VoiceScribe: โปรแกรม AI ถอดเสียงเป็นข้อความ แบบออฟไลน์ ฟรีสำหรับ Windows

VoiceScribe คือโปรแกรมถอดเสียงเป็นข้อความสำหรับ Windows ที่พัฒนาโดย Yangshu (YANGSHU CO., LTD) ซึ่งประมวลผลการรู้จำเสียงพูด (speech recognition) และการแยกผู้พูด (speaker diarization) บนเครื่องของผู้ใช้แบบออฟไลน์ทั้งหมด แปลงไฟล์วิดีโอหรือไฟล์เสียงให้กลายเป็นสคริปต์ข้อความที่ระบุผู้พูดและเวลากำกับ พร้อมส่งออกเป็นเอกสาร Word ที่จัดรูปแบบเรียบร้อยหรือไฟล์ซับไตเติล โมเดลทั้งหมดถูกรวมไว้ในตัวติดตั้งและทำงานบนเครื่องผู้ใช้ ไฟล์เสียงจึงไม่ถูกอัปโหลดไปที่ใด ไม่ต้องสมัครสมาชิก ไม่มีการเก็บข้อมูล และสามารถถอดเสียงได้แม้ไม่มีการเชื่อมต่ออินเทอร์เน็ต

เมื่อได้สคริปต์แล้ว VoiceScribe จะส่งต่อสคริปต์นั้นเข้าสู่ ขั้นตอน AI แบบเปิด ผู้ใช้กรอก API Key ของตนเอง (OpenAI, Gemini, Claude หรือรายอื่น) เลือกโมเดลที่ต้องการ และ เขียนพรอมป์ต (Prompt) ของตนเองเพื่อกำหนดว่าสคริปต์นี้จะกลายเป็นอะไร ไม่ว่าจะเป็นรายงานการประชุม สรุปเนื้อหาการเรียนการสอน บทสัมภาษณ์ที่เรียบเรียงแล้ว ซับไตเติลหลายภาษา โครงร่างเนื้อหา หรือรูปแบบอื่นใดตามต้องการ ผู้ใช้จึงไม่ถูกจำกัดอยู่กับเทมเพลตสำเร็จรูปเพียงไม่กี่แบบ

โปรแกรมนี้เหมาะกับทุกงานที่ต้องเปลี่ยนไฟล์บันทึกเสียงยาว ๆ ให้กลายเป็นข้อความที่ใช้งานได้จริง ทั้งการประชุมภายในองค์กร การเรียนการสอนและการอบรม การสัมภาษณ์ทางกฎหมาย งานข่าว ตลอดจนการผลิตพอดแคสต์และวิดีโอ

Yangshu เป็นผู้พัฒนาซอฟต์แวร์องค์กรและระบบไอทีแบบสั่งทำ ซึ่งมีฐานอยู่ในประเทศไทยและมีศูนย์วิจัยและพัฒนาทั้งในไทยและจีน ขอบเขตงานครอบคลุมระบบ ERP เฉพาะอุตสาหกรรม ซอฟต์แวร์เพิ่มประสิทธิภาพการผลิต โซลูชัน AI ที่ใช้งานได้จริง และระบบอัตโนมัติ RPA โดย VoiceScribe เป็นโครงการที่บริษัทพัฒนาและเปิดให้ใช้งานฟรี

VoiceScribe แก้ปัญหาอะไร

แก้ปัญหาที่ทุกคนเจอแต่แทบไม่มีใครแก้ได้จริง นั่นคือการถอดเทปที่กินเวลามหาศาล โดยไม่บังคับให้ผู้ใช้ส่งไฟล์เสียงออกไปไหน

อัตราส่วนที่ใช้กันในวงการถอดเทปคือประมาณ 4:1 ถึง 6:1 กล่าวคือ เสียงความยาว 1 ชั่วโมงต้องใช้เวลาของผู้ถอดเทปมืออาชีพราว 4–6 ชั่วโมงจึงจะได้สคริปต์ที่ใช้งานได้ ส่วนผู้ที่ทำเองโดยไม่มีประสบการณ์มักใช้เวลา 5–8 ชั่วโมง (อ้างอิง: Rev, GMR Transcription) หากมีผู้พูดหลายคน มีสำเนียง หรือมีเสียงรบกวน อัตราส่วนนี้จะยิ่งสูงขึ้น การประชุมสองชั่วโมงจึงเท่ากับการทำงานด้วยมืออีกหนึ่งบ่าย

ขณะเดียวกัน จำนวนการประชุมก็เพิ่มขึ้นเรื่อย ๆ รายงาน Work Trend Index ปี 2025 ของ Microsoft ซึ่งวิเคราะห์จากสัญญาณการใช้งาน Microsoft 365 ระบุว่า 30% ของการประชุมในปัจจุบันครอบคลุมหลายเขตเวลา เพิ่มขึ้น 8 จุดเปอร์เซ็นต์เมื่อเทียบกับปี 2021 ส่วนการประชุมที่เริ่มหลังสองทุ่มเพิ่มขึ้น 16% เมื่อเทียบกับปีก่อนหน้า (Microsoft WorkLab) นอกจากนี้ ผลสำรวจก่อนหน้ายังพบว่า 56% ของผู้ตอบแบบสอบถามรู้สึกว่าการสรุปสาระสำคัญของการประชุมเป็นเรื่องยาก และ 80% ต้องการให้ AI ช่วยสรุปการประชุมและรายการงานที่ต้องทำต่อ (Microsoft Work Trend Index) ความต้องการจึงชัดเจน คำถามอยู่ที่ว่าจะตอบสนองด้วยวิธีใด

เป้าหมายการออกแบบของ VoiceScribe จึงเกิดขึ้นจากจุดนี้ เริ่มจากการเปลี่ยนไฟล์บันทึกเสียงให้เป็น "สคริปต์" ที่มีโครงสร้างชัดเจน ว่าใครพูด พูดเมื่อนาทีใด และพูดว่าอะไร จากนั้นจึงให้ AI แปลงสคริปต์นั้นเป็นผลลัพธ์ที่ผู้ใช้ต้องการจริง ๆ

หลังถอดเสียงแล้ว สคริปต์หนึ่งชุดกลายเป็นอะไรได้บ้าง

ขึ้นอยู่กับพรอมป์ตที่ผู้ใช้เขียน และนี่คือเหตุผลที่ VoiceScribe เปิดขั้นตอน AI ให้ผู้ใช้กำหนดเอง

เครื่องมือถอดเสียงส่วนใหญ่ฝังปุ่มสำเร็จรูปไว้ไม่กี่ปุ่ม เช่น "สร้างรายงานการประชุม" หรือ "สรุปเนื้อหา" ซึ่งเบื้องหลังคือพรอมป์ตที่เขียนตายตัว วิธีนี้เพียงพอสำหรับการประชุมทั่วไป แต่งานจริงไม่ได้เป็นมาตรฐานขนาดนั้น การสรุปเนื้อหาการบรรยาย การสกัดข้อค้นพบจากการสัมภาษณ์ผู้ใช้ การรวบรวมข้อโต้แย้งจากการโทรขาย หรือการดึงประเด็นติดตามผลจากการสนทนาระหว่างแพทย์กับผู้ป่วย ล้วนต้องการโครงสร้างที่แตกต่างกันโดยสิ้นเชิง

แนวทางของ VoiceScribe จึงเป็นดังนี้ สคริปต์คือวัตถุดิบ พรอมป์ตคือสูตร และผู้ใช้เป็นผู้เขียนสูตรนั้นเอง

ความยืดหยุ่นที่มาพร้อมกันยังรวมถึง

• เลือกโมเดลได้เอง ทั้ง OpenAI, Gemini, Claude และรายอื่น โดยเลือกให้เหมาะกับความยากของงานและงบประมาณ งานสรุปง่าย ๆ ใช้โมเดลขนาดเล็กที่ราคาถูก ส่วนเอกสารยาวและซับซ้อนจึงใช้โมเดลที่มีความสามารถสูง
• ควบคุมค่าใช้จ่ายได้เอง ปริมาณการใช้งานถูกเรียกเก็บโดยผู้ให้บริการ AI ของผู้ใช้โดยตรง เราไม่ได้เป็นตัวกลาง ไม่บวกราคา และไม่ขายต่อโทเคน
• นำกลับมาใช้ซ้ำได้ เมื่อปรับพรอมป์ตจนได้ผลลัพธ์ที่พอใจแล้ว สามารถบันทึกไว้ใช้กับไฟล์ประเภทเดียวกันในครั้งถัดไป

และหากไม่กรอก API Key ก็ยังใช้งานได้ ขั้นตอนการถอดเสียงเป็นข้อความไม่จำเป็นต้องเชื่อมต่ออินเทอร์เน็ตและไม่ต้องใช้ API Key แต่อย่างใด

ใครใช้ VoiceScribe บ้าง: ผู้ใช้หลัก 6 กลุ่ม

จุดร่วมมีเพียงข้อเดียว ไฟล์บันทึกเสียงยาว และสิ่งที่ต้องการไม่ใช่ข้อความกองใหญ่ แต่คือผลลัพธ์ที่นำไปใช้ได้ทันที

ขั้นตอนการใช้งาน: 4 ขั้นตอน พร้อมอีกหนึ่งขั้นตอนที่เลือกได้

1. ลากไฟล์ วิดีโอหรือไฟล์เสียงเข้าโปรแกรม โดยไม่ต้องแปลงฟอร์แมตล่วงหน้า
2. เลือกโมเดล โมเดล "fast" รองรับ 5 ภาษาหลักที่ใช้บ่อยด้วยความเร็วสูง ส่วนโมเดล "multilingual" รองรับ 31 ภาษา
3. รอ ให้การถอดเสียงและการแยกผู้พูดทำงานบนเครื่องจนเสร็จ แถบแสดงความคืบหน้าจะประเมินเวลาแบบระมัดระวัง และจะแม่นยำขึ้นเมื่อใช้งานไปเรื่อย ๆ
4. ส่งออก เป็นเอกสาร Word หรือไฟล์ซับไตเติล

จนถึงขั้นตอนนี้ ไม่ต้องสมัครสมาชิก และไม่ต้องเชื่อมต่ออินเทอร์เน็ต

ขั้นตอนที่เลือกได้ กรอก API Key ของผู้ใช้เองในหน้าตั้งค่า เขียนพรอมป์ตที่ต้องการ แล้วให้ AI แปลงสคริปต์เป็นรายงานการประชุม บทสรุป หรือซับไตเติลที่แปลแล้ว โดย Key จะถูกเก็บไว้บนเครื่อง และคำขอจะถูกส่งจากเครื่องของผู้ใช้ไปยังผู้ให้บริการที่เลือกไว้โดยตรง

คุณภาพของซับไตเติลที่ VoiceScribe สร้างเป็นอย่างไร

อยู่ในเกณฑ์ดี เพราะเรายึดหลักการเดียว คือให้ AI รับผิดชอบด้านภาษา และให้โปรแกรมคำนวณข้อมูลเวลาตามมาตรฐานของอุตสาหกรรม

เวลาของซับไตเติลแทบไม่มีพื้นที่ให้ผิดพลาด ตัวอย่างเช่น Timed Text Style Guide ของ Netflix กำหนดให้ซับไตเติลแต่ละรายการแสดงผลอย่างน้อย 5/6 วินาที (เท่ากับ 20 เฟรมที่ 24fps) และไม่เกิน 7 วินาที ต้องเว้นช่องว่างระหว่างรายการอย่างน้อย 2 เฟรม ความเร็วในการอ่านสำหรับเนื้อหาผู้ใหญ่อยู่ที่ประมาณ 17 ตัวอักษรต่อวินาที และจำกัดไม่เกิน 42 ตัวอักษรต่อบรรทัด สูงสุดสองบรรทัดต่อรายการ (Netflix Partner Help Center, แนวทางการกำหนดเวลาซับไตเติล) ความแม่นยำระดับนี้ไม่อาจรับประกันได้ด้วยการเขียนพรอมป์ตสั่งโมเดลว่า "ห้ามแก้ไขไทม์โค้ด"

สิ่งที่เราพบจากการทดสอบจริงคือ ไม่ว่าจะกำหนดเงื่อนไขในพรอมป์ตรัดกุมเพียงใด เมื่อใดที่โมเดลภาษาได้แตะตัวเลขเวลา ก็จะเกิดปัญหาตามมา ทั้งการคัดลอกตัวเลขผิด การปรับเวลาเองโดยไม่ได้รับคำสั่ง หรือการตกบรรทัดจนทำให้รายการถัดไปทั้งหมดเคลื่อน จากบทเรียนนี้จึงเกิดเป็นหลักการออกแบบของฟีเจอร์นี้

ให้ AI ทำในสิ่งที่มันถนัด และดึงสิ่งที่มันทำได้ไม่ดีกลับมาไว้กับโปรแกรม

• สิ่งที่มอบให้ AI คือความเข้าใจภาษา ได้แก่ การตัดคำฟุ่มเฟือย การเรียบเรียงประโยคพูดที่ขาดตอน และการแปลเป็นภาษาอื่น
• สิ่งที่ไม่มอบให้ AI คือข้อมูลเวลาทั้งหมด โมเดลจะเห็นเฉพาะข้อความและไม่เห็นไทม์โค้ดเลย ส่วนกำหนดว่าซับไตเติลแต่ละรายการจะปรากฏเมื่อใดและค้างอยู่นานเท่าใดนั้น โปรแกรมเป็นผู้คำนวณตามมาตรฐานข้างต้น

ขอบเขตนี้ยังให้ประโยชน์ในทางปฏิบัติอีกข้อหนึ่ง เมื่อโปรแกรมเป็นผู้ควบคุมไทม์ไลน์ ผู้ใช้จึงสามารถสั่งแก้ไขข้อความในพรอมป์ตได้อย่างเต็มที่ ไม่ว่าจะเขียนใหม่ ตัดให้สั้นลง เปลี่ยนน้ำเสียง หรือเปลี่ยนภาษา โดยไม่กระทบโครงสร้างเวลาของซับไตเติล ในกรณีที่แย่ที่สุด ผู้ใช้ก็ยังได้ซับไตเติลที่เวลาถูกต้องแม่นยำ เพียงแต่ถ้อยคำอาจยังไม่ได้รับการขัดเกลาเท่านั้น

หลักการนี้ไม่ได้จำกัดอยู่เฉพาะงานซับไตเติล ประสบการณ์จากโครงการองค์กรของเราสอดคล้องกัน กล่าวคือ เงื่อนไขที่ทำให้ AI ใช้งานได้จริงไม่ใช่การโยนทุกอย่างให้มันทำ แต่คือการขีดเส้นให้ชัดว่าสิ่งใดควรอาศัยความสามารถทางภาษาของ AI และสิ่งใดควรปล่อยให้เป็นหน้าที่ของโปรแกรมที่ทำงานอย่างแน่นอนตายตัว

ทำไม VoiceScribe จึงเปิดให้ใช้ฟรี

เพราะเป็นโครงการที่สะท้อนตัวตนของ Yangshu ไม่ใช่โครงการที่มุ่งสร้างรายได้

ธุรกิจหลักของ Yangshu คือการพัฒนาซอฟต์แวร์องค์กรแบบสั่งทำ ทั้งระบบ ERP เฉพาะอุตสาหกรรม ซอฟต์แวร์เพิ่มประสิทธิภาพการผลิต โซลูชัน AI และระบบอัตโนมัติ RPA แทนที่จะใช้งบไปกับการโฆษณา เราเลือกสร้างเครื่องมือที่เป็นประโยชน์จริงต่อผู้ใช้ ใช้งานได้เต็มรูปแบบ ไม่ต้องสมัครสมาชิก และไม่มีกำแพงค่าบริการ ผู้ที่ใช้แล้วรู้สึกว่าดีย่อมจดจำผู้พัฒนาได้เอง ซึ่งได้ผลกว่าการซื้อโฆษณา

การให้ผู้ใช้นำ API Key มาเอง (BYOK) ยังทำให้เรื่องนี้เรียบง่ายขึ้นสำหรับผู้ใช้ด้วย เพราะเราไม่ได้เป็นคนกลางขายโทเคน ปริมาณการใช้งานถูกเรียกเก็บโดยผู้ให้บริการ AI โดยตรงในราคาตลาด และผู้ใช้เปลี่ยนโมเดลได้ตลอดเวลา ส่วนตัวโปรแกรมยังคงให้ใช้ฟรีเช่นเดิม

ดาวน์โหลด VoiceScribe

ดาวน์โหลดฟรี: https://yangshu.io/en/tools/voicescribe ความต้องการของระบบ: Windows 10 / 11 แบบ 64 บิต ไม่ต้องสมัครสมาชิก และการถอดเสียงไม่จำเป็นต้องเชื่อมต่ออินเทอร์เน็ต