จากวิดีโอ YouTube 10,446 รายการในคลังถอดความของ SozAI คนพูดภาษาอังกฤษพูดเฉลี่ยกลาง (มัธยฐาน) 168 คำต่อนาทีของช่วงที่มีเสียงพูด และครึ่งหนึ่งของวิดีโอภาษาอังกฤษอยู่ระหว่าง 147 ถึง 192 ภาษาสเปนและภาษารัสเซียได้ 139 เท่ากัน ภาษาฝรั่งเศส 165 ภาษาเยอรมัน 130 และภาษาโปรตุเกส 149 เราวัด 14 ภาษาจากเวลาในคำบรรยายของแต่ละวิดีโอเอง เราตัดเพลงและโฆษณาออก รวมถึงแทร็กพากย์และถอดความทุกชิ้นที่ข้อความคำบรรยายไม่ผ่านการตรวจ
วัดเมื่อ 31 ตุลาคม 2026 วิธีการเวอร์ชัน 1.1 วิดีโอ 10,446 รายการ เสียงพูดราว 6,880 ชั่วโมง ที่มา: คลังถอดความสาธารณะบน sozai.app
ข้อมูลโดยย่อ
| ตัวชี้วัด | ค่า |
|---|---|
| ภาษาที่เผยแพร่ | 14 ภาษา แต่ละภาษามีอย่างน้อย 100 วิดีโอ |
| วิดีโอที่วัด | 10,446 |
| เสียงพูดที่วัด | ราว 6,880 ชั่วโมง |
| ภาษาอังกฤษ ค่ามัธยฐาน | 168 คำต่อนาที |
| ภาษาอังกฤษ ครึ่งกลางของวิดีโอ | 147 ถึง 192 คำต่อนาที |
| การบรรยายและสุนทรพจน์ภาษาอังกฤษ ค่ามัธยฐาน | 147 คำต่อนาที (56 วิดีโอ) |
| ตรวจเทียบกับคำบรรยายของ YouTube เอง | 106 วิดีโอ อัตราส่วนจำนวนคำมัธยฐาน 0.99 |
อัตราการพูดแยกตามภาษา
แต่ละวิดีโอให้ค่าหนึ่งค่า คือจำนวนคำหารด้วยนาทีของเสียงพูด ค่ามัธยฐานคือวิดีโอที่อยู่ตรงกลางของภาษานั้น ครึ่งกลางคือช่วงตั้งแต่เปอร์เซ็นไทล์ที่ 25 ถึง 75 ดังนั้นครึ่งหนึ่งของวิดีโอจึงอยู่ในช่วงนี้ คอลัมน์สุดท้ายคือช่วงความเชื่อมั่น 95 % แบบบูตสแตรปของค่ามัธยฐาน ซึ่งบอกว่าค่ามัธยฐานเองอาจขยับได้เท่าใดหากใช้ตัวอย่างอื่นที่มีขนาดเท่ากัน
| ภาษา | วิดีโอ | มัธยฐาน คำต่อนาที | ครึ่งกลาง | ช่วง 95 % ของมัธยฐาน |
|---|---|---|---|---|
| อังกฤษ | 3,692 | 168 | 147 ถึง 192 | 167 ถึง 170 |
| รัสเซีย | 2,884 | 139 | 122 ถึง 155 | 138 ถึง 140 |
| โปแลนด์ | 634 | 128 | 118 ถึง 140 | 127 ถึง 130 |
| อาหรับ | 612 | 123 | 104 ถึง 143 | 120 ถึง 125 |
| ฮินดี | 430 | 181 | 158 ถึง 207 | 177 ถึง 188 |
| สเปน | 382 | 139 | 121 ถึง 164 | 135 ถึง 143 |
| ฝรั่งเศส | 377 | 165 | 137 ถึง 203 | 161 ถึง 168 |
| ยูเครน | 349 | 121 | 103 ถึง 135 | 118 ถึง 124 |
| อินโดนีเซีย | 347 | 129 | 115 ถึง 145 | 127 ถึง 133 |
| เกาหลี | 200 | 112 | 97 ถึง 127 | 108 ถึง 115 |
| เยอรมัน | 166 | 130 | 107 ถึง 170 | 124 ถึง 137 |
| โปรตุเกส | 160 | 149 | 135 ถึง 170 | 145 ถึง 155 |
| ฮีบรู | 107 | 138 | 120 ถึง 156 | 131 ถึง 144 |
| เบงกาลี | 106 | 144 | 128 ถึง 168 | 139 ถึง 152 |
ให้เทียบตัวเลขภายในภาษาเดียวกัน ไม่ใช่ข้ามภาษา “คำ” ในที่นี้คือสิ่งที่อยู่ระหว่างช่องว่างสองช่อง และแต่ละภาษาบรรจุเสียงพูดลงในคำต่างกัน ภาษาเกาหลีเขียนคำนามกับคำชี้ตำแหน่งเป็นคำเดียว จำนวนคำจึงต่ำ (112) ภาษาฮินดีเขียนคำไวยากรณ์สั้น ๆ แยกกันหลายคำ จำนวนคำจึงสูง (181) ตัวเลขสองค่านี้ไม่ได้บอกว่าคนเกาหลีพูดช้ากว่าหรือคนฮินดีพูดเร็วกว่าใคร
ภาษาที่เราไม่ได้ใส่
ภาษาจะปรากฏเมื่อมีอย่างน้อย 100 วิดีโอที่ผ่านทุกการตรวจ ภาษาเหล่านี้ไม่ถึง: ญี่ปุ่น 95, อิตาลี 93, จีน 87, ตุรกี 33, เวียดนาม 32, ดัตช์ 23, ไทย 23, สวีเดน 22, เปอร์เซีย 22 ภาษาที่วัดได้น้อยกว่า 20 วิดีโอไม่ได้ระบุไว้ ภาษาญี่ปุ่น จีน และไทยเขียนโดยไม่เว้นวรรคระหว่างคำ เราจึงนับตัวอักษรต่อนาทีแทนการนับคำ ถอดความภาษาญี่ปุ่นและจีนจำนวนมากไม่ผ่านการตรวจข้อความที่อธิบายไว้ด้านล่าง จึงเหลือน้อย
แยกตามประเภทวิดีโอ
เราจัดวิดีโอเป็นประเภทจากคำในชื่อวิดีโอและชื่อช่อง ได้แก่ สัมภาษณ์ พอดแคสต์ การบรรยาย บทเรียน TED คีย์โน้ต “วิธีทำ” และคำที่เทียบเท่าในภาษาอื่น 1,612 จาก 10,446 วิดีโอตรงกับประเภทใดประเภทหนึ่ง จากการสุ่มตรวจชื่อที่จัดแล้ว 100 ชื่อ ราว 9 ใน 10 อยู่ในประเภทที่ถูก เพื่อเทียบประเภทข้ามภาษา เราหารอัตราของแต่ละวิดีโอด้วยค่ามัธยฐานของภาษาตัวเอง ดังนั้น 1.07 หมายถึงเร็วกว่าปกติของภาษานั้น 7 %
| ประเภท | วิดีโอ | เทียบกับค่ามัธยฐานของภาษา | ครึ่งกลาง |
|---|---|---|---|
| วิธีทำและคำแนะนำ | 442 | เร็วกว่า 7 % (1.07) | 0.89 ถึง 1.23 |
| การบรรยาย บทเรียน หรือคอร์ส | 421 | ช้ากว่า 2 % (0.98) | 0.81 ถึง 1.13 |
| พอดแคสต์ | 187 | เร็วกว่า 4 % (1.04) | 0.89 ถึง 1.16 |
| การบรรยายหรือสุนทรพจน์ | 125 | ช้ากว่า 6 % (0.94) | 0.83 ถึง 1.07 |
| สัมภาษณ์ | 109 | ช้ากว่า 1 % (0.99) | 0.93 ถึง 1.11 |
ความต่างระหว่างประเภทเล็กน้อยเมื่อเทียบกับการกระจายภายในแต่ละประเภท การบรรยายและสุนทรพจน์ช้าที่สุด วิดีโอวิธีทำและคำแนะนำเร็วที่สุด และหลายรายการมีสคริปต์และตัดต่อแน่น อีกห้าประเภทมีไม่ถึง 100 วิดีโอต่อประเภทและไม่ได้แสดงไว้ ได้แก่ ข่าว หนังสือเสียง เทศนา เกม และละคร
ภาษาอังกฤษแยกตามประเภท
| ประเภท | วิดีโอ | มัธยฐาน คำต่อนาที | ครึ่งกลาง |
|---|---|---|---|
| วิธีทำและคำแนะนำ | 282 | 184 | 159 ถึง 211 |
| พอดแคสต์ | 69 | 178 | 156 ถึง 192 |
| การบรรยาย บทเรียน หรือคอร์ส | 92 | 177 | 147 ถึง 203 |
| สัมภาษณ์ | 55 | 166 | 143 ถึง 187 |
| การบรรยายหรือสุนทรพจน์ | 56 | 147 | 131 ถึง 176 |
การบรรยายและสุนทรพจน์ภาษาอังกฤษอยู่ที่ค่ามัธยฐาน 147 คำต่อนาที ต่ำกว่าค่ามัธยฐานของ YouTube ภาษาอังกฤษทั้งหมด 21 หากคุณกำลังจับเวลาสุนทรพจน์ที่จะพูดต่อหน้าผู้ฟัง ค่านี้ใกล้เคียงกว่า ในภาษารัสเซีย การบรรยายและบทเรียนอยู่ที่ 124 คำต่อนาที (131 วิดีโอ) เทียบกับค่ามัธยฐานของภาษารัสเซียที่ 139
แยกตามหัวข้อ
ถอดความที่สร้างถึง 30 กรกฎาคม 2026 มีป้ายหัวข้อหนึ่งใน 20 หัวข้อ และมี 3,860 วิดีโอที่วัดแล้วมีป้ายนี้ มาตราส่วนเหมือนกับประเภท หัวข้อที่มีไม่ถึง 100 วิดีโอไม่ได้แสดงไว้
| หัวข้อ | วิดีโอ | เทียบกับค่ามัธยฐานของภาษา | ครึ่งกลาง |
|---|---|---|---|
| วิทยาศาสตร์และการศึกษา | 735 | ช้ากว่า 7 % (0.93) | 0.80 ถึง 1.02 |
| ธุรกิจและสตาร์ทอัป | 430 | เร็วกว่า 9 % (1.09) | 0.98 ถึง 1.22 |
| จิตวิทยาและการพัฒนาตนเอง | 375 | ช้ากว่า 4 % (0.96) | 0.86 ถึง 1.07 |
| เทคโนโลยีและ AI | 323 | เร็วกว่า 1 % (1.01) | 0.89 ถึง 1.15 |
| วิธีใช้ซอฟต์แวร์ | 243 | เร็วกว่า 1 % (1.01) | 0.87 ถึง 1.19 |
| เงินและการลงทุน | 236 | เร็วกว่า 9 % (1.09) | 0.96 ถึง 1.16 |
| สุขภาพและฟิตเนส | 235 | ช้ากว่า 2 % (0.98) | 0.87 ถึง 1.11 |
| ข่าวและการเมือง | 224 | ช้ากว่า 1 % (0.99) | 0.91 ถึง 1.08 |
| ศาสนาและจิตวิญญาณ | 172 | ช้ากว่า 7 % (0.93) | 0.83 ถึง 1.04 |
| เกม | 148 | ช้ากว่า 2 % (0.98) | 0.83 ถึง 1.12 |
| สังคมและวัฒนธรรม | 117 | ช้ากว่า 1 % (0.99) | 0.89 ถึง 1.12 |
| ภาพยนตร์และทีวี | 109 | ช้ากว่า 5 % (0.95) | 0.78 ถึง 1.13 |
| ไลฟ์สไตล์ | 100 | เร็วกว่า 2 % (1.02) | 0.87 ถึง 1.15 |
วิดีโอธุรกิจและเงินพูดเร็วกว่าค่ามัธยฐานของภาษาตัวเอง 9 % วิดีโอวิทยาศาสตร์และการศึกษา และศาสนา พูดช้ากว่า 7 %
เราวัดอย่างไร
- ที่มา ถอดความทุกชิ้นที่เผยแพร่บน sozai.app เมื่อ 10:55 UTC ของวันที่ 31 ตุลาคม 2026 รวม 29,514 โพสต์ แต่ละชิ้นสร้างจากคำบรรยายที่ YouTube แสดงให้วิดีโอนั้น และคงเวลาของคำบรรยายไว้ เราอ่านฐานข้อมูลด้วยคำสั่งแบบอ่านอย่างเดียว และไม่อ่านข้อมูลส่วนบุคคล
- ภาษา คือภาษาของแทร็กคำบรรยายที่ใช้สร้างถอดความ
- คำ คือหน่วยระหว่างช่องว่างที่มีตัวอักษรหรือตัวเลข หลังตัดแท็กเสียงอย่าง [Music] และ [Applause] ออก สำหรับภาษาญี่ปุ่น จีน และไทย เรานับตัวอักษรและตัวเลขแทน
- เวลาพูด คำบรรยายถูกเก็บเป็นช่วงละราว 40 คำ แต่ละช่วงมีเวลาเริ่มและเวลาจบ เวลาพูดคือเวลาที่ช่วงเหล่านั้นครอบคลุม ช่วงที่เดินช้ากว่าครึ่งหนึ่งของจังหวะปกติของวิดีโอตัวเองมีช่วงหยุดยาว เพลง หรือรอยตัด เราจึงตัดทั้งคำและเวลาของช่วงนั้นออกพร้อมกัน
- อัตรา คือจำนวนคำหารด้วยเวลาพูด หนึ่งค่าต่อหนึ่งวิดีโอ ตารางแสดงค่ามัธยฐานของวิดีโอ ดังนั้นการบรรยายสามชั่วโมงมีน้ำหนักเท่ากับคลิปห้านาที
- ขั้นต่ำ เสียงพูดอย่างน้อย 2 นาทีต่อวิดีโอ 100 วิดีโอต่อภาษา 100 ต่อประเภทหรือหัวข้อ และ 50 สำหรับหนึ่งประเภทในหนึ่งภาษา
สิ่งที่เราตัดออก
| เหตุผล | ถอดความ |
|---|---|
| ไม่ได้สร้างจากคำบรรยายที่มีเวลา: ถอดความรุ่นเก่าที่โมเดลประมาณเวลา หรือไม่มีการบันทึกที่มา | 5,176 |
| เพลง บทสวด บทท่อง ASMR (ป้ายหัวข้อ คำในชื่อ หรือแท็ก [Music] ในคำบรรยาย) | 4,465 |
| สร้างหลัง 20 ตุลาคม 2026 เวลา 13:56 UTC (ดูข้อจำกัดด้านล่าง) | 2,274 |
| ขั้นตอนใส่เครื่องหมายวรรคตอนทำให้บรรทัดเลื่อนหรือซ้ำ (ช่วงที่มีเกิน 100 คำ) | 2,262 |
| สั้นกว่า 2 นาที ทั้งความยาววิดีโอหรือเสียงพูดที่วัดได้ | 1,447 |
| ภาษาของคำบรรยายไม่ตรงกับชื่อวิดีโอ: น่าจะเป็นแทร็กพากย์หรือแปล | 1,070 |
| คิวคำบรรยายหายไป (เกิน 15 % ของช่วงมีน้อยกว่า 15 คำ) | 941 |
| ข้อมูลไม่สมบูรณ์: ไม่มีชื่อหรือภาษา หรือมีน้อยกว่า 5 ช่วง | 508 |
| ข้อความภาษาญี่ปุ่น จีน และไทยที่ขั้นตอนใส่เครื่องหมายวรรคตอนทำให้สั้นลง | 227 |
| เงียบหรือมีเพลงมาก (เกิน 30 % ของเวลาคำบรรยายเดินช้ากว่าครึ่งหนึ่งของจังหวะวิดีโอ) | 85 |
| ตัวอย่างหนังและโฆษณา | 30 |
| ค่าผิดปกติ (อยู่นอกครึ่งกลางของภาษาเกินสามเท่าของพิสัยระหว่างควอร์ไทล์) | 12 |
| ตัดออกทั้งหมด | 18,497 |
จึงเหลือวิดีโอที่วัดได้ 11,017 รายการ ซึ่ง 10,446 รายการอยู่ใน 14 ภาษาที่เผยแพร่ ค่าสองค่ามีผลมากที่สุด คือเกณฑ์ช่วงหยุด (ครึ่งหนึ่งของจังหวะปกติของวิดีโอ) และรั้วค่าผิดปกติ การเลื่อนเกณฑ์เป็น 0.4 หรือ 0.6 ไม่ทำให้ค่ามัธยฐานของภาษาใดเปลี่ยนเกิน 2 คำต่อนาที และการเลิกใช้รั้วค่าผิดปกติไม่ทำให้ค่าใดเปลี่ยน
ตรวจเทียบกับ YouTube
เมื่อ 31 ตุลาคม 2026 เราสุ่มวิดีโอที่วัดแล้ว 112 รายการ ภาษาละ 8 รายการ และดาวน์โหลดคำบรรยายจากระบบรู้จำเสียงพูดของ YouTube เองมาเทียบ มี 6 วิดีโอที่ไม่มีแทร็กนั้นแล้ว ส่วนอีก 106 รายการ:
| การตรวจ | ผล |
|---|---|
| จำนวนคำของเราหารด้วยของ YouTube ค่ามัธยฐาน | 0.99 |
| วิดีโอที่จำนวนคำต่างจากของ YouTube ไม่เกิน 10 % | 92 % |
| วิดีโอที่อัตราต่างจากอัตราจากแทร็กของ YouTube ไม่เกิน 10 % | 97 จาก 106 |
| ความต่างของอัตราค่ามัธยฐาน | −0.4 % |
กฎข้างต้นกำหนดไว้ก่อนการตรวจนี้ การตรวจรอบก่อนหน้ากับตัวอย่างอื่นทำให้เราพบสองข้อ คือวิดีโอที่มีช่วงคำบรรยายสั้นจำนวนมากสูญเสียคำไปหนึ่งในสามหรือมากกว่า และช่วงที่เกิน 100 คำมีข้อความซ้ำ
ข้อจำกัด
- นี่คือวิดีโอ YouTube หลายรายการมีสคริปต์และตัดต่อ และการตัดต่อตัดช่วงหยุดออก จึงเร็วกว่าการพูดแบบไม่มีสคริปต์ในห้อง
- ตัวอย่างคือสิ่งที่ผู้เข้าชมขอให้เราถอดความ ไม่ใช่การสุ่มจาก YouTube ภาษาอังกฤษและรัสเซียรวมกันเป็น 63 % ของวิดีโอที่วัด
- คำบรรยายอัตโนมัติพลาดคำในที่มีเสียงรบกวนและเสียงซ้อน และทุกคำที่พลาดทำให้อัตราต่ำลงเล็กน้อย
- เราแยกคำบรรยายอัตโนมัติออกจากคำบรรยายที่คนเขียนไม่ได้ และทั้งสองอยู่ในตัวอย่าง
- หลายวิดีโอมีผู้พูดมากกว่าหนึ่งคน อัตรานี้เป็นของวิดีโอ ไม่ใช่ของคนใดคนหนึ่ง
- ถอดความที่สร้างตั้งแต่ 20 ตุลาคม 2026 เวลา 13:56 UTC เป็นต้นไปไม่อยู่ในฉบับนี้ ในวันนั้นขั้นตอนที่ใส่เครื่องหมายวรรคตอนให้คำบรรยายเปลี่ยนไป และในถอดความใหม่จำนวนมากมีการซ้ำหรือตัดบรรทัด เราจึงตัดช่วงเวลาทั้งหมดออก
นำตัวเลขไปใช้
เครื่องคิดเวลาพูดและเทเลพรอมพ์เตอร์เริ่มจากค่ามัธยฐานของภาษาของหน้าคุณเมื่อเรามีค่านั้น และคุณปรับอัตราได้ เครื่องนับคำใช้ค่ามัธยฐานเดียวกันในการคำนวณเวลาพูด
