พอดแคสต์ของฉันฟังดูหุ่นยนต์เกินไป? 3 เดือนที่ฉันลองโคลนเสียงฟรีจนเจอทางออก
คืนนั้นที่ฉันอยากลบพอดแคสต์ทิ้ง
ตีสองวันพุธ ฉันส่งเสียงพากย์อินโทรตอนแรกให้เพื่อนฟัง เพื่อนพิมพ์กลับมาว่า “เสียงนี่มันเมนูธนาคารป่ะ?”
ฉันแทบอยากปาแล็ปท็อปทิ้ง
นั่งปรับตั้งค่าอยู่สองชั่วโมง เลือกเครื่องมือแปลงข้อความเป็นเสียงพูดที่เค้าว่า “เหมือนคนที่สุด” ผลที่ได้คือเสียงสะอาดเอี่ยม ไร้อารมณ์ เหมือนไกด์ทัวร์อ่านสคริปต์ว่า “ยินดีต้อนรับสู่รายการของเรา”
ปัญหาไม่ใช่ไมค์ ไม่ใช่ห้องอัด มันคือความสังเคราะห์ เนียนเกินไปจนไม่มีวิญญาณ ไม่มีลมหายใจ ไม่มีจังหวะที่คนเราพูดกันจริงๆ
ฉันเริ่มสงสัยว่า AI เสียงฟรีทุกตัวมันห่วยแบบนี้หมดหรือเปล่า หรือว่าฉันใช้ไม่เป็น?
ผ่านไปหลายสัปดาห์ ฉันลองใช้ข้อความเป็นเสียง ฟรี ไปสิบกว่าเว็บ ถึงเพิ่งเข้าใจอะไรบางอย่าง
ที่โคตรจะบ้าที่สุดคือ ครั้งหนึ่งฉันเจอเว็บ “แปลงข้อความเป็นเสียงไม่จำกัด” พอ生成เสร็จ ปรากฏว่าทุกไฟล์มีโฆษณาต่อท้ายห้าวินาที ตัดก็ไม่ได้ อีกเว็บหนึ่งโฆษณาว่ารองรับการโคลนเสียง แต่พอสมัครถึงรู้ว่าต้องจ่ายเงิน ฟรีแค่เสียงสำเร็จรูปไม่กี่เสียง
ตอนนั้นเกือบถอดใจไม่ทำพอดแคสต์แล้ว
จนมารู้ทีหลังว่า ปัญหามันไม่ได้อยู่ที่เครื่องมือ แต่อยู่ที่วิธีที่ฉันใช้ต่างหาก
ทำไมเสียงสังเคราะห์ถึงฟังดูปลอม?
เสียงสังเคราะห์ฟังดูปลอม ไม่ใช่เพราะเทคโนโลยีไม่ดี แต่เพราะเราใช้มันเหมือน “เครื่องอ่านหนังสือ” มากกว่า
เว็บแปลงข้อความเป็นเสียง ฟรี ส่วนใหญ่ตั้งความเร็วไว้คงที่ ประโยคต่อประโยคไม่มีช่องว่างให้หายใจ คนเราพูดจริงๆ ไม่มีทางเป็นแบบนั้น เราจะยืดเสียงที่คำหนัก พักครึ่งวินาทีตรงจุดเปลี่ยน หรือพูดเร็วบ้างช้าบ้างตามอารมณ์
อินโทรพอดแคสต์ยิ่งสำคัญ เพราะสามวินาทีแรกตัดสินว่าคนจะฟังต่อหรือปัดหนี ถ้าเราเปิดด้วย “ยินดีต้อนรับสู่รายการ” แบบราบเรียบ ฟังแล้วเหมือนสาย call center คนก็ปัดไปแล้ว
ข้อผิดพลาดที่ฉันเจอมา มันวนเวียนอยู่ไม่กี่อย่าง: วางสคริปต์ลงไปแล้วกดปุ่มเดียว ไม่ปรับความเร็ว ไม่ใส่เครื่องหมายหยุด ไม่เลือกอารมณ์ ผลที่ได้คือเสียงเหมือนอ่านข่าว หรือไม่ก็เสียงรับสายธนาคาร
เครื่องมือสร้างเสียงพูด ai ฟรี จะออกมาดีแค่ไหน ขึ้นอยู่กับว่าเราสั่งให้มัน “เป็นมนุษย์” แค่ไหน ตัวอย่างเช่น เครื่องหมายจุลภาคอย่าปล่อยผ่าน จุดจบประโยคต้องเว้นวรรค เครื่องหมายตกใจอย่าใช้ทุกอัน บางเว็บ TTS ฟรีมีฟีเจอร์แทรกการหยุด แต่คนส่วนใหญ่ไม่รู้ว่ามันมีอยู่
จำได้ว่าครั้งหนึ่งฉันทดลอง เอาข้อความเดียวกัน ไปรันด้วยค่าตั้งต้น กับอีกรอบที่ปรับความเร็วและจังหวะเอง ให้เพื่อนสิบคนฟังแบบไม่บอกที่มา แปดคนเลือกเวอร์ชันหลัง ความต่างไม่ได้อยู่ที่เสียง แต่อยู่ที่ “ลมหายใจ”
ยกตัวอย่างอินโทร “สวัสดีครับทุกคน” ยืดเสียงคำว่าสวัสดีนิดหน่อย “ผมชื่อ…” ค่อยๆ พูดช้าลง แล้วเว้นครึ่งวินาทีก่อนพูดต่อ เหมือนคนหายใจเข้าลึกๆ แล้วเริ่มพูด เรื่องเล็กน้อยแบบนี้ในตัวแปลงข้อความเป็นเสียง ฟรี มักถูกมองข้าม แต่นี่คือสิ่งที่แยก “ของปลอม” ออกจาก “ของจริง”
เสียงพากย์ ai ฟรี ไม่ใช่เวทมนตร์ มันแค่เปลี่ยนตัวหนังสือเป็นคลื่นเสียง คลื่นเสียงนั้นจะมีความอบอุ่นหรือไม่ ต้องเติมเอง ต่อให้ใช้เครื่องมือโคลนเสียงออนไลน์ที่ล้ำหน้าแค่ไหน ถ้าส่งข้อความที่ไร้อารมณ์ไป มันก็คืนกลับมาเป็นเสียงอ่านที่ไร้วิญญาณ
ทำไมฉันถึงเลือก VoxClone
แล้วทำไมสุดท้ายฉันถึงเลือก VoxClone? ไม่ใช่เพราะมันติดอันดับแรกในกูเกิล
ก่อนหน้านั้น ฉันลองใช้ซอฟต์แวร์โคลนเสียงฟรีหลายตัว แต่ละตัวมีข้อจำกัด บางตัวจำกัดจำนวนตัวอักษร บางตัวใส่ลายน้ำ บางตัวต้องสมัครสมาชิก ยืนยันอีเมล ยืนยันเบอร์โทร ฉันแค่อยากลองโคลนเสียงตัวเองดูสักครั้ง ไม่ได้อยากกรอกฟอร์มเป็นชุดๆ
VoxClone เป็นเครื่องมือโคลนเสียงฟรี ไม่ต้องสมัครสมาชิก เปิดเว็บก็ใช้ได้เลย ไม่จำกัดจำนวนคำ ไม่มีค่าใช้จ่ายแอบแฝง สำหรับคนทำพอดแคสต์เป็นงานอดิเรกแบบฉัน มันคือที่สุดแล้ว
ที่สำคัญ มันรองรับการโคลนเสียงออนไลน์ฟรี ไม่ต้องดาวน์โหลดโปรแกรมอะไร อัปโหลดตัวอย่างเสียง ฝึกโมเดล สร้างไฟล์เสียง จบในไม่สิบนาที
วิธีทำเสียงพากย์เปลี่ยนตอน (transition) ตั้งแต่ศูนย์
อยากรู้วิธีทำเสียงพากย์เปลี่ยนตอนไหม? ฉันแกะขั้นตอนให้ดู เอาไปทำตามได้เลย
ขั้นแรก หาไฟล์เสียงตัวอย่างที่สะอาด อย่าใช้ไมค์โทรศัพท์อัดในห้องที่มีแอร์ดัง ไปห้องเงียบๆ อ่านข้อความยาวๆ สองนาที พูดเป็นธรรมชาติเหมือนคุยกับเพื่อน ยิ่งตัวอย่างสะอาด เสียงโคลนยิ่งตรง background noise น้อย โอกาสที่เสียงจะเพี้ยนทีหลังก็ลดลง
ขั้นที่สอง อัปโหลดไปที่โคลนเสียงฟรี VoxClone โคลนเสียงออนไลน์ฟรี ไม่ต้องติดตั้งอะไร ทำงานบนเบราว์เซอร์ อัปโหลดตัวอย่าง รอสักครู่ให้โมเดลเทรนเสร็จ ไม่ต้องสมัครสมาชิก ไม่ต้องผูกบัตรเครดิต ซึ่งสำหรับคนขี้เกียจกรอกฟอร์มแบบฉัน มันคือเรื่องใหญ่
ขั้นที่สาม พิมพ์ข้อความสำหรับเปลี่ยนตอน เช่น “รายการของเราจบลงเพียงเท่านี้ เจอกันใหม่ตอนหน้า” อย่าเขียนเป็นทางการเกินไป เติมคำพูดติดปาก เช่น “เอาล่ะ ไว้เจอกันใหม่นะ” เสียงที่ออกมาจะได้ไม่เหมือนอ่านข่าว ถ้าข้อความสั้นเกินไป ให้เติมคำเชื่อมเพื่อให้ลื่นไหล
ขั้นที่สี่ ปรับพารามิเตอร์ ลดความเร็วลงหน่อย ประมาณ 0.9 เท่า ระดับเสียงอย่าให้สูงเกิน คงไว้ให้ใกล้เคียงเสียงพูดปกติ ถ้าเว็บรองรับการควบคุมการหยุด ให้แทรกการหยุดสั้นๆ กลางประโยค เพื่อให้เสียงมีจังหวะหายใจ อย่าพยายามทำให้สมบูรณ์แบบ ความไม่สมบูรณ์เล็กน้อยนี่แหละที่ทำให้เหมือนคน
ขั้นที่ห้า กดสร้างแล้วดาวน์โหลด เอาไฟล์ไปวางในซอฟต์แวร์ตัดต่อ ผสมกับเพลงประกอบ ปรับระดับเสียงอย่าให้กลบเพลง ฉันมักตั้งไว้ที่ 60% ของเพลง เพื่อให้ได้อารมณ์เปลี่ยนตอนแบบธรรมชาติ
ทั้งหมดใช้เวลาไม่ถึงสิบนาที แถมเป็นการโคลนเสียงออนไลน์แบบไม่ต้องสมัครสมาชิก ไม่ต้องกังวลว่าแอคเคาต์จะโดนแบนหรือข้อมูลรั่วไหล ถ้าอยากใช้ขั้นสูง เช่น ต่อเสียงที่โคลนเข้ากับโปรแกรมของตัวเอง VoxClone ก็มี API สังเคราะห์เสียงฟรี ดูรายละเอียดเพิ่มเติมได้ที่บทความอื่นๆ
เวลาทำเสียงเปลี่ยนตอน ฉันชอบแทรกคำว่า “อืม” หรือ “…” ลงไปในข้อความ แม้บางเครื่องมือจะไม่รู้จัก แต่มันทำให้เสียงดูเป็นคนขึ้นเยอะ อย่าพยายามเลียนแบบเสียงจริงให้เหมือน 100% พอดแคสต์ไม่ต้องการเสียงที่เพอร์เฟกต์ ต้องการแค่ความสม่ำเสมอ ทุกตอนใช้เสียงโคลนเดียวกันสำหรับอินโทรและเปลี่ยนตอน ผู้ฟังจะจำเสียงนั้นได้ และนั่นคือแบรนด์เสียงของคุณ
ฉากดึกดื่น และบทสรุปที่ไม่ได้ตั้งใจ
มีเหตุการณ์จริงเกิดขึ้นเมื่อคืนวันเสาร์ ฉันต้องปล่อยตอนดึก แต่เสียงเปลี่ยนตอนยังไม่ได้ ตอนนั้นดึกมาก ไม่อยากอัดเสียงตัวเอง เพราะกลัวรบกวนคนที่บ้าน
ฉันเปิดแปลงข้อความเป็นเสียงพูด ตรงนั้น เลือกเสียงที่โคลนไว้ก่อนหน้า พิมพ์สองประโยค สามสิบวินาทีก็ได้ไฟล์ ส่งออกไป มีผู้ฟังคนหนึ่งส่งข้อความมาว่า “ตอนนี้เสียงเปลี่ยนตอนอบอุ่นมาก เหมือนมีคนกระซิบข้างหูตอนกลางคืน”
ฟังดูเหมือนขัดกัน: เสียงนั้นไม่ได้อัดจากฉันจริงๆ มันคือ AI สร้าง แต่ผู้ฟังกลับรู้สึกอบอุ่นกว่า บางทีคำตอบอาจง่ายนิดเดียว—เสียงพากย์ที่ดีที่สุด ไม่ใช่เสียงที่เหมือนคนจริงที่สุด แต่เป็นเสียงที่เหมาะกับช่วงเวลานั้นต่างหาก
คราวหน้าคุณเปิดพอดแคสต์ ลองฟังอินโทรแล้วถามตัวเองว่า เสียงนี้เหมือนคนกำลังพูด หรือเหมือนเครื่องจักรอ่านสคริปต์?
ฉันเองก็คิดเหมือนกัน ถ้าวันหนึ่ง AI สังเคราะห์เสียงได้เหมือน真人 100% เราจะยังสนใจไหมว่ามัน “ปลอม” หรือเปล่า? อาจจะไม่ แต่ก่อนถึงวันนั้น อย่างน้อยเราก็ทำให้มันไม่ฟังดูเหมือนพนักงาน call center ได้