พากย์เสียง AI ให้เหมือนคนจริง ทำได้ไง? เพื่อนผมฟังแล้วนิ่งไปสามวินาที
เดือนที่แล้วผมโยนคลิปลงกลุ่มไลน์ เสียงพากย์ในคลิปคือเสียง "ผมเอง" นี่แหละ เพื่อนตอบมาไวมาก ว่าไงจ้างนักพากย์มาหรือ คิดเงินเท่าไหร่
ผมบอกไม่ใช่ อันนี้ AI เขานิ่งไปสามวินาที แล้วลากคลิปกลับไปฟังซ้ำอีกรอบ จากนั้นถามมาว่า ใช้อะไรเหรอ ทำไมพวกเสียง AI ที่กูเคยได้ยินมันฟังรู้เลยว่าปลอม แต่อันนี้มันไม่เหมือน
คำถามนี้ผมก็งมอยู่พักนึง วันนี้เลยเขียนให้หมดเลย
เสียง AI ที่ฟังปุ๊บรู้เลยว่าปลอม ปัญหาอยู่ตรงไหน
ลองนึกถึงเสียงแบบที่ฟังปุ๊บรู้เลยว่าเครื่องพูด ความเร็วคงที่ตลอด เหมือนเทปติด ทุกคำเปล่งเต็มๆ เท่ากันหมด ไม่มีเบาหนัก ประโยคที่ควรลดเสียงลงตอนท้าย กลับโยนขึ้นเหมือนพนักงาน call center ท่องสคริปต์
คนพูดจริงไม่ใช่แบบนั้นครับ คนจริงเขาจะอึ้ง จะขี้เกียจบ้าง จะลากคำว่า "ก็แบบว่า...ก็โอเคนะ" ให้ยาวกว่าปกติครึ่งจังหวะ โมเดล TTS ยุคแรกๆ เขาแค่อ่านตามดิกชันนารี ทุกคำยาวเท่ากัน หนักเท่ากัน เลยฟังโกง
แต่โมเดลยุคนี้ที่เป็น neural network โดยเฉพาะพวกที่ทำการโคลนเสียง เขาเรียนรู้นิสัยการพูดของคนคนหนึ่งทั้งหมด ลมหายใจ จังหวะหยุด การไล่โทน อยู่ในนั้นหมด ฉะนั้นประโยคเดียวกัน สังเคราะห์ธรรมดากับโคลนมา ความเนียนต่างกันคนละเรื่องเลย
สามเทคนิคที่ทำให้เสียงพากย์ AI เหมือนคนพูดจริง
เครื่องมือเป็นแค่พื้นฐาน ของจริงที่ทำให้ต่างกันคือวิธีที่คุณใช้มัน
หนึ่ง อย่าเลือกเสียงแบบผู้ประกาศ หลายคนทำคลิปแล้วเลือกเสียงที่ออกข่าวซะงั้น ผลคือคลิปทั้งเรื่องเหมือนข่าวเที่ยงวัน ถ้าทำคลิปพูด ทำวลอก เลือกเสียงที่มีกลิ่นชีวิตประจำวัน หรือแม้แต่เสียงที่มี "ความไม่สมบูรณ์แบบ" นิดๆ กลับดูจริงกว่า
สอง เครื่องหมายวรรคตอนคือผู้กำกับของคุณ จุลภาคคือการหยุดสั้น จุดคือการหยุดยาว จุดสามจุดทำให้มันลังเล ขีดทำให้มีอารมณ์เปลี่ยนทาง ผมเขียนสคริปต์พากย์ด้วย "หู" ไม่ได้เขียนด้วยไวยากรณ์ ตรงไหนควรหยุด ใส่จุลภาคเพิ่มไปเลย ไม่เสียหาย
สาม พากย์ทีละประโยค อย่ายัดทั้งย่อหน้า ยัดยาวทีเดียวอารมณ์มันแบน แยกเป็นประโยคสั้นๆ ประโยคสำคัญสร้างแยก ลองหลายเวอร์ชัน แล้วเลือกเทียบที่ฟังเหมือนคนพูดที่สุด เสียแรงหน่อย แต่คุ้มจริงๆ
ทำไมผมสุดท้ายถึงเลือกใช้การโคลนเสียง
ลองเครื่องมือออนไลน์มาหลายตัว จบที่ VoxClone ด้วยเหตุผลที่โคตรธรรมดา คือไม่เสียเงิน และไม่ต้องสมัครสมาชิก text to speech แบบนี้แหละ เปิดหน้าเว็บมาใช้ได้เลย เหมาะกับคนแบบผมที่ตัดต่อแบบสามวันตกเบ็ดสองวันลายซวย
ของเด็ดที่สุดคือ โคลนเสียงฟรี อัดเสียงตัวเอง หรือเสียงคนที่คุณได้รับอนุญาต แค่ไม่กี่วินาทีถึงหลักสิบวินาที จากนั้นเสียงนั้นใช้ได้ตลอด ผมโคลนเสียงตัวเองไว้ เพื่อนฟังไม่ออก แม่ผมก็ฟังไม่ออก ทั้งที่แม่ผมนะ ผมเปลี่ยนเคสมือถือทีเดียวเขาจับได้เลยนะ
แถมไม่มีข้อจำกัดแบบ "เวอร์ชันฟรีวันละสามครั้ง" ที่น่ารำคาญแบบบางเว็บ แปลงข้อความเป็นเสียงพูดได้ไม่จำกัด สคริปต์ยาวก็ยัดทั้งเรื่องเข้าไปได้ บางวันต้องพากย์เป็นชุด ผมก็ใช้ API ฟรีของเขาต่อเข้าสคริปต์ของตัวเองได้ด้วย
คำถามที่คนถามบ่อย
โคลนเสียงต้องใช้ไฟล์เสียงยาวแค่ไหน?
โดยทั่วไป 30 วินาทีถึง 1 นาทีของเสียงคนชัดๆ ก็พอ อยู่ในที่เงียบ เข้าใกล้ไมค์หน่อย อย่ามีเพลงคุ้นหลัง ผลต่างกันคนละเรื่อง ครั้งแรกของผมพังเพราะเปิดแอร์อัดเสียงนี่แหละ
โคลนเสียงคนอื่นผิดกฎหมายไหม?
ต้องเป็นเสียงตัวเอง หรือเสียงที่เจ้าตัวยินยอมชัดเจนเท่านั้น ไปเอาเสียงคนอื่นมาอ้างสิ่งที่เขาไม่เคยพูด นอกจากไม่เหมาะแล้ว อาจผิดกฎหมายด้วย เครื่องมือเป็นกลาง แต่วิธีใช้ไม่เป็นกลาง
ของฟรีใช้เชิงพาณิชย์ได้จริงไหม?
VoxClone เป็นการโคลนเสียงแบบฟรีตลอด ไม่เก็บเงิน ไม่จำกัดจำนวน แต่เงื่อนไขการใช้งานเชิงพาณิชย์ควรไปดูเวอร์ชันล่าสุดที่หน้าอัปเดตก่อนใช้จริง นโยบายพวกนี้ เปิดดูสักแวบไม่เสียหาย
ปิดท้าย
เสียงพากย์ AI จะเหมือนคนจริงหรือเปล่า ครึ่งหนึ่งอยู่ที่โมเดล อีกครึ่งอยู่ที่สคริปต์ในมือคุณ คราวหน้าเขียนสคริปต์พากย์ ลองเขียนแบบ "คนกำลังพูด" ไม่ใช่เขียนแบบ "คนกำลังเขียนบทความ" ใส่จังหวะหยุด เว้นลมหายใจ ยอมให้มันไม่เรียบร้อยซักนิด
คืนนี้ลองเลย ไปโคลนเสียงตัวเองสักเสียง พากย์แนะนำตัว 30 วินาที แล้วส่งให้คนที่สนิทที่สุดดูว่าเขาฟังออกไหม ความนิ่งสามวินาทีนั่นแหละ คือคำตอบของคุณ