ทำไมเสียงตอบลูกค้าที่ผมสร้างด้วย AI ถึงฟังดูปลอม? รวมทุกจุดที่ผมพลาดเอง

เดือนที่แล้วเพื่อนผมเปิดร้านชานมเล็ก ๆ แถวอารีย์ แล้วมาขอให้ช่วยทำระบบตอบลูกค้าอัตโนมัติทาง LINE OA หน่อย เพราะช่วงพีคพนักงานตอบไม่ทันจริง ๆ ผมก็รับปากง่ายมาก — เอาคำถามที่เจอบ่อยมารวมกัน แปลงข้อความเป็นเสียงพูด ใส่เข้าไป เป็นอันจบ

เปิดให้ฟังรอบแรก เพื่อนเงียบไปสามวิ แล้วถามกลับว่า “นี่เสียงตัวละครในเกมอะไรวะ”

เจ็บแต่จริง ผมใช้เครื่องมือโคลนเสียงฟรีที่ใคร ๆ ก็บอกว่าดีแล้วนะ แต่ทำไมยังได้กลิ่นพลาสติกเต็ม ๆ หลังจากรื้ออยู่กว่าหนึ่งสัปดาห์ถึงได้รู้ว่า ปลอมไม่ใช่เพราะเสียง — ปลอมเพราะผมใช้มันผิดวิธีเอง

จุดพลาดที่ 1: ก็อปข้อความมาวางทั้งย่อหน้า ไม่เว้นจังหวะให้มันหายใจ

อันนี้คลาสสิกสุด ข้อความตอบลูกค้าที่ผมเขียนไว้หน้าตาเป็นแบบนี้ “สวัสดีค่ะขอบคุณที่ติดต่อร้านเรานะคะร้านเปิดทุกวันสิบโมงเช้าถึงสี่ทุ่มครึ่ง...” คนอ่านรู้เรื่อง แต่ AI อ่านรวดเดียวไม่หยุดพัก หายใจก็ไม่หาย

ภาษาไทยเราเขียนโดยใช้การเว้นวรรคแทนจุดเป็นหลัก พอเอาข้อความแบบนั้นไปป้อน ระบบเลยอ่านเรียบเป็นพืดเหมือนอ่านราคาหุ้น พอผมลองตัดเป็นประโยคสั้น ๆ ใส่จุด ใส่คอมมา ตรงจุดที่คนพูดจริงจะหยุด เสียงเดิมเป๊ะ แต่ฟังแล้วเหมือนคนละคนเลย

อีกอย่างที่คนมองข้ามคือตัวเลขกับหน่วย ระบบอาจอ่าน 1000ml เป็น “หนึ่งพันมิลลิลิตร” หรือ “หนึ่งศูนย์ศูนย์ศูนย์ เอ็มแอล” ก็ได้ ขึ้นอยู่กับว่าเราเขียนยังไง อย่าขี้เกียจ เขียนเป็น “1,000 มิลลิลิตร” ไปเลยจบเรื่อง

จุดพลาดที่ 2: ปล่อยค่าตั้งต้นไว้ ฟังรู้เรื่องแต่ไม่เหมือนคน

เครื่องมือข้อความเป็นเสียง ฟรี ส่วนใหญ่ตั้งความเร็วกับระดับเสียงมาจากโรงงาน — นิ่ง ปลอดภัย แต่แข็งทื่อ พนักงานจริงเวลาพูดมีอารมณ์ขึ้นลงนะ ประโยคต้อนรับก็เสียงสดใสหน่อย ประโยคแจ้งว่าคำสั่งซื้อล่าช้าก็พูดช้าลง

ตอนผมลองบน VoxClone ผมปรับความเร็วเป็น 1.05 กับยกโทนเสียงขึ้นนิดเดียว ประโยค “พี่คะ ออเดอร์ของพี่จัดส่งแล้วนะคะ” ฟังไม่เหมือนเดิมเลย จากเสียงหุ่นยนต์กลายเป็นเสียงคนที่ยิ้มอยู่ปลายสาย ไม่ต้องปรับเยอะด้วย แค่ขยับนิดเดียวหูก็จับความต่างได้ทันที ถ้าใครอยากดูค่าที่ผมใช้จริง ๆ มีรวมไว้ในบทเรียนวิธีปรับค่าเพิ่มเติม ลองไล่อ่านดู ผมได้ไอเดียจากตรงนั้นเยอะ

จุดพลาดที่ 3: เลือกเสียงผู้ประกาศข่าวมาใช้กับงานบริการลูกค้า

ข้อนี้ผมว่าคนพลาดเยอะสุด รวมทั้งผมตอนแรกด้วย ตอนเลือกเสียง ใคร ๆ ก็เลือกเสียงคมชัดแบบผู้ประกาศข่าว เพราะคิดว่า “ดูมืออาชีพ” แต่บทสนทนากับลูกค้ามันคือการคุย ไม่ใช่การอ่านข่าว เสียงผู้ประกาศอ่านประโยค “สวัสดีค่ะ มีอะไรให้ช่วยไหมคะ” ยังไงก็ฟังเหมือนเปิดสายจากแก๊งคอลเซ็นเตอร์

งานบริการลูกค้าต้องการเสียงนุ่ม เป็นกันเอง ความเร็วกลาง ๆ ค่อนไปทางช้า ถ้าแพลตฟอร์มที่ใช้รองรับการสร้างเสียงจากเสียงตัวเองด้วยยิ่งสบาย — VoxClone มีระบบโคลนเสียงฟรี อัดเสียงพนักงานหน้าร้านจริง ๆ สักหนึ่งนาที โคลนออกมาแล้วได้กลิ่น “พนักงานของเราเอง” ติดมาด้วย ตัวนี้ใช้แบบไม่ต้องสมัครสมาชิก text to speech เปิดหน้าเว็บแล้วทำได้เลย ไม่ต้องกรอกอีเมล ไม่ต้องรออนุมัติ เหมาะกับร้านเล็กที่อยากลองระบบให้เดินได้ก่อน

จุดพลาดที่ 4: อัดเสียงสั้นเกินไป โคลนออกมาแล้วไม่มีความเป็นคน

ต่อให้ใช้เครื่องมือสร้างเสียงพูด ai ฟรีตัวไหนก็ตาม ถ้าไฟล์ต้นฉบับห่วย ทุกอย่างจบ รอบแรกผมอัดไปยี่สิบวินาที แถมมีเสียงพนักงานตะโกนสั่งเครื่องดื่มอยู่ข้างหลัง โคลนออกมาฟังเหมือนคนคุยกันคนละห้อง

รอบสองผมเปลี่ยนวิธี แล้วจดไว้เลยว่าต้องทำแบบนี้

  • อัดในห้องเงียบ ๆ ด้วยมือถือ 1–2 นาที พูดความเร็วธรรมชาติ อย่าอ่านเหมือนสวดมนต์
  • ใส่คำลงท้ายให้ครบ “ค่ะ” “ครับ” “นะคะ” “อือ” “โอเคเลย” ยิ่งมีคำพวกนี้ ระบบยิ่งจับจังหวะเสียงได้เป็นธรรมชาติ
  • ถือมือถือห่างจากปากประมาณ 20 เซนติเมตร อย่าให้ระยะห่างเปลี่ยนไปเปลี่ยนมาระหว่างอัด

แค่นี้คุณภาพเสียงที่โคลนออกมาก็ขยับขึ้นคนละขั้นเลย

FAQ

โคลนเสียงคนอื่นมาใช้ตอบลูกค้า ผิดกฎหมายไหม

ถ้าเป็นเสียงตัวเอง หรือได้ความยินยอมชัดเจนจากเจ้าของเสียงเป็นลายลักษณ์อักษร ก็ทำได้ แต่ถ้าเอาเสียงคนอื่นไปใช้เชิงพาณิชย์โดยไม่ขออนุญาต อันนี้อย่าแตะเลย เสี่ยงทั้งกฎหมายและเรื่อง PDPA เพราะเสียงถือเป็นข้อมูลส่วนบุคคลชัด ๆ

เครื่องมือโคลนเสียงฟรี ใช้ในงานเชิงพาณิชย์ได้ไหม

หลายตัวทำได้ และคุณภาพก็ใช้กับงานจริงได้แล้ว โดยเฉพาะงานตอบลูกค้าที่เป็นประโยคสั้น ๆ อย่าง VoxClone ที่โคลนเสียงได้แบบไม่คิดเงิน ถ้าจะเอาไปใช้จริงผมแนะนำให้ลองฟังก่อนสักสองสามประโยค แล้วค่อยเอาขึ้นระบบ

อยากได้เสียงโกรธ เสียงอ่อนโยน ต้องโคลนใหม่ทุกอารมณ์ไหม

ไม่ต้อง โคลนเสียงแค่ครั้งเดียวก็พอ ส่วนอารมณ์คุมด้วยการแก้เครื่องหมายวรรคตอนในข้อความ กับปรับความเร็วและโทนเสียงเอา งานที่กินเวลาจริง ๆ คือการขัดเกลาบทพูด ไม่ใช่ตัวเทคโนโลยี

ปิดท้าย

จริง ๆ แล้วเสียงสังเคราะห์จะปลอมหรือไม่ปลอม อยู่ที่วิธีใช้เราเจ็ดส่วน อีกสามส่วนค่อยเป็นเรื่องเครื่องมือ คืนนี้ลองเลยก็ได้ — หาห้องเงียบ ๆ อัดเสียงตัวเองสักหนึ่งนาที เอาไปลองโคลนที่ VoxClone แล้วหยิบประโยคตอบลูกค้าจริงมาปรับความเร็วอีกนิด สิบนาทีคุณจะได้ยินความต่างด้วยหูตัวเอง ส่วนใครที่ต้องสร้างเสียงทีละเยอะ ๆ อย่างพวกพากย์เสียงวิดีโอด้วย ai ฟรี หรือทำ audiobook ด้วย ai ฟรี ลองดูระบบเสียงสังเคราะห์แบบ API ของเขาไว้ก็ดีนะ ต่อเข้ากับระบบโทรศัพท์แล้วไม่ต้องนั่งกดทีละประโยคให้เมื่อยมือ