เอาคลิปเสียงยายที่อัดในครัวไปโคลนเสียง แล้วผมได้ยายที่เหมือนเป็นหวัดอยู่ในถ้ำ
เดือนกุมภาพันธ์ปีที่แล้ว ผมคิดว่าตัวเองกำลังทำอะไรโรแมนติกมาก
ยายผมอายุ 84 แล้ว พูดอีสานแบบบ้าน ๆ ที่เดี๋ยวนี้คนรุ่นผมพูดไม่ครบคำ อยากเก็บเสียงยายไว้ทำ "จดหมายเสียง" เปิดให้ทั้งบ้านฟังทุกวันสงกรานต์
ผมเลยหยิบมือถือขึ้นมาอัดครึ่งชั่วโมง — ในครัว ระหว่างที่พัดลมตั้งพื้นตัวเก่าดังแกร็ก ๆ หม้อต้มไก่เดือดปุด ๆ แล้วก็ลำโพงรถขายของที่วิ่งผ่านหน้าบ้านเป็นรอบ
เสร็จแล้วผมโยนไฟล์นั้นเข้าเครื่องมือโคลนเสียงเลย
เสียงที่ออกมา... อธิบายยังไงดี มันเหมือนยาย แต่เป็นยายที่เป็นหวัด มีอะไรค้างอยู่ในปาก แล้วก็ยืนพูดอยู่ในถ้ำ
เวอร์ชันแรก พังครับ
อย่าเพิ่งโทษเครื่องมือ โทษคลิปที่ผมป้อนเข้าไปก่อน
ปฏิกิริยาแรกของผมคือเปลี่ยนเครื่องมือ ลองไปเรื่อย ตัวที่เปิดในเว็บ ตัวที่ต้องลงโปรแกรม ตัวที่เขียนว่าตัวเองเป็นโคลนเสียงฟรี ตัวที่ต้องจ่าย ก็ลองมาหมด
ผลออกมาเหมือนกันเป๊ะ — ทุกเวอร์ชันมี "กลิ่นถ้ำ" ติดมาด้วย
ตอนนั้นแหละที่ผมยอมรับ ปัญหาไม่ใช่โมเดล ปัญหาคือครึ่งชั่วโมงขยะที่ผมป้อนให้มัน โมเดลถูกสอนให้รู้จัก "เสียงยาย" แต่ในครึ่งชั่วโมงนั้น เสียงยายมีอยู่แค่สามส่วน อีกเจ็ดส่วนคือพัดลม หม้อไก่ เสียงหมาไกล ๆ แล้วก็เสียงก้องจากกระเบื้องครัว
ป้อนอะไรไป มันก็เรียนอันนั้น มันซื่อสัตย์มาก มันนับพัดลมเป็นส่วนหนึ่งของยายไปเรียบร้อย
ผมพลาดสามข้อ ข้อหลัง ๆ โง่กว่าข้อแรก
หนึ่ง — อัดในครัว ครัวเป็นห้องที่เสียงก้องที่สุดในบ้าน กระเบื้องแข็ง หน้าต่างกระจก หม้อสแตนเลส เสียงเด้งไปเด้งมา ภาษาอีสานมันอยู่ที่รายละเอียดวรรณยุกต์ พอก้องทับเข้าไป โทนพวกนั้นแบนหมด หลังรู้ความจริงผมอัดใหม่ในห้องนอนเล็ก ๆ ปิดหน้าต่าง ปิดม่าน ปูผ้าห่มบนเตียง ผลต่างกันแบบคนละโลก
สอง — ให้ยาย "อ่านสคริปต์" ผมพิมพ์จดหมายที่ตัวเองเขียนให้ยายอ่านตาม ผลคือยายอ่านช้า ๆ แข็ง ๆ ทีละคำ ๆ เหมือนเด็กอ่านหนังสือเรียน แต่อีสานเขาไม่พูดกันแบบนั้น ตอนยายคุยกับเพื่อนบ้าน เสียงเชื่อมคำ กลืนคำ ลากหางเสียง มาครบ พออ่านสคริปต์หายหมด เสียงที่โคลนออกมาจึง "มาตรฐาน" จนไม่เหมือนยาย
สาม — คิดว่ายิ่งอัดนานยิ่งดี ผมอัดครึ่งชั่วโมง คิดว่าวัตถุดิบเยอะไว้ก่อน ความจริงคือส่วนที่สะอาดจริงไม่ถึงสิบนาที ที่เหลือคือเสียงรบกวนกับช่วงเงียบ แล้วมือถือก็วางใกล้เตา บางทีใกล้ บางทีไกล ระดับเสียงขึ้น ๆ ลง ๆ ป้อนแบบนี้โมเดลได้แค่โครงคร่าว ๆ
วันที่อัดใหม่ ผมทำแค่นี้
ผ่านไปอาทิตย์หนึ่ง ผมพายายไปนั่งห้องเล็ก ๆ ฝั่งทิศเหนือที่บ้านพี่สาว คราวนี้ผมไม่พลาดซ้ำ
- ตั้งมือถือบนขาตั้ง ห่างจากปากประมาณ 20 เซนติเมตร แล้วไม่ขยับเลยตลอดการอัด
- ปิดหน้าต่าง ปิดแอร์ ปิดม่าน เปิดโหมดเครื่องบิน
- ไม่ให้อ่านสคริปต์ เปลี่ยนเป็นผมถาม ยายเล่า — "แต่ก่อนสงกรานต์ทำอะไร" "แม่ยายด่าลูกยังไง"
- อัดรอบละ 5–8 นาที ฟังกลับทันที เจอเสียงรบกวนก็ลบแล้วเริ่มใหม่
- รวมได้วัตถุดิบสะอาดประมาณ 20 นาที แบ่งอัดสี่รอบ
ระหว่างนั้นผมลองเอาแปลงข้อความเป็นเสียงพูดมาฟังจดหมายก่อน — ก็มันเป็นข้อความเป็นเสียง ฟรี ลองผิดไม่มีต้นทุน ขั้นนี้สำคัญนะ คำอย่าง "อือ" "โอ้ย" "เจ้าว่าบ่" มันคือหัวใจของจดหมาย ต้องไปอยู่ถูกที่
ตอนซิงก์จริง ผมอัปโหลด 20 นาทีนั้น รอไม่กี่นาที ประโยคแรกที่ออกมา พี่สาวผมที่นั่งข้าง ๆ นิ่งไปเลย
คำว่า "หลานเอ๊ย" หางเสียงตกลง มีความแหบ ๆ นิดหนึ่ง นั่นแหละยาย
หลังทำจดหมายเสร็จ
ผมตัดจดหมายออกเป็น 26 ท่อน ท่อนละหนึ่งสองประโยค ตั้งแต่ยายเล่าเรื่องตอนเด็กจนถึงตอนเลี้ยงผมมา พอจำนวนท่อนเยอะ ผมเลยต้องการตัวที่ทำข้อความเป็นเสียงได้ไม่จำกัด ไม่งั้นทำไปครึ่งทางแล้วค้างจะหงุดหงิดมาก ฝั่ง VoxClone เป็นการสร้างเสียงแบบไม่ต้องสมัครสมาชิก เปิดเว็บก็ใช้ได้ ไม่ต้องไปโหลดอะไรที่ขึ้นชื่อว่าโปรแกรมโคลนเสียงฟรีมาเต็มเครื่องให้วุ่นวาย อันนี้ช่วยพี่สาวผมมาก เพราะคอมที่บ้านแกไม่ได้ลงอะไรไว้เลย เปิดเว็บแล้วกดได้เลย
จริง ๆ คนที่พิมพ์หา voice clone thai free ในกูเกิล ส่วนใหญ่ก็อยากได้แบบนี้แหละ — แบบไม่ต้องสมัครสมาชิก text to speech เปิดหน้าเว็บ พิมพ์ข้อความ กดสร้าง จบ ไม่ต้องมีอีเมล ไม่ต้องมีรหัส
ถ้าอยากสร้างเสียงพูด ai ฟรีสักชุดไว้ใช้ยาว ๆ เช่นทำเป็นเสียงนักพากย์อัตโนมัติประจำช่อง แล้วเอาข้อความยัดเข้าไปให้ออกราง ๆ หลายสิบตอนจบในไม่กี่นาที อันนั้นก็เดินสาย API ได้ แต่ถ้าอย่างผมปีละครั้ง เปิดเว็บกด ๆ ก็พอ
อีกอย่าง อย่าไปบ้าความ "คมชัดสมบูรณ์แบบ" ผมลองแล้ว การเหลือเสียงหายใจนิด ๆ เสียงน้ำลายหน่อย ๆ กลับทำให้มันเหมือนเสียงคนจริงมากกว่า คลีนเกินไปจะกลายเป็นเสียงนักอ่านข่าว ไม่ใช่เสียงยาย
ถ้าผู้ใหญ่ที่บ้านสำเนียงหนักมาก วัตถุดิบสะอาดแค่ไหนก็ยังมีเพี้ยน อย่าฝืน เลือกท่อนที่แกพูดผ่อนคลายที่สุดมาฝึกเป็นหลัก ท่อนอื่นใช้เวอร์ชันภาษากลางสลับไป ครอบครัวฟังก็ไม่ขัดหู
แล้วถ้าเป็นเสียงคนอื่น ไม่ใช่ยายตัวเอง อย่าลืมเรื่อง PDPA ด้วยนะ ต้องขออนุญาตเจ้าตัวก่อน ไม่งั้นได้เสียงสวยแต่มีเรื่องตามมาทีหลัง
คำถามที่เจอบ่อย
อัดมาแล้วเสียงรบกวนเต็มไปหมด ยังพอแก้ได้ไหม
แก้ได้นิดหน่อย แต่อย่าหวังมาก ลองใช้ฟังก์ชันลดนอยซ์ในเครื่องมือเสียงพากย์ ai ฟรีที่มี หรือใช้โปรแกรมตัดต่อตัดท่อนที่ชัดว่ามีเสียงรบกวนออก เหลือไว้แต่ท่อนสะอาด ถ้าท่อนสะอาดเหลือไม่ถึงสามนาที ผมแนะนำให้อัดใหม่ — อัดใหม่ใช้เวลาสองชั่วโมง แต่ไล่ซ่อมเสียงอาจใช้สองอาทิตย์และไม่แน่ว่าจะดี
โคลนสำเนียงถิ่น กับโคลนภาษากลาง ยากต่างกันตรงไหน
ต่างกันที่ปริมาณข้อมูล ภาษากลางโมเดลเห็นเยอะ ถิ่นเห็นน้อย โดยเฉพาะถิ่นเฉพาะพื้นที่อย่างอีสาน คำเมือง หรือปักษ์ใต้ โคลนเสียงตัวเองด้วยสำเนียงถิ่นเลยไวต่อคุณภาพวัตถุดิบมาก ทุกวินาทีที่ป้อนต้อง "บริสุทธิ์" อีกอย่างระบบวรรณยุกต์ของถิ่นซับซ้อน บางโทนในภาษากลางไม่มีเลย โมเดลต้องเห็นตัวอย่างเยอะถึงจะจับได้ อัดบทสนทนาธรรมดาไว้เยอะ ๆ ดีกว่าอัดอ่านสคริปต์ร้อยเท่า
เครื่องมือฟรีทำได้ถึงระดับไหน
แล้วแต่ความต้องการ ถ้าทำจดหมายเสียงในครอบครัว หรือพากย์เสียงวิดีโอด้วย ai ฟรีให้คลิป TikTok กับ Reels ที่ลงเอง อันนี้เหลือเฟือ — ระดับของ text to speech ภาษาไทย ฟรี ตอนนี้เกินที่ผมคาดไว้เยอะ ถ้าจะทำ audiobook ด้วย ai ฟรีไว้ฟังเองในรถ ก็ทำได้สบาย แต่ถ้าจะทำพากย์ระดับงานขาย งานพรีเซนต์ลูกค้า หรือทำ audiobook ด้วย ai ฟรีที่ต้องยาวและนิ่งจริง ๆ ก็ต้องมองตัวเลือกที่จริงจังขึ้น สำหรับผม เส้นทางโคลนเสียงฟรีแบบใช้ได้ยาว ๆ มันพอสำหรับคนธรรมดา เพราะไม่เสียเงิน ต้นทุนการลองผิดต่ำ ใครอยากอ่านเพิ่มผมรวมไว้ที่หน้าอัปเดตแล้ว
อย่ารอ
ยายผมจากไปเมื่อฤดูใบไม้ร่วงปีก่อน
จดหมายเสียงชุดนั้นตอนนี้อยู่ในมือถือผม และสำรองไว้อีกชุดบนคลาวด์ วันสงกรานต์ปีนี้ที่ผมเปิดให้ฟัง แม่ผมร้องไห้ หลานตัวเล็กถามงง ๆ ว่า "ใครพูด"
แกฟังไม่รู้เรื่อง แต่มันไม่เป็นไร อีกหน่อยโตขึ้น ผมจะบอกแกว่า นี่คือเสียงทวด เสียงภาษาบ้านเกิดของทวด
ถ้าบ้านคุณมีผู้ใหญ่แบบนี้อยู่ อย่ารอ เลือกบ่ายที่เงียบ ๆ สักวัน ปิดแอร์ ตั้งมือถือให้ดี แล้วถามแกสักคำว่า "แต่ก่อนสงกรานต์ทำอะไร" ที่เหลือ ปล่อยให้เครื่องมือจัดการ