ทำนิทานก่อนนอนเป็น audiobook ด้วย AI ฟรี: ลองมา 1 สัปดาห์ แล้วรู้ว่าปัญหาไม่ใช่โมเดล แต่อยู่ที่ 'เสียงตัวอย่าง'
เมื่อคืนวันพุธ สองทุ่มครึ่ง ลูกสาวผมยืนอยู่ข้างเตียงถือหนังสือนิทาน แล้วพูดว่า "พ่อ วันนี้ให้มือถืออ่านได้ไหม พ่อเสียงแหบแล้ว"
ผมก็แหบจริง ๆ ครับ อ่านมาเกือบสองสัปดาห์ ต่อมทอนซิลเริ่มประท้วง
เอาละ ลองใช้ แปลงข้อความเป็นเสียงพูด ดูสักหน่อย
ผลลัพธ์ครั้งแรก... จะพูดยังไงดี ลูกฟังไปสองวินาที แล้วยื่นมือถือคืน "อันนี้ไม่ใช่พ่อ"
มันเป็นเสียงผม แต่มันไม่ใช่ เหมือนผมกำลังอ่านรายงานการประชุม หรือไม่ก็อ่านผ่านหน้ากากอนามัย
ปัญหาไม่ได้อยู่ที่เครื่องมือ แต่อยู่ที่เสียงตัวอย่าง
ตอนแรกผมใช้เครื่องมือ ข้อความเป็นเสียง ฟรี ที่ต้องสมัคร ต้องผูกเบอร์โทร อัปโหลดเสียง LINE เก่า ๆ ไปเป็นเสียงตัวอย่าง 30 วินาที ผมพูดว่า "พี่ครับ พรุ่งนี้ค่อยดูแผนอีกที"
ผลที่ออกมา ชัดถ้อยชัดคำ อารมณ์เป็นศูนย์ เหมือนเด็กฝึกงานที่เพิ่งจบหลักสูตรประกาศข่าว
หลังผมถึงได้รู้ตัวว่า เสียง LINE มันถูกบีบอัด คุณภาพต่ำ แถมมีเสียงก้อง เสียงไฟฟ้า เอาแบบนี้ไปให้โมเดล เท่ากับเอาภาพเบลอ ๆ ไปให้วาดรูปคน
นี่แหละคือความต่างระหว่างคนในกับคนนอก ทุกคนไปจ้องพารามิเตอร์ของโมเดล แต่ตัวชี้ขาดจริง ๆ คือ 30 วินาทีนั้น
พอผมเปลี่ยนมาใช้ โคลนเสียงฟรี แล้วอัดเสียงตัวอย่างใหม่ โมเดลเดิมเป๊ะ แต่ออกมาคนละเรื่องเลย
อัดเสียงตัวอย่างยังไง ไม่ให้เหมือนหุ่นยนต์
เรื่อง สร้างเสียงพูด ai ฟรี ผมเคยคิดว่าด่านอยู่ที่โมเดล หลัง ๆ ถึงรู้ว่าด่านอยู่ที่วัตถุดิบ ขอลงรายละเอียดหน่อยครับ เพราะผมทำใหม่ไปสี่รอบ
อย่าอัดในห้องนั่งเล่น ห้องนั่งเล่นมีเสียงตู้เย็น เสียงรถข้างนอก หูคนเรากรองได้เอง แต่ไมค์ไม่กรอง ผมเลยเข้าไปอัดในตู้เสื้อผ้า ผ้าดูดเสียง ดีเกินคาด ถ้าไม่มีตู้เสื้อผ้า ก็เอาผ้าห่มกางเป็นโพรง เอามือถือซุกเข้าไป
15-30 วินาที อย่าโลภ สั้นเกินไป โมเดลจับเอกลักษณ์เสียงไม่ครบ ยาวเกินไป ไอหนึ่งที พลิกกระดาษหนึ่งที มันจะเรียนรู้เข้าไปด้วย มีครั้งหนึ่งผมอัดไปเกือบสองนาที ผลคือทุกประโยคที่สังเคราะห์ออกมา จะมีเสียงลมตอนผมเคลียร์คอติดมาด้วย แปลกมาก
อย่าอ่านจากสคริปต์ อันนี้สวนทางกับที่คิดมากที่สุด ถ้าคุณอ่าน "สวัสดีครับ ยินดีต้อนรับ" แบบเป็นทางการ ออกมาก็เป็นเสียงประกาศ ถ้าอยากได้เสียงธรรมชาติ ต้องพูดแบบคุยเล่น เช่น "วันนี้อยากกินอะไรดี ในตู้เย็นยังมีสตรอว์เบอร์รี่ครึ่งกล่อง ไม่กินก็เน่า" ความเร็วปกติ มีอารมณ์นิดหน่อย ยิ้มได้ด้วยซ้ำ โมเดลเรียนวิธีที่คุณพูด ไม่ใช่วิธีที่คุณอ่าน
ไมค์ห่างหนึ่งกำมือ เอียง 45 องศา อย่าแนบปาก จะเกิดเสียงลม อย่าไกลเกิน จะเก็บเสียงสะท้อนในห้อง
อัดสามเทค เลือกอันที่ดีที่สุด ฟังดูยุ่งยาก แต่จริง ๆ ห้านาทีก็เสร็จ ตอนนี้ผมติดนิสัย เข้าไปในตู้เสื้อผ้า พูดสามประโยคที่ต่างกัน แล้วเปิดฟัง เลือกอันที่ "เหมือนพ่อตอนเล่านิทาน" ที่สุด
อีกอย่าง ก่อนอัด จิบน้ำอุ่น อย่าดื่มน้ำเย็น ตอนคอตึง เสียงจะลอย อันนี้ก็ถูกเรียนเข้าไปด้วย
จุดที่ผมชอบที่สุด: ไม่ต้องสมัครสมาชิก text to speech
ผมลองมาแล้วหลายที่ และสิ่งที่ทำให้ผมอยู่กับ แปลงข้อความเป็นเสียงพูด ตัวนี้คือ ไม่ต้องสมัครสมาชิก text to speech เปิดมาใช้ได้เลย ไม่ต้องกรอกอีเมล ไม่ต้องยืนยันเบอร์ ผมเคยลองแพลตฟอร์มอื่น กรอกไปครึ่งทางก็เลิก
ตอนแรกผมไม่ได้คิดว่าการไม่ต้องสมัครมันสำคัญ จนเพื่อนผมอยากลองใช้ แล้วเธอบอกว่าขี้เกียจสมัครมาก อีกอย่างคือมันบอกว่าเป็น โคลนเสียงฟรี แบบถาวร ผมใช้มาไม่เจอกำแพงโควตาเลย ซึ่งเรื่องนี้สำคัญมากสำหรับคนที่ทำเรื่องยาว ๆ นิทานหนึ่งเล่มสองสามพันคำ เครื่องมือที่จำกัดจำนวนคำใช้ไม่ได้เลย
จริง ๆ ผมเริ่มจากอยาก ทำ audiobook ด้วย ai ฟรี ให้ลูกเท่านั้น แต่หลัง ๆ เพื่อนที่ทำคอนเทนต์ TikTok กับ Reels ก็มาถาม ว่าจะ พากย์เสียงวิดีโอด้วย ai ฟรี ยังไง เขาไม่อยากออกเสียงเองทุกคลิป อยากได้ สร้างเสียงนักพากย์อัตโนมัติ ไว้ใช้ประจำ
ถ้าใครกำลังหา text to speech ภาษาไทย ฟรี อยู่แล้ว ลองค้นคำว่า voice clone thai free ดูก็ได้ เพราะเครื่องมือนี้ทำงานกับภาษาไทยได้จริง ไม่ใช่แค่ภาษาอังกฤษ
โฟลว์จริง ๆ ในหนึ่งสัปดาห์ของผม
คืนวันจันทร์ ผมเลือกหนังสือนิทานสามเล่ม พิมพ์ลงในแอปจดบันทึก ระหว่างพิมพ์ก็ทำหลายอย่างพร้อมกัน
- เปลี่ยนเลขอารบิกเป็นคำอ่านไทย "3 ตัว" เขียนเป็น "สามตัว" ไม่งั้นมันจะอ่านเป็น three
- ตัดประโยคยาว ๆ ใส่จุลภาค จุด ตามจังหวะหายใจ เครื่องหมายวรรคตอนคือการหยุด
- คำยาก ๆ คำที่มีหลายเสียง อ่านก่อน ผิดแล้วลูกแก้ทันที
จากนั้นสังเคราะห์ ฟัง ถ้าไม่พอใจก็กลับไปแก้เครื่องหมายวรรคตอน สองคืนแรกค่อนข้างวุ่นวาย คืนที่สามเริ่มลื่น เพราะเสียงตัวอย่างนิ่งแล้ว เหลือแค่เรื่องข้อความ
AI เสียงพากย์ ai ฟรี รันทีก็ไม่กี่วินาที เวลาจริง ๆ หมดไปกับการแก้บท
พูดตามตรง เรื่อง โคลนเสียงตัวเอง สองปีก่อนผมไม่เชื่อหรอก ตอนนั้นคิดว่าไม่ใช่ทดลองสามวัน ก็คุณภาพห่วย ๆ ตอนนี้ทำได้ขนาดนี้ ถือว่าเกินคาดอยู่ ผมยังคิดเลย พอลูกโตอีกหน่อย จะเอาไปต่อกับ API ทำเป็นบอทเล่านิทานอัตโนมัติ... แต่เดี๋ยวก่อน นั่นเป็นหลุมอีกหลุม ไว้ก่อน
FAQ: คำถามที่ถูกถามบ่อยที่สุด
เสียงตัวอย่างต้องอัดยาวแค่ไหนถึงพอ
15-30 วินาที ประสบการณ์ผมคือ 20 วินาทีกำลังดี น้อยกว่า 10 วินาที โทนเสียงจะลอย เกิน 1 นาที โอกาสที่เสียงรบกวนจะปนเข้ามาสูงมาก ถ้าหาที่เงียบไม่ได้จริง ๆ เลือกที่สั้นกว่าแต่สะอาดกว่า
ไมค์ในมือถือพอไหม
พอ ผมใช้มือถือรุ่นสามปีก่อน ฟังเองแทบไม่ต่างจากไมค์แยก อยู่ที่สภาพแวดล้อม ไม่ใช่อุปกรณ์ คุณอัดในตู้เสื้อผ้าด้วยมือถือ ดีกว่าอัดในห้องนั่งเล่นด้วยไมค์โปรแน่นอน
เสียงเด็กโคลนได้ไหม อยากทำเวอร์ชัน 'ลูกเล่าให้ลูกฟัง'
ในทางเทคนิคได้ แต่ผมไม่แนะนำ หนึ่งคือเสียงเด็กยังเปลี่ยนแปลง โทนไม่นิ่ง คุณภาพเสียงตัวอย่างรับประกันยาก สองคือ... จะพูดยังไงดี ให้เด็กฟังเสียงตัวเองเล่านิทาน มันรู้สึกแปลก ๆ ผมอยากใช้เสียงตัวเองมากกว่า ถึงมันจะไม่เพอร์เฟกต์
ถ้าอยากดูว่าคนอื่นทำยังไง บทเรียนเพิ่มเติม มีตัวอย่างอยู่ ผมเปิดอ่านหลายอัน รายการข้อผิดพลาดเขียนไว้ตรงไปตรงมาดี
ก่อนจะจบ
ตอนนี้ผมทำแบบนี้ ทุกเย็นวันอาทิตย์ ใช้เวลา 20 นาที สังเคราะห์นิทานห้าเล่มสำหรับสัปดาห์หน้า เก็บในโฟลเดอร์ ลูกอยากฟังเล่มไหน กดเอง ตอนคอดี ผมก็เล่าเอง เครื่องแทนตรงนั้นไม่ได้
แต่อย่างน้อย คืนที่ต่อมทอนซิลอักเสบ นิทานก็ไม่ขาด
ถ้าอยากลอง อย่าเพิ่งไปยุ่งกับข้อความยาว ๆ เริ่มจากอัดเสียงตัวอย่าง 20 วินาที สังเคราะห์ประโยคสั้น ๆ หนึ่งประโยค ฟังว่ามันเหมือนตัวเองไหม เหมือนแล้วค่อยไปต่อ ไม่เหมือนก็กลับเข้าไปในตู้เสื้อผ้าอัดใหม่ ขั้นนี้ใช้เวลาไม่ถึงสิบนาที แต่มันกำหนดทุกอย่างหลังจากนั้น