โคลนเสียงฟรีให้มีอารมณ์ ไม่อ่านแบบหุ่นยนต์ (ฉบับคนไทย)
เมื่อวานนั่งตัดต่อวิดีโอรีวิวร้านก๋วยเตี๋ยวที่เจริญกรุง ตั้งใจจะพากย์เสียงตัวเองแต่เจ็บคอมาจากแดดเมืองกรุงเทพฯ เลยนึกขึ้นได้ว่ามีเว็บโคลนเสียงฟรีที่เซฟไว้ในบุ๊กมาร์กตั้งแต่ปีที่แล้ว ตอนนั้นลองแค่ 5 นาทีแล้วปิด เพราะเสียงที่ได้มันเหมือนผู้ประกาศอ่านข่าวช่วงเที่ยง – ถูกต้องทุกคำแต่ไร้วิญญาณสุดๆ
วันนี้เลยกลับไปลองใหม่ ตั้งใจจริงจังเพราะเดดไลน์ใกล้ ปรากฏว่าผลลัพธ์ต่างกันราวฟ้ากับเหว ไม่ใช่เพราะเว็บเปลี่ยน แต่เพราะฉันเปลี่ยนวิธีใช้ ฟรีเหมือนเดิม ไม่ต้องสมัคร เข้าไปที่หน้าโคลนเสียงออนไลน์ก็ใช้ได้เลย
ปัญหาแรก: เสียงไทยเพี้ยนวรรณยุกต์ที่คำว่า 'ไม่' กับ 'ไม้'
ลองอัปโหลดเสียงตัวอย่าง 20 วินาทีที่พูดตอนรีวิวเครื่องสำอาง เสียงที่ออกมาฟังดูรู้เรื่อง แต่เวลาเจอประโยคอย่าง "ซื้อมาสองชิ้นไม่เห็นจะดี" – มันอ่านเป็น "ซื้อมาสองชิ้นไผ่เห็นจะดี" ทันทีที่ได้ยินก็ขำไม่ออก เพราะคลิปนั้นต้องลงท้ายด้วยป้ายโฆษณา
ลองเทียบกับเสียงจาก Google Translate ที่อ่านภาษาไทย (ซึ่งก็ฟรี) ปรากฏว่า Google อ่านวรรณยุกต์ถูกต้องกว่า แต่ฟังดูแข็งเหมือนหุ่นยนต์พูด ส่วนโคลนเสียงฟรีของเราอ่านเพี้ยนบางคำแต่เสียงนุ่ม มีน้ำมีนวลกว่า
วิธีแก้วรรณยุกต์ที่ใช้ได้ผล: เปลี่ยนคำที่เพี้ยนให้เป็นคำพ้องเสียงที่สะกดต่างกัน เช่น แทนที่จะเขียน "ไม่" ก็เขียน "ไหม้" ในกรณีที่ต้องการเสียงสูง แล้วปรับโทนในขั้นตอนสุดท้าย หรือไม่ก็ตัดประโยคยาวๆ ออกเป็นท่อนสั้นๆ แล้วค่อยมารวมไฟล์ทีหลัง – เหนื่อยหน่อยแต่เสียงชัดจริง
ตั้งค่าเสียงให้มีชีวิต: อย่าพึ่งแค่ปุ่มเดียว
หน้าเว็บมีตัวเลื่อนปรับ 'ความเร็ว' กับ 'ระดับเสียง' ฉันลองปรับความเร็วลงเหลือ 0.85 จากเดิม 1.0 เสียงเริ่มมีจังหวะหายใจ ฟังดูมีชีวิตขึ้นมาทันที ตรงนี้แหละที่คนส่วนใหญ่พลาด – ปล่อยค่าเริ่มต้นแล้วบอกว่าเว็บนี้ไม่ดี
แล้วก็มีตัวปรับ 'การเน้นคำ' (หรือ pitch) ลองเพิ่มขึ้น 10% เฉพาะคำที่ต้องการเน้น เช่น "อร่อยมาก" หรือ "ไม่แนะนำ" – เสียงจะสูงขึ้นนิดหน่อย เหมือนคนพูดจริงๆ ตอนเน้นอารมณ์
สิ่งที่ต้องยอมรับคือมันไม่ใช่การปรับระดับเสียงแบบในโปรแกรมตัดต่อที่ละเอียดเป็นเส้นกราฟ แต่พอใช้ได้กับงานโฆษณาสั้นๆ หรือวิดีโอ TikTok
เทคนิคเขียนข้อความให้ AI อ่านแล้วมีอารมณ์
หลังจากลองผิดลองถูกหลายรอบ สรุปเป็นสูตรที่ใช้ได้จริง 3 ข้อ:
- ใส่เครื่องหมายวรรคตอนให้เยอะกว่าปกติ – เติม '...' หรือ '!' เข้าไป เช่น "วันนี้ร้อนมาก... แต่ร้านนี้ก๋วยเตี๋ยวเด็ดสุดๆ!" เสียงจะมีการหยุดหายใจและลงน้ำหนักที่คำสุดท้าย
- ใช้คำซ้ำเพื่อสร้างจังหวะ – "เข้าไปเลย เข้าไปเลยสิ" แทนที่จะเขียน "เข้าไปเลย" ประโยคเดียว เสียงจะไม่ราบเรียบ
- เขียนเหมือนพูด ไม่เหมือนเขียน – อย่าใช้คำว่า 'เนื่องจาก' 'อย่างไรก็ตาม' ให้ใช้ 'เพราะว่า' 'แต่' 'แล้วก็' – AI ไทยจะอ่านได้เป็นธรรมชาติกว่าเยอะ
เปรียบเทียบกับอีกตัวที่คนไทยใช้: ElevenLabs (เสียเงิน) กับตัวฟรี
เพื่อนที่ทำงานสายคอนเทนต์ใช้ ElevenLabs ตัวเสียเงิน บอกว่าเสียงไทยเนียนกว่ามาก แต่เดือนละเกือบพันบาท – สำหรับคนทำคลิปเล็กๆ ไม่ไหว ฉันเลยลองอัปโหลดเสียงตัวอย่างเดียวกันเข้าไปทั้งสองที่
ผลคือ ElevenLabs ฟังดูเป็นธรรมชาติกว่า 80% แต่ตัวฟรีของเราฟังดูเป็นธรรมชาติประมาณ 65% – ต่างกันที่การลงน้ำหนักประโยคยาวๆ ตัวฟรีจะหลงทางตอนประโยคเกิน 20 คำ แต่ถ้าแบ่งเป็นท่อนสั้นๆ ความต่างแทบมองไม่เห็น
อีกอย่างที่ชอบคือตัวฟรีไม่ต้องสมัคร ไม่ต้องผูกบัตรเครดิต ใช้เสร็จปิดเลย ไม่มีอีเมลสแปมตามมา – ตรงนี้สำหรับคนไทยที่ระวังเรื่องข้อมูลส่วนตัว ถือว่าดีมาก
ใช้ทำอะไรได้บ้าง: จากโฆษณา ถึงเสียงเรียกเข้า
เมื่อวานลองทำเสียงพากย์โฆษณา 15 วินาทีสำหรับร้านขายชาชักแถวอารีย์ ใช้เสียงที่โคลนจากตัวเอง พูดว่า "ชาชักเด็ด ราคาไม่แรง แวะมาลองก่อนรีบกลับบ้าน!" – ปรับเสียงให้เร็วขึ้นนิดหน่อย ฟังดูมีพลัง เพื่อนที่ได้ยินถามว่าไปจ้างคนพากย์ที่ไหนมา
อีกอย่างที่คนไทยชอบทำคือโหลดเสียงเรียกเข้า ไอ โฟน ฟรี – เอาเสียงตัวเองที่โคลนไว้อ่านคำว่า "มีสายเข้า รับสายเร็วๆ นะ" แล้วตั้งเป็นเสียงเรียกเข้า ฟังแล้วขำตัวเองทุกครั้ง แต่ก็สนุกดี
เรื่องน่ารู้: ทำไมเสียงตัวอย่าง 30 วินาที ถึงดีกว่า 5 นาที
ตอนแรกฉันเข้าใจว่ายิ่งอัปโหลดเสียงยาวเท่าไหร่ AI จะจำเสียงเราได้ดีขึ้นเท่านั้น – ความจริงไม่ใช่แบบนั้น ฉันลองอัปโหลดเสียงพูดคุยธรรมดา 5 นาทีที่คุยกับแม่เรื่องซื้อกับข้าว ผลคือเสียงที่โคลนออกมาเน้นเสียงทุ้มต่ำตลอดเวลา เหมือนคนง่วงนอนตลอดวัน
เพราะเสียงตัวอย่างที่ยาวเกินไปมันมีโทนหลากหลายเกินไป ทั้งเสียงหัวเราะ เสียงถาม เสียงอุทาน – AI สับสนว่าควรจะเลียนแบบโทนไหนเป็นหลัก พอลองตัดเหลือแค่ 30 วินาที ที่พูดด้วยโทนเดียวคือโทนรีวิวสินค้าสดใส ผลลัพธ์ดีขึ้นทันที เสียงมีบุคลิกชัดเจน
เคล็ดลับคือเลือกช่วงเสียงที่คุณพูดด้วยอารมณ์ที่ต้องการใช้ในงานจริง ถ้าจะทำโฆษณาก็เลือกช่วงที่พูดสดใส ถ้าจะทำสปอตวิทยุก็เลือกช่วงที่พูดนุ่มนวล – อย่าเอาคลิปคุยเล่นกับเพื่อนมาอัปโหลดเด็ดขาด
ปัญหาที่เจอบ่อย: เสียงแบ็คกราวนด์รบกวน
อีกรอบที่ลองอัปโหลดเสียงที่อัดในห้องนอน มีแอร์เปิดดังฟู่ๆ ตลอด – ผลคือเสียงที่โคลนออกมามีเสียงแอร์แทรกด้วย ฟังแล้วเหมือนพากย์ทับเสียงรายการทีวี ต้องมานั่งลดนอยส์ในแอปตัดเสียงอีกที เสียเวลาไป 20 นาที
วิธีที่ใช้ได้จริงคืออัดเสียงในที่เงียบๆ จริงๆ ไม่ต้องถึงขั้นห้องอัด แต่ต้องไม่มีเสียงทีวี เสียงคนคุย หรือเสียงรถผ่าน ถ้าไม่มีที่เงียบจริงๆ ใช้ฟีเจอร์ตัดเสียงรบกวนในโทรศัพท์รุ่นใหม่ๆ ก็ช่วยได้เยอะ แต่ต้องระวังว่าเสียงจะเพี้ยนเล็กน้อย
ที่สำคัญคืออย่าอัปโหลดเสียงที่มาจากการโทรผ่านไลน์หรือวิดีโอคอล เพราะเสียงมันถูกบีบอัดจนรายละเอียดหายไปแล้ว – โคลนออกมาแล้วเสียงจะแห้งๆ ไม่มีมิติ
สรุปแบบไม่สรุป (แต่คือสิ่งที่ควรทำ)
ถ้าอยากได้เสียงที่มีอารมณ์จริงๆ ต้องยอมเสียเวลาปรับ 30 นาทีแรก ไม่ใช่กดปุ่มเดียวแล้วผิดหวัง ลองเริ่มจากเสียงตัวอย่างที่คุณพูดเอง 20-30 วินาที ด้วยโทนที่คุณอยากได้จริงๆ – ถ้าคุณพูดเสียงเรียบ AI ก็จะออกมาเรียบ ถ้าคุณพูดเสียงมีลูกคอ มีการเน้น AI ก็จะเก็บรายละเอียดนั้นไปใช้
ลองทำตามนี้แล้วเอาไปใช้กับโฆษณาร้านค้า หรือวิดีโอรีวิว แล้วมาเล่าให้ฟังหน่อยว่าเสียงออกมาเป็นยังไง – เผื่อมีทริคใหม่ๆ ที่ฉันยังไม่รู้
ลิงก์ที่ใช้: หน้าแรก | หน้าโคลนเสียง | บทความอื่นๆ