โคลนเสียงฟรี vs TTS จ่ายเงิน ต่างกันแค่ไหน? ลองแล้ว
เมื่อวานฉันนั่งอัดเสียงตัวเองอ่านบทความยาวๆ 3 นาที ด้วยไมค์คุมะที่ราคา 200 บาท แล้วเอาไปอัปโหลดบนเว็บโคลนเสียงฟรีที่เจอในกูเกิล ไม่ได้คาดหวังอะไร แต่อยากลอง เพราะเห็นเพื่อนในกลุ่มไลน์แชร์ว่าใช้โคลนเสียงตัวเองทำเสียงพากย์วิดีโอขายของ แล้วลูกค้าทักว่าพากย์ดีขึ้น ฟังเป็นธรรมชาติกว่าเดิม
ฉันเป็นบล็อกเกอร์สายรีวิวเครื่องมือออนไลน์มา 8 ปี เคยลอง TTS เสียเงินมาแล้วหลายค่าย ทั้ง ElevenLabs, PlayHT, อะไรพวกนั้น ราคาเดือนละ 20-30 เหรียญ แต่ไม่เคยลองโคลนเสียงฟรีจริงจังสักที เพราะคิดว่าคุณภาพคงห่วย แต่เอาเข้าจริง ผลที่ได้ทำให้ฉันต้องมานั่งเขียนบทความนี้
เริ่มจากเครื่องมือฟรี: อัปโหลดเสียง 30 วินาทีก็ใช้ได้
เว็บที่ฉันใช้ชื่อว่า th.web666.cc หน้าแรกมีปุ่มเขียวๆ เขียนว่า "โคลนเสียงฟรี" ไม่ต้องสมัครสมาชิก ไม่ต้องกรอกอีเมล กดเข้าไปแล้วก็เจอหน้าให้อัปโหลดไฟล์เสียง ฉันใช้เสียงที่อัดไว้ตอนอ่านบทความยาวๆ แต่ก็มีตัวอย่างเสียงสั้นๆ 10 วินาทีให้ลองก่อน
ขั้นตอนง่ายมาก: อัปโหลดไฟล์ รอสัก 10-15 วินาที มันก็ประมวลผลเสร็จ แล้วมีหน้าต่างให้พิมพ์ข้อความภาษาไทยลงไป กดปุ่ม "แปลงเป็นเสียง" ก็ได้ไฟล์ MP3 ออกมา ฉันลองพิมพ์ประโยคที่ตัวเองเคยพูดในคลิป "สวัสดีครับ วันนี้เรามารีวิวเครื่องทำกาแฟตัวใหม่" เสียงที่ออกมาแทบตกใจ เพราะมันเหมือนฉันจริงๆ แม้จะมีสำเนียงเพี้ยนเล็กน้อยตอนคำว่า "รีวิว" แต่โดยรวมคือ ฉันเอง
เปรียบเทียบกับ TTS เสียเงิน: ฟรีแพ้ตรงไหน?
ฉันมีบัญชี ElevenLabs แบบจ่ายรายเดือนอยู่แล้ว เลยลองโคลนเสียงด้วยเสียงเดียวกัน อัปโหลดไฟล์ 30 วินาที ระบบใช้เวลาประมวลผลนานกว่าเล็กน้อย ประมาณ 20 วินาที แต่เสียงที่ออกมาละเอียดกว่า เก็บเสียงหายใจ เสียงริมฝีปากตอนออกเสียง "ป" "บ" ได้ชัดเจนกว่า
แต่ความต่างที่เห็นชัดที่สุดคือตอนพิมพ์ข้อความยาวๆ 2-3 ย่อหน้า TTS เสียเงินมันรักษาน้ำเสียงและจังหวะการพูดได้สม่ำเสมอ ไม่เพี้ยน ส่วนของฟรี พอประโยคยาวเกิน 3 บรรทัด เสียงเริ่มแบน ฟังดูเหมือนหุ่นยนต์นิดๆ โดยเฉพาะคำว่า "เพราะฉะนั้น" "อย่างไรก็ตาม" มันออกเสียงเหมือนคนต่างชาติพูดไทย
ความเร็วและข้อจำกัด: ฟรีไม่ได้แปลว่าช้าเสมอไป
หลายคนเข้าใจว่าเครื่องมือฟรีต้องรอนาน แต่จริงๆ แล้วเว็บนี้ประมวลผลไวมาก แค่ 10 วินาทีก็เสร็จ ส่วน TTS เสียเงินบางครั้งต้องรอคิว 30-60 วินาที ช่วงที่คนใช้เยอะ แต่สิ่งที่ฟรีแพ้คือจำนวนคำต่อครั้ง ฟรีให้แปลงได้ครั้งละไม่เกิน 500 ตัวอักษร ถ้าข้อความยาวกว่านั้นต้องแบ่งเป็นหลายรอบ แล้วค่อยเอามาต่อกันในโปรแกรมตัดต่อ
ส่วน TTS เสียเงินให้แปลงได้ยาวถึง 5,000 ตัวอักษรต่อครั้ง แต่ก็มีข้อจำกัดเรื่องสิทธิ์การใช้งานเชิงพาณิชย์ ต้องซื้อแพ็กเกจที่แพงขึ้น ถ้าจะใช้เสียงโคลนไปทำโฆษณา
ลองโคลนเสียงคนอื่นดู: เสียงเพื่อนที่เป็นผู้หญิง
ฉันอยากรู้ว่าโคลนเสียงฟรีจะทำงานกับเสียงเพศต่างกันมั้ย เลยขอเสียงเพื่อนผู้หญิงที่พูดภาษาเหนือชัดๆ อัดมา 20 วินาที แล้วโคลนบนเว็บฟรี ผลคือมันทำได้ แต่เสียงที่ออกมาเหมือนเพื่อนตอนเป็นหวัด เสียงแหบๆ ไม่สดใสเท่าต้นฉบับ ส่วน TTS เสียเงินให้เสียงที่ใกล้เคียงกว่า เก็บรายละเอียดของเสียงสูงได้ดีกว่า
แต่สิ่งที่ทำให้ฉันประหลาดใจคือ ฟรีมีตัวปรับแต่งขั้นสูงให้ เลื่อนปรับระดับเสียงสูงต่ำ ความเร็วในการพูด และเน้นเสียงบางพยางค์ได้ ถึงจะปรับไม่ละเอียดเท่า TTS เสียเงิน แต่ก็พอให้เสียงไม่เพี้ยนมาก
ใช้ทำอะไรได้บ้าง: จากเสียงเรียกเข้า ถึงพากย์วิดีโอ
หลังลองเสร็จ ฉันเอาเสียงโคลนฟรีไปทำเสียงเรียกเข้าโทรศัพท์ให้แฟน ด้วยการพิมพ์ข้อความว่า "ที่รัก รับสายหน่อย เดี๋ยวพากินข้าว" แล้วโหลดเสียงเรียกเข้า ไอ โฟน ฟรี ไปตั้งเป็นริงโทน แฟนตกใจมาก คิดว่าฉันโทรไปจริงๆ
อีกอย่างที่ลองคือเอาไปทำพากย์วิดีโอรีวิวร้านอาหารในติ๊กต็อก เสียงโคลนฟรีฟังดูเป็นธรรมชาติพอ แต่ต้องตัดต่อเก็บรายละเอียดนิดหน่อย เช่น ปรับจังหวะหายใจ และเพิ่มเสียงเอฟเฟกต์พื้นหลัง เพื่อกลบเสียงที่เพี้ยนเล็กน้อย
ปัญหาที่เจอตอนลองใช้จริง: เสียงสะท้อนและพื้นหลัง
มีอยู่วันหนึ่งฉันลองอัดเสียงในห้องนอนที่มีพัดลมเปิดอยู่ เสียงลมมันเข้าไปในไมค์ด้วย ตอนโคลนเสียงฟรีมันเก็บเสียงลมนั้นไปด้วย พอแปลงข้อความ เสียงที่ออกมามีเสียงฟู่ๆ ตลอดทั้งคลิป ฟังแล้วรำคาญมาก ต้องมาใช้โปรแกรมตัดเสียงรบกวนใน Audacity อีกที
วิธีแก้คือต้องอัดเสียงในที่เงียบๆ ปิดพัดลม ปิดแอร์ หรือถ้าอัดในห้องที่มีเสียงก้อง ก็เอาผ้าห่มมาคลุมหัวไมค์กับตัวเองแบบ DIY ก็พอช่วยได้ แต่ถ้าใช้ TTS เสียเงิน มันมีระบบกรองเสียงรบกวนอัตโนมัติ ตอนอัปโหลดไฟล์เสียงมันจะลบเสียงพื้นหลังให้อัตโนมัติ ไม่ต้องมานั่งทำเอง ซึ่งเป็นจุดที่ฟรีสู้ไม่ได้จริงๆ
อัปเดตล่าสุด: ฟรีมีโหมดเสียงใหม่เพิ่มมา
เมื่อสัปดาห์ก่อนฉันกลับไปที่เว็บฟรีอีกที เจอว่ามันเพิ่มโหมดเสียงให้เลือก 3 แบบ คือ เสียงปกติ เสียงกระซิบ และเสียงอ่านข่าว ฉันลองโหมดเสียงอ่านข่าวกับข้อความรีวิวร้านกาแฟ ผลคือมันออกมาเหมือนผู้ประกาศข่าวจริงๆ น้ำเสียงเป็นทางการขึ้น แต่ก็ยังมีสำเนียงเพี้ยนที่คำว่า "กาแฟ" ตอนออกเสียง "ฟ" มันกลายเป็นเสียง "พ" แทน
ส่วน TTS เสียเงินมีโหมดเสียงให้เลือกเยอะกว่า เช่น เสียงเล่าเรื่อง เสียงพูดคุย เสียงโฆษณา และยังปรับอารมณ์เสียงได้ด้วย ดีใจ เสียใจ โกรธ แต่โหมดพวกนี้ต้องใช้เครดิตเพิ่ม เสียเงินต่อครั้งอีกต่างหาก ถ้าจะใช้บ่อยๆ ค่าใช้จ่ายก็บานปลาย
สรุปจากใจ: ฟรีพอใช้ แต่ต้องยอมรับข้อจำกัด
ถ้าถามฉันว่าโคลนเสียงฟรี vs TTS เสียเงิน ต่างกันแค่ไหน? คำตอบคือ ต่างกันที่รายละเอียดและความยาวของข้อความ แต่ถ้าแค่ทำเสียงพากย์สั้นๆ หรือทำริงโทนตลกๆ ฟรีก็เพียงพอ อย่าไปคาดหวังว่าเสียงจะเหมือน 100% เพราะมันยังมีสำเนียงเพี้ยนในคำที่ซับซ้อน แต่สำหรับคนที่ไม่ได้ต้องการคุณภาพระดับสตูดิโอ มันคือทางรอดที่ประหยัดเงิน
สุดท้ายนี้ ถ้าอยากลอง อย่าลืมอัปโหลดเสียงที่ชัดเจน ไม่มีเสียงรบกวน และพูดช้าๆ 30 วินาทีก็พอ แล้วลองพิมพ์ข้อความสั้นๆ ก่อน แล้วค่อยเพิ่มความยาว ถ้าได้ผลยังไงมาเล่าให้ฟังบ้างนะ
หมายเหตุ: บทความนี้เขียนจากประสบการณ์จริง ไม่ได้มีส่วนได้เสียกับเว็บใดๆ ลองแล้วชอบก็ใช้ ไม่ชอบก็เลิก