5 วินาทีเสียงพอทำให้นิยายเสียงมีตัวละครหลายเสียงได้ไหม? ลองจริงกับ VoxClone

เมื่อคืนนี้ผมนั่งกาแฟที่คาเฟ่มุมถนนสุขุมวิท กำลังคิดจะทำ audiobook เรื่องนิยายลึกลับที่เขียนไว้หลายปีแล้ว แต่วงเงินจ้างนักพากย์มืออาชีพไม่พอ ต้องหาทางออกเอง จึงลองค้น โคลนเสียงฟรี แล้วเจอ VoxClone ที่โฆษณา "โคลนเสียงถาวร ฟรี ไม่ต้องสมัคร" — คิดว่าเล่นดูไม่เสียอะไร

เตรียมตัวอย่าง 5 วินาที: จากมือถือขึ้นเว็บ

หาห้องเงียบๆ ในคอนโด ปิดแอร์ ปิดพัดลม แล้วจับมือถือใกล้ปากประมาณ 5 เซนติเมตร อ่านข้อความตัวละครหลักประมาณ 5.2 วินาที บันทึกเป็น m4a แล้วลากวางเข้าไปที่หน้า โคลนเสียงออนไลน์ — ไม่มีป๊อปอัพขออีเมล ไม่มีข้อจำกัดขนาดไฟล์ รู้สึกเหมือนใช้เครื่องมือ ไม่ต้องสมัครสมาชิก text to speech จริงจัง

ขั้นตอนโคลน: กดปุ่ม แล้วรอไม่กี่วินาที

กด "เริ่มโคลน" แถบโหลดวิ่งจบในไม่กี่วินาที ข้อความเล็กๆ โผล่ว่า "โมเดลพร้อม ใช้งานได้เลย" ผมลองวางข้อความบทบาทนักสืบหลัก ลงไป แล้วกด 합成 (合成) — เสียงที่ออกมามีหายใจ หน่วงนิดหน่อย เหมือนคนจริงเลย ทั้งอารมณ์และลiltของเสียง

ตัวละคร A: นักสืบหนุ่ม

บทพูดนักสืบมีการหยุดพักหลายจุด ผมใส่เครื่องหมายวรรคตอนให้ชัด แล้วปรับความเร็วเป็น 0.9x และปรับพิทช์ขึ้น +0.3 — ได้เสียงอ่านนิยายที่ดูเป็นธรรมชาติ ไม่ได้มีเสียงหุ่นยนต์ ส่งออกเป็น wav แล้วดูคลื่นเสียง สะอาด ไม่มีสัญญาณรบกวน

ตัวละคร B: โจรข้ามกาลเวลา

ต้องการเสียงลึก หusk ลองใช้โมเดลเดียวกัน แต่ปรับพิทช์ลง -2.5 และช้าลงเป็น 0.85x — ได้感�น่ากลัว แต่ความละเอียดสูงหายไป บางจุดมีเสียง "ดิ้ง" เล็กน้อย เหมือน artifact ของ AI — บอกว่าโมเดลเดียวกันยังทำเสียงขั้วตรงข้ามยาก

ปรับพารามิเตอร์ซ้ำ: ลูปเล็กน้อย 10 นาที

ลองปรับพิทช์ -1.5 ความเร็ว 0.85 และใส่เงียบ 300 มิลลิวินาทีก่อนประโยคสำคัญ — artifact หายไปเยอะมาก ทำได้หมดในเบราว์เซอร์ ไม่ต้องโหลด โปรแกรมโคลนเสียงฟรี ใดๆ เข้าไป ดูเทคนิคเพิ่มเติมได้ที่ บทความแนะนำ

ทำไมตัวอย่าง 5 วินาทีเดียวกันให้ผลต่างกัน?

ครั้งแรกผมบันทึกในห้องนอนที่ปิดบานหน้าต่าง ผ้าห่มกันเสียง — ได้เสียง "แห้ง" สะอาด ครั้งหลังลองบันทึกในห้องนั่งเล่นที่เปิดแอร์ เสียงพัดลมและเสียงหายใจถูกโมเดลเรียนรู้ไปด้วย ทำให้ output มีหums ใหญ่ เรียนรู้ว่า สิ่งแวดล้อมบันทึก สำคัญกว่าความยาว: หาหมอนหรือตู้เสื้อผ้า ใกล้ปาก 5 ซม. ปิดเครื่องไฟฟ้าทั้งหมด แม้ 5 วินาที ก็พอทำให้หลังจากนี้ลดงาน noise reduction ครึ่งหนึ่ง

  • ตั้ง gain ให้ใกล้คลิปแต่ไม่ให้คลิป
  • ตัดส่วนเงียบหน้า-หลังด้วยแอปตัดต่อมือถือ
  • แปลงเป็น wav 16kHz mono ก่อนอัปโหลด — แม้เว็บรับ m4a ได้ แต่กัน error แปลกๆ

ใช้โมเดลเดิมทำหลายบท: workflow แบบ batch

ตอนมีเสียงนักสืบและโจรแล้ว ผมแยกข้อความแต่ละบทเป็น 2 ไฟล์ txt แล้วเปิดหน้า batch synthesis (จริงๆ แค่ copy-paste แล้วกด 합成 ซ้ำ) ใช้ extension auto-fill ฟอร์ม บทละ 2 ทרק ใช้เวลาไม่เกิน 5 นาที แล้ว rename ตาม "chapter01_detective" "chapter01_villain" ลากเข้า timeline ใน DaVinci Resolve — ไม่ต้อง align มือ

คงค่าความเร็วและพิทช์ไว้ตลอด: นักสืบ 0.92x +0.3 พิทช์ โจร 0.85x -2.5 พิทช์ — ทั้งเล่มฟังต่อเนื่อง ไม่มีความรู้สึก "เร็ว-ช้า" สลับกัน

ลอง 3 วินาที ดูจะเกิดอะไร

อยากรู้ขีดจำกัด จึงตัดตัวอย่างเหลือ 3 วินาที อัปโหลด — โมเดลแจ้ง "sample too short, suggest ≥4s" บังคับกดต่อ ได้เสียงสั่นที่สระ และขอบพยัญชนะมีเสียงโลหะ — ไม่ได้ใช้งานได้ จริงๆ แล้วโมเดลมี hard threshold อยู่ที่ 4-5 วินาที

ถ้ามีเฉพาะคลิปสั้นจริงๆ ให้รวม 2-3 ประโยคต่างอารมณ์กัน ใส่เงียบ 0.5 วินาทีระหว่างกัน จะได้ครอบคลุม phoneme เพียงพอ โมเดลจึงเรียนรู้เสียงได้เสถียร

วางเสียงลง timeline: ครั้งแรกที่รู้สึก "ทำได้"

วาง 2 track พร้อมเพลงพื้นหลังและเสียงสภาพแวดล้อม บทแรก 10 นาทีเสร็จในไม่กี่ชั่วโมง อัปโหลด mp3 ขึ้นแพลตฟอร์มเสียงไทย (เช่น SoundCloud, Spotify for Podcasters) — views สูงกว่าคาด 2 เท่า คอมเมนต์ถามว่า "พากย์คือใคร?" ผมแค่ยิ้ม แล้วบอกว่า "AI ช่วยพากย์ ฟรี ไม่ต้องสมัคร" — เพื่อนๆ ก็ขอลิงก์ เว็บแปลงข้อความเป็นเสียงพูด ไปลอง

สรุปสั้นๆ

  • 5 วินาทีพอถ้าบันทึกสะอาด ใกล้ไมค์ ปิดแอร์
  • โมเดลเดียวกันทำหลายตัวละครได้ แต่วิธีปรับ pitch/speed ต้องคงที่
  • ไม่ต้องโหลดโปรแกรม ทำได้หมดในเบราว์เซอร์ ฟรี ไม่ต้องสมัคร
  • อย่าลองต่ำกว่า 4 วินาที จะได้ artifact

ลองเล่นดูเองได้เลยที่ VoxClone ฟรี — ผมเชื่อคุณจะทำ audiobook หรือพากย์ TikTok/Reels ได้ในคืนเดียวกัน