โคลนเสียงฟรี 5 วินาทีพอไหม? ฉันลองทำ IVR เองจนได้บทเรียน
เมื่อสัปดาห์ก่อน เจ้าของร้านขายยาแถวบ้านโทรมาหาฉันด้วยน้ำเสียงเหนื่อยๆ เธอบอกว่า "บริษัทรับทำเสียง IVR โควตราคา 8,000 บาท รอ 2 อาทิตย์ แล้วเสียงยังเหมือนพนักงาน call center เป๊ะ ไม่ได้ความรู้สึกเป็นเราสักนิด" ฉันเลยชวนเธอลองของฟรีดู—โคลนเสียงจากตัวอย่างแค่ 5 วินาที
实话实说 ตอนแรกฉันก็คิดว่ามันจะเพี้ยนแน่ๆ เพราะเคยลอง text to speech ไทยที่ไหนก็เสียงเหมือนหุ่นยนต์อ่านข่าว แต่คราวนี้มันต่าง—เพราะเป็นเสียงของเราเอง ฉันเลยนั่งลงทดสอบกับเว็บ th.web666.cc ที่ไม่ต้องสมัครสมาชิกอะไรเลย
คำถามแรก: 5 วินาทีมันพอจริงหรือ?
ฉันอัดเสียงตัวเองพูดว่า "สวัสดีค่ะ ร้านยาสมุนไพรใกล้บ้าน ยินดีให้บริการ"—แค่นั้นจริงๆ แล้วอัปโหลดเข้าไปที่หน้า https://th.web666.cc/clone รอไม่ถึง 1 นาที มันก็สร้างเสียงจำลองออกมาให้ลองพิมพ์ข้อความได้เลย
รอบแรกฉันพิมพ์ข้อความยาวๆ ว่า "กรุณากด 1 เพื่อสั่งยา กด 2 เพื่อสอบถาม" ผลที่ได้คือ... วรรณยุกต์เพี้ยนแบบไม่น่าให้อภัย คำว่า "กรุณา" มันออกเสียงเหมือน "กะ-รุ-นา" ราวกับคนเหนือพูดภาษากลางไม่ชัด
สรุปคือ 5 วินาทีพอสำหรับสร้างเสียงจำลองได้ แต่พอเอามาอ่านข้อความยาว มันจะเพี้ยนถ้าไม่ปรับตั้งค่าอะไรเลย
เจอหลุมที่ 1: ตัวเลขคือตัวหายนะ
IVR มันต้องพูดเบอร์โทร ราคา หรือรหัสสินค้า ฉันลองพิมพ์ "โทร 089-123-4567" แล้วเสียงมันอ่าน "ศูนย์แปดเก้า" ถูก แต่พอขึ้น "หนึ่งสองสาม" มันกลายเป็น "หนึ่งร้อยยี่สิบสาม"—เพราะ AI มันคิดว่าฉันพิมพ์จำนวนเลข ไม่ใช่ตัวเลขทีละหลัก
ทางออก: ต้องเว้นวรรคระหว่างตัวเลขทุกตัว เช่น "0 8 9 - 1 2 3 - 4 5 6 7" และใส่เครื่องหมายขีดคั่นไว้ ไม่งั้นมันจะรวมเลขเป็นจำนวน
หลุมที่ 2: การเว้นวรรคเปลี่ยนความหมายทั้งหมด
ลองเปรียบเทียบสองประโยค:
- "เปิดบริการทุกวัน เวลา 8 โมง ถึง 2 ทุ่ม"
- "เปิดบริการทุกวันเวลา 8 โมงถึง 2 ทุ่ม"
เสียงที่ได้ต่างกันราวฟ้ากับเหว—ประโยคแรกมีจังหวะหายใจให้ผู้ฟังตามทัน ส่วนประโยคหลังเสียงมันรีบเร่งเหมือนพนักงานขายประกัน
ฉันเลยเริ่มใส่เครื่องหมายจุลภาคและมหัพภาคในข้อความต้นฉบับเยอะๆ แม้ในที่ที่ภาษาไทยไม่ต้องมีก็ตาม—มันเหมือนการบังคับให้ AI หยุดหายใจ
หลุมที่ 3: ความสม่ำเสมอของโทนเสียง
รอบที่ 4 ฉันลองอัดเสียงตัวอย่างเพิ่มเป็น 30 วินาที โดยพูดทั้งเสียงปกติและเสียงยิ้มๆ สลับกัน ผลคือเสียงที่โคลนออกมา... ไม่รู้จะเรียกว่าอารมณ์ไหนดี มันเหมือนคนเมายา—บางคำสูง บางคำต่ำ ไม่นิ่ง
บทเรียน: ถ้าอยากได้เสียงนิ่งๆ สำหรับ IVR ต้องอัดตัวอย่างด้วยน้ำเสียงเดียวตลอด ไม่หัวเราะ ไม่ถอนหายใจ ไม่เปลี่ยนระดับเสียง ฉันอัดใหม่รอบที่ 5 พูดเรียบๆ เหมือนอ่านข่าว 30 วินาที แล้วผลต่างกันชัดเจน
ปรับเสียงให้เป็นธรรมชาติด้วย advanced settings
เว็บนี้มีตัวเลื่อนปรับ "ระดับเสียงสูงต่ำ" กับ "ความเร็วในการพูด" ฉันลองปรับเสียงให้ต่ำลง 10% และช้าลง 5%—ผลคือเสียงมันฟังดูน่าเชื่อถือขึ้นเยอะ ไม่ใช่เสียงเด็กอ่านหนังสือ
แต่ระวัง—ถ้าปรับมากเกินไปจะกลายเป็นเสียงหุ่นยนต์ยุค 90 ฉันแนะนำให้ปรับทีละนิด แล้วฟังซ้ำหลายๆ รอบ
สิ่งที่คนไทยมักลืม: วรรณยุกต์ในชื่อเฉพาะ
ฉันลองพิมพ์ "ร้านยาสมุนไพรไทย" มันอ่านถูกต้อง แต่พอพิมพ์ "ร้านยาสมุนไพรไทย (สาขา 2)" เสียงมันอ่าน "สาขา สอง" แทนที่จะเป็น "สาขาที่สอง" ต้องพิมพ์เต็มว่า "สาขาที่ 2" ถึงจะถูก
ชื่อแบรนด์ที่มีคำว่า "เฟิร์ส" เช่น บริษัท เฟิร์ส เทคโนโลยี่ จำกัด หรือ บริษัท เฟิร์สโกลฟ อินเตอร์เนชั่นแนล จำกัด—ถ้าพิมพ์เป็นภาษาอังกฤษมันจะอ่านแบบฝรั่ง แต่ถ้าพิมพ์เป็นไทย "เฟิร์ส" มันจะอ่านถูกต้องทันที
สรุปจากประสบการณ์ 7 รอบ
สุดท้ายฉันใช้เวลาทั้งหมด 1 ชั่วโมงครึ่ง—อัดเสียงใหม่ 3 รอบ ปรับข้อความอีก 4 รอบ—ได้เสียง IVR ใช้ได้จริงโดยไม่เสียเงินสักบาท ต่างจากที่บริษัทโฆษณาเรียก 8,000 บาท แล้วยังได้เสียงที่ไม่ใช่เสียงเรา
ถ้าถามว่า 5 วินาทีพอไหม? ตอบตรงๆ ว่าพอสำหรับลองเล่น แต่ถ้าจะใช้งานจริง ฉันแนะนำให้อัด 30 วินาทีด้วยเสียงเรียบๆ และต้องทดสอบกับข้อความจริงที่จะใช้—โดยเฉพาะตัวเลขและชื่อเฉพาะ
คุณลองทำตามนี้ดูไหม? เริ่มจากอัดเสียงตัวเอง 10 วินาที พูดชื่อร้านหรือชื่อตัวเอง แล้วไปที่ https://th.web666.cc/ ลองพิมพ์ข้อความที่อยากให้เสียงพูด—เผื่อคุณจะค้นพบว่าไม่ต้องจ้างใครก็ได้เสียงแบรนด์ตัวเอง
แล้วถ้าเจอเคล็ดลับอื่น กลับมาแชร์ให้ฉันฟังบ้างนะ—ฉันยังต้องทำเสียงประกาศหน้าร้านกับโหลดเสียงเรียกเข้า ไอ โฟน ฟรี อยู่อีกหลายโปรเจกต์
หมายเหตุ: ฉันไม่ได้เชี่ยวชาญด้านบริษัท โปรเฟสชั่นแนล เมดิคอล ซายน์ จำกัด หรือ เวฟสหคลินิก อะไรพวกนั้น—แค่คนทำคอนเทนต์ที่เบื่อจ่ายแพงๆ แล้วลองของฟรีดู