โคลนเสียงฟรีแล้วพังยับ เพราะผมดันอัดเสียงกลางร้านกาแฟ
บทเรียนจากความมั่นใจเกินร้อย
ผมนั่งมุมในร้านกาแฟย่านอารีย์ เสียงเครื่องบดกาแฟดังครืด ๆ อยู่ข้างหู โต๊ะข้าง ๆ คุยกันเรื่องผ่อนรถไม่ผ่อนบ้าน ฉันกดอัดคลิปแนะนำตัวยาว 30 วินาที แล้วคิดในใจว่า "ก็แค่ลอง ไม่เสียหายนี่หว่า" — เว็บมันก็เขียนไว้ชัด ๆ ว่า โคลนเสียงฟรี แถมยัง โคลนเสียงออนไลน์แบบไม่ต้องสมัครสมาชิก อีก จะรออะไรล่ะ
กดอัปโหลด รอประมาณ 40 วินาที แล้วกดเล่นไฟล์ที่ได้
โอ้โฮ
เสียงที่ออกมาเหมือนผมกำลังพูดอยู่ใต้ผ้าห่มหนา ๆ กลางงานวัด ชื่อผมยังฟังไม่ชัดเลยด้วยซ้ำ — กลายเป็น "สม..." อะไรสักอย่างที่ฟังไม่ออก จังหวะหายใจก็แปลก เหมือนวิทยุ AM ตอนคลื่นหลุด
ตอนนั้นแหละที่ผมยอมเปิดอ่านเอกสารของเว็บอย่างจริงจัง ไม่ใช่แค่กวาดตาผ่าน
ตัวเลขที่ผมมองข้ามไป
ในหน้าเอกสารเขียนไว้ว่า โมเดลต้องการไฟล์เสียงที่ค่า SNR (อัตราส่วนสัญญาณต่อเสียงรบกวน) อยู่ในเกณฑ์ ถ้าเสียงรบกวนเกินประมาณ -20 dB ความเหมือนของเสียงจะดรอปแบบเห็นได้ชัด
ผมไม่รู้มาก่อนว่ามันสำคัญขนาดนั้น ตอนอัดในร้านกาแฟ เสียงเครื่องชงกับเสียงคนคุยรวมกันน่าจะเกิน -10 dB ไปแล้วด้วยซ้ำ
บทเรียนข้อแรกของผมคือ — ฟรี ไม่ได้แปลว่าใช้มั่ว ๆ ได้ งานส่วนที่ยากที่สุดไม่ใช่ตอนกดปุ่มโคลน แต่อยู่ที่การเตรียมไฟล์ก่อนอัปโหลด ซึ่งเป็นขั้นตอนที่คนส่วนใหญ่ (รวมถึงผม) มักข้าม
ล้างเสียงก่อน แล้วค่อยโคลนเสียงตัวเอง
สิ่งที่ผมทำต่อคือเปิด Audacity ขึ้นมา — ฟรีเหมือนกัน ไม่ต้องง้อใคร
- หาช่วง 2–3 วินาทีที่ "มีแต่เสียงรบกวน" ไม่มีเสียงพูดเลย (เช่นช่วงที่ผมเงียบก่อนเริ่มพูด) แล้วเลือกเป็น Noise Profile
- ไปที่ Effect > Noise Reduction ลดค่าลงสัก 12–18 dB อย่าใจร้อนเร่งเยอะ เพราะเสียงผมจะกลายเป็นหุ่นทันที — เคยลองแล้ว ฟังเหมือนเสียงตอบรับอัตโนมัติของธนาคาร
- ตัดช่วงหัวท้ายทิ้งให้เหลือแต่เสียงพูดจริง ๆ แล้ว Normalize ให้พีคอยู่ราว -3 dB
- Export เป็น WAV 16 kHz โมโน ไฟล์เหลือไม่กี่ร้อย KB อัปโหลดปื๊ดเดียวจบ
จากนั้นผมก็ไปที่หน้า แปลงข้อความเป็นเสียงพูดออนไลน์ พิมพ์ประโยคทดสอบสั้น ๆ สัก 3–4 ประโยคก่อน ฟังว่าวรรณยุกต์ไทยครบไหม — ภาษาไทยมีเสียงวรรณยุกต์ห้าเสียง ถ้าโมเดลลากเสียงเอกโทเพี้ยน หูคนไทยจับได้ทันที ไม่เหมือนภาษาอังกฤษที่กลืน ๆ กันไปพอรอด
พอใจแล้วค่อยเอาผลลัพธ์ที่ล้างสะอาดแล้วไปเข้า โคลนเสียงตัวเอง รอบนี้ผลต่างกันแบบคนละเรื่อง ชื่อผมชัด ท้ายเสียงไม่หาย และไม่มีความรู้สึก "กำแพงกำมะหยี่" กั้นระหว่างผมกับไมค์อีก
ทั้งหมดนี้ใช้เวลาไม่ถึง 5 นาที น้อยกว่าตอนผมนั่งงมกับโปรแกรมเสียเงินเมื่อปีก่อนตั้งครึ่งชั่วโมง
ถ้าใครเขียนโค้ดเป็น ทางเว็บมี API สังเคราะห์เสียงฟรี ให้เรียกจากสคริปต์ได้เลย ผมใช้ทำ batch ทีละ 30–40 ไฟล์ตอนทำคลิปชุดใหญ่ ประหยัดเวลาสั่งกดมือไปเยอะ
เกร็ดการอัดที่ผมเสียเวลามาแล้ว
ระยะห่างจากปากที่ผมใช้ได้ผลสุดคือประมาณ 15–20 เซนติเมตร ไม่ใกล้กว่านั้นเพราะเสียงลมจะเข้า ไม่งั้นก็เอาถุงเท้าสะอาด ๆ มาขึงเป็น pop filter ชั่วคราวได้ผลเกินคาด
อีกอย่าง อัดตอนดึกในห้องนอนที่ปิดประตู ดีกว่าอัดตอนกลางวันในห้องนั่งเล่นที่มีเสียงรถวิ่งผ่านตลอด ไม่ต้องซื้อไมค์แพง ๆ เลยด้วยซ้ำ
หนังสือเสียง พากย์ TikTok กับพอดแคสต์ ต้องการคนละอย่าง
ตรงนี้ผมอยากเล่า เพราะคิดว่าหลายคนเข้าใจผิดเหมือนผมตอนแรก
หนังสือเสียง ต้องการความต่อเนื่องยาว ๆ โทนต้องนิ่ง ไม่แกว่ง ผมลองป้อนนิยายไทยเข้าไปหนึ่งบท (ประมาณ 4,000 คำ) ปล่อยให้ ทำ audiobook ด้วย AI ฟรี อ่านรวดเดียว จังหวะหยุดตรงเครื่องหมายจุลภาคกับมหัพภาคทำได้เป็นธรรมชาติ ไม่ได้แข็งเหมือนหุ่นอ่านข่าว แน่นอนว่ายังต้องนั่งฟังทวนอยู่ดี แต่ประหยัดเวลาอัดเสียงเองไปได้เป็นสิบชั่วโมง
พากย์วิดีโอสั้น เป็นอีกโลกเลย คลิป TikTok 15 วินาที ต้องการอารมณ์ ต้องการแรงกด ต้องการความ "กระแทก" ซึ่งการอ่านเรียบ ๆ ใช้ไม่ได้ ผมใช้ พากย์เสียงวิดีโอด้วย AI ฟรี เจนออกมา 3 เวอร์ชันจากข้อความเดียวกัน แล้วเลือกอันที่แรงที่สุดไปตัดกับ CapCut — คลิปนั้นยอดวิวขึ้นไปไกลกว่าคลิปที่ผมให้เพื่อนพากย์เองอยู่ประมาณ 30%
พูดง่าย ๆ มันคือการ สร้างเสียงนักพากย์อัตโนมัติ ที่ไม่ต้องจ้างคน ไม่ต้องนัดคิว ไม่ต้องรออารมณ์ใคร
พอดแคสต์ ต่างออกไปอีก ช่วงเปิดรายการที่ต้องพูดทักทายยาว ๆ ผมใช้ เสียงพากย์ AI ฟรี เจนแล้ววางดนตรีประกอบเข้าไป มีคนฟังคอมเมนต์ถามว่าผมไปอัดสตูดิโอที่ไหนมา — ไม่มีใครจับได้
ส่วนเรื่องลิมิตคำที่หลายคนกังวล ผมโยนสคริปต์ยาวเป็นหมื่นคำเข้าไปในหน้า แปลงข้อความเป็นเสียงแบบไม่จำกัด มันก็รันจบในทีเดียว ไม่ต้องตัดเป็นท่อน ๆ แล้วมาต่อไฟล์ให้เมื่อยมือ
และที่ผมชอบเป็นการส่วนตัวคือมันเป็น text to speech ที่ไม่ต้องสมัครสมาชิก — เปิดหน้าเว็บ วางข้อความ กดเจน จบ ไม่ต้องกรอกอีเมล ไม่ต้องยืนยันเบอร์ ไม่ต้องรอ OTP ที่ไม่ยอมส่งมา
เรื่องที่คนไทยต้องระวังมากกว่าคนชาติอื่น
อันนี้ผมพูดในฐานะคนที่อยู่ในวงการนี้มาแปดปี — บ้านเรามีบริบทที่ต่างจากที่อื่น
ช่วงสองปีที่ผ่านมา ข่าวแก๊งคอลเซ็นเตอร์ใช้เสียง AI ปลอมเป็นญาติโทรมาขอยืมเงินมีให้เห็นแทบทุกเดือน พอเทคโนโลยี สร้างเสียงพูด AI ฟรี เข้าถึงง่ายขึ้น คนทั่วไปก็เริ่มระแวง ซึ่งจริง ๆ ก็ดีนะ
สิ่งที่ผมยึดถือมาตลอดคือ โคลนเสียงตัวเองเท่านั้น อย่าเอาคลิปเสียงเพื่อน ดารา หรือนักร้องมาป้อน ถ้าไม่มีหนังสือยินยอมเป็นลายลักษณ์อักษร เพราะนอกจากจะผิดกฎหมายคุ้มครองข้อมูลส่วนบุคคล (PDPA) แล้ว ยังทำให้เครื่องมือดี ๆ แบบนี้ถูกมองเป็นอาวุธไปด้วย
อีกอย่าง อย่าใช้เสียงที่โคลนแล้วไปทำคอนเทนต์ที่อ้างว่าเป็นคำพูดจริงของใคร มันคนละเรื่องกับ ข้อความเป็นเสียง ฟรี ที่ใช้พากย์สคริปต์ที่ตัวเองเขียนขึ้นมา
จริง ๆ ตอนแรกผมก็เสิร์ชคำว่า voice clone thai free กับ text to speech ภาษาไทย ฟรี อยู่หลายคืนกว่าจะเจอที่ที่โอเค แต่พอเจอแล้วก็ต้องยอมรับว่าตัวเครื่องมือไม่ใช่ปัญหาหลัก ปัญหาหลักคือไฟล์ที่เราใส่เข้าไปต่างหาก
คำถามที่ผมเจอบ่อย
ทำไมอัดเสียงในที่คนเยอะแล้วโคลนออกมาเพี้ยน?
เพราะโมเดลเรียนรู้จากสเปกตรัมของเสียงคนที่สะอาด ถ้าในไฟล์มีเสียงรบกวนปนอยู่ โมเดลจะมองว่าเสียงนั้นเป็นส่วนหนึ่งของ "เสียงคุณ" แล้วเรียนรู้มันไปด้วย พอสังเคราะห์ออกมา เสียงรบกวนก็ติดมาด้วย ทางแก้คือล้างไฟล์ก่อน อย่าไปโทษโมเดล
ฟรีจริงหรือมีกับดัก?
เท่าที่ผมใช้มา เว็บยืนยันว่า โคลนเสียงฟรีถาวร ไม่คิดเงิน ไม่จำกัดจำนวนครั้ง และไม่มีกำแพงสมาชิกแอบแฝง สิ่งเดียวที่เขาขอคืออย่าเอาไปใช้ในทางที่ผิดหรือขายต่อแบบไม่ได้รับอนุญาต
เอาไฟล์เสียงไปใช้กับโปรแกรมอื่นได้ไหม?
ได้เลย ไฟล์ที่ได้เป็น WAV/MP3 มาตรฐาน ดาวน์โหลดแล้วลากเข้า CapCut, Premiere Pro หรือ DaVinci Resolve ได้ทันที ไม่มีลายน้ำ ไม่มีการเข้ารหัสอะไรทั้งนั้น
อยากดูเทคนิคพวกนี้แบบละเอียดกว่านี้ ผมรวมไว้ที่ บทเรียนเพิ่มเติม ลองไปไล่อ่านดูได้
สุดท้ายนี้... ถ้าคุณกำลังจะกดอัปโหลดไฟล์ที่อัดจากมือถือกลางห้างหรือในรถโดยไม่ฟังก่อน หยุดหนึ่งนาที เปิดฟังด้วยหูฟังก่อน ถ้าได้ยินเสียงแอร์ดังกว่าเสียงตัวเอง ก็กลับไปอัดใหม่ หรือไม่ก็ล้างเสียงก่อน
ของผมเอง หลังปรับวิธีแล้ว แค่เอาผ้าห่มคลุมหัวแล้วอัดในห้องนอนตอนดึก ๆ คุณภาพก็พอใช้โคลนได้แล้ว ไม่ต้องซื้อไมค์แพง ๆ เลย