โคลนเสียงต้องอัดนานแค่ไหน? ผมลอง 3 วินาที 30 วินาที และ 3 นาที ผลต่างกันสุดขั้ว
สัปดาห์ที่แล้ว ผมส่งคลิปเสียงที่สร้างจากโคลนเสียงฟรี ลงในกลุ่มไลน์เพื่อน แล้วเพื่อนคนหนึ่งตอบกลับมาทันที: “เสียงนี้คนพากย์จริงป้ะ? ไปจ้างนักพากย์มาเหรอ?” ผมเกือบสำลักน้ำลาย – เพราะเสียงนั้นคือเสียงที่โคลนมาจากการอัด 3 นาทีของผมเอง เพื่อนไม่ยอมเชื่อ จนกว่าผมจะส่งไฟล์ต้นฉบับกับเวอร์ชันโคลนให้เทียบข้างกัน แล้วเขาก็อุทาน: “AI มันเนียนขนาดนี้แล้วเหรอ?”
แต่รู้ไหม กว่าจะได้ขนาดนั้น ผมเจอหลุมพรางมาเยอะ ตอนแรกคิดว่าแค่อัดไม่กี่วินาทีก็พอ ปรากฏว่าเสียงที่ได้เหมือนหุ่นยนต์อ่านข่าว แม่แท้ๆ ยังจำเสียงผมไม่ได้เลย หลังๆ มานั่งคิด ไปค้นข้อมูลเรื่องความยาวของไฟล์อ้างอิง ก็พบว่าเบื้องลึกมีอะไรซ่อนอยู่มากกว่าที่คิด
วันนี้จะเล่าประสบการณ์จริงแบบไม่ปิดบัง พร้อมกับพูดถึงเครื่องมือแปลงข้อความเป็นเสียงพูด ว่าจริงๆ แล้วต้องเตรียมเสียงตัวอย่างนานแค่ไหน
พังครั้งแรก: อัด 3 วินาที ได้เสียง “ญาติห่างๆ” ที่ไม่คุ้นหน้า
ครั้งแรกที่ลองใช้โคลนเสียงฟรี ผมขี้เกียจ อัดแค่ 3 วินาที พูดไปว่า “สวัสดี ฉันเองนะ” อัปโหลดเข้าเว็บ รอไปไม่กี่นาที พอเสียงออกมา ผมถึงกับอึ้ง – เสียงมันคล้ายผมจริงๆ แต่มันเหมือนลุงที่อยู่ต่างจังหวัด ป่วยมาสามวัน เสียงแหบๆ ยังไงไม่รู้
หลังๆ ถึงเข้าใจ อัด 3 วินาที มันจับได้แค่โทนเสียงพื้นฐาน กับจังหวะนิดหน่อย แต่นิสัยการออกเสียง การเชื่อมคำ ลมหายใจ อารมณ์ หายไปหมด เหมือนให้ช่างวาดภาพเห็นแค่รูปโปรไฟล์เบลอๆ เขาก็วาดออกมาได้แค่ “คล้ายๆ” แต่ไม่เหมือน
ตอนนั้นผมคิดว่าเป็นเพราะเครื่องมือไม่ดี เลยไปลองอีกเว็บโคลนเสียงออนไลน์ฟรี ผลคือแย่ลงไปอีก – กลายเป็นเสียงอิเล็กทรอนิกส์ เรียกได้ว่าไม่มีความใกล้เคียงเลยสักนิด ตอนนั้นเกือบถอดใจกับเส้นทาง AI สร้างเสียง
30 วินาที: จุดเปลี่ยนที่ทำให้ฟังดู “เป็นคน” แต่ยังไม่พอ
รอบที่สอง ผมเริ่มฉลาดขึ้น อัด 30 วินาที อ่านข่าวสักย่อหน้า พูดเร็วปกติ มีน้ำเสียงนิดหน่อย เสียงที่โคลนออกมาดีขึ้นชัดเจน – อย่างน้อยฟังแล้วรู้ว่าเป็นคน ไม่ใช่หุ่นยนต์ แต่ยังมีปัญหา บางคำออกเสียงเพี้ยนกระตุก เหมือนมีอีกคนมาพูดแทรกเป็นพักๆ
เอาให้เพื่อนฟัง เพื่อนบอก: “เสียงนี้เหมือนคนที่ผมรู้จัก แต่จำไม่ได้ว่าใคร” ความรู้สึก “เคยเห็นหน้า” แบบนี้ คือสิ่งที่ 30 วินาทีทำได้ มันจับโทนเสียงและจังหวะพื้นฐานได้เกือบหมด แต่การเปลี่ยนน้ำเสียง การหยุด การเน้นคำ ยังไม่ถึง
แต่ถ้าคุณแค่อยากทำเสียงพากย์คลิปสั้นๆ หรืออ่านบรรยายในวิดีโอ 30 วินาทีก็เพียงพอ เพราะสร้างเสียงพูด ai ฟรี ขนาดนี้ก็เก่งกว่าโปรแกรมเสียเงินหลายตัวแล้ว แต่ถ้าอยากได้ระดับ “เนียนจนแยกไม่ออก” ต้องเพิ่มอีก
3 นาที: ในที่สุดก็ได้ยิน “นี่แหละฉัน”
ครั้งที่สาม ผมจัดเต็ม อัด 3 นาที เป็นบทสนทนาทั่วไป มีถามมีตอบ มีหัวเราะ มีถอนหายใจ แถมแกล้งไอสองที ตอนอัปโหลดเข้าโคลนเสียงตัวเองฟรี รอนานกว่าสองครั้งก่อน แต่พอเสียงออกมา ขนลุกทั้งตัว – เสียงนั้นคือผมจริงๆ
ไม่ใช่แค่โทนเสียงที่เหมือน แต่รวมถึงนิสัยการพูด เช่น ตอนท้ายประโยคเสียงจะสูงขึ้นนิดหน่อย เวลาเร่งรีบจะพูดเร็วขึ้น รายละเอียดเล็กๆ พวกนี้ ถูกจำลองมาหมด ส่งให้แม่ฟัง แม่ไม่รู้ว่าเป็น AI ถามว่า “อัดตอนไหน จำไม่ได้เลย”
ความยาว 3 นาที ให้ข้อมูลเสียงมากพอ ทั้งฟอร์แมนต์ของสระ การเชื่อมเสียงพยัญชนะ การหยุดระหว่างประโยค อารมณ์ที่เปลี่ยนไป เปรียบเหมือนให้ช่างวาดรูปเห็นภาพหลายมุมทั้ง正面 ด้านข้าง ด้านหลัง มุมสูง มุมต่ำ เขาก็วาดได้ละเอียดสมจริง
แล้วยิ่งนานยิ่งดีไหม? ผมลอง 10 นาที ผลคือ…
คุณอาจคิดว่า 3 นาทีดีขนาดนี้ 10 นาทีต้องเพอร์เฟกต์สิ ผมลองแล้ว ปรากฏว่าพัง – ไม่ใช่เพราะเอฟเฟกต์แย่ลง แต่เพราะเสียงที่อัดมามีเสียงรบกวนเยอะ เสียงพลิกหนังสือ ลมหายใจ เสียงแป้นพิมพ์ ล้วนปนเข้ามา เสียงที่โคลนออกมา มีเสียงเบาๆ “ซ่า” ฟุ้งอยู่ตลอด สู้เสียง 3 นาทีที่สะอาดไม่ได้
สรุปคือ ไฟล์อ้างอิงยิ่งยาวไม่ได้แปลว่าดีเสมอไป สิ่งสำคัญคือ คุณภาพเนื้อหา และความเงียบของสถานที่ ถ้าใน 10 นาที มี 5 นาทีที่คุณกำลังจิบน้ำหรือกระแอม มันก็สู้การตั้งใจอ่าน 3 นาทีไม่ได้ ผมลองตัดเสียง 10 นาทีเหลือ 5 นาที โดยลบส่วนที่มีเสียงรบกวนออก ผลลัพธ์กลับมาดีเท่ากับตอน 3 นาที
ถ้าคุณอยากลองสร้างเสียงพูด ai ฟรี เพื่อโคลนเสียง คำแนะนำของผมคือ อัด 3–5 นาที ในห้องเงียบๆ ใช้ไมค์ในโทรศัพท์ก็พอ ไม่ต้องซื้อไมค์แพงๆ สำคัญคือพูดเป็นธรรมชาติ อย่าอ่านแบบท่องหนังสือ ให้เหมือนคุยกับเพื่อนทางโทรศัพท์
แล้วควรอัดนานแค่ไหน ขึ้นอยู่กับว่าจะใช้ทำอะไร
จากที่ลองมาหลายแบบ ผมสรุปคร่าวๆ (เป็นประสบการณ์ส่วนตัว ไม่ใช่ข้อมูลทางการ) ได้ดังนี้:
- ไม่เกิน 15 วินาที: ใช้ได้แค่ “ลอกเลียนโทนเสียง” เหมาะกับพากย์ตัวละคร แต่ไม่ต้องหวังว่าเสียงจะเหมือนคุณ
- ราว 30 วินาที: ใช้กับเสียงพากย์วิดีโอสั้นๆ ได้ ฟังแล้วรู้ว่าเป็น “คนๆ หนึ่ง” แต่ไม่ค่อยเหมือน “คุณ”
- 1–3 นาที: ผลโคลนใกล้เคียงคนจริง เหมาะกับทำ audiobook, พอดแคสต์ หรือแม้แต่ผู้ช่วยเสียงส่วนตัว
- เกิน 5 นาที: ถ้าไม่มีห้องอัดมืออาชีพ เสี่ยงต่อเสียงรบกวน เสียมากกว่าได้
ผมเอามาตรฐานนี้ไปลองกับข้อความเป็นเสียง ฟรี ในหลายสถานการณ์ เช่น อัดเสียงอวยพรวันเกิดเพื่อน ใช้ตัวอย่าง 30 วินาที ผลลัพธ์ดีเกินคาด แต่ตอนอัดเสียงบันทึกส่วนตัวไว้ฟังเอง ใช้ 3 นาที ผลที่ได้คือผมเองยังแยกไม่ออก
เครื่องมือฟรีทำได้ขนาดไหน? ประสบการณ์จริง
VoxClone เป็นเว็บที่ผมใช้บ่อยสุดในหมวดโคลนเสียงฟรี ไม่ต้องสมัคร – ไม่ต้องลงทะเบียน อัปโหลดเสียงแล้วใช้ได้เลย และที่สำคัญคือคำสัญญา “โคลนเสียงฟรีถาวร” ผมใช้มาเกือบครึ่งปี ไม่เคยต้องจ่ายสักบาท
แต่ของฟรีก็มีราคา: เวลาประมวลผลนานกว่าโปรแกรมเสียเงิน โดยเฉพาะไฟล์เสียงเกิน 3 นาที อาจต้องรอ 5–10 นาที แต่ผมว่าคุ้ม เพราะซอฟต์แวร์ราคาหลายพัน บางทีผลยังสู้ไม่ได้ แถมเว็บนี้รองรับแปลงข้อความเป็นเสียงไม่จำกัด ผมสร้างเสียงวันละหลายสิบไฟล์ ไม่เคยโดนจำกัดความเร็ว
อีกอย่าง มันมีAPI สังเคราะห์เสียงฟรี ด้วย ผมลองต่อเข้ากับโปรเจกต์ส่วนตัว แม้เอกสารจะไม่ละเอียด แต่พอทำสำเร็จก็รู้สึกเท่ดี ถ้าคุณเป็นนักพัฒนาลองดูได้
สุดท้าย ขอเล่าเหตุการณ์จริงอีกเรื่อง
เมื่อคืนผมต้องรีบทำรายงานโปรเจกต์ ดึกมากแล้ว ไม่อยากอ่านเอง เลยใช้เสียงที่โคลนไว้ 3 นาที พิมพ์เนื้อหารายงาน 3,000 คำเข้าไป พอเสียงออกมา ผมตั้งความเร็ว 1.2 เท่า ฟังแล้วเหมือนตัวผมกำลังนั่งประชุม พูดนำเสนออย่างมั่นใจ
วันรุ่งขึ้นเพื่อนร่วมงานถาม “แกอัดเสียงตอนไหน ฟังดูมืออาชีพจัง” ผมยิ้มไม่ตอบ แต่ในใจคิด ถ้า AI ช่วยลดงานซ้ำซากได้ครึ่งหนึ่ง ต่อให้เสียงมันเหมือนคนจริงแค่ไหน ก็อยากใช้ต่อไป
ถ้าอยากลอง อย่ารอช้า เริ่มจากการอัดเสียงพูดธรรมชาติ 3 นาที แล้วไปที่หน้าโคลนเสียงฟรี อัปโหลด พิมพ์ประโยคที่คุณพูดบ่อยๆ แล้วลองฟังดูว่า “คุณ” ในนั้นเหมือนตัวจริงไหม ฟรี ไม่เสียหาย ลองครั้งเดียวก็รู้ว่าคุ้มหรือไม่