ทำไม AI พากย์เสียงถึงฟังดูเป็นหุ่นยนต์? ผมลองโคลนเสียงฟรีครั้งเดียวแล้วเจอคำตอบ

เมื่อวานช่วยเพื่อนตัดคลิปรีวิวร้านอาหารริมคลอง ผมขี้เกียจพากย์เอง เลยหยิบ TTS ตัวเก่าแก่ตัวหนึ่งมาอ่านสคริปต์ให้ฟัง...เพื่อนฟังจบประโยคเดียวแล้วพูดมาว่า "อันนี้มันเหมือนประกาศใน BTS เลยนะ" ผมเลยสงสัยขึ้นมาทันที อินเทอร์เน็ตชอบโม้ว่า AI พากย์เสียงฟรีเนียนคนแบบไม่ต้องตั้งสตูดิโอ จริงขนาดนั้นเหรอ? ผมเลยเปิดเว็บชื่อ VoxClone ขึ้นมาลองทั้งระบบอย่างเอาเป็นเอาตาย ผลลัพธ์...ต้องยอมรับเลยว่าโดนตบหน้านิดหน่อย

เริ่มจากความเคลือบแคลงก่อน ของฟรีมันจะดีได้ยังไง

สายคอนเทนต์คงเข้าใจ สมัยก่อนจะได้เสียงพากย์ก็ต้องจ้างคนหรืออัดเอง บางทีเสียงแหบก็ยังต้องฝืนอัดต่อ พอ AI เสียงพากย์มาแรง ผมลองมาหลายตัวแล้ว ตัวฟรีส่วนใหญ่มีโรคเดียวกันหมด คือโทนเสียงแบนราบ หยุดพักผิดจังหวะ อารมณ์เทียม ฟังปุ๊บรู้เลยว่าไม่ใช่คน

พอเปิดหน้าแรก VoxClone (https://th.web666.cc/) ผมก็ตั้งใจจะมาหาข้อผิดพลาดของมัน เว็บบอกว่าใช้ได้เลยโดยไม่ต้องสมัครสมาชิก และโคลนเสียงก็ฟรี คำแรกที่ผมนึกออกคือ ไม่ต้องสมัครสมาชิก text to speech แบบนี้ ข้อมูลเราเขาเก็บไว้ที่ไหน? แต่ก็คิดว่าลองดูก็ไม่เสียหายอะไร เพราะไม่ต้องกรอกเบอร์โทรอะไรเลย

ตัวชี้ขาดจริงๆ คือไฟล์เสียงที่คุณป้อนเข้าไป

ผมเข้าไปที่หน้าโคลนเสียง ตรงนี้ต้องพูดตรงๆ ว่า AI จะเนียนคนหรือไม่ ขึ้นอยู่กับตัวอย่างเสียงที่อัดประมาณเจ็ดส่วนเลย

รอบแรกผมอัดในห้องนั่งเล่น ตู้เย็นหึ่งอยู่ข้างหลัง เสียงที่โคลนออกมาเลยมีกลิ่นกระป๋องปิดผนึกชัดมาก รอบที่สองย้ายไปห้องนอนปิดประตู เอามือถือห่างปากราวยี่สิบเซนต์ อ่านออกเสียงปกติครึ่งนาที ใช้เว็บตัวเดิม ผลลัพธ์เปลี่ยนไปทันที ชัด เงียบ น้ำเสียงเป็นธรรมชาติ สามข้อนี้สำคัญกว่าความยาวของไฟล์อีก

อีกจุดที่คนมักพลาด อย่าใช้เสียงแบบผู้ประกาศตอนอัดตัวอย่าง คุณพูดกับเพื่อนยังไงก็อัดแบบนั้น ถึงจะได้โคลนเสียงตัวเองที่เป็น "คุณ" จริงๆ ไม่ใช่นักข่าวรายการเที่ยงวัน

ข้อความคือหลุมที่สอง เครื่องหมายวรรคตอนคือผู้กำกับของมัน

โคลนเสียงเสร็จก็ถึงขั้นพากย์ ผมเอาสคริปต์รีวิวร้านไปทดลองแปลงข้อความเป็นเสียงพูด รอบแรกก๊อปทั้งย่อหน้าวางลงไปเฉยๆ ออกมาก็ยังกลิ่นหุ่นยนต์เดิม ผิดที่เครื่องมือหรือเปล่า ไม่ใช่ครับ ผิดที่ผมเอง ข้อความยาวๆ ไม่มีจังหวะวรรคตอน ใครอ่านก็แบน

ผมเลยตัดประโยคยาวให้สั้นลง เติมจุดกับจุลภาคตรงที่ต้องหยุด และแทรกคำช่วยเสียงหน้าหลังคำที่ต้องการเน้น เสียงชุดเดิมแต่ข้อความปรับแล้ว ฟังเหมือนคนนั่งคุยด้วยเลย พูดง่ายๆ คือ TTS แสดงตามวรรคตอนที่คุณเขียน ยิ่งละเอียด ยิ่งดูดี

อีกอย่างที่ชอบคือมันรับข้อความยาวได้ไม่จำกัด ผมแกล้งยัดบทความสองพันคำเข้าไป ก็ผ่านฉลุย สำหรับคนทำคลิปยาวหรืออยากทำ audiobook ด้วย ai ฟรี ข้อนี้สำคัญมาก เพราะเว็บฟรีหลายตัวดันไปฉุดกันตรงโควตาตัวอักษร

แล้วมันฟรีจริงไหม

ใช้มาช่วงนึงแล้ว ยังไม่เจอด่านเรียกเก็บเงินตอนดาวน์โหลด หรือให้ปลดล็อกจำนวนครั้ง โคลนก็ได้ สังเคราะห์เสียงก็ได้ จบในตัว แต่ผมมีนิสัยข้อหนึ่ง ของฟรีอย่าเอาเนื้อหาละเอียดอ่อนไปใส่ อันนี้เป็นสามัญสำนึก ไม่เกี่ยวกับตัวเครื่องมือ

ทำโคลนเสียงฟรีต้องอัดตัวอย่างนานแค่ไหน

ครึ่งนาทีถึงหนึ่งนาทีก็พอ สำคัญกว่าความยาวคือสถานที่เงียบ ออกเสียงชัด และใช้น้ำเสียงแบบที่คุณพูดในชีวิตประจำวัน ยิ่งอัดเป็นธรรมชาติ โคลนออกมายิ่งเหมือนคุณ

เสียงที่โคลนได้เอาไปใช้เชิงพาณิชย์ได้เลยไหม

แหล่งเสียงต้องเป็นตัวคุณเองหรือคนที่อนุญาตแล้วเท่านั้น ตรงนี้ต้องดูแลเอง เทคนิคด้านไฟล์เสียงที่ได้ใช้ได้เลย แต่อย่าเอาเสียงคนอื่นไปทำอะไรที่ทำให้เขาปวดหัวนะครับ

ไม่มีไมค์ ใช้ไมโครโฟนมือถืออัดได้ไหม

ได้ครับ ผมอัดในห้องเงียบๆ ด้วยมือถือ คุณภาพก็รับได้สบาย ขอแค่เอาเครื่องใกล้ปากและไม่มีเสียงรบกวน อย่าอัดบนรถไฟฟ้าก็พอ...มีคนทำจริงนะเนี่ย

พูดตรงๆ กันหน่อย

เสียง AI จะเนียนคนหรือไม่ เครื่องมือครึ่งหนึ่ง อีกครึ่งอยู่ที่มือเรา อัดเสียงให้สะอาด จัดวรรคตอนให้ละเอียด แล้วอย่าหวังว่ากดปุ่มเดียวจะได้พากย์ที่มีอารมณ์ทุกประโยค ใครอยากลอง ไปที่ VoxClone อัดเสียงพูดธรรมดา 30 วินาที โคลนเสร็จแล้วให้มันอ่านงานที่คุณเขียนล่าสุด ฟังดูซิ เสียงนั้นมันแปลกยังไง แล้วคุณจะรู้เองว่าปัญหาอยู่ที่เครื่องมือหรืออยู่ที่ตัวเอง เคล็ดลับเพิ่มเติมกับอัปเดตใหม่ๆ แวะดูได้ที่หน้าข่าวสารและบทความ ของเขาครับ