Deepgram STT: การแยกเสียงผู้พูด v2 ตัวเลข และ batch กับ live
การแยกเสียงผู้พูด v2 ของ Deepgram ถูกเลือกมากกว่าตัวเดิม 3.3 เท่า แต่ diarize_model ใช้ได้เฉพาะแบบ batch ไม่รองรับสตรีมมิง พร้อมการเว้นวรรคภาษาเกาหลีและตัวเลขหลายภาษา
อัปเดต speech-to-text ล่าสุดของ Deepgram เพิ่มการควบคุมเซสชันที่ปรับได้มากขึ้น ปรับปรุงการเว้นวรรคภาษาเกาหลี การจัดรูปแบบตัวเลขหลายภาษา และตัวเลือกแยกผู้พูดแบบ batch สิ่งเหล่านี้มีประโยชน์เมื่อคุณต้องการ transcript ที่อ่านง่ายจากบทสนทนาสดหรือไฟล์บันทึกที่ตรวจทานภายหลังได้
เรื่องนี้สำคัญกับ Telli.sh เพราะเราใช้ Deepgram เป็นเอนจินเสียงหลักใน production เมื่อเอนจินดีขึ้น พื้นฐานของโน้ตสด ไฟล์เสียงที่อัปโหลด สรุป และบันทึกประชุมหลายภาษาก็ดีขึ้นตามไปด้วย
Image: Dejan Krsmanovic, Wikimedia Commons, CC BY 2.0.
Deepgram ประกาศอะไร
รายการล่าสุดคือ UpdateListen ที่ประกาศเมื่อวันที่ 15 มิถุนายน 2026 ฟีเจอร์นี้ช่วยให้เซสชันเสียงสดปรับการตั้งค่า Listen ระหว่างสนทนาได้โดยไม่ต้องเริ่มเซสชันใหม่ ค่าที่ปรับได้รวมถึงเกณฑ์จบเทิร์น timeout คำสำคัญ และ language hints
สำหรับผู้ใช้ นี่หมายถึงประสบการณ์โน้ตสดที่ปรับตัวได้ดีขึ้น เมื่อหัวข้อ คำศัพท์ หรือภาษาที่ใช้ในประชุมเปลี่ยนไป
ในเดือนพฤษภาคม Deepgram ยังประกาศการปรับปรุง STT หลายรายการ:
- transcript ภาษาเกาหลี
koและko-KRมีการเว้นวรรคคำที่ดีขึ้น ทำให้อ่านและตรวจทานง่ายขึ้น - profanity filtering รองรับโมเดลหลายภาษา Nova-2, Nova-3 และ Flux ด้วย
language=multi - Nova-3 multilingual สามารถจัดรูปแบบตัวเลขที่พูดออกมาเป็นตัวเลขในหลายภาษา
- batch speaker diarization v2 ใช้งานได้ผ่าน
diarize_model; Deepgram ระบุว่า v2 ได้รับความพึงพอใจมากกว่า diarizer เดิม 3.3 เท่าในการประเมินโดยมนุษย์แบบเปรียบเทียบ
ข้อแตกต่างที่ควรคำนึงถึงเมื่อเลือกเวิร์กโฟลว์คือ diarize_model ใช้กับคำขอแบบ batch ไม่ใช่ streaming ใช้กับไฟล์บันทึกที่อัปโหลดได้ แต่ไม่ได้เปลี่ยนการระบุผู้พูดระหว่างเซสชันสด
ความหมายสำหรับผู้ใช้ Telli.sh
ประโยชน์ที่ตรงที่สุดคือคุณภาพ transcript ผู้ใช้ภาษาเกาหลีควรได้ข้อความดิบที่อ่านง่ายขึ้น การประชุมหลายภาษาจะได้ประโยชน์จากการจัดรูปแบบตัวเลขและการกรองเนื้อหา
ชั้นถัดมาคือการควบคุมเซสชัน UpdateListen สำคัญกับโน้ต AI สดเป็นพิเศษ เพราะการประชุมแทบไม่เคยหยุดนิ่ง การประชุมด้านเทคนิคอาจต้องเพิ่มน้ำหนักให้คำศัพท์ผลิตภัณฑ์ สายสองภาษาอาจต้องมีคำใบ้ภาษา และบทสนทนาที่รวดเร็วอาจต้องปรับจังหวะการจบแต่ละช่วง การควบคุมเหล่านี้ช่วยให้แอปปรับการรู้จำเสียงสดได้โดยไม่ขัดจังหวะการบันทึก
สำหรับไฟล์บันทึกที่อัปโหลด diarization v2 เป็นอีกตัวเลือกหนึ่งสำหรับโน้ตที่แยกตามผู้พูด Deepgram รายงานว่าผู้ประเมินเลือกใช้มากกว่า diarizer production รุ่นก่อน 3.3 เท่า ในการประเมินโดยมนุษย์แบบเปรียบเทียบ ซึ่งเห็นผลดีขึ้นมากที่สุดกับเสียงจากศูนย์บริการ ผลลัพธ์จากไฟล์ประชุมของคุณเองอาจแตกต่างกัน
STT ที่ดีอย่างเดียวไม่พอ ต้องมีชั้นที่เปลี่ยนเสียงให้เป็นบันทึกการประชุม
Deepgram ทำให้ transcript ดีขึ้น Telli.sh เปลี่ยน transcript ให้เป็น workflow: สถานะบันทึกสด ภาษาต้นทาง ข้อความที่ตรวจทานได้ การปรับปรุงด้วย AI สรุป การตัดสินใจ งานที่ต้องทำ และบันทึกประชุมที่กลับมาใช้ซ้ำได้
เป้าหมายที่ใช้ได้จริงคือแก้ไขน้อยลง โน้ตชัดขึ้น และทำงานหลังประชุมน้อยลง การรู้จำเสียงที่ดีขึ้นมีประโยชน์ที่สุดเมื่อกลายเป็นบันทึกที่ผู้ใช้ตรวจทานและนำกลับมาใช้ได้
