ทำเสียงพากย์ AI ยังไงให้ไม่เหมือนหุ่นยนต์? เริ่มที่การอัดเสียงอ้างอิงให้ถูกวิธี

ทำเสียงพากย์ AI ยังไงให้ไม่เหมือนหุ่นยนต์? เริ่มที่การอัดเสียงอ้างอิงให้ถูกวิธี

เมื่อวานเพื่อนร่วมงานส่งไฟล์เสียงที่อัดตอนสอนพิเศษมาให้ฉัน แล้วบอกว่า "ช่วยโคลนเสียงหน่อยสิ" ฉันกดฟังไป 10 วินาทีก็ต้องหัวเราะออกมา เพราะในไฟล์มีทั้งเสียงพัดลม เสียงพลิกกระดาษ และเสียงกระแอมตอนเธอพูดติดๆ ขัดๆ พอเอาไปโคลนเสียงฟรี เสียงที่ได้ออกมาก็เหมือนหุ่นยนต์ที่กำลังคุยอยู่ในตู้ปลา – ฉ่าๆ ไปทั้งเรื่อง

เรื่องนี้ทำให้ฉันนึกถึงความเข้าใจผิดที่หลายคนมี: คิดว่าการโคลนเสียงออนไลน์ฟรี แค่ส่งเสียงอะไรก็ได้เข้าไป แล้ว AI จะจัดการเอง แต่ความจริงคือ คุณภาพของเสียงอ้างอิงต่างหากที่決定 ว่าสุดท้ายคุณจะได้เสียงคนจริง หรือได้ตุ๊กตาอิเล็กทรอนิกส์ วันนี้ฉันจะไม่พูดถึงพารามิเตอร์อะไรให้ปวดหัว แต่จะแชร์วิธีอัดเสียง "ที่เอาไปป้อน AI" ให้ได้ผลจริง

ผิดพลาดข้อแรก: อย่าใช้เสียงตอนสอนเป็นตัวอย่าง ให้อัดใหม่แบบ "เสียงผู้ประกาศ"

หลายคนขี้เกียจ เลยอัดเสียงตัวเองตอนสอนปกติแล้วส่งเข้าไป แต่เสียงตอนสอนมันมีทั้งการหยุด การพูดติดอ่าง น้ำเสียงขึ้นลงตามอารมณ์ AI จะจำหมด แล้วเวลาสังเคราะห์ออกมา ประโยคจะขาดเป็นท่อนๆ ทุกคำมีหาง "เอ่อ... อ่า..." ติดมา

วิธีที่ถูกคือ หาเวลาอยู่คนเดียวในที่เงียบๆ ใช้ไมค์โทรศัพท์หรือไมค์คอมพิวเตอร์ อัดเสียงตัวเองใหม่ด้วย น้ำเสียงเรียบๆ แบบอ่านข่าว ไม่ต้องเว่อร์มาก แต่ต้องชัดทุกพยางค์ ไม่ลากเสียงท้ายประโยค ฉันจะอัด 3 รอบ แล้วเลือกอันที่ลื่นไหลที่สุด

ถ้าไม่รู้ว่าจะเริ่มยังไง ลองเข้าไปดูตัวอย่างเสียงใน โคลนเสียงฟรีออนไลน์ ก่อน – เสียงตัวอย่างที่เขาให้ไว้คือมาตรฐานของ "เสียงอ้างอิงที่สะอาด" เลย

ผิดพลาดข้อสอง: เสียงรบกวนในห้อง อันตรายกว่าคุณภาพไมค์

คิดว่าใช้ไมค์โทรศัพท์แล้วพอ? ไม่เสมอไป เสียงพัดลมคอมพิวเตอร์ เสียงแอร์ เสียงรถข้างนอก – AI จะจำสิ่งเหล่านี้เป็น "ลักษณะเสียง" ของคุณด้วย ฉันเคยอัดในร้านกาแฟ ผลที่ได้คือเสียงโคลนมีกลิ่น "ฟองนมลาเต้" ฟุ้งๆ ตลอดทั้งคลิป

ตอนอัดอย่าขี้เกียจ ปิดประตูหน้าต่างให้มิด วางโทรศัพท์ห่างจากปาก 15-20 เซนติเมตร เอาผ้าขนหนูรองใต้เครื่องลดเสียงสั่นสะเทือน ถ้ามีไมค์หูฟังก็ใช้ได้ดีกว่าไมค์โทรศัพท์อีก อัดเสร็จฟังทวนอีกรอบ ถ้าได้ยินเสียง "ซ่า" หรือ "หึ่ง" แทรกมา ให้อัดใหม่

ถ้าทำขั้นตอนนี้ถูกต้อง พอไปใช้ แปลงข้อความเป็นเสียงพูดออนไลน์ จะรู้สึกได้เลยว่าประโยคสะอาดเหมือนมีคนมากระซิบข้างหู

ผิดพลาดข้อสาม: เลือกข้อความอ้างอิงแบบไหน? ไม่ใช่ประโยคที่อ่านแล้วลิ้นพัน

เนื้อหาของเสียงอ้างอิงมีผลต่อการเลียนแบบน้ำเสียง การหยุด และการเชื่อมคำ ถ้าคุณอัด "กากกุ้งคั่วกระทะ” AI จะจำจังหวะแบบอ่านลิ้นพัน แล้วเอาไปใช้กับสไลด์สอนก็จะดูประหลาด

ฉันแนะนำให้อัด ข้อความแบบเล่าเรื่องธรรมดา เช่น "วันนี้เราจะเรียนเรื่องการสังเคราะห์แสง ซึ่งเป็นกระบวนการที่พืชใช้แสงอาทิตย์เปลี่ยนคาร์บอนไดออกไซด์และน้ำให้เป็นสารอินทรีย์" – ประโยคแบบนี้มีโครงสร้างครบ มีเครื่องหมายจุลภาคและมหัพภาค AI จะได้เรียนรู้การเว้นวรรคและการลงเสียงท้ายประโยคที่ถูกต้อง

อีกอย่าง ถ้าอยากโคลนเสียงตัวเองเพื่ออ่านบทเรียน ลองใช้ฟีเจอร์ใน โคลนเสียงฟรีถาวร ที่มีข้อความแนะนำไว้ให้ อ่านตามนั้นได้เลย ไม่ต้องคิดเองให้เสียเวลา

ผิดพลาดข้อสี่: อย่าโลภอัดนาน 10-20 วินาทีก็พอ

บางคนคิดว่ายิ่งอัดนานยิ่งดี เลยอัดไป 5 นาที แต่ AI จะดึง "จุดเด่น" ที่ผิดปกติออกมา เช่น ตอนที่คุณพูดเสียงดังขึ้นมาฉับพลัน หรือตอนที่พูดติดอ่าง มันอาจจำเอาไว้

จากที่ลองมาหลายครั้ง เสียงยาว 15 วินาที อัตราเร็วสม่ำเสมอ ไม่มีอารมณ์แปรปรวน ให้ผลดีที่สุด ถ้าอยากอัดยาว ต้องมั่นใจว่าความดัง ความเร็ว และน้ำเสียงทั้งคลิปอยู่ในระดับเดียวกัน ไม่มีขึ้นลง

เรื่องไฟล์เสียงไม่ต้องซีเรียส mp3 หรือ wav ก็ได้ แต่ค่า sample rate อย่าต่ำเกินไป ใช้ค่าเริ่มต้นจากโทรศัพท์ก็พอแล้ว

ผิดพลาดข้อห้า: อัดเสร็จอย่าเพิ่งส่ง ให้ตัดเสียงรบกวนก่อน

ถึงห้องจะเงียบแค่ไหน เสียงที่อัดมาก็มีเสียงพื้นหลังจางๆ เสมอ ใช้แอปตัดต่อในโทรศัพท์หรือ Audacity ฟรี ตัดส่วนหัวและท้ายที่เงียบออก เหลือเฉพาะช่วงที่พูดจริง

ครั้งหนึ่งฉันขี้เกียจไม่ตัด ส่งเข้าไปเลย ผลคือทุกคำมีเสียง "ฟู่" ติดท้ายเหมือนบอลลูนรั่ว พอตัดเสียงเงียบออกแล้วก็สะอาดทันที ขั้นตอนเล็กๆ แค่นี้ทำให้ สร้างเสียงพูด ai ฟรี ของคุณดีขึ้นอีกขั้น

ผิดพลาดข้อหก: ใช้ประโยคสั้นๆ ทดสอบ แทนที่จะฟังทั้งเรื่อง

หลายคนก็อัดเสียงเสร็จแล้วก็วางข้อความทั้งสไลด์เข้าไป รอผลออกมา ฟังได้ 2 วินาทีก็ปิด – เพราะมันเหมือนหุ่นยนต์ แต่ไม่รู้ว่าแก้ตรงไหน

นิสัยของฉันคือ พิมพ์ประโยคสั้นๆ ก่อน เช่น "นักเรียนครับ วันนี้เราจะเรียนบทที่สาม" ฟังดู ถ้าธรรมชาติแล้วค่อยวางข้อความยาว ถ้ายังแข็งๆ ก็กลับไปแก้เสียงอ้างอิง วิธีนี้ประหยัดเวลาและหาปัญหาได้ตรงจุด

ผิดพลาดข้อเจ็ด: คำลงท้ายและเครื่องหมายวรรคตอนคือเคล็ดลับความ "มีชีวิต"

อีกจุดที่คนมองข้าม: AI ตีความเครื่องหมายจุลภาค มหัพภาค คำถาม เครื่องหมายตกใจ แล้วส่งผลต่อความเป็นธรรมชาติ ตอนอัดเสียงอ้างอิง ต้องอ่านเครื่องหมายวรรคตอนออกมา – ไม่ใช่พูดว่า "จุลภาค" แต่คือการหยุดและการลงเสียงให้ถูก

เช่น "วันนี้อากาศดีมาก เราไปเดินเล่นกันเถอะ" – ที่จุลภาคให้หยุดนิดหนึ่ง ที่มหัพภาคให้เสียงตก AI จะได้เรียนรู้ "จังหวะหายใจ" แบบนี้ แล้วเวลาสังเคราะห์จะไม่อ่านเป็นหุ่นยนต์ทีละคำ

ถ้าอยากให้เสียงพากย์ดูเป็นกันเองมากขึ้น ลองใช้ฟีเจอร์ โคลนเสียงฟรีสำหรับร้องเพลง อัดเสียงพูด "สวัสดีครับ" ด้วยน้ำเสียงเหมือนร้องเพลง AI จะจำเสียงสูงท้ายประโยคได้ แล้วเอาไปใช้ตอนเปิดคลิปได้สดใสมาก

ปิดท้ายด้วยเหตุการณ์จริงของฉันวันนี้

เช้านี้ฉันใช้เสียงอ้างอิง 15 วินาทีที่อัดเอง ไปทำเสียงพากย์ให้สไลด์ทบทวนของนักเรียน ม.6 ข้อความคือ "กรุณาเปิดหนังสือไปหน้าที่ 48 แล้วดูตัวอย่างที่ 3 วิธีการพิสูจน์" พอเสียงออกมา คำว่า "กรุณา" ที่ลงเสียงหนักและการหยุดนิดหน่อย มันเหมือนตอนฉันสอนในห้องเป๊ะ

ฉันส่งคลิปนั้นไปในกลุ่มครู มีสามคนถามว่า "นี่เธออัดเองใช่ไหม" ความจริงฉันใช้เวลาแค่อัดเสียงอ้างอิง 10 นาที แล้วสังเคราะห์อีก 3 นาที เพราะฉะนั้น ถ้าอยากให้เสียงพากย์ไม่ดูหุ่นยนต์ คืนนี้ลองหามุมเงียบๆ ในบ้าน อัดเสียง 15 วินาทีตามที่บอก แล้วพรุ่งนี้เข้าไปลองที่ เว็บโคลนเสียงฟรี สักครั้ง – แล้วจะรู้ว่า "ความเป็นคน" มันสร้างเองได้