โคลนเสียงฟรี vs พากย์วิดีโอ: 2 ครั้งที่ผมเกือบพังช่องยูทูป
ผมจำได้แม่น วันนั้นเป็นวันพฤหัสบดี ตอนบ่ายสองโมงกว่า ๆ ผมนั่งจ้องหน้าจอเป็นชั่วโมง เพราะต้องพากย์คลิปสั้น 30 วินาที เกี่ยวกับรีวิวร้านก๋วยเตี๋ยวเรือแถวสำเพ็ง ฟีลแบบวิดีโอแนว ๆ ที่คนไทยชอบดูตอนกินข้าวเที่ยง ผมไม่อยากใช้เสียงตัวเอง เพราะฟังแล้วเหมือนอ่านข่าวตอนเด็ก ๆ ไม่มีชีวิตชีวา เลยตัดสินใจลองโคลนเสียงตัวเอง ด้วยเครื่องมือออนไลน์ฟรี ที่เพื่อนบอกว่ามันเจ๋งมาก ไม่ต้องสมัคร ไม่เสียเงิน แค่กดอัปโหลดไฟล์เสียงสั้น ๆ
แรก ๆ ก็รู้สึกว่ามันคืออะไรกันแน่? ระบบมันจะให้ผมอ่านประโยคตัวอย่างประมาณ 20 วินาที แล้วมันจะสร้างเสียงจำลองของผมขึ้นมา โอเค ฟังดูง่าย แต่พอกดปุ่ม 'สร้างเสียง' ปุ๊บ เสียงที่ออกมา... มันเหมือนผมที่กำลังพูดอยู่ในถังน้ำพลาสติก แล้วก็มีอาการเสียงสั่น ๆ เหมือนคนเป็นไข้ แต่ก็ยังพอฟังรู้เรื่อง เอาล่ะ ครั้งแรกก็อย่างนี้แหละ ผมกดบันทึก แล้วก็เอาไปตัดต่อกับคลิปวิดีโอ
ครั้งแรก: พากย์คลิปสั้น 30 วินาที แล้วเสียงมัน 'ลอย'
คลิปนั้นเป็นรีวิวร้านก๋วยเตี๋ยวเรือ ผมให้เสียง AI พูดประมาณว่า 'ร้านนี้แถวสำเพ็ง เปิดมานาน 40 ปี น้ำซุปเข้มข้น เส้นเล็กนุ่ม ๆ หมูแดงก็ชิ้นหนา' ฟังตอนแรกในห้องตัดต่อ ก็คิดว่า 'เออ ใช้ได้แฮะ' แต่พออัปโหลดขึ้นยูทูป แล้วมีคนมาคอมเมนต์ว่า 'พี่ครับ เสียงพี่เหมือนหลอน ๆ หรือผมฟังผิด?' ผมก็เลยลองเปิดในหูฟังอีกรอบ... ปรากฏว่าวรรณยุกต์มันเพี้ยนจริง ๆ คำว่า 'เข้มข้น' มันกลายเป็น 'เข้ม-ค่น' ฟังแล้วเหมือนคนต่างจังหวัดพูด แต่ไม่ใช่สำเนียงไหนเลย
ผมเลยเริ่มงัดการตั้งค่าขั้นสูงในเครื่องมือนั้น มีตัวปรับ 'ระดับเสียงสูงต่ำ' กับ 'ความเร็วในการพูด' ผมลองปรับเสียงให้ต่ำลงอีกหน่อย แล้วเพิ่มความเร็วขึ้น 10% ปรากฏว่ามันดีขึ้นเยอะ เสียงไม่ลอยแล้ว แต่ก็ยังมีบางคำที่เพี้ยน เช่น 'น้ำซุป' ออกมาเป็น 'น้ำ-ซับ' แบบไม่จับใจ เอาจริง ๆ ผมใช้เวลาปรับอยู่ 2 ชั่วโมง กว่าจะได้เสียงที่พอใจ แล้วก็ต้องยอมรับว่า คลิปสั้น ๆ แบบนี้ 30 วินาที มันอาจจะไม่คุ้มกับเวลาที่เสียไป แต่ก็ได้บทเรียนว่า การโคลนเสียงฟรี ไม่ได้แปลว่า กดปุ่มเดียวจบ ต้องปรับอีกเยอะ
ครั้งที่สอง: อินโทรพอดแคสต์ 2 นาที ที่เกือบทำลายเครดิต
ผ่านไป 2 อาทิตย์ ผมมีโปรเจกต์ใหม่ ทำพอดแคสต์เกี่ยวกับประวัติศาสตร์กรุงเทพฯ เปิดตัวตอนแรก ผมอยากได้อินโทรที่ฟังดู 'มีตัวตน' เหมือนมีคนพูดเปิดรายการจริง ๆ ไม่ใช่เสียงหุ่นยนต์อ่านข่าว ผมเลยคิดว่า ใช้โคลนเสียงตัวเองที่ปรับแล้ว กับข้อความยาว ๆ 2 นาที น่าจะเวิร์ก เพราะครั้งก่อนมันก็ใช้ได้กับคลิปสั้น ๆ
ผิดมหันต์
พอผมวางสคริปต์ยาว 400 คำ ลงในช่อง 'แปลงข้อความเป็นเสียงพูด' แล้วกดสร้าง เสียงที่ออกมา... มันเหมือนคนที่กำลังพูดไปเรื่อย ๆ แล้วเริ่มเหนื่อย วรรณยุกต์ตกหล่นเป็นช่วง ๆ โดยเฉพาะประโยคยาว ๆ ที่มีคำว่า 'กรุงเทพมหานคร' ซ้ำ ๆ กัน มันอ่านว่า 'กรุง-เทบ-มะ-หา-นะ-คอน' แบบไม่มีการเชื่อมโยง ฟังแล้วเหมือนหุ่นยนต์ยุค 90
ตอนนั้นผมเกือบถอดใจ แต่นึกขึ้นได้ว่าในหน้านั้นมันมีตัวเลือก 'ปรับเสียงสูงต่ำ' แบบละเอียด ผมลองปรับให้เสียงมัน 'ต่ำลง' อีก 2 ระดับ แล้วก็เพิ่ม 'การหยุดเว้นวรรค' ระหว่างประโยค ผมต้องมานั่งใส่เครื่องหมายจุลภาค คอมมา คั่นทุก ๆ 10 คำ เพื่อให้มันหายใจ ปรากฏว่ามันช่วยได้เยอะ เสียงเริ่มมีจังหวะ มีอารมณ์ขึ้นมา แต่มันก็ยังไม่ใช่ 'อินโทรพอดแคสต์' ที่ผมฝันไว้ มันเหมือนคนอ่านข่าวในวิทยุชุมชน มากกว่าคนเล่าเรื่องให้เพื่อนฟัง
ระหว่างทาง เจอของฟรีที่ไม่ได้แย่เสมอไป
ระหว่างที่ผมงมอยู่นั้น ผมก็ลองค้นหาคำว่า 'โคลนเสียงฟรี' 'สร้างเสียงพูด ai ฟรี' แล้วก็เจอเว็บหนึ่งชื่อว่า th.web666.cc มันเป็นเครื่องมือออนไลน์ ที่ไม่ต้องสมัครสมาชิก แค่เข้าไปที่หน้า https://th.web666.cc/clone แล้วก็อัปโหลดไฟล์เสียงตัวอย่าง แล้วก็พิมพ์ข้อความที่อยากให้พูดได้เลย ผมลองใช้กับเสียงที่ผมเคยอัดไว้ตอนรีวิวร้านกาแฟเมื่อปีก่อน เสียงมันก็ออกมาคล้าย ๆ กับของเดิม แต่ก็ยังมีอาการเพี้ยนบ้างในคำที่มีตัวสะกดแม่ กก กด กน เช่น 'ร้านกาแฟ' มันอ่านว่า 'ร้าน-กา-แฟ' แต่ 'กาแฟ' กลายเป็น 'กา-เฟ' ฟังแล้วเหมือนพูดภาษาต่างประเทศ
ผมลองปรับในส่วน 'การออกเสียง' ซึ่งมันมีให้ใส่สัทอักษร หรือจะพิมพ์คำอ่านเองก็ได้ อย่างเช่น คำว่า 'กาแฟ' ผมก็พิมพ์ว่า 'กา-แฟ' แล้วก็บังคับให้มันอ่านตามนั้น ผลคือมันอ่านได้ถูกต้องขึ้นเยอะ แต่มันก็ใช้เวลานานอยู่ดี เพราะต้องไล่ทีละคำที่เพี้ยน
บทเรียนที่ไม่ได้มีในคู่มือ
สิ่งที่ผมได้เรียนรู้จากการพัง 2 ครั้ง คือ ไม่มีเครื่องมือไหนที่ 'เวทมนตร์' กดแล้วเสร็จ ต่อให้เป็น 'โคลนเสียงฟรี' ที่โฆษณาว่า 'เหมือนเสียงจริง 100%' มันก็ยังต้องมีการปรับแต่งอีกเยอะ โดยเฉพาะภาษาไทยที่มีวรรณยุกต์ 5 เสียง และตัวสะกดที่ซับซ้อน ถ้าคุณใช้เสียงตัวเองเพื่อทำ 'พากย์เสียงวิดีโอด้วย ai ฟรี' คุณต้องเผื่อเวลาอีก 1-2 ชั่วโมง สำหรับการแก้คำเพี้ยน
อีกอย่างที่ผมเจอคือ การโคลนเสียงตัวเอง มันจะได้ผลดีที่สุด ถ้าต้นฉบับเสียงที่อัปโหลดชัดเจน ไม่มีเสียงรบกวน และพูดด้วยน้ำเสียงที่เป็นธรรมชาติ ไม่ใช่เสียงอ่านตามสคริปต์แข็ง ๆ ผมลองอัปโหลดเสียงที่ผมคุยกับเพื่อนแบบเป็นธรรมชาติ ปรากฏว่าเสียงโคลนออกมาเป็นธรรมชาติกว่า ตอนที่ผมอัดเสียงอ่านข่าวเสียอีก
แล้วจะใช้ยังไงให้คุ้ม?
ตอนนี้ผมมีสูตรของตัวเองแล้ว ถ้าจะพากย์คลิปสั้น ๆ ใน TikTok หรือ YouTube Shorts ผมจะใช้ 'แปลงข้อความเป็นเสียงพูด' แบบไม่ต้องโคลนเสียง เพราะมันเร็วกว่า และเสียงก็ฟังดูเป็นทางการดี แต่ถ้าจะทำ 'ทำ audiobook ด้วย ai ฟรี' หรือพอดแคสต์ยาว ๆ ผมจะใช้ 'โคลนเสียงตัวเอง' เพราะมันให้ความรู้สึกเป็นกันเองมากกว่า แต่ต้องยอมแลกกับเวลาที่ต้องมานั่งปรับวรรณยุกต์
สำหรับมือใหม่ ผมแนะนำให้เริ่มจาก 'ข้อความเป็นเสียง ฟรี' ก่อน เพราะมันไม่ต้องอัปโหลดเสียงตัวอย่าง ไม่ต้องกังวลเรื่องความเป็นส่วนตัว แล้วค่อย ๆ พัฒนาไปใช้ 'โคลนเสียงตัวเอง' เมื่อคุณมั่นใจแล้วว่าต้นฉบับเสียงของคุณดีพอ
ท้ายสุดนี้ ผมอยากบอกว่า อย่ากลัวที่จะลองผิดลองถูก เพราะผมเองก็เกือบถอดใจไปหลายรอบ แต่พอเริ่มเข้าใจธรรมชาติของเครื่องมือ แล้วมันก็กลายเป็นเพื่อนคู่ใจในการทำคอนเทนต์จริง ๆ ลองเข้าไปที่ https://th.web666.cc/dynamic แล้วดูบทความอื่น ๆ ที่เขาแชร์เทคนิคการปรับเสียง ก็มีประโยชน์ไม่น้อยเหมือนกัน
เอาล่ะ วันนี้ผมขอตัวไปอัดเสียงตัวอย่างใหม่ก่อน เพราะช่องพอดแคสต์ของผมกำลังจะเปิดตอนที่ 2 แล้ว และคราวนี้ผมจะไม่ปล่อยให้วรรณยุกต์เพี้ยนเด็ดขาด คุณล่ะ เคยเจอปัญหาแบบนี้ไหม? ลองเล่าให้ฟังหน่อยสิ เผื่อเราจะช่วยกันแก้ได้