ตัวอักษรกับโค้ดพอยต์ต่างกันอย่างไร และทำไม X กับ TikTok นับข้อความไทยได้มากกว่า
“ตัวอักษร” คือสิ่งที่ตาเห็น เช่น “น้ำ” นับเป็น 1 ตัว แต่คอมพิวเตอร์เก็บคำนี้เป็นโค้ดพอยต์ Unicode 3 ตัว (น + ้ + ำ) X และ TikTok นับตามหน่วยข้างใต้นี้ สระบน สระล่าง และวรรณยุกต์จึงกินลิมิตตัวละ 1 เสมอ
เผยแพร่ 4 พฤศจิกายน 2569
ตัวอักษรที่เห็น กับโค้ดพอยต์ Unicode
Unicode กำหนดรหัสให้อักษรไทยทีละส่วน พยัญชนะ สระ วรรณยุกต์ และเครื่องหมายอย่างไม้ทัณฑฆาตต่างก็มีรหัสของตัวเอง รหัสแต่ละตัวนี้เรียกว่า “โค้ดพอยต์” (code point) เวลาเราพิมพ์ “ที่” คอมพิวเตอร์จึงเก็บไว้ 3 โค้ดพอยต์ คือ ท + ี + ่
แต่สิ่งที่ตาเห็นเป็นหนึ่งหน่วยนั้น Unicode เรียกว่า grapheme cluster ซึ่งในบทความนี้เราเรียกสั้น ๆ ว่า “ตัวอักษร” สำหรับภาษาไทย หลักการคือ
- พยัญชนะพร้อมสิ่งที่อยู่บนหรือล่าง เช่น สระบน สระล่าง วรรณยุกต์ และไม้ทัณฑฆาต รวมเป็น 1 ตัว เช่น “ที่” “ปู่” “ร์”
- สระอำ รวมกับพยัญชนะข้างหน้าเป็น 1 ตัว เช่น “กำ” และ “น้ำ”
- สระหน้า เ แ โ ใ ไ และ สระหลัง อย่าง า ะ นับเป็นอีกตัวแยกจากพยัญชนะ
ในทางภาษาไทย บางครั้ง “ตัวอักษร” ก็หมายถึงรูปพยัญชนะ สระ และวรรณยุกต์ทุกตัว ซึ่งใกล้เคียงกับการนับโค้ดพอยต์มากกว่า ถ้ามีคนขอให้เขียน “ไม่เกิน 100 ตัวอักษร” จึงควรถามให้ชัดว่าหมายถึงแบบไหน
ตัวอย่าง: คำเดียวกัน นับได้สามแบบ
| คำ | ตัวอักษร (ที่เห็น) | โค้ดพอยต์ | ไบต์ UTF-8 |
|---|---|---|---|
| น้ำ | 1 | 3 | 9 |
| ที่ | 1 | 3 | 9 |
| กำลัง | 3 | 5 | 15 |
| เกี่ยว | 4 | 6 | 18 |
| ภาษาไทย | 7 | 7 | 21 |
| สวัสดีครับ | 7 | 10 | 30 |
| คอมพิวเตอร์ | 9 | 11 | 33 |
| กรุงเทพมหานคร | 12 | 13 | 39 |
คำที่มีสระบน สระล่าง และวรรณยุกต์มาก อย่าง “น้ำ” หรือ “สวัสดีครับ” จะมีโค้ดพอยต์มากกว่าตัวอักษรที่เห็นชัดเจน ส่วนคำอย่าง “ภาษาไทย” ที่ไม่มีเครื่องหมายบนล่างเลยจะได้เท่ากัน
ในข้อความทั่วไปความต่างนี้สะสมขึ้นเรื่อย ๆ ประโยค “วันนี้อากาศดีมาก เราจึงชวนเพื่อน ๆ ไปเดินเล่นที่สวนสาธารณะใกล้บ้าน แล้วแวะกินก๋วยเตี๋ยวร้านประจำก่อนกลับ” มี 82 ตัวอักษรที่เห็น (รวมช่องว่าง) แต่มี 104 โค้ดพอยต์ หรือมากกว่าราว 27% ข้อความของคุณอาจต่างมากหรือน้อยกว่านี้ ขึ้นอยู่กับว่าใช้สระและวรรณยุกต์มากแค่ไหน
แต่ละแพลตฟอร์มนับข้อความไทยอย่างไร
| แพลตฟอร์ม | ลิมิต | วิธีนับข้อความไทย |
|---|---|---|
| X (Twitter) | 280 | นับแบบถ่วงน้ำหนัก อักษรไทยนับทีละโค้ดพอยต์ (ตัวละ 1) อีโมจินับ 2 ลิงก์นับ 23 |
| TikTok (แคปชัน) | 2,200 | หน่วย UTF-16 ตาม Content Posting API อักษรไทยตัวละ 1 อีโมจิส่วนใหญ่ 2 |
| SMS | 70 ต่อข้อความ | หน่วย UTF-16 (UCS-2) อักษรไทยตัวละ 1 ข้อความยาวแบ่งส่วนละ 67 |
สำหรับอักษรไทย การนับโค้ดพอยต์และการนับหน่วย UTF-16 ได้ผลเท่ากัน เพราะอักษรไทยทุกตัวใช้ 1 หน่วย UTF-16 ความต่างจะเกิดกับอีโมจิ ซึ่งมี 1 โค้ดพอยต์แต่ใช้ 2 หน่วย UTF-16
ผลที่ตามมาคือ โพสต์ X ที่มี 280 โค้ดพอยต์อาจมองเห็นเป็นตัวอักษรแค่ราว 220 ตัวถ้าใช้สัดส่วนแบบประโยคตัวอย่างข้างบน ถ้าคุณนับด้วยตาหรือด้วยตัวนับที่นับตัวอักษรที่เห็น ข้อความอาจเกินลิมิตทั้งที่คิดว่ายังเหลือที่
ไบต์ UTF-8 เกี่ยวอะไรด้วย
ไบต์คือขนาดที่ใช้จัดเก็บข้อมูล ในการเข้ารหัส UTF-8 ซึ่งเป็นมาตรฐานของเว็บส่วนใหญ่ อักษรละตินและตัวเลขใช้ 1 ไบต์ อักษรไทยใช้ 3 ไบต์ต่อโค้ดพอยต์ และอีโมจิใช้ 4 ไบต์ ช่องกรอกข้อมูลหรือฐานข้อมูลบางระบบจำกัดความยาวเป็นไบต์ ข้อความไทย 100 โค้ดพอยต์จึงใช้พื้นที่ถึง 300 ไบต์ ถ้าระบบตัดข้อความไทยของคุณสั้นกว่าที่คาด ลองดูจำนวนไบต์
ข้อความที่หน้าตาเหมือนกัน แต่นับได้ไม่เท่ากัน
บางครั้งข้อความสองชุดดูเหมือนกันทุกอย่าง แต่ตัวเลขไม่ตรงกัน สาเหตุที่พบบ่อยคือ
- สระหรือวรรณยุกต์ซ้ำ ถ้าพิมพ์ไม้เอกสองครั้งเป็น “ที่่” เครื่องหมายจะซ้อนทับกันจนมองไม่เห็นความต่าง ตัวอักษรที่เห็นยังเป็น 1 แต่โค้ดพอยต์กลายเป็น 4
- อักขระที่มองไม่เห็น ข้อความที่คัดลอกมาจากเว็บหรือเอกสารบางแห่งอาจมีช่องว่างไม่มีความกว้าง (zero-width space) แทรกอยู่ระหว่างคำ ซึ่งมองไม่เห็นแต่ถูกนับ
- ข้อความจาก PDF การคัดลอกภาษาไทยจาก PDF บางไฟล์อาจได้สระลอย ลำดับอักขระผิด หรืออักขระแปลก ๆ ที่ไม่ใช่อักษรไทยมาตรฐาน ควรตรวจทานก่อนนำไปใช้
ใช้ CountWords ตรวจทั้งสองแบบ
ตัวนับด้านล่างแสดง “ตัวอักษร” (รวมช่องว่าง) “ตัวอักษร (ไม่รวมช่องว่าง)” และ “โค้ดพอยต์ Unicode” พร้อมกัน ส่วนไบต์ UTF-8 และหน่วย UTF-16 อยู่ในส่วน “ขั้นสูง” ถ้าจะโพสต์บนแพลตฟอร์มใดโดยเฉพาะ ให้เลือก X หรือ TikTok ในรายการแพลตฟอร์ม ระบบจะนับด้วยกฎเดียวกับแพลตฟอร์มนั้นและบอกว่าเหลืออีกเท่าไรก่อนเต็มลิมิต
ข้อความทั้งหมดประมวลผลในเบราว์เซอร์ของคุณ ไม่ถูกอัปโหลดและไม่ถูกบันทึกบนเซิร์ฟเวอร์