Whisper large-v2 โมเดลรู้จำเสียงพูดที่ใช้กันอย่างแพร่หลาย ทำคำผิดพลาด 36.4% กับเสียงการประชุมที่ไมโครโฟนไกลตัวเดียวจับได้ เทียบกับ 16.9% ในการประชุมชุดเดียวกันที่บันทึกผ่านไมโครโฟนเฮดเซ็ต (OpenAI, เอกสารวิจัย Whisper 2022) ช่องว่างนี้เริ่มตั้งแต่ขั้นการจับเสียง: ในการศึกษากับผู้เข้าร่วม 30 คน ไมโครโฟนในตัวแล็ปท็อปที่ระยะประมาณ 60 cm บันทึกเสียงพูดได้ต่ำกว่าไมโครโฟนเฮดเซ็ตที่ระยะ 15 ถึง 20 cm อยู่ 12.82 dB (Busquet และคณะ, Behavior Research Methods 2023) และไม่ได้จบอยู่แค่เรื่องเทคนิค: ผู้ฟัง 600 คนให้คะแนนความน่าจ้างงานแก่ผู้สมัครงานที่ได้ยินผ่านเสียงไมโครโฟนคุณภาพต่ำที่แหลมบางเพียง 68.50 จาก 100 เทียบกับ 76.04 สำหรับการบันทึกที่ชัดเจน (Walter-Terrill และคณะ, PNAS 2025) เรารวบรวมข้อมูลจาก Amazon, Yale University, การแข่งขัน REVERB และ CHiME, Ear and Hearing, การศึกษาการประชุมจากห้าองค์กร, ITU-T และ Zoom รวมถึงแบบสำรวจของผู้จำหน่ายสองรายซึ่งระบุไว้ชัดเจน สำหรับตลาดฮาร์ดแวร์เอง ดูสถิติตลาดเว็บแคมของเรา หน้านี้ว่าด้วยสิ่งที่ไมโครโฟนทำกับเสียงพูด
สรุปโดยย่อ
- อัตราความผิดพลาดของคำของ Whisper large-v2 กับการประชุม AMI: 16.9% เมื่อใช้ไมโครโฟนเฮดเซ็ตรายบุคคล เทียบกับ 36.4% เมื่อใช้ไมโครโฟนไกลตัวเดียว (OpenAI, เอกสารวิจัย Whisper 2022)
- ไมโครโฟนในตัวแล็ปท็อปที่ระยะประมาณ 60 cm จับเสียงพูดได้ 46.91 dB เทียบกับ 59.73 dB สำหรับไมโครโฟนเฮดเซ็ตที่ระยะ 15 ถึง 20 cm (Busquet และคณะ, Behavior Research Methods 2023)
- ในการบันทึกงานเลี้ยงอาหารค่ำ DiPCo ของ Amazon อัตรา WER ระยะใกล้ปากอยู่ที่ 42.10% เทียบกับ 77.52% สำหรับไมโครโฟนอาร์เรย์ระยะไกล (Van Segbroeck และคณะ, DiPCo 2019)
- การประชุมภาษาจีนกลาง AliMeeting: ตัวอักษรผิดพลาด 9.9% กับเสียงจากเฮดเซ็ต เทียบกับ 49.0% กับเสียงจากไมโครโฟนอาร์เรย์ระยะไกล (Yu และคณะ, M2MeT 2022)
- ความน่าจ้างงานลดจาก 76.04 เหลือ 68.50 จาก 100 เมื่อเสียงเดียวกันฟังเหมือนไมโครโฟนคุณภาพต่ำ โดยความแม่นยำของการถอดเสียงไม่เปลี่ยน (98.09% เทียบกับ 98.07%) (Walter-Terrill และคณะ, PNAS 2025)
- เสียงคุณภาพต่ำได้คะแนน MOS ของ ViSQOL ที่ 2.13 เทียบกับ 4.68 สำหรับคุณภาพปานกลาง และทำให้คะแนนความสามารถในการได้รับการจ้างงานลดลง (Schütze และคณะ, Forum Acusticum 2026)
- เสียงรบกวนพื้นหลังทำให้การตอบสนองของผู้ฟังช้าลงเฉลี่ย 91 ms ซึ่งเป็นตัวชี้วัดความพยายามในการฟัง (Picou และคณะ, Ear and Hearing 2016)
- ผู้ใหญ่ที่ใช้ประสาทหูเทียมมีประสิทธิภาพในการฟังราว 60% ของระดับปกติในการสนทนาออนไลน์แบบใช้เสียงอย่างเดียว และเพิ่มเป็นราว 80% เมื่อมีคำบรรยาย (Perea Pérez และคณะ, Ear and Hearing 2025)
- มีเพียง 30% ของพนักงานสายความรู้ที่ใช้เฮดเซ็ตระดับมืออาชีพสำหรับงาน และ 8% ระบุว่าเป็นอุปกรณ์หลักของตน (Jabra 2023 Knowledge Worker Study, แบบสำรวจของผู้จำหน่าย)
1. ระยะห่างไมโครโฟนและระดับเสียงพูดที่จับได้
ไมโครโฟนของเว็บแคมหรือแล็ปท็อปเป็นไมโครโฟนระยะไกล (far-field) คือวางห่างจากปากราวหนึ่งช่วงแขนหรือไกลกว่านั้น จึงบันทึกห้องไปพร้อมกับเสียงพูด ส่วนไมโครโฟนเฮดเซ็ตเป็นไมโครโฟนระยะใกล้ปาก (close-talk) อยู่ห่างจากริมฝีปากเพียงไม่กี่เซนติเมตร การเปรียบเทียบที่วัดได้สะอาดที่สุดมาจากการศึกษาปี 2023 ที่บันทึกผู้พูดกลุ่มเดียวกันด้วยอุปกรณ์หลายตัว ไมโครโฟนในตัวแล็ปท็อปที่ระยะประมาณ 60 cm จับเสียงพูดได้ 46.91 dB ขณะที่ไมโครโฟนเฮดเซ็ตที่ระยะ 15 ถึง 20 cm จับได้ 59.73 dB ต่างกัน 12.82 dB (59.73 ลบ 46.91) (Busquet, Efthymiou และ Hildebrand, Behavior Research Methods 2023)
มีสองรายละเอียดที่ผู้ซื้อควรรู้ ประการแรก แม้แต่ไมโครโฟนสตูดิโอที่ระยะ 60 cm เท่ากันก็จับเสียงได้ดีกว่าแล็ปท็อป 10.76 dB (57.67 ลบ 46.91) ดังนั้นไมโครโฟนในตัวเสียเปรียบทั้งเรื่องระยะห่างและตัวฮาร์ดแวร์ ประการที่สอง แล็ปท็อปและไมโครโฟนสตูดิโอวัดระดับเสียงสูงต่ำเฉลี่ยของเสียงพูดได้เกือบเท่ากัน ซึ่งหมายความว่าไมโครโฟนที่อยู่ไกลไม่ได้เปลี่ยนว่าคุณฟังดูเป็นใคร แต่เปลี่ยนว่าตัวคุณไปถึงอีกฝั่งได้มากเพียงใดเมื่อเทียบกับห้อง การทดสอบแยกต่างหากกับการบันทึกการทำงานกลุ่มแสดงอีกครึ่งหนึ่งของเรื่องราว: เมื่อใช้ไมโครโฟนหกรุ่นที่ต่างกันซึ่งวางห่างจากผู้พูดเท่ากันที่ 5 ฟุต (ประมาณ 1.5 m) การเลือกรุ่นแทบไม่ทำให้อัตราความผิดพลาดเปลี่ยน (Bradford และคณะ, EDM 2022)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ระดับเสียงพูด ไมโครโฟนในตัวแล็ปท็อปที่ระยะประมาณ 60 cm เทียบกับไมโครโฟนเฮดเซ็ตที่ระยะ 15 ถึง 20 cm | 46.91 dB เทียบกับ 59.73 dB | Busquet และคณะ, Behavior Research Methods 2023 |
| ระดับเสียงพูด ไมโครโฟนสตูดิโอที่ระยะประมาณ 60 cm เทียบกับไมโครโฟนหนีบปกที่ระยะ 15 ถึง 20 cm | 57.67 dB เทียบกับ 63.68 dB | Busquet และคณะ, Behavior Research Methods 2023 |
| ระดับเสียงสูงต่ำเฉลี่ยของเสียงพูดที่วัดด้วยไมโครโฟนแล็ปท็อปเทียบกับไมโครโฟนสตูดิโอ | 168.42 Hz เทียบกับ 169.31 Hz (t = -0.89, p = 0.99) | Busquet และคณะ, Behavior Research Methods 2023 |
| ขนาดของการศึกษาเปรียบเทียบอุปกรณ์ | ผู้เข้าร่วม 30 คน ตัวอย่างเสียง 1,800 ตัวอย่าง | Busquet และคณะ, Behavior Research Methods 2023 |
| อัตราความผิดพลาดของคำ ไมโครโฟนหกตัวที่ระยะ 5 ฟุตจากผู้พูด การอ่านสคริปต์ออกเสียง | 10.7% ถึง 12.0% | Bradford และคณะ, EDM 2022 |
| อัตราความผิดพลาดของคำ ไมโครโฟนหกตัวเดิม การสนทนากลุ่มแบบอิสระ | 52.7% ถึง 61.3% | Bradford และคณะ, EDM 2022 |
| ระยะจากผู้พูดแต่ละคนถึงไมโครโฟนอาร์เรย์ระยะไกลในการบันทึก DiPCo | 1,120 mm ถึง 3,950 mm | Van Segbroeck และคณะ, DiPCo 2019 |
| ระยะจากไมโครโฟนถึงผู้พูดในห้องประชุม AliMeeting | 0.3 ถึง 5.0 m | Yu และคณะ, M2MeT 2022 |
หมายเหตุด้านบริบท: ค่าเดซิเบลในการศึกษานั้นเป็นการวัดแอมพลิจูดจากการบันทึก ไม่ใช่ระดับความดันเสียงที่ผ่านการสอบเทียบ ส่วนต่าง 12.82 dB จึงเป็นการเปรียบเทียบอุปกรณ์ภายในการติดตั้งเดียว ไม่ใช่การทำนายว่าเว็บแคมตัวใดจะให้ผลเช่นไร ข้อมูลล่าสุดที่มีสำหรับการเปรียบเทียบของ EDM: 2022
2. ข้อผิดพลาดในการรู้จำเสียงพูด: ระยะใกล้ปากเทียบกับระยะไกล
การรู้จำเสียงพูดคือผู้ฟังที่วัดผลได้ชัดเจนที่สุด และให้ข้อสรุปเดียวกันในทุกคอร์ปัส: ยิ่งย้ายไมโครโฟนให้ไกลออกไป ข้อผิดพลาดก็เพิ่มขึ้นราวเท่าตัวหรือมากกว่า Whisper large-v2 เพิ่มจาก WER 16.9% (อัตราความผิดพลาดของคำ คือสัดส่วนคำที่ถอดเสียงผิด) กับการประชุม AMI ที่บันทึกด้วยไมโครโฟนเฮดเซ็ตรายบุคคล เป็น 36.4% กับการประชุมชุดเดียวกันที่ไมโครโฟนไกลตัวเดียวจับได้ สูงขึ้นราว 2.2 เท่า (36.4 หารด้วย 16.9) (Radford และคณะ, เอกสารวิจัย OpenAI Whisper 2022) โมเดล wav2vec 2.0 รุ่นเก่ากว่าให้ทิศทางเดียวกัน คือ 37.0% เทียบกับ 67.6%
รูปแบบเดียวกันเกิดขึ้นในบ้านและในภาษาอื่นด้วย คอร์ปัส DiPCo ของ Amazon บันทึกคนสี่คนรอบโต๊ะอาหารด้วยเฮดเซ็ตและไมโครโฟนอาร์เรย์ระยะไกลห้าชุดพร้อมกัน การตั้งค่าประเมินผลที่ดีที่สุดได้ WER ระยะใกล้ปาก 42.10% และระยะไกล 77.52% สูงขึ้นราว 1.8 เท่า (77.52 หารด้วย 42.10) (Van Segbroeck และคณะ, DiPCo 2019) ในการประชุมภาษาจีนกลาง ช่องว่างชันกว่านั้น คือ 9.9% เทียบกับ 49.0% CER (อัตราความผิดพลาดของตัวอักษร ซึ่งเทียบเท่า WER สำหรับภาษาจีนกลาง) ราว 5 เท่า (49.0 หารด้วย 9.9) (Yu และคณะ, M2MeT 2022) การฝึกด้วยเสียงระยะไกลช่วยลดช่องว่างเหลือ 8.2% เทียบกับ 33.3% แต่ไม่ได้ปิดช่องว่างทั้งหมด ห้องที่ติดตั้งไมโครโฟนอาร์เรย์บนเพดานมีข้อมูลของตัวเอง ซึ่งอยู่ในสถิติไมโครโฟนบีมฟอร์มมิงห้องประชุมของเรา
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| WER ของ Whisper large-v2 การประชุม AMI: ไมโครโฟนเฮดเซ็ตรายบุคคลเทียบกับไมโครโฟนไกลตัวเดียว | 16.9% เทียบกับ 36.4% | Radford และคณะ, เอกสารวิจัย OpenAI Whisper 2022 |
| WER ของ wav2vec 2.0 Large (ไม่มีโมเดลภาษา) AMI: ไมโครโฟนเฮดเซ็ตเทียบกับไมโครโฟนไกลตัวเดียว | 37.0% เทียบกับ 67.6% | Radford และคณะ, เอกสารวิจัย OpenAI Whisper 2022 |
| WER ของการบันทึกจริง REVERB ระบบแปดไมโครโฟนที่ดีที่สุด | 9.0% | Kinoshita และคณะ, สรุปการแข่งขัน REVERB 2016 |
| WER การประเมิน DiPCo เฮดเซ็ตระยะใกล้ปากเทียบกับไมโครโฟนอาร์เรย์ระยะไกล (โมเดลภาษาที่ดีที่สุด) | 42.10% เทียบกับ 77.52% | Van Segbroeck และคณะ, DiPCo 2019 |
| CER ของ AliMeeting โมเดลที่ฝึกด้วยเสียงเฮดเซ็ต: ชุดทดสอบเฮดเซ็ตเทียบกับชุดทดสอบระยะไกล | 9.9% เทียบกับ 49.0% | Yu และคณะ, M2MeT 2022 |
| CER ของ AliMeeting โมเดลที่เพิ่มข้อมูลระยะไกล ข้อมูลภายนอก และข้อมูลจำลอง: เฮดเซ็ตเทียบกับระยะไกล | 8.2% เทียบกับ 33.3% | Yu และคณะ, M2MeT 2022 |
| WER ของการบันทึกจริง REVERB: ค่าอ้างอิงแบบสะอาด/เฮดเซ็ตเทียบกับค่าฐานระยะไกล | 6.9% เทียบกับ 49.2% | Kinoshita และคณะ, สรุปการแข่งขัน REVERB 2016 |
| WER ค่าฐานอย่างเป็นทางการของ CHiME-6 บนไมโครโฟนอาร์เรย์ระยะไกล ชุดพัฒนาเทียบกับชุดประเมิน | 51.8% เทียบกับ 51.3% | Watanabe และคณะ, การแข่งขัน CHiME-6 2020 |
ข้อมูลล่าสุดที่มี: เอกสารวิจัย Whisper (2022) ยังคงเป็นการเปรียบเทียบเคียงข้างกันต่อสาธารณะที่ใหญ่ที่สุดของ WER เฮดเซ็ตเทียบกับไมโครโฟนไกลตัวกับการประชุมชุดเดียวกัน โมเดลรุ่นใหม่กว่ายังไม่เผยแพร่การแยก AMI ระหว่างเฮดเซ็ตกับไมโครโฟนไกลตัวในรูปแบบเดียวกัน เอกสารค่าฐานของ CHiME-6 อนุญาตเฉพาะไมโครโฟนอาร์เรย์ระยะไกลในขั้นทดสอบ จึงไม่มีคอลัมน์ระยะใกล้ปาก
3. ห้อง เสียงรบกวน และความพยายามในการฟัง
ระยะห่างสำคัญเพราะสิ่งที่เข้ามาเติมเต็มช่องว่างนั้น คือเสียงสะท้อนและเสียงรบกวน ห้องนั่งเล่นทั่วไปใช้เวลา 0.3 ถึง 0.7 s เพื่อให้การตอบสนองลดลง 60 dB (เวลาเสียงก้อง) ตามบทความทบทวนเรื่องการรู้จำเสียงระยะไกล (Haeb-Umbach และคณะ, Far-Field Automatic Speech Recognition 2020) ไมโครโฟนเฮดเซ็ตที่อยู่ใกล้ปากได้ยินส่วนหางนี้น้อยกว่าไมโครโฟนเว็บแคมที่วางบนจอภาพมาก
สำหรับผู้ฟังที่เป็นมนุษย์ หลักฐานแบ่งออกเป็นสองส่วนอย่างมีประโยชน์ ในการศึกษา Ear and Hearing ที่ควบคุมตัวแปร เสียงรบกวนพื้นหลังทำให้การตอบสนองช้าลงเฉลี่ย 91 ms (ตัวชี้วัดความพยายามในการฟังของการศึกษา) ขณะที่เสียงก้องไม่ได้เปลี่ยนความพยายามอย่างมีนัยสำคัญ ทั้งที่เสียงก้องที่เพิ่มขึ้นแต่ละขั้นลดการจดจำคำลงราว 8 RAU (หน่วยอาร์กไซน์ที่ปรับค่า คือคะแนนร้อยละที่ตอบถูกซึ่งผ่านการแปลง) (Picou, Gordon และ Ricketts, Ear and Hearing 2016) กล่าวอีกอย่างคือ เสียงสะท้อนในห้องทำให้เสียคำ เสียงรบกวนในห้องทำให้เสียแรง ซึ่งสำคัญ เพราะไมโครโฟนที่อยู่ไกลจับได้มากกว่าทั้งสองอย่าง สำหรับผู้มีภาวะสูญเสียการได้ยิน ห้องปฏิบัติการด้านอะคูสติกแห่งชาติของออสเตรเลีย (National Acoustic Laboratories) พบว่าการติดตามบทสนทนาในการประชุมทางวิดีโอต้องใช้ความพยายามมากกว่าอย่างมากเมื่อเทียบกับผู้ที่ได้ยินปกติ และเครื่องช่วยฟังก็ไม่ได้ทำให้กลับสู่ระดับของการพูดคุยแบบเห็นหน้า ด้านสรีรวิทยาของความเหนื่อยล้าจากการโทรอยู่ในสถิติตัวบ่งชี้ทางชีวภาพของความเหนื่อยล้าจากการประชุมวิดีโอของเรา
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| เวลาเสียงก้องทั่วไปของห้องนั่งเล่น (ลดลงถึง -60 dB) | 0.3 ถึง 0.7 s | Haeb-Umbach และคณะ, บทความทบทวน ASR ระยะไกล 2020 |
| การสูญเสียการจดจำคำต่อเสียงก้องที่เพิ่มขึ้นหนึ่งขั้น ที่อัตราส่วนสัญญาณต่อเสียงรบกวนคงที่ | ราว 8 RAU | Picou และคณะ, Ear and Hearing 2016 |
| เวลาตอบสนองที่ช้าลงเมื่อมีเสียงรบกวนเทียบกับเมื่อเงียบ (ความพยายามในการฟัง) | เฉลี่ย 91 ms | Picou และคณะ, Ear and Hearing 2016 |
| ผลของเสียงก้องต่อความพยายามในการฟังเมื่อการจดจำเทียบเท่ากัน | ไม่มีนัยสำคัญ (p = 0.18) | Picou และคณะ, Ear and Hearing 2016 |
| เวลาเสียงก้องที่ทดสอบในการศึกษานั้น | T30 ต่ำกว่า 100 ms, 475 ms และ 834 ms | Picou และคณะ, Ear and Hearing 2016 |
| ห้องจำลองของ REVERB: เวลาเสียงก้อง และระยะไมโครโฟนใกล้เทียบกับไกล | 0.3, 0.6 และ 0.7 s; 50 cm เทียบกับ 200 cm | Kinoshita และคณะ, สรุปการแข่งขัน REVERB 2016 |
| WER ระยะไกลของ CHiME-5: ค่าฐานเทียบกับระบบส่วนหลังที่แข็งแกร่งเทียบกับการแยกเสียงหลายไมโครโฟนและการลดเสียงก้อง | ต่ำกว่า 80% เพียงเล็กน้อยเทียบกับประมาณ 60% เทียบกับ 43.2% | Haeb-Umbach และคณะ, บทความทบทวน ASR ระยะไกล 2020 |
| ประสิทธิภาพในการฟังของผู้ใช้ประสาทหูเทียมในการสนทนาออนไลน์ เสียงอย่างเดียวเทียบกับมีคำบรรยาย (สัดส่วนของค่าเฉลี่ยผู้ที่ได้ยินปกติ) | ราว 60% เทียบกับราว 80% | Perea Pérez และคณะ, Ear and Hearing 2025 |
หมายเหตุเรื่องค่าผิดปกติ: ผลที่เสียงก้องไม่ส่งผลต่อความพยายามทำให้ผู้เขียนเองประหลาดใจ โดยผู้เขียนระบุว่าไม่สอดคล้องกับแบบจำลองความพยายามในการฟังในปัจจุบัน และวัดจากผู้ใหญ่วัยหนุ่มสาวที่ได้ยินปกติ 18 คน ข้อมูลล่าสุดที่มี: 2016 เสียงรบกวนคือส่วนที่ซอฟต์แวร์จัดการได้ ดูสถิติการลดเสียงรบกวนด้วยโครงข่ายประสาทเทียมของเรา
4. ผู้ฟังตัดสินผู้พูดอย่างไรเมื่อฟังผ่านไมโครโฟนคุณภาพต่ำ
ข้อค้นพบที่มีผลกระทบมากที่สุดในสองปีที่ผ่านมาคือ เสียงจากไมโครโฟนคุณภาพต่ำเปลี่ยนการตัดสินที่มีต่อตัวบุคคล ไม่ใช่เปลี่ยนแค่ความเข้าใจได้ ในการทดลองของ PNAS กับผู้ฟัง 600 คน ผู้สมัครงานที่ได้ยินผ่านเสียง ‘ไมโครโฟนคุณภาพต่ำ’ ที่แหลมบางและโหรงได้คะแนนความน่าจ้างงาน 68.50 เทียบกับ 76.04 สำหรับการบันทึกที่ชัดเจน (d = 0.35, P < 0.001) ขณะที่ความแม่นยำของการถอดเสียงเท่ากันที่ 98.07% เทียบกับ 98.09% (Walter-Terrill, Ongchoco และ Scholl, PNAS 2025) ผู้ฟังเข้าใจทุกคำ เพียงแต่คิดกับผู้พูดน้อยลง
การศึกษาต่อเนื่องปี 2026 กับผู้เข้าร่วม 299 คนและการสัมภาษณ์งานผ่านอวตาร พบว่าเสียงที่มีบิตเรตต่ำและจำกัดแถบความถี่ทำให้คะแนนความสามารถในการได้รับการจ้างงานลดลง (p < 0.001) ขณะที่การขยับจากคุณภาพปานกลางไปสูงไม่ได้สร้างความแตกต่าง (p = 0.813) (Schütze, Biberger และ Reber, Forum Acusticum 2026) นั่นชี้ว่ามีเกณฑ์ขั้นต่ำ: ผู้ฟังลงโทษเสียงที่เสื่อมคุณภาพอย่างชัดเจน ไม่ใช่เสียงธรรมดาทั่วไป งานก่อนหน้านี้พบอคติแบบเดียวกันในการสัมภาษณ์ Skype จำลอง ซึ่งยังคงอยู่แม้ผู้ประเมินจะถูกบอกให้ไม่สนใจคุณภาพของสายก็ตาม (Fiechter และคณะ, Cognitive Research 2018)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| คะแนนความน่าจ้างงาน (0 ถึง 100) การบันทึกที่ชัดเจนเทียบกับเวอร์ชัน ‘ไมโครโฟนคุณภาพต่ำ’ ที่แหลมบาง | 76.04 เทียบกับ 68.50 (d = 0.35) | Walter-Terrill และคณะ, PNAS 2025 |
| ความแม่นยำของการถอดเสียง การบันทึกที่ชัดเจนเทียบกับการบันทึกที่บิดเบือน | 98.09% เทียบกับ 98.07% (P = 0.915) | Walter-Terrill และคณะ, PNAS 2025 |
| ผู้ฟังในการทดลองที่ 1 | 600 คน (เงื่อนไขละ 300 คน) | Walter-Terrill และคณะ, PNAS 2025 |
| ส่วนต่างคะแนนความสามารถในการได้รับการจ้างงาน คุณภาพเสียงสูงเทียบกับต่ำ (มาตราส่วน 0 ถึง 100) | 6.4 คะแนน; ต่ำเทียบกับสูง p < 0.001; ปานกลางเทียบกับสูง p = 0.813 | Schütze และคณะ, Forum Acusticum 2026 |
| คุณภาพเชิงวัตถุวิสัย (MOS ของ ViSQOL) ของเสียงคุณภาพต่ำเทียบกับคุณภาพปานกลาง | 2.13 เทียบกับ 4.68 | Schütze และคณะ, Forum Acusticum 2026 |
| คะแนนความน่าจ้างงาน (1 ถึง 10) เสียงและภาพที่ราบรื่นเทียบกับที่เสื่อมคุณภาพ รวมสองการทดลอง | 6.91 เทียบกับ 6.33 (ค่า d ของโคเฮน = 0.44) | Fiechter และคณะ, Cognitive Research 2018 |
| ผู้ฟังที่ให้คะแนนการบรรยายหรือการสัมภาษณ์ทางวิทยุที่เหมือนกัน เมื่อฟังด้วยเสียงดีเทียบกับเสียงไม่ดี | 97 (การทดลองที่ 1) และ 99 (การทดลองที่ 2) | Newman และ Schwarz, Science Communication 2018 |
หมายเหตุด้านบริบท: ในการศึกษาของ Newman และ Schwarz (DOI 10.1177/1075547018759345) เสียงที่ไม่ดีทำให้คะแนนของการบรรยาย ความฉลาดของผู้พูด และความสำคัญของงานวิจัยลดลง ตามที่ USC สรุปไว้ MOS (คะแนนความคิดเห็นเฉลี่ย) คือมาตราส่วนมาตรฐานของคุณภาพการฟัง ซึ่งค่ายิ่งสูงยิ่งดี ส่วน ViSQOL คือแบบจำลองซอฟต์แวร์ที่ทำนายค่านี้ ข้อมูลล่าสุดที่มีสำหรับการศึกษาของ Fiechter และ Newman: 2018
5. กฎการรับรอง: สิ่งที่ Teams, Zoom และ ITU ทดสอบจริง
โปรแกรมการรับรองเผยให้เห็นว่าผู้จำหน่ายตั้งเกณฑ์ด้านเสียงไว้ที่ใด และเว็บแคมส่วนใหญ่อยู่นอกเกณฑ์นั้น หน้าอุปกรณ์ที่ได้รับการรับรองของ Teams ระบุว่าอุปกรณ์เสียงอย่างเฮดเซ็ตและลำโพงสนทนาต้องให้เสียงย่านความถี่กว้างที่ไม่มีเสียงสะท้อน การบิดเบือน หรือสะดุดมากเกินไป ขณะที่เกณฑ์ที่ระบุสำหรับอุปกรณ์วิดีโอล้วนเป็นตัวชี้วัดด้านภาพ (Microsoft Learn, Teams certified USB devices, พฤศจิกายน 2026) จากอุปกรณ์ USB 22 รายการในรายการนั้นที่ผ่านคุณสมบัติในปี 2026 มี 2 รายการเป็นเว็บแคม และ 20 รายการเป็นเฮดเซ็ตหรือระบบเฮดเซ็ต (การนับของเราจากตารางเดือนพฤศจิกายน 2026)
เกณฑ์ของเฮดเซ็ตยังมีระดับพรีเมียมด้วย เอกสารของห้องปฏิบัติการทดสอบสำหรับ Teams Audio Test Specification อธิบายโมดูลสำนักงานแบบเปิดที่เป็นทางเลือก ซึ่งให้คะแนน MOS ของเสียงพูดและเสียงรบกวนภายใต้เสียงรบกวนในสำนักงาน บวกกับ ‘การลดทอนเสียงรบกวนจากผู้อื่น’ หมายถึงเฮดเซ็ตตัดเสียงของเพื่อนร่วมงานข้างเคียงออกได้มากเพียงใด (เอกสารข้อมูลของ HEAD acoustics, Teams Audio Test Specification 60026) Zoom ได้รวมมาตรฐานการทดสอบเชิงวัตถุวิสัยสำหรับหมวดอุปกรณ์เสียงของตนในปี 2022 (Zoom, การปรับปรุงการรับรองฮาร์ดแวร์ 2022) และการตั้งค่าห้องปฏิบัติการของ Teams อาศัยวิธีการของ ITU-T เช่น P.502 และปากเทียม P.51 (ลำโพงที่เลียนแบบผู้พูดที่เป็นมนุษย์) เอกสารอ้างอิงที่กว้างกว่าสำหรับการให้คะแนนเสียงพูดที่จับได้คือ ITU-T P.863 (POLQA) ซึ่งเป็นแบบจำลองมาตรฐานที่ทำนายคุณภาพการฟังบนมาตราส่วน MOS
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ข้อกำหนดด้านเสียงสำหรับเฮดเซ็ตและลำโพงสนทนาที่ได้รับการรับรองโดย Teams | เสียงย่านความถี่กว้างที่ไม่มีเสียงสะท้อน การบิดเบือน หรือสะดุดมากเกินไป; รองรับการตัดเสียงสะท้อน | Microsoft Learn, อุปกรณ์ USB ที่ได้รับการรับรองโดย Teams 2026 |
| เกณฑ์ที่ระบุสำหรับอุปกรณ์วิดีโอที่ได้รับการรับรองโดย Teams เช่นเว็บแคม | สัญญาณรบกวน สี รายละเอียดภาพ ความสั่นไหว ค่าหน่วง อัตราเฟรม มุมมอง (ตัวชี้วัดด้านภาพ) | Microsoft Learn, อุปกรณ์ USB ที่ได้รับการรับรองโดย Teams 2026 |
| อุปกรณ์ USB ที่ผ่านคุณสมบัติในปี 2026 (ถึงตารางเดือนพฤศจิกายน 2026): เว็บแคมเทียบกับเฮดเซ็ตหรือระบบเฮดเซ็ต | 2 เทียบกับ 20 (จากทั้งหมด 22) | Microsoft Learn, การนับของเราจากตารางเดือนพฤศจิกายน 2026 |
| เวอร์ชันของ Teams Audio Test Specification ที่ห้องปฏิบัติการทดสอบใช้ และหมวดอุปกรณ์ | V5.0 รวมภาคผนวก A; 4 หมวด (เฮดเซ็ต โทรศัพท์ตั้งโต๊ะส่วนบุคคล ลำโพงสนทนาส่วนบุคคล ลำโพงสนทนาแบบใช้ร่วมกัน) | เอกสารข้อมูลห้องปฏิบัติการทดสอบของ HEAD acoustics 2026 |
| ตัวชี้วัดเพิ่มเติมในการทดสอบเฮดเซ็ตสำนักงานแบบเปิดที่เป็นทางเลือก | MOS ของเสียงพูดและเสียงรบกวนตาม 3QUEST; การลดทอนเสียงรบกวนจากผู้อื่น (ค่าเฉลี่ยและค่าต่ำสุด) | เอกสารข้อมูลห้องปฏิบัติการทดสอบของ HEAD acoustics 2026 |
| หมวดเสียงและหมวดที่เกี่ยวข้องของ Zoom ที่มีมาตรฐานการทดสอบเชิงวัตถุวิสัยซึ่งปรับปรุงและรวมเป็นหนึ่งเดียว | 7 | การปรับปรุงการรับรองฮาร์ดแวร์ของ Zoom, 16 มีนาคม 2022 |
| ความถี่ที่อุปกรณ์ซึ่งได้รับการรับรองโดย Zoom ต้องขอรับรองใหม่ | อย่างน้อยทุกสองปี | การปรับปรุงการรับรองฮาร์ดแวร์ของ Zoom, 16 มีนาคม 2022 |
| ฉบับของ ITU-T P.863 (POLQA) ที่มีผลบังคับใช้ พร้อมการแก้ไขเพิ่มเติม | P.863 (03/18); การแก้ไขเพิ่มเติมที่ 1 (04/20) ว่าด้วยการทำนายเสียงพูดย่านความถี่แคบที่บันทึกด้วยอะคูสติก | ข้อแนะนำ ITU-T P.863 |
หมายเหตุด้านบริบท: คำว่า ‘ย่านความถี่กว้าง’ ในที่นี้เป็นศัพท์โทรศัพท์ หมายถึงเสียงที่คงช่วงความถี่ไว้กว้างกว่าเสียงโทรศัพท์ย่านความถี่แคบแบบดั้งเดิม ไม่ใช่การวัดความดังของเสียง ข้อมูลล่าสุดที่มีสำหรับเกณฑ์ของ Zoom: 2022 เนื่องจาก Zoom ยังไม่ได้เผยแพร่เกณฑ์ที่ใหม่กว่า
6. ผู้คนเลือกอุปกรณ์อย่างไร และสิ่งนั้นเปลี่ยนอะไรในการประชุมจริง
ข้อมูลแบบสำรวจเรื่องอุปกรณ์มีน้อยและส่วนใหญ่ดำเนินการโดยผู้จำหน่าย แต่ชี้ไปทางเดียวกัน คือคนส่วนใหญ่ยังพูดผ่านไมโครโฟนที่ติดมากับเครื่อง มีเพียง 30% ของพนักงานสายความรู้ที่ใช้เฮดเซ็ตระดับมืออาชีพสำหรับงาน และ 8% ระบุว่าเป็นอุปกรณ์หลักของตน ทั้งที่ 91% ใช้แพลตฟอร์มประชุมออนไลน์ (Jabra 2023 Knowledge Worker Study, แบบสำรวจของผู้จำหน่าย) แบบสำรวจของ Logitech ปี 2022 กับพนักงานที่ทำงานระยะไกลกว่า 3,000 คนในสหรัฐอเมริกา เยอรมนี และจีน พบว่า 85% มีปัญหาด้านเสียง (Logitech, แบบสำรวจของผู้จำหน่าย)
ข้อมูลอิสระเพิ่มด้านผลลัพธ์ การศึกษาจากคำตอบแบบสำรวจหลังการประชุมที่ใช้ได้ประมาณ 7,330 ชุดจากห้าองค์กรขนาดใหญ่พบว่า การใช้เฮดเซ็ตเพิ่มโอกาสที่จะได้คะแนน ‘การมีส่วนร่วม’ (OR = 1.16) และสายที่มีปัญหาคุณภาพเสียงมีโอกาสถูกประเมินว่ามีประสิทธิผลต่ำกว่ามาก (OR = 0.14) (Hosseinkashi และคณะ, Microsoft Research, การศึกษาประสิทธิผลของการประชุม 2024) อัตราส่วนออดส์ (OR) ที่ต่ำกว่า 1 หมายถึงโอกาสที่ต่ำลง ค่า 0.14 เป็นผลกระทบที่ใหญ่ เมื่ออ่านร่วมกับส่วนต่างของระดับเสียงในหัวข้อที่ 1 เหตุผลที่สนับสนุนการจับเสียงระยะใกล้ปากอยู่ที่การถูกมองว่าอยู่ร่วมการประชุมอย่างเต็มที่ ไม่ใช่แค่การได้ยินเสียง
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| พนักงานสายความรู้ที่ใช้เฮดเซ็ตระดับมืออาชีพสำหรับงาน | 30% | Jabra 2023 Knowledge Worker Study (แบบสำรวจของผู้จำหน่าย พนักงาน 7,000+ คน) |
| พนักงานสายความรู้ที่ระบุว่าเฮดเซ็ตระดับมืออาชีพเป็นอุปกรณ์หลักของตน | 8% | Jabra 2023 Knowledge Worker Study (แบบสำรวจของผู้จำหน่าย) |
| พนักงานที่ทำงานระยะไกลซึ่งมีปัญหาด้านเสียงในการโทร | 85% | แบบสำรวจผู้ใช้ปลายทางของ Logitech, พฤษภาคม 2022 (แบบสำรวจของผู้จำหน่าย พนักงาน 3,000+ คน) |
| การศึกษาการสนทนาออนไลน์ กลุ่มผู้ได้ยินปกติ: ฟังผ่านลำโพงเทียบกับหูฟัง | 72% เทียบกับ 28% | Perea Pérez และคณะ, Ear and Hearing 2025 |
| การศึกษาเดียวกัน กลุ่มผู้ใช้ประสาทหูเทียม: ลำโพงเทียบกับหูฟังเทียบกับการสตรีมโดยตรง | 68% เทียบกับ 12% เทียบกับ 20% | Perea Pérez และคณะ, Ear and Hearing 2025 |
| อัตราส่วนออดส์ที่ปรับแล้วสำหรับคะแนน ‘การมีส่วนร่วม’ เมื่อผู้ใช้สวมเฮดเซ็ต | 1.16 | Hosseinkashi และคณะ, Microsoft Research 2024 |
| อัตราการมีส่วนร่วม การโทรแบบเสียงอย่างเดียวที่มีเฮดเซ็ตเทียบกับไม่มี | สูงกว่าราว 5% | Hosseinkashi และคณะ, Microsoft Research 2024 |
| อัตราส่วนออดส์ที่ปรับแล้วสำหรับคะแนนการประชุม ‘มีประสิทธิผล’ เมื่อสายมีปัญหาคุณภาพ (เสียงสะท้อน เสียงรบกวน การบิดเบือน) | 0.14 | Hosseinkashi และคณะ, Microsoft Research 2024 |
หมายเหตุเรื่องค่าผิดปกติ: ข้อความของการศึกษาการประชุมระบุว่าโอกาสของการมีส่วนร่วมเพิ่มขึ้น ‘ถึง 20%’ เมื่อใช้เฮดเซ็ต ขณะที่ตารางของงานเดียวกันให้อัตราส่วนออดส์ 1.16 เรารายงานค่าตามตาราง ผู้เขียนยังเตือนด้วยว่าการตรวจจับเฮดเซ็ตจากข้อมูลโทรมาตรไม่น่าเชื่อถือ เพราะอุปกรณ์จำนวนมากรายงานผิด ข้อมูลล่าสุดที่มีสำหรับแบบสำรวจของ Logitech: พฤษภาคม 2022
สรุป: คุณภาพเสียงพูดของไมโครโฟนในตัวเว็บแคมเทียบกับเฮดเซ็ตในรูปแบบตัวเลข
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| WER ของ Whisper large-v2 ไมโครโฟนเฮดเซ็ต AMI เทียบกับไมโครโฟนไกลตัวเดียว | 16.9% เทียบกับ 36.4% | Radford และคณะ, เอกสารวิจัย OpenAI Whisper 2022 |
| WER ของ DiPCo ระยะใกล้ปากเทียบกับไมโครโฟนอาร์เรย์ระยะไกล | 42.10% เทียบกับ 77.52% | Van Segbroeck และคณะ, DiPCo 2019 |
| CER ของ AliMeeting เฮดเซ็ตเทียบกับระยะไกล | 9.9% เทียบกับ 49.0% | Yu และคณะ, M2MeT 2022 |
| การบันทึกจริง REVERB: WER แบบสะอาด/เฮดเซ็ตเทียบกับค่าฐานระยะไกลเทียบกับระบบ 8 ไมโครโฟนที่ดีที่สุด | 6.9% เทียบกับ 49.2% เทียบกับ 9.0% | Kinoshita และคณะ, สรุปการแข่งขัน REVERB 2016 |
| ระดับเสียงพูด ไมโครโฟนแล็ปท็อปที่ระยะประมาณ 60 cm เทียบกับไมโครโฟนเฮดเซ็ตที่ระยะ 15 ถึง 20 cm | 46.91 dB เทียบกับ 59.73 dB | Busquet และคณะ, Behavior Research Methods 2023 |
| ช่วง WER ของไมโครโฟนหกตัวที่ระยะ 5 ฟุต สคริปต์เทียบกับการสนทนาแบบอิสระ | 10.7% ถึง 12.0% เทียบกับ 52.7% ถึง 61.3% | Bradford และคณะ, EDM 2022 |
| เวลาเสียงก้องทั่วไปของห้องนั่งเล่น | 0.3 ถึง 0.7 s | Haeb-Umbach และคณะ, บทความทบทวน ASR ระยะไกล 2020 |
| การตอบสนองที่ช้าลงจากเสียงรบกวนพื้นหลัง | เฉลี่ย 91 ms | Picou และคณะ, Ear and Hearing 2016 |
| ประสิทธิภาพในการฟังออนไลน์ของผู้ใช้ประสาทหูเทียม เสียงอย่างเดียวเทียบกับมีคำบรรยาย | ราว 60% เทียบกับราว 80% ของระดับปกติ | Perea Pérez และคณะ, Ear and Hearing 2025 |
| ความน่าจ้างงาน เสียงที่ชัดเจนเทียบกับเสียงไมโครโฟนคุณภาพต่ำ (0 ถึง 100) | 76.04 เทียบกับ 68.50 | Walter-Terrill และคณะ, PNAS 2025 |
| MOS ของ ViSQOL คุณภาพเสียงต่ำเทียบกับปานกลาง | 2.13 เทียบกับ 4.68 | Schütze และคณะ, Forum Acusticum 2026 |
| ความน่าจ้างงาน (1 ถึง 10) เสียงและภาพที่ราบรื่นเทียบกับที่เสื่อมคุณภาพ | 6.91 เทียบกับ 6.33 | Fiechter และคณะ, Cognitive Research 2018 |
| การใช้เฮดเซ็ตระดับมืออาชีพสำหรับงาน | 30% | Jabra 2023 Knowledge Worker Study (แบบสำรวจของผู้จำหน่าย) |
| เฮดเซ็ตระดับมืออาชีพที่ระบุว่าเป็นอุปกรณ์หลัก | 8% | Jabra 2023 Knowledge Worker Study (แบบสำรวจของผู้จำหน่าย) |
| ผู้ได้ยินปกติในการสนทนาออนไลน์ ฟังผ่านลำโพงเทียบกับหูฟัง | 72% เทียบกับ 28% | Perea Pérez และคณะ, Ear and Hearing 2025 |
| ระยะจากไมโครโฟนถึงผู้พูดในห้อง AliMeeting | 0.3 ถึง 5.0 m | Yu และคณะ, M2MeT 2022 |
| พนักงานที่ทำงานระยะไกลซึ่งมีปัญหาด้านเสียง | 85% | แบบสำรวจผู้ใช้ปลายทางของ Logitech 2022 (แบบสำรวจของผู้จำหน่าย) |
| ระยะเวลาการขอรับรองใหม่ของ Zoom | อย่างน้อยทุกสองปี | การปรับปรุงการรับรองฮาร์ดแวร์ของ Zoom 2022 |
ระเบียบวิธีและแหล่งที่มา
- Busquet, Efthymiou และ Hildebrand, Voice analytics in the wild: Validity and predictive accuracy of common audio-recording devices, Behavior Research Methods 2023
- Bradford และคณะ, A deep dive into microphone hardware for recording collaborative group work, EDM 2022
- Radford และคณะ (OpenAI), Robust Speech Recognition via Large-Scale Weak Supervision (Whisper), 2022
- Van Segbroeck และคณะ (Amazon), DiPCo: Dinner Party Corpus, 2019
- Yu และคณะ, M2MeT: The ICASSP 2022 Multi-channel Multi-party Meeting Transcription Challenge, 2022
- Kinoshita และคณะ, A summary of the REVERB challenge, EURASIP Journal on Advances in Signal Processing 2016
- Watanabe และคณะ, CHiME-6 Challenge: Tackling Multispeaker Speech Recognition for Unsegmented Recordings, 2020
- Haeb-Umbach และคณะ, Far-Field Automatic Speech Recognition, 2020
- Picou, Gordon และ Ricketts, The effects of noise and reverberation on listening effort in adults with normal hearing, Ear and Hearing 2016
- Perea Pérez และคณะ, Preferences and Listening Efficiency of Adults With Cochlear Implants During Online Communication, Ear and Hearing 2025
- National Acoustic Laboratories, การประเมินการสื่อสารผ่านการประชุมทางวิดีโออย่างมีโครงสร้าง, 2022
- Walter-Terrill, Ongchoco และ Scholl, Superficial auditory (dis)fluency biases higher-level social judgment, PNAS 2025
- Schütze, Biberger และ Reber, Subjective and objective employability for degraded speech in video-mediated job interviews, Forum Acusticum 2026 (บทความเบื้องต้น)
- Fiechter และคณะ, Audiovisual quality impacts assessments of job candidates in video interviews, Cognitive Research: Principles and Implications 2018
- Newman และ Schwarz, Good Sound, Good Research, Science Communication 2018, ตามที่ USC รายงาน
- Microsoft Learn, ตาราง Teams certified USB devices, พฤศจิกายน 2026
- Hosseinkashi และคณะ (Microsoft Research), Meeting effectiveness and inclusiveness: large-scale measurement in real-world remote meetings, ฉบับปรับปรุงปี 2024
- HEAD acoustics, เอกสารข้อมูล ACQUA Standards สำหรับ Teams Audio Test Specification 60026, 2026
- Zoom, New updates to the Zoom hardware certification program, 16 มีนาคม 2022
- ข้อแนะนำ ITU-T P.863, Perceptual objective listening quality prediction
- Jabra, การศึกษาการมีส่วนร่วม LSE และ 2023 Knowledge Worker Study (งานวิจัยของผู้จำหน่าย)
- Logitech, Your Remote Employees are Underequipped (แบบสำรวจของผู้จำหน่าย) โดยงานภาคสนามดำเนินการโดย 2CV Research ในเดือนพฤษภาคม 2022 ตามไฟล์ PDF ฉบับเต็มของการศึกษา Logitech
- ข้อสังเกตเกี่ยวกับข้อมูล: ยังไม่มีการศึกษาสาธารณะใดวัดไมโครโฟนในตัวของเว็บแคมรุ่นปัจจุบันเทียบกับเฮดเซ็ตกับผู้พูดกลุ่มเดียวกันด้วย POLQA หรือ ASR สรุปนี้จึงรวมข้อมูลไมโครโฟนแล็ปท็อป ไมโครโฟนไกลตัว และไมโครโฟนอาร์เรย์ไว้เป็นหลักฐานระยะไกลที่ใกล้เคียงที่สุด ชุดข้อมูลสำคัญหลายชุดมีอายุเกินสามปี (REVERB 2016 การศึกษาเรื่องเสียงรบกวนและเสียงก้องปี 2016 Fiechter และ Newman 2018 DiPCo 2019 Whisper และ M2MeT 2022 เกณฑ์ของ Zoom 2022) และระบุไว้ในหัวข้อของแต่ละชุดแล้ว ความขัดแย้งและความไม่สอดคล้อง: ข้อความของการศึกษาการประชุมระบุว่าโอกาสของการมีส่วนร่วมของผู้ใช้เฮดเซ็ตเพิ่มขึ้น 20% ขณะที่ตารางให้อัตราส่วนออดส์ 1.16 (เราใช้ค่าตามตาราง) เอกสาร DiPCo ระบุความยาวของแต่ละเซสชันว่า 15 ถึง 45 นาทีในบทคัดย่อ และ 15 ถึง 47 นาทีในเนื้อหา เอกสาร M2MeT พิมพ์อัตราการพูดซ้อนกันสองค่าที่ต่างกันสำหรับชุดประเมินของตน (เราไม่ใช้ค่าใดเลย) ส่วนต่างความสามารถในการได้รับการจ้างงาน 6.4 คะแนนมาจากบทความเบื้องต้นของ Forum Acusticum ที่ยังไม่ได้ตีพิมพ์ในวารสาร ตัวเลขของ Jabra และ Logitech เป็นแบบสำรวจของผู้จำหน่ายและระบุไว้ตามนั้น ตัวเลข 12.82 dB, 10.76 dB และอัตราส่วนต่าง ๆ เป็นการลบหรือหารของเราเองจากค่าที่เผยแพร่ โดยแสดงการคำนวณไว้ในเนื้อหา
อัปเดตล่าสุด: 7 พฤศจิกายน 2026 เราจะอัปเดตสรุปนี้ทุกไตรมาส และคาดว่าการรีเฟรชครั้งถัดไปจะเกิดขึ้นเมื่อมีการเผยแพร่รายงานการประชุมฉบับสมบูรณ์ของ Forum Acusticum 2026 (การประชุมครั้งที่ 12 ของสมาคมอะคูสติกแห่งยุโรป)