ถอดเสียงไทย · Thai Voice Transcription
หลักการคือ "ต้องมีเฉลยถูกก่อน แล้วค่อย train" — สะสม ground truth เสียงตัวเองก่อนจะ fine-tune โมเดล · The principle is 'you need correct answers first, then train' — accumulate your own ground truth audio before fine-tuning any model.
หลักการ Ground Truth First
หลักคิดหลักคือ ต้องมีเฉลยที่ถูกต้องก่อนจะ train โมเดลได้ วิธีสะสมคือบันทึกเสียงตัวเองจากการสอน ~10–20 ชั่วโมง แล้วใช้ Google Doc voice-to-text (ฟรี) เป็นเฉลยอ้างอิงเบื้องต้น
The core principle: you need correct transcriptions before you can train. Accumulate ground truth by recording your own teaching voice ~10–20 hours, using Google Doc voice-to-text (free) as a baseline reference answer.
Pipeline: WhisperFlow → เปรียบเทียบ → Distill → MLX
ใช้ WhisperFlow รับเสียงและเก็บ history จากนั้นเทียบ base model: Whisper, Typhoon, Groq เพื่อเลือกตัวที่ดีที่สุดกับภาษาไทย แล้ว distill ให้เล็ก/เร็วพอรันบน local ด้วย MLX (Apple Silicon) ได้ ~0.26 วินาทีต่อชิ้น
Use WhisperFlow for audio capture and history. Compare base models — Whisper, Typhoon, Groq — to find the best fit for Thai. Then distill to a smaller/faster model that runs locally on MLX (Apple Silicon) at ~0.26s per chunk.
ทำไมไม่ใช้ Discord Bot
การรัน local ดีกว่า Discord bot เพราะไม่มี rate limit และเป็น bidirectional (เสียง↔text, ต่อ TTS กลับได้) ไม่ต้องพึ่ง third-party service
Running locally beats a Discord bot: no rate limits, bidirectional (voice↔text, can chain TTS back), and no third-party service dependency.
ปัญหาภาษาไทย: การตัดคำ
ปัญหาหลักของ Thai transcription คือ tokenization — ถ้าตัดคำผิด วัด accuracy ไม่ได้เลย ต้องแก้ที่ตัว tokenizer ก่อนจะวัดคุณภาพโมเดลได้
The core Thai problem is tokenization. If word segmentation is wrong, accuracy measurement becomes meaningless. Fix the tokenizer before measuring model quality.
Demo: อ่านหนังสือสด
สาธิตในห้องเรียนด้วยการอ่านหนังสือแนวสมาธิสด ๆ เพื่อสร้าง labeled data — เห็นกระบวนการจากเสียง → text → ground truth → training data ได้ทั้งหมดในรอบเดียว
Live demo in class: reading a meditation book aloud to create labeled data — showing the full pipeline from voice → text → ground truth → training data in a single pass.