ทำไม AI พากย์เสียงถึงยังฟังเป็นหุ่นยนต์? ต้นเหตุอยู่ที่ไฟล์เสียงที่คุณอัด ไม่ใช่ตัวโปรแกรม

เดือนที่แล้วเพื่อนส่งคลิป TikTok มาให้ช่วยพากย์ ใช้สคริปต์เดียวกัน เครื่องมือตัวเดียวกัน กดปุ่มเดียวกัน แต่ผลลัพธ์คนละเรื่องเลย——เสียงของเพื่อนฟังเหมือนดีเจวิทยุช่วงดึก ส่วนของผม... เหมือนเสียงประกาศในลิฟต์ที่กำลังอ่านราคาหุ้น

ตอนแรกผมนึกว่าเป็นเรื่องดวง หรือไม่ก็ตัวโปรแกรมมันห่วย ที่ไหนได้ พอถามคนที่ทำอาชีพนี้จริง ๆ เขาตอบสั้น ๆ ว่า "ปัญหาไม่ได้อยู่ที่โปรแกรม อยู่ที่ไฟล์เสียงที่มึงอัปโหลดเข้าไป" แล้วก็ไม่ยอมอธิบายต่อ เพราะมันพื้นฐานเกินกว่าจะพูด

งั้นวันนี้ผมจะรื้อให้หมดเลย

AI ไม่ได้ "สร้าง" เสียงใหม่ มันลอกเสียงจากไฟล์ที่คุณให้

หลายคนเข้าใจผิดว่า โคลนเสียงตัวเอง คือป้อนไฟล์เข้าไปแล้ว AI จะเนรมิตเสียงเพราะ ๆ ออกมาให้ ไม่ใช่เลย มันเรียนจากโทนเสียง จังหวะหายใจ และนิสัยการพูดในไฟล์นั้น รวมถึงข้อเสียด้วย

อัดแบบเกร็ง ๆ อ่านทีละคำ ๆ หายใจไม่เป็นจังหวะ? เสียงที่ออกมาก็เกร็ง อ่านทีละคำ หายใจแปลก ๆ เหมือนกัน

เพราะฉะนั้นคำถามที่ถูกต้องไม่ใช่ "ทำไมเสียงพากย์ AI ถึงไม่เหมือนคน" แต่คือ "ไฟล์ตัวอย่างของเรามันเหมือนคนพูดปกติจริงหรือเปล่า"

อัดเสียงตัวอย่าง: ห้องเงียบสำคัญกว่าไมค์แพง

ผมเคยเสียเงินซื้อไมค์ตัวละหลายพัน หวังว่าจะช่วยให้เสียงดีขึ้น ปรากฏว่าไม่ต่างเลย เพราะห้องผมมีเสียงแอร์กับเสียงรถวิ่งผ่านตลอด

สิ่งที่ต้องจัดการก่อนคือสามอย่างนี้:

  • หาห้องเล็ก ๆ ที่เงียบ ใกล้ตู้เสื้อผ้ายิ่งดี เพราะผ้าช่วยดูดเสียง
  • อย่าเอาปากชิดมือถือเกินไป ห่างประมาณหนึ่งกำมือครึ่ง กันลมกระทบไมค์
  • พูดด้วยระดับเสียงเดิมตลอด อย่าเบา ๆ หนัก ๆ สลับกัน

ความยาว 30 วินาทีถึง 1 นาทีก็พอ สั้นกว่านั้น AI เรียนโทนไม่ครบ ยาวกว่านั้นก็เสียเวลาเปล่า

ส่วนเนื้อหาที่อ่าน อย่าอ่านแบบท่องสคริปต์ เลือกประโยคที่คุณพูดจริงในชีวิตประจำวัน มีขึ้นมีลง มีหัวเราะนิด ๆ ก็ได้ คนเราพูดคุยกันมันมีการกลืนคำ มีการลากเสียงปลายประโยค ไฟล์ตัวอย่างก็ควรมี "ความเป็นคน" แบบนั้นด้วย

อัดเสร็จ ฟังตัวเองก่อน ถ้าคุณเองยังรู้สึกว่าฟังแล้วขัด ๆ อย่าหวังว่า AI จะกู้กลับมาได้

สคริปต์เขียนเป็นทางการ พากย์ยังไงก็แข็ง

พอจัดการไฟล์เสียงเสร็จ อีกด้านที่คนมองข้ามคือสคริปต์ที่จะให้ AI อ่าน

เขียนแบบภาษาเขียนราชการมาเต็ม ๆ ต่อให้เสียงดีแค่ไหนก็ฟังเป็นหุ่นยนต์ ลองเปลี่ยนจากประโยคยาว ๆ เป็นคำพูดที่เราพูดจริงในแชทหรือในห้องประชุมดู แล้วผลลัพธ์จะต่างทันที

เครื่องหมายวรรคตอนก็คือจังหวะหายใจของเสียง คอมมาคือหยุดสั้น จุดคือหยุดยาว ขีดกลาง ๆ สร้างจังหวะเว้นได้

เวลาผมใช้ แปลงข้อความเป็นเสียงพูดออนไลน์ ผมจะอ่านสคริปต์ออกเสียงดัง ๆ ก่อนหนึ่งรอบ ตรงไหนอ่านแล้วสะดุดลิ้นก็แก้ตรงนั้น สคริปต์ลื่น เสียงถึงจะลื่น

จุดที่คนพลาดบ่อย

เสียงแอร์ เสียงคีย์บอร์ด เสียงพัดลม? พวกนี้จะติดไปในเสียงที่โคลนออกมาเป็นชั้น ๆ แก้ยังไงก็ไม่หมด ต้องอัดใหม่เท่านั้น

อีกอย่างคือเพลงประกอบที่เปิดคลอไว้ในไฟล์ AI มันจะเหมาว่าเสียงดนตรีเป็นส่วนหนึ่งของโทนเสียงคุณด้วย ผลที่ได้คือเสียงแปลกมาก

บางคนชอบใช้เสียงจากหนังมาเป็นตัวอย่าง ผมลองแล้ว——ตัวละครมีอารมณ์ขึ้นลง ฟังดูน่าสนใจ แต่พากย์ออกมาแล้วอารมณ์ไม่นิ่ง ประโยคเดียวกันเสียงสูงต่ำไม่เท่ากัน เว้นแต่คุณต้องการความดราม่าแบบนั้นจริง ๆ ไม่งั้นใช้เสียงพูดธรรมดาที่สะอาด ๆ ดีที่สุด

ถ้าอยากลองแนวเสียงอื่น ๆ หน้า เสียงพูดแบบไดนามิก ก็มีตัวเลือกให้เล่นอยู่ แต่อย่าลืมว่าต้นตอของทุกอย่างยังอยู่ที่ไฟล์ต้นทาง

จริง ๆ ไม่ว่าคุณจะอยากพากย์เสียงวิดีโอด้วย ai ฟรี ทำ audiobook ด้วย ai ฟรี หรืออยากสร้างเสียงนักพากย์อัตโนมัติไว้ใช้ในช่องของตัวเอง หลักการเดียวกันหมด——ไฟล์ต้นทางต้องสะอาดก่อน

FAQ

ไฟล์เสียงต้องยาวแค่ไหน?

30 วินาทีถึง 1 นาทีก็พอ เน้นคุณภาพไม่ใช่ความยาว——ห้องเงียบ เสียงสะอาด น้ำเสียงเป็นธรรมชาติ ดีกว่าอัดห้านาทีในห้องที่มีเสียงรบกวนเยอะ

อัดจากมือถือใช้ได้ไหม?

ได้เลย ไมค์มือถือสมัยนี้คุณภาพไม่แย่ ขอแค่ห้องเงียบ อย่าเปิดลำโพง อย่าอัดในรถ เพราะเสียงก้องจะติดมาเยอะ

เครื่องมือฟรีพอใช้ไหม?

พอครับ ตอนนี้ถ้าเสิร์ชหา สร้างเสียงพูด ai ฟรี หรือ ข้อความเป็นเสียง ฟรี ในกูเกิล จะเจอเว็บเพียบ แต่ส่วนใหญ่ที่คนบ่นว่าเสียงไม่ดี ก็เพราะไฟล์ต้นทางทั้งนั้น

ผมเองใช้ โคลนเสียงฟรี ตัวหนึ่งอยู่ประจำ เป็นแบบ ไม่ต้องสมัครสมาชิก text to speech เปิดหน้าเว็บ อัปโหลดไฟล์เสียง แล้วลองได้เลย จุดนี้แหละที่ทำให้ผมยังใช้อยู่ เพราะบางทีเราก็แค่อยากพากย์คลิปเดียว ไม่ได้อยากสมัครอะไรทั้งนั้น

ถ้าใครเสิร์ชคำว่า text to speech ภาษาไทย ฟรี หรือ voice clone thai free อยู่ ก็จะเจอตัวเลือกเยอะแยะ ลองไล่ดูได้ แต่ถ้าลองแล้วยังไม่พอใจ สิบเอ็ดในสิบครั้งคือปัญหาไฟล์เสียง ไม่ใช่ตัวโปรแกรม

ปิดท้าย

เรื่องนี้จริง ๆ ไม่มีอะไรลึกลับ AI พากย์เสียงจะเหมือนคนหรือไม่ เหมือน 70% อยู่ที่ไฟล์เสียงที่คุณอัด อีก 30% อยู่ที่สคริปต์ ส่วนเครื่องมือเป็นส่วนที่กังวลน้อยที่สุด เพราะลองผิดลองถูกไม่เสียเงิน

ถ้ามีสคริปต์อยู่ในมือแล้ว ตอนนี้เลย——หามุมเงียบ ๆ ในบ้าน อัดเสียง 30 วินาที แล้วลองดู ได้ผลกว่าอ่านบทความสอนสิบชิ้นรวมกัน