ผลทดสอบบนชุดข้อมูลมาตรฐาน

ถอดเสียงภาษาไทยบน FLEURS Thai 500 คลิป เทียบ 8 โมเดล

เราประเมิน lomasub 1.0 โมเดลถอดเสียงภาษาไทยของ Loma Sub เทียบกับโมเดลอื่นอีก 7 ระบบ ทั้งบริการ API เชิงพาณิชย์และโมเดลโอเพนซอร์ส บนชุดทดสอบ FLEURS Thai จำนวน 500 คลิป ตัวชี้วัดหลักคืออัตราความผิดพลาดระดับตัวอักษร (CER)เทียบกับ reference ที่ตรวจทานกับเสียงจริงทุกคลิปและยอมรับรูปเขียนที่ถูกต้องได้หลายรูป

1.21%

CER เฉลี่ย ต่ำที่สุดใน 8 โมเดล

306/500

คลิปที่ถอดตรงทุกตัวอักษร (CER = 0)

71%

ของคลิปที่ lomasub มี CER ต่ำสุดหรือเท่ากับค่าต่ำสุด

0

คลิปที่ CER เกิน 20% (เกิน 10% มี 7 คลิป)

CER เฉลี่ยบน FLEURS Thai 500 คลิป (ยิ่งน้อยยิ่งแม่นยำ)

Loma Sublomasub 1.0

1.21%

ElevenLabs Scribe v2

1.36%

Gemini 3.5 Transcribe Live

1.51%

MAI-Transcribe-2

1.66%

gpt-transcribe

2.34%

Qwen3-ASR-1.7B

3.22%

Typhoon Whisper Turbo

3.22%

Whisper large-v3

4.97%
CER เฉลี่ยของ CER รายคลิปทั้ง 500 คลิป หลัง normalization ตัวเลขทั้งหมดอยู่ในตารางหัวข้อผลรวม

ผลการประเมินโดยสรุป

1

ผลโดยรวม

lomasub มี CER เฉลี่ย 1.21% ต่ำที่สุดในกลุ่ม รองลงมาคือ ElevenLabs Scribe v2 (1.36%) และ Gemini 3.5 Transcribe Live (1.51%) โมเดลโอเพนซอร์สสามระบบมี CER เฉลี่ย 3.22–4.97%

2

เทียบรายคลิป

ผลต่าง CER เฉลี่ยรายคลิปกับ ElevenLabs Scribe v2 คือ −0.0015 (lomasub ต่ำกว่า 111 คลิป เท่ากัน 296 คลิป สูงกว่า 93 คลิป) กับโมเดลที่เหลืออยู่ในช่วง −0.0030 ถึง −0.0376

3

รูปแบบในคลิปที่ CER ต่ำกว่า

ใน 103 คลิปที่ lomasub มี CER ต่ำกว่าอย่างน้อย 5 จาก 7 โมเดล พบ 4 รูปแบบที่เกิดซ้ำ ได้แก่ ถอดตามคำพูดจริงรวมการพูดซ้ำและการแก้คำ เขียนชื่อเฉพาะภาษาต่างประเทศด้วยอักษรละติน รู้จำคำไทยที่พบน้อย และเขียนจำนวนด้วยเลขอารบิก

4

ความผิดพลาดของ lomasub

คลิปที่ CER สูงที่สุดเกิดจากคำภาษาอังกฤษที่ผิดคำ (Wicked แทน วิกเก็ต, Hasselblad แทน เฮเซลนัต) ชื่อเมืองที่ถอดเป็นชุดตัวอักษร (RPR แทน Apia) และชื่อเฉพาะที่ถูกแทนด้วยคำที่พบบ่อย (อิรักมองโกล แทน อิรากองโก)

8 โมเดล สามกลุ่ม ให้คะแนนด้วยโปรแกรมเดียวกัน

โมเดลที่ทดสอบแบ่งเป็นสามกลุ่ม ได้แก่ lomasub, บริการ API เชิงพาณิชย์ 4 ระบบ (MAI-Transcribe-2 และ gpt-transcribe เรียกใช้ผ่าน OpenRouter) และโมเดลโอเพนซอร์ส 3 ระบบ ทุกระบบถอดความจากคลิปชุดเดียวกัน และผลลัพธ์ทั้งหมดให้คะแนนด้วย reference และโปรแกรมให้คะแนนชุดเดียวกันเมื่อวันที่ 20 ต.ค. 2569

โมเดลประเภท
lomasub 1.0โมเดลของ Loma Sub
ElevenLabs Scribe v2บริการ API
Gemini 3.5 Transcribe Liveบริการ API
MAI-Transcribe-2บริการ API (ผ่าน OpenRouter)
gpt-transcribeบริการ API (ผ่าน OpenRouter)
Qwen3-ASR-1.7Bโมเดลโอเพนซอร์ส
Typhoon Whisper Turboโมเดลโอเพนซอร์ส
Whisper large-v3โมเดลโอเพนซอร์ส

บริการ API อาจเปลี่ยนรุ่นภายในหลังการทดสอบ ตัวเลขในหน้านี้จึงสะท้อนผลของแต่ละบริการ ณ ช่วงเวลาที่ทดสอบ

ชุดทดสอบและเกณฑ์การให้คะแนน

reference ของทุกคลิปสร้างใหม่จากการฟังเสียง เพื่อให้คะแนนการถอดถ้อยคำที่ผู้พูดเปล่งออกมา ในรูปเขียนที่ผู้ใช้ภาษาไทยใช้จริง

reference ที่ตรวจทานกับเสียงทุกคลิป

FLEURS เป็นชุดข้อมูลเสียงอ่านประโยคหลายภาษาที่เผยแพร่โดย Google เราใช้ 500 คลิปภาษาไทย ฟังทุกคลิป และแก้ reference ให้ตรงกับถ้อยคำที่ผู้พูดเปล่งออกมาจริงแทนการใช้ข้อความต้นฉบับ ผู้พูดบางรายเริ่มประโยคใหม่ พูดซ้ำ อ่านตัวเลขในรูปแบบเฉพาะ หรือออกเสียงต่างไปตามสำเนียง reference คงลักษณะเหล่านี้ไว้ทั้งหมด มี 24 คลิปที่ reference มีการเริ่มประโยคใหม่ การพูดซ้ำ หรือคำเติม และ 1 คลิปที่ผู้พูดอ่านประโยคเดียวกันสามครั้ง ชุดทดสอบนี้จึงให้คะแนนการถอดความแบบคำต่อคำ และหักคะแนนระบบที่เรียบเรียงถ้อยคำใหม่

ใช้ CER เป็นตัวชี้วัดหลัก

ภาษาไทยเขียนโดยไม่เว้นวรรคระหว่างคำ อัตราความผิดพลาดระดับคำ (WER) จึงขึ้นกับตัวตัดคำพอ ๆ กับตัวโมเดล และตัวตัดคำแต่ละชนิดจัดการคำยืมและชื่อเฉพาะต่างกัน CER บนข้อความที่ผ่านการ normalization ไม่ต้องใช้ตัวตัดคำ และนับชื่อที่สะกดผิดตัวเดียวเป็นความผิดพลาดตัวเดียว หน้านี้จึงใช้ CER เป็นตัวชี้วัดหลัก และแสดง WER (ตัดคำด้วย PyThaiNLP newmm) ไว้อ้างอิง

CER ของแต่ละคลิปคือระยะ Levenshtein ระหว่าง reference กับผลถอดความหลัง normalization หารด้วยความยาวของ reference โดยกำหนดค่าสูงสุดไว้ที่ 1 ค่าที่รายงานคือค่าเฉลี่ยและมัธยฐานของ CER รายคลิปทั้ง 500 คลิป

ยอมรับรูปเขียนที่ถูกต้องได้หลายรูป

ชื่อภาษาอังกฤษ ศัพท์เทคนิค อักษรย่อ และจำนวนที่พูดออกมา เขียนเป็นภาษาไทยได้ถูกต้องหลายรูป reference จึงระบุทุกรูปที่ถูกต้องไว้ในวงเล็บ [x,y] โดยยึดรูปที่ผู้ใช้ภาษาไทยเขียนจริง ศัพท์เทคนิคและชื่อเฉพาะมักคงไว้เป็นภาษาอังกฤษ จึงมีทั้งรูปอักษรละตินและคำทับศัพท์ไทยคู่กัน (253 จาก 351 กลุ่มวงเล็บมีทั้งสองสคริปต์) เลขอารบิก คำบอกจำนวน และคำที่อาจพูดหรือไม่พูดก็ยอมรับทั้งสองรูป ส่วนคำยืมที่ภาษาไทยเขียนด้วยอักษรไทยเป็นปกติ (วีซ่า, กาแล็กซี) คงไว้เฉพาะรูปไทย การเลือกสคริปต์จึงไม่ถูกหักคะแนน แต่คำที่ผิดหรือรูปสะกดที่ไม่มีผู้ใช้ถูกหักคะแนน

รูปเขียนของแต่ละโมเดล

โมเดลทั้ง 8 ระบบเลือกรูปเขียนต่างกัน ในคลิปที่ reference ยอมรับรูปละติน Whisper large-v3, lomasub และ MAI เขียนอักษรละติน 55%, 48% และ 42% ของคลิป ขณะที่ Gemini และ gpt-transcribe เขียน 35 และ 34 จาก 151 คลิป reference ได้รับการตรวจให้ประโยคเดียวกันมีวงเล็บเหมือนกันทุกครั้งที่ปรากฏ และหน่วย เครื่องหมายวรรคตอน กับไม้ยมก ถูก normalize ด้วยกฎชุดเดียวกันสำหรับทุกระบบ

การให้คะแนนเมื่อ reference มีวงเล็บ [x,y]

โปรแกรมให้คะแนนแตกทุกชุดตัวเลือกในวงเล็บออกเป็น candidate reference แยกกัน คำนวณ CER กับทุก candidate แล้วเลือกค่าต่ำสุด (ใช้ WER ตัดสินเมื่อเท่ากัน) มี 190 จาก 500 reference (38%) ที่มีวงเล็บอย่างน้อยหนึ่งกลุ่ม รวม 351 กลุ่ม แบ่งเป็นรูปอักษรละติน/ไทย 253 กลุ่ม เลขอารบิก/คำบอกจำนวน 56 กลุ่ม คำที่อาจพูดหรือไม่พูด 15 กลุ่ม และอักษรย่อหรือรูปสะกดอื่น 27 กลุ่ม กลุ่มส่วนใหญ่มีสองทางเลือก กลุ่มที่ใหญ่ที่สุดมีห้าทางเลือก

ตัวอย่างคลิป #48 มีวงเล็บสองกลุ่ม จึงมี candidate 2 × 2 = 4 ชุด ผลถอดความของ lomasub ตรงกับ candidate ที่ 3 ทุกตัวอักษร

  1. 1ในปี 1976 สามสิบเปอร์เซ็นต์ของมาชูปิกชูได้รับการฟื้นฟูซ่อมแซม และการบูรณะยังคงดำเนินอยู่จนถึงปัจจุบันนี้
  2. 2ในปี 1976 สามสิบเปอร์เซ็นต์ของMachu Picchuได้รับการฟื้นฟูซ่อมแซม และการบูรณะยังคงดำเนินอยู่จนถึงปัจจุบันนี้
  3. 3ในปี 1976 30%ของมาชูปิกชูได้รับการฟื้นฟูซ่อมแซม และการบูรณะยังคงดำเนินอยู่จนถึงปัจจุบันนี้← ผลของ lomasub (CER = 0)
  4. 4ในปี 1976 30%ของMachu Picchuได้รับการฟื้นฟูซ่อมแซม และการบูรณะยังคงดำเนินอยู่จนถึงปัจจุบันนี้

วงเล็บไม่ครอบคลุมคำภาษาอังกฤษที่ผิดคำ (Wicked แทน วิกเก็ต) รูปสะกดละตินที่ reference ไม่ได้ระบุ รูปสะกดไทยที่ต่างจาก reference (มารีน่า กับ มาเรียนา) และคำที่ขาดหรือเกิน กรณีเหล่านี้คือส่วนที่ทำให้ CER ของแต่ละโมเดลต่างกัน

ขั้นตอน normalization (ใช้กับทั้ง reference และผลถอดความ)

  1. ตัดอักขระความกว้างศูนย์ จุดไข่ปลา ข้อความในวงเล็บเหลี่ยม ? 。 และจุลภาค
  2. แปลงหน่วยและอักษรย่อเป็นรูปสั้นรูปเดียว (เปอร์เซ็นต์ → %, คริสต์ศักราช → ค.ศ., กิโลเมตร → กม., 35 mm → 35 มม.)
  3. ตัดเครื่องหมายวรรคตอน (อัญประกาศ ! ; ( ) มหัพภาคที่ไม่ใช่จุดทศนิยม ยัติภังค์) และแปลงทวิภาคระหว่างตัวเลขเป็นจุดทศนิยม ให้ 22:00 กับ 22.00 เท่ากัน
  4. รวมรูปสระอำ (ํา → ำ) และตัดคำเติม (ครับ ค่ะ นะ เอ่อ อืม …) ออกจากทั้งสองฝั่ง
  5. ใช้พจนานุกรมคู่คำไทย–อังกฤษ 212 คู่ที่ตรวจแล้ว (เช่น แอดเด็นบรูคส์ ⇄ Addenbrooks) เมื่อช่วยลดระยะห่าง
  6. แปลงคำบอกจำนวนภาษาไทยเป็นตัวเลข (แปดแสน → 800000, สิบหก → 16)
  7. ตัดช่องว่างทั้งหมด และแปลงอักษรละตินเป็นตัวพิมพ์เล็ก

ขั้นตอนที่ 2 และ 3 ทำให้ผลลัพธ์อย่าง (FKP) ของ Gemini ในคลิปหมู่เกาะฟอล์กแลนด์ หรือ ค.ศ. ของ MAI แทน คริสตศักราช ไม่ถูกนับเป็นความผิดพลาด

CER เฉลี่ยบน 500 คลิป

lomasub มี CER เฉลี่ย 1.21% ต่ำที่สุดในกลุ่ม ElevenLabs Scribe v2 สูงกว่า 0.15 จุดร้อยละ และ Gemini 3.5 Transcribe Live สูงกว่า 0.30 จุดร้อยละ โมเดลโอเพนซอร์สสามระบบมี CER เฉลี่ย 3.22–4.97%

โมเดลCER เฉลี่ยมัธยฐานP90CER = 0> 10%> 20%WER (newmm)
lomasub1.21%0.00%3.7%306 (61%)703.80%
ElevenLabs Scribe v21.36%0.00%4.4%287 (57%)404.35%
Gemini 3.5 Transcribe Live1.51%0.00%4.5%276 (55%)704.41%
MAI-Transcribe-21.66%0.00%4.9%305 (61%)1224.28%
gpt-transcribe2.34%0.93%6.5%232 (46%)1716.66%
Qwen3-ASR-1.7B3.22%1.74%8.9%175 (35%)3409.87%
Typhoon Whisper Turbo3.22%2.13%7.8%125 (25%)29012.52%
Whisper large-v34.97%4.17%10.9%85 (17%)60118.96%

CER = 0 คือจำนวนคลิปที่ผลถอดความตรงกับ candidate reference ทุกตัวอักษรหลัง normalization · P90 คือเปอร์เซ็นไทล์ที่ 90 ของ CER รายคลิป · > 10% และ > 20% คือจำนวนคลิปที่ CER เกินค่านั้น · WER ตัดคำด้วย newmm บนข้อความชุดเดียวกัน แสดงไว้อ้างอิง

ค่าเฉลี่ยกับหางของการกระจาย

MAI-Transcribe-2 มีคลิปที่ CER = 0 ใกล้เคียงกับ lomasub (305 เทียบกับ 306) แต่มี CER เฉลี่ยสูงกว่า เพราะมี 12 คลิปที่ CER เกิน 10% และ 2 คลิปที่เกิน 20% ขณะที่ lomasub มี 7 และ 0 คลิปตามลำดับ ค่าเฉลี่ยจึงขึ้นกับคลิปที่ผิดพลาดมากจำนวนน้อย มากกว่าคลิปที่ผิดเล็กน้อยจำนวนมาก

ElevenLabs Scribe v2 มีคลิปที่ CER = 0 น้อยกว่า lomasub 19 คลิป แต่มีคลิปที่ CER เกิน 10% น้อยที่สุดในกลุ่ม (4 คลิป) CER เฉลี่ยจึงใกล้เคียงกับ lomasub

คลิปที่ CER = 0 (จาก 500)

lomasub

306

MAI-Transcribe-2

305

ElevenLabs Scribe v2

287

Gemini 3.5 Transcribe Live

276

gpt-transcribe

232

Qwen3-ASR-1.7B

175

Typhoon Whisper Turbo

125

Whisper large-v3

85

ผลต่าง CER รายคลิปเมื่อเทียบกับ lomasub

ค่าเฉลี่ยบอกลำดับของโมเดล แต่ไม่บอกว่าช่องว่างมาจากคลิปจำนวนน้อยหรือกระจายทั่วทั้งชุด การเทียบ CER ของสองโมเดลบนคลิปเดียวกันทีละคลิปตอบคำถามนี้

จำนวนคลิปที่ lomasub มี CER ต่ำกว่า เท่ากัน และสูงกว่า

lomasub ต่ำกว่าเท่ากันlomasub สูงกว่า

ElevenLabs Scribe v2

−0.0015
111
296
93

Gemini 3.5 Transcribe Live

−0.0030
121
304
75

MAI-Transcribe-2

−0.0045
95
311
94

gpt-transcribe

−0.0113
191
238
71

Qwen3-ASR-1.7B

−0.0201
261
200
39

Typhoon Whisper Turbo

−0.0201
315
140
45

Whisper large-v3

−0.0376
384
96
ตัวเลขท้ายชื่อโมเดลคือผลต่าง CER เฉลี่ยรายคลิป (CER ของ lomasub ลบ CER ของโมเดลนั้นบนคลิปเดียวกัน เฉลี่ยทั้ง 500 คลิป) ค่าลบหมายถึง lomasub มี CER ต่ำกว่า

ElevenLabs Scribe v2

ผลต่างเฉลี่ย −0.0015 เป็นช่องว่างที่เล็กที่สุดในกลุ่ม lomasub มี CER ต่ำกว่าใน 111 คลิป เท่ากันใน 296 คลิป และสูงกว่าใน 93 คลิป

โมเดลอื่น

ผลต่างกับ Gemini (−0.0030) และ MAI (−0.0045) ใหญ่ขึ้นตามลำดับ ส่วนผลต่างกับ gpt-transcribe และโมเดลโอเพนซอร์สทั้งสาม อยู่ในช่วง −0.0113 ถึง −0.0376 และ lomasub มี CER ต่ำกว่าในคลิปส่วนใหญ่ (ต่ำกว่า Whisper large-v3 ใน 384 จาก 500 คลิป) จำนวนคลิปที่เท่ากันมีสัดส่วนสูง เพราะหลายคลิปถูกถอดตรงทุกตัวอักษรโดยหลายโมเดลพร้อมกัน

ตารางเปรียบเทียบทุกคู่

จำนวนคลิป (จาก 500) ที่โมเดลในแถวมี CER ต่ำกว่าโมเดลในคอลัมน์ เช่น แถว lomasub คอลัมน์ ElevenLabs = 111 คือ lomasub มี CER ต่ำกว่า ElevenLabs ใน 111 คลิป และแถว ElevenLabs คอลัมน์ lomasub = 93 คือกรณีกลับกัน อีก 296 คลิปมี CER เท่ากัน

แถว < คอลัมน์lomasubElevenLabsGeminiMAIgptQwen3TyphoonWhisper v3
lomasub–11112195191261315384
ElevenLabs93–12091187259297376
Gemini75113–97177253297371
MAI94113125–190256306377
gpt719410376–222258341
Qwen339476743102–196287
Typhoon45416757116164–297
Whisper v32037382263109106–

CER รายคลิปของแต่ละโมเดล

lomasub มีคลิปที่ CER = 0 มากที่สุด (306 คลิป รองลงมาคือ MAI-Transcribe-2 ที่ 305 คลิป) และหางของการกระจายสั้น คือมี 7 คลิปที่ CER เกิน 10% และไม่มีคลิปที่เกิน 20% ไม่พบการวนซ้ำ (repetition loop) หรือผลลัพธ์ว่างในโมเดลใดบนชุดทดสอบนี้

จำนวนคลิปในแต่ละช่วง CER

CER = 00–2%2–5%5–10%10–20%> 20%

lomasub

> 10%: 7
306
79
84

ElevenLabs Scribe v2

> 10%: 4
287
83
91
35

Gemini 3.5 Transcribe Live

> 10%: 7
276
80
102
35

MAI-Transcribe-2

> 10%: 12
305
68
80
35

gpt-transcribe

> 10%: 17
232
77
119
55

Qwen3-ASR-1.7B

> 10%: 34
175
80
120
91

Typhoon Whisper Turbo

> 10%: 29
125
111
144
91

Whisper large-v3

> 10%: 60
85
77
126
152
59
แต่ละแถบคือ 500 คลิปของโมเดลนั้น ตัวเลขในแถบคือจำนวนคลิปในช่วง ตัวเลขท้ายชื่อโมเดลคือจำนวนคลิปที่ CER เกิน 10%

อันดับของ lomasub ในแต่ละคลิป

เมื่อจัดอันดับ 8 โมเดลในแต่ละคลิป (เสมอกันนับเป็นอันดับที่ดีกว่า) lomasub อยู่อันดับ 1 ใน 356 คลิป เป็นระบบเดียวที่มี CER ต่ำสุดใน 11 คลิป และมี CER ต่ำกว่าอย่างน้อย 5 จาก 7 ระบบใน 103 คลิป ในทางกลับกัน มี 32 คลิปที่อย่างน้อย 5 ระบบมี CER ต่ำกว่า lomasub และ 6 คลิปที่ lomasub อยู่อันดับสุดท้าย

lomasub ไม่ได้มี CER ต่ำกว่าทุกระบบในทุกคลิป แต่มีคลิปที่ CER สูงมากน้อย ค่าเฉลี่ยจึงต่ำ

จำนวนคลิปตามอันดับของ lomasub

อันดับ 1CER ต่ำสุดหรือเท่ากับค่าต่ำสุด

356 คลิป

อันดับ 2

32 คลิป

อันดับ 3

34 คลิป

อันดับ 4

27 คลิป

อันดับ 5

19 คลิป

อันดับ 6

18 คลิป

อันดับ 7

8 คลิป

อันดับ 8CER สูงสุด

6 คลิป

การเขียนคำภาษาต่างประเทศของแต่ละโมเดล

ตารางด้านล่างแสดงสองมิติ คือสัดส่วนที่โมเดลเขียนอักษรละตินใน 151 คลิปที่ reference ยอมรับรูปละติน และจำนวนคลิปที่โมเดลเขียนคำอักษรละตินซึ่งไม่มีใน reference พร้อม CER ของคลิปกลุ่มนั้นเทียบกับคลิปที่เหลือ

โมเดลเขียนละตินเมื่อยอมรับคลิปที่มีละตินนอก referenceCER คลิปกลุ่มนั้นCER คลิปที่เหลือ
lomasub48% (73)224.23%1.07%
ElevenLabs Scribe v232% (49)74.41%1.32%
Gemini 3.5 Transcribe Live23% (35)54.12%1.48%
MAI-Transcribe-242% (64)143.16%1.62%
gpt-transcribe23% (34)34.61%2.32%
Qwen3-ASR-1.7B25% (38)95.70%3.17%
Typhoon Whisper Turbo28% (42)155.87%3.14%
Whisper large-v355% (83)236.99%4.87%

lomasub และ Whisper large-v3 เขียนคำภาษาอังกฤษด้วยอักษรละตินบ่อยที่สุด ซึ่งทำให้ CER ต่ำเมื่อ reference ยอมรับรูปละติน (คลิป #312, #79, #136) และทำให้ CER สูงเมื่อคำภาษาอังกฤษนั้นผิดคำ (คลิป #108, #491) หรือถอดผิด (RPR แทน อาปีอา ในคลิป #410) lomasub มีคลิปลักษณะนี้ 22 คลิป CER เฉลี่ย 4.23% เทียบกับ 1.07% ของอีก 478 คลิป คลิปกลุ่มนี้เป็นแหล่งหลักของความผิดพลาดของ lomasub

คลิปที่ lomasub ทำคะแนนได้ดีกว่า

มี 103 คลิปที่ lomasub มี CER ต่ำกว่าอย่างน้อย 5 จาก 7 โมเดล จากการตรวจทีละคลิป ความต่างจัดได้เป็นสี่รูปแบบที่เกิดซ้ำ ด้านล่างนี้มี 20 ตัวอย่างจากกลุ่มนี้ จัดตามรูปแบบ

ถอดตามคำพูดจริง

คงการเริ่มประโยคใหม่ การพูดซ้ำ และคำเติมที่ reference เก็บไว้ และไม่เติมคำที่ผู้พูดไม่ได้พูด ใน 24 คลิปที่มีการพูดซ้ำหรือการแก้คำ lomasub มี CER = 0 ใน 12 คลิป

ดู 5 ตัวอย่าง

อักษรละตินสำหรับชื่อเฉพาะ

เขียน Addenbrooks, Sundarbans, Northern Mariana, Scaffolding, T-Rex ตามรูปสะกดจริง ชื่อในอักษรละตินมีรูปสะกดเดียว ขณะที่คำทับศัพท์ไทยมีหลายรูป และรูปที่โมเดลอื่นเขียนมักไม่ตรงกับ reference

ดู 5 ตัวอย่าง

คำไทยที่พบน้อย

ถอดคำและคำประสมที่พบน้อยได้ถูก ในจุดที่โมเดลอื่นถอดเป็นวลีที่พบบ่อยกว่า เช่น ทัศนศึกษา ถูกยิง ยอชต์ ขนนก สุนทรพจน์ ทะเยอทะยาน

ดู 6 ตัวอย่าง

ตัวเลข

เขียน 30%, 1976, 2005 และ 6 ต่อ 6 ด้วยเลขอารบิก normalization แปลงคำบอกจำนวนไทยเป็นตัวเลข และแปลง % ⇄ เปอร์เซ็นต์ ผลลัพธ์ที่เป็นตัวเลขจึงไม่ถูกหักคะแนน

ดู 4 ตัวอย่าง

คลิปที่มีการพูดซ้ำหรือการแก้คำ

reference ของ 24 คลิปนี้มีการเริ่มประโยคใหม่ วลีซ้ำ หรือคำเติม โมเดลที่เรียบเรียงถ้อยคำเป็นประโยคสมบูรณ์จะขาดตัวอักษรทั้งช่วง

ผลส่วนนี้ขึ้นกับการออกแบบชุดทดสอบ หากใช้ข้อความต้นฉบับของ FLEURS เป็น reference โมเดลที่เรียบเรียงถ้อยคำจะได้ CER ต่ำกว่า สำหรับงานที่ต้องคงถ้อยคำจริง เช่น การถอดเทปสัมภาษณ์ คำให้การ และคำบรรยายใต้ภาพ ผลในส่วนนี้ตรงกับการใช้งานมากกว่า

คลิปที่ CER = 0 จาก 24 คลิปที่มีการพูดซ้ำ

lomasub

12 / 24

ElevenLabs Scribe v2

11 / 24

Gemini 3.5 Transcribe Live

8 / 24

MAI-Transcribe-2

6 / 24

gpt-transcribe

6 / 24

Qwen3-ASR-1.7B

5 / 24

Typhoon Whisper Turbo

3 / 24

Whisper large-v3

3 / 24

ตัวอย่างผลถอดความ

แต่ละตัวอย่างแสดง reference และผลถอดความของทั้ง 8 โมเดลในรูปที่โปรแกรมให้คะแนนใช้เทียบ คือตัดช่องว่าง แปลงอักษรละตินเป็นตัวพิมพ์เล็ก และเทียบกับ candidate ที่ใกล้ที่สุด เรียงตาม CER เฉลี่ยของโมเดล ตัวเลขคือ CER ของคลิปนั้น

ขาดหาย ข้อความใน reference ที่ไม่มีในผลถอดความถอดเป็น ข้อความที่เขียนแทนเกินมา ข้อความที่ไม่มีใน reference

ถอดตามคำพูดจริง

คลิป #40

การถอดความตามคำพูดจริงเมื่อผู้พูดแก้คำ

lomasub มี CER ต่ำกว่า 7 จาก 7 โมเดล

ผู้พูดเริ่มประโยคใหม่สองครั้ง (ในการจำ กำจัด…, ยังเป็นทาง ยังเป็นแนวทาง) และ reference คงไว้ทั้งสองจุด lomasub ถอดตามที่พูด MAI, Qwen และ Whisper large-v3 ตัดส่วนที่พูดซ้ำออก ส่วน Gemini, gpt-transcribe, Typhoon และ Whisper large-v3 ถอดคำ ทว่า เป็น จะว่า หรือ ถ้าว่า

Reference

ทว่าไม่ได้มีแค่อย่างเดียว การทดลองและการทดสอบ คือการตรวจสอบที่ใช้ในการจำ กำจัดสมมติฐานที่เป็นไปได้อย่างน้อยหนึ่งข้อโดยการถามคำถาม และการเฝ้าสังเกตยังเป็นทาง ยังเป็นแนวทางในการวิจัยทางวิทยาศาสตร์อีกด้วย

  • lomasub0.000ทว่าไม่ได้มีแค่อย่างเดียวการทดลองและการทดสอบคือการตรวจสอบที่ใช้ในการจำกำจัดสมมติฐานที่เป็นไปได้อย่างน้อย1ข้อโดยการถามคำถามและการเฝ้าสังเกตยังเป็นทางยังเป็นแนวทางในการวิจัยทางวิทยาศาสตร์อีกด้วย
  • ElevenLabs Scribe v20.036ทว่าไม่ได้มีแค่อย่างเดียวการทดลองและการทดสอบคือการตรวจสอบที่ใช้ในการจำกำจัดสมสมมติฐานที่เป็นไปได้อย่างน้อย1ข้อโดยการถามคำถามและการเฝ้าสังเกตยังเป็นทางอย่างยังเป็นแนวทางในการวิจัยทางวิทยาศาสตร์อีกด้วย
  • Gemini 3.5 Transcribe Live0.052ทจะว่าไม่ได้มีแค่อย่างเดียวการทดลองและการทดสอบคือการตรวจสอบที่ใช้ในการจำกำจัดสมมติฐานที่เป็นไปได้อย่างน้อย1ข้อโดยการถามคำถามและการเฝ้าสังเกตยัอย่างเป็นทางอย่างยังเป็นแนวทางในการวิจัยทางวิทยาศาสตร์อีกด้วย
  • MAI-Transcribe-20.062ทว่าไม่ได้มีแค่อย่างเดียวการทดลองและการทดสอบคือการตรวจสอบที่ใช้ในการจำกำจัดสมมติฐานที่เป็นไปได้อย่างน้อย1ข้อโดยการถามคำถามและการเฝ้าสังเกตยังเป็นทางยังเป็นแนวทางในการวิจัยทางวิทยาศาสตร์อีกด้วย
  • gpt-transcribe0.042ทถ้าว่าไม่ได้มีแค่อย่างเดียวการทดลองและการทดสอบคือการตรวจสอบที่ใช้ในการจำกำจัดสมมติฐานที่เป็นไปได้อย่างน้อย1ข้อโดยการถามคำถามและการเฝ้าสังเกตอยั่างเป็นทางยังเป็นแนวทางในการวิจัยทางวิทยาศาสตร์อีกด้วย
  • Qwen3-ASR-1.7B0.062ทว่าไม่ได้มีแค่อย่างเดียวการทดลองและการทดสอบคือการตรวจสอบที่ใช้ในการจำกำจัดสมมติฐานที่เป็นไปได้อย่างน้อย1ข้อโดยการถามคำถามและการเฝ้าสังเกตยังเป็นทางยังเป็นแนวทางในการวิจัยทางวิทยาศาสตร์อีกด้วย
  • Typhoon Whisper Turbo0.036ทถ้าว่าไม่ได้มีแค่อย่างเดียวการทดลองและการทดสอบคือการตรวจสอบที่ใช้ในการจำกำจัดสมมุติฐานที่เป็นไปได้อย่างน้อย1ข้อโดยการถามคำถามและการเฝ้าสังเกตยังเป็นทางยังยังเป็นแนวทางในการวิจัยทางวิทยาศาสตร์อีกด้วย
  • Whisper large-v30.078ทถ้าว่าไม่ได้มีแค่อย่างเดียวการทดลองและการทดสอบคือการตรวจสอบที่ใช้ในการจำกำจัดสมมติฐานที่เป็นไปได้อย่างน้อย1ข้อโดยการถามคำถามและการเฝ้าสังเกตยังเป็นทางยังเป็นแนวทางในการวิจัยทางวิทยาศาสตร์อีกด้วย
คลิป #10

คงช่วงที่ผู้พูดเริ่มประโยคใหม่

lomasub มี CER ต่ำกว่า 6 จาก 7 โมเดล

ผู้พูดพูด ไม่ได้เป็นพิธี ก่อนแก้เป็น ไม่ได้เป็นวิธีการเรียนรู้ และ reference คงไว้ทั้งสองช่วง lomasub และ ElevenLabs ถอดตามที่พูดและมี CER = 0 MAI, gpt-transcribe, Qwen และ Whisper large-v3 ตัดช่วงแรกออก ส่วน Gemini เขียน พิธี เป็น พีที และ Qwen เขียน Scaffolding เป็น สแครฟติง

Reference

สแคฟโฟลดิง / Scaffoldingไม่ได้เป็นพิธี ไม่ได้เป็นวิธีการเรียนรู้ หากแต่เป็นเสมือนเครื่องช่วยสนับสนุนบุคคลที่กำลังเรียนรู้สิ่งใหม่ ๆ อย่างเช่น ใช้งานโปรแกรมคอมพิวเตอร์ใหม่ หรือเริ่มโครงการใหม่

  • lomasub0.000scaffoldingไม่ได้เป็นพิธีไม่ได้เป็นวิธีการเรียนรู้หากแต่เป็นเสมือนเครื่องช่วยสนับสนุนบุคคลที่กำลังเรียนรู้สิ่งใหม่ๆอย่างเช่นใช้งานโปรแกรมคอมพิวเตอร์ใหม่หรือเริ่มโครงการใหม่
  • ElevenLabs Scribe v20.000scaffoldingไม่ได้เป็นพิธีไม่ได้เป็นวิธีการเรียนรู้หากแต่เป็นเสมือนเครื่องช่วยสนับสนุนบุคคลที่กำลังเรียนรู้สิ่งใหม่ๆอย่างเช่นใช้งานโปรแกรมคอมพิวเตอร์ใหม่หรือเริ่มโครงการใหม่
  • Gemini 3.5 Transcribe Live0.012scaffoldingไม่ได้เป็นพิธีทีไม่ได้เป็นวิธีการเรียนรู้หากแต่เป็นเสมือนเครื่องช่วยสนับสนุนบุคคลที่กำลังเรียนรู้สิ่งใหม่ๆอย่างเช่นใช้งานโปรแกรมคอมพิวเตอร์ใหม่หรือเริ่มโครงการใหม่
  • MAI-Transcribe-20.081scaffoldingไม่ได้เป็นพิธีไม่ได้เป็นวิธีการเรียนรู้หากแต่เป็นเสมือนเครื่องช่วยสนับสนุนบุคคลที่กำลังเรียนรู้สิ่งใหม่ๆอย่างเช่นใช้งานโปรแกรมคอมพิวเตอร์ใหม่หรือเริ่มโครงการใหม่
  • gpt-transcribe0.081scaffoldingไม่ได้เป็นพิธีไม่ได้เป็นวิธีการเรียนรู้หากแต่เป็นเสมือนเครื่องช่วยสนับสนุนบุคคลที่กำลังเรียนรู้สิ่งใหม่ๆอย่างเช่นใช้งานโปรแกรมคอมพิวเตอร์ใหม่หรือเริ่มโครงการใหม่
  • Qwen3-ASR-1.7B0.105สแครฟโฟลดติงไม่ได้เป็นพิธีไม่ได้เป็นวิธีการเรียนรู้หากแต่เป็นเสมือนเครื่องช่วยสนับสนุนบุคคลที่กำลังเรียนรู้สิ่งใหม่ๆอย่างเช่นใช้งานโปรแกรมคอมพิวเตอร์ใหม่หรือเริ่มโครงการใหม่
  • Typhoon Whisper Turbo0.017สแคฟโฟอลดิ้งไม่ได้เป็นพิธีไม่ได้เป็นวิธีการเรียนรู้หากแต่เป็นเสมือนเครื่องช่วยสนับสนุนบุคคลที่กำลังเรียนรู้สิ่งใหม่ใหม่อย่างเช่นใช้งานโปรแกรมคอมพิวเตอร์ใหม่หรือเริ่มโครงการใหม่
  • Whisper large-v30.081scaffoldingไม่ได้เป็นพิธีไม่ได้เป็นวิธีการเรียนรู้หากแต่เป็นเสมือนเครื่องช่วยสนับสนุนบุคคลที่กำลังเรียนรู้สิ่งใหม่ๆอย่างเช่นใช้งานโปรแกรมคอมพิวเตอร์ใหม่หรือเริ่มโครงการใหม่
คลิป #354

การพูดซ้ำ: นั่นไม่ นั่นไม่

lomasub มี CER ต่ำกว่า 5 จาก 7 โมเดล

ผู้พูดพูด นั่นไม่ สองครั้ง และพูด แม้ว่า ก่อนแก้เป็น แม้จะ lomasub, ElevenLabs และ Gemini ถอดครบทั้งสองจุดและมี CER = 0 MAI ตัดออกทั้งสองจุด gpt-transcribe ตัด นั่นไม่ ที่ซ้ำและรวมอีกจุดเป็น แม้ว่าจะ ส่วน Qwen และ Whisper large-v3 ตัด นั่นไม่ ที่ซ้ำออก

Reference

อย่างไรก็ดี นั่นไม่ นั่นไม่เป็นความจริง แม้ว่าแม้จะมีบางอย่างเขียนไว้ที่ด้านหลังของเอกสาร แต่ก็ไม่ใช่— / สัตว์แผนที่ขุมทรัพย์อยู่ดี

  • lomasub0.000อย่างไรก็ดีนั่นไม่นั่นไม่เป็นความจริงแม้ว่าแม้จะมีบางอย่างเขียนไว้ที่ด้านหลังของเอกสารแต่ก็ไม่ใช่แผนที่ขุมทรัพย์อยู่ดี
  • ElevenLabs Scribe v20.000อย่างไรก็ดีนั่นไม่นั่นไม่เป็นความจริงแม้ว่าแม้จะมีบางอย่างเขียนไว้ที่ด้านหลังของเอกสารแต่ก็ไม่ใช่แผนที่ขุมทรัพย์อยู่ดี
  • Gemini 3.5 Transcribe Live0.000อย่างไรก็ดีนั่นไม่นั่นไม่เป็นความจริงแม้ว่าแม้จะมีบางอย่างเขียนไว้ที่ด้านหลังของเอกสารแต่ก็ไม่ใช่แผนที่ขุมทรัพย์อยู่ดี
  • MAI-Transcribe-20.110อย่างไรก็ดีนั่นไม่นั่นไม่เป็นความจริงแม้ว่าแม้จะมีบางอย่างเขียนไว้ที่ด้านหลังของเอกสารแต่ก็ไม่ใช่แผนที่ขุมทรัพย์อยู่ดี
  • gpt-transcribe0.085อย่างไรก็ดีนั่นไม่นั่นไม่เป็นความจริงแม้ว่าแม้จะมีบางอย่างเขียนไว้ที่ด้านหลังของเอกสารแต่ก็ไม่ใช่แผนที่ขุมทรัพย์อยู่ดี
  • Qwen3-ASR-1.7B0.068อย่างไรก็ดีนั่นไม่นั่นไม่เป็นความจริงแม้ว่าแม้จะมีบางอย่างเขียนไว้ที่ด้านหลังของเอกสารแต่ก็ไม่ใช่แผ่นที่ขุมทรัพย์อยู่ดี
  • Typhoon Whisper Turbo0.017อย่างไรก็ดีนั่นไม่นั่นไม่เป็นความจริงแม้ว่าแม้จะมีบางอย่างเขียนไว้ที่ด้านหลังของเอกสารแต่ก็ไม่ใช่แผ่นที่ขคุมทรัพย์อยู่ดี
  • Whisper large-v30.076อย่างไรก็ดีนั่นไม่นั่นไม่เป็นความจริงแม้ว่าแม้จะมีบางอย่างเขียนไว้ที่ด้านหลังของเอกสารแต่ก็ไม่ใช่แผ่นที่ขคุมทรัพย์อยู่ดี
คลิป #418

ไม่เติมคำที่ไม่ได้พูด: เทคโนโลยี

lomasub มี CER ต่ำกว่า 5 จาก 7 โมเดล

ห้าโมเดลเติมคำ เทคโนโลยี (หรือรูปที่เพี้ยน เช่น เทคโนโลกส์ และ เทคโนเล็กส์) ไว้หน้า เทคนิคใหม่ ๆ ซึ่งไม่มีใน reference lomasub, MAI และ gpt-transcribe ถอดตามที่พูดและมี CER = 0

Reference

นอกจากนี้ การที่ผู้เป็นเจ้าของรถยนต์มีจำนวนมากมายมหาศาลยังทำให้เกิดอุบัติเหตุบนท้องถนนสูงขึ้นอีกด้วย ซึ่งก็ได้นำไปสู่การคิดค้นเทคนิคใหม่ ๆ ในการซ่อมแซมตัวถังที่ถูกทำลาย

  • lomasub0.000นอกจากนี้การที่ผู้เป็นเจ้าของรถยนต์มีจำนวนมากมายมหาศาลยังทำให้เกิดอุบัติเหตุบนท้องถนนสูงขึ้นอีกด้วยซึ่งก็ได้นำไปสู่การคิดค้นเทคนิคใหม่ๆในการซ่อมแซมตัวถังที่ถูกทำลาย
  • ElevenLabs Scribe v20.055นอกจากนี้การที่ผู้เป็นเจ้าของรถยนต์มีจำนวนมากมายมหาศาลยังทำให้เกิดอุบัติเหตุบนท้องถนนสูงขึ้นอีกด้วยซึ่งก็ได้นำไปสู่การคิดค้นเทคโนโลยีเทคนิคใหม่ๆในการซ่อมแซมตัวถังที่ถูกทำลาย
  • Gemini 3.5 Transcribe Live0.055นอกจากนี้การที่ผู้เป็นเจ้าของรถยนต์มีจำนวนมากมายมหาศาลยังทำให้เกิดอุบัติเหตุบนท้องถนนสูงขึ้นอีกด้วยซึ่งก็ได้นำไปสู่การคิดค้นเทคโนโลยีเทคนิคใหม่ๆในการซ่อมแซมตัวถังที่ถูกทำลาย
  • MAI-Transcribe-20.000นอกจากนี้การที่ผู้เป็นเจ้าของรถยนต์มีจำนวนมากมายมหาศาลยังทำให้เกิดอุบัติเหตุบนท้องถนนสูงขึ้นอีกด้วยซึ่งก็ได้นำไปสู่การคิดค้นเทคนิคใหม่ๆในการซ่อมแซมตัวถังที่ถูกทำลาย
  • gpt-transcribe0.000นอกจากนี้การที่ผู้เป็นเจ้าของรถยนต์มีจำนวนมากมายมหาศาลยังทำให้เกิดอุบัติเหตุบนท้องถนนสูงขึ้นอีกด้วยซึ่งก็ได้นำไปสู่การคิดค้นเทคนิคใหม่ๆในการซ่อมแซมตัวถังที่ถูกทำลาย
  • Qwen3-ASR-1.7B0.055นอกจากนี้การที่ผู้เป็นเจ้าของรถยนต์มีจำนวนมากมายมหาศาลยังทำให้เกิดอุบัติเหตุบนท้องถนนสูงขึ้นอีกด้วยซึ่งก็ได้นำไปสู่การคิดค้นเทคโนโลยีเทคนิคใหม่ๆในการซ่อมแซมตัวถังที่ถูกทำลาย
  • Typhoon Whisper Turbo0.060นอกจากนี้การที่ผู้เป็นเจ้าของรถยนต์มีจำนวนมากมายมหาศาลยังทำให้เกิดอุบัติเหตุบนท้องถนนสูงขึ้นอีกด้วยซึ่งก็ได้นำไปสู่การคิดค้นเทคโนโลกส์เทคนิคใหม่ใหม่ในการซ่อมแซมตัวถังที่ถูกทำลาย
  • Whisper large-v30.067นอกจากนี้การที่ผู้เป็นเจ้าของรถยนต์มีจำนวนมากมายมหาศาลยังทำให้เกิดอุบัติเหตุบนท้องถนนสูงขึ้นอีกด้วยซึ่งก็ได้นำไปสู่การคิดค้นเทคโนเล็กส์เทคนิคใหม่ๆในการซ่อมแซมตัวถังที่ถูกทำลาย
คลิป #434

ไม่เขียนคำซ้ำ: เป็นทวีป

lomasub มี CER ต่ำกว่า 5 จาก 7 โมเดล

ElevenLabs, Gemini และ Typhoon เขียน เป็นทวีป สองครั้ง ขณะที่ reference มีครั้งเดียว Qwen ถอด เอกราช เป็น เอกลักษณ์ และ Whisper large-v3 ถอด ทว่า เป็น ถ้า lomasub, MAI และ gpt-transcribe มี CER = 0

Reference

ยุโรปเป็นทวีปที่ค่อนข้างเล็กทว่ามีประเทศที่เป็นเอกราชมากมาย ในสถานการณ์ปกติ การเดินทางผ่านหลายประเทศหมายความว่าต้องมีการขอวีซ่าหลายหนและผ่านการตรวจหนังสือเดินทางหลายครั้ง

  • lomasub0.000ยุโรปเป็นทวีปที่ค่อนข้างเล็กทว่ามีประเทศที่เป็นเอกราชมากมายในสถานการณ์ปกติการเดินทางผ่านหลายประเทศหมายความว่าต้องมีการขอวีซ่าหลายหนและผ่านการตรวจหนังสือเดินทางหลายครั้ง
  • ElevenLabs Scribe v20.048ยุโรปเป็นทวีปเป็นทวีปที่ค่อนข้างเล็กทว่ามีประเทศที่เป็นเอกราชมากมายในสถานการณ์ปกติการเดินทางผ่านหลายประเทศหมายความว่าต้องมีการขอวีซ่าหลายหนและผ่านการตรวจหนังสือเดินทางหลายครั้ง
  • Gemini 3.5 Transcribe Live0.048ยุโรปเป็นทวีปเป็นทวีปที่ค่อนข้างเล็กทว่ามีประเทศที่เป็นเอกราชมากมายในสถานการณ์ปกติการเดินทางผ่านหลายประเทศหมายความว่าต้องมีการขอวีซ่าหลายหนและผ่านการตรวจหนังสือเดินทางหลายครั้ง
  • MAI-Transcribe-20.000ยุโรปเป็นทวีปที่ค่อนข้างเล็กทว่ามีประเทศที่เป็นเอกราชมากมายในสถานการณ์ปกติการเดินทางผ่านหลายประเทศหมายความว่าต้องมีการขอวีซ่าหลายหนและผ่านการตรวจหนังสือเดินทางหลายครั้ง
  • gpt-transcribe0.000ยุโรปเป็นทวีปที่ค่อนข้างเล็กทว่ามีประเทศที่เป็นเอกราชมากมายในสถานการณ์ปกติการเดินทางผ่านหลายประเทศหมายความว่าต้องมีการขอวีซ่าหลายหนและผ่านการตรวจหนังสือเดินทางหลายครั้ง
  • Qwen3-ASR-1.7B0.048ยุโรปเป็นทวีปที่ค่อนข้างเล็กทว่ามีประเทศที่เป็นเอกราชลักษณ์มากมายในสถานการณ์ปกติการเดินทางผ่านหลายประเทศหมายความว่าต้องมีการขอวีซ่าหลายหุ่นและผ่านการตรวจหนังสือเดินทางหลายครั้ง
  • Typhoon Whisper Turbo0.071ยุโรปเป็นทวีปเป็นทวีปที่ค่อนข้างเล็กเท่าว่ามีประเทศที่เป็นเอกราชมากมายในสถานการณ์ปกติการเดินทางผ่านหลายประเทศหมายความว่าต้องมีการขอวีิซ่าหลายหนและผ่านการตรวจหนังสือเดินทางหลายครั้ง
  • Whisper large-v30.042ยุโรปเป็นทวีปที่ค่อนข้างเล็กทว่ถ้ามีประเทศที่เป็นเอกราชมากมายในสถานการณ์ปกติการเดินทางผ่านหลายประเทศหมายความว่าต้องมีการขอวีิซ่าหลายหน่วงและผ่านการตรวจหนังสือเดินทางหลายครั้ง

อักษรละตินสำหรับชื่อเฉพาะ

คลิป #312

ชื่อเฉพาะในอักษรละติน

lomasub มี CER ต่ำกว่า 7 จาก 7 โมเดล

reference ยอมรับทั้ง Addenbrooks และ แอดเด็นบรูคส์ รวมถึง Cambridge และ เคมบริดจ์ lomasub เขียนรูปละติน (ขาดตัว s หนึ่งตัว: Addenbrook) โมเดลอื่นเขียนรูปไทยที่สะกดต่างจาก reference (แอดเดนบรูก, แอตเดนบรุค)

Reference

จากจาก / —นั้น เขาถูกย้ายไปยังโรงพยาบาล Addenbrooks / แอดเด็นบรูคส์ ในเคมบริดจ์ / Cambridge

  • lomasub0.018จากจากนั้นเขาถูกย้ายไปยังโรงพยาบาลaddenbrooksในเคมบริดจ์
  • ElevenLabs Scribe v20.069จากจากนั้นเขาถูกย้ายไปยังโรงพยาบาลแอดเด็นบรูคส์กในเคมบริดจ์
  • Gemini 3.5 Transcribe Live0.052จากจากนั้นเขาถูกย้ายไปยังโรงพยาบาลแอดเด็นบรูคส์ในเคมบริดจ์
  • MAI-Transcribe-20.091จากนั้นเขาถูกย้ายไปยังโรงพยาบาลแอดตเด็นบรูุคส์ในเคมบริดจ์
  • gpt-transcribe0.069จากจากนั้นเขาถูกย้ายไปยังโรงพยาบาลแอดเด็นบรูคส์กในเคมบริดจ์
  • Qwen3-ASR-1.7B0.086จากจากนั้นเขาถูกย้ายไปยังโรงพยาบาลแอดเด็นบรูคส์ในเคมบริดจ์ج
  • Typhoon Whisper Turbo0.103จากจากนั้นเขาถูกย้ายไปยังโรงพยาบาลแอดเด็นบรูคส์กในเคมบริดจ์
  • Whisper large-v30.145จากนั้นเขาถูกย้ายไปยังโรงพยาบาลแอดเด็นบรลูคส์กในเคมบริดจ์ก
คลิป #136

ชื่อเฉพาะในอักษรละติน: Sundarbans

lomasub มี CER ต่ำกว่า 7 จาก 7 โมเดล

reference ยอมรับทั้ง ซุนดาร์บันส์ และ Sundarbans lomasub เขียนรูปละตินและมี CER = 0 ElevenLabs, MAI, Qwen และ Whisper large-v3 เขียน ซุนดาบัน ซึ่งไม่มี ร์ และ ส์ ตามรูปใน reference Typhoon เขียน ซึนดาบันส์ ส่วน Gemini และ gpt-transcribe เขียนชื่อถูกแต่เขียน องค์การ แทน องค์กร

Reference

องค์กรยูเนสโก / UNESCOประกาศให้ซุนดาร์บันส์ / Sundarbansเป็นมรดกโลก ส่วนหนึ่งของป่าที่อยู่ในเขตแดนของอินเดียเรียกว่าอุทยานแห่งชาติซุนดาร์บันส์ / Sundarbans

  • lomasub0.000องค์กรยูเนสโกประกาศให้sundarbansเป็นมรดกโลกส่วน1ของป่าที่อยู่ในเขตแดนของอินเดียเรียกว่าอุทยานแห่งชาติsundarbans
  • ElevenLabs Scribe v20.070องค์กรยูเนสโกประกาศให้ซุนดาร์บันส์เป็นมรดกโลกส่วน1ของป่าที่อยู่ในเขตแดนของอินเดียเรียกว่าอุทยานแห่งชาติซุนดาร์บันส์
  • Gemini 3.5 Transcribe Live0.009องค์การยูเนสโกประกาศให้ซุนดาร์บันส์เป็นมรดกโลกส่วน1ของป่าที่อยู่ในเขตแดนของอินเดียเรียกว่าอุทยานแห่งชาติซุนดาร์บันส์
  • MAI-Transcribe-20.070องค์กรยูเนสโกประกาศให้ซุนดาร์บันส์เป็นมรดกโลกส่วน1ของป่าที่อยู่ในเขตแดนของอินเดียเรียกว่าอุทยานแห่งชาติซุนดาร์บันส์
  • gpt-transcribe0.009องค์การยูเนสโกประกาศให้ซุนดาร์บันส์เป็นมรดกโลกส่วน1ของป่าที่อยู่ในเขตแดนของอินเดียเรียกว่าอุทยานแห่งชาติซุนดาร์บันส์
  • Qwen3-ASR-1.7B0.070องค์กรยูเนสโกประกาศให้ซุนดาร์บันส์เป็นมรดกโลกส่วน1ของป่าที่อยู่ในเขตแดนของอินเดียเรียกว่าอุทยานแห่งชาติซุนดาร์บันส์
  • Typhoon Whisper Turbo0.052องค์กรยูเนสโกประกาศให้ซุึนดาร์บันส์เป็นมรดกโลกส่วน1ของป่าที่อยู่ในเขตแดนของอินเดียเรียกว่าอุทยานแห่งชาติซุึนดาร์บันส์
  • Whisper large-v30.070องค์กรยูเนสโกประกาศให้ซุนดาร์บันส์เป็นมรดกโลกส่วน1ของป่าที่อยู่ในเขตแดนของอินเดียเรียกว่าอุทยานแห่งชาติซุนดาร์บันส์
คลิป #79

ชื่อเฉพาะในอักษรละติน: Northern Mariana

lomasub มี CER ต่ำกว่า 6 จาก 7 โมเดล

reference ยอมรับทั้ง นอร์เทิร์นมาเรียนา และ Northern Mariana และยอมรับคำ สำนัก ที่ผู้พูดพูดซ้ำทั้งแบบมีและไม่มี lomasub เขียนรูปละติน Gemini เขียนรูปไทยตรงกับ reference และทั้งสองระบบมี CER = 0 MAI เขียน Northern Marina ส่วนโมเดลอื่นเขียนรูปไทยที่ต่างจาก reference เช่น นอร์เทิร์น มารีน่า, นอร์ซึน มารีนา และ North มาริน่า

Reference

สำนัก สำนัก / สำนักงานจัดการเหตุฉุกเฉินของนอร์เทิร์นมาเรียนา / Northern Marianaแถลงว่าไม่มีรายงานความเสียหายภายในประเทศ

  • lomasub0.000สำนักงานจัดการเหตุฉุกเฉินของนอร์เทิร์นมาเรียนาแถลงว่าไม่มีรายงานความเสียหายภายในประเทศ
  • ElevenLabs Scribe v20.044สำนักมสำนักงานจัดการเหตุฉุกเฉินของนอร์เทิร์นมาเรียน่าแถลงว่าไม่มีรายงานความเสียหายภายในประเทศ
  • Gemini 3.5 Transcribe Live0.000สำนักสำนักงานจัดการเหตุฉุกเฉินของนอร์เทิร์นมาเรียนาแถลงว่าไม่มีรายงานความเสียหายภายในประเทศ
  • MAI-Transcribe-20.012สำนักงานจัดการเหตุฉุกเฉินของnorthernmarianaแถลงว่าไม่มีรายงานความเสียหายภายในประเทศ
  • gpt-transcribe0.081สำนักงานจัดการเหตุฉุกเฉินของนอร์เทิร์ซึนมาเรียนาแถลงว่าไม่มีรายงานความเสียหายภายในประเทศ
  • Qwen3-ASR-1.7B0.070สำนักงานจัดการเหตุฉุกเฉินของนอร์เทิร์ซนมาเรียนาแถลงว่าไม่มีรายงานความเสียหายภายในประเทศ
  • Typhoon Whisper Turbo0.120สำนักงานจัดการเหตุฉุกเฉินของnorthernmarianaมาริน่าแถลงว่าไม่มีรายงานความเสียหายภายในประเทศ
  • Whisper large-v30.035สำนักงานจัดการเหตุฉุกเฉินของนอร์เทิร์นมาเรียน่าแถลงว่าไม่มีรายงานความเสียหายภายในประเทศ
คลิป #92

ชื่อเฉพาะในอักษรละติน: T-Rex

lomasub มี CER ต่ำกว่า 5 จาก 7 โมเดล

reference ยอมรับทั้ง ทีเร็กซ์ และ T-Rex lomasub เขียนรูปละติน Gemini และ MAI เขียนรูปไทย ทั้งสามระบบมี CER = 0 gpt-transcribe, Qwen และ Typhoon เขียน ทีเร็ก หรือ ทีเรก โดยไม่มี ซ์ Qwen และ Whisper large-v3 ถอด ไดโนเสาร์ เป็น ในตัวเสา และ ในดัวเสา ส่วน ElevenLabs เติมคำ นาย หน้า ไดโนเสาร์

Reference

มันยังโจมตีอะไรก็ตามที่ลงไปในถ้ำอีกด้วย แม้แต่ไดโนเสาร์ยักษ์ใหญ่อย่าง ทีเร็กซ์ / T-Rex ก็ไม่ใช่คู่ต่อกรของมัน

  • lomasub0.000มันยังโจมตีอะไรก็ตามที่ลงไปในถ้ำอีกด้วยแม้แต่ไดโนเสาร์ยักษ์ใหญ่อย่างtrexก็ไม่ใช่คู่ต่อกรของมัน
  • ElevenLabs Scribe v20.031มันยังโจมตีอะไรก็ตามที่ลงไปในถ้ำอีกด้วยแม้แต่นายไดโนเสาร์ยักษ์ใหญ่อย่างทีเร็กซ์ก็ไม่ใช่คู่ต่อกรของมัน
  • Gemini 3.5 Transcribe Live0.000มันยังโจมตีอะไรก็ตามที่ลงไปในถ้ำอีกด้วยแม้แต่ไดโนเสาร์ยักษ์ใหญ่อย่างทีเร็กซ์ก็ไม่ใช่คู่ต่อกรของมัน
  • MAI-Transcribe-20.000มันยังโจมตีอะไรก็ตามที่ลงไปในถ้ำอีกด้วยแม้แต่ไดโนเสาร์ยักษ์ใหญ่อย่างทีเร็กซ์ก็ไม่ใช่คู่ต่อกรของมัน
  • gpt-transcribe0.031มันยังโจมตีอะไรก็ตามที่ลงไปในถ้ำอีกด้วยแม้แต่ไดโนเสาร์ยักษ์ใหญ่อย่างทีเร็กซ์ก็ไม่ใช่คู่ต่อกรของมัน
  • Qwen3-ASR-1.7B0.092มันยังโจมตีอะไรก็ตามที่ลงไปในถ้ำอีกด้วยแม้แต่ไดโในตัวเสาร์ยักษ์ใหญ่อย่างทีเร็กซ์ก็ไม่ใช่คู่ต่อกรของมัน
  • Typhoon Whisper Turbo0.051มันยังโจมตีอะไรก็ตามที่ลงไปในถ้ำอีกด้วยแม้แต่ไดในโนเสาร์ยักษ์ใหญ่อย่างทีเร็กซ์ก็ไม่ใช่คู่ต่อกรของมัน
  • Whisper large-v30.074มันยังโจมตีอะไรก็ตามที่ลงไปในถ้ำอีกด้วยแม้แต่ไในดโนัวเสาร์ยักษ์ใหญ่อย่างtrexก็ไม่ใช่คู่ต่อกรของมัน
คลิป #421

ประโยคยาวที่มีชื่อเฉพาะ: Scrapbook

lomasub มี CER ต่ำกว่า 7 จาก 7 โมเดล

reference ยาวประมาณ 200 ตัวอักษร และยอมรับทั้ง นอร์ทแคโรไลนา / North Carolina และ สแครปบุ๊ก / scrapbook lomasub มี CER = 0 ส่วนโมเดลอื่นผิดอย่างน้อยหนึ่งจุด ได้แก่ ชื่อโรงเรียน เบนเน็ต (เบนเนท, เบนเน็ตต์, เป็นเนต, เบเนดิกต์) คำ เว็บไซต์ ที่เขียนซ้ำ (ElevenLabs, Gemini) ชื่อรัฐ (นอร์ธแคโรไลนา, นอร์ธแคลอร์ไลน่า) และคำ สแครปบุ๊ก (สแครปบุ๊ค, สเก็ตบุ๊ก, สแคปบุ๊บ, สแก๊ปบุ๊บ)

Reference

ตัวอย่างเช่น นักเรียนจากโรงเรียนเบนเน็ตในรัฐนอร์ทแคโรไลนา / North Carolinaออกแบบเว็บไซต์การเดินทางของพวกเขาไปยังเมืองหลวงของรัฐ เว็บไซต์จะได้รับการออกแบบใหม่ทุกปี แต่เวอร์ชันเก่าก็ยังคงเปิดดูได้ทางออนไลน์เพื่อใช้เป็นสแครปบุ๊ก / scrapbook

  • lomasub0.000ตัวอย่างเช่นนักเรียนจากโรงเรียนเบนเน็ตในรัฐนอร์ทแคโรไลนาออกแบบเว็บไซต์การเดินทางของพวกเขาไปยังเมืองหลวงของรัฐเว็บไซต์จะได้รับการออกแบบใหม่ทุกปีแต่เวอร์ชันเก่าก็ยังคงเปิดดูได้ทางออนไลน์เพื่อใช้เป็นสแครปบุ๊ก
  • ElevenLabs Scribe v20.029ตัวอย่างเช่นนักเรียนจากโรงเรียนเบนเน็ตในรัฐnorthcarolinaออกแบบเว็บไซต์การเดินทางของพวกเขาไปยังเมืองหลวงของรัฐเว็บไซเว็บไซต์จะได้รับการออกแบบใหม่ทุกปีแต่เวอร์ชันเก่าก็ยังคงเปิดดูได้ทางออนไลน์เพื่อใช้เป็นสแครปบุ๊ก
  • Gemini 3.5 Transcribe Live0.054ตัวอย่างเช่นนักเรียนจากโรงเรียนเบนเน็ตทในรัฐnorthcarolinaออกแบบเว็บไซต์การเดินทางของพวกเขาไปยังเมืองหลวงของรัฐเว็บไซต์เว็บไซต์จะได้รับการออกแบบใหม่ทุกปีแต่เวอร์ชันเก่าก็ยังคงเปิดดูได้ทางออนไลน์เพื่อใช้เป็นสแครปบุ๊กค
  • MAI-Transcribe-20.015ตัวอย่างเช่นนักเรียนจากโรงเรียนเบนเน็ตต์ในรัฐนอร์ทธแคโรไลนาออกแบบเว็บไซต์การเดินทางของพวกเขาไปยังเมืองหลวงของรัฐเว็บไซต์จะได้รับการออกแบบใหม่ทุกปีแต่เวอร์ชันเก่าก็ยังคงเปิดดูได้ทางออนไลน์เพื่อใช้เป็นสแครปบุ๊ก
  • gpt-transcribe0.015ตัวอย่างเช่นนักเรียนจากโรงเรียนเบนเน็ป็นเนตในรัฐnorthcarolinaออกแบบเว็บไซต์การเดินทางของพวกเขาไปยังเมืองหลวงของรัฐเว็บไซต์จะได้รับการออกแบบใหม่ทุกปีแต่เวอร์ชันเก่าก็ยังคงเปิดดูได้ทางออนไลน์เพื่อใช้เป็นสแครปบุ๊ก
  • Qwen3-ASR-1.7B0.044ตัวอย่างเช่นนักเรียนจากโรงเรียนเบนเน็ตเนดิกต์ในรัฐnorthcarolinaออกแบบเว็บไซต์การเดินทางของพวกเขาไปยังเมืองหลวงของรัฐเว็บไซต์จะได้รับการออกแบบใหม่ทุกปีแต่เวอร์ชันเก่าก็ยังคงเปิดดูได้ทางออนไลน์เพื่อใช้เป็นสแครปเก็ตบุ๊ก
  • Typhoon Whisper Turbo0.015ตัวอย่างเช่นนักเรียนจากโรงเรียนเบนเน็ตในรัฐnorthcarolinaออกแบบเว็บไซต์การเดินทางของพวกเขาไปยังเมืองหลวงของรัฐเว็บไซต์จะได้รับการออกแบบใหม่ทุกปีแต่เวอร์ชั่นเก่าก็ยังคงเปิดดูได้ทางออนไลน์เพื่อใช้เป็นสแครปบุ๊กบ
  • Whisper large-v30.044ตัวอย่างเช่นนักเรียนจากโรงเรียนเบนเน็ตในรัฐนอร์ทธแคโรไลนลอร์ไลน่าออกแบบเว็บไซต์การเดินทางของพวกเขาไปยังเมืองหลวงของรัฐเว็บไซต์จะได้รับการออกแบบใหม่ทุกปีแต่เวอร์ชั่นเก่าก็ยังคงเปิดดูได้ทางออนไลน์เพื่อใช้เป็นสแครก๊ปบุ๊กบ

คำไทยที่พบน้อย

คลิป #400

คำประสมความถี่ต่ำ: ทัศนศึกษา

lomasub มี CER ต่ำกว่า 7 จาก 7 โมเดล

โมเดลอื่นทั้ง 7 ระบบถอดคำ ทัศนศึกษา เป็นคำอื่น เช่น ทางด้านศึกษา ทางการศึกษา และทางนักศึกษา lomasub เป็นระบบเดียวที่มี CER = 0

Reference

การร่วมแบ่งปันประสบการณ์ทัศนศึกษาเสมือนจริง เป็นวิธีที่ดีมากวิธีหนึ่งในการสะท้อนการเดินทางและแบ่งปันประสบการณ์กับวิชาเรียนในอนาคต

  • lomasub0.000การร่วมแบ่งปันประสบการณ์ทัศนศึกษาเสมือนจริงเป็นวิธีที่ดีมากวิธี1ในการสะท้อนการเดินทางและแบ่งปันประสบการณ์กับวิชาเรียนในอนาคต
  • ElevenLabs Scribe v20.089การร่วมแบ่งปันประสบการณ์ทัศางด้านศึกษาเสมือนจริงเป็นวิธีที่ดีมากวิธี1ในการสะท้อนการเดินทางและแบ่งปันประสบการณ์เกี่ยวกับวิชาเรียนในอนาคต
  • Gemini 3.5 Transcribe Live0.040การร่วมแบ่งปันประสบการณ์ทัศางด้านศึกษาเสมือนจริงเป็นวิธีที่ดีมากวิธี1ในการสะท้อนการเดินทางและแบ่งปันประสบการณ์กับวิชาเรียนในอนาคต
  • MAI-Transcribe-20.040การร่วมแบ่งปันประสบการณ์ทัศนางการศึกษาเสมือนจริงเป็นวิธีที่ดีมากวิธี1ในการสะท้อนการเดินทางและแบ่งปันประสบการณ์กับวิชาเรียนในอนาคต
  • gpt-transcribe0.073การร่วมแบ่งปันประสบการณ์ทัศนางการศึกษาเสมือนจริงเป็นวิธีที่ดีมากวิธี1ในการสะท้อนการเดินทางและแบ่งปันประสบการณ์วิกับวปิชาเรียนในอนาคต
  • Qwen3-ASR-1.7B0.081การร่วมแบ่งปันประสบการณ์ทางนัศนกศึกษาเสมือนจริงเป็นวิธีที่ดีมากวิธี1ในการสะท้อนการเดินทางและแบ่งปันประสบการณ์วิศวกับรวิชาเรียนในอนาคต
  • Typhoon Whisper Turbo0.056การร่วมแบ่งปันประสบการณ์ท่านนัศนกศึกษาเสมือนจริงเป็นวิธีที่ดีมากวิธี1ในการสะท้อนการเดินทางและแบ่งปันประสบการณ์วิกับวิชาเรียนในอนาคต
  • Whisper large-v30.056การร่วมแบ่งปันประสบการณ์ท่านรัศนฐศึกษาเสมือนจริงเป็นวิธีที่ดีมากวิธี1ในการสะท้อนการเดินทางและแบ่งปันประสบการณ์วิกับวิชาเรียนในอนาคต
คลิป #170

คำกริยาท้ายประโยค: ถูกยิง

lomasub มี CER ต่ำกว่า 7 จาก 7 โมเดล

Gemini, MAI, gpt-transcribe, Qwen และ Whisper large-v3 ถอดคำ ถูกยิง เป็น ทุบตี, ทุบหญิง, ทุกข์อีก, ถูกอีก และ ถูกหญิง ตามลำดับ ElevenLabs และ Typhoon ถอดคำนี้ถูก แต่ ElevenLabs ตัดคำ เข้า และเขียนชื่อเป็น เมนโดซา ส่วน Typhoon เขียน หญิงชรา เป็น หญิงชะลา lomasub เป็นระบบเดียวที่มี CER = 0

Reference

ต่อมามีช่างภาพหลายคนมาแทนที่หญิงชราเนื่องจากเธอต้องไปเข้าห้องน้ำ เบนโดซ่าถูกยิงอย่างพ่ายแพ้

  • lomasub0.000ต่อมามีช่างภาพหลายคนมาแทนที่หญิงชราเนื่องจากเธอต้องไปเข้าห้องน้ำเบนโดซ่าถูกยิงอย่างพ่ายแพ้
  • ElevenLabs Scribe v20.067ต่อมามีช่างภาพหลายคนมาแทนที่หญิงชราเนื่องจากเธอต้องไปเข้าห้องน้ำเบมนโดซ่าถูกยิงอย่างพ่ายแพ้
  • Gemini 3.5 Transcribe Live0.122ต่อมามีช่างภาพหลายคนมาแทนที่หญิงชราเนื่องจากเธอต้องไปเข้าห้องน้ำเบมนโดซ่าถูกยิงทุบตีอย่างพ่ายแพ้
  • MAI-Transcribe-20.078ต่อมามีช่างภาพหลายคนมาแทนที่หญิงชราเนื่องจากเธอต้องไปเข้าห้องน้ำเบมนโดซ่าถูกยทุบหญิงอย่างพ่ายแพ้
  • gpt-transcribe0.133ต่อมามีช่างภาพหลายคนมาแทนที่หญิงชราเนื่องจากเธอต้องไปเข้าห้องน้ำเบมนโดซ่าถูทุกยิงข์อีกอย่างพ่ายแพ้
  • Qwen3-ASR-1.7B0.133ต่อมามีช่างภาพหลายคนมาแทนที่หญิงชราเนื่องกจากเธอต้องไปเข้าห้องน้ำเบนโดซ่าถูกยิงอีกอย่างพ่ายแพ้
  • Typhoon Whisper Turbo0.022ต่อมามีช่างภาพหลายคนมาแทนที่หญิงชระลาเนื่องจากเธอต้องไปเข้าห้องน้ำเบนโดซ่าถูกยิงอย่างพ่ายแพ้
  • Whisper large-v30.122ต่อมามีช่างภาพหลายคนมาแทนที่หญิงชระลาเนื่องจากเธอต้องไปเข้าห้องน้ำเบนมโดซ่าถูกยหญิงอย่างพ่ายแพ้ๆ
คลิป #145

คำไทยที่พบน้อย: วิวัฒนาการของขนนก

lomasub มี CER ต่ำกว่า 5 จาก 7 โมเดล

MAI และ Qwen ถอด วิวัฒนาการ เป็น วิทยาการ Typhoon และ Whisper large-v3 เขียน วิธานการ และ วิธีนาการ Gemini ตัดคำ นก ส่วน Qwen, Typhoon และ Whisper large-v3 ถอด ดังกล่าว เป็น ดังเก่า lomasub, ElevenLabs และ gpt-transcribe มี CER = 0

Reference

การค้นพบเกี่ยวกับเรื่องดังกล่าวยังช่วยให้เห็นวิวัฒนาการของขนนกในเชิงลึกอีกด้วย

  • lomasub0.000การค้นพบเกี่ยวกับเรื่องดังกล่าวยังช่วยให้เห็นวิวัฒนาการของขนนกในเชิงลึกอีกด้วย
  • ElevenLabs Scribe v20.000การค้นพบเกี่ยวกับเรื่องดังกล่าวยังช่วยให้เห็นวิวัฒนาการของขนนกในเชิงลึกอีกด้วย
  • Gemini 3.5 Transcribe Live0.026การค้นพบเกี่ยวกับเรื่องดังกล่าวยังช่วยให้เห็นวิวัฒนาการของขนนกในเชิงลึกอีกด้วย
  • MAI-Transcribe-20.051การค้นพบเกี่ยวกับเรื่องดังกล่าวยังช่วยให้เห็นวิวัฒนทยาการของขนนกในเชิงลึกอีกด้วย
  • gpt-transcribe0.000การค้นพบเกี่ยวกับเรื่องดังกล่าวยังช่วยให้เห็นวิวัฒนาการของขนนกในเชิงลึกอีกด้วย
  • Qwen3-ASR-1.7B0.090การค้นพบเกี่ยวกับเรื่องดังเกล่าวยังช่วยให้เห็นวิวัฒนทยาการของขนนกในเชิงลึกอีกด้วย
  • Typhoon Whisper Turbo0.090การค้นพบเกี่ยวกับเรื่องดังเกล่าวยังช่วยให้เห็นวิวัฒธานาการของขนนกในเชิงลึกอีกด้วย
  • Whisper large-v30.077การค้นพบเกี่ยวกับเรื่องดังเกล่าวยังช่วยให้เห็นวิวัฒธีนาการของขนนกในเชิงลึกอีกด้วย
คลิป #227

คำยืมที่สะกดได้หลายแบบ: เรือยอชต์

lomasub มี CER ต่ำกว่า 5 จาก 7 โมเดล

โมเดลอื่นสะกดคำ ยอชต์ ต่างกันสี่แบบ ได้แก่ ยอร์ช (ElevenLabs), ยอชท์ (Gemini), ยอท (Qwen) และ ยอด (Typhoon, Whisper large-v3) lomasub, MAI และ gpt-transcribe สะกดตรงกับ reference และมี CER = 0

Reference

คุณไม่จำเป็นต้องใช้เรือยอชต์ในหมู่เกาะและทะเลสาบ

  • lomasub0.000คุณไม่จำเป็นต้องใช้เรือยอชต์ในหมู่เกาะและทะเลสาบ
  • ElevenLabs Scribe v20.062คุณไม่จำเป็นต้องใช้เรือยอร์ชต์ในหมู่เกาะและทะเลสาบ
  • Gemini 3.5 Transcribe Live0.021คุณไม่จำเป็นต้องใช้เรือยอชตท์ในหมู่เกาะและทะเลสาบ
  • MAI-Transcribe-20.000คุณไม่จำเป็นต้องใช้เรือยอชต์ในหมู่เกาะและทะเลสาบ
  • gpt-transcribe0.000คุณไม่จำเป็นต้องใช้เรือยอชต์ในหมู่เกาะและทะเลสาบ
  • Qwen3-ASR-1.7B0.062คุณไม่จำเป็นต้องใช้เรือยอชต์ทในหมู่เกาะและทะเลสาบ
  • Typhoon Whisper Turbo0.062คุณไม่จำเป็นต้องใช้เรือยอชต์ดในหมู่เกาะและทะเลสาบ
  • Whisper large-v30.083คุณไม่จำเป็นต้องใช้เรือยอชต์ดในหมู่เกาะและทะเลสาบ
คลิป #472

คำไทยที่พบน้อย: สุนทรพจน์

lomasub มี CER ต่ำกว่า 6 จาก 7 โมเดล

reference ยอมรับชื่อทั้ง Oliver Sacks และ โอลิเวอร์ แซ็กซ์ lomasub เขียนรูปละติน ElevenLabs เขียนรูปไทย และทั้งสองระบบมี CER = 0 Gemini และ MAI ผิดเฉพาะการสะกดชื่อ (แซกส์, แซกซ์) ส่วนคำ สุนทรพจน์ ถูกถอดเป็น ศูนย์ทรลปฏ (gpt-transcribe), ส่วนทลอพท์ (Qwen), สุนทรพฤษ (Typhoon) และ ส่วนทรพจน์ (Whisper large-v3)

Reference

oliver sacks / โอลิเวอร์ แซ็กซ์ ระบุในงานวิจัยของเขาที่ชื่อว่า ว่าด้วยสุนทรพจน์ของประธานาธิบดี ว่าผู้ที่ไม่สามารถเข้าใจคำพูดเนื่องจากสมองกระทบกระเทือนจะสามารถประเมินความจริงใจได้อย่างไร

  • lomasub0.000oliversacksระบุในงานวิจัยของเขาที่ชื่อว่าว่าด้วยสุนทรพจน์ของประธานาธิบดีว่าผู้ที่ไม่3ารถเข้าใจคำพูดเนื่องจากสมองกระทบกระเทือนจะ3ารถประเมินความจริงใจได้อย่างไร
  • ElevenLabs Scribe v20.000โอลิเวอร์แซ็กซ์ระบุในงานวิจัยของเขาที่ชื่อว่าว่าด้วยสุนทรพจน์ของประธานาธิบดีว่าผู้ที่ไม่3ารถเข้าใจคำพูดเนื่องจากสมองกระทบกระเทือนจะ3ารถประเมินความจริงใจได้อย่างไร
  • Gemini 3.5 Transcribe Live0.012โอลิเวอร์แซ็กซส์ระบุในงานวิจัยของเขาที่ชื่อว่าว่าด้วยสุนทรพจน์ของประธานาธิบดีว่าผู้ที่ไม่3ารถเข้าใจคำพูดเนื่องจากสมองกระทบกระเทือนจะ3ารถประเมินความจริงใจได้อย่างไร
  • MAI-Transcribe-20.006โอลิเวอร์แซ็กซ์ระบุในงานวิจัยของเขาที่ชื่อว่าว่าด้วยสุนทรพจน์ของประธานาธิบดีว่าผู้ที่ไม่3ารถเข้าใจคำพูดเนื่องจากสมองกระทบกระเทือนจะ3ารถประเมินความจริงใจได้อย่างไร
  • gpt-transcribe0.049โอลิเวอร์แซ็กซส์ระบุในงานวิจัยของเขาที่ชื่อว่าว่าด้วยสุน0ทรพจน์ลปฏของประธานาธิบดีว่าผู้ที่ไม่3ารถเข้าใจคำพูดเนื่องจากสมองกระทบกระเทือนจะ3ารถประเมินความจริงใจได้อย่างไร
  • Qwen3-ASR-1.7B0.037โอลิเวอร์แซ็กซ์ระบุในงานวิจัยของเขาที่ชื่อว่าว่าด้วยสุ่วนทรลอพจนท์ของประธานาธิบดีว่าผู้ที่ไม่3ารถเข้าใจคำพูดเนื่องจากสมองกระทบกระเทือนจะ3ารถประเมินความจริงใจได้อย่างไร
  • Typhoon Whisper Turbo0.019โอลิเวอร์แซ็กซ์ระบุในงานวิจัยของเขาที่ชื่อว่าว่าด้วยสุนทรพจน์ฤษของประธานาธิบดีว่าผู้ที่ไม่3ารถเข้าใจคำพูดเนื่องจากสมองกระทบกระเทือนจะ3ารถประเมินความจริงใจได้อย่างไร
  • Whisper large-v30.012โอลิเวอร์แซ็กซ์ระบุในงานวิจัยของเขาที่ชื่อว่าว่าด้วยสุ่วนทรพจน์ของประธานาธิบดีว่าผู้ที่ไม่3ารถเข้าใจคำพูดเนื่องจากสมองกระทบกระเทือนจะ3ารถประเมินความจริงใจได้อย่างไร
คลิป #350

คำไทยที่พบน้อย: ทะเยอทะยาน

lomasub มี CER ต่ำกว่า 7 จาก 7 โมเดล

lomasub, ElevenLabs และ Gemini ถอดคำ ทะเยอทะยาน ถูก ส่วนอีกห้าโมเดลเขียนเป็น เยือยทายัน, เยอรทยาน, เยือทยัน, เยอร์ทยาน และ เยือทยาน ความผิดพลาดเดียวของ lomasub คือ ใช้ แทน ชาย ซึ่งพบในทุกโมเดลยกเว้น Gemini ส่วน ElevenLabs และ Gemini เขียน ประสบ เกินมาหนึ่งครั้ง

Reference

หลังการปฏิวัติ อาชีพต่าง ๆ ยังได้เปิดกว้างสำหรับผู้สมัครชายทุกคนอีกด้วย เปิดโอกาสให้ผู้ที่ทะเยอทะยานและประสบความสำเร็จมากที่สุดได้รับความประสบความสำเร็จ

  • lomasub0.020หลังการปฏิวัติอาชีพต่างๆยังได้เปิดกว้างสำหรับผู้สมัครใชาย้ทุกคนอีกด้วยเปิดโอกาสให้ผู้ที่ทะเยอทะยานและประสบความสำเร็จมากที่สุดได้รับความประสบความสำเร็จ
  • ElevenLabs Scribe v20.054หลังการปฏิวัติอาชีพต่างๆยังได้เปิดกว้างสำหรับผู้สมัครใชาย้ทุกคนอีกด้วยเปิดโอกาสให้ผู้ที่ทะเยอทะยานและประสบความสำเร็จมากที่สุดได้รับความประสบประสบความสำเร็จ
  • Gemini 3.5 Transcribe Live0.034หลังการปฏิวัติอาชีพต่างๆยังได้เปิดกว้างสำหรับผู้สมัครชายทุกคนอีกด้วยเปิดโอกาสให้ผู้ที่ทะเยอทะยานและประสบความสำเร็จมากที่สุดได้รับความประสบประสบความสำเร็จ
  • MAI-Transcribe-20.088หลังการปฏิวัติอาชีพต่างๆยังได้เปิดกว้างสำหรับผู้สมัครใชาย้ทุกคนอีกด้วยเปิดโอกาสให้ผู้ที่ทะเยือยทะายาันและประสบความสำเร็จมากที่สุดได้รับความประสบความสำเร็จ
  • gpt-transcribe0.108หลังการปฏิวัติอาชีพต่างๆยังได้เปิดกว้างสำหรับผู้สมัครใชาย้ทุกคนอีกด้วยเปิดโอกาสให้ผู้ที่ทะเยอรทะยานและประสบความสำเร็จมากที่สุดได้รับความประสบความสำเร็จ
  • Qwen3-ASR-1.7B0.054หลังการปฏิวัติอาชีพต่างๆยังได้เปิดกว้างสำหรับผู้สมัครใชาย้ทุกคนอีกด้วยเปิดโอกาสให้ผู้ที่ทะเยือทะยาันและประสบความสำเร็จมากที่สุดได้รับความประสบความสำเร็จ
  • Typhoon Whisper Turbo0.086หลังการปฏิวัติอาชีพต่างต่างยังได้เปิดกว้างสำหรับผู้สมัครใชาย้ทุกคนอีกด้วยเปิดโอกาสให้ผู้ที่ทะเยอร์ทะยานและประสบความสำเร็จมากที่สุดได้รับความประสบประสบความสำเร็จ
  • Whisper large-v30.047หลังการปฏิวัติอาชีพต่างๆยังได้เปิดกว้างสำหรับผู้สมัครใชาย้ทุกคนอีกด้วยเปิดโอกาสให้ผู้ที่ทะเยือทะยานและประสบความสำเร็จมากที่สุดได้รับความประสบความสำเร็จ

ตัวเลข

คลิป #48

ตัวเลขและชื่อสถานที่

lomasub มี CER ต่ำกว่า 6 จาก 7 โมเดล

reference ยอมรับทั้ง 30% และ สามสิบเปอร์เซ็นต์ รวมถึง มาชูปิกชู และ Machu Picchu lomasub และ gpt-transcribe มี CER = 0 โมเดลอื่นเขียนคำซ้ำ (ดำเนินดำเนิน) เขียน ทุกวันนี้ แทน ปัจจุบันนี้ หรือเขียนปีเป็นคำ

Reference

ในปี 1976 สามสิบเปอร์เซ็นต์ / 30%ของมาชูปิกชู / Machu Picchuได้รับการฟื้นฟูซ่อมแซม และการบูรณะยังคงดำเนินอยู่จนถึงปัจจุบันนี้

  • lomasub0.000ในปี197630%ของมาชูปิกชูได้รับการฟื้นฟูซ่อมแซมและการบูรณะยังคงดำเนินอยู่จนถึงปัจจุบันนี้
  • ElevenLabs Scribe v20.136ในปี19763%ของmachupicchuได้รับการฟื้นฟูซ่อมแซมและการบูรณะยังคงดำเนินดำเนินอยู่จนถึงปัจจทุบกวันนี้
  • Gemini 3.5 Transcribe Live0.067ในปี197630%ของmachupicchuได้รับการฟื้นฟูซ่อมแซมและการบูรณะยังคงดำเนินอยู่จนถึงปัจจุบวันนี้
  • MAI-Transcribe-20.068ในปี19763%ของmachupicchuได้รับการฟื้นฟูซ่อมแซมและการบูรณะยังคงดำเนินอยู่จนถึงปัจจุบวันนี้
  • gpt-transcribe0.000ในปี197630%ของมาชูปิกชูได้รับการฟื้นฟูซ่อมแซมและการบูรณะยังคงดำเนินอยู่จนถึงปัจจุบันนี้
  • Qwen3-ASR-1.7B0.080ในปี197630%ของมาชูปติกชูได้รับการฟื้นฟูซ่อมแซมและการบูรณะิหารยังคงดำเนินอยู่จนถึงปัจจุบันนี้
  • Typhoon Whisper Turbo0.093ในปี19763%ของมาชูปติกชูได้รับการฟื้นฟูซ่อมแซมและการบูรณะยังคงดำเนินอยู่จนถึงปัจจุบวันนี้
  • Whisper large-v30.112ในปี197630%ของmachupicchuได้รับการฟื้นฟภูตซ่อมแซสมและการบูรณะิหารายังคงดำเนินอยู่จนถึงปัจจุบวันนี้
คลิป #24

ปี อักษรย่อ และจำนวน

lomasub มี CER ต่ำกว่า 6 จาก 7 โมเดล

reference ยอมรับ 2005 หรือ สองพันห้า, FBI หรือ เอฟบีไอ และ 10 หรือ สิบ lomasub และ MAI มี CER = 0 Gemini เขียนปีเป็น 2500, gpt-transcribe เขียน ๒๕๐๐ ด้วยเลขไทย และ Whisper large-v3 เขียน 2,500 บาท ส่วน ElevenLabs, gpt-transcribe, Qwen และ Whisper large-v3 ถอด ปราบปราม เป็น ปรับปั๊ม, ปรับปรุง หรือ ปรับปรับ

Reference

สภาคองเกรสเริ่มให้เงินสนับสนุนโครงการปราบปรามสื่อลามกอนาจารในปีงบประมาณ 2005 / สองพันห้า และระบุว่า FBI / เอฟบีไอ จะต้องมอบเจ้าหน้าที่ 10 / สิบ คนให้ทำหน้าที่ปราบปรามสื่อลามกสำหรับผู้ใหญ่

  • lomasub0.000สภาคองเกรสเริ่มให้เงินสนับสนุนโครงการปราบปรามสื่อลามกอนาจารในปีงบประมาณ2005และระบุว่าfbiจะต้องมอบเจ้าหน้าที่10คนให้ทำหน้าที่ปราบปรามสื่อลามกสำหรับผู้ใหญ่
  • ElevenLabs Scribe v20.040สภาคองเกรสเริ่มให้เงินสนับสนุนโครงการปราับปราั๊มสื่อลามกอนาจารในปีงบประมาณ2005และระบุว่าfbiจะต้องมอบเจ้าหน้าที่คนให้ทำหน้าที่ปราับปราั๊มสื่อลามกสำหรับผู้ใหญ่
  • Gemini 3.5 Transcribe Live0.020สภาคองนเกรสเริ่มให้เงินสนับสนุนโครงการปราบปรามสื่อลามกอนาจารในปีงบประมาณ25005และระบุว่าfbiจะต้องมอบเจ้าหน้าที่10คนให้ทำหน้าที่ปราบปรามสื่อลามกสำหรับผู้ใหญ่
  • MAI-Transcribe-20.000สภาคองเกรสเริ่มให้เงินสนับสนุนโครงการปราบปรามสื่อลามกอนาจารในปีงบประมาณ2005และระบุว่าfbiจะต้องมอบเจ้าหน้าที่10คนให้ทำหน้าที่ปราบปรามสื่อลามกสำหรับผู้ใหญ่
  • gpt-transcribe0.079สภาคองเกรสเริ่มให้เงินสนับสนุนโครงการปราับปรามับปรุงสื่อลามกอนาจารในปีงบประมาณ2005๒๕๐๐และระบุว่าfbiจะต้องมอบเจ้าหน้าที่คนให้ทำหน้าที่ปราบปรามสื่อลามกสำหรับผู้ใหญ่
  • Qwen3-ASR-1.7B0.092สภาคองนเกรสเริ่มให้เงินสนับสนุนโครงการปราับปรามุงสื่อลรามุกอนาจารย์ในปีงบประมาณ2005และระบุว่าfbiจะต้องมอบเจ้าหน้าที่10คนให้ทำหน้าที่ปราับปรามุงสื่อลรามุกสำหรับผู้ใหญ่
  • Typhoon Whisper Turbo0.040สภาคองเกรสเริ่มให้เงินสนับสนุนโครงการปราบปรามสื่อลรามกอนราจารย์ในปีงบประมาณ25และระบุว่าfbiจะต้องมอบเจ้าหน้าที่คนให้ทำหน้าที่ปราบปรามสื่อลรามกสำหรับผู้ใหญ่
  • Whisper large-v30.183สภาคองเกรสเริ่มให้เงินสนับสนุนโครงการปราับปรามับสื่อลรามกลอนดอาจารย์ในปีงบประมาณ25005บาทและระบุบว่าfbiจะต้องมอบเจ้าหน้าที่10คนให้ทำหน้าที่ปราับปรามับสื่อลรามกลอดอาจารย์สำหรับผู้ใหญ่
คลิป #495

ชื่อนักกีฬาและคะแนนเทนนิส

lomasub มี CER ต่ำกว่า 6 จาก 7 โมเดล

reference ยอมรับชื่อ del Potro คำ tie break และคะแนน 6-6 ได้หลายรูป (6-6, 6:6, 6 ต่อ 6) lomasub และ Gemini มี CER = 0 โมเดลอื่นผิดที่ชื่อนักเทนนิส (เดลโปโต, โปโทร, เดอโปโต, เดลโปโตโต) คำ ไทเบรก (ไทเบรค, ไทรเบรก, Tri-break) หรือถอด เปรียบเทียบ เป็น เปรียบเพียง (gpt-transcribe)

Reference

เดล โปโตร / del Potro / Del Porto ได้เปรียบเทียบในช่วงต้นเซตที่ 2 แต่เซตนี้ต้องมี ไทเบรก / Tie Break เช่นเดียวกันหลังจากที่คะแนนถึง 6- / : / ต่อ6

  • lomasub0.000เดลโปโตรได้เปรียบเทียบในช่วงต้นเซตที่2แต่เซตนี้ต้องมีไทเบรกเช่นเดียวกันหลังจากที่แนนถึง6ต่อ6
  • ElevenLabs Scribe v20.022เดลโปโตทรได้เปรียบเทียบในช่วงต้นเซตที่2แต่เซตนี้ต้องมีไทเบรกคเช่นเดียวกันหลังจากที่แนนถึง6ต่อ6
  • Gemini 3.5 Transcribe Live0.000เดลโปโตรได้เปรียบเทียบในช่วงต้นเซตที่2แต่เซตนี้ต้องมีไทเบรกเช่นเดียวกันหลังจากที่แนนถึง6ต่อ6
  • MAI-Transcribe-20.011เดลโปโตรได้เปรียบเทียบในช่วงต้นเซตที่2แต่เซตนี้ต้องมีtiebreakเช่นเดียวกันหลังจากที่แนนถึง66
  • gpt-transcribe0.043เดลโปโตรได้เปรียบเทพียบงในช่วงต้นเซ็ตที่2แต่เซ็ตนี้ต้องมีtiebreakเช่นเดียวกันหลังจากที่แนนถึง6ต่อ6
  • Qwen3-ASR-1.7B0.033เดลอโปโตรได้เปรียบเทียบในช่วงต้นเซตที่2แต่เซตนี้ต้องมีไทรเบรกเช่นเดียวกันหลังจากที่แนนถึง6ต่อ6
  • Typhoon Whisper Turbo0.033เดลโปโตรโตได้เปรียบเทียบในช่วงต้นเซตที่2แต่เซตนี้ต้องมีไทรเบรกเช่นเดียวกันหลังจากที่แนนถึง6ต่อ6
  • Whisper large-v30.043เดลโปโตรโตได้เปรียบเทียบในช่วงต้นเซตที่2แต่เซตนี้ต้องมีtriebreakเช่นเดียวกันหลังจากที่แนนถึง6ต่อ6
คลิป #222

ตัวเลขและหน่วย: 70 กิโลเมตรต่อชั่วโมง

lomasub มี CER ต่ำกว่า 6 จาก 7 โมเดล

lomasub เขียน 5 นาที, 1 นาที และ 70 กิโลเมตรต่อชั่วโมง ด้วยเลขอารบิก ซึ่ง normalization แปลงให้ตรงกับ reference lomasub และ Gemini มี CER = 0 ความผิดพลาดของโมเดลอื่นอยู่ที่คำ ได้แก่ การแสดง ฝนผ่านไป หรือ การแสดง ผ่านไป แทน การแสดงผลผ่านไป (ElevenLabs, Qwen, gpt-transcribe) และ ฮาใหญ่, หายใหญ่, หาใหญ่ แทน ห่าใหญ่ (MAI, gpt-transcribe, Qwen, Whisper large-v3)

Reference

ลมเริ่มพัดเข้ามาหลังการแสดงผลผ่านไปห้านาที ประมาณหนึ่งนาทีต่อมากำลังลมอยู่ที่ 70 กม./ชม. / กิโลเมตรต่อชั่วโมง แล้วฝนก็มา แต่ว่าทั้งแรงและห่าใหญ่มากจนเสียดแทงผิวของได้เหมือนเข็ม แล้วลูกเห็บก็ตกลงมาจากท้องฟ้า ผู้คนแตกตื่น กรีดร้อง และวิ่งชนกันไปมา

  • lomasub0.000ลมเริ่มพัดเข้ามาหลังการแสดงผลผ่านไป5นาทีประมาณ1นาทีต่อมากำลังลมอยู่ที่70กมชมแล้วฝนก็มาแต่ว่าทั้งแรงและห่าใหญ่มากจนเสียดแทงผิวของได้เหมือนเข็มแล้วลูกเห็บก็ตกลงมาจากท้องฟ้าผู้คนแตกตื่นกรีดร้องและวิ่งชนกันไปมา
  • ElevenLabs Scribe v20.015ลมเริ่มพัดเข้ามาหลังการแสดงผลฝนผ่านไป5นาทีประมาณ1นาทีต่อมากำลังลมอยู่ที่70กมชมแล้วฝนก็มาแต่ว่าทั้งแรงและห่าใหญ่มากจนเสียดแทงผิวของได้เหมือนเข็มแล้วลูกเห็บก็ตกลงมาจากท้องฟ้าผู้คนแตกตื่นกรีดร้องและวิ่งชนกันไปมา
  • Gemini 3.5 Transcribe Live0.000ลมเริ่มพัดเข้ามาหลังการแสดงผลผ่านไป5นาทีประมาณ1นาทีต่อมากำลังลมอยู่ที่70กมชมแล้วฝนก็มาแต่ว่าทั้งแรงและห่าใหญ่มากจนเสียดแทงผิวของได้เหมือนเข็มแล้วลูกเห็บก็ตกลงมาจากท้องฟ้าผู้คนแตกตื่นกรีดร้องและวิ่งชนกันไปมา
  • MAI-Transcribe-20.010ลมเริ่มพัดเข้ามาหลังการแสดงผลผ่านไป5นาทีประมาณ1นาทีต่อมากำลังลมอยู่ที่70กมชมแล้วฝนก็มาแต่ว่าทั้งแรงและห่ฮาใหญ่มากจนเสียดแทงผิวของได้เหมือนเข็มแล้วลูกเห็บก็ตกลงมาจากท้องฟ้าผู้คนแตกตื่นกรีดร้องและวิ่งชนกันไปมา
  • gpt-transcribe0.019ลมเริ่มพัดเข้ามาหลังการแสดงผลผ่านไป5นาทีประมาณ1นาทีต่อมากำลังลมอยู่ที่70กมชมแล้วฝนก็มาแต่ว่าทั้งแรงและห่าายใหญ่มากจนเสียดแทงผิวของได้เหมือนเข็มแล้วลูกเห็บก็ตกลงมาจากท้องฟ้าผู้คนแตกตื่นกรีดร้องและวิ่งชนกันไปมา
  • Qwen3-ASR-1.7B0.019ลมเริ่มพัดเข้ามาหลังการแสดงผลฝนผ่านไป5นาทีประมาณ1นาทีต่อมากำลังลมอยู่ที่70กมชมแล้วฝนก็มาแต่ว่าทั้งแรงและห่าใหญ่มากจนเสียดแทงผิวของได้เหมือนเข็มแล้วลูกเห็บก็ตกลงมาจากท้องฟ้าผู้คนแตกตื่นกรีดร้องและวิ่งชนกันไปมา
  • Typhoon Whisper Turbo0.024ลมเริ่มพัดเข้ามาหลังการแสดงผลผ่านไป5นาทีประมาณ1นาทีต่อมากำลังลมอยู่ที่70กมชมแล้วฝนก็มาแต่ว่าทั้งแรงและห่าใหญ่มากจนเสียดแทงผิวของได้เหมือนเข็มแล้วลูกเห็บก็ตกลงมาจากท้องฟ้าผู้คนแตกตื่นกรีดร้องและล้อมแล้ววิ่งชนกันไปมา
  • Whisper large-v30.029ลมเริ่มพัดเข้ามาหลังการแสดงผลผ่านไป5นาทีประมาณ1นาทีต่อมากำลังลมอยู่ที่70กมชมแล้วฝนก็มาแต่ว่าทั้งแรงและห่ได้หาใหญ่มากจนเสียดแทงผิวของได้เหมือนเข็มแล้วลูกเห็บก็ตกลงมาจากท้องฟ้าผู้คนแตกตื่นกรีดร้องและ้ววิ่งชนกันไปมา

คลิปที่โมเดลอื่นมี CER ต่ำกว่า lomasub

มี 32 คลิปที่อย่างน้อย 5 จาก 7 โมเดลมี CER ต่ำกว่า lomasub เนื่องจากการเลือกสคริปต์ไม่ถูกหักคะแนน คลิปที่ lomasub มี CER สูงที่สุดจัดได้เป็นสองรูปแบบ

รูปแบบที่ 1: คำภาษาอังกฤษที่ผิดคำในอักษรละติน

สามคลิปที่ lomasub มี CER สูงที่สุดมีสาเหตุเดียวกัน คือเขียนคำที่ได้ยินเป็นภาษาอังกฤษแต่ผิดคำ วิกเก็ต (คริกเก็ต) ถูกเขียนเป็น Wicked, เฮเซลนัต ถูกเขียนเป็น Hasselblad และ อาปีอา (เมืองหลวงของซามัว) ถูกเขียนเป็นชุดตัวอักษร RPR การเขียนอักษรละตินที่ทำให้ CER ต่ำในตัวอย่างชื่อเฉพาะข้างต้น ทำให้ CER สูงเมื่อถอดคำนั้นผิด เพราะคำละตินที่ผิดหนึ่งคำ นับเป็นความผิดพลาดทั้งคำ ขณะที่คำทับศัพท์ไทยที่ผิดหนึ่งตัวอักษรนับเป็นความผิดพลาดหนึ่งตัวอักษร

รูปแบบที่ 2: ชื่อเฉพาะที่พบน้อยถูกแทนด้วยคำที่พบบ่อย

ใน 65 คลิปที่ทั้ง ElevenLabs (อันดับสองตาม CER เฉลี่ย) และ MAI (อันดับสองตามจำนวนคลิปที่ CER = 0) มี CER ต่ำกว่า lomasub ความผิดพลาดของ lomasub ได้แก่ คำยืมและชื่อเฉพาะที่สะกดไทยผิด (พายุปรีซาด แทน พายุบลิซซาร์ด) ชื่อที่ถูกประกอบจากคำที่พบบ่อย (อิรักมองโกล แทน อิรากองโก ซึ่งคือภูเขาไฟ Nyiragongo) และคำทั่วไปที่ถอดผิด (กระโดดกราย แทน กระโดดไกล) โดยรวม lomasub มี CER สูงกว่า ElevenLabs ใน 93 คลิป และสูงกว่า MAI ใน 94 คลิป

ขาดหาย ข้อความใน reference ที่ไม่มีในผลถอดความถอดเป็น ข้อความที่เขียนแทนเกินมา ข้อความที่ไม่มีใน reference

คลิป #108

คำภาษาอังกฤษที่ผิดคำ

lomasub มี CER สูงกว่า 7 จาก 7 โมเดล

วิกเก็ต (wicket ในกีฬาคริกเก็ต) ถูกเขียนเป็น Wicked สองครั้ง โมเดลอื่นทุกระบบเขียนด้วยอักษรไทยและมี CER ไม่เกิน 0.06 คลิปนี้เป็นคลิปที่ lomasub มี CER สูงที่สุดในชุดทดสอบ

Reference

แต่หลังจากการเสียวิกเก็ตของกัปตัน อินเดียทำได้เพียง 36 รัน โดยเสีย 7 วิกเก็ตเพื่อจบอินนิ่ง

  • lomasub0.167แต่หลังจากการเสียวิกเก็ตwickedของกัปตันอินเดียทำได้เพียง36รันโดยเสีย7วิกเก็ตwickedเพื่อจบอินนิ่ง
  • ElevenLabs Scribe v20.000แต่หลังจากการเสียวิกเก็ตของกัปตันอินเดียทำได้เพียง36รันโดยเสีย7วิกเก็ตเพื่อจบอินนิ่ง
  • Gemini 3.5 Transcribe Live0.000แต่หลังจากการเสียวิกเก็ตของกัปตันอินเดียทำได้เพียง36รันโดยเสีย7วิกเก็ตเพื่อจบอินนิ่ง
  • MAI-Transcribe-20.060แต่หลังจากการเสียวิกเก็ตของกัปตันอินเดียทำได้เพียง36รันโดยเสีย7วิกเก็ตเพื่อจบอินนิ่ง
  • gpt-transcribe0.012แต่หลังจากการเสียวิกคเก็ตของกัปตันอินเดียทำได้เพียง36รันโดยเสีย7วิกเก็ตเพื่อจบอินนิ่ง
  • Qwen3-ASR-1.7B0.024แต่หลังจากการเสียวิกเกต็ตของกัปตันอินเดียทำได้เพียง36รันโดยเสีย7วิกเกต็ตเพื่อจบอินนิ่ง
  • Typhoon Whisper Turbo0.036แต่หลังจากการเสียวิกเก็ตของกัปตันอินเดียทำได้เพียง36รันโดยเสีย7วิกเก็ตเพื่อจบอินนดิ่ง
  • Whisper large-v30.024แต่หลังจากการเสียวิกเก็ตของกัปตันอินเดียทำได้เพียง36รันโดยเสีย7วิกเก็ตเพื่อจบอินนิ่ง
คลิป #410

ชื่อเมืองที่รู้จำเป็นชุดตัวอักษร

lomasub มี CER สูงกว่า 5 จาก 7 โมเดล

อาปีอา (Apia) ถูกเขียนเป็น RPR และคำที่ผู้พูดเริ่มใหม่ เกาะอูโล อูโปลู ขาดครึ่งแรก ElevenLabs คงไว้ทั้งสองส่วน (เกิน ก หนึ่งตัว) MAI ขาด อูโล เช่นกันแต่ถอดชื่อเมืองถูก

Reference

อาปีอา / Apia คือเมืองหลวงซามัว / Samoa ตั้งอยู่บนเกาะอูโล อูโปลู / Upolu และมีประชากร— / เกือบเพียงเกือบ 40000 / สี่หมื่น คน

  • lomasub0.095arpiarคือเมืองหลวงซามัวตั้งอยู่บนเกาะอูโลอูโปลูและมีประชากรเพียงเกือบ40000คน
  • ElevenLabs Scribe v20.013อาปีอาคือเมืองหลวงซามัวตั้งอยู่บนเกาะอูโลกอูโปลูและมีประชากรเกือบเพียงเกือบ4คน
  • Gemini 3.5 Transcribe Live0.026อาปีอาคือเมืองหลวงซามัวตั้งอยู่บนเกาะอูโลอูโปูลูและมีประชากรเพียงเกือบ40000คน
  • MAI-Transcribe-20.053อาปีอาคือเมืองหลวงซามัวตั้งอยู่บนเกาะอูโลอูโปลูและมีประชากรเพียงเกือบ40000คน
  • gpt-transcribe0.052อาปีอาคือเมืองหลวงซามัวตั้งอยู่บนเกาะอูโลอูโปลูและมีประชากรเกือบเพียงเกือบ4คน
  • Qwen3-ASR-1.7B0.111อาร์ปีอาร์คือเมืองหลวงซาโมัวะตั้งอยู่บนเกาะอูโลรอูโปลูและมีประชากรเพียงเกือบ4คน
  • Typhoon Whisper Turbo0.042อาปีอาคือเมืองหลวงซาโมัวตั้งอยู่บนเกาะอูโลอูโปลูและมีประชากรเพียงเกือบ4คน
  • Whisper large-v30.181อาร์ปีอาร์คือเมืองหลวงซาโมัวะตั้งอยู่บนเกาะอูโลกอูโปรลูและมีประชากรเพียงกือบเกือบ4คน
คลิป #348

ชื่อเฉพาะที่ถูกแทนด้วยคำที่พบบ่อย

lomasub มี CER สูงกว่า 6 จาก 7 โมเดล

ภูเขาไฟอิรากองโก (Nyiragongo) ถูกเขียนเป็น อิรักมองโกล ซึ่งประกอบจากคำว่า อิรัก และ มองโกล ElevenLabs และ MAI มี CER = 0 ส่วน Gemini และ gpt-transcribe คลาดเคลื่อนหนึ่งถึงสองตัวอักษร

Reference

ในปี พ. ศ. 2545 เมืองโกมาถูกทำลายโดยลาวาจากภูเขาไฟอิรากองโก ทำให้ถนนในเมืองถูกฝังกลบไปเกือบทั้งหมด โดยเฉพาะในส่วนใจกลางเมือง

  • lomasub0.026ในปีพศ2545เมืองโกมาถูกทำลายโดยลาวาจากภูเขาไฟอิราักมองโกลทำให้ถนนในเมืองถูกฝังกลบไปเกือบทั้งหมดโดยเฉพาะในส่วนใจกลางเมือง
  • ElevenLabs Scribe v20.000ในปีพศ2545เมืองโกมาถูกทำลายโดยลาวาจากภูเขาไฟอิรากองโกทำให้ถนนในเมืองถูกฝังกลบไปเกือบทั้งหมดโดยเฉพาะในส่วนใจกลางเมือง
  • Gemini 3.5 Transcribe Live0.009ในปีพศ2545เมืองโกมาถูกทำลายโดยลาวาจากภูเขาไฟอิีรากองโกทำให้ถนนในเมืองถูกฝังกลบไปเกือบทั้งหมดโดยเฉพาะในส่วนใจกลางเมือง
  • MAI-Transcribe-20.000ในปีพศ2545เมืองโกมาถูกทำลายโดยลาวาจากภูเขาไฟอิรากองโกทำให้ถนนในเมืองถูกฝังกลบไปเกือบทั้งหมดโดยเฉพาะในส่วนใจกลางเมือง
  • gpt-transcribe0.017ในปีพศ2545เมืองโกมาถูกทำลายโดยลาวาจากภูเขาไฟอิีรากองโกทำให้ถนนในเมืองถูกฝังกลบไปเกือบทั้งหมดโดยเฉพาะในส่วนใจกลางเมือง
  • Qwen3-ASR-1.7B0.043ในปีพศ2545เมืองโกมาถูกทำลายโดยลาวาจากภูเขาไฟเอิราโกองโกทำให้ถนนในเมืองถูกฝังกลบไปเกือบทั้งหมดโดยเฉพาะในส่วนใจกลางเมือง
  • Typhoon Whisper Turbo0.017ในปีพศ2545เมืองโกมาถูกทำลายโดยลาวาจากภูเขาไฟอิีรากองโกทำให้ถนนในเมืองถูกฝังกลบไปเกือบทั้งหมดโดยเฉพาะในส่วนใจกลางเมือง
  • Whisper large-v30.017ในปีพศ2545เมืองโกมาถูกทำลายโดยลาวาจากภูเขาไฟอิีรากองโกทำให้ถนนในเมืองถูกฝังกลบไปเกือบทั้งหมดโดยเฉพาะในส่วนใจกลางเมือง

คลิป #337: ผู้พูดอ่านประโยคเดียวกันสามครั้ง

ครั้งที่สองเป็นการเริ่มใหม่ที่พูดไม่จบ lomasub เขียนประโยคเต็มสองครั้งแต่ตัดส่วนที่เริ่มใหม่ตรงกลางออก (CER 0.11) gpt-transcribe คงไว้ครบทั้งสามส่วนและมี CER = 0 ขณะที่ MAI เขียนเพียงครั้งเดียวและมี CER 0.55 คลิปนี้เป็นคลิปเดียวที่พบว่า lomasub เรียบเรียงถ้อยคำใหม่

ข้อจำกัดของการประเมิน

  • reference และโปรแกรมให้คะแนนชุดเดียวกัน — ผลลัพธ์ทั้ง 8 ชุดให้คะแนนด้วยโปรแกรมและ reference ชุดเดียวกันเมื่อ 20 ต.ค. 2569 ตัวเลขจึงเทียบกันได้โดยตรง แต่บริการ API อาจเปลี่ยนรุ่นหลังการทดสอบ
  • โดเมนเดียว — FLEURS Thai เป็นเสียงอ่านประโยคจากข้อความแนวข่าวและการท่องเที่ยว บันทึกในสภาพแวดล้อมควบคุม ผลนี้ไม่ครอบคลุมเสียงสนทนา เสียงรบกวน หรือคลิปยาว
  • 104 คลิปที่ทุกโมเดลมี CER มากกว่า 0 — บางคลิปยากในตัวเอง บางคลิปน่าจะเป็นข้อผิดพลาดของ reference เช่น คลิป #166 ที่ทั้ง 8 โมเดลถอดตรงกันว่า สัตว์แห่งนักล่ายุค แต่ reference เขียน สัตว์นักล่าแห่งยุค, คลิป #353 ที่ reference เขียน ไดแก่ และคลิป #6 ที่ reference เขียน กาเล็กซี ขณะที่ทุกโมเดลเขียน กาแล็กซี คลิปเหล่านี้กระทบทุกโมเดลเท่ากันและไม่เปลี่ยนลำดับ แต่ทำให้ CER ของทุกโมเดลสูงกว่าค่าจริงเล็กน้อย
  • การวนซ้ำและผลลัพธ์ว่าง — ไม่พบในโมเดลใดบนชุดทดสอบนี้ (นิยามการวนซ้ำคือข้อความยาวไม่เกิน 25 ตัวอักษรที่ซ้ำตั้งแต่ 6 ครั้งและครอบคลุมหนึ่งในสี่ของผลลัพธ์)

บทสรุป

บนชุดทดสอบนี้ lomasub 1.0 มี CER เฉลี่ยต่ำที่สุดในกลุ่มที่ประเมิน (1.21%) ค่าเฉลี่ยที่ต่ำมาจากการกระจายที่หางสั้น คือไม่มีคลิปที่ CER เกิน 20% มากกว่าการมี CER ต่ำกว่าทุกระบบในทุกคลิป ร่วมกับการถอดตามคำพูดจริงและการเขียนชื่อเฉพาะภาษาต่างประเทศด้วยอักษรละติน ซึ่งเป็นสิ่งที่ reference ของชุดทดสอบนี้ให้คะแนน

ผลนี้ทำให้คุณมั่นใจได้ว่าเสียงที่บันทึกและวิดีโอของคุณจะได้รับการถอดคำอย่างแม่นยำ นอกจากนี้ lomasub ยังเขียนศัพท์เทคนิคและคำทับศัพท์หลายคำตรงตามรูปสะกดภาษาอังกฤษ ช่วยให้คุณนำผลถอดความไปใช้งานได้อย่างรวดเร็วโดยไม่ต้องแก้ไขอีก

ElevenLabs Scribe v2, Gemini 3.5 Transcribe Live และ MAI-Transcribe-2 มี CER เฉลี่ย 1.36–1.66% ใกล้เคียงกับ lomasub FLEURS เป็นเสียงอ่านที่บันทึกในสภาพแวดล้อมควบคุม เสียงชัด และคำศัพท์ไม่ซับซ้อน ต่างจากการใช้งานจริงที่คุณภาพเสียงต่ำกว่า และบริบทกับคำศัพท์ซับซ้อนกว่ามาก เราจะเผยแพร่ผลทดสอบ lomasub บนชุดข้อมูลภาษาไทยที่ยากขึ้นในลำดับต่อไป

ตัวเลขทั้งหมดในหน้านี้มาจากผลการประเมินบน FLEURS Thai โดยตรง ให้คะแนนเมื่อ 20 ต.ค. 2569

ลองถอดเสียงภาษาไทยด้วย Loma Sub

ทดลองใช้ฟรีเดือนละ 60 นาที แล้วเปรียบเทียบผลลัพธ์กับไฟล์เสียงของคุณเอง

ผลทดสอบกับคลิปจริงครอบคลุมด้านการแพทย์ การเงิน ข่าว และกฎหมาย