- เวลาต่อคำ หรือ word-level timestamps คือบอกว่าแต่ละคำอยู่ตรงไหนของคลิป เอาไปทำซับตำแหน่งเวลาได้เลย (Microsoft AI)
- บังคับคำสำคัญ หรือ keyword biasing คือใส่ศัพท์เฉพาะไว้ล่วงหน้า ให้ชื่อคน ชื่อยา ชื่อบริษัทถอดไม่พลาด (Microsoft AI)
- เลือกสไตล์ได้สองแบบ ถอดตรงตัวทุกคำ หรือถอดแบบเกลาให้อ่านง่าย (Microsoft AI)
- สลับภาษาในประโยคเดียวได้ อย่างคนไทยพูดปนอังกฤษ (Microsoft AI)
- ทนเสียงรบกวน อยู่ที่ไหนเสียงดังก็ยังถอดได้ (Microsoft AI)
ตัวเลขที่บริษัทยกมา
- อันดับ 1 บนชุดทดสอบ FLEURS เฉลี่ย 60 ภาษา โดยค่า Word-Error-Rate คืออัตราคำผิดตอนถอดเสียง เฉลี่ยอยู่ที่ 5.2 เปอร์เซ็นต์ เป็นตัวเลขที่ไมโครซอฟต์รายงานเอง (Microsoft AI)
- อันดับ 2 บนตาราง Word-Error-Rate ของ Artificial Analysis และขึ้นหน้าสุดของ Pareto Frontier ด้านความแม่นกับความหน่วง พูดง่าย ๆ ว่าเร็วสุดกับแม่นสุดไปพร้อมกันได้ดีที่สุดในตาราง (Microsoft AI อ้าง Artificial Analysis)
- จากผลทดสอบของ Artificial Analysis ที่ไมโครซอฟต์อ้างไว้ เร็วกว่า GPT-Transcribe ของ OpenAI ราว 10 เท่า เร็วกว่า Scribe v2 ของ ElevenLabs ราว 7 เท่า เร็วกว่า Gemini 3.5 Transcribe ราว 5 เท่า และแม่นกว่าทั้งสามแบบ (Artificial Analysis)
สรุป
ตัวนี้ไม่ใช่แชทบอท แต่เป็นเครื่องมือถอดเสียงโดยเฉพาะ และไม่ใช่ VibeVoice-ASR-Streaming ที่ไมโครซอฟต์เปิดให้ใช้ไปก่อนหน้านี้ ถ้างานไหนต้องเปลี่ยนเสียงเป็นข้อความทุกวัน ลองพรีวิวนี้ได้เลย
แหล่ง: Microsoft AI · 3 ก.ย. 2026