เจาะประเด็น
AI / Speech
NVIDIA ปล่อย Nemotron 3 แยกเสียงใครเป็นใครแบบเรียลไทม์ ประชุมหลายคนก็ไม่มั่วอีกต่อไป
ปัญหา "ใครพูดตอนไหน" ที่ระบบถอดเสียงเดิมๆ ทำพังมาตลอด กำลังถูกแก้ด้วยโมเดลใหม่ที่แยก speaker ได้สดๆ ไม่ต้องรอประมวลผลทีหลัง
ทีมข่าว เอไอไทย.com
⏱ อ่าน 4 นาที
ถอดเสียงเก่งแค่ไหน แต่ถ้าไม่รู้ว่าใครพูด ประโยคก็ยังไร้เจ้าของอยู่ดี — และนั่นคือสนามที่ NVIDIA กำลังเล่นอยู่
เถ้าคุณเคยลองใช้ AI ถอดเสียงประชุมที่มีคนพูดกัน 4-5 คน แล้วได้ข้อความออกมาเป็นก้อนเดียวที่อ่านแล้วงงว่าประโยคนี้ใครพูด คำถามนี้ใครตอบ คุณก็รู้ดีว่าปัญหาจริงของงานถอดเสียงไม่ใช่ "ฟังคำไม่ชัด" แต่มันคือ "ไม่รู้ว่าใครเป็นใคร" ต่างหาก
NVIDIA เพิ่งปล่อย Nemotron 3 Diarization ออกมาบน Hugging Face โดยเจาะจงแก้ปัญหานี้ตรงๆ คำว่า "diarization" ในวงการเสียงหมายถึงการแยกว่าเสียงที่ได้ยินนั้นเป็นของใคร พูดตอนไหน นานแค่ไหน เป็นเทคนิคที่ระบบประชุมออนไลน์และซอฟต์แวร์ถอดเสียงระดับองค์กรพยายามทำมานาน แต่ส่วนใหญ่ทำได้แบบต้องรอประมวลผลทีหลัง หรือไม่ก็แม่นน้อยพอที่คนใช้ต้องมานั่งแก้เองอยู่ดี
ลองคิดดูว่าประโยคอย่าง "ผมไม่เห็นด้วยกับข้อเสนอนี้" มันเปลี่ยนความหมายไปคนละทางเลยถ้าคนพูดคือหัวหน้าทีมกับถ้าเป็นเด็กฝึกงาน นี่คือเหตุผลที่การแยก speaker ไม่ใช่ของเล่น แต่เป็นชั้นข้อมูลที่ขาดไม่ได้ในงานที่ต้องอ้างอิงว่าใครพูดอะไร ทั้งการประชุมบอร์ด การสัมภาษณ์ การทำบันทึกทางการแพทย์ ไปจนถึงระบบวิเคราะห์บทสนทนาของ call center
จุดที่ Nemotron 3 Diarization ต่างจากของเดิมคือคำว่า "real-time" ในชื่อ มันถูกออกแบบมาให้แยก speaker ได้ระหว่างที่เสียงยังไหลเข้ามา ไม่ใช่รออัดจบแล้วค่อยเอาไปเข้าเครื่องทีหลัง ซึ่งในทางปฏิบัติหมายความว่าแอปประชุม ระบบผู้ช่วยเสียง หรือแม้แต่หูฟังแปลภาษาสดๆ สามารถรู้ได้ทันทีว่าใครกำลังพูด โดยไม่ต้องมีช่วงหน่วงที่คนใช้ต้องรอ
การที่ NVIDIA เอาโมเดลตัวนี้ออกมาวางบน Hugging Face ไม่ใช่เรื่องบังเอิญ มันคือการส่งสัญญาณว่าเขาต้องการให้นักพัฒนาทั่วโลกหยิบไปต่อยอดได้ทันที ไม่ต้องขอ API ผ่านระบบปิดของบริษัทใดบริษัทหนึ่ง ใครมีโปรเจกต์ถอดเสียงประชุม ระบบจดบันทึกอัตโนมัติ หรือแอปสายด่วน ก็สามารถดึงโมเดลนี้ไปประกอบกับ pipeline ของตัวเองได้เลย
บอกตรงๆ ว่าผมมองว่านี่เป็นก้าวที่ถูกทางกว่าการแข่งกันทำโมเดลถอดเสียงให้ "แม่นขึ้นอีก 0.5%" เพราะความแม่นระดับนั้นคนใช้แทบไม่รู้สึก แต่อะไรที่คนใช้รู้สึกได้ทันทีคือ "อ๋อ อันนี้พี่สมชายพูด" กับ "อันนี้พี่สมหญิงตอบ" — นั่นคือความต่างระหว่างข้อความดิบๆ กับบันทึกที่ใช้งานได้จริง
ที่ต้องจับตาคือคุณภาพจริงในสภาพเสียงรบกวน เพราะการแยก speaker ในห้องประชุมจริงที่คนพูดทับกัน มีเสียงข้าวของ มีเสียงแอร์ ไม่เหมือนกับไฟล์เสียงทดสอบในห้องแล็บ คำถามคือ Nemotron 3 Diarization จะทนสภาพนั้นได้แค่ไหน ซึ่งตรงนี้ต้องรอคนเอาของจริงไปลองถึงจะรู้
อีกมุมที่คนมักมองข้ามคือเรื่องความเป็นส่วนตัว เมื่อการแยก speaker ทำได้เรียลไทม์บนอุปกรณ์เองโดยไม่ต้องส่งเสียงขึ้นคลาวด์ มันเปิดทางให้งานอย่างการถอดเสียงในห้องหมอหรือห้องกฎหมายที่ข้อมูลอ่อนไหวมากทำได้โดยไม่ต้องเอาข้อมูลออกจากเครื่อง ซึ่งถ้า NVIDIA ทำตรงนี้ได้จริง มันจะเป็นการเปลี่ยนแปลงที่ใหญ่กว่าที่หลายคนคิด
แยก speaker ระหว่างเสียงไหลเข้า
ไม่ต้องรออัดจบแล้วประมวลผลทีหลัง ระบบรู้ว่าใครพูดตอนไหนได้ทันทีระหว่างการสนทนา
วางบน Hugging Face
นักพัฒนาหยิบไปใช้ได้ทันที ไม่ต้องผ่าน API ปิดของบริษัทใดบริษัทหนึ่ง
ต่อยอดกับงานหลายแบบ
ใช้ได้ตั้งแต่ระบบประชุมออนไลน์ บันทึกทางการแพทย์ ไปจนถึงผู้ช่วยเสียงแปลภาษาสด
การแยก speaker เรียลไทม์คือชิ้นส่วนที่ระบบถอดเสียงอัจฉริยะขาดมานาน และการที่ NVIDIA เอามันออกมาแบบเปิดให้ใครก็หยิบไปใช้ได้ ย่อมทำให้ปีหน้าจะมีแอปและเครื่องมือที่ "เข้าใจบทสนทนา" มากขึ้นโผล่มาให้เห็นแน่นอน — ที่เหลือคือรอดูว่าใครจะเอาไปทำอะไรได้ฉลาดกว่ากัน
ที่มา: Hugging Face Blog — อ่านต้นฉบับ
ความคิดเห็น 3
กำลังโหลดความคิดเห็น...