เอาคลิปอัดเสียงบนรถไฟฟ้าไปโคลนเสียงแล้วพัง ฉันเลยใช้ TTS ฟรีแปลงชีท 80 หน้าเป็นเสียงฟังตอนนั่ง BTS

เรื่องมันเริ่มจากความขี้เกียจของฉันเอง เมื่อเดือนที่แล้วอาจารย์แจกชีทเรียน 80 หน้า เป็น PDF ตัวอักษรแน่นจนตาลาย นั่งอ่านบนรถไฟฟ้าไม่ถึงสิบห้านาทีก็ปวดหัวแล้ว ฉันเลยคิดว่าถ้าใช้โคลนเสียงฟรีทำเสียงตัวเองขึ้นมา แล้วให้ "ฉัน" อ่านให้ฟังระหว่างนั่ง BTS ไปทำงานน่าจะดี

คิดว่าฉลาด... จริงๆ โง่มาก

เอาคลิปอัดบน BTS ไปโคลนเสียง พังแบบไม่เหลือซาก

คลิปที่ฉันอัดคือตอนเช้า ช่วง rush hour บน BTS สายสุขุมวิท สามนาทีสิบสองวินาที ฉันยืนเกาะเสา เอามือถือจ่อปาก อ่านบันทึกที่ตัวเองเขียนไว้ รู้สึกว่าตัวเองฉลาดมากที่ใช้เวลารถติดให้เป็นประโยชน์

เสียงที่ออกมาประโยคแรกโอเคอยู่ พอประโยคที่สองเริ่มแปลก มันเหมือนมีคนเอาหมอนอุดปากเสียงฉันไว้ มีเสียงอู้ๆ ต่ำๆ อยู่ข้างหลัง พอถึงประโยคที่สี่... มีเสียงผู้หญิงพูดแทรกขึ้นมาว่า "สถานีต่อไป อโศก" ฉันฟังซ้ำสามรอบถึงแน่ใจว่า AI มันเอาสียงประกาศสถานีไปเรียนรู้เป็นส่วนหนึ่งของเสียงฉันจริงๆ

นั่งงงอยู่ครึ่งบ่าย ใช้เครื่องมือโคลนเสียงตัวเองออนไลน์ทั้งที ทำไมได้เสียงนักประกาศรถไฟฟ้ามาแทน

รีวิวความผิดพลาดสามข้อที่ฉันคิดว่าไม่เป็นปัญหา

เสียงรบกวนไม่ใช่ "ฉากหลัง" มันคือ "ลายนิ้วมือ" — นี่คือความผิดพลาดที่เจ็บที่สุด ฉันคิดว่า AI จะแยกเสียงคนออกจากเสียงแวดล้อมได้ แต่มันไม่ใช่ มันเรียนรู้ลักษณะทางสถิติของทั้งคลิป — เสียงเครื่องยนต์ ความถี่ต่ำของรถไฟฟ้า เสียงคนคุยข้างๆ เสียงลมจากมือถือ — ทั้งหมดถูกป้อนเข้าโมเดลว่า "นี่คือเสียงของคุณ" วัตถุดิบสกปรก ผลลัพธ์ก็สกปรก ไม่มีข้อยกเว้น

ความยาวกับจังหวะการพูดสำคัญกว่าตัวโทนเสียง — สามนาทีของฉัน มีตั้งสองนาทีที่ฉันพูดเสียงเบาเพราะกลัวคนอื่นมอง จังหวะพูดก็เร็วบ้างช้าบ้าง โมเดลได้ตัวอย่างสั้นๆ ที่ไม่นิ่ง เลยได้เสียงที่เหมือนไม่เหมือน ต่อมาเลยเข้าใจว่าไม่ว่าจะใช้โปรแกรมโคลนเสียงฟรีหรือเสียเงิน ด่านคุณภาพวัตถุดิบก็ต้องผ่านทั้งนั้น

ระบบตัดเสียงรบกวนของมือถือช่วยแบบผิดทาง — ระบบตัดเสียงสายเรียกเข้าถูกออกแบบมาให้ "ฟังรู้เรื่อง" มันจะตัดฮาร์โมนิกบางส่วนของเสียงคนออก ใช้โทรศัพท์ดี แต่ใช้โคลนเสียงคือหายนะ — ฮาร์โมนิกหายไป โทนเสียงก็แบน

พอเข้าใจสามข้อนี้ ฉันเลยกลับไปเริ่มใหม่ที่หน้า โคลนเสียง คราวนี้ทำแบบจริงจัง

อัดใหม่: ตู้เสื้อผ้า ผ้าห่ม สามนาที

ฉันมุดเข้าไปในตู้เสื้อผ้า เอาผ้าห่มฤดูหนาวมาวางข้างๆ เป็นตัวดูดซับเสียง เปิดโหมดเครื่องบิน มือถือห่างจากปากยี่สิบเซนติเมตร ไม่จ่อ อ่านข้อความที่เขียนเอง ประโยคยาวสั้นสลับกัน จังหวะช้ากว่าปกตินิดหน่อย

สามนาที แค่นั้น

เสียงที่ออกมาคราวนี้ ฉันฟังเองยังรู้สึกแปลก — ใครฟังเสียงตัวเองก็รู้สึกแบบนั้น — แต่แม่ที่ยืนข้างๆ พูดว่า "นี่มันเสียงลูกนี่" โอเค ผ่าน

แล้วถึงเข้าเรื่องจริง: เปลี่ยนชีทเรียนให้เป็นเสียงที่ฟังได้ แปลงข้อความเป็นเสียงพูดฟรีเรื่องนี้ ง่ายกว่าที่คิดเยอะ

โยน PDF เข้าไปตรงๆ ไม่ได้ ฉันเลยทำหลายอย่าง: ลบหัวกระดาษ ท้ายกระดาษ เลขหน้า เชิงอรรถ ออกให้หมด; สูตรกับตารางแยกออกมา แล้วเขียนบรรยายเป็นประโยคแทน ("ตรงนี้เป็นตารางเปรียบเทียบสามแถวสองคอลัมน์ ด้านซ้ายเป็นวิธี ด้านขวาคือความแม่นยำ"); ใส่คำว่า "ส่วนที่หนึ่ง" ไว้หน้าหัวข้อใหญ่ทุกอัน ให้หูมีป้ายบอกทาง

ข้อความล้วนที่ผ่านการจัดการแล้ว โยนเข้า แปลงข้อความเป็นเสียงพูด เลือกเสียงที่เพิ่งโคลนเสร็จ แบ่ง段落生成 เรื่องที่ว่าข้อความเป็นเสียงฟรี ตอนแรกฉันก็ครึ่งเชื่อครึ่งไม่เชื่อ ใช้แล้วถึงรู้ว่าไม่คิดเงินจริง ชีท 80 หน้าแบ่งเป็นสิบเอ็ดท่อน ท่อนละเจ็ดแปดนาที พอดีกับระยะทางนั่งรถไฟฟ้าไปทำงานหนึ่งรอบ

ตอนได้ยินเสียงตัวเองอ่านคำว่า "การอนุมานแบบเบย์" ความรู้สึกมันแปลกดี พูดง่ายๆ คือเอาเสียงพากย์ AI ฟรีมาใช้เป็นเครื่องอ่านหนังสือ แค่เปลี่ยนคนอ่านเป็นตัวเอง

รายละเอียดที่รู้ก็ต่อเมื่อลองเอง:

  • วัตถุดิบสั้นแต่สะอาด ดีกว่ายาวแต่มีเสียงรบกวน สามนาทีเสียงเงียบๆ ดีกว่าสามสิบนาทีที่อัดในห้องประชุม
  • อย่าแปลงยาวเกินไป ท่อนเดียวเกินสิบห้านาที ฟังแล้วเหนื่อย กลางทางก็หยุดพักไม่ได้
  • ตัวเลขกับตัวย่อ เขียนใหม่ก่อน "2024" เขียนเป็น "สองพันยี่สิบสี่" "AI" เขียนเป็น "เอ ไอ" ไม่งั้นอ่านออกมาแปลก
  • ก่อนสร้างจริง ลองฟังสิบวินาทีก่อน จะได้ไม่ต้องรอทั้งท่อนแล้วเพิ่งรู้ว่าเลือกเสียงผิด

พอ流程นี้ใช้ได้ ฉันเลยไป演示ให้เพื่อนที่ทำงานอาสาช่วยผู้พิการฟัง 场景ของเขาหนักกว่าฉันเยอะ — ผู้พิการทางสายตาต้องฟังตำรา งานวิจัย เอกสารนโยบาย บางทีเป็นร้อยหน้า สำหรับเขาแล้ว เรื่องที่ว่าไม่ต้องสมัครสมาชิก text to speech กับแปลงข้อความเป็นเสียงไม่จำกัด สำคัญกว่าเสียงเหมือนหรือไม่เหมือนเยอะ

ตอนแรกฉันคิดจะหา API สร้างเสียงพูดฟรีมาเขียนสคริปต์รันเป็นชุด ต่อมาพบว่าทำในหน้าเว็บเร็วกว่า เลยไม่เสียเวลา VoxClone ตรงที่ฉันพอใจคือไม่ต้องสมัคร เปิดมาใช้ได้เลย วิธีโคลนเสียงออนไลน์แบบไม่ต้องสมัครนี้ เหมาะกับคนที่ใช้เป็นครั้งคราวมาก โคลนเสียงออนไลน์ฟรีกับแปลงข้อความเป็นเสียงฟรีอยู่ในเว็บเดียวกัน ไม่ต้องสลับไปมา พอเรื่องเสียงพูดสังเคราะห์ฟรีเป็นจริงได้ คุณก็เอาสียงตัวเองไปเป็นเครื่องอ่านที่เรียกใช้ซ้ำได้ไม่จำกัด อ่านกี่หน้าก็ไม่เสียดาย

เว็บประกาศว่าโคลนเสียงฟรีตลอดชีพ ฉันใช้มาครึ่งปี ไม่เคยเจอเก็บเงินกระทันหันหรือโควตาหมด แต่รายละเอียดก็ดูตามที่เว็บไซต์บอก

คำถามที่พบบ่อย

เสียงที่โคลนออกมาไม่เหมือนเรา ทำไงดี?

น่าจะเป็นปัญหาวัตถุดิบ ไม่ใช่ปัญหาเครื่องมือ กลับไปเช็คสามอย่าง: ในคลิปมีคนอื่นพูดหรือเปล่า มีเสียงพื้นหลังต่อเนื่องไหม จังหวะพูดเร็วช้าสลับกันหรือเปล่า อีกจุดที่คนมักมองข้าม — อารมณ์ ถ้าตอนอัดคุณอ่านข้อความที่ตื่นเต้นเร้าใจ เสียงที่ออกมาก็จะดูตื่นเต้น พออ่านชีทเรียนเลยดูแปลก อัดวัตถุดิบด้วยน้ำเสียงที่พูดปกติ อย่าแสดง

สูตร ตาราง กราฟ ในชีทจัดการยังไง?

อย่าหวังให้ TTS อ่านออก วิธีของฉันคือแปลงเป็นคำบรรยาย口语 แทรกในตำแหน่งที่ตรงกัน สูตรอ่านว่า "ซิกม่า จาก i เท่ากับหนึ่งถึง n" ตารางอ่านว่า "ตารางนี้มีสามแถว แถวแรกคือ..." โค้ดข้ามไปเลย อ่านแค่ "ตรงนี้มีโค้ด ดูต้นฉบับหน้า..." ฟังดูทื่อๆ แต่หูตามทัน

เครื่องมือออนไลน์ไม่ต้องสมัคร มีจำกัดจำนวนครั้งไหม?

ฉันใช้มาครึ่งปีไม่เคยเจอ แต่策略ของเว็บอาจเปลี่ยน ดูตามที่เว็บบอก ข้อแนะนำของฉันคืออย่าใส่ไข่ในตะกร้าเดียว — เอกสารยาวสำคัญ พอสร้างเสร็จก็โหลดไฟล์เสียงเก็บไว้ในเครื่องเลย ปลอดภัยสุด ว่าแต่ในบทความเพิ่มเติมก็มีแนวคิดจัดการเอกสารยาวแบบนี้ น่าอ่านอยู่

ถ้าคุณมีเอกสารยาวๆ ที่เห็นแล้วปวดหัว — ชีทเรียน งานวิจัย เอกสารนโยบาย คู่มือสินค้า — คืนนี้ก็เริ่มได้เลย หาที่เงียบๆ สักมุม อัดเสียงตัวเองสามนาที พูดช้าลงหน่อย เขียนประโยคเป็น口语 แล้วไปลองที่ โคลนเสียงฟรี

อย่าทำแบบฉัน อย่าอัดบนรถไฟฟ้า