Local AI Weekly #10: เปลี่ยนเสียงเป็นข้อความด้วย Local AI
ผมเคยพูดไว้ในอดีตและขอเน้นย้ำอีกครั้งว่า เสียงจะเป็นวิธีการป้อนข้อมูลที่เป็นที่ต้องการมากที่สุดในอนาคต ไม่ว่าจะเป็นบนสมาร์ทโฟนหรือคอมพิวเตอร์เดสก์ท็อป
การใช้เสียงถือเป็นหนึ่งในกรณีการใช้งานที่ดีที่สุดสำหรับ Local AI เนื่องจากโมเดลเสียงมีขนาดเล็กพอที่จะรันบนแล็ปท็อปทั่วไปได้ ที่สำคัญคือเสียงเป็นข้อมูลส่วนตัวที่สำคัญมาก คุณคงไม่ต้องการให้ทุกประโยคที่พูดพึมพำถูกส่งไปยังเซิร์ฟเวอร์ของคนอื่นเพื่อใช้ฝึกฝน AI ของพวกเขา
🐧 Linux ได้รับระบบเสียง (ขาเข้า)
Ubuntu 26.10 ได้เริ่มติดตั้ง Myna ซึ่งเป็นเครื่องมือ Speech-to-Text จาก Canonical มาให้ในตัว เพียงแค่กดปุ่มลัดแล้วพูด ข้อความก็จะปรากฏขึ้นในแอปที่กำลังใช้งานอยู่ทันที
ตัวระบบรันผ่าน Parakeet, Whisper หรือ FunASR แบบ Local ทำให้ไม่จำเป็นต้องใช้อินเทอร์เน็ตหลังจากดาวน์โหลดโมเดลเสร็จสิ้น
นอกจาก Myna ยังมีเครื่องมืออื่นอย่าง Vocalinux และ TuxTalk รวมถึงเครื่องมือเชิงพาณิชย์อย่าง Superwhisper ที่มีให้ใช้งานบน Linux เช่นกัน แม้ว่าบางตัวอาจไม่ได้เป็น Local อย่างแท้จริง
เครื่องมือเขียนตามคำบอกส่วนใหญ่มักทำงาน 4 ขั้นตอน เริ่มจากตรวจจับการพูดและตัดช่วงเงียบทิ้ง จากนั้นใช้โมเดลเสียงอย่าง Whisper หรือ Parakeet เปลี่ยนเสียงเป็นข้อความดิบ (raw text) บางเครื่องมืออาจส่งข้อความต่อไปยัง Local LLM เพื่อจัดรูปแบบและเครื่องหมายวรรคตอน ก่อนจะพิมพ์ผลลัพธ์ลงในหน้าต่างที่ใช้งาน
อย่างไรก็ตาม ขั้นตอนการปรับแก้ (cleanup) เป็นเพียงตัวเลือกเสริมที่ต้องแลกมาด้วยการใช้ RAM มากขึ้นและระยะเวลาการรอคอยที่นานขึ้น สำหรับข้อความสั้นๆ ผลลัพธ์ดิบจาก Whisper มักจะเพียงพอต่อการใช้งานแล้ว
🔍 ค้นพบเครื่องมือ AI
WhisPaste 1.5 เปิดตัวเมื่อวันที่ 16 พฤศจิกายน แอปที่ใช้ลิขสิทธิ์ MIT นี้สามารถถอดความบนเครื่องผ่าน whisper.cpp หรือ Parakeet ได้โดยตรง เวอร์ชันใหม่รองรับการ ถอดความจากไฟล์เสียงและวิดีโอ แบบ Local ได้หลากหลายนามสกุล เช่น MP3, FLAC, MKV และ WebM พร้อมระบบจัดเก็บประวัติแบบเข้ารหัส
Koe เป็นเครื่องมือที่ใช้ Local LLM ช่วยปรับแก้ข้อความ เขียนด้วยภาษา Rust และใช้ลิขสิทธิ์ MIT โดยส่งข้อมูลผ่าน whisper.cpp และจัดระเบียบข้อความด้วยโมเดลใน Ollama แม้นักพัฒนาจะสร้างขึ้นเพื่อการเขียนภาษาญี่ปุ่นบน Ubuntu แต่ก็รองรับทุกภาษาที่ Whisper ทำได้
🧪 บนโต๊ะทำงานของผม
ผมใช้ระบบนิเวศของ Proton ที่ It's FOSS ทั้ง บริการอีเมล, VPN, พื้นที่เก็บข้อมูล และตัวจัดการรหัสผ่าน ซึ่งทั้งหมดสร้างขึ้นบนพื้นฐานความเป็นส่วนตัว
Proton ยังมี AI ส่วนตัวที่ชื่อว่า Lumo ซึ่งตอนแรกดูเหมือนจะเป็นแค่ Chatbot ทั่วไปที่ไม่ได้มีประโยชน์มากนักเมื่อเทียบกับ ChatGPT ในปี 2024
ทว่าล่าสุด Proton ได้ปรับปรุง Lumo ใหม่ด้วยแอปเดสก์ท็อป เพิ่มความสามารถในการเชื่อมต่อทักษะ (skills) และการเข้าถึงไฟล์ระบบรวมถึง shell ทำให้มันมีประโยชน์ขึ้นมากในการช่วยคัดแยกอีเมลหรือจัดการ GitHub โดยที่ข้อมูลยังคงเป็นส่วนตัว
🗂 ศัพท์เฉพาะ AI: VAD
VAD ย่อมาจาก Voice Activity Detection คือโมเดลขนาดจิ๋วที่คอยฟังไมโครโฟนเพื่อแยกแยะว่าเสียงที่เข้ามาเป็นคำพูด หรือเป็นเพียงเสียงรบกวนอย่างเสียงพัดลมหรือคีย์บอร์ด
เครื่องมือเขียนตามคำบอกใช้ VAD เพื่อตัดความเงียบก่อนส่งไปประมวลผล ช่วยให้ถอดความได้เร็วขึ้นและลดข้อผิดพลาดจาก Whisper ที่มักจะ "จินตนาการ" คำพูดขึ้นมาเองในความเงียบ โดย Silero VAD เป็นตัวเลือกที่นิยมและมีอยู่ใน Koe ด้วย
⚡ เคล็ดลับด่วน
ในการเลือกโมเดล Whisper สำหรับเขียนตามคำบอก โมเดลที่ใหญ่กว่าไม่ได้ดีกว่าเสมอไป หากคุณใช้งานเฉพาะภาษาอังกฤษ ควรเลือกโมเดลที่ลงท้ายด้วย .en เช่น base.en หรือ small.en เพราะจะให้ความแม่นยำสูงกว่าโมเดลหลายภาษาในขนาดที่เท่ากัน
สำหรับแล็ปท็อปที่ไม่มี GPU แรงๆ แนะนำให้เริ่มจาก small.en และจะขยับรุ่นขึ้นเมื่อพบข้อผิดพลาดบ่อยครั้งเท่านั้น เพราะโมเดลที่ประมวลผลช้าจนน่ารำคาญจะมีผลเสียมากกว่าคำที่พิมพ์ผิดเพียงเล็กน้อย
เจอกันสัปดาห์หน้า 🙂
ความคิดเห็น (0)
เข้าสู่ระบบเพื่อร่วมแสดงความเห็น
สมัครสมาชิกมาเป็นคนแรกที่แสดงความเห็นกันเลยโบร
