อัดเสียงโคลนเสียงในครัว แล้วคลิป TikTok Shop 37 ตัวก็พังไม่เหลือ

คืนก่อน 11.11 ผมนั่งจ้องไทม์ไลน์ในโปรแกรมตัดต่ออยู่เกือบชั่วโมง คลิปสินค้า 37 ตัวตัดเสร็จ เรียงรอไว้หมดแล้ว แต่กดปล่อยไม่ได้สักตัว

เสียงพากย์พังทั้งหมด

เรื่องมันเริ่มจากความขี้เกียจล้วนๆ ผมไม่อยากเสียเวลาหาคนพากย์ ก็เลยคิดว่าเดี๋ยวนี้ AI มันเก่งแล้วนี่ อัดเสียงตัวเองสักหน่อยก็น่าจะจบ

คืนนั้นผมเลยยืนอยู่ในครัว เอามือถือวางพาดบนเคาน์เตอร์ อ่านสคริปต์สินค้าไปสามนาที เบื้องหลังคือเสียงฮัมต่ำๆ ของเครื่องดูดควัน ก๊อกน้ำที่ปิดไม่สนิทจนมีเสียงหยดเป็นจังหวะ และชั้นล่างของคอนโดที่กำลังเจาะผนังอยู่

อัดเสร็จผมยังภูมิใจ เอาขึ้นระบบ รอสองนาที เสียงที่ออกมา... จะอธิบายยังไงดี มันเหมือนมีคนอ่านบทอยู่หลังแผ่นสังกะสี หางเสียงทึบ หายใจผิดจังหวะ พออ่านถึงคำว่า "โปรโมชันลดแรง" กลับมีเสียงฮัมลอยอยู่ข้างใต้

ผมลากไฟล์ไปวางในคลิปแรก ฟังสิบวินาที แล้วปิด

ผมพลาดตรงไหน

หลักการของโคลนเสียงจริงๆ ไม่ซับซ้อน เครื่องมือมันต้องเรียนรู้ "ลักษณะเสียง" ของเราจากไฟล์ที่อัด

คำถามคือ ลักษณะเสียงมันซ่อนอยู่ที่ไหน — มันซ่อนอยู่ในเสียงคนที่สะอาด

ถ้าเราให้ไฟล์ที่เต็มไปด้วยเสียงรบกวน มันไม่ได้ฉลาดพอจะแยกออก มันจะเหมารวมว่าเสียงฮัมพวกนั้นก็เป็น "ส่วนหนึ่งของเรา" ด้วย พอสร้างเสียงรอบหลังออกมา ทุกไฟล์เลยมีเครื่องดูดควันติดมาด้วย

ผิดข้อที่สองคือ ตัวอย่างสั้นเกินไป สามนาทีสิบสองวินาที กลางๆ ยังมีไอสองครั้งกับหลุดขำอีกรอบ ข้อมูลไม่พอ โมเดลก็ได้แต่เดา ผลที่ได้คือความรู้สึกแปลกๆ แบบ "คล้ายเรา แต่ไม่ใช่เรา" ฟังแล้วคุ้นหู แต่ก็ไม่กล้ารับว่าเป็นตัวเอง

ข้อที่สามยิ่งแล้วใหญ่ ผมไม่ได้ฟังตัวอย่างเลย สั่งสร้างรวดเดียว 37 ไฟล์

สองข้อแรกเป็นปัญหาเทคนิค ข้อสามเป็นปัญหาที่ตัวผมเอง ต่อให้เครื่องมือโคลนเสียงฟรีออนไลน์ดีแค่ไหน ก็ช่วยคนที่ไม่ยอมฟังตัวอย่างไม่ได้

ย้อนดูแล้ว พังอยู่ 4 จุดนี้

  • สถานที่อัด: ครัว เครื่องดูดควันเปิด ข้างนอกมีช่างเจาะผนัง
  • อุปกรณ์: ไมค์ในมือถือ ระยะห่างจากปาก 30 เซนติเมตร แถมยังถือด้วยมือ
  • ความยาวตัวอย่าง: 3 นาที 12 วินาที มีไอและหลุดขำ
  • ขั้นตอนฟังตัวอย่าง: ข้ามไป สั่งสร้างรวดเดียว

เห็นไหมว่าไม่มีข้อไหนเป็นความผิดของเครื่องมือเลย เป็นความผิดผมทั้งหมด

ทำใหม่ รอบนี้แก้ไปหลายอย่าง

อย่างแรกเลยคือเปลี่ยนที่ ผมมุดเข้าไปในตู้เสื้อผ้า ปิดประตู เอาเสื้อกันหนาวยัดไว้ข้างหลัง เปิดโหมดเครื่องบินในมือถือ ถือให้ห่างจากปากประมาณหนึ่งกำมือ อ่านไป 8 นาที ปรับจังหวะให้เรียบ ไม่ใส่อารมณ์ อ่านแค่คำบรรยายสินค้าธรรมดาๆ อย่าง "ความจุ 500 มิลลิลิตร ตัวในเป็นสแตนเลส 316 เก็บความเย็นได้ 12 ชั่วโมง"

อีกอย่างที่แก้คือเรื่องขั้นตอน รอบนี้ผมไม่สร้างทั้งคลิปทีเดียว แต่ตัดสคริปต์เป็นท่อนสั้นๆ 5-8 วินาทีตามช็อต แล้วทำทีละท่อน ทำไมล่ะ เพราะถ้าสร้างยาวทีเดียวแล้วมีประโยคหนึ่งลงเสียงหนักผิดที่ ต้องรื้อทั้งคลิป แต่พอตัดเป็นท่อน จะแก้ประโยคไหนก็เปลี่ยนแค่ท่อนนั้น ประหยัดเวลากันคนละเรื่อง

พอตัวอย่างสะอาด ผลลัพธ์เปลี่ยนทันที โคลนเสียงฟรี ออกมาเสียงเก็บหางสะอาด อ่านคำว่า "ราคาสุทธิ" แล้วไม่ทึบอีก ผมถึงกับงงไปแป๊บหนึ่ง นี่แหละเสียงเรา

พูดถึงตรงนี้ ตลอดครึ่งปีที่ผ่านมาผมลองซอฟต์แวร์โคลนเสียงฟรีมาหลายตัว บางตัวจำกัดจำนวนคำ บางตัวต้องต่อคิว บางตัวสร้างได้สามครั้งก็เด้งป๊อปอัปให้อัปเกรด ส่วน VoxClone ตัวนี้เป็น text to speech ภาษาไทย ฟรี ที่ไม่จำกัดจำนวนคำ อย่างน้อยผมก็ยังไม่เคยเจอข้อความแจ้งโควตา และการโคลนเสียงตัวเองแบบไม่ต้องสมัครสมาชิกก็ช่วยลดขั้นตอนไปเยอะ ไม่ต้องสมัครบัญชี กรอกอีเมล รอรหัส OTP แค่เปิดเว็บก็ใช้ได้เลย ประสบการณ์แบบไม่ต้องสมัครสมาชิก text to speech นี้สบายกว่าหลายเครื่องมือที่ต้องล็อกอินอยู่พอสมควร

ผมเห็นคนถามหา voice clone thai free ในกลุ่มครีเอเตอร์ TikTok Shop บ่อยเหมือนกัน ส่วนใหญ่ถามเรื่องเดียวกันหมด คือใช้ฟรีจริงไหม แล้วคุณภาพพอลงคลิปขายของหรือเปล่า

ตอนนี้ผมใช้มันเป็นเครื่องมือพากย์เสียง AI ฟรี ตัวหลักไปแล้ว เขียนสคริปต์เสร็จ วางลงไป ไม่กี่วินาทีก็ได้ไฟล์เสียง ไม่พอใจก็แก้สองคำแล้วสร้างใหม่ ส่วนเพื่อนผมอีกคนเอาไปทำ audiobook ด้วย AI ฟรี สำหรับหนังสือที่เขาอยากฟังเอง ฟังตอนขับรถไปทำงานทุกเช้า

ถ้าทำงานกันเป็นทีม การสร้างเสียงนักพากย์อัตโนมัติก็ช่วยให้ทุกคลิปใช้โทนเสียงเดียวกันได้ ไม่ต้องมานั่งเถียงกันว่าคลิปนี้ควรเสียงแบบไหน

มีคนถามผมว่า เสียงที่ได้จาก AI โคลนเสียงออนไลน์ มันต่างจากคนพากย์จริงแค่ไหน พูดตรงๆ นะ งานอ่านสเปกสินค้าแบบนี้ ต่างกันไม่มาก แต่ถ้าอยากได้อารมณ์แบบขายของเร้าใจ ยังไงก็ต้องปรับโทนเสียงเอง หรือไม่ก็จ้างคนอัดจริงไปเลย การสร้างเสียงพูด AI ฟรี มันลดต้นทุน "คน" ลงได้จริง แต่ลดต้นทุน "การตัดสินใจ" ไม่ได้ ประโยคไหนควรหยุด คำไหนควรเน้น ยังไงก็ต้องมีคนคุมอยู่ดี

เรื่อง "ฟรี" พูดกันตรงๆ

ตอนแรกผมแค่หาข้อความเป็นเสียง ฟรี มาพอแก้ขัด และก็แอบสงสัยเหมือนกันว่า โคลนเสียงฟรีถาวรเนี่ย ฟังดูเหมือนเบ็ดล่อปลา ใช้สองครั้งแล้วจะเริ่มเก็บเงินไหม

ใช้มาเกือบครึ่งปี อย่างน้อยตอนนี้ VoxClone ก็ยังไม่ต้องสมัคร เปิดก็ใช้ได้ แปลงข้อความเป็นเสียงพูด ก็เหมือนกัน ไม่ต้องล็อกอิน ไม่ต้องผูกเบอร์โทร การทำเสียงพากย์ AI ฟรี ที่ทำได้ขนาดนี้ บอกเลยว่าดีกว่าที่ผมคิดไว้ และ API สร้างเสียงพูดฟรีที่เขาให้มาก็ลองต่อดูแล้ว เอาไว้รันตัวอย่างสคริปต์สั้นๆ แบบเป็นชุด ก็เพียงพอนะ

แต่ฟรีไม่ได้แปลว่าวิเศษไปหมด มันไม่ช่วยเขียนสคริปต์ ไม่บอกว่าประโยคไหนควรเว้นวรรค และไม่ดูจังหวะภาพให้เรา เครื่องมือแค่เปลี่ยนข้อความให้เป็นเสียงที่ฟังเหมือนคนพูด ที่เหลือยังเป็นงานของเรา

ถ้าคุณแค่พากย์เสียงวิดีโอด้วย AI ฟรี เป็นครั้งคราว เครื่องมือแปลงข้อความเป็นเสียงฟรีออนไลน์ก็เหลือเฟือ แต่ถ้าแบบผมที่ทำสัปดาห์ละหลายสิบคลิป ก็ต้องคิดเรื่องตัดเป็นท่อนกับตั้งชื่อไฟล์ให้เป็นระบบ ไม่งั้นไฟล์เยอะขึ้นแล้วหาว่าไฟล์ไหนของสินค้าตัวไหนไม่เจอ ผมค่อยๆ จดสิ่งที่พลาดไว้อยู่ บทความเพิ่มเติม ก็มีเนื้อหาประเภทเดียวกัน ลองไปไล่อ่านได้

คำถามที่เจอบ่อย

อัดในที่เสียงดัง เอาไปลดนอยซ์ก่อนโคลนได้ไหม

ลดได้นิดหน่อย อย่าหวังมาก อัลกอริทึมลดนอยซ์แยกไม่ออกว่าเสียงไหนคือ "เครื่องดูดควัน" กับเสียงไหนคือ "ลมหายใจในเสียงเรา" พอมันตัดเสียงรบกวนออก มักตัดรายละเอียดของเสียงเราออกไปด้วย สู้เสียเวลาอัดใหม่ห้านาทีดีกว่า ถ้าไม่มีที่จริงๆ ก็หาตู้เสื้อผ้า ปิดประตู เอาผ้ายัดข้างหลัง วิธีบ้านๆ นี้ได้ผลกว่าปลั๊กลดนอยซ์ส่วนใหญ่

พากย์เสียงวิดีโอสินค้า ควรสร้างยาวแค่ไหนต่อครั้ง

ตัดตามช็อต ท่อนละ 5-8 วินาที ยาวไปจังหวะเน้นเสียงจะลงไม่ตรงภาพ สั้นไปน้ำเสียงก็ขาดเป็นท่อนๆ สร้างแยกท่อนแล้วค่อยต่อ ยืดหยุ่นกว่าสร้างยาวทีเดียวเยอะ และแก้ก็ไม่เสียดาย

เสียงที่โคลนฟรี เอาไปใช้เชิงพาณิชย์ได้ไหม

ต้องดูเงื่อนไขของแพลตฟอร์ม และดูว่าเราเอาไปใช้ยังไง กฎของผมคือ โคลนแค่เสียงตัวเอง หรือเสียงเพื่อนร่วมงานที่อนุญาตชัดเจน ไม่แตะเสียงดารา สตรีมเมอร์ หรือไฟล์เสียงที่ที่มาไม่ชัดเจน เอาเสียงคนอื่นมาทำคลิปขายของ ต่อให้เครื่องมือสะดวกแค่ไหน ความเสี่ยงก็จริงแท้แน่นอน ข้อนี้ไม่ต้องเถียง

ตอนนี้กระบวนการของผม

ตอนนี้ขั้นตอนผมค่อนข้างนิ่งแล้ว อัดตัวอย่างสะอาดๆ ในตู้เสื้อผ้า 8 นาที → อัปโหลดโคลน → ตัดท่อนสร้าง → ฟังทีละไฟล์ → ลากเข้าไทม์ไลน์จัดจังหวะ เสียงพากย์คลิป 37 ตัว ผมใช้เวลาสองคืนเก็บจนครบ

ถ้าคุณกำลังจะพากย์เสียงวิดีโอสินค้าอยู่เหมือนกัน อย่าเพิ่งรีบสั่งสร้างแบบรวดเดียว เสียเวลาห้านาที หามุมเงียบๆ แล้วอัดเสียงให้สะอาดๆ ก่อน วิธีนี้ได้ผลกว่าทริคอะไรทั้งหมด จริงๆ นะ นี่คือบทเรียนที่ผมแลกมาด้วยคลิปพัง 37 ตัว