คำแนะนำเรื่องความแม่นยำของ dictation บน Mac ที่แย่ ส่วนใหญ่เป็นคำแนะนำเดียวกันหมด คือพูดให้ชัด อย่าพึมพำ ซื้อไมค์ที่ดีกว่านี้ ไม่ได้ผิดหรอก แต่ใช้ไม่ได้จริง เพราะมันมองอาการเดียวเป็นปัญหาเดียว ทั้งที่มีอยู่หลายปัญหาและแต่ละอย่างแก้คนละแบบ คนที่หูฟัง Bluetooth กำลังทำให้เสียงแย่ลงเงียบ ๆ กับคนที่ตัวถอดเสียงไม่เคยได้ยินนามสกุลเพื่อนร่วมงานมาก่อน พูดเหมือนกันว่า "เสียงเป็นข้อความมันฟังคำผิดตลอด" — และทั้งคู่ไม่ได้ดีขึ้นจากการออกเสียงให้ชัดกว่าเดิม

สิ่งที่ได้ผลคือวินิจฉัยจาก รูปแบบ ของข้อผิดพลาด สิ่งที่ออกมาผิดจะบอกว่าชั้นไหนพัง

สิ่งที่คุณเห็น มักหมายความว่า
ทั้งวลีเพี้ยนหรือหายไป แย่กว่าเดิมตอนคุยสาย ไมค์สลับไปโปรไฟล์การโทรของ Bluetooth
ที่โต๊ะทำงานดี ในห้องประชุมแย่ ระยะห่างและเสียงก้อง
ชื่อหรือคำย่อคำหนึ่งผิดทุกครั้ง ไม่มีคลังคำเฉพาะ
ศัพท์เทคนิคผิด ภาษาทั่วไปถูก engine คือเพดาน
คำดูเข้าเค้าแต่ผิดภาษา ภาษาที่ตั้งไว้ไม่ตรงกับที่พูด
คำถูก แต่ประโยคอ่านไม่รู้เรื่อง เครื่องหมายวรรคตอนและการจัดรูปแบบ ไม่ใช่การถอดเสียง
dictation หยุดเอง timeout จากความเงียบ ไม่เกี่ยวกับความแม่นยำ

เมื่อพิมพ์ด้วยเสียงบน Mac ทำงานได้ไม่ดี ให้ไล่ตามลำดับนี้ สองข้อแรกอธิบายกรณีส่วนใหญ่ และทั้งคู่ฟรี

1. ไมโครโฟนกำหนดเพดาน

ไม่มีอะไรในขั้นถัดไปที่แก้เสียงซึ่งเสียคุณภาพมาตั้งแต่ต้นได้ และบน Mac สาเหตุที่พบบ่อยที่สุดคือหูฟังไร้สาย

Bluetooth แบบดั้งเดิมต้องสลับจากโปรไฟล์เล่นเสียงคุณภาพสูงไปเป็นโปรไฟล์การโทรแฮนด์ฟรีทันทีที่แอปเปิดไมโครโฟน เส้นทางไมค์ในโปรไฟล์นั้นเป็นโมโนและถูกบีบอัดหนัก — แบนด์แคบที่ 8 kHz แบนด์กว้างที่ 16 kHz — และคุณได้ยินตอนมันสลับด้วย เพราะเพลงจะขุ่นลงในวินาทีเดียวกัน โมเดลเสียงพูดทำงานกับเสียง 16 kHz ดังนั้นสัญญาณแบนด์แคบที่ถูกบีบอัดจึงมีข้อมูลให้ทำงานน้อยลงจริง ๆ นี่ไม่ใช่ความผิดของแบรนด์ใดแบรนด์หนึ่ง แต่เป็นวิธีทำงานของโปรไฟล์ และใช้ได้กับหูฟัง Bluetooth ส่วนใหญ่

มีข้อยกเว้นจริงที่ควรรู้ เพราะคำแนะนำเรื่องนี้จำนวนมากยังตามไม่ทัน การบันทึกคุณภาพระดับสตูดิโอ ของ Apple ครอบคลุม AirPods 4, AirPods 4 รุ่น ANC และ AirPods Pro 2 บน macOS Tahoe 26 และใช้งานได้บน Mac ไม่ใช่แค่ iPhone เทียบกับพฤติกรรมโปรไฟล์การโทรแบบเดิมถือว่าดีขึ้นมาก มันไม่มีผลทุกที่โดยอัตโนมัติ — Apple ระบุแอปและหมวดแอปเฉพาะที่รองรับไว้ ดังนั้นแอป dictation ของคุณ จะได้คุณภาพนั้นหรือไม่ ขึ้นกับตัวแอป

วิธีแก้ที่เชื่อถือได้คืออันเดิม เปิดการตั้งค่าไมค์ Mac ที่ System Settings → Sound → Input แล้วเลือกไมโครโฟนในตัวจากรายการอุปกรณ์ — macOS ตั้งชื่อตามรุ่นของคุณ เช่น "MacBook Pro Microphone" การเชื่อมต่อหูฟังจะย้าย input ไปที่หูฟัง และไม่มีอะไรบอกคุณว่าเกิดขึ้นแล้ว ในโน้ตบุ๊กและ iMac ตัวเลือกในตัวคือ array สามไมค์พร้อม directional beamforming และสำหรับการถอดเสียงมันชนะหูฟังไร้สายส่วนใหญ่ จะใช้หูฟังฟังเสียงต่อก็ได้ แค่อย่าให้มันเป็น input

ถ้าอยากได้ไมค์สำหรับพิมพ์ด้วยเสียงบน Mac ที่ดีกว่าไมค์ในตัว การอัปเกรดคือไมโครโฟน USB แบบมีสาย ไม่ใช่ไร้สายที่แพงขึ้น และถ้าไม่แน่ใจว่าปัญหาอยู่ที่เสียงหรือเปล่า ลองอัดสามสิบวินาทีใน Voice Memos ด้วยการตั้งค่าปัจจุบันแล้วฟังย้อน ถ้าหูคุณยังรู้สึกอู้อี้หรือเหมือนพูดในกล่อง โมเดลจะเจอแย่กว่านั้น

2. ระยะห่างและเสียงก้อง ไม่ใช่ความดัง

สิ่งที่สองที่ทำลายความแม่นยำคือห้อง พื้นผิวแข็งทุกด้านส่งสำเนาเสียงคุณที่ล่าช้ากลับเข้าไมค์ และนั่นทำให้ขอบเขตทางเสียงระหว่างคำเบลอ — ซึ่งเป็นข้อมูลที่ตัวถอดเสียงใช้แยกคำพอดี

ในทางปฏิบัติ: นั่งห่างไมค์ 20–30 ซม. แทนที่จะห่างช่วงแขน และกำจัดต้นเสียงรบกวนที่เห็นชัด — พัดลมบนโต๊ะ หน้าต่างที่เปิดรับเสียงรถ คีย์บอร์ดกลไกที่คุณพิมพ์ไปพูดไป

ที่หนักที่สุดคือในการประชุม และตรงนั้นมีผลอย่างที่สองซ้อนขึ้นมาจากเสียงก้อง ถ้าคุณเปิดลำโพงแทนใส่หูฟัง เสียงจากทางไกลจะวนกลับเข้าไมโครโฟนของคุณ อะไรก็ตามที่กำลังถอดเสียงประชุมในเครื่อง จะได้ยินคำของพวกเขาบนช่องไมค์คุณด้วย แล้วยกให้เป็นคำพูดของคุณ ใส่หูฟังแก้ได้ตั้งแต่ต้นทาง ซอฟต์แวร์ก็เก็บกวาดทีหลังได้ — Vext เทียบสตรีมไมค์กับสตรีมระบบบนนาฬิกาประชุมชุดเดียวกัน แล้วตัดบรรทัดจากไมค์ที่ซ้ำกับสิ่งที่สตรีมระบบจับไว้แล้วภายในหน้าต่างสองวินาที — แต่การแก้ทางกายภาพยังดีกว่า

3. engine คือก้าวกระโดดเดี่ยวที่ใหญ่ที่สุด

ถ้าเสียงสะอาดแล้วแต่ความแม่นยำของการแปลงเสียงเป็นข้อความยังกลาง ๆ แปลว่าคุณชนเพดานของ engine

Dictation ในตัวของ Apple ถูกออกแบบให้ทันที ฟรี และพร้อมใช้เสมอบนเครื่องที่กำลังทำอีกร้อยอย่าง มันดีขึ้นมาก และสำหรับตอบสั้น ๆ ก็เพียงพอ — เราเขียนไว้ละเอียดแล้วว่ามันพอตรงไหนและหยุดตรงไหน แต่มันคนละคลาสกับโมเดลที่แอปเฉพาะทางรัน engine ในเครื่องที่หนักกว่าบน Apple Silicon — Parakeet ของ NVIDIA และตระกูล Whisper — ใช้การประมวลผลต่อวินาทีของเสียงมากกว่า และซื้อความแม่นยำด้วยสิ่งนั้น

API ถอดเสียงบนคลาวด์คืออีกคันโยกหนึ่ง และเป็นตัวเลือกจริง แต่หมายความว่าเสียงของคุณออกจากเครื่อง สำหรับสายลูกค้า บันทึกผู้ป่วย บทสัมภาษณ์ หรืออะไรก็ตามที่อยู่ใต้ NDA แค่ข้อนี้ก็ตัดออกแล้ว — และความแม่นยำที่ได้มามักต่างเพียงเล็กน้อยบนเสียงที่สะอาด จะต่างมากก็เฉพาะการบันทึกที่ยากจริง ๆ บน Mac ชิป M การเริ่มจากในเครื่องก่อนคือจุดตั้งต้นที่คุ้ม

สองเรื่องก่อนจะไปไล่ล่าขนาดโมเดล:

  • บนเสียงพูดที่สะอาด ช่องว่างระหว่าง engine ที่ดี ๆ นั้นเล็ก เสียงสะอาดบวกคำศัพท์ทั่วไป แปลว่าโมเดลใหญ่ขึ้นอาจแทบไม่เปลี่ยนอะไร
  • ช่องว่างจะกว้างขึ้นตรงจุดที่คุณน่าจะกำลังลำบากพอดี: เสียงรบกวน สำเนียง ศัพท์เฉพาะ คนพูดทับกัน

ดังนั้นทดสอบด้วยเสียงยาก ๆ ของคุณเองแทนที่จะเชื่อ benchmark ลองพูดหนึ่งย่อหน้าที่มีคำที่คุณใช้จริง — ชื่อผลิตภัณฑ์ ชื่อไลบรารี คำย่อที่ทีมคุณพูดวันละสี่สิบครั้ง — แล้วเทียบ engine บนสิ่งนั้น ถ้าอยากได้ค่าตั้งต้นก่อนเปลี่ยนอะไร แบบทดสอบความแม่นยำของ dictation ของเราให้คะแนนข้อความที่อ่านทีละคำในเบราว์เซอร์ — ชุดศัพท์เทคนิคและชื่อเฉพาะจะบอกเร็วที่สุดว่าหมวดไหนที่พังสำหรับคุณ

4. คำเฉพาะไม่ใช่ปัญหาความแม่นยำ แต่เป็นปัญหาการตั้งค่า

ข้อนี้คนรอแก้นานที่สุด และมันถูกที่สุด

ไม่มี engine ไหนสร้างคำที่มันไม่รู้ว่ามีอยู่ได้อย่างน่าเชื่อถือ นามสกุลเพื่อนร่วมงาน ชื่อบริษัท ชื่อโครงการภายใน kubectl — พวกนี้ออกมาผิดไม่ใช่เพราะการถอดเสียงแย่ แต่เพราะโมเดลเลือกคำที่รู้จักซึ่งน่าจะเป็นไปได้มากที่สุดและเข้ากับเสียง มันจะทำแบบนั้นตลอดไป พูดให้ชัดขึ้นไม่ช่วย เพราะการสะกดที่ถูกไม่เคยเป็นตัวเลือกมาตั้งแต่แรก

Apple ให้มาน้อยมากตรงนี้ ตัว Dictation เองไม่มีคลังคำเฉพาะ ส่วน Voice Control มี — หน้าเว็บของ Apple เองบอกว่าคุณ "สามารถเพิ่มคำและวลีได้ ทีละคำหรือด้วยการนำเข้ารายการ" — แต่นั่นเป็นฟีเจอร์ช่วยการเข้าถึงคนละตัว สำหรับสั่งงาน Mac ด้วยเสียง มีในบางภาษา ไม่ใช่คลังคำสำหรับพิมพ์ด้วยเสียงลงในเอกสาร

แอปเฉพาะทางแก้ด้วยรายการคำหรือรายการแทนที่ ใน Vext 1.3.0 กฎเป็นคู่ — สิ่งที่ตัวถอดเสียงให้ออกมา กับสิ่งที่ควรจะเป็น — ใช้กับ transcript ดิบ แล้วส่งต่อเข้า prompt ของการเก็บกวาดเป็นคำสั่งให้คงไว้ เพื่อไม่ให้รอบ AI เขียนการสะกดที่คุณเพิ่งแก้กลับไปผิดอีก ส่วน engine ที่รับคำใบ้ล่วงหน้าได้ (recognizer ของ Apple, endpoint ที่เข้ากันได้กับ Whisper) คำเหล่านั้นจะถูกป้อนก่อนถอดเสียงด้วย ขั้นตอนคงไว้นี้สำคัญกว่าที่ฟังดู เพราะฟีเจอร์คลังคำที่แก้ transcript แล้วปล่อยให้โมเดลภาษาเขียนทับทีหลัง เท่ากับไม่ได้แก้อะไรเลย

หนึ่งสัปดาห์ ให้จดทุกคำที่คุณแก้ด้วยมือ จะได้สิบถึงสิบห้ารายการ ส่วนใหญ่เป็นชื่อ และรายการนั้นตัดงานแก้ไขที่เหลือออกไปเกือบหมด

5. การตั้งค่าภาษาและการพูดปนกัน

ถ้าได้คำที่ดูเข้าเค้าแต่ผิดภาษา หรือภาษาที่สองของคุณพังกลางประโยค นั่นเป็นเรื่องการตั้งค่ามากกว่าความล้มเหลวของโมเดล

การถอดเสียงแบบภาษาเดียวจะสมมติว่ามีภาษาเดียวแล้วถอดตามนั้น ชื่อผลิตภัณฑ์ภาษาอังกฤษที่อยู่ในประโยคภาษาไทยจึงถูกจับคู่กับสิ่งที่เสียงใกล้เคียงที่สุดในภาษาไทย ถ้าจะเปลี่ยนภาษาของ dictation บน Mac ให้เปิดการตั้งค่าแป้นพิมพ์ ซึ่งเป็นที่อยู่ของภาษา dictation: คลิก Edit ข้าง ๆ Languages เพื่อเพิ่มหรือลบ และเมื่อเปิดมากกว่าหนึ่งภาษา คุณสลับกลางการพูดได้จากภาษาที่แสดงข้างเคอร์เซอร์ ส่วนแอปที่สร้างบนโมเดลหลายภาษามักตรวจจับภาษาให้เองแทนที่จะถาม

การสลับภาษาภายในประโยคเดียวคือกรณีที่ยากที่สุดสำหรับทุก engine และคำแนะนำตามตรงคือ ใส่คำเฉพาะไว้ในคลังคำของคุณ อย่างน้อยคำพวกนั้นจะรอด

6. เครื่องหมายวรรคตอนและการจัดรูปแบบไม่ใช่การถอดเสียง

transcript ที่ทุกคำถูกต้องแต่ทั้งก้อนเป็นประโยคยาวไม่มีวรรคตอน ไม่ใช่ความล้มเหลวด้านความแม่นยำ การถอดเสียงทำงานแล้ว สิ่งที่ขาดคือรอบถัดจากนั้น

คุณพูดเครื่องหมายวรรคตอนเองได้ ("จุลภาค", "ย่อหน้าใหม่") และระบบเติมวรรคตอนอัตโนมัติก็เดาจากจังหวะได้บ้าง แม่นในประโยคสั้นมากกว่าประโยคยาว คำตอบที่ดีกว่าคือเลิกทำด้วยเสียง พูดให้เป็นธรรมชาติแล้วปล่อยให้รอบเก็บกวาดจัดการวรรคตอน ตัวพิมพ์ใหญ่ และคำฟุ่มเฟือยทีหลัง บน Apple Silicon รอบนี้รันในเครื่องทั้งหมดด้วยโมเดลในเครื่องได้ จึงไม่ต้องแลกความเป็นส่วนตัวเลย และนี่เองที่ทำให้ย่อหน้าเดียวกันออกมาเป็นอีเมล ข้อความแชท หรือ bullets ได้ — การปรับรูปเกิดหลังการถอดเสียง ไม่ใช่ระหว่างนั้น

7. "ขีดจำกัด 30 วินาที" ที่ไม่ใช่อย่างที่คุณอ่านมา

ควรแก้ความเข้าใจนี้ เพราะมันถูกพูดซ้ำทุกที่ราวกับเป็นเพดานตายตัวว่าพูดได้นานแค่ไหน เอกสารของ Apple เอง บอกตรงกันข้าม: "คุณสามารถบอกให้พิมพ์ข้อความความยาวเท่าใดก็ได้โดยไม่มี timeout" และแยกอีกข้อว่า "Dictation จะหยุดอัตโนมัติเมื่อไม่พบเสียงพูดเป็นเวลา 30 วินาที"

นั่นคือ timeout จากความเงียบ ไม่ใช่ขีดจำกัดความยาว มันจบเซสชันเมื่อคุณไม่พูดครึ่งนาที — ซึ่งใจกว้างถ้าคุณพูดต่อเนื่อง และน่ารำคาญถ้าคุณเรียบเรียงด้วยการพูด คิดสักพัก แล้วพูดต่อ ถ้าคุณเป็นแบบหลัง สิ่งที่คุณต้องการคือ push-to-talk (กดค้างไว้ขณะพูด) หรือ hotkey แบบสลับ (กดเริ่ม กดหยุด) เพื่อให้เซสชันจบเมื่อคุณสั่ง ไม่ใช่ตามตัวจับเวลา ทั้งสองรูปแบบอยู่ในคู่มือตั้งค่าการถอดเสียงบน Mac

เช็กลิสต์ 60 วินาที

เรียงตามผลกระทบมากไปน้อย:

  1. System Settings → Sound → Input — เลือกไมโครโฟนในตัวอย่างชัดเจน ไม่ใช่หูฟัง Bluetooth ที่เชื่อมต่ออยู่
  2. ขยับมาห่างไมค์ 20–30 ซม. ปิดพัดลม
  3. ใส่หูฟังเวลาคุยสาย เพื่อไม่ให้เสียงจากปลายทางวนกลับเข้าไมค์
  4. อัด 30 วินาทีใน Voice Memos แล้วฟัง ถ้าคุณยังรู้สึกว่าแย่ ให้แก้ตรงนั้นก่อนโทษซอฟต์แวร์
  5. จดสิบคำที่คุณแก้บ่อยที่สุด แล้วใส่ไว้ในคลังคำเฉพาะ
  6. ตรวจภาษาของ dictation และเพิ่มภาษาที่สองถ้าคุณสลับภาษา
  7. เลิกพูดเครื่องหมายวรรคตอน ใช้รอบเก็บกวาดแทน
  8. ศัพท์เทคนิคยังพลาดอยู่? ลอง engine อื่นกับเสียงยาก ๆ ของคุณเอง — เริ่มจากตัวที่รันในเครื่องก่อน เพราะ endpoint บนคลาวด์แปลว่าทุกอย่างที่คุณพูดถูกอัปโหลด

หกในแปดข้อนี้ฟรีและใช้เวลาไม่ถึงนาที

เมื่อมันเป็นที่เครื่องมือจริง ๆ

ถ้าไล่ครบทั้งลิสต์แล้วยังไม่ดีพอ ข้อจำกัดอยู่ที่เครื่องมือ — ปกติเพราะมันไม่มีการควบคุมคลังคำ ไม่มีตัวเลือก engine และไม่มีรอบเก็บกวาด แปลว่าคุณหมดอะไรให้ปรับแล้ว

Vext สร้างมาเพื่อกรณีนี้ และเริ่มจากด้านความเป็นส่วนตัวแทนที่จะมาแปะทีหลัง: การถอดเสียง การเก็บกวาดด้วย AI และการถอดเสียงประชุม ทำงานบน Mac ของคุณทั้งหมด ทั้งไฟล์เสียงและ transcript จึงไม่ออกไปไหน นอกจากนั้นยังมีตัวเลือก engine (Parakeet หรือ recognizer ของ Apple แบบในเครื่อง พร้อม endpoint ที่เข้ากันได้กับ OpenAI ถ้าคุณต้องการอย่างชัดเจน) คลังคำเฉพาะที่รอดจากรอบ AI โหมด dictation ที่ปรับรูปข้อความตามปลายทาง และการถอดเสียงประชุมที่จัดการปัญหาเสียงสะท้อน

ค่าเริ่มต้นไม่มีคลาวด์ ไม่มีบัญชี ไม่มีการสมัครสมาชิก และไม่มีระดับที่ถูกล็อก — $49 จ่ายครั้งเดียว ได้ทุกฟีเจอร์

brew install muvon/tap/vext

แต่เริ่มที่ไมโครโฟนก่อนเถอะ มันฟรี ใช้เวลาสิบวินาที และคนที่ต้องการการแก้ตรงนี้มีมากกว่าคนที่ต้องการแอปตัวใหม่