เหตุใดการตลาดด้านคุณภาพการแปลจึงมีปัญหา — และสิ่งที่เราเผยแพร่แทน

ลองเปิดเว็บไซต์ของผู้ให้บริการแปลแบบสดรายใดก็ได้ คุณจะเห็นตัวเลขหน้าตาเดิม ๆ ซ้ำกัน:

• "200+ languages"
• "6,000+ language pairs"
• "World's first" / "Highest accuracy"
• "99% accurate"

ลองหาดูในหน้าเว็บของผู้ให้บริการเหล่านั้นว่า ตัวเลขพวกนี้มีความหมายอย่างไรต่อการประชุมที่คุณกำลังจะจัด คุณภาพรายภาษา วิธีการวัดที่ทำซ้ำได้ ขนาดตัวอย่าง คะแนนที่เปลี่ยนไปตามเวลา การเปิดเผยอย่างตรงไปตรงมาว่าโมเดลอ่อนด้านไหน

คุณจะไม่พบสิ่งเหล่านี้ ทั้งในข้อความการตลาด และแทบไม่พบในเอกสารทางเทคนิคด้วย

นี่คือภาวะสมดุลของตลาดกลุ่มนี้ ซึ่งเกิดขึ้นจากสามสาเหตุ:

1. ผู้ให้บริการส่วนใหญ่ไม่ได้เป็นเจ้าของเอนจินแปลภาษาเอง พวกเขาส่งต่อผ่าน OpenAI, Google, DeepL, Microsoft หรือหลายรายผสมกัน การเผยแพร่ข้อมูลคุณภาพรายคู่ภาษาจึงเท่ากับการวัดประสิทธิภาพโมเดลของคนอื่น ซึ่งไม่มีคุณค่าทางการตลาดเลย
2. ข้อมูลคุณภาพที่ตรงไปตรงมานั้นนำไปขึ้นป้ายโฆษณาได้ยาก คะแนนเดี่ยวมีความผันผวน การแจกแจงมีประโยชน์กว่าแต่บีบให้สั้นได้ยากกว่า และ last-six-months trend มีประโยชน์ยิ่งกว่า แต่ก็ยิ่งยากขึ้นไปอีก
3. ฝ่ายจัดซื้อยังไม่ได้ทักท้วง ผู้ซื้อยอมรับตัวเลขทางการตลาดตามที่เห็น ภาวะสมดุลนี้จึงดำรงอยู่ต่อไป

ภาวะสมดุลนี้จะไม่คงอยู่ตลอดไป ผู้ซื้อรุ่นถัดไป ไม่ว่าจะเป็นอุตสาหกรรมยา กฎหมาย การเงิน การตรวจสอบ หรือภาครัฐ จะถามคำถามที่ลึกกว่า "รองรับกี่ภาษา" เราจึงสร้าง /benchmark ขึ้นมา เพราะเราเชื่อว่าพวกเขาไม่ควรต้องเชื่อคำพูดของผู้ให้บริการเพียงอย่างเดียว

สิ่งที่ตัวเลขทางการตลาดไม่ได้บอกคุณ

"200+ languages" หมายความเพียงว่าผู้ให้บริการมีโมเดลที่สร้างข้อความได้ใน 200 ภาษา คุณภาพของแต่ละภาษามีตั้งแต่ระดับพร้อมใช้งานจริงสำหรับคู่ภาษาหลัก (EN↔DE, EN↔ES, EN↔FR) ไปจนถึงแทบใช้งานไม่ได้สำหรับคู่ภาษาที่มีข้อมูลน้อย หากไม่มีการแจกแจงรายคู่ภาษา คุณก็ไม่อาจรู้ได้ว่าการประชุมของคุณจะอยู่ฝั่งไหนของเส้นนั้น

"6,000+ language pairs" คือการคำนวณเชิงจัดหมู่แบบ N × N จากภาษาต้นทาง 80 ภาษา การบอกว่ารองรับ 6,000 คู่เป็นเรื่องง่าย ส่วนการบอกว่าคู่ภาษาใดคู่หนึ่งดีพอสำหรับการทบทวน CAPA การเจรจาสัญญา หรือการประชุมแถลงผลประกอบการ นั่นคือส่วนที่ไม่มีอยู่ในโบรชัวร์

"99% accurate" หากไม่ระบุว่าวัดอะไร เทียบกับข้อมูลอ้างอิงใด ใช้ตัวอย่างอะไร และใครเป็นผู้ตัดสิน ก็ไม่มีเนื้อหาสาระใด ๆ คุณภาพการแปลไม่มีค่าตัวเลขเดียวที่ใช้ได้ทุกกรณี แต่เป็นการแจกแจงที่ขึ้นอยู่กับคู่ภาษา โดเมนของเนื้อหา คุณภาพเสียง (สำหรับเสียงพูด) งบประมาณด้านความหน่วง และนิยามของคำว่า "ดีพอ" สำหรับกรณีใช้งานนั้น ๆ

สิ่งที่ผู้ซื้อต้องรู้จริง ๆ

คำถามที่พบในการทบทวน DPA และการประเมินของฝ่ายจัดซื้อจริง:

1. คุณภาพรายคู่ภาษา — ระบบทำงานได้เป็นอย่างไรกับ DE↔EN, EN↔AR, JA↔KO โดยเฉพาะ
2. ขนาดตัวอย่าง — ตัวเลขที่รายงานมาจากการรันกี่ครั้ง สิบครั้ง หรือหมื่นครั้ง
3. วิธีการวัด — ใครเป็นผู้ตัดสินคำแปล เทียบกับข้อมูลอ้างอิงใด และใช้เกณฑ์ให้คะแนนอะไร
4. การแจกแจง ไม่ใช่ค่าเฉลี่ย — กรณีแย่ที่สุด 10% มีลักษณะอย่างไร กรณีดีที่สุด 10% ล่ะ ค่ามัธยฐานเป็นเท่าใด
5. การเปลี่ยนแปลงตามเวลา — คู่ภาษาหนึ่งดีขึ้นหรือแย่ลงนับจากที่คุณเผยแพร่ตัวเลขครั้งล่าสุด
6. สิ่งที่คุณไม่ได้วัด — เกณฑ์วัดของคุณไม่ครอบคลุมอะไรอย่างชัดเจน

คำถามเหล่านี้ไม่ใช่ว่าตอบไม่ได้ เพียงแต่ไม่มีอยู่ในหน้าการตลาดของใครเลย

สิ่งที่เราเผยแพร่

/benchmark คือคำตอบของเรา ส่วนวิธีการวัดอยู่ที่ /benchmark/methodology ซึ่งเขียนขึ้นก่อนที่เราจะรู้ว่าคุณจะมาอ่านบทความนี้

มีสามสิ่งที่ทำให้แตกต่างจากบรรทัดฐานของตลาดนี้

1. ทราฟฟิกจริง ไม่ใช่ชุดทดสอบที่คัดมา

ทุกคะแนนในเกณฑ์วัดสาธารณะมาจากการรันทดสอบจริงที่ /demo เราไม่เลือกเฉพาะคู่ภาษาที่ทำผลงานได้ดี ไปป์ไลน์เดียวกับที่ให้บริการเดโมแก่ผู้ซื้อคือไปป์ไลน์ที่ถูกวัด

2. ระบุชื่อผู้ตัดสินอย่างชัดเจน

หลัก: google/gemini-3.5-flash สำรอง: anthropic/claude-sonnet-5 ทั้งสองผ่าน Vercel AI Gateway ผู้ตัดสินเป็นส่วนหนึ่งของวิธีการวัดและเปิดเผยชื่อ เมื่อเราเปลี่ยนผู้ตัดสิน (ซึ่งเคยเปลี่ยนเมื่อโมเดลถูกปลดระวาง) แถวข้อมูลในอดีตจะระบุผู้ตัดสินที่ให้คะแนนจริง คะแนนเก่าจะไม่ถูกให้คะแนนใหม่โดยไม่แจ้งให้ทราบ

3. การแจกแจงคือข้อมูล ไม่ใช่ค่าเฉลี่ย

ทุกแถวที่เผยแพร่แสดงค่ามัธยฐาน p10, p90, ค่าต่ำสุด ค่าสูงสุด และขนาดตัวอย่าง ไม่ใช่ตัวเลขเดียว ตัวเลขเดียวของคู่ภาษาแปลคือสัญญาณรบกวน รูปร่างของการแจกแจงต่างหากคือสัญญาณ

แนวปฏิบัติที่ตลาดนี้ยังไม่ได้นำมาใช้

• ไม่ซ่อนคู่ภาษาที่คะแนนต่ำ ดัชนีสาธารณะมีเงื่อนไขการแสดงผลคือ ≥ 10 distinct IPs, ≥ 10 runs, median ≥ 60 แต่ใครก็ตามสามารถลิงก์ตรงไปยังคู่ภาษาใดก็ได้และดูตัวเลขจริง รวมถึงคู่ภาษาที่ผลงานไม่ดีในเดือนนี้
• บันทึกปัญหาที่ทราบไว้ เมื่อชุดทดสอบแชตเสียหายอยู่หลายสัปดาห์ในช่วงต้นปี 2026 ช่วงเวลาดังกล่าวถูกตัดออกจากดัชนีและระบุเป็นลายลักษณ์อักษรไว้ในหน้าวิธีการวัด ประวัติจะไม่ถูกเขียนใหม่โดยไม่แจ้ง
• สิ่งที่เราจงใจไม่อ้าง เป็นหัวข้อเต็มส่วนหนึ่งในหน้าวิธีการวัด เราระบุว่าผู้ตัดสินที่เป็น LLM เองยังไม่สมบูรณ์ตรงจุดใด เราระบุสิ่งที่เราไม่ได้วัด (ความหน่วง ต้นทุน ความพึงพอใจของผู้ใช้ ข้อผิดพลาดฝั่ง ASR ก่อนที่การแปลจะเริ่มทำงานด้วยซ้ำ) และเราเปิดเผยว่าการทดสอบ smoke แบบอัตโนมัติของเราเองเป็นส่วนหนึ่งของทราฟฟิก

ตัวกรองสำหรับการประเมินผู้ให้บริการรายต่อไป

หากคุณกำลังประเมินแพลตฟอร์มการประชุมหลายภาษาใด ๆ ไม่ว่าของเราหรือของรายอื่น วิธีการวัดคือหน้าที่ควรอ่าน ตัวเลขเองเป็นส่วนที่ง่าย

ตัวกรองที่ใช้ได้จริงกับผู้ให้บริการทุกรายในตลาดนี้:

• ขอข้อมูลคุณภาพรายคู่ภาษาและรายเดือนบนทราฟฟิกจริง ไม่ใช่เกณฑ์วัดที่คัดมา ไม่ใช่ตัวเลขรวม
• ถามว่าผู้ตัดสินของเขาคืออะไร สิ่งที่เขาไม่ได้วัดอย่างชัดเจนคืออะไร และมีอะไรเปลี่ยนไปในหกเดือนที่ผ่านมา
• ถามว่าจะเกิดอะไรขึ้นเมื่อคะแนนของคู่ภาษาตกลง เขาแจ้งให้ใครทราบ หรือแก้ไขอย่างเงียบ ๆ

หากผู้ให้บริการมีคำตอบทั้งสามข้อเป็นลายลักษณ์อักษร ก็ประเมินอย่างจริงจังได้ หากไม่มี คุณกำลังซื้อการตลาด ไม่ใช่คุณภาพการแปล

ลองด้วยตัวคุณเอง

• ลองใช้เดโมสด — รันไปป์ไลน์การแปลระดับโปรดักชันกับเสียงของคุณ ให้คะแนนด้วยผู้ตัดสินเดียวกับที่ให้คะแนนเกณฑ์วัดสาธารณะ และแสดงผลลัพธ์ให้คุณดู
• ดูเกณฑ์วัด — ทุกคู่ภาษาที่เผยแพร่ ทุกเดือน พร้อมการแจกแจงฉบับเต็ม
• อ่านวิธีการวัด — ตัวเลขคำนวณอย่างไร รวมอะไรบ้าง และไม่รวมอะไร

คุณไม่จำเป็นต้องเชื่อคำพูดของเราในเรื่องใดเลย นั่นคือประเด็นสำคัญ

แหล่งที่มา: ตัวระบุผู้ตัดสิน เกณฑ์การแสดงผล และกฎการตัดช่วงข้อมูลข้างต้นได้รับการตรวจสอบเทียบกับโค้ดที่ใช้งานจริงและเผยแพร่ไว้ที่ /benchmark/methodology ผู้ตัดสินให้บริการผ่าน Vercel AI Gateway ข้อความทางการตลาดที่อ้างไว้ตอนต้นเป็นสำนวนที่พบทั่วไปในตลาดนี้ ไม่ใช่การอ้างอิงคำพูดของผู้ให้บริการรายใดโดยเฉพาะ ตรวจสอบเมื่อเดือนสิงหาคม 2026