Kinect ขายได้ 35 ล้านเครื่อง แต่การผลิตก็ยังยุติลงในปี 2017 (MCV, Microsoft officially ceases Kinect production 2017) ซึ่งเป็นหลักฐานที่ชัดที่สุดว่าการมีไมโครโฟนอยู่ในกล่องไม่ได้ทำให้เสียงกลายเป็นการควบคุมเกมมาตรฐาน ปัจจุบัน Steam แสดงผลลัพธ์ 190 รายการสำหรับแท็ก Voice Control (การค้นหาในร้านค้า Steam, 31 ตุลาคม 2026) และมีคอนโซล PS5 มากกว่า 95 ล้านเครื่องที่ส่งมอบให้ผู้ค้าปลีก บนแพลตฟอร์มที่จอยสติ๊ก DualSense มีไมโครโฟนในตัว (Sony Interactive Entertainment, Business Data and Sales 2026) การรู้จำเสียงยังไม่เท่าเทียมกัน ผู้พูดภาษาอังกฤษเป็นภาษาที่สองเผชิญช่องว่างความผิดพลาด 2.6 ถึง 5.9 เท่าในแบบจำลองปัจจุบัน (Roll และ Graham, SLaTE 2025) ซึ่งเป็นรูปแบบที่เราติดตามในสถิติอคติด้านสำเนียงในการรู้จำเสียงพูดของเราด้วย เรารวบรวมข้อมูลจากงานวิจัยด้านเกมของ University of Melbourne, Disney Research, Sony, Nintendo และบทความวิทยาศาสตร์การพูดที่ผ่านการพิจารณาโดยผู้ทรงคุณวุฒิ เพื่อแยกสิ่งที่ผู้เล่นทำกับเสียงของตนจริง ๆ ออกจากสิ่งที่ผู้ถือครองแพลตฟอร์มกล่าวอ้าง
สรุปโดยย่อ
- Kinect ขายได้ 35 ล้านเครื่องก่อนที่การผลิตจะยุติลงในปี 2017 (MCV 2017)
- Microsoft อ้างว่ามีค่าเฉลี่ย 120 คำสั่งเสียงต่อเดือนในปี 2014 (Shacknews 2014)
- Phasmophobia ซึ่งให้ผู้เล่นพูดคุยกับผีในเกมได้ ทำยอดขายเกิน 25 ล้านชุดในทุกแพลตฟอร์ม (Kinetic Games ผ่าน WorthPlaying 2025)
- ผู้พูดภาษาอังกฤษเป็นภาษาที่สองพบช่องว่างความผิดพลาด 2.6 ถึง 5.9 เท่าใน 10 แบบจำลองรู้จำเสียง (Roll และ Graham, SLaTE 2025)
- เสียงพูดที่มีสำเนียงได้อัตราความผิดพลาดของคำ 30-50% บน Wav2Vec 2.0 เทียบกับ 2-8% สำหรับเจ้าของภาษา (Bandodkar และคณะ, AAAI 2024)
- การสนทนาด้วยเสียงแบบครบรอบกับตัวละครเกม AI ใช้เวลาเฉลี่ย 6.909 วินาที โดยกรณีเลวร้ายที่สุดคือ 24.362 วินาที (Korkiakoski และคณะ 2025)
- การบอกให้พิมพ์ภาษาอังกฤษด้วยเสียงเร็วกว่าการพิมพ์บนคีย์บอร์ดมือถือ 2.93 เท่า คือ 153 เทียบกับ 52 คำต่อนาที (Ruan และคณะ 2017)
- ตัวตรวจจับคำสำคัญที่สร้างขึ้นสำหรับเด็กมีความแม่นยำ 85% และระบบรู้จำเชิงพาณิชย์แม่นยำน้อยกว่า 35% (Disney Research 2016)
- PS5 Voice Command ยังคงเป็นรุ่นพรีวิวที่จำกัดอยู่ที่สองประเทศและหนึ่งภาษา (PlayStation Support 2026)
1. สี่สิบปีแห่งความสนใจที่ขึ้น ๆ ลง ๆ
มีวิดีโอเกมโต้ตอบด้วยเสียงใหม่ 106 เกมวางจำหน่ายในปี 2017 ปีเดียว (Allison และคณะ, Design Patterns for Voice Interaction in Games, CHI PLAY 2018) ซึ่งฟังดูเหมือนความก้าวหน้า จนกว่าคุณจะอ่านประวัติศาสตร์เบื้องหลัง กลุ่มวิจัยเดียวกันพบว่าเสียง “ไม่เคยประสบความสำเร็จอย่างต่อเนื่องและแพร่หลาย” และผ่านมาแล้วเจ็ดช่วง ซึ่งผูกกับแพลตฟอร์มใหม่และเทคโนโลยีที่เอื้ออำนวย (Allison, Carter และ Gibbs, Word Play, Games and Culture 2020)
คาราโอเกะคือจุดสูงสุดที่ให้บทเรียน เกมประเภทนี้ขอให้ผู้เล่นแสดงด้วยเสียงของตน ไม่ใช่ให้ระบบเข้าใจทีละคำ สาขาเกมเสียงบนลำโพงอัจฉริยะก็ใช้ตรรกะที่เกี่ยวข้องกัน นักออกแบบส่วนใหญ่ลดการพูดลงเหลือเพียงการเลือกจากรายการสั้น ๆ ซึ่งทำให้ปัญหาการรู้จำยังเล็กอยู่
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| เกมในการสำรวจเกมเสียงที่ตีพิมพ์ใหญ่ที่สุด ปี 1973 ถึง 2018 | วิดีโอเกม 449 เกม บวกเกมเสียง 22 เกม | Allison และคณะ, Design Patterns for Voice Interaction in Games, CHI PLAY 2018 |
| วิดีโอเกมโต้ตอบด้วยเสียงใหม่ที่วางจำหน่ายในหนึ่งปี | 106 เกมในปี 2017 | Allison และคณะ, CHI PLAY 2018 |
| เกมคาราโอเกะที่วางจำหน่ายตั้งแต่ปี 2003 ถึง 2012 โดยนับการวางจำหน่ายหลายแพลตฟอร์มเป็นหนึ่งครั้ง | มากกว่า 120 เกม ซึ่งมากกว่า 70 เกมอยู่ในช่วงปี 2008 ถึง 2010 | Allison และคณะ, Word Play, Games and Culture 2020 |
| เกมที่ใช้ Nintendo 64 Voice Recognition Unit ปี 1998 ถึง 1999 | 2 เกม | Allison และคณะ, Word Play 2020 |
| เกมใหญ่ที่ใช้การรู้จำเสียงของ Kinect ณ เวลาที่ทำการศึกษา | มากกว่า 30 เกม | Allison และคณะ, Word Play 2020 |
| เกมเสียงบน Alexa ที่การโต้ตอบหลักคือการเลือกจากตัวเลือกที่พูดออกมา | 17 จาก 22 เกมที่สำรวจ | Allison และคณะ, CHI PLAY 2018 |
ข้อมูลล่าสุดที่มี: Allison และคณะ, 2018 และ 2020 เราไม่พบการสำรวจจำนวนเกมเสียงที่ใหม่กว่านี้ ตัวเลขเหล่านี้จึงอธิบายสถานะของวงการได้ถึงต้นปี 2018 เท่านั้น
2. ไมโครโฟนมีอยู่ทุกที่ แต่คำสั่งเสียงไม่มี
คอนโซล PS5 มากกว่า 95 ล้านเครื่อง ถูกส่งมอบให้ผู้ค้าปลีก (Sony Interactive Entertainment, Business Data and Sales, 30 มิถุนายน 2026) และจอยสติ๊ก DualSense มีไมโครโฟนภายใน ฐานเครื่องที่ติดตั้งแล้วนี้ยังไม่ก่อให้เกิดแพลตฟอร์มที่ใช้เสียงเป็นหลัก PlayStation Support ยังคงอธิบาย Voice Command ว่าเป็นรุ่นพรีวิวสำหรับบัญชีในสหรัฐอเมริกาและสหราชอาณาจักร ใช้ได้เฉพาะภาษาอังกฤษ และมุ่งไปที่งานระบบ เช่น การเปิดเกมและการบันทึกคลิป มากกว่าการเล่นเกม
ความแตกต่างกับในบ้านคือตัวเลขที่มีประโยชน์ตรงนี้ ผู้ใช้คำสั่งเสียง 57% ใช้คำสั่งเสียงทุกวัน (NPR และ Edison Research, Smart Audio Report 2022) ผู้คนสบายใจที่จะพูดกับอุปกรณ์ ดังนั้นอุปสรรคในเกมจึงไม่ใช่นิสัยการพูดกับเครื่อง ปุ่มกดเงียบ เป็นส่วนตัว และทันที และเสียงต้องชนะสิ่งนั้นให้ได้
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| Kinect ที่ขายได้ใน 60 วันแรกที่วางตลาด | 8 ล้านเครื่อง | MCV, Microsoft officially ceases Kinect production 2017 |
| ยอดขาย Kinect ตลอดอายุผลิตภัณฑ์ | 35 ล้านเครื่อง | MCV 2017 |
| สัดส่วนเจ้าของ Kinect ที่ใช้งาน ตามที่ Microsoft ระบุ (คำกล่าวอ้างของบริษัท ยังไม่ได้รับการตรวจสอบโดยอิสระ) | 80% | Shacknews อ้างถึง Yusuf Mehdi จาก Microsoft, 16 พฤษภาคม 2014 |
| ค่าเฉลี่ยคำสั่งเสียงต่อเดือน ตามที่ Microsoft ระบุ (คำกล่าวอ้างของบริษัท) | 120 | Shacknews อ้างถึง Microsoft, 2014 |
| จำนวนคำสั่งเสียงที่ออกทั้งหมด ตามที่ Microsoft ระบุ (คำกล่าวอ้างของบริษัท) | มากกว่า 1 พันล้าน | Shacknews อ้างถึง Microsoft, 2014 |
| PS5 ที่ส่งมอบให้ผู้ค้าปลีก สะสมถึง 30 มิถุนายน 2026 | มากกว่า 95 ล้านเครื่อง | Sony Interactive Entertainment, Business Data and Sales 2026 |
| Nintendo Switch 2 ที่ขายได้ สะสมถึง 30 มิถุนายน 2026 (มีไมโครโฟนในตัวสำหรับ GameChat) | 23.68 ล้านเครื่อง | Nintendo, Consolidated Hardware Sales 2026 |
| ชาวอเมริกันอายุ 18 ปีขึ้นไปที่ใช้ผู้ช่วยเสียงบนอุปกรณ์ใดก็ได้ | 62% | NPR และ Edison Research, Smart Audio Report 2022 |
ข้อมูลล่าสุดที่มี: Shacknews, 2014 สำหรับการใช้งาน Kinect และ Smart Audio Report, 2022 สำหรับผู้ช่วยเสียง เราไม่พบตัวเลขจาก Sony หรือ Nintendo ว่ามีผู้เล่นกี่คนที่ใช้ไมโครโฟนสำหรับคำสั่งในเกม และ MCV รายงานร่องรอยยอดขาย Kinect เพียงแหล่งเดียวที่เราตรวจสอบได้ ไมโครโฟนของ Switch 2 ยังกรองเสียงเกมออกและปรับตามระยะห่างของผู้เล่นจากเครื่อง (Nintendo, GameChat features) และแชทเสียงรองรับผู้เข้าร่วมสูงสุด 12 คน
3. แค็ตตาล็อกเกมเสียงในปัจจุบัน
25 จาก 30 รายการแรกของแท็ก Voice Control บน Steam ลงวันที่ปี 2025 หรือ 2026 (การนับของเราจากการค้นหาในร้านค้า Steam, 31 ตุลาคม 2026) โดย 15 รายการอยู่ในปี 2026 ปีเดียว นี่เป็นเพียงหนึ่งหน้าของรายการในร้านค้า ไม่ใช่การสำรวจเกมที่วางจำหน่ายทั้งหมด จึงไม่ได้พิสูจน์ว่าเกิดกระแสบูมด้วยตัวเอง แต่แสดงให้เห็นว่าเกมใหม่ ๆ ยังคงใช้ไมโครโฟนเป็นจุดดึงดูดด้านการออกแบบ
Phasmophobia เป็นกรณีศึกษาด้านขนาด เกมวางจำหน่ายบนคอนโซลโดยไม่มีการรู้จำเสียง จากนั้นผู้พัฒนา Kinetic Games ก็เพิ่มอัปเดตเสียงสำหรับคอนโซลบน PlayStation 5, PS VR2 และ Xbox Series X|S หลังจากหลายเดือน โดยใช้ระบบรู้จำเสียงที่ชื่อ VOSK สตูดิโอที่ทำงานนี้ให้เกมที่วางจำหน่ายแล้วถือว่าเสียงเป็นส่วนหนึ่งของผลิตภัณฑ์ ไม่ใช่โบนัส
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ผลลัพธ์ในร้านค้า Steam สำหรับแท็ก Voice Control รวมเดโมและซอฟต์แวร์อรรถประโยชน์ | 190 | การค้นหาในร้านค้า Steam, 31 ตุลาคม 2026 |
| เกมบน Steam ที่ตัวติดตามของบุคคลที่สามนับภายใต้แท็กเดียวกัน (ภาพรวม ณ เวลาที่ไม่ระบุวันที่) | 113 | DataHumble, Voice Control Games 2026 |
| ยอดขาย Phasmophobia ในทุกแพลตฟอร์ม | มากกว่า 25 ล้านชุด | Kinetic Games ผ่าน WorthPlaying, 1 กรกฎาคม 2025 |
| ยอดขาย Phasmophobia บนคอนโซล | มากกว่า 3 ล้านชุด | Kinetic Games ผ่าน WorthPlaying, 23 เมษายน 2025 |
| จำนวนภาษาที่การรู้จำเสียงบนคอนโซลของ Phasmophobia รองรับตอนเปิดตัว | 7 | Kinetic Games, บันทึกการแก้ไข Console Voice Recognition 2025 |
ยอดขายของ Phasmophobia นับผู้ซื้อทุกคน ไม่ใช่ผู้เล่นทุกคนที่พูดกับผี เราไม่พบแหล่งข้อมูลที่รายงานว่าผู้เล่นของเกมเปิดไมโครโฟนคิดเป็นสัดส่วนเท่าใด
4. ความแม่นยำของการรู้จำไม่ได้แบ่งปันอย่างเท่าเทียม
ผู้พูดภาษาอังกฤษเป็นภาษาที่สองเผชิญช่องว่างความผิดพลาด 2.6 ถึง 5.9 เท่า เมื่อเทียบกับผู้พูดเป็นภาษาแรก จาก 10 แบบจำลองและภาษาอังกฤษมากกว่า 300 สำเนียง (Roll และ Graham, Scaling Conformation Bias in Automatic Speech Recognition, SLaTE 2025) อัตราความผิดพลาดของคำ (WER) คือสัดส่วนของคำพูดที่ระบบรู้จำเสียงทำผิด ตัวเลขยิ่งต่ำยิ่งดี สิ่งที่น่าอึดอัดในข้อค้นพบของงานวิจัยนี้คือการปรับปรุงโดยรวมไม่ได้ปิดช่องว่าง เพราะความเหลื่อมล้ำเชิงสัมพัทธ์เพิ่มขึ้นเมื่อแบบจำลองดีขึ้นสำหรับผู้พูดเป็นภาษาแรก
สำหรับเกมที่วางจำหน่ายทั่วโลก สิ่งนี้เปลี่ยนตัวชี้วัดทางเทคนิคให้เป็นคำถามว่าใครเล่นได้ หน้าร้านค้าของ Radio General เองระบุว่าเกมใช้ได้เฉพาะภาษาอังกฤษและทำงานได้ดีที่สุดกับสำเนียงอเมริกาเหนือ บริบทเป็นแนวทางแก้ไขหนึ่งที่มีผู้เสนอ สิทธิบัตรของ Sony ที่ยื่นเมื่อวันที่ 28 พฤษภาคม 2022 และได้รับอนุมัติเมื่อวันที่ 13 พฤษภาคม 2025 ใช้สถานะเกมปัจจุบันช่วยตัดสินว่าผู้เล่นพูดอะไร
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| WER เฉลี่ยของแบบจำลองที่ดีที่สุดโดยรวมที่ทดสอบ คือ Whisper-large | 6.9% | Roll และ Graham, SLaTE 2025 |
| WER เฉลี่ยของแบบจำลอง Whisper ที่เล็กที่สุด คือ Whisper-tiny | 13.6% | Roll และ Graham, SLaTE 2025 |
| ช่องว่าง WER ระหว่างผู้พูดภาษาอังกฤษเป็นภาษาที่สองกับภาษาแรกในแบบจำลองต่าง ๆ | 2.6 ถึง 5.9 เท่า | Roll และ Graham, SLaTE 2025 |
| WER ของผู้พูดที่มีภาษาแรกเป็นภาษาที่มีวรรณยุกต์ เทียบกับผู้พูดที่มีภาษาแรกในตระกูลอินโด-ยูโรเปียน | สูงกว่า 2 ถึง 3 เท่า | Roll และ Graham, SLaTE 2025 |
| WER ของ Whisper-large ในคลังข้อมูลหนึ่ง (Speech Accent Archive) ผู้พูดภาษาแรกเทียบกับผู้พูดภาษาที่สอง | 0.8% เทียบกับ 3.7% | Roll และ Graham, SLaTE 2025 |
| WER ของ Wav2Vec 2.0 เสียงพูดที่มีสำเนียงเทียบกับเจ้าของภาษา | 30-50% เทียบกับ 2-8% | Bandodkar และคณะ, AAAI 2024 |
| การปรับปรุงเชิงสัมพัทธ์ของ WER เฉลี่ยแบบมาโครจากการฝึกซ้ำที่เน้นความเป็นธรรม เทียบกับแบบจำลอง Whisper ที่ฝึกไว้ล่วงหน้า (วิเคราะห์กลุ่มสำเนียง 26 กลุ่ม) | 58.7% | Swain และคณะ, arXiv 2025 |
ไม่มีการทดสอบใดเหล่านี้ที่ใช้เสียงบันทึกจากการเล่นเกมจริง เสียงในเกมเพิ่มความตื่นเต้น การตะโกน และเสียงที่รั่วจากลำโพง ดังนั้นควรมองอัตราความผิดพลาดเหล่านี้เป็นขอบล่างของความยาก ไม่ใช่การพยากรณ์
5. เสียงพูดเร็ว แต่การรู้จำไม่เร็ว
เสียงพูดเอาชนะคีย์บอร์ดมือถือได้ 2.93 เท่า คือ 153 เทียบกับ 52 คำต่อนาที (Ruan และคณะ, 2017) ข้อได้เปรียบนี้อธิบายว่าทำไมเสียงจึงวนกลับมาในเกมอยู่เรื่อย ๆ แต่การบอกให้พิมพ์ด้วยเสียงกับการควบคุมเกมเป็นงานคนละอย่าง ประโยคที่พูดให้พิมพ์จะมาช้าไปหนึ่งวินาทีก็ไม่เสียหาย แต่การหลบหลีกในเกมทำแบบนั้นไม่ได้ ข้อมูลล่าสุดที่มี: Ruan และคณะ, Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies 2017
แบบจำลองภาษาขนาดใหญ่ทำให้ช่องว่างกว้างขึ้น ในการทดสอบ VR กับผู้เข้าร่วม 18 คน เวลารอคำตอบของตัวละคร AI ถูกครอบงำโดยแบบจำลองและการส่งออกเสียง ไม่ใช่ขั้นตอนการฟัง ซึ่งทำให้การสนทนาอิสระอยู่นอกเหนืองบความหน่วงของเกมแอ็กชันไปไกล และเป็นเหตุผลที่ตัวละครที่ขับเคลื่อนด้วยเสียงจนถึงตอนนี้เหมาะกับแนวเกมที่ช้ากว่า สถิติ AI ในวงการเกมของเราครอบคลุมภาพรวมของอุตสาหกรรมในวงกว้างกว่า ส่วนตัวเลขในที่นี้เกี่ยวกับเสียงพูดที่ผู้เล่นป้อนเข้าไปเท่านั้น
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ความเร็วการป้อนข้อความ เสียงพูดภาษาอังกฤษเทียบกับคีย์บอร์ดมือถือ | 153 เทียบกับ 52 คำต่อนาที | Ruan และคณะ, 2017 |
| อัตราความผิดพลาดที่แก้ไขแล้ว เสียงพูดเทียบกับคีย์บอร์ดมือถือ | 5.30% เทียบกับ 11.22% | Ruan และคณะ, 2017 |
| อัตราความผิดพลาดที่ไม่ได้แก้ไข เสียงพูดเทียบกับคีย์บอร์ดมือถือ | 1.30% เทียบกับ 0.79% | Ruan และคณะ, 2017 |
| ความยาวของเสียงพูดโดยทั่วไปของคำสั่งเกมหนึ่งคำ (“go” หรือ “jump”) | ประมาณ 300 มิลลิวินาที | Disney Research ผ่าน Phys.org, 2016 |
| ขั้นตอนแปลงเสียงพูดเป็นข้อความในการทดสอบตัวละคร AI ค่าเฉลี่ยและกรณีเลวร้ายที่สุด | 1.365 และ 3.475 วินาที | Korkiakoski และคณะ, arXiv 2025 |
| ขั้นตอนแบบจำลองภาษา (GPT-4 Turbo) ในการทดสอบเดียวกัน ค่าเฉลี่ยและกรณีเลวร้ายที่สุด | 3.113 และ 14.918 วินาที | Korkiakoski และคณะ, arXiv 2025 |
| ขั้นตอนแปลงข้อความเป็นเสียงพูดในการทดสอบเดียวกัน ค่าเฉลี่ยและกรณีเลวร้ายที่สุด | 2.376 และ 12.404 วินาที | Korkiakoski และคณะ, arXiv 2025 |
| การสนทนาแบบครบรอบ ตั้งแต่เสียงพูดของผู้เล่นจนถึงคำตอบของตัวละคร ค่าเฉลี่ยและกรณีเลวร้ายที่สุด | 6.909 และ 24.362 วินาที | Korkiakoski และคณะ, arXiv 2025 |
การออกแบบแบบผสมช่วยลดงานที่แบบจำลองต้องทำ การศึกษาปี 2025 หนึ่งให้ผู้เล่นพูดตัวเลือกบทสนทนาที่กำหนดไว้ล่วงหน้าด้วยถ้อยคำของตนเองออกเสียง ขณะที่แบบจำลองภาษาจับคู่ให้ และผู้เข้าร่วม 14 คนรายงานว่าสนุกและรู้สึกมีอิสระมากกว่าการชี้แล้วคลิก (Wevelsiep และคณะ, IWSDS 2025) อย่างไรก็ตาม ผู้เขียนยังระบุความหน่วงเป็นสิ่งที่ต้องให้ความสำคัญในงานครั้งต่อไป
6. เด็ก การบำบัดการพูด และการเข้าถึง
ตัวตรวจจับคำสำคัญที่ปรับแต่งสำหรับเด็กมีความแม่นยำ 85% ขณะที่ระบบรู้จำเชิงพาณิชย์แม่นยำน้อยกว่า 35% ในเกมสองผู้เล่นชื่อ Mole Madness (Disney Research, 2016 รายงานโดย Phys.org) บทเรียนคือการจำกัดคำศัพท์ให้เหลือสองคำให้ผลดีกว่าเครื่องมืออเนกประสงค์ ซึ่งสอดคล้องกับ Game Accessibility Guidelines ที่แนะนำการรู้จำที่อิงคำศัพท์ชุดเล็ก และในระดับขั้นสูงคือเพียงแค่ให้เสียงถึงเกณฑ์ความดัง
เกมบำบัดการพูดแสดงข้อจำกัดให้เห็นอย่างชัดเจน ระบบรู้จำของเกมเหล่านี้ต้องตัดสินเสียงพูดชนิดเดียวกับที่รู้จำได้ยากที่สุด และในการทดลองหนึ่ง เครื่องเห็นตรงกับมนุษย์ไม่ถึงครึ่งของการออกเสียงที่ถูกต้องจากเด็กที่มีภาวะแอแพรกเซียของการพูดในเด็ก (childhood apraxia of speech) ซึ่งเป็นความผิดปกติของการสั่งการเคลื่อนไหวเพื่อพูด (Ahmed และคณะ, International Journal of Speech-Language Pathology 2018) Guidelines ชุดเดียวกันจัด “ไม่บังคับให้ป้อนข้อมูลด้วยเสียงพูด” เป็นกฎพื้นฐาน และ Xbox Accessibility Guideline 107 ขอให้เสียงพูดที่จำเป็นต่อการเล่นมีทางเลือกแบบดิจิทัล เสียงอาจเปิดเกมให้ผู้เล่นบางคนและปิดกั้นผู้เล่นอีกบางคน ซึ่งสถิติฟีเจอร์การเข้าถึงในเกมของเราสำรวจครอบคลุมการป้อนข้อมูลทุกประเภท
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ความแม่นยำของการรู้จำคำสำคัญใน Mole Madness | 85% | Disney Research ผ่าน Phys.org, 2016 |
| ระบบรู้จำเชิงพาณิชย์แม่นยำน้อยกว่าตัวตรวจจับคำสำคัญเท่าใด | 35% | Disney Research ผ่าน Phys.org, 2016 |
| ความเห็นตรงกันระหว่างระบบรู้จำกับมนุษย์ในการออกเสียงที่ไม่ถูกต้อง เด็กที่พัฒนาการปกติเทียบกับเด็กที่มีภาวะแอแพรกเซียของการพูดในเด็ก | 77% เทียบกับ 75% | Ahmed และคณะ, 2018 |
| ความเห็นตรงกันระหว่างระบบรู้จำกับมนุษย์ในการออกเสียงที่ถูกต้อง แยกตามผู้พูด: เด็กที่พัฒนาการปกติ เทียบกับเด็กที่มีภาวะแอแพรกเซีย เทียบกับนักแก้ไขการพูดและภาษา | 51% เทียบกับ 47% เทียบกับ 71% | Ahmed และคณะ, 2018 |
| ความแม่นยำของ PocketSphinx กับเสียงบำบัดการพูดของเด็ก ค่าเริ่มต้นเทียบกับที่ปรับด้วยการฝึกแบบการประมาณค่าภายหลังสูงสุด (MAP) | 59.4% เทียบกับ 80.0% | Hair และคณะ, ASSETS 2019 |
| ความแม่นยำเฉลี่ยของระบบรู้จำแบบจับคู่แม่แบบที่สร้างขึ้นเองในการประเมินเดียวกัน | 75.8% | Hair และคณะ, ASSETS 2019 |
| นักเรียนประถมที่ทดสอบต้นแบบเกมฝึกอ่านด้วยเสียงพูดภาษาดัตช์ | มากกว่า 40 คน | Radboud University, 2023 |
| งานศึกษาที่ระบุได้เทียบกับที่รวมไว้ในการทบทวนปี 2026 เรื่องเกมเสียง 3 มิติสำหรับผู้เล่นที่มีความบกพร่องทางการมองเห็น | 975 และ 56 | Kaka และ Juhana, JoMMiT 2026 |
ข้อมูลล่าสุดที่มี: Disney Research, 2016; Ahmed และคณะ, 2018; Hair และคณะ, 2019 ทั้งหมดนี้เป็นบริบททางคลินิกหรือการวิจัยที่ใช้กลุ่มตัวอย่างเล็ก และรายงานเฉพาะประสิทธิภาพของระบบ
7. ผู้เล่นตอบสนองอย่างไรจริง ๆ
Phasmophobia ได้รีวิวเชิงบวก 94% จากรีวิวภาษาอังกฤษ 360,726 รายการ ขณะที่ Suck Up! อยู่ที่ 61% (หน้าร้านค้า Steam, 31 ตุลาคม 2026) ทั้งสองเกมขอให้คุณพูดกับเกม แต่ขอด้วยวิธีที่ต่างกัน ในเกมหนึ่ง เสียงเป็นเพียงฟีเจอร์เดียวภายในการล่าผีที่กว้างกว่า ในอีกเกมหนึ่ง การพูดเพื่อหลอกล่อตัวละคร AI คือวงจรหลักของเกม และผลลัพธ์ที่ปะปนกันนี้เกิดซ้ำใน DON’T SCREAM ที่การเสียงดังเกินไปทำให้จบรอบเล่น
รีวิวไม่อาจแยกเสียงออกจากสิ่งอื่นทั้งหมดในเกมได้ ดังนั้นควรอ่านสิ่งนี้เป็นรูปแบบ ไม่ใช่การวัด งานวิชาการชี้ไปในทิศทางเดียวกัน การศึกษา CHI PLAY 2015 พบว่าการเข้าใจอัตลักษณ์ของผู้เล่นในเกมมีความสำคัญควบคู่กับความแม่นยำของการรู้จำ การศึกษาขนาดเล็กในปี 2018 ไปไกลกว่านั้น โดยผู้เข้าร่วม 5 คนแสดงการมีส่วนร่วมสูงขึ้นแต่ความสุขต่ำลงเมื่อใช้เสียงเทียบกับคีย์บอร์ด (p = 2.005e-14 และ p = 1e-3 การทดสอบค่า t แบบจับคู่ Mattey และ Yuksel, OverVoice) ด้วยกลุ่มตัวอย่างที่เล็กขนาดนี้ ควรมองเป็นสมมติฐาน
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| รายการที่วิเคราะห์เกี่ยวกับการตอบรับของผู้เล่นต่อเกมเสียง (166 + 2,951 + 84 + 69) | รีวิว กระทู้ และวิดีโอ 3,270 รายการ | Carter และคณะ, CHI PLAY 2015 |
| สัดส่วนเชิงบวกของรีวิวภาษาอังกฤษบน Steam ของ Phasmophobia | 94% จาก 360,726 | หน้าร้านค้า Steam, 2026 |
| สัดส่วนเชิงบวกของรีวิวภาษาอังกฤษบน Steam ของ Mage Arena (ร่ายเวทด้วยเสียง) | 90% จาก 11,561 | หน้าร้านค้า Steam, 2026 |
| สัดส่วนเชิงบวกของรีวิวบน Steam ของ Tom Clancy’s EndWar (เกมวางแผนปี 2009 ที่สั่งการด้วยเสียง) | 80% จาก 1,035 | หน้าร้านค้า Steam, 2026 |
| สัดส่วนเชิงบวกของรีวิวภาษาอังกฤษบน Steam ของ DON’T SCREAM | 68% จาก 1,795 | หน้าร้านค้า Steam, 2026 |
| สัดส่วนเชิงบวกของรีวิวบน Steam ของ Suck Up! (ผู้เล่นพูดกับตัวละคร AI) | 61% จาก 226 | หน้าร้านค้า Steam, 2026 |
| คะแนน System Usability Scale สำหรับตัวละคร AI ที่พูดได้ใน VR (มาตราส่วน 0 ถึง 100) | 79.44 | Korkiakoski และคณะ, arXiv 2025 |
| ความน่าเชื่อของตัวละคร AI ที่พูดได้ใน VR (เต็ม 10) | 6.67 | Korkiakoski และคณะ, arXiv 2025 |
ข้อมูลล่าสุดที่มีเกี่ยวกับทัศนคติของผู้เล่น: Carter และคณะ, 2015 เราไม่พบการสำรวจผู้เล่นขนาดใหญ่เกี่ยวกับความชอบคำสั่งเสียง จึงไม่มีสัดส่วนผู้เล่นที่ชอบการควบคุมด้วยเสียงในสรุปนี้
สรุป: คำสั่งเสียงและการรู้จำเสียงพูดในวิดีโอเกมในรูปแบบตัวเลข
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| วิดีโอเกมโต้ตอบด้วยเสียงใหม่ที่วางจำหน่ายในหนึ่งปี | 106 เกมในปี 2017 | Allison และคณะ, CHI PLAY 2018 |
| ยอดขาย Kinect ตลอดอายุผลิตภัณฑ์ | 35 ล้านเครื่อง | MCV 2017 |
| ค่าเฉลี่ยคำสั่งเสียงต่อเดือน ตามที่ Microsoft ระบุ (คำกล่าวอ้างของบริษัท) | 120 | Shacknews 2014 |
| PS5 ที่ส่งมอบให้ผู้ค้าปลีก สะสมถึง 30 มิถุนายน 2026 | มากกว่า 95 ล้านเครื่อง | Sony Interactive Entertainment 2026 |
| Nintendo Switch 2 ที่ขายได้ สะสมถึง 30 มิถุนายน 2026 | 23.68 ล้านเครื่อง | Nintendo 2026 |
| ชาวอเมริกันอายุ 18 ปีขึ้นไปที่ใช้ผู้ช่วยเสียงบนอุปกรณ์ใดก็ได้ | 62% | NPR และ Edison Research 2022 |
| ผลลัพธ์ในร้านค้า Steam สำหรับแท็ก Voice Control | 190 | การค้นหาในร้านค้า Steam, 31 ตุลาคม 2026 |
| ยอดขาย Phasmophobia ในทุกแพลตฟอร์ม | มากกว่า 25 ล้านชุด | Kinetic Games ผ่าน WorthPlaying 2025 |
| WER เฉลี่ยของแบบจำลองที่ดีที่สุดโดยรวมที่ทดสอบ | 6.9% | Roll และ Graham, SLaTE 2025 |
| ช่องว่าง WER ระหว่างผู้พูดภาษาอังกฤษเป็นภาษาที่สองกับภาษาแรก | 2.6 ถึง 5.9 เท่า | Roll และ Graham, SLaTE 2025 |
| WER ของ Wav2Vec 2.0 เสียงพูดที่มีสำเนียงเทียบกับเจ้าของภาษา | 30-50% เทียบกับ 2-8% | Bandodkar และคณะ, AAAI 2024 |
| ความเร็วการป้อนข้อความ เสียงพูดภาษาอังกฤษเทียบกับคีย์บอร์ดมือถือ | 153 เทียบกับ 52 คำต่อนาที | Ruan และคณะ, 2017 |
| การสนทนาด้วยเสียงแบบครบรอบกับตัวละคร AI ค่าเฉลี่ยและกรณีเลวร้ายที่สุด | 6.909 และ 24.362 วินาที | Korkiakoski และคณะ, arXiv 2025 |
| ความแม่นยำของการรู้จำคำสำคัญใน Mole Madness | 85% | Disney Research ผ่าน Phys.org, 2016 |
| ความเห็นตรงกันระหว่างระบบรู้จำกับมนุษย์ในการออกเสียงที่ถูกต้อง เด็กที่มีภาวะแอแพรกเซียของการพูดในเด็ก | 47% | Ahmed และคณะ, 2018 |
ระเบียบวิธีและแหล่งที่มา
เราอ่านตัวเลขทุกตัวในแหล่งที่มาด้านล่างระหว่างการอัปเดตครั้งนี้ และสืบตัวเลขของบริษัทย้อนกลับไปยังบริษัทที่เผยแพร่ตัวเลขนั้น เรากำกับชื่อรายงานข่าวไว้ในกรณีที่ไม่สามารถอ่านคำแถลงต้นฉบับได้โดยตรง
- Allison, Carter, Gibbs และ Smith, Design Patterns for Voice Interaction in Games, CHI PLAY 2018
- Allison, Carter และ Gibbs, Word Play: A History of Voice Interaction in Digital Games, Games and Culture 2020
- Allison, Carter และ Gibbs, A History of Voice Interaction in Games, DiGRA และ FDG 2016
- Carter, Allison, Downs และ Gibbs, Player Identity Dissonance and Voice Interaction in Games, CHI PLAY 2015
- MCV, Microsoft officially ceases Kinect production, 26 ตุลาคม 2017
- Shacknews, Including Kinect was ‘the right call,’ says Microsoft exec, 16 พฤษภาคม 2014
- Sony Interactive Entertainment, Business Data and Sales, ณ วันที่ 30 มิถุนายน 2026
- PlayStation Support, Voice Command (Preview) on PS5
- Sony Interactive Entertainment, สิทธิบัตรสหรัฐฯ 12300221 ได้รับอนุมัติเมื่อ 13 พฤษภาคม 2025
- Nintendo, Consolidated Hardware and Software Sales Units, ณ วันที่ 30 มิถุนายน 2026
- Nintendo, GameChat features for Nintendo Switch 2
- NPR และ Edison Research, Smart Audio Report 2022
- การค้นหาในร้านค้า Steam แท็ก Voice Control, 31 ตุลาคม 2026
- DataHumble, Voice Control Games
- Kinetic Games, Console Voice Recognition, Phasmophobia v0.11.1.2
- Rely on Horror, Phasmophobia on PS5 and Xbox now supports voice recognition, 28 กุมภาพันธ์ 2025
- WorthPlaying, Phasmophobia surpasses 25 million sales, 1 กรกฎาคม 2025
- WorthPlaying, Phasmophobia surpasses 3 million sales on consoles, 23 เมษายน 2025
- Roll และ Graham, Scaling Conformation Bias in Automatic Speech Recognition, SLaTE 2025
- Bandodkar และคณะ, “Allot?” Is “a Lot!”, AAAI 2024
- Swain และคณะ, Towards Fair ASR For Second Language Speakers Using Fairness Prompted Finetuning, arXiv 2025
- Ruan และคณะ, Comparing Speech and Keyboard Text Entry for Short Messages in Two Languages on Touchscreen Phones, 2017
- Korkiakoski และคณะ, An Empirical Evaluation of AI-Powered Non-Player Characters’ Perceived Realism and Performance in Virtual Reality Environments, arXiv 2025
- Wevelsiep และคณะ, A Voice-Controlled Dialogue System for NPC Interaction using Large Language Models, IWSDS 2025
- Disney Research (Lehman, Wolfe, Pereira และ Hodgins) ตามที่ Phys.org รายงาน, 2016
- Ahmed และคณะ, Speech-driven mobile games for speech therapy, International Journal of Speech-Language Pathology 2018
- Hair และคณะ, Evaluating Automatic Speech Recognition for Child Speech Therapy Applications, ASSETS 2019 รวบรวมโดย Texas A&M PSI Lab
- Radboud University, Playfully practicing speaking and reading, 28 มิถุนายน 2023
- Kaka และ Juhana, 3D Audio Games for Visually Impaired Players: A Systematic Literature Review, JoMMiT 2026
- Game Accessibility Guidelines, รายการทั้งหมด
- Microsoft, Xbox Accessibility Guideline 107
- Mattey และ Yuksel, OverVoice: Voice Controlled Games Engagement Study, University of San Francisco, 2018
- หน้าร้านค้า Steam อ่านเมื่อ 31 ตุลาคม 2026: Phasmophobia, Mage Arena, Tom Clancy’s EndWar, DON’T SCREAM, Suck Up!, Radio General
- ข้อสังเกตเกี่ยวกับข้อมูล: เราไม่พบตัวเลขจากผู้ถือครองแพลตฟอร์มเกี่ยวกับสัดส่วนผู้เล่นที่ใช้คำสั่งเสียง และตัวเลข Kinect ที่ 80% 120 คำสั่ง และ 1 พันล้านคำสั่ง เป็นคำกล่าวอ้างของ Microsoft ในปี 2014 ที่ไม่ได้ผ่านการตรวจสอบบัญชี จำนวนผลลัพธ์บน Steam ที่ 190 รวมเดโมและซอฟต์แวร์อรรถประโยชน์ และอิงกับแท็กที่ผู้ใช้กำหนดเอง ซึ่งเป็นเหตุผลหนึ่งที่ทำให้ต่างจากตัวเลขของ DataHumble ที่ไม่ระบุวันที่คือ 113 Allison และคณะ อธิบายไว้หกช่วงในปี 2016 และเจ็ดช่วงในปี 2020 และเราใช้จำนวนที่ใหม่กว่า ช่วง 2-8% สำหรับเจ้าของภาษาใน AAAI 2024 ผู้เขียนอ้างจากงานก่อนหน้า ไม่ได้วัดในบทความนั้น และการศึกษาเรื่องสำเนียงไม่ได้ใช้เสียงจากเกม ช่องว่าง 2.6 ถึง 5.9 เท่าคือช่วงที่ผู้เขียนระบุ และ WER เฉลี่ยข้ามคลังข้อมูลในบทความนั้นอยู่ระหว่าง 2.3% ถึง 26.9% ดังนั้นอัตราพาดหัวเพียงตัวเดียวจึงขึ้นอยู่กับเสียงบันทึกที่ใช้อย่างมาก จำนวนรีวิวบน Steam เปลี่ยนแปลงทุกวัน และบางหน้าไม่ระบุว่าจำนวนนั้นรวมเฉพาะรีวิวภาษาอังกฤษหรือไม่ การกลั่นกรองแชทเสียงไม่ได้รวมอยู่ในที่นี้ เพราะเข้าถึงรายงานความคืบหน้าของ Call of Duty ไม่ได้ระหว่างการอัปเดตครั้งนี้ Sony และ Nintendo ปรับปรุงตัวเลขฮาร์ดแวร์ของตนในรายงานรายไตรมาสแต่ละครั้ง
อัปเดตล่าสุด: 31 ตุลาคม 2026 เราอัปเดตสรุปนี้ทุกไตรมาส และคาดว่าการรีเฟรชครั้งถัดไปจะเกิดขึ้นเมื่อ Nintendo เผยแพร่การอัปเดต Consolidated Hardware and Software Sales Units ครั้งถัดไป