หู ปาก ตา

คำนำ ทำไมต้องเขียน stack ลงกระดาษ

ฝูงนี้มีบัดเก้าตัวที่ฟังคนพูด ตอบด้วยเสียงของตัวเอง ดูรูปที่คนส่งมา และวาดรูปกลับได้ ทุกความสามารถพวกนั้นไม่ได้มาจากของชิ้นเดียว มันคือของหลายชิ้นต่อกันเป็นชั้นๆ แต่ละชั้นมีทางสำรองของตัวเอง และทางสำรองจะโผล่มาให้เห็นก็ต่อเมื่อทางหลักพัง

ปัญหาของ stack แบบนี้คือ เวลามีคนถามว่า "เราใช้อะไรอยู่" คำตอบที่ได้มักจะเป็นชื่อของทางหลัก ส่วนทางสำรองจะถูกลืม ทั้งที่วันที่มันทำงานคือวันที่ทุกอย่างกำลังพัง แล้วเราจะไล่ไม่ถูกว่าเสียงที่ออกมาแปลกๆ มาจากชั้นไหน

เล่มนี้เลยเขียนสิ่งที่ฝูงใช้จริงลงกระดาษ ทีละชั้น พร้อมบอกว่าอะไรตัดสินว่าจะใช้ตัวไหน และที่สำคัญกว่านั้นคือแยกให้ชัดว่า อะไรต่อแล้ว กับ อะไรวางไว้แต่ยังไม่ได้ต่อ เพราะสองอย่างนี้อยู่ในเอกสารเดียวกันได้ แต่ต้องไม่อยู่ในประโยคเดียวกัน

บทที่ 1 หู · ฟังด้วยอะไร

เวลาบัดอยู่ในห้องเสียงแล้วมีคนพูด สิ่งที่มันได้รับคือคลื่นเสียง ไม่ใช่ข้อความ ชั้นที่แปลงให้คือ ASR และฝูงนี้ไม่ได้มีตัวเดียว มันมีสามตัวเรียงกัน

groq            cloud   เร็วที่สุด
whisper-server  local   อุ่นค้างไว้ ตอบราว 0.8 วินาที
whisper-cli     local   เรียกใหม่ทุกครั้ง ช้ากว่า แต่ไม่ต้องมี server

สิ่งที่ออกแบบได้ดีในชั้นนี้คือ มันไม่ได้ให้เราไปเดาว่าตอนนี้ขาไหนใช้ได้ มันประกาศตัวเองตอนบูตเลย

STT chain srv → cli

บรรทัดนี้อ่านจาก journal ของบัดจริงในวันที่เขียน ไม่มีคำว่า groq อยู่ในนั้น เพราะเครื่องนี้ไม่ได้ตั้งคีย์ของ groq ไว้ ขาแรกจึงหายไปจากเชนโดยอัตโนมัติ ไม่ใช่พังแล้วเงียบ แต่หายไปแล้วบอก

รายละเอียดที่ควรรู้คือ ระบบไม่ได้ตัดสินว่า "ใช้ local ได้ไหม" จาก config มันตัดสินจากการมีอยู่ของไฟล์

STT_LOCAL = existsSync(WHISPER) && existsSync(MODEL)

ต่างกันตรงนี้สำคัญ config บอกได้แค่ว่าคนตั้งค่าตั้งใจอะไร ส่วนการเช็คไฟล์บอกว่าของมีอยู่จริงไหม สองอย่างนี้ไม่ตรงกันได้ง่ายมากเวลาย้ายเครื่อง

ของที่ต้องมีจริงคือสองชิ้น ตัวโปรแกรมกับตัวโมเดล บนเครื่องนี้อยู่ที่

~/whisper.cpp/build/bin/whisper-cli
~/whisper.cpp/build/bin/whisper-server
~/whisper.cpp/models/ggml-small.bin      466 MB

เกร็ดจากตอนเขียนเล่มนี้ ตอนแรกเราไปหา binary ผิดที่ แล้วได้คำตอบว่า "ไม่พบ" ซึ่งถ้าเชื่อตรงนั้นก็จะเขียนลงเล่มว่าเชนนี้ประกาศความสามารถที่ไม่มีจริง ของจริงคือโค้ดใช้ homedir() เป็นฐาน ส่วนเราไปหาในโฟลเดอร์งาน ตัวที่ผิดคือการค้นของเรา ไม่ใช่ของระบบ

พอร์ตของ whisper-server ก็ไม่ได้ตั้งเป็นเลขตายตัว มันคำนวณจากพอร์ตสั่งงานของบัดนั้น STT_PORT = ipc.port + 100 แปลว่าบัดที่คุยกันที่ 14822 จะมี ASR ของตัวเองที่ 14922 บัดเก้าตัวจึงไม่ชนกันโดยไม่ต้องมีใครไล่จดเลขพอร์ต

✅ ให้ระบบพิมพ์ออกมาว่าตอนนี้ขาไหนใช้ได้บ้าง ตอนที่มันเริ่มทำงาน
✅ อนุมานความสามารถจากของที่มีอยู่จริง ไม่ใช่จากค่าที่ตั้งไว้
❌ เขียนใน README ว่ารองรับสามทาง แล้วปล่อยให้คนไปเดาเองว่าเครื่องนี้ได้ทางไหน

จบบทที่ 1

บทที่ 2 ปาก · พูดด้วยอะไร

ชั้นเสียงพูดออกมีสองเจ้า และตัวที่เลือกไม่ใช่ config ของบัด แต่เป็นเนื้อของข้อความที่กำลังจะพูด

export function elModelForText(text) {
  return /[฀-๿]/.test(String(text ?? "")) ? "eleven_v3" : "eleven_multilingual_v2";
}

ถ้ามีอักขระในช่วงภาษาไทยแม้แต่ตัวเดียว ให้ใช้ eleven_v3 นอกนั้นใช้ eleven_multilingual_v2 เหตุผลไม่ใช่เรื่องคุณภาพเสียง แต่เป็นเรื่องที่หยาบกว่านั้นมาก คือ ในบัญชีนี้มี v3 ตัวเดียวที่ลิสต์ภาษาไทย ตัวอื่นรับข้อความไทยไปแล้วคืนเสียงที่ฟังดูเหมือนภาษาอะไรสักอย่างกลับมา ซึ่งผ่านการตรวจแบบ "มีไฟล์เสียงออกมาไหม" ได้สบาย

นี่คือกับดักที่เจ็บเป็นพิเศษ เพราะตัวตรวจที่ดูว่าได้ไฟล์เสียงกลับมาหรือเปล่าจะเขียวตลอด ต้องตรวจถึงขั้นถอดเสียงกลับมาเป็นข้อความแล้วเทียบเท่านั้นถึงจะจับได้

ชั้นสำรองคือ edge-tts และมันไม่ได้ต่อไว้จุดเดียว ต่อไว้สามจุด

elevenlabs returned N B  not audio       → edge-tts
elevenlabs HTTP <status>                → edge-tts
elevenlabs failed (<error>)              → edge-tts

สามจุดนี้คือสามวิธีที่บริการเสียงพังได้ คือคืนของที่ไม่ใช่เสียง คืนสถานะผิดพลาด และล้มระหว่างเรียก ถ้าดักแค่จุดเดียวจะเหลือรูอีกสองรู

บัดที่ไม่มีเสียงโคลนเป็นของตัวเองจะใช้ edge-tts ล้วน วันที่เขียนมีสามตัว คือ fude kensa mamori ชาร์เตอร์ของบัดที่ใช้ edge-tts จะระบุเสียงไว้สองช่อง ช่องหนึ่งสำหรับภาษาทั่วไป อีกช่องสำหรับภาษาไทยโดยเฉพาะ

tts_voice:      "en-US-AndrewMultilingualNeural"
tts_voice_thai: "th-TH-NiwatNeural"

✅ ตรวจว่าโมเดลรองรับภาษาที่จะใช้จริง ก่อนจะเชื่อว่ามันพูดได้
✅ ดัก fallback ให้ครบทุกรูปแบบของความล้มเหลว ไม่ใช่แค่ error ที่นึกออก
❌ ยืนยันว่าเสียงถูกต้องเพราะได้ไฟล์เสียงกลับมา

จบบทที่ 2

บทที่ 3 เสียงของใคร · เสียงประจำตัวมาจากไหน

บัดแต่ละตัวมีเสียงของตัวเอง และเสียงพวกนั้นไม่ได้มาจากการเลือกจากรายการ มันมาจากคลิปตัวอย่างที่ผ่านการคัดแล้วเอาไปโคลน

ทางเดินคือ ออกแบบเสียงจากคำบรรยาย ฟัง เลือกคลิปที่ชอบ เอาคลิปนั้นผ่านตัวคัด แล้วโคลนเป็นเสียงถาวร ตัวคัดชื่อ refclip_screen.py ตัดสินจากหลายแกน สองแกนที่สำคัญคือ

สัดส่วนที่เป็นเสียงพูด   ต้องเกิน 70%
ความเป็นคาบของสัญญาณ    ต้องเกิน 0.45

สองแกนนี้ตั้งใจให้เป็นอิสระต่อกัน แกนแรกถามว่าคลิปนี้มีเสียงพูดอยู่มากพอไหม แกนที่สองถามว่ามันเป็นเสียงคนจริงหรือเป็นเสียงรบกวนที่มีสเปกตรัมเหมือนเสียงคน

เรื่องที่ต้องเขียนไว้ให้คนที่มาทำต่อ คือบทเรียนที่ฝูงจ่ายไปแล้ว การออกแบบเสียงจะได้ตัวอย่างมาให้ฟัง แต่ตัวอย่างจะกลายเป็นเสียงถาวรก็ต่อเมื่อบันทึก id ของมันไว้ตอนที่ตัวอย่างยังอยู่ มีรอบหนึ่งที่ id หายไปแล้ว แล้วมีการรันการออกแบบใหม่จากคำบรรยายเดิม ซึ่ง ไม่ได้เสียงเดิมกลับมา มันวาดเสียงใหม่ ผลคือมีบัดหลายตัวพูดด้วยเสียงที่ไม่มีใครเคยฟังอยู่หนึ่งวัน กว่าจะจับได้ก็ด้วยหูของคน

ที่กู้กลับมาได้เพราะคลิปอ้างอิงความยาว 9 วินาทีที่ผ่านการคัดยังอยู่ จึงเอาไปโคลนใหม่ได้ คลิปคือสิ่งเดียวที่เหลือรอด

✅ บันทึก id ของสิ่งที่สร้างขึ้น ก่อนจะเริ่มประเมินว่าชอบหรือไม่ชอบ
✅ เก็บคลิปอ้างอิงไว้ เพราะมันคือทางกู้ทางเดียวที่เหลือ
❌ คิดว่ารันคำบรรยายเดิมซ้ำแล้วจะได้ของเดิม

จบบทที่ 3

บทที่ 4 ตา · มองและวาดด้วยอะไร

ชั้นภาพแยกเป็นสองเรื่องที่คนมักปนกัน คือ มองรูปที่คนส่งมา กับ วาดรูปให้คนดู ฝูงนี้ใช้คนละทาง

ฝั่งมอง ใช้ grok เป็นตัวอ่าน เมื่อเจ้าของส่งรูปอ้างอิงมาทาง DM ระบบจะบังคับเข้าเส้นทางที่ grok เห็นรูปนั้นจริง แล้วค่อยให้ตัววาดประกอบต่อ เหตุผลที่เลือกตัวนี้เขียนไว้ในโค้ดตรงๆ ว่ามันเห็นภาพและเปิดไฟล์ได้

ฝั่งวาด มีสามทาง แยกกันด้วยงาน ไม่ใช่ด้วยความชอบ

สิ่งที่ชอบในการออกแบบชั้นนี้คือ การสลับเอนจินไม่ต้องแก้โค้ด ตั้งตัวแปรสภาพแวดล้อมของบัดนั้นแล้วจบ และบัดที่ไม่ได้เปิด paint ไว้จะไม่พัง มันตอบกลับอย่างสุภาพว่าทางนี้ยังไม่ได้เปิด

✅ ทางที่ปิดอยู่ต้องตอบได้ว่าปิดอยู่
❌ ให้ฟีเจอร์ที่ยังไม่ได้เปิด โยน error ที่หน้าตาเหมือนของพัง

จบบทที่ 4

บทที่ 5 สมอง · ใครตัดสินใจ และตัดสินใจด้วยอะไร

สมองที่คิดคือ claude-opus-5 ระบุไว้ในชาร์เตอร์ของบัดแต่ละตัว แต่คำถามที่น่าสนใจกว่าไม่ใช่ว่าใช้โมเดลอะไร มันคือ ข้อความที่เข้ามาถูกตัดสินยังไงว่าจะทำอะไรกับมัน

ส่วนนั้นถูกแยกออกมาเป็นฟังก์ชันบริสุทธิ์ ไม่ปนกับ Discord ไม่ปนกับ I/O รับเข้าเป็นค่าจริงเท็จล้วนๆ แล้วคืนหนึ่งในสี่ทาง

skip     ไม่ทำอะไร ไม่ใช่ของเรา หรือเจ้าของกำลังคุยกับคนอื่น
ack      ตอบสั้นว่ารับรู้ ใช้กับการแท็กเปล่า และตอบแม้ตอนถูกปิดเสียง
worker   เปิดคนงานจริง ไปรันคำสั่ง ไปดูของ แล้วรายงาน
reason   ตอบด้วยสมองสนทนาในห้องนั้น

เหตุผลที่แยกออกมาเขียนไว้ในไฟล์นั้นเอง คือเพื่อให้คำถามว่า "บัดตัวนี้จะตอบคนนี้ไหม" ตอบได้ด้วยการรันเทสต์ แทนที่จะต้องรีสตาร์ตแล้วลองพูดใส่

ถัดจากการตัดสินใจคือชั้นสมองสี่ระดับ และของที่ทำถูกคือ สิทธิ์ถูกผูกไว้กับระดับ ไม่ใช่ผูกไว้กับคน

อ่านตารางนี้แล้วจะเห็นว่าความสามารถเพิ่มขึ้นทีละขั้นพร้อมกับความเสี่ยง และไม่มีระดับไหนได้ทุกอย่าง แม้แต่ระดับที่รันคำสั่งได้ก็ยังไม่มีเน็ตและแตกลูกต่อไม่ได้

✅ แยกกฎการตัดสินใจออกจาก I/O แล้วป้อนค่าจริงเท็จเข้าไปตรงๆ
✅ ให้ระดับที่ทำได้มากที่สุด ยังมีของที่ทำไม่ได้เหลืออยู่
❌ ฝังกฎว่าใครได้ทำอะไรไว้ในตัวจัดการเหตุการณ์ แล้วพิสูจน์ด้วยการรีสตาร์ตแล้วลอง

จบบทที่ 5

บทที่ 6 รอยต่อ · ทำให้เสียงวัดได้

สามชั้นแรกเป็นความสามารถ ชั้นนี้ไม่ใช่ ชั้นนี้คือรอยต่อที่วางไว้เพื่อให้ของข้างในวัดได้จากข้างนอก

ระหว่างที่บัดกำลังพูด ตัวประกาศจะส่งค่าออกไปทาง MQTT ทุก 40 มิลลิวินาที สามหัวข้อ

<bud>/voice/level      0..1   ความดังเฉลี่ยของช่วงนั้น
<bud>/voice/peak       0..1   ยอดสูงสุดของช่วงนั้น
<bud>/voice/speaking   bool   ตัวตรวจจับเสียงพูด ไม่ใช่เกณฑ์ความดัง

คำว่า <bud> เป็นของใหม่ในวันที่เขียน ก่อนหน้านั้นมันเป็นชื่อบัดตัวเดียวเขียนตายไว้ ซึ่งแปลว่าถ้าบัดตัวที่สองพูดขึ้นมา มันจะเขียนทับหัวข้อของตัวแรก ตอนนี้แต่ละตัวมีหัวข้อของตัวเอง และผู้บริโภคที่อยากฟังทุกคนใช้ +/voice/#

ตัวประกาศอยู่บนเซิร์ฟเวอร์ ส่วนหน้าจอที่ขยับตามเสียงอยู่บนเครื่องอีกเครื่อง สองฝั่งมี broker คนละตัว จึงต้องมีสะพานเชื่อม และสะพานนี้ตั้งใจให้เดินทางเดียว ส่งออกอย่างเดียว และส่งเฉพาะหัวข้อตระกูลเสียง หัวข้อสถานะอื่นของบ้านไม่ข้าม

สิ่งที่ได้จากการมีรอยต่อแบบนี้คือ คำถามว่า "ตอนนี้บัดพูดอยู่จริงไหม" ตอบได้จากข้างนอกโดยไม่ต้องเข้าไปอ่าน log ของ daemon และตอบได้ด้วยเครื่องมือธรรมดา

✅ ให้แต่ละผู้ผลิตมีเนมสเปซของตัวเอง ตั้งแต่ตัวแรก ไม่ใช่ตอนมีตัวที่สอง
✅ สะพานข้ามเครื่องเดินทางเดียว และจำกัดว่าหัวข้อไหนข้ามได้
❌ ให้ผู้ผลิตหลายตัวเขียนหัวข้อเดียวกัน แล้วหวังว่าจะไม่พูดพร้อมกัน

จบบทที่ 6

บทที่ 7 เลนที่วางไว้แต่ยังไม่ได้ต่อ

บทนี้คือส่วนที่หนังสือ stack ส่วนใหญ่ไม่เขียน คือของที่มีอยู่ในบ้านแล้วแต่ยังไม่ได้ต่อเข้าเส้นทางจริง เขียนไว้เพราะของพวกนี้อ่านผ่านตาแล้วเหมือนใช้ได้ ทั้งที่ยังใช้ไม่ได้

หนึ่ง สมองสำรองในเครื่อง มีไฟล์อยู่ เรียก Ollama ที่พอร์ต 11434 ค่าตั้งต้นเป็น qwen3:8b และมีพี่น้องอีกตัวสำหรับปลายทางแบบ vLLM หัวไฟล์เขียนไว้ตรงๆ ว่า ยังไม่ได้ต่อเข้าตัวจัดการสมองหลัก แปลว่าถ้าสมองหลักล่มตอนนี้ ยังไม่มีอะไรรับช่วง

สอง ตาข่ายโมเดลในเครื่อง ที่พอร์ต 9337 ตัวนี้ตอบจริง และสิ่งที่มันตอบก็ตรงไปตรงมามาก

id                unsloth/Qwen3-0.6B-GGUF:Q4_K_M
capabilities      ["text"]
audio_status      none
vision_status     none
multimodal_status none

มันบอกเองว่าไม่มีเสียงและไม่มีภาพ จึงแทนชั้นหูกับชั้นตาไม่ได้ ที่ยกมาเพราะนี่คือตัวอย่างของ API ที่ออกแบบดี คือรายงานขอบเขตของตัวเองมาให้เลย ไม่ต้องให้ใครไปลองแล้วเดา

สาม เลน Qwen แบบ token plan อันนี้คือของที่กำลังพิจารณา มีเครื่องมือบรรทัดคำสั่งติดตั้งและยืนยันตัวตนแล้ว ปลายทางอยู่ที่ภูมิภาคสิงคโปร์ ความสามารถที่มีคำสั่งรองรับคือ

ที่น่าสนใจสำหรับฝูงคือช่องที่สี่ เพราะทุกวันนี้ทางเดินเสียงของเราต่อกันสามชิ้น คือฟังด้วยตัวหนึ่ง คิดด้วยตัวหนึ่ง พูดด้วยอีกตัวหนึ่ง ส่วนตัวเดียวที่ทำครบจะมีจุดต่อให้พังน้อยกว่า

ตอนเขียนบทนี้ครั้งแรก ตรงนี้เขียนไว้ว่า ยังไม่ได้พิสูจน์สักตัว เพราะยิงแล้วชนโควต้ารายสัปดาห์ทั้งแผง สิ่งที่ได้กลับมามีสามอย่าง คือปลายทางไม่ยอมบอกรายการโมเดล โควต้าหมด และรายการเสียงของตัวสังเคราะห์มีแต่จีนกับอังกฤษ

วันที่ 3 สิงหาคม โควต้ากลับมา เราจึงยิงซ้ำทั้งหกตัวจากเครื่องที่มีเสียงไทยในตัว และคำว่า ยังไม่ได้พิสูจน์ ก็แตกออกเป็นสี่คำตอบคนละแบบ สามแบบอยู่ในตารางนี้ ส่วนแบบที่สี่ซ่อนอยู่ในแถวแรกของตารางเอง และต้องเล่าแยกต่างหาก

ตัวที่คิดได้ ไม่เคยพัง เราเรียกมันผิดเอง รอบแรกมันคืนรหัส 400 เปล่าๆ ตัวจำแนกของเราจึงจัดเข้าช่อง อื่นๆ ซึ่งอ่านแล้วเหมือนโมเดลมีปัญหา พอยิงใหม่โดยไม่สั่งให้เงียบ ข้อความเต็มบอกตรงๆ ว่า

The value of the enable_thinking parameter is restricted to True

คือโมเดลตัวนี้บังคับให้เปิดโหมดคิด ใส่ธงนั้นเข้าไปก็ผ่านทันที ตัวที่ทำให้หลงทางอยู่หนึ่งวันคือธง --quiet ที่เราใส่เอง มันตัดบรรทัดที่บอกเหตุผลทิ้ง เหลือแต่รหัสสถานะ ตัวจำแนกจึงจัดชนิดถูก แต่ไร้ประโยชน์ เพราะเหตุผลที่แท้จริงถูกกลืนไปก่อนถึงมือมัน

ที่ต้องจดคู่กันคือ อีกเลนหนึ่งที่ฝูงใช้อยู่ ต้องปิด โหมดคิด ไม่งั้นได้ไฟล์เปล่ากลับมา ธงตัวเดียวกันจึงกลับด้านกันคนละโมเดล อย่าตั้งเป็นค่าเดียวทั้งฝูง

ตัวที่ฟัง ล้มด้วย 401 ซึ่งอ่านเผินๆ เหมือนคีย์เสีย แต่ในนาทีเดียวกันนั้น คีย์ใบเดียวกันเพิ่งคุยกับโมเดลคิดสำเร็จมาสองตัว แปลว่าคีย์ไม่เสีย ที่ 401 คือขั้นขอสิทธิ์อัปโหลดไฟล์เสียง ซึ่งเป็นคนละปลายทางกับการคุย และไม่รับคีย์ของเลนนี้ ข้อสรุปที่ถูกคือทางอัปโหลดยังไม่เปิด ไม่ใช่หูใช้ไม่ได้ ถ้าไม่มีตัวคุมที่รันคู่กันในนาทีเดียวกัน เราคงตัดเลนนี้ทิ้งไปแล้ว

และรอบแรกเลนฟังไม่ได้คำตอบเลยด้วยซ้ำ เพราะเครื่องที่ตั้งเวลาไว้ไม่มีตัวสังเคราะห์เสียงกับตัวแปลงไฟล์ ผลจึงออกมาเป็นคำว่า ข้าม ซึ่งหน้าตาเหมือน ไม่มีปัญหา ทั้งที่แปลว่า ไม่เคยยิง พอย้ายมารันบนเครื่องที่มีเสียงไทยในตัว มันถึงเดินไปไกลพอจะไปเจอ 401 ที่ว่า

ส่วนรายการเสียงที่มีแต่จีนกับอังกฤษ ยังเป็นข้อที่ต้องระวังที่สุดเหมือนเดิม เพราะหน้าตาเหมือนกับดักในบทที่ 2 เป๊ะ คือรายการภาษาไม่มีไทย ซึ่งไม่ได้แปลว่าพูดไทยไม่ได้แน่นอน แต่แปลว่า ห้ามเชื่อจนกว่าจะทดสอบแบบพูดไทยแล้วถอดกลับมาเทียบ การเห็นว่ามีไฟล์เสียงออกมาไม่พอ

✅ เขียนสิ่งที่ทดสอบไม่ได้และเหตุผลที่ทดสอบไม่ได้ ลงไปด้วย
✅ API ที่รายงานขอบเขตของตัวเองมาให้ ดีกว่า API ที่ต้องลองแล้วเดา
✅ เห็นคำว่า ข้าม ให้ถามก่อนว่าข้ามเพราะไม่มีปัญหา หรือเพราะไม่เคยยิง
✅ ยิงตัวคุมด้วยกุญแจดอกเดียวกันในนาทีเดียวกัน ก่อนจะสรุปว่ากุญแจเสีย
❌ ลิสต์ชื่อโมเดลที่ยังไม่เคยเรียกไว้ในหน้าเดียวกับของที่ใช้อยู่จริง
❌ สั่งให้เครื่องมือเงียบ แล้วอ่านรหัสสถานะเปล่าๆ เป็นข้อสรุป

จบบทที่ 7

ภาคผนวก proposal vs built · ตารางเดียวจบ

ถ้าจำทั้งเล่มไม่ไหว ให้จำตารางนี้ ทุกบรรทัดตรวจกับโค้ดหรือเครื่องที่รันอยู่ในวันที่เขียน

ปิดเล่ม สามอย่างที่อยากให้ติดตัวไป

หนึ่ง stack ที่ดีไม่ได้แปลว่าเลือกของแพงที่สุดทุกชั้น มันแปลว่าแต่ละชั้นรู้ว่าตัวเองพังได้ยังไง และมีทางสำรองที่ประกาศตัวเองได้ ชั้นหูของฝูงนี้มีสามขาแล้วพิมพ์บอกตอนบูตว่าขาไหนใช้ได้ นั่นมีค่ากว่าการมีขาเดียวที่ดีที่สุด

สอง ตัวที่เลือกโมเดลควรเป็นเนื้องาน ไม่ใช่ค่าที่ตั้งไว้ล่วงหน้า ชั้นปากดูว่ามีอักขระไทยไหมแล้วค่อยเลือก เพราะสิ่งที่ตัดสินไม่ใช่ว่าบัดตัวนี้ชอบเสียงแบบไหน แต่คือประโยคนี้ต้องใช้โมเดลที่รองรับภาษานี้

สาม ของที่วางไว้แล้วยังไม่ได้ต่อ ต้องอยู่คนละหมวดกับของที่ใช้อยู่เสมอ ในเล่มนี้มีสามอย่างที่อยู่ในหมวดนั้น และทั้งสามอย่างอ่านผ่านตาแล้วเหมือนพร้อมใช้ ถ้าเขียนปนกันเมื่อไหร่ วันที่ต้องพึ่งมันจริงจะเป็นวันที่รู้ว่ามันไม่พร้อม

เริ่มจากตรงไหนดี ลองเขียน stack ของตัวเองลงหน้ากระดาษหนึ่งหน้า ชั้นละบรรทัด แล้วเติมคอลัมน์ที่สองว่า "รู้ได้ยังไงว่ามันทำงาน" ถ้ามีบรรทัดไหนที่คอลัมน์สองว่าง นั่นคือชั้นที่คุณกำลังเชื่อโดยไม่มีหลักฐาน

ที่มา References

• fleet-core/runtime-config.mjs · ที่อยู่ของ whisper กับโมเดล การคำนวณพอร์ต ASR และการอนุมาน STT_LOCAL จากไฟล์ที่มีอยู่จริง
• fleet-core/voice-service.mjs · การเลือกโมเดล TTS จากอักขระไทย จุดดัก fallback สามจุด และตัวประกาศรอยต่อเสียง
• fleet-core/routing.mjs · ฟังก์ชันบริสุทธิ์ที่ตัดสินสี่ทาง แยกออกมาเพื่อให้เทสต์ได้โดยไม่ต้องบูต
• fleet-core/brains.mjs · สมองสี่ระดับกับขอบเขตสิทธิ์ของแต่ละระดับ
• fleet-core/brain-fallback.mjs · สมองสำรองในเครื่อง ที่หัวไฟล์บอกเองว่ายังไม่ได้ต่อ
• dobby-face/voice/refclip_screen.py · ตัวคัดคลิปอ้างอิงสองแกน
• ψ/lab/voicefield-oracle/CAST.md · ทะเบียนเสียงประจำตัวของบัดทั้งเก้า พร้อมบันทึกวันที่ id หาย
• หนังสือเล่มที่ 1 ทำยังไงไม่ให้ fleet พังเงียบ · ทำให้ความผิดปกติของ stack ส่งเสียง