บันทึกเสียงตัวอย่างยังไง ให้เสียงโคลนไม่เหมือนหุ่นยนต์

เมื่อวานนั่งทำพากย์เสียงวิดีโอแนะนำสินค้าภาษาอังกฤษให้เพื่อน เขาใช้ไมค์ในโทรศัพท์อัดเสียงตัวอย่างภาษาไทยส่งมาให้ พอโคลนเสียงออกมา ฉันขำแทบไม่ไหว – ทุกคำชัดเป๊ะ แต่ฟังรวมแล้วเหมือนนักเรียนท่องหนังสือ ไม่มีความเป็นคนเลย สุดท้ายต้องนั่งอัดใหม่ให้ ใช้เวลาไม่ถึงสิบนาที แต่ผลต่างกันราวฟ้ากับเหว

จริงๆ แล้วปัญหาไม่ได้อยู่ที่ตัวเทคโนโลยี โคลนเสียงฟรี แต่อยู่ที่วิธีบันทึกเสียงตัวอย่างต่างหาก เราให้ AI ฟังอะไร มันก็จะเลียนแบบอย่างนั้น วันนี้จะเล่าทุกหลุมที่ฉันเคยเจอ พร้อมวิธีแก้แบบจับต้องได้

เสียงรบกวน: ศัตรูตัวร้ายที่ทำให้เสียงเป็นหุ่นยนต์

เริ่มจากเรื่องที่คนมองข้ามที่สุด – เสียงรบกวนพื้นหลัง หลายคนคิดว่าแค่ห้องเงียบๆ ก็พอ แต่เสียงพัดลมคอมพิวเตอร์ แอร์ หรือรถวิ่งผ่านหน้าบ้าน ความถี่ต่ำพวกนี้พอถูกบันทึกเข้าไป จะทำให้เสียงโคลนออกมา "อึ้งๆ" แบบมีกลไก

ฉันลองมาแล้ว อัดเสียงเดียวกันสองรอบ รอบแรกมีเสียงแอร์ดังแว่วๆ รอบสองปิดแอร์สนิท ผลคือรอบแรกเสียงออกมา "พลาสติก" กว่าชัดเจน เปิดดูคลื่นเสียงใน Audacity จะเห็นว่าเสียงรบกวนทำให้คลื่นด้านล่างไม่เรียบ เหมือนมีผ้าห่มบางๆ คลุมอยู่

วิธีแก้ก็ง่ายนิดเดียว – ปิดพัดลมทุกตัว วางโทรศัพท์ให้ไกลตัว ใช้ไมค์หนีบเสื้อหรือไมค์ไดนามิกจะดีมาก ถ้าจำเป็นจริงๆ ใช้ปลั๊กอินลดเสียงรบกวนทีหลังได้ แต่ห้ามลดจนเกินไป เดี๋ยวเสียงจะลอยๆ ไม่มีน้ำหนัก

อีกจุดที่คนลืม – ระยะห่างจากไมค์ ควรห่างประมาณหนึ่งกำปั้น ใกล้ไปจะได้ยินเสียงลมและเสียงลิ้นกระทบฟัน ไกลไปจะเก็บเสียงก้องในห้อง ทั้งสองแบบทำให้เสียงโคลนเหมือนมีม่านกั้น

การเว้นจังหวะ: สอนให้ AI หายใจเป็น

ข้อสองคือการเว้นวรรค คนเราพูดจริงๆ มีการหายใจ มีจังหวะคิด แต่เวลาอัดเสียงตัวอย่าง หลายคนกลัวเงียบ รีบพูดรวดเดียวจบ ผลคือเสียงโคลนกลายเป็นปืนกล

วิธีที่ฉันใช้คือ เว้นจังหวะ 0.3–0.5 วินาทีที่ลูกน้ำและมหัพภาค และลดเสียงต่ำลงเล็กน้อยก่อนจบประโยค แบบนี้ AI จะเรียนรู้ขอบเขตประโยค แล้วเวลาสร้างเสียงก็จะเว้นวรรคและเปลี่ยนน้ำเสียงเอง

น้ำเสียงก็สำคัญ ถ้าอยากได้เสียงสดใสมีพลัง เสียงตัวอย่างต้องมีรอยยิ้มแฝงอยู่ ถ้าอยากได้เสียงนุ่มลึก ก็ต้องลดเสียงต่ำลง อย่าหวังพึ่งการปรับทีหลัง เพราะ AI เรียนรู้วิธีการออกเสียง ไม่ใช่ป้ายกำกับอารมณ์

ฉันเคยทดลองอัดประโยคคำถามด้วยน้ำเสียงสงสัยชัดๆ พอเอาไปสร้างเสียง TTS มันกลับถามขึ้นท้ายประโยคอัตโนมัติ ธรรมชาติมาก นี่คือ "ข้อมูลซ่อนเร้น" ในเสียงตัวอย่าง

เคล็ดลับอีกอย่าง – อัดหลายๆ รอบ แล้วเลือกเวอร์ชันที่เป็นธรรมชาติที่สุด รอบแรกเรามักเกร็ง พูดเร็วเกินไปเสมอ

เรื่องต้องระวังเมื่อทำเสียงหลายภาษา

ถ้าจะทำเสียงหลายภาษา เช่น ใช้เสียงตัวอย่างภาษาไทยไปโคลนเป็นอังกฤษหรือญี่ปุ่น ต้องระวังเรื่องเสียง "รอ" ควบกล้ำ และเสียงวรรณยุกต์ไทย ถ้าเสียงตัวอย่างมีสำเนียงไทยปน เช่น ออกเสียง "ร" ผิด หรือมีเสียง "อะ" กระโดด AI จะพาไปใช้ในภาษาเป้าหมายด้วย

ฉันเคยทำเสียงพากย์ญี่ปุ่น เสียงตัวอย่างมีสำเนียงจีนนิดๆ (เพื่อนเป็นคนจีนที่พูดไทยได้) ผลคือเสียงญี่ปุ่นออกมาแต่ละพยางค์มีเสียง "เอ้อ" ติดท้าย แปลกมาก พออัดใหม่ด้วยภาษาไทยมาตรฐานชัดๆ ผลออกมาดีขึ้นทันที

อีกเรื่องคือความเร็วในการพูด เสียงตัวอย่างควรมีความเร็วใกล้เคียงกับค่าเฉลี่ยของภาษาเป้าหมาย เช่น ญี่ปุ่นพูดเร็วกว่าไทยนิดหน่อย ก็เร่งความเร็วขึ้นเล็กน้อย เยอรมันช้ากว่า ก็ลดลง แต่ห้ามเร่งหรือลดจนผิดธรรมชาติ เพราะ AI จะจำติดเป็น "กระตุกๆ"

ถ้าใช้เครื่องมือ แปลงข้อความเป็นเสียงพูด แบบออนไลน์ฟรี สามารถใส่เครื่องหมายวรรคตอนเพื่อบังคับการเว้นจังหวะ เช่น ใช้ "..." แทนการหยุดยาว และใช้เครื่องหมายตกใจเพื่อเน้นอารมณ์ วิธีนี้เข้ากันได้ดีกับการเว้นจังหวะในเสียงตัวอย่าง

ในบทความเพิ่มเติม มีคนแนะนำอีกวิธี – ถ้าจะโคลนเสียงเดียวกันไปหลายภาษา ควรอัดเสียงตัวอย่างสองชุด ชุดหนึ่งเป็นภาษาไทย อีกชุดเป็นภาษาเป้าหมาย (แม้จะพูดได้แค่ไม่กี่ประโยคก็ตาม) แบบนี้ AI จะแยกเรียนรู้การออกเสียงและจังหวะได้ดีกว่ามาก

เลือกอุปกรณ์: มือถือก็ใช้ได้ ถ้ารู้จักใช้

ไมค์ในโทรศัพท์ในห้องเงียบๆ พอใช้ได้ แต่ห้ามถือในมือเด็ดขาด เสียงฝ่ามือถูตัวเครื่อง เสียงลมหายใจ ถูกเก็บไปหมด ผลคือเสียงโคลนเหมือนมีผ้าห่มคลุม วิธีที่ดีคือวางโทรศัพท์บนขาตั้ง ตั้งหน้าจอแนวนอนบนโต๊ะ ห่างจากปากประมาณหนึ่งกำปั้น เห็นผลทันที

ถ้ามีงบสักไม่กี่ร้อยบาท ซื้อไมค์หนีบเสื้อหรือไมค์ไดนามิกรุ่นเริ่มต้น ก็จะได้สัญญาณที่สะอาดขึ้นมาก ไมค์ไดนามิกไม่ไวต่อเสียงรอบข้าง เหมาะกับบ้านที่ปิดเสียงไม่สนิท ส่วนไมค์คอนเดนเซอร์ให้รายละเอียดดี แต่ต้องมีอินเทอร์เฟซและตัวกรองเสียงลม ไม่งั้นเสียงลิ้นจะทำให้ AI เรียนรู้ผิด

ตัดแต่งเสียง: ปล่อยให้ AI มีพื้นที่หายใจ

อัดเสร็จ อย่ารีบแปลงเป็น MP3 128 kbps ควรเก็บเป็นไฟล์ WAV 44.1 kHz / 16-bit เพื่อให้โมเดลมีข้อมูลครบถ้วน ตอนตัดแต่งให้ทำแค่สองอย่าง – ตัดเสียงเงียบยาวๆ ที่หัวและท้ายออก และปรับระดับเสียงให้สูงสุดที่ -1 dB เท่านั้น

ห้ามใช้คอมเพรสเซอร์ อีควอไลเซอร์ หรือพรีเซ็ต "เพิ่มความไพเราะ" เพราะการประมวลผลพวกนี้จะลบการหายใจและเสียงท้ายคำที่เป็นธรรมชาติออกไป สิ่งที่ AI จะได้เรียนรู้คือ "เสียงนักพากย์ที่ผ่านการปรุงแต่ง" ซึ่งฟังดูเหมือนหุ่นยนต์มากขึ้น

ตัวอย่างจริง: พากย์วิดีโอสั้นทั้งขั้นตอน

สัปดาห์ก่อนฉันพากย์วิดีโอแนะนำสินค้ายาว 30 วินาที ใช้อุปกรณ์แค่โทรศัพท์กับไมค์หนีบเสื้อ เข้าห้องนอน ปิดแอร์ ดื่มน้ำอุ่นเพื่อวอร์มเสียง แบ่งสคริปต์เป็น 5 ส่วนตามความหมาย แต่ละส่วนเว้น 0.5 วินาที อัด 3 รอบ เลือกรอบที่ลื่นไหลที่สุด เปิดในคอมพิวเตอร์ ปรับแค่ระดับเสียง แล้วอัปโหลดเข้า โคลนเสียงตัวเอง

พอได้เสียงออกมา สังเกตว่าส่วนที่ 3 พูดเร็วไปหน่อย กลับไปเพิ่มลูกน้ำในข้อความตรงคำสำคัญ แล้วสร้างใหม่ รอบนี้น้ำเสียงผ่อนคลายขึ้นทันที สุดท้ายตัดเสียงตามจุดตัดในวิดีโอ ใส่เพลงประกอบ โพสต์ออกไป มีคนคอมเมนต์ถามว่า "คนพากย์หรือ AI กันแน่" – นั่นคือเป้าหมายของฉัน

คำถามที่พบบ่อย

ถาม: เสียงตัวอย่างควรยาวเท่าไหร่?

อย่างน้อย 2 นาที แนะนำประมาณ 5 นาที สั้นไป AI จะเรียนรู้การเปลี่ยนน้ำเสียงไม่ครบ ยาวไปอาจมีเสียงผิดเพี้ยนปนเข้ามา ส่วนตัวฉันอัด 3 นาที ครอบคลุมประโยคบอกเล่า คำถาม และอุทาน เพื่อให้มีอารมณ์หลากหลาย

ถาม: ใช้โทรศัพท์อัดได้ไหม?

ได้ แต่ไม่ควรใช้แอปอัดเสียงพื้นฐานในเครื่อง เพราะมันบีบอัดคุณภาพ ให้ใช้แอป "อัดเสียง" หรือแอปของบริษัทอื่นที่บันทึกแบบไม่สูญเสียข้อมูล ตั้งค่าตัวอย่างเสียงอย่างน้อย 44.1 kHz ตอนอัดวางโทรศัพท์บนโต๊ะ อย่าถือในมือ

ถาม: เสียงโคลนยังฟังดูมีกลไก ทำไงดี?

ลองเช็คเสียงรบกวนในไฟล์ตัวอย่างก่อน แล้วฟังจังหวะการเว้นวรรค ถ้าปกติดี ลองเพิ่มเครื่องหมายวรรคตอนและขึ้นบรรทัดใหม่ในข้อความที่ใช้สร้างเสียง เพื่อให้ระบบ TTS แบ่งส่วนประมวลผล อีกเคล็ดลับ – คำบางคำอาจเขียนแยกด้วยเครื่องหมายอัญประกาศ เช่น "xi'an" เพื่อป้องกันการอ่านเชื่อมกันผิด

ขั้นตอนสุดท้าย

ครั้งหน้า ก่อนอัดเสียงตัวอย่าง ปิดพัดลม ดื่มน้ำอุ่นหนึ่งแก้ว แล้วอ่านข่าวที่มีอารมณ์สักหนึ่งย่อหน้า อัดเสร็จฟังตัวเอง – ถ้ารู้สึกเหมือนกำลังคุยกับเพื่อน แปลว่าใช้ได้

ลองไปที่ เครื่องมือโคลนเสียงออนไลน์ไม่ต้องสมัคร อัปโหลดเสียงตัวอย่าง สร้างเสียงของคุณ แล้วเทียบกับเสียงพูดจริงของคุณ จะพบว่าระยะห่างระหว่างหุ่นยนต์กับคนจริงๆ แค่การบันทึกเสียงที่ตั้งใจเท่านั้น