โดย Insightist™ | เผยแพร่: 6 ตุลาคม 2569 | อ้างอิง: Microsoft AI
สรุปสาระสำคัญ
- MAI เปิดตัว MAI-Transcribe-2-Streaming ที่ได้อันดับ 1 ด้านความแม่นยำบน Artificial Analysis
- โมเดลสร้างเสียงใหม่ 2 ตัวคือ MAI-Voice-2.1 และ MAI-Voice-2.1-Flash รองรับ 23 ภาษา 26 locales
- ข้อความแรกจากตัวถอดเสียงมาภายในเกิน 100ms และรองรับ 60 ภาษา
- ราคาเริ่มที่ $0.54 ต่อชั่วโมงของเสียง (ราคาแนะนำช่วงเปิดตัว ถึงสิ้นปี 2026)
ตอนคุยกับบอทเสียงแล้วมันเงียบไปพักหนึ่งก่อนตอบ ใครเจอแบบนี้จะรู้ว่าบทสนทนาเสียจังหวะไปเลย ข่าว AI โดย Insightist™ วันนี้เล่าถึงชุดโมเดลเสียงจาก MAI ที่ตั้งใจเก็บช่วงเงียบตรงนั้นให้หายไป
MAI-Transcribe-2-Streaming คืออะไร และเร็วแค่ไหน?
เป็นโมเดลถอดเสียงเป็นข้อความแบบเรียลไทม์ รองรับ 60 ภาษา และตรวจจับภาษาต่อเนื่องให้อัตโนมัติ MAI ระบุว่าได้อันดับ 1 ด้านความแม่นยำทั้งข้อความฉบับสุดท้ายและข้อความระหว่างทาง (partials) บน Artificial Analysis และอยู่บน Pareto frontier ของความแม่นยำเทียบกับ latency
โมเดลนี้ไม่รอให้คนพูดจบ มันส่งข้อความเดาชุดแรกภายในเกิน 100ms แล้วแก้ให้ถูกขึ้นเมื่อได้บริบทเพิ่ม ทำให้ voice agent เริ่มคิดหรือเรียก tools กลางประโยคได้ ส่วนงานอย่างซับไตเติ้ลสด MAI บอกว่าจากการประเมินภายใน คำขึ้นเร็วกว่าคู่แข่งที่ใกล้ที่สุด 2 เท่า
MAI-Voice-2.1 ต่างจากเสียงสังเคราะห์ทั่วไปตรงไหน?
ต่างที่เสียงเดียวใช้ได้ทุกภาษา รองรับ 23 ภาษา 26 locales และเปลี่ยนสำเนียงตามเจ้าของภาษาโดยยังเป็นคนพูดคนเดิม สั่งให้พูดอังกฤษ จีนกลาง แล้วเยอรมัน เสียงยังจำได้ว่าเป็นคนเดิม แอปติวจึงสลับภาษากลางบทเรียนได้โดยไม่ต้องเปลี่ยนครู
ทั้ง MAI-Voice-2.1 และ Flash โคลนเสียงได้ทุกภาษาที่รองรับ โดยใช้เสียงต้นฉบับแค่ไม่กี่วินาที และมีระบบป้องกันการใช้ผิดวัตถุประสงค์ในตัว
MAI-Voice-2.1-Flash เหมาะกับงานแบบไหน และราคาเท่าไร?
เหมาะกับงานปริมาณมากที่ไวต่อ latency Flash สร้างเสียงยาว 45 วินาทีด้วย latency แบบ end to end 150ms เร็วขึ้นด้าน inference 55% และถูกกว่าโมเดลที่เทียบกันได้ราว 60% ภาษาและเสียงข้ามภาษาเหมือนตัวปกติทุกอย่าง ราคาของทั้งชุดเป็นดังนี้
MAI-Transcribe-2-Streaming ราคา $0.54 ต่อชั่วโมงของเสียง (ราคาแนะนำช่วงเปิดตัว ถึงสิ้นปี)
- MAI-Voice-2.1 ราคา $22 ต่อ 1M ตัวอักษร
- MAI-Voice-2.1-Flash ราคา $15 ต่อ 1M ตัวอักษร
เอาไปทำอะไรได้บ้าง และธุรกิจไทยควรมองยังไง?
MAI ยกตัวอย่าง 3 งานคือ ตัวแทนบริการลูกค้าที่เริ่มทำงานก่อนผู้โทรพูดจบ ผู้ช่วยหลายภาษาที่ตอบด้วยเสียงเดิมและสำเนียงท้องถิ่น และสื่อการเรียนรู้ที่ใช้ผู้พูดหลายเสียงในทุกภาษา
ในมุมธุรกิจไทย ลองคิดเลขง่ายๆ ถ้าถอดเสียงสายลูกค้า 100 ชั่วโมงที่ราคาโปรช่วงเปิดตัว ค่าถอดเสียงอยู่ที่ราว $54 ตัวเลขนี้ Insightist™ คำนวณเองจากราคาในต้นฉบับ ยังไม่รวมค่าโมเดลคิดคำตอบและค่าสร้างเสียง และอย่าลืมว่าต้นฉบับยังไม่ระบุว่ามีภาษาไทยในรายชื่อภาษาหรือไม่ ต้องเช็คก่อนวางแผนจริง
ตอนนี้ลองอะไรได้เลย MAI มีเดโม Chatter ใน MAI Playground ให้ดูโมเดลทั้งสามทำงานร่วมกันสด ควรทดสอบกับไฟล์เสียงจริงของทีมก่อนตัดสินใจ และรีบประเมินให้เสร็จก่อนราคาโปรของตัวถอดเสียงหมดสิ้นปีนี้
คำถามที่พบบ่อย (FAQs)
Q: ใช้ผ่านช่องทางไหนได้บ้าง?
A: MAI-Voice-2.1 และ MAI-Voice-2.1-Flash ใช้ผ่าน OpenRouter ได้ ส่วนทั้งสามโมเดลใช้ผ่าน Microsoft Foundry, MAI Playground, Vercel และ Azure Voice Live ได้ ส่วน LiveKit เป็นข่าวว่าเร็วๆ นี้
Q: โคลนเสียงแบรนด์ได้ไหม และปลอดภัยแค่ไหน?
A: ได้ ใช้เสียงต้นฉบับแค่ไม่กี่วินาที ใช้ได้ทุกภาษาที่รองรับ และมี guardrails ด้านการยินยอมในตัวเพื่อกันการนำไปใช้ผิด
Q: ถอดเสียงเรียลไทม์ต่างจากถอดเสียงทั่วไปยังไง?
A: ตัวทั่วไปรอคนพูดจบก่อนค่อยส่งข้อความ ส่วนตัวนี้ส่งข้อความเดาชุดแรกใน 100ms แล้วปรับให้ถูกขึ้นเรื่อยๆ ระหว่างที่ยังพูดอยู่
Q: รองรับภาษาไทยไหม?
A: ต้นฉบับยังไม่ระบุรายชื่อภาษา ควรเช็คเอกสารของ MAI หรือ Microsoft Foundry ก่อนตัดสินใจ
ถ้าคุณสนใจข่าวสารนี้ ให้ Add Line OA เพิ่ม: https://lin.ee/ulsmCKk หรือ @nhx2358e
