เพื่อนถามว่าเสียง NPC ในเกมเป็นคนพากย์จริงไหม? ผมยิ้ม—โคลนเสียงฟรีทำได้ขนาดนี้เลย
เมื่อวานนั่งเล่นเกมกับเพื่อนใน Discord จู่ๆ เพื่อนก็อุทานขึ้นมาว่า "เฮ้ย เสียง NPC นี้คนพากย์จริงป้ะ? มันธรรมชาติเกินไปแล้วว่ะ!"
ผมได้แต่ยิ้ม—เพราะเสียงนั้นคือผมสร้างด้วย โคลนเสียงฟรี ใช้เวลาไม่ถึงสิบนาทีด้วยซ้ำ
实话บอกเลย เมื่อหกเดือนก่อนผมเองก็ไม่เชื่อว่า AI จะทำได้ขนาดนี้ แต่พอได้ลองใช้ แปลงข้อความเป็นเสียงพูด เว็บนี้ที งานพากย์ในโปรเจกต์เกมของผมก็เปลี่ยนไปตลอดกาล
จากเสียงหุ่นยนต์ ไปถึงเสียงมีชีวิต แค่โคลนเสียง
ช่วงแรกผมก็ใช้ TTS ของค่ายใหญ่ๆ นะ ฟังแล้วยังไงยังไง—แบบรู้ทันทีว่าเป็น AI โดยเฉพาะเวลามีตัวละครหลายตัวคุยกัน เสียงทุกตัวเหมือนกันหมด ผู้เล่นบ่นกันระงมว่า "ออกจากโลก"
จนมาลอง โคลนเสียงตัวเอง เริ่มจากอัดเสียงตัวเองสามประโยคเป็นวัตถุดิบ แล้วจัดสรรเสียงให้แต่ละ NPC—ผู้ใหญ่บ้านใช้เสียงทุ้มต่ำห้าวๆ นางฟ้าป่าใช้เสียงใสมีหางเสียง ตัวร้ายก็กดเสียงต่ำเพิ่มลมหายใจ
ผลคือเพื่อนที่เล่นเกมด้วยกันเดินมาถามว่าผมไปจ้างนักพากย์มืออาชีพมาจากไหน
พูดตรงๆ มันฉลาดกว่าที่คิดมาก ไม่ใช่แค่เปลี่ยนระดับเสียง แต่ยังจำลองน้ำเสียง การหยุด การหายใจด้วย ผมแยกบทพูดออกเป็นท่อนๆ ใส่แท็กอารมณ์ต่างกัน เสียงที่ออกมาเหมือนมี "การแสดง" แฝงอยู่
หลุมที่เคยเจอ: อย่าคิดว่าโคลนเสียงคือเครื่องอัดเสียง
ครั้งแรกที่ใช้ ผมโลภมาก อยากโคลนเสียงห้าตัวละครในทีเดียว
ผลคือเสียงทุกตัวเบลอหมด เหมือนห้าคนใช้ปากเดียวกัน มาถึงเพิ่งเข้าใจว่า สร้างเสียงพูด ai ฟรี ต้องให้ reference audio พอเพียง—แต่ละตัวละครอย่างน้อย 15 วินาที เสียงต้องสะอาด ไม่มีเสียงรบกวน อารมณ์ควร保持一致
อีกครั้งหนึ่ง ผมลองเอาเสียงจากเกมจริงไปโคลน เกือบโดนใบเตือนลิขสิทธิ์เอาวันนี้เลย
ตอนนี้เลยอัดเสียงเอง หรือไม่ก็ใช้เสียงตัวอย่างที่มีในเว็บ—ที่สำคัญ โคลนเสียงฟรี นี้ไม่ต้องสมัครสมาชิก เปิดมาใช้ได้เลย อัดเสร็จลากไฟล์เข้าไป จบ
เทคนิคพากย์หลายตัวละครแบบใช้จริง
ขั้นตอนที่ผมใช้อยู่ตอนนี้:
- เขียนบท แยกตัวละคร
- เลือกเสียงพื้นฐานให้แต่ละตัว (ในเว็บมีให้เลือกหลายสิบแบบ)
- ปรับความเร็ว ระดับเสียง ความเข้มข้นของอารมณ์
- จุดสำคัญคือ "ยึดตัวละครไว้"—ตัวละครเดียวกัน ใช้โมเดลโคลนเสียงเดียวกันทุกครั้ง ห้ามสลับ
อ้อ อีกอย่าง โคลนเสียงอ่านข้อความยาว ฟีเจอร์นี้เหมาะกับบทพูดยาวๆ มันตัดจบประโยคให้อัตโนมัติ ธรรมชาติกว่าที่ผมมานั่งใส่เครื่องหมายวรรคตอนเองเยอะ
ความจริงเรื่อง "ฟรี" ที่หลายคนสงสัย
"ฟรีตลอดไปจริงเหรอ?" ผมก็เคยถามแบบนี้แหละ
ใช้มาหนึ่งเดือนกว่า ไม่เสียเงินสักบาท ไม่มีจอ pop-up ขอเงิน แต่จำไว้ว่าเวอร์ชันฟรีมีขีดจำกัดจำนวนตัวอักษรต่อวัน พอสำหรับพากย์เสียงสองสามชั่วโมง
สำหรับ โคลนเสียง nice voice เวอร์ชันนี้ คุณภาพเสียงสูงสุด 44.1kHz ทำเสียงเอฟเฟกต์ในเกมถือว่าเกินพอ แต่ถ้าจะทำวิทยุหรือ audiobook แนะนำให้ลอง โคลนเสียงออนไลน์ไม่ต้องสมัคร หลายๆ โมเดลเทียบกัน
ตอนนี้เครื่องมือหลักที่ผมใช้คือ โคลนเสียงฟรีเข้าสู่เว็บ นี้ เสถียร ไม่มีโฆษณากวนใจ
ทดลองจริง: พากย์ NPC "แมวน้อยจอมป่วน"
อาทิตย์ที่แล้วมีโปรเจกต์ใหม่—NPC เป็นแมวน้อย ท่าทางหยิ่งๆ แต่ปากพูดติดหวาน อย่าง "ฮึ! หนูไม่ได้รอใครนะ!" ประมาณนั้น
แรกๆ ลองใช้เสียง "少女" สำเร็จรูป ปรากฏว่าหวานเกินไป ไม่มีความ "หยิ่ง" ที่พอดี เลยลองอัดเสียงตัวเองพูดแบบหยิ่งๆ ประมาณ 20 วินาที แล้วโคลน
เสียงที่ได้ทำให้ผมเองยังอึ้งสองวิ—คำว่า "ฮึ" มีหางเสียงขึ้นเล็กน้อย แทรกด้วยเสียงจมูกบางๆ นี่แหละแมวน้อยตัวจริง
เอาเสียงไปใส่ในเกม ตอนทดสอบ เพื่อนร่วมงานเดินมาถาม "จ้างนักพากย์คนไหนมา?" ผมบอกเป็น AI เพื่อนจ้องหน้าจออยู่นาน สุดท้ายถอนหายใจ "AI นี่มันเล่นละครเก่งนะเนี่ย"
รายละเอียดเรื่อง "อารมณ์" ที่ไม่มี教程ไหนบอก
หลายคนไม่รู้ว่า เวลาโคลนเสียง แท็กอารมณ์สำคัญกว่าตัวเสียงพื้นฐานเสียอีก
เช่นประโยค "ในที่สุดเธอก็มา" ถ้าใส่แท็ก "ตกใจ" กับ "น้อยใจ" ผลลัพธ์ต่างกันราวฟ้ากับเหว ผมมีวิธีคือใส่คำใบ้อารมณ์หน้าประโยค เช่น "[ดีใจ] ในที่สุดเธอก็มา" เอนจินของเว็บเข้าใจ
อีกทริกเล็กๆ: ถ้าอยากให้เสียงดู "เหนื่อยหอบ" ให้เติมจุดไข่ปลาท้ายประโยค ปล่อยให้ TTS ยืดเสียงท้ายออกเอง ลองแล้วธรรมชาติกว่าการปรับค่าลมหายใจเองเยอะ
คำถามที่พบบ่อย
โคลนเสียงแล้วจะมี "กลิ่นอิเล็กทรอนิกส์" ไหม?
ถามดี เริ่มแรกผมก็กลัว แต่ใช้จริงแล้ว ถ้า reference audio สะอาดพอ เสียงที่ได้ในความเร็วปกติแทบไม่รู้สึกว่าเป็นเสียงสังเคราะห์ บางจังหวะลมหายใจไม่เป็นธรรมชาติ ก็เติม comma หรือ full stop เพื่อให้ TTS "หายใจ" เอง
หลายตัวละครคุยกัน จะให้เสียงไม่สะดุดได้ยังไง?
ผมจะแยกไฟล์เสียงแต่ละตัวละคร แล้วให้เกมเรียกตามเงื่อนไขในเกม วิธีนี้สลับเสียงทันทีไม่มีดีเลย์ แต่ละตัวมีอารมณ์เป็นของตัวเอง
ใช้ร้องเพลงได้ไหม?
ได้ โคลนเสียงร้องเพลง โหมดนี้ ผมลองเอาเพลงเดโม่แปลงเป็นเสียงผู้หญิง ฟังแล้วใช้ได้ แต่ร้องเพลงยากกว่าพูด ต้องใช้ reference audio ยาวกว่า และต้องปรับเสียงให้ตรงคีย์เอง
ส่งท้าย
ตอนนี้เพื่อนถามว่า "เสียง NPC ใครพากย์" ผมก็ตอบว่า "AI ฟรี ชื่อ โคลนเสียงฟรี" เพื่อนไม่เชื่อ ก็โชว์ให้ดู—อัดเสียงสองประโยค โคลน สร้างเสียงใหม่ ทั้งหมดไม่ถึงสองนาที
ถ้าสมัยสิบปีก่อน ค่าจ้างนักพากย์ขนาดนี้คงบานปลายน่าดู
แล้วคุณล่ะ มีตัวละครในเกมที่อยากลองใช้เสียงตัวเองพากย์ไหม?