KoishiAI Lab · วัดเมื่อ 27 ตุลาคม 2026
ภาษาไทยใช้ token มากกว่าภาษาอังกฤษกี่เท่า
API ของโมเดล AI ส่วนใหญ่คิดเงินตามจำนวน token ไม่ใช่จำนวนคำ เราวัดว่าข้อความเดียวกัน ถ้าเขียนเป็นภาษาไทยจะใช้ token เป็นกี่เท่าของภาษาอังกฤษ โดยวัดกับ tokenizer จริงสามตัว บนข่าว 1,997 ประโยคที่แปลเป็นภาษาไทยทีละประโยค
ผลการวัด
| tokenizer | ไทย ÷ อังกฤษ (ค่ากลาง) | ช่วงที่พบบ่อย (10–90%) | token ต่อตัวอักษร (ฉบับภาษาไทย) |
|---|---|---|---|
| GPT (tokenizer o200k ของ OpenAI) | 1.83× | 1.35–2.41× | 0.400 |
| Typhoon 2.5 และ Qwen3 (tokenizer ตัวเดียวกัน) | 2.39× | 1.74–3.15× | 0.535 |
| Qwen3.6 | 1.16× | 0.89–1.52× | 0.261 |
ค่ากลางคือค่ามัธยฐานของอัตราส่วนรายประโยค ช่วงที่พบบ่อยคือประโยค 80% ที่อยู่ตรงกลาง ตัดประโยคที่อัตราส่วนต่ำสุดและสูงสุดออกอย่างละ 10%
แปลว่าอะไรในการใช้งานจริง
- ถ้าคำสั่งภาษาอังกฤษใช้ 1,000 token ข้อความเดียวกันเป็นภาษาไทยจะใช้ราว 1,800 token บน GPT และราว 2,400 token บน Typhoon 2.5 ถ้าใช้ API ที่คิดเงินต่อ token ค่าใช้จ่ายของข้อความส่วนนั้นจะสูงขึ้นตามสัดส่วนเดียวกัน และใช้พื้นที่ context มากขึ้นด้วย
- ราคาต่อ token ของแต่ละรุ่นไม่เท่ากัน ตัวเลขนี้จึงใช้เทียบราคาข้ามรุ่นตรง ๆ ไม่ได้ ต้องคูณกับราคาของรุ่นนั้นก่อน
- tokenizer รุ่นใหม่ของ Qwen ทำให้สองภาษาต่างกันน้อยลงมาก ภาษาไทยใช้ token เป็น 1.16 เท่าของภาษาอังกฤษ ส่วน Typhoon 2.5 เป็นโมเดลภาษาไทย แต่ใช้ tokenizer ของ Qwen3 โดยไม่ได้แก้ ภาษาไทยจึงใช้ token มากที่สุดในสามตัวนี้
ดูราคาต่อตัวอักษรไทยของแต่ละรุ่นในเครื่องมือคำนวณราคา AI ภาษาไทย →
บทความของเราเองให้ผลอย่างไร
- เราวัดซ้ำกับบทความ 173 คู่บนเว็บนี้ที่มีทั้งฉบับไทยและอังกฤษ ได้ค่ากลาง 1.99 เท่าบน GPT, 2.53 เท่าบน Typhoon 2.5 และ 1.23 เท่าบน Qwen3.6 สูงกว่าชุดประโยคแปลราว 6–9%
- เราไม่ใช้บทความของเราเป็นตัวเลขหลัก เพราะฉบับไทยกับฉบับอังกฤษเขียนแยกกัน ไม่ได้แปลตรงกันทีละประโยค ค่าที่ได้จึงขึ้นกับวิธีเขียนแต่ละฉบับ และเปลี่ยนไปตามช่วงเวลา บน GPT ค่ากลางรายเดือนอยู่ระหว่าง 1.31 ถึง 2.10 (บางเดือนมีไม่ถึง 10 คู่)
- บทความของเราใช้ token ต่อตัวอักษรน้อยกว่าชุดประโยคข่าวราว 4–5% น่าจะเพราะมีคำภาษาอังกฤษปนมากกว่า
ตัวเลขเดิมที่เราเคยใช้
ก่อนวันที่ 27 ตุลาคม 2026 เครื่องมือบนเว็บนี้ใช้ตัวเลขที่วัดเมื่อ 23 กันยายน 2026 จากบทความ 109 คู่ ได้ 1.67 เท่าบน GPT, 1.99 เท่าบน Typhoon 2.5 และ 1.20 เท่าบน Qwen3.6 เราไม่ได้เก็บสคริปต์ของการวัดครั้งนั้นไว้ จึงวัดซ้ำแบบเดิมไม่ได้ เมื่อวัดบทความ 133 คู่ที่เผยแพร่ถึงวันนั้นด้วยวิธีที่บันทึกไว้ ได้ 1.86 บน GPT ไม่ใช่ 1.67 ตัวเลขชุดเดิมต่ำกว่าชุดประโยคแปลราว 9% บน GPT และราว 17% บน Typhoon 2.5 แต่สูงกว่าราว 4% บน Qwen3.6 ตอนนี้เครื่องมือทุกตัวใช้ตัวเลขชุดใหม่แล้ว
วิธีวัด
- ข้อมูลหลัก: ชุด NTREX-128 ของ Microsoft คือข่าวภาษาอังกฤษ 1,997 ประโยค พร้อมคำแปลภาษาไทยที่นักแปลทำ ใช้ไฟล์ newstest2019-src.eng.txt และ newstest2019-ref.tha.txt
- นับ token ทีละประโยคด้วย tokenizer จริงของแต่ละตระกูล ไม่นับ token พิเศษ แล้วหาอัตราส่วน token ไทยต่อ token อังกฤษของแต่ละประโยค
- token ต่อตัวอักษร = จำนวน token ทั้งหมด ÷ จำนวนตัวอักษรทั้งหมดของแต่ละภาษา
- บทความของเรา: ใช้เฉพาะบทความที่เผยแพร่ครบสองภาษา ตัดส่วนแหล่งที่มา ลิงก์เหลือแต่ข้อความ และไม่นับรูป
ข้อจำกัด
- ชุดประโยคแปลเป็นข่าวทั่วไปจากปี 2019 ข้อความเฉพาะทางหรือภาษาพูดอาจได้ตัวเลขต่างไป
- Claude, Gemini และค่ายอื่นไม่ได้วัดในงานนี้ เครื่องมือนับ token ของเราประมาณค่าของค่ายเหล่านั้นจากการวัดผ่าน API แยกต่างหาก
- tokenizer เปลี่ยนได้เมื่อมีโมเดลรุ่นใหม่ เราจะวัดซ้ำเมื่อ tokenizer ที่ใช้กันมากเปลี่ยน
ข้อมูลดิบ
- ผลสรุปจากชุดประโยคแปล (JSON) — คำนวณจาก NTREX-128 สัญญาอนุญาต CC BY-SA 4.0
- ผลรายบทความ 173 คู่ (CSV) — สัญญาอนุญาต CC BY 4.0
- ผลรายบทความพร้อมสรุป (JSON) — สัญญาอนุญาต CC BY 4.0
ชุดประโยคแปล: NTREX-128 โดย Microsoft (CC BY-SA 4.0) — github.com/MicrosoftTranslator/NTREX