FUTURE LIFESTYLE · ชีวิตที่มี AI Agent · ต้นทางตรวจ 12 ตุลาคม 2026
การพูดงานให้ผู้ช่วยฟังสะดวกกว่าพิมพ์สำหรับบางคน แต่คำท้ายอย่าง “ยังไม่ส่ง” สำคัญพอ ๆ กับตัวงาน Fish Audio for Hermes เพิ่มการเห็นข้อความเป็นวลีระหว่างพูด ทำให้ทางเข้าของคำสั่งเปลี่ยนไป พร้อมข้อแลกเปลี่ยนเรื่องเสียงที่ส่งออก ค่า API และข้อความที่อาจมาไม่ครบ
Quick Answer: ข่าวนี้เปลี่ยนอะไร?
ปลั๊กอิน v1.5.0 เพิ่ม live dictation ใน CLI voice mode, TUI และไมโครโฟนช่องเขียนข้อความของ Desktop เมื่อใช้ Hermes 0.21.6 ขึ้นไปและเปิด stt.streaming: true ข้อความมาเป็นวลีที่จบแล้ว ไม่ใช่ตัวอักษรตามทุกคำ [ประกาศรุ่น]
วันที่ 12 ตุลาคม catalog บน Hermes main เปลี่ยนจากปลั๊กอิน 1.3.2 ไปเป็น 1.5.1 ซึ่งรวมฟีเจอร์นี้ แต่ไม่ได้พิสูจน์ว่าเครื่องที่ใช้ Hermes stable ทุกเครื่องมี catalog ใหม่นั้นแล้ว [commit]
นี่คือการถอดเสียงเป็นข้อความ ก่อนเข้าสู่งานของ Hermes ไม่ได้ให้สิทธิ์ Agent ลงมือเพิ่มโดยตัวมันเอง เราอ่าน release เอกสารและโค้ด ไม่ได้ทดลอง Fish Audio หรือภาษาไทยจริง ลองเปลี่ยนเส้นทางในแบบจำลอง · อ่านข้อจำกัด
ฟีเจอร์ใหม่อยู่ที่เสียงเข้า ไม่ใช่เสียงตอบเดิม
1.5.0 เผยแพร่ 11 ตุลาคมเวลา 15:01 UTC หรือ 22:01 น. ไทย ส่วน 1.5.1 เผยแพร่ 17:55 UTC วันเดียวกัน ซึ่งเป็น 00:55 น. วันที่ 12 ตุลาคมในไทย รุ่นหลังปรับข้อความผิดพลาด ภาษาและรูปแบบหน้า Desktop ไม่ใช่จุดเริ่ม live dictation การสังเคราะห์เสียง เสียงตอบแบบ streaming และเครื่องมือเสียงมีอยู่ก่อนแล้ว [1.5.1]
เสียงเดินทางอย่างไร และมนุษย์อยู่ตรงไหน?
ผู้ใช้ตั้งผู้ให้บริการเป็น Fish Audio ใช้ API key ของบัญชีและอนุญาตไมโครโฟน เมื่อพูด เสียงถูกส่งระหว่างทางไป endpoint realtime ของ Fish บน api.fish.audio ปลั๊กอินแบ่งตามการหยุดพูดแล้วคืนข้อความเป็นวลี จึงมีการประมวลผลเสียงภายนอกก่อนมีข้อความคำขอครบ การตั้ง proxy บนเครื่องไม่ได้ยืนยันว่าโมเดลถอดเสียงอยู่ในเครื่องด้วย [ข้อมูลที่ส่งและปลายทาง]
หลังถอดเสียง งานหลายขั้นตอน เช่น ค้นข้อมูลแล้วจัดแผน ยังเป็นหน้าที่ของ Hermes กับเครื่องมือและกติกาอนุมัติที่ตั้งไว้ ข้อเสนอของเรา: ก่อนใช้ข้อความกับงานที่มีผลจริง ตรวจชื่อ วัน จำนวนเงิน และคำปฏิเสธให้ครบ การแนะนำให้ทบทวนนี้ไม่ได้หมายความว่าทุกโหมดเสียงมีด่านยืนยันข้อความเหมือนกัน
Visual Lab: จากคำพูดถึงคำขอของ Agent
เลือกโหนดเพื่ออ่านแต่ละประเด็น ภาพฉาย 2.5D นี้เป็นแนวคิดใน Hybrid Mind Video Lab เส้นเชื่อมเป็นลำดับการอ่าน ไม่ใช่ Runtime จริง และไม่ได้เรียก Fish หรือ Hermes
Fish Audio: จากเสียงถึงคำขอของ Hermes
ภาพแนวคิด 2.5D จากเอกสาร Fish Audio for Hermes 1.5.1 ซึ่งรวม live dictation ที่เพิ่มใน 1.5.0 เลือกโหนดเพื่ออ่านประเด็น เส้นเชื่อมเป็นลำดับการอ่าน ไม่ใช่ Runtime ไม่มีเสียงจริงหรือการเรียก API การทบทวนข้อความเป็นข้อเสนอ ไม่ใช่ด่านบังคับของทุกโหมดเสียง
1 ตรวจเงื่อนไข
Live ต้องใช้ Hermes 0.21.6+ ในช่อง composer mic, CLI หรือ TUI ตั้ง stt.provider เป็น fish-audio และ stt.streaming เป็น true พร้อม key และไมโครโฟน
ตรวจรุ่นที่ catalog ในเครื่องเสนอ ไม่เดาว่า stable ทุกเครื่องอัปเดตแล้ว
อ่านข้อมูลทั้งหมดแบบข้อความ
- 1 ตรวจเงื่อนไข — Live ต้องใช้ Hermes 0.21.6+ ในช่อง composer mic, CLI หรือ TUI ตั้ง stt.provider เป็น fish-audio และ stt.streaming เป็น true พร้อม key และไมโครโฟน ตรวจรับ: ตรวจรุ่นที่ catalog ในเครื่องเสนอ ไม่เดาว่า stable ทุกเครื่องอัปเดตแล้ว
- 2 ส่งเสียงระหว่างพูด — ไมโครโฟนส่งเสียงไป Fish realtime STT endpoint ระหว่างพูด ไม่ใช่ถอดแบบออฟไลน์ การมี proxy ในเครื่องไม่รับรองว่าประมวลผลทั้งหมดในเครื่อง ตรวจรับ: เสียงออกก่อนข้อความคำขอครบ
- 3 ข้อความเป็นวลี — ข้อความที่กลับมาเป็นวลีที่จบแล้ว ไม่ใช่คำชั่วคราวทุกคำ Language และ prompt hints ไม่ใช้กับ live endpoint นี้ ตรวจรับ: ยังไม่มีผลทดลองความแม่นยำภาษาไทย
- 4 ส่วนท้ายอาจขาด — ถ้าบางข้อความกลับมาแล้ว แต่รอวลีสุดท้ายครบ 15 วินาทีแล้วยังไม่มา อาจคืนเฉพาะวลีก่อนหน้า กรณีนี้ต่างจาก live ล้มเหลวที่ใช้ file fallback ตรวจรับ: ไม่รับรองว่า fallback เติมทุกคำที่หาย
- 5 ตรวจความหมาย — ข้อเสนอของ Hybrid Mind คืออ่านชื่อ วันที่ จำนวน และคำปฏิเสธก่อนใช้กับงานที่มีผลจริง ไม่ได้อ้างว่าทุก voice mode รอผู้ใช้ยืนยันข้อความ ตรวจรับ: คำท้ายอย่าง ยังไม่ส่ง อาจเปลี่ยนความหมายของงาน
- 6 งานต่อของ Hermes — ปลั๊กอินคืนข้อความ ส่วนการวางแผน ใช้เครื่องมือ และการอนุมัติเป็นงานของ Hermes ตามสิทธิ์และค่าตั้งเดิม การพูดไม่ได้เพิ่มอำนาจลงมือ ตรวจรับ: Lab ไม่สั่ง Agent จริง ไม่ส่งข้อความหรือทำธุรกรรม
อ่านข้อความทุกโหนดโดยไม่ใช้ภาพ
- ตั้งค่า: ตรวจรุ่น ช่องรับเสียง ผู้ให้บริการและ streaming
- ไมโครโฟน: เสียงส่งไป Fish ระหว่างพูด
- วลี: เห็นข้อความที่ถอดกลับแล้ว ไม่ใช่ทุกคำทันที
- ส่วนท้าย: ถ้ารอครบ 15 วินาทีแล้วยังไม่มา อาจเหลือเพียงข้อความก่อนหน้า
- ทบทวน: ตรวจชื่อ ตัวเลข และคำปฏิเสธ เป็นข้อเสนอของ Hybrid Mind
- งานต่อ: ข้อความเข้าสู่งานของ Hermes ตามเครื่องมือและสิทธิ์เดิม
แบบจำลอง: เงื่อนไขไหนใช้ live หรือไฟล์?
สมมติว่ามีปลั๊กอินที่รวมฟีเจอร์นี้ API key และไมโครโฟนพร้อม เปลี่ยนเงื่อนไขเพื่ออ่านทางเลือกตามเอกสาร ตัวเลือกเปลี่ยนคำอธิบายเท่านั้น ไม่อัดเสียง ไม่เชื่อมบัญชี ไม่เรียก API และไม่สั่ง Agent
Live: ข้อความกลับเป็นวลี
เงื่อนไขตัวอย่างรองรับ live dictation ส่งเสียงระหว่างพูด แล้วแสดงวลีที่กลับมา ไม่มีผลทดลองความเร็วหรือความถูกต้องในแบบจำลองนี้
- ทางเดินเสียง
- ส่งระหว่างพูดไป Fish realtime API
- ข้อความที่อาจใช้ต่อ
- วลีที่ผู้ให้บริการส่งกลับ ต้องตรวจความหมาย
- จุดที่ผู้ใช้ควรดู
- ชื่อ วันที่ จำนวน และคำปฏิเสธ ก่อนใช้กับงานที่มีผลจริง
กติกาสำรองเมื่อ JavaScript ไม่ทำงาน
- 0.21.6+ ช่อง composer/CLI/TUI กับ streaming true และ endpoint ที่รองรับ ใช้ live
- 0.21.5, isolation, remote self-hosted และ voice note ใช้ไฟล์ ส่วน Desktop voice conversation ยังไม่ได้ยืนยันเส้นทางในข่าวนี้
- Live ล้มเหลวมีทาง fallback ถอดไฟล์ แต่ข้อความก่อนหน้าที่สำเร็จแล้วและขาดวลีสุดท้ายเมื่อครบ 15 วินาทีเป็นคนละกรณี ไม่รับรองว่าจะเติมส่วนที่หายให้
- ทุกกรณี การถอดเสียงไม่มอบสิทธิ์ Agent ลงมือเพิ่ม
อย่าพึ่งข้อความส่วนท้ายหรือคำว่า “ฟรี” ผิดประเภท
README ระบุว่า live session ล้มเหลวจะใช้ไฟล์แทน แต่ถ้าข้อความบางส่วนกลับมาแล้วและวลีสุดท้ายยังไม่มาภายใน 15 วินาที ผลอาจเหลือเฉพาะวลีก่อนหน้า ไม่รับรองว่าจะกู้ส่วนท้ายให้ เช่น หากคำปฏิเสธอยู่ท้ายคำขอ ความหมายอาจเปลี่ยนได้ นี่เป็นข้อวิเคราะห์ของเรา ไม่ใช่เหตุการณ์ที่เราใส่เสียงทดสอบ [โค้ด finalization]
ราคา API ที่ตรวจคือ USD 0.36 ต่อชั่วโมงเสียง สำหรับ ASR ทั้ง transcribe-1-pro และ transcribe-1 โดยเวลาที่ประมวลผลปัดขึ้นเป็นวินาทีต่อ request ที่สำเร็จ ปลั๊กอินระบุว่าคิดแต่ละวลีแยกกัน จึงคำนวณบิลจากเวลาหน้าปัดที่นั่งพูดอย่างเดียวไม่ได้ ส่วน s2.1-pro-free เป็นโมเดลสร้างเสียงจากข้อความ ไม่ได้ทำให้ live dictation ฟรี ค่าโมเดล Agent เสียงตอบและเครือข่ายเป็นอีกส่วน [ราคาและวิธีคิด]
คำว่าไม่มี telemetry ของปลั๊กอินไม่เท่ากับไม่มีข้อมูลไปผู้ให้บริการ นโยบายทั่วไปของ Fish เก็บข้อมูลตามความจำเป็นต่อบริการและธุรกิจ/กฎหมาย เราไม่พบจำนวนวันเก็บเสียง live ASR ที่แน่นอน หรือหลักประกัน paid ASR ไม่ใช้ฝึกโมเดลในเอกสารที่ตรวจ จึงไม่อ้าง zero retention และไม่ขยายคำเปิดเผยเรื่องโมเดล TTS ฟรีไปครอบทุกบริการ [Privacy]
ใครน่าพิจารณา และเริ่มจากอะไร?
ข้อวิเคราะห์ของเรา: เหมาะให้ผู้ใช้ Hermes ที่มีระบบเข้ากันอยู่แล้วประเมิน หากต้องการพูดความคิดหรือคำสั่งส่วนตัวแทนพิมพ์ โดยยอมรับการประมวลผลเสียงภายนอกและค่า API ตรวจรุ่นที่ catalog ในเครื่องเสนอ แล้วอ่าน Setup ทางการ ก่อนใช้ ต้นทางให้ตั้ง stt.provider: fish-audio กับ stt.streaming: true และบันทึก key ผ่านช่องตั้งค่า ไม่แปะ key ลงแชต เราไม่ได้ติดตั้งหรือเปิดบัญชีเพื่อข่าวนี้
เอกสารระบุ macOS/Linux และ Python 3.11+ ส่วน Windows ยังไม่ผ่านการทดสอบของโครงการ ภาษาไทยด้านความแม่นยำ ความเร็ว ประเทศ/การชำระเงิน ยังไม่ยืนยัน live endpoint ยังละเลย language/prompt hints ด้วย รายชื่อภาษา UI Desktop และคำกล่าวเรื่องหลายภาษาใน TTS ไม่ใช่ผลพิสูจน์การถอดเสียงไทย ไม่ได้แปลว่าภาษาไทยใช้ไม่ได้เช่นกัน
FAQ
เปิดไมโครโฟนแล้ว Agent ลงมือเองเพิ่มหรือไม่?
ฟีเจอร์นี้สร้างข้อความเข้า ส่วนงานและการอนุมัติยังขึ้นกับ Hermes กับสิทธิ์ที่ตั้งไว้ การพูดไม่ใช่การมอบอำนาจทุกเครื่องมือ
เสียงทุกช่องทางจะเห็นวลีสดหรือไม่?
ต้นทางที่ตรวจยืนยัน live เฉพาะช่อง composer mic, CLI และ TUI ส่วน voice note ใช้เส้นทางไฟล์ เราไม่ได้ตรวจยืนยัน Desktop voice conversation จึงไม่เหมารวมทุกช่องเสียง
Lab นี้ยืนยันว่าเร็วหรือใช้ภาษาไทยได้หรือไม่?
Lab เป็นแบบจำลองเอกสาร ไม่มีเสียงจริงหรือ API call และไม่มีผลทดสอบความเร็ว ภาษาไทยหรือความสำเร็จของงาน
หลักฐานต้นฉบับ
ตรวจ 12 ตุลาคม 2026 ใช้ปลั๊กอิน 1.5.1 ที่ pin d8c4c611 และเทียบ release กับ baseline แยกคำกล่าวผู้พัฒนาจากข้อวิเคราะห์ของ Hybrid Mind
- 1.5.0: จุดเริ่ม live dictation · 1.5.1: งานปรับ Desktop
- Hermes main catalog: เปลี่ยน pin 12 ตุลาคม
- README: การตั้งค่า เส้นทางและข้อจำกัด
- SECURITY: เสียงและข้อมูลที่ส่ง
- โค้ด live STT: วลีและส่วนท้าย
- Fish Audio: ราคา ASR · Speech-to-text · Privacy
อ่านบริบทการเลือกรุ่น: Hermes 0.21.7 และช่องอัปเดต stable เป็นคนละการเปลี่ยนแปลงกับปลั๊กอินเสียงครั้งนี้
ใส่ความเห็น