โคลนเสียงฟรีให้เหมือนเสียงเรา ไม่ใช่เสียงโคลน

โคลนเสียงฟรีให้เหมือนเสียงเรา ไม่ใช่เสียงโคลน

เสียงห้าวินาทีพอจริงหรือ

เสียงแจ้งเตือนจากโทรศัพท์ดังขึ้นตอนผมนั่งอยู่มุมหนึ่งของร้านกาแฟแถวอารีย์ ข้างหลังมีเครื่องบดกาแฟทำงานเป็นจังหวะ พนักงานคุยกับลูกค้า โต๊ะข้าง ๆ เปิดคลิปจาก TikTok เสียงดังพอให้ได้ยินประโยคขาด ๆ หาย ๆ ส่วนผมกำลังรีบอัดเสียงตัวอย่างเพื่อเอาไปลองโคลนเสียงฟรีบน VoxClone เพราะตั้งใจจะทำเสียงเปิดคลิปสั้นลง YouTube ให้เสร็จก่อนกลับบ้าน

ผมคิดง่ายมาก แค่พูดประโยคภาษาไทยไม่กี่ประโยคให้ครบ กดบันทึก แล้วค่อยให้ระบบจัดการที่เหลือ ตอนนั้นยังแอบเชื่อด้วยว่า ถ้าเสียงต้นฉบับเป็นเสียงของเรา ระบบก็น่าจะจำลักษณะเสียงได้เอง ต่อให้มีเสียงรบกวนอยู่บ้างก็คงไม่เป็นไร... ปรากฏว่าไม่ใช่เลย

ผมอัดไปประมาณห้าสิบวินาที โดยไม่ได้หยุดเครื่องบดกาแฟ ไม่ได้ย้ายโต๊ะ และไม่ได้ฟังไฟล์ตั้งแต่ต้นจนจบก่อนอัปโหลด ประโยคแรกยังฟังพอได้ แต่ช่วงท้ายมีเสียงแก้วกระทบโต๊ะดังแทรก พอเอาไปสร้างเสียงใหม่ เสียงที่ได้กลับไม่เหมือนผมเท่าไร มันมีโทนสูงแหลมกว่าปกติ หางเสียงบางคำยืดผิดจังหวะ และคำว่า วันนี้ กลายเป็นเสียงที่ฟังเหมือนคนง่วงจัดกำลังพยายามอ่านตามสคริปต์

ที่น่าตกใจกว่าคือ เมื่อเปิดฟังผ่านลำโพงโทรศัพท์ เสียงบางพยางค์หายไปกับเสียงพื้นหลัง แต่ตอนฟังผ่านหูฟังกลับได้ยินเสียงหายใจและเสียงครืดคราดชัดมาก ผมลองเปลี่ยนข้อความหลายแบบเพื่อดูว่าเป็นปัญหาที่ประโยคหรือไม่ ผลยังเหมือนเดิม เสียงต้นทางไม่สะอาดพอ ระบบจึงไม่ได้เรียนรู้แค่เสียงพูดของผม แต่มันรับเอาบรรยากาศในร้านติดไปด้วย

วันนั้นผมได้บทเรียนแบบเสียเวลาฟรี ๆ ว่าเสียงโคลนไม่เหมือนเสียงเราเสมอไป ต่อให้ใช้ไมโครโฟนตัวเดิม พูดด้วยปากเดิม และใช้ข้อความเดิม ถ้าไฟล์ต้นฉบับมีเสียงรถ เสียงพัดลม หรือเสียงคนอื่นปนอยู่ ผลลัพธ์ก็อาจพาเราไปคนละทางได้ การโคลนเสียงจึงไม่ได้เริ่มตอนกดปุ่มสร้างเสียง แต่มันเริ่มตั้งแต่เลือกห้อง เลือกเวลา และเลือกวิธีพูดแล้ว

หลังจากกลับถึงบ้าน ผมเปิดไฟล์เดิมฟังอีกรอบแบบตั้งใจ คราวนี้จดเวลาที่เกิดปัญหาไว้ละเอียด ช่วงวินาทีที่ ๐ ถึง ๑๒ มีเสียงแก้ว ช่วงวินาทีที่ ๑๓ ถึง ๒๐ มีเสียงเครื่องบดกาแฟ และช่วงท้ายผมพูดเร็วขึ้นเพราะรู้สึกว่าคนรอบข้างเริ่มหันมามอง ทั้งหมดนี้ดูเหมือนเรื่องเล็ก แต่พอรวมกันแล้วมันเปลี่ยนบุคลิกของเสียงไปมากกว่าที่คิด

ผมจึงลองอัดใหม่ในห้องนอนตอนเช้า ปิดพัดลม ปิดการแจ้งเตือนโทรศัพท์ วางมือถือห่างจากปากประมาณหนึ่งช่วงแขน แล้วพูดด้วยระดับเสียงธรรมดา ไม่กระซิบและไม่ตะโกน คราวนี้ใช้เวลาราวสามนาที มีทั้งประโยคสั้น ประโยคยาว คำถาม และประโยคที่มีวรรณยุกต์หลายแบบ พอฟังไฟล์ก่อนส่ง ผมตัดช่วงที่ไอและช่วงที่เผลอหัวเราะออกเสียก่อน

ผลต่างกันชัดเจนมาก เสียงที่ได้ยังไม่ใช่ผมแบบถอดสำเนา แต่จังหวะการเว้นวรรคใกล้ขึ้น น้ำหนักคำไม่ลอย และเสียงท้ายประโยคไม่กระโดดไปมาเหมือนรอบแรก จากเดิมที่ฟังแล้วรู้สึกแปลกภายในห้าวินาที รอบใหม่ผมฟังต่อได้เป็นนาทีโดยไม่รู้สึกว่ามีคนอื่นมาพูดแทน

ผมแก้ไฟล์เสียงพลาดตรงไหนบ้าง

ความผิดพลาดรอบแรกไม่ได้มีแค่เรื่องเสียงรบกวน แต่เป็นการรีบทุกขั้นตอน ผมอยากให้เสียงเสร็จไว จึงอ่านสคริปต์จากหน้าจอไปพร้อมกับอัดเสียง พออ่านผิดก็พูดแก้ทันทีโดยไม่หยุดไฟล์ ทำให้มีคำซ้ำและเสียงสูดลมหายใจแทรกหลายจุด ตอนนั้นผมคิดว่าระบบคงแยกออกได้ว่าอะไรคือคำพูดจริง อะไรคือช่วงแก้ไข แต่ไฟล์ที่ส่งเข้าไปไม่มีบริบทแบบนั้น

รอบที่สองผมเขียนสคริปต์ใหม่เป็นประโยคที่คนไทยใช้จริง เช่น วันนี้ฝนตกหนักกว่าที่คิด เดี๋ยวค่อยออกไปซื้อของ และช่วยส่งรายละเอียดให้ผมอีกครั้งได้ไหม ประโยคเหล่านี้มีทั้งเสียงสูงต่ำและจังหวะธรรมชาติ ไม่ได้เรียงคำแข็ง ๆ เหมือนข้อความโฆษณา พอพูดด้วยน้ำเสียงปกติ ระบบก็มีข้อมูลให้จับลักษณะเสียงมากขึ้น

ผมยังทำเครื่องหมายหยุดหายใจไว้ในกระดาษด้วย ไม่ได้หมายความว่าต้องอ่านตามเครื่องหมายทุกตัว แต่ช่วยไม่ให้ผมเร่งคำติดกันเกินไป เวลาพูดภาษาไทย ถ้าเว้นวรรคผิดตำแหน่ง ความหมายยังพอเดาได้ก็จริง ทว่าทำนองเสียงจะฟังเหมือนหุ่นยนต์ทันที โดยเฉพาะประโยคที่มีคำลงท้ายอย่างครับ ค่ะ นะ และเลย

อีกเรื่องที่ผมมองข้ามคือระยะห่างจากไมโครโฟน ตอนอัดรอบแรกผมถือโทรศัพท์ไว้ในมือ บางช่วงยกขึ้นใกล้ปาก บางช่วงวางลงบนโต๊ะ ระดับเสียงจึงแกว่งโดยไม่รู้ตัว เสียงลมหายใจเข้าไมโครโฟนดังเป็นปุ ๆ และตอนขยับมือก็มีเสียงเสียดสีกับเคสโทรศัพท์ พออัดใหม่ผมวางโทรศัพท์บนผ้าขนหนูผืนเล็กเพื่อลดแรงสั่น และพูดอยู่ตำแหน่งเดิมตลอด

ถ้าจะทำตามแบบไม่ต้องมีอุปกรณ์เพิ่ม ผมแนะนำให้เลือกห้องเล็กที่มีผ้าม่านหรือชั้นหนังสือ แทนห้องโล่งที่มีพื้นกระเบื้อง เสียงในห้องโล่งจะสะท้อนกลับมาเป็นหางบาง ๆ ซึ่งเราอาจไม่ได้ยินตอนพูดสด แต่ระบบจะรับเข้าไปพร้อมเสียงหลัก หากจำเป็นต้องอัดนอกบ้าน ให้หามุมที่ไม่มีลมปะทะและหลีกเลี่ยงช่วงที่มีรถผ่านต่อเนื่อง อย่าเชื่อว่าการใช้เสียงดังจะช่วยกลบเสียงรอบข้าง มันมักทำให้เสียงแข็งและฟังเหนื่อยกว่าเดิม

หลังเตรียมไฟล์ใหม่ ผมเข้าไปที่ ฟรีเสียงโคลน ของ VoxClone ซึ่งใช้งานผ่านเว็บและไม่ต้องสมัครสมาชิก ผมอัปโหลดไฟล์ที่ฟังตรวจแล้ว จากนั้นนำข้อความสั้น ๆ มาทดลองก่อน ไม่ได้เริ่มด้วยสคริปต์ยาวห้านาที เพราะอยากแยกให้ออกว่าปัญหาอยู่ที่เสียงต้นฉบับหรือข้อความ ถ้าประโยคสั้นยังเพี้ยน การส่งข้อความยาวขึ้นก็ไม่ได้ช่วยอะไร

ผมทดสอบเสียงเดียวกันด้วยข้อความสามแบบ แบบแรกเป็นประโยคบอกเล่า แบบที่สองเป็นคำถาม และแบบที่สามเป็นประโยคที่มีตัวเลขกับชื่อสถานที่ ผลคือเสียงบอกเล่าดีที่สุด ส่วนคำถามต้องใส่เครื่องหมายคำถามและเขียนประโยคให้ชัด ไม่ควรใช้การตัดคำแบบแชตจนระบบเดาน้ำเสียงผิด ส่วนตัวเลขควรลองเขียนเป็นคำอ่านภาษาไทยก่อน เพราะการอ่านเลขติดกันหลายหลักบางครั้งฟังแข็งกว่าการพูดตามธรรมชาติ

จากนั้นผมลองใช้ ออนไลน์ข้อความเป็นเสียง เพื่อทำเสียงประกอบคลิปสั้น ความแตกต่างที่ได้ยินชัดคือรอบใหม่ไม่พยายามทำเสียงให้ตื่นเต้นเกินจริง น้ำหนักยังอยู่ใกล้การพูดปกติของผม ทำให้เอาไปวางกับวิดีโอ Facebook หรือคลิปแนะนำสินค้าได้ง่ายกว่า ถ้าเป็นงานเสียงเรียกเข้า ผมจะตัดข้อความให้สั้นและเว้นจังหวะให้ชัด ใครกำลังหาโหลดเสียงเรียกเข้า ไอ โฟน ฟรี ก็ควรฟังไฟล์ผ่านลำโพงเครื่องจริงก่อนนำไปใช้ เพราะเสียงที่ดีในหูฟังอาจเบาหรือทึบเมื่ออยู่บนโทรศัพท์

ผมเจอเรื่องน่าสนใจตอนลองทำเสียงตัวอย่างหลายแนว คำศัพท์เฉพาะอย่าง โฟล์คลิฟท์ ถ้าอ่านเร็วจะมีเสียงควบกล้ำที่ไม่ชัด ผมจึงเขียนประโยคเต็มว่า พนักงานตรวจสอบโฟล์คลิฟท์ก่อนเริ่มงานทุกเช้า แทนการใส่คำเดี่ยว ๆ วิธีนี้ช่วยให้จังหวะรอบคำเป็นธรรมชาติกว่า และยังทำให้รู้ว่าระบบจะอ่านคำเฉพาะในบริบทจริงอย่างไร

ส่วนคำค้นที่เป็นชื่อหน่วยงานหรือบริษัท เช่น บริษัท เฟิร์ส เทคโนโลยี่ จํากัด บริษัท เฟิร์สโกลฟ อินเตอร์เนชั่นแนล จํากัด บริษัท เลิฟ อินโนเวชั่น เอ็นจิเนียริ่ง จํากัด และ บริษัท โปรเฟสชั่นแนล เมดิคอล ซายน์ จํากัด ผมไม่รีบเอาไปใช้ในประโยคเดียวกัน เพราะชื่อยาวทำให้จังหวะเสียงแน่นเกินไป ผมแบ่งทดสอบทีละชื่อ แล้วฟังว่าคำว่า เทคโนโลยี่ อินเตอร์เนชั่นแนล และ เอ็นจิเนียริ่ง ถูกเน้นแบบที่ต้องการหรือไม่

ชื่อ เวฟสหคลินิก บริษัท ซินโฟเนียร์ เทคโนโลยี ประเทศไทย จํากัด และ บริษัท เทคโนเซล เฟรย์ จํากัด ก็เช่นกัน หากเป็นงานประชาสัมพันธ์จริง ควรตรวจการสะกดและการออกเสียงกับเจ้าของชื่อก่อนนำไปเผยแพร่ เสียงที่ฟังลื่นแต่เรียกชื่อองค์กรผิดยังถือว่าใช้งานไม่ได้อยู่ดี โดยเฉพาะคลิปที่เผยแพร่ต่อสาธารณะหรือใช้ในงานของบริษัท

สิ่งที่ผมทำเพิ่มคือเก็บไฟล์ต้นฉบับแยกจากไฟล์ที่สร้างเสร็จ ไม่ตั้งชื่อรวมกันมั่ว ๆ แต่ใช้ชื่อประมาณ ห้องเงียบ_ประโยคธรรมดา และ ห้องกาแฟ_ทดลองเก่า เพื่อย้อนกลับไปดูได้ว่าความแตกต่างมาจากไหน วิธีนี้ช่วยมากตอนต้องทำเสียงเพิ่มในอีกหลายสัปดาห์ต่อมา เพราะผมกลับไปใช้เงื่อนไขเดิมได้ ไม่ต้องเดาใหม่ว่าเคยนั่งตรงไหนหรือพูดห่างไมโครโฟนเท่าไร

เรื่องข้อมูลส่วนตัวก็ไม่ควรมองข้าม ถ้าไฟล์มีชื่อจริง ที่อยู่ เลขโทรศัพท์ หรือบทสนทนาของคนอื่นติดมาด้วย ผมจะตัดออกก่อนอัปโหลดทุกครั้ง และไม่ใช้เสียงของคนอื่นโดยไม่ได้รับอนุญาต สำหรับงานที่เกี่ยวข้องกับลูกค้า ผมจะตรวจแนวทางตาม พ.ร.บ.คุ้มครองข้อมูลส่วนบุคคล (PDPA) และขอความยินยอมให้ชัดเจน การมีเครื่องมือฟรีไม่ได้แปลว่าเรานำเสียงของใครไปใช้แบบไหนก็ได้

คำถามที่ผมเจอบ่อยหลังลองใหม่

ต้องอัดเสียงนานแค่ไหนถึงจะเริ่มทดลองได้

ไม่จำเป็นต้องอัดยาวจนรู้สึกเมื่อยปาก แต่ไฟล์ต้องมีประโยคหลากหลายและบันทึกในสภาพแวดล้อมเดียวกัน ถ้ามีเวลาน้อย ผมจะเริ่มจากเสียงสะอาดประมาณหนึ่งถึงสามนาที พูดชัดด้วยความเร็วปกติ และฟังย้อนกลับทุกช่วงก่อนอัปโหลด สิ่งสำคัญกว่าจำนวนวินาทีคือคุณภาพของเสียงกับความสม่ำเสมอของระยะห่างจากไมโครโฟน

ถ้าอัดได้แค่ไม่กี่ประโยค ก็ควรเลือกประโยคที่มีสระและวรรณยุกต์หลากหลาย ไม่ใช่พูดคำเดิมซ้ำหลายรอบ ประโยคสั้นเหมาะกับการลองระบบครั้งแรก แต่ถ้าต้องการเสียงสำหรับงานจริง ผมจะเพิ่มประโยคคำถาม ประโยคยาว และคำที่ตัวเองมักออกเสียงเร็ว เพื่อให้เห็นข้อจำกัดตั้งแต่ต้น

เสียงในห้องเงียบต้องเงียบสนิทแค่ไหน

ห้องไม่จำเป็นต้องเงียบจนได้ยินแค่เสียงหัวใจ แต่ควรไม่มีเสียงที่ดังเป็นระยะหรือเปลี่ยนระดับตลอดเวลา เสียงแอร์เบา ๆ ที่คงที่อาจจัดการง่ายกว่าเสียงรถมอเตอร์ไซค์ที่ดังขึ้นแล้วหายไปกะทันหัน ทว่าผมยังเลือกปิดอุปกรณ์ที่ไม่จำเป็นอยู่ดี เพราะเมื่อเอาเสียงไปใช้กับข้อความหลายแบบ เสียงพื้นหลังเดิมอาจโผล่ชัดในบางประโยค

ลองอัดช่วงเงียบประมาณสิบวินาทีก่อนพูด แล้วฟังผ่านหูฟัง ถ้าได้ยินเสียงฮัม เสียงพัดลม หรือเสียงคนคุยชัดจนรบกวน ก็ควรเปลี่ยนมุมอัด ไม่ใช่หวังว่าระบบจะลบทุกอย่างให้หมด วิธีที่ง่ายที่สุดคืออัดใหม่ในเวลาที่คนและรถน้อยลง

ทำไมเสียงที่สร้างจากข้อความเดียวกันถึงไม่เหมือนกันทุกครั้ง

ความรู้สึกของผู้ฟังไม่ได้ขึ้นกับน้ำเสียงอย่างเดียว แต่ขึ้นกับการเขียนข้อความ เครื่องหมายวรรคตอน การสะกดชื่อเฉพาะ และจังหวะที่ระบบตีความด้วย ถ้าเปลี่ยนจากประโยคบอกเล่าเป็นประโยคคำถาม ผลที่ได้ก็อาจต่างกันมาก แม้ใช้เสียงต้นฉบับเดียวกัน

ผมจึงไม่ตัดสินจากตัวอย่างประโยคเดียว แต่จะทำชุดทดสอบสั้น ๆ แล้วฟังบนหูฟังและลำโพงโทรศัพท์ ถ้าต้องใช้กับวิดีโอ TikTok, YouTube, Facebook หรือข้อความเสียงใน LINE ผมจะฟังในสถานที่ที่คนดูน่าจะฟังจริงด้วย เพราะเสียงที่คมเกินไปอาจฟังสบายในห้องเงียบ แต่บาดหูเมื่อเปิดผ่านลำโพงเล็ก

ใช้เสียงโคลนกับงานของคนอื่นได้หรือไม่

ควรใช้เสียงของตัวเอง หรือเสียงของผู้ที่ให้ความยินยอมอย่างชัดเจนเท่านั้น อย่านำคลิปเสียงจากรายการ ข่าว หรือบัญชีสาธารณะมาใช้เพียงเพราะดาวน์โหลดได้ง่าย และอย่าใช้เสียงที่สร้างขึ้นเพื่อทำให้คนอื่นเข้าใจผิดว่าเป็นคำพูดจริงของบุคคลนั้น

ผมมองว่าเครื่องมืออย่าง VoxClone เหมาะกับงานสร้างสรรค์ที่เราควบคุมเนื้อหาได้ เช่น เสียงบรรยายคลิป เสียงสาธิตขั้นตอน หรือเสียงทดลองสำหรับงานส่วนตัว ก่อนเผยแพร่จริงควรตรวจทั้งข้อความ สิทธิ์ในเสียง และข้อมูลที่หลุดติดไปกับไฟล์ หากอยากอ่านแนวทางการใช้งานเพิ่มเติม ผมเก็บ บทความและวิธีทดลองเพิ่มเติม ไว้ให้เปิดดูได้

ตอนนี้ผมยังใช้เสียงโคลนอยู่ แต่ไม่ได้คาดหวังให้มันแทนเสียงจริงทุกสถานการณ์ ถ้างานต้องการอารมณ์เฉพาะมาก ๆ หรือมีบทสนทนาซับซ้อน ผมยังอัดเสียงด้วยตัวเอง เพราะการหยุด การหัวเราะ และน้ำหนักคำบางอย่างเกิดขึ้นเฉพาะตอนเราพูดจริง ส่วนงานที่ต้องแก้ข้อความบ่อย ๆ เสียงโคลนช่วยประหยัดเวลาได้มาก โดยเฉพาะเมื่อไฟล์ต้นฉบับสะอาดและสคริปต์เขียนเหมือนภาษาที่คนไทยใช้จริง

คราวหน้าถ้าจะลองโคลนเสียง อย่าเริ่มจากการกดสร้างเสียงทันที ให้หามุมเงียบ อัดตัวอย่างสั้น ๆ ฟังย้อนกลับ แล้วค่อยทดลองด้วยประโยคธรรมดาสามแบบก่อน