ผลิตภัณฑ์สำหรับการพิมพ์ด้วยเสียงชั้นนำทุกตัว — ไม่ว่าจะเป็น Dragon, Otter, บริการพิมพ์ด้วยเสียงของ Google, บริการพิมพ์ด้วยเสียงของ Apple หรือบริการแปลงเสียงเป็นข้อความแบบ SaaS บนคลาวด์ทุกตัว — ล้วนส่งเสียงของคุณไปยังเซิร์ฟเวอร์ของบุคคลอื่น เสียงจะถูกบันทึกไว้ในเครื่องของคุณ จากนั้นสตรีมผ่าน HTTPS ไปยังศูนย์ข้อมูล เพื่อทำการแปลงเป็นข้อความ แล้วข้อความนั้นจึงถูกส่งกลับมา บางครั้งเสียงดังกล่าวจะถูกเก็บไว้ บางครั้งก็ถูกนำไปใช้ในการฝึกโมเดล และบางครั้งก็จะถูก “ทำให้ไม่สามารถระบุตัวตนได้” ซึ่งเป็นคำที่สูญเสียความหมายไปเกือบหมดแล้ว
เราคิดว่านั่นเป็นค่าเริ่มต้นที่ผิด
สิ่งที่ผู้คนใช้สั่งงานจริง ๆ
เมื่อคุณเริ่มดูการใช้งานจริง จะพบว่าเนื้อหาของการบันทึกเสียงนั้นแทบไม่เคยเป็นเรื่องสบายๆ เลย มันคือ:
- หมายเหตุทางการแพทย์ — แพทย์กำลังถอดเสียงการปรึกษา
- ร่างเอกสารทางกฎหมาย — ทนายความที่เขียนคำร้องหรือจดหมายให้ลูกค้า
- วารสารศาสตร์ — การสัมภาษณ์แหล่งข่าวที่ระบุชื่อ โดยถือว่าไฟล์เสียงจะไม่ถูกส่งออกนอกเครื่องของนักข่าว
- บันทึกการรักษา — สรุปเนื้อหาการพูดคุยโดยนักจิตวิทยา
- กลยุทธ์ทางธุรกิจ — ผู้บริหารร่างบันทึกข้อความเกี่ยวกับข้อตกลง บุคลากร และการเงิน
- บันทึกส่วนตัว — สิ่งที่คนเราคิดจริงๆ ซึ่งไม่มีใครควรได้อ่านเลย
โดยปกติแล้วข้อมูลเหล่านั้นจะถูกอัปโหลดไปยังบริการคลาวด์โดยอัตโนมัติ ซึ่งมักจะเป็นการละเมิดข้อกำหนดของ HIPAA, GDPR, ความลับระหว่างทนายความกับลูกค้า หรือแม้แต่หลักมารยาททั่วไป เนื่องจากผู้ใช้ไม่รู้ตัว หรือไม่มีทางเลือกอื่น
สิ่งที่ Voice Pro ทำแตกต่างไป
- โหมดไม่ใช้คลาวด์ จบปัญหา ไม่มีสวิตช์เพื่อ "ส่งไปยังเซิร์ฟเวอร์เพื่อความแม่นยำที่ดีขึ้น" โมเดลทำงานบน CPU หรือ GPU ของคุณ นั่นคือตัวเลือกเดียว
- ไม่มีข้อมูล telemetry แอปนี้จะไม่ส่งข้อมูลสถิติการใช้งาน รายงานข้อผิดพลาด หรือข้อมูลอื่นใดกลับไปยังเซิร์ฟเวอร์ การเชื่อมต่อเครือข่ายที่มีอยู่มีเพียง (ก) การตรวจสอบใบอนุญาตเมื่อเริ่มต้นใช้งาน (ข) การตรวจสอบการอัปเดต และ (ค) การดาวน์โหลดโมเดลแบบแมนนวลตามความต้องการ ทั้งสามกระบวนการนี้มีอธิบายไว้ชัดเจน และสามารถปิดการทำงานได้
- ไม่ต้องมีบัญชีเพื่อทำการถอดเสียง คุณสามารถใช้ระยะเวลาทดลอง 14 วันได้โดยไม่ต้องสร้างบัญชี จะใช้อีเมลก็ต่อเมื่อคุณต้องการซื้อใบอนุญาตเท่านั้น
- เสียงไม่เคยถูกบันทึกลงในดิสก์เลย บัฟเฟอร์เสียงจะอยู่ใน RAM ระหว่างการถอดเสียง และจะถูกปลดปล่อยทันทีเมื่อมีการสร้างข้อความขึ้นมา ไม่มีอะไรที่จะรั่วไหล หรือสามารถกู้คืนกลับมาได้
โมเดลแบบโลคัลสามารถเทียบเท่าคลาวด์ได้จริงหรือ?
เมื่อสองปีก่อน ไม่ได้เลย โปรเซสเซอร์ในแล็ปท็อปที่มีความจุ 100 MB ในท้องถิ่นนั้น ไม่สามารถเทียบได้เลยกับสิ่งที่ศูนย์ข้อมูลของ Google ทำได้ ซึ่งใช้โปรเซสเซอร์ที่มีความจุ 200 GB พร้อม GPU จำนวน 40 เครื่อง
วันนี้ใช่ การรัน Qwen3-ASR 3B บน CPU ระดับกลางทำให้อัตราความผิดพลาดของคำอยู่ภายใน 2% ของผู้ให้บริการคลาวด์รายใหญ่ในภาษาส่วนใหญ่ และ เหนือกว่า สำหรับภาษาที่มีทรัพยากรจำกัด ซึ่งผู้ให้บริการคลาวด์มีข้อมูลสำหรับการฝึกโมเดลน้อย ช่องว่างดังกล่าวจึงแทบจะเป็นศูนย์ สำหรับการสั่งงานด้วยเสียงโดยเฉพาะ — คือการพูดที่สั้นและมีความตั้งใจชัดเจน — ช่องว่างนั้นใกล้เคียงกับ 0% เช่นกัน ระบบ ASR แบบท้องถิ่นพัฒนาจนดีเพียงพอในปัจจุบัน และยังคงพัฒนาต่อไปเรื่อยๆ เราเป็นเพียงผู้เลือกที่จะนำระบบเหล่านี้มาใช้งาน
หลักการ
เสียงของคุณคือข้อมูลส่วนบุคคลที่คุณสร้างขึ้นมา มันแสดงถึงตัวตน ความคิดของคุณ บุคคลที่คุณกำลังพูดถึง รวมถึงคำพูดที่คุณเลือกใช้โดยไม่มีใครมาแก้ไขมัน เสียงนี้ไม่ควรถูกส่งออกจากอุปกรณ์ของคุณ เว้นแต่คุณจะส่งมันไปยังที่อื่นโดยเจตนาและรู้ตัว
นั่นไม่ใช่สโลแกนทางการตลาด นั่นคือเหตุผลหลักทั้งหมดที่ทำให้ผลิตภัณฑ์นี้ถูกสร้างขึ้นมา