ทำไมพิมพ์ภาษาอังกฤษคุยกับเอไอถึงถูกกว่าภาษาไทยได้ถึง 2 เท่า (ทั้งที่มันเข้าใจไทยดีอยู่แล้ว)

“hello” ในภาษาอังกฤษเอไอนับเป็น 1โทเคน แต่ “สวัสดี” ที่แปลว่าอย่างเดียวกันเอไอนับเป็น 4โทเคน ปัญหาไม่ได้อยู่ที่ว่าเอไอเข้าใจภาษาไทยไหม แต่อยู่ที่ว่าเอไอคิดเงินคุณยังไง

เอไอไม่ได้อ่านเป็น “คำ” แต่อ่านเป็น “โทเคน”

ก่อนที่เอไอจะประมวลผลข้อความใด ๆ มันจะหั่นข้อความนั้นออกเป็นชิ้นเล็ก ๆ ที่เรียกว่าโทเคนก่อนเสมอ โทเคนไม่ใช่คำ ไม่ใช่ตัวอักษร และไม่ใช่ประโยค มันคือหน่วยย่อยที่โมเดลใช้ในการอ่านและสร้างข้อความ

ระบบคิดเงินของเอไอทำงานตามหน่วยนี้เช่นกัน ทั้งข้อความที่คุณส่งเข้าไป (input) และคำตอบที่เอไอตอบกลับ (output) ล้วนถูกนับเป็นโทเคนทั้งนั้น ยิ่งใช้โทเคนมาก ยิ่งจ่ายมาก

สำหรับภาษาอังกฤษ ค่าเฉลี่ยอยู่ที่ประมาณ 0.75โทเคนต่อหนึ่งคำ คำส่วนใหญ่จึงถูกหั่นได้ “พอดีคำ” หรือคำยาวหนึ่งคำก็ได้แค่ 1-2โทเคนเท่านั้น

อยากเข้าใจพื้นฐานโทเคนให้ลึกกว่านี้ อ่านต่อได้ที่ Token คืออะไร และทำไมมันสำคัญกว่าที่คุณคิด

ทำไม “สวัสดี” ถึงแพงกว่า “hello” ถึง 2 เท่า

ตัวเลขที่ยกมาข้างต้นไม่ได้พูดเกินจริง ตารางเปรียบเทียบด้านล่างนี้วัดด้วย o200k_base ซึ่งเป็น tokenizer ของโมเดลรุ่นใหม่อย่าง GPT-4o และ GPT-5 ตรวจสอบซ้ำได้ที่ OpenAI Tokenizer (เลือกโมเดล GPT-5) ค่าอาจต่างกันเล็กน้อยตาม tokenizer ของแต่ละโมเดล แต่สัดส่วนโดยรวมใกล้เคียงกัน

ข้อความ	ภาษา	จำนวนโทเคน (GPT-5 / o200k_base)
hello	อังกฤษ	1
สวัสดี	ไทย	4
How are you today?	อังกฤษ	5
วันนี้เป็นอย่างไรบ้าง?	ไทย	7
Please summarize this document.	อังกฤษ	5
ช่วยสรุปเอกสารนี้ให้หน่อยนะ	ไทย	12

โดยเฉลี่ยแล้ว ประโยคไทยใช้โทเคนมากกว่าประโยคอังกฤษที่มีความหมายเดียวกันราว 2.1 เท่า (รวม 23โทเคนฝั่งไทย ต่อ 11โทเคนฝั่งอังกฤษ)¹

อังกฤษ ไทย

วัดด้วย OpenAI Tokenizer (o200k_base, GPT-4o/GPT-5)

ตัวเลขชุดนี้วัดด้วย o200k_base ซึ่งเป็น tokenizer ของโมเดลรุ่นใหม่อย่าง GPT-4o และ GPT-5 ข้อควรรู้คือ tokenizer รุ่นก่อนอย่าง cl100k_base (GPT-3.5/GPT-4 ตัวเก่า) จัดการภาษาไทยแย่กว่านี้มาก ตัวอย่างเดียวกันนี้วัดด้วย cl100k_base ได้ “สวัสดี” 6โทเคน, “วันนี้เป็นอย่างไรบ้าง?” 19โทเคน, “ช่วยสรุปเอกสารนี้ให้หน่อยนะ” 26โทเคน รวมเป็นอัตราส่วนสูงถึง 4.3 เท่า สรุปคือ tokenizer ใหม่ของ GPT-4o/GPT-5 ลดช่องว่างลงเหลือราว 2 เท่า แต่ก็ยังแพงกว่าภาษาอังกฤษอยู่ดี

สาเหตุมาจากวิธีที่ tokenizer ถูกสร้างขึ้น tokenizer รุ่นที่ใช้กันแพร่หลายอย่าง BPE (Byte Pair Encoding) ถูกฝึกด้วยข้อความภาษาอังกฤษในปริมาณมหาศาล ผลคือ vocabulary ส่วนใหญ่ถูกจัดไว้สำหรับภาษาอังกฤษ ขณะที่ภาษาไทยได้รับพื้นที่น้อยมากในเชิงสัดส่วน

เมื่อเจอข้อความไทย tokenizer ก็ทำได้แค่หั่นแบบหยาบ ๆ มักได้ 1โทเคนต่อ 1-3 ตัวอักษรเท่านั้น บางครั้งได้แค่ตัวอักษรเดียวต่อโทเคน ขณะที่ภาษาอังกฤษ 1โทเคนแทนได้ทั้งคำ

สิ่งที่ต้องเน้นให้ชัดคือ นี่ไม่ได้หมายความว่าเอไอไม่เข้าใจภาษาไทย เอไอเข้าใจบริบท ความหมาย และอารมณ์ของภาษาไทยได้ดีมากแล้ว ปัญหาอยู่ที่กระบวนการ “นับ” ไม่ใช่ “เข้าใจ”

โทเคนเยอะกระทบ 3 อย่าง ไม่ใช่แค่เงิน

คนส่วนใหญ่นึกถึงแค่ค่าใช้จ่าย แต่โทเคนที่เยอะขึ้นส่งผลต่อการใช้งานอีก 2 ด้านที่สำคัญไม่แพ้กัน

1. ราคา -เอไอคิดเงินตามจำนวนโทเคนทั้ง input และ output ถ้าข้อความไทยกินโทเคนมากกว่าอังกฤษ 2 เท่า งบประมาณที่ต้องเผื่อก็สูงขึ้นตามไปด้วย สำหรับคนที่ใช้ผ่าน API หรือสร้างแอปพลิเคชัน ตัวเลขนี้กระทบบิลได้เงียบ ๆ โดยไม่รู้ตัว แนะนำให้เผื่องบไว้ราว 2-3 เท่าสำหรับ prompt ที่ไม่ใช่ภาษาอังกฤษ²

2. ความเร็ว -เอไอสร้างคำตอบทีละโทเคน ยิ่งต้องสร้างโทเคนมาก เวลารอก็นานขึ้น ในงานที่ต้องตอบสนองเร็ว เช่น chatbot หรือระบบที่ต้องตอบแบบ real-time ความต่างนี้รู้สึกได้จริง

3. context window เต็มเร็วกว่า -ทุกการสนทนากับเอไอมีขีดจำกัดของจำนวนโทเคนที่จำได้ในคราวเดียว เรียกว่า context window เมื่อภาษาไทยกินพื้นที่โทเคนมากกว่า เอไอจะ “ลืม” ต้นบทสนทนาได้เร็วกว่า หรือถ้าคุณแปะเอกสารยาว ๆ เป็นภาษาไทยทั้งไฟล์ context window ก็จะเต็มได้เร็วกว่าการแปะเอกสารอังกฤษที่มีเนื้อหาเท่ากัน

อยากเข้าใจเรื่อง context window และวิธีที่เอไอสร้างคำตอบทีละโทเคนเพิ่มเติม อ่านได้ที่ LLM ทำงานอย่างไร

เมื่อไหร่ควรใช้อังกฤษ เมื่อไหร่ควรใช้ไทย

ความรู้เรื่องโทเคนไม่ได้มีไว้เพื่อให้เลิกใช้ไทย แต่มีไว้เพื่อช่วยตัดสินใจว่าควรใช้ภาษาไหนกับงานแบบไหน

มีงานวิจัยปี 2025 ที่ครอบคลุม 35 ภาษาพบว่ากลยุทธ์การแปล prompt ที่ดีที่สุดขึ้นกับหลายปัจจัย ทั้งความใกล้เคียงกับภาษาอังกฤษ คุณภาพการแปล และปริมาณข้อมูลฝึกของภาษานั้น ในหลายกรณีการคงภาษาให้ตรงกับเนื้อหากลับให้ผลดีกว่าการแปลทุกอย่างเป็นอังกฤษ โดยเฉพาะงานที่ต้องสกัดหรือประมวลผลเนื้อหาภาษานั้น ๆ³ ในขณะเดียวกัน งานวิจัยอีกชิ้นพบว่าในงานที่ต้องใช้เหตุผลซับซ้อน การให้โมเดลคิดแบบ chain-of-thought เป็นภาษาอังกฤษมักให้ผลแม่นกว่าการคิดในภาษาต้นทาง โดยเฉพาะในโมเดลขนาดเล็ก⁴

งานแบบนี้	ภาษาที่แนะนำ	เหตุผล
เขียนคำสั่ง/โครงสร้าง prompt	อังกฤษ	ประหยัดโทเคน, โมเดลส่วนใหญ่ถูกฝึกมาด้วยคำสั่งอังกฤษ
งานวิเคราะห์เหตุผลซับซ้อน	อังกฤษ	chain-of-thought เป็นอังกฤษให้ผลแม่นกว่าในหลายโมเดล
prompt ยาว หรืองานที่ต้องประหยัดโทเคน	อังกฤษ	ลดปริมาณโทเคนได้จริง
เนื้อหาที่ต้องอ่านเป็นไทย (บทความ, อีเมล, โซเชียล)	ไทย	ผลลัพธ์ตรงโทนและความหมายกว่า
งานที่เนื้อหาต้นทางเป็นไทย (สรุป, สกัดข้อมูล)	ไทย	จับคู่ภาษาให้ตรงกับเนื้อหาให้ผลดีกว่า
งานที่ต้องเข้าใจบริบทวัฒนธรรม/อารมณ์ไทย	ไทย	ภาษาไทยจับความละเอียดทางวัฒนธรรมได้ดีกว่า

ข้อเตือนที่สำคัญคือ อย่าแปลทุกอย่างเป็นอังกฤษแบบหลับหูหลับตา งานที่เนื้อหาเป็นไทยอยู่แล้ว เช่น สรุปบทความไทย หรือวิเคราะห์ความคิดเห็นลูกค้าภาษาไทย การใช้ไทยตรง ๆ มักให้คำตอบที่แม่นกว่าและไม่เพี้ยนความหมาย

ทริคผสมสองภาษา ประหยัดโทเคนโดยไม่เสียคุณภาพ

เทคนิคง่าย ๆ ที่ทำได้ทันทีคือการแยกส่วน “คำสั่ง” ออกจากส่วน “เนื้อหา” แล้วใช้ภาษาให้เหมาะกับแต่ละส่วน

ตัวอย่างเช่น แทนที่จะพิมพ์ว่า “ช่วยสรุปข้อความต่อไปนี้เป็นภาษาไทย 3 ข้อสั้น ๆ” ลองเปลี่ยนเป็น:

Summarize the following text in Thai, 3 bullet points, concise.

[วางข้อความภาษาไทยหรืออังกฤษที่ต้องการสรุปตรงนี้]

คำสั่งส่วนแรกเป็นอังกฤษ ประหยัดโทเคนแต่ระบุชัดว่าให้ตอบเป็นไทย ส่วนเนื้อหาที่แปะเข้าไปยังคงเป็นภาษาเดิมที่เอกสารนั้นเป็น

เทคนิคอื่น ๆ ที่ใช้ได้จริง:

• ถ้าต้องแปะเอกสารไทยยาว ๆ ให้ตัดเฉพาะส่วนที่เกี่ยวข้องมาแปะ ไม่ใช่ทั้งไฟล์ เพราะ context window เต็มได้ง่ายกว่าที่คิด
• สำหรับคนที่ใช้ผ่าน API ให้วัดจำนวนโทเคนจริงก่อนปล่อยระบบใช้งานจริง เพราะภาษาไทยอาจดันบิลขึ้นเงียบ ๆ โดยไม่มีสัญญาณเตือน
• ลองทดสอบ tokenizer โดยตรงผ่านเครื่องมืออย่าง Tiktokenizer หรือ OpenAI Tokenizer เพื่อดูว่าข้อความที่พิมพ์จริงกินกี่โทเคน

เบื้องหลังคือความเหลื่อมล้ำที่นักพัฒนากำลังแก้

สาเหตุที่ tokenizer หั่นภาษาไทยแพงกว่าอังกฤษไม่ใช่เพราะใครตั้งใจ แต่เป็นผลจากข้อมูลที่เอไอถูกฝึกมา ภาษาอังกฤษเป็นภาษาหลักของเว็บไซต์ราวครึ่งหนึ่งบนอินเทอร์เน็ต (ข้อมูล W3Techs ปี 2026 อยู่ที่ราว 49.7%) ทั้งที่มีผู้พูดเป็นสัดส่วนน้อยกว่านั้นมากเมื่อเทียบกับประชากรโลก⁵ เมื่อเอไอถูกฝึกด้วยข้อมูลที่ส่วนใหญ่เป็นอังกฤษ tokenizer ก็ถูกออกแบบมาให้ประมวลผลอังกฤษได้อย่างมีประสิทธิภาพตามไปด้วย

ผลที่ตามมาคือผู้ใช้ภาษาที่มีข้อมูลน้อยกว่าในชุดข้อมูลฝึกต้องจ่ายแพงกว่า รอนานกว่า และ context window ก็เต็มเร็วกว่า งานวิจัยของ Ahia และคณะพบว่าบางภาษาเช่นภาษาพม่า (Burmese) มีต้นทุนโทเคนสูงกว่าภาษาอังกฤษถึงระดับหลักสิบเท่าเมื่อใช้ tokenizer ของ ChatGPT (gpt-3.5-turbo)⁶ ภาษาไทยเองก็อยู่ในกลุ่มที่ถูก “เสียเปรียบเชิงโครงสร้าง” นี้

นี่คือประเด็นที่นักวิจัยด้าน responsible AI เรียกว่า tokenization unfairness ความไม่เป็นธรรมทางภาษาที่ทำให้คนบางกลุ่มเข้าถึงเอไอได้ในราคาที่แตกต่างกัน และมันไม่ได้เกี่ยวกับความสามารถทางภาษาของโมเดลเลย

การที่คุณเข้าใจเรื่องโทเคนและรู้ว่าเมื่อไหร่ควรสลับภาษา จึงไม่ใช่แค่การประหยัดเงิน แต่ยังเป็นการเข้าใจข้อจำกัดเชิงโครงสร้างของเครื่องมือที่คุณใช้อยู่ด้วย

แหล่งอ้างอิง

1. วัดด้วย o200k_base tokenizer (GPT-4o/GPT-5) ผ่าน OpenAI Tokenizer (เลือกโมเดล GPT-5) หรือไลบรารี tiktoken/js-tiktoken โดยตรง ผู้อ่านตรวจสอบเองได้ - “hello” = 1โทเคน, “สวัสดี” = 4โทเคน, อัตราส่วนไทย/อังกฤษรวมราว 2.1 เท่าใน o200k_base เทียบกับราว 4.3 เท่าใน tokenizer รุ่นก่อน (cl100k_base) ↩

2. PromptCost.org, “LLM Tokenization Explained: English vs Other Languages Cost Difference” - แนะนำเผื่องบ 2-3 เท่าสำหรับ prompt ที่ไม่ใช่ภาษาอังกฤษ ↩

3. arXiv:2502.09331, “Beyond English: The Impact of Prompt Translation Strategies across Languages and Tasks” (2025) - งานวิจัยครอบคลุม 35 ภาษาเรื่องการจับคู่ภาษา prompt กับเนื้อหา ↩

4. arXiv:2505.17407 (2025) - งานวิจัยว่าด้วยภาษาของ chain-of-thought reasoning และผลต่อความแม่นยำของโมเดล ↩

5. W3Techs, “Usage statistics of content languages for websites” (2026) - ภาษาอังกฤษเป็นภาษาหลักของเว็บไซต์ราว 49.7% ของเว็บที่ทราบภาษา (ตัวเลขเป็นที่ถกเถียงเชิงวิธีการนับเว็บหลายภาษา) ส่วนสัดส่วนผู้พูดภาษาอังกฤษต่อประชากรโลกน้อยกว่านั้นมาก ↩

6. Ahia et al., “Do All Languages Cost the Same? Tokenization in the Era of Commercial Language Models” arXiv:2305.13707, EMNLP 2023 - ทดสอบกับ ChatGPT (gpt-3.5-turbo) พบภาษาพม่า (Burmese) มีต้นทุนโทเคนสูงสุดเทียบกับอังกฤษ ระดับหลักสิบเท่า ↩