ทำไมเสียงพากย์ AI ในพอดคาสต์ไทยฟังแล้ว “ปลอมๆ”? จนผมไปโคลนเสียงตัวเองถึงเข้าใจ
เมื่อไม่กี่ปีก่อน ผมทำพอดคาสต์ตอนแรกเรื่องรีวิวอาหารตามสั่ง แขกรับสันทนาหารเสียงแหสเสียดาย ผมขี้เกียงอัดอินโทรเอง ก็เลยไปหาเว็บ text to speech ภาษาไทย ฟรี แล้วก็วางคำว่า “ยินดีต้อนรับสู่ร้านกะละแม” ไปให้มันอ่าน ผลคือตอนอัดเสร็จ แฟนเสียงใน Spotify ทัก LINE มาหนึ่งข้อความที่ทำผมเงียบไปครึ่งชั่วโมง — “พี่เป็นหวัดหรอ? เสียงตอนต้นฟังแล้วเหมือนกากบัวเช็ดคอ”
ตอนนั้นผมไม่รู้จะร้องไห้หรือหัวเราะดี อะไรก็ยาก เขาใจความดี ๆ ว่าแค่อาการไข้ ไม่ได้ด่าว่าผมจ้างหุ่นยนต์มาทำงาน แต่ผมก็รู้สึกแปลก ๆ ในอก พอเข้าไปฟังอีกครั้ง ยิ่งฟังยิ่งรู้สึกว่า… มันไม่ใช่แค่เสียงแย่ แต่เป็น “อะไร” ที่ไม่เข้าที่
หลายคนคิดว่าเสียง AI ฟังแล้วไม่เป็นคนเพราะคำพูดอ่านผิด หรืออ่านขาด แต่ความจริงแล้วสำหรับคนทำคอนเทนต์ไทย ปัญหาที่ใหญ่กว่านั้นคือ การหายใจ กับ โน้ตเสียง ที่หายไปทั้ง ๆ ที่คำพูดอ่านถูกต้องทุกคำ
เสียงที่ฟังแล้วไม่เป็นคน มักไม่ติดที่คำพูด แต่ติดที่ “การหายใจ”
คนเราเวลาคุยกันไม่ได้อ่านเหมือนการสั่งอาหารตามแผ่น เวลาพูดยาว ๆ เราก็แล่ก๊าซหายใจไปด้วย บางคำก็หยุดครึ่งวินาทีเพราะคิดคำถัดไป บางทีเสียงก็ตกเป็นเสียงแหยงตอนจบประโยค เพราะเรามี “น้ำหนัก” ของคำพูดนั้นอยู่
เครื่องอ่านข้อความไม่ทำอย่างนั้น มันออกเสียงคงที่เหมือนเครื่องจับจังหวะที่วัดจังหวะให้เรา ฟังแล้วรู้สึก “อะไรสักอย่างผิด” ทันที เพราะในชีวิตจริงไม่มีใครพูดแบบนั้น — นอกจากอาจารย์ฝึกทหารกับเสียงประกาศในห้างสรรพสินค้า
ผมลองนั่งฟังวนไปมาสิบกว่าค รอบ เพื่อจะจับผิด เสียงที่เครื่องอ่านคำว่า “ยินดีต้อนรับ” มันท้ายขึ้นเบา ๆ ลอยไป ส่วนถ้าเป็นผมพูดจริง ๆ ท้ายคำจะ “จม” ลงมาหนิด แค่ความต่างเล็ก ๆ นี้ทำให้คนฟังรู้สึกได้ทันทีว่า “นี่ไม่ใช่คน”
สำหรับภาษาไทยแล้วเรื่องนี้ยากกว่านั้นอีก เพราะเรามีลุ่มเสียงห้าลุ่ม เครื่องที่ไม่ได้เรียนโน้ตของคนพูดโดยตรง มักจะทำเสียงออกมาสูงต่ำเท่ากันหมด ไม่มีเสียงหย่อน จบคำ “ค่ะ” กับ “คะ” ก็อาจอ่านไม่ออกเลยว่า nuance ต่างกันตรงไหน
ช่วงเปลี่ยนที่เสียง “คงที่” คือการบอกผู้ฟังว่า “ปรับความเร็วไป 1.5x ได้เลย”
ตอนที่ผมย้ายจากช่วงสัมภาษณ์ไปช่วงสปอนเซอร์ ก็ลองใช้ เสียงพากย์ ai ฟรี อ่านประโยคว่า “ต่อไปนี้คือช่วงสปอนเซอร์” เสียงเรียบเนียนเกินไป จังหวะคงที่ทุกคำ ภรรยาเดินผ่านมาถามว่า “แกกำลังเล่นเสียงประกาศในลิฟต์ห้างสินค้าหรือเปล่า?”
ใช่ ช่วงเปลี่ยนของพอดคาสต์ที่เสียงคงที่จะทำให้ผู้ฟังรู้สึกเหมือนกำลังฟังเสียงออดิโอจากห้าง บางครั้งผมคิดว่าผู้อ่านอาจจะตั้งใจทำอารมณ์แบบ “เสียงหุ่นยนต์” แต่ความจริงคือคนฟังไม่ได้เข้าใจความตั้งใจนั้น เขาแค่อยากจะกดข้าม
ผมจึงเรียนรู้กฎง่าย ๆ อย่างหนึ่ง: ถ้าจะใช้เสียง AI ในช่วงเปลี่ยน ก็ต้องเลือกประโยคสั้น ๆ หรือทำให้มีการหยุดที่ไม่สม่ำเสมอ ไม่งั้นมันจะฟังแล้วเหมือนเสียงนาฬิกาจับเวลา ไม่ใช่เหมือนคนพูด
เว็บข้อความเป็นเสียง ฟรี ที่ต้องสมัครสมาชิกจนเบื่อ เลยไปโคลนเสียงตัวเองแทน
พอผมอยากจะแก้เรื่องนี้จริงจัง ผมก็ลองหาเว็บ แปลงข้อความเป็นเสียงพูด ไปเกือบสิบเว็บ บางเว็บหน้าตาสวยหรู มีเสียงให้เลือกเยอะ แต่พอจะกดส่งออกก็เด้งหน้าล็อกอินมาทันที หรือบางเว็บต้องยืนยัน OTP ผ่าน SMS เสียเงินเค้าไฟฟ้า
ผมเบื่อที่จะกรอกอีเมลแค่เพื่อจะให้เครื่องอ่านประโยคสามคำ แล้วผมก็เจอเว็บที่เปิดมาก็แค่ช่องกรอกข้อความ เลือกเสียง กดสร้าง จบ — เว็บแปลงข้อความเป็นเสียงพูดตัวนี้ เป็นหนึ่งในไม่กี่เว็บที่ผมรู้สึกได้ว่า “เราเป็นลูกค้า ไม่เป็นเป็ด” เพราะไม่ต้องสมัครสมาชิก text to speech เลยด้วยซ้ำ
ส่วนที่ทำให้ผมอยู่ต่อนานกว่านั้นคือ โคลนเสียงฟรี ของที่นี่ ตอนแรกผมคิดว่า “โคลนเสียง” เป็นคำที่เสียงกริซา ๆ เหมือนจะทำ deepfake แต่พอลองแล้ว才知道ว่ามันคือการให้ AI เรียนวิถีการออกเสียงของเราเองจากตัวอย่างเสียงสั้น ๆ
ผมเลือกคลิปที่ผมพูดปกติ ๆ มีหัวเราะ มีคำว่า “เอ่อ” แอบหายใจอยู่บ้าง เพราะผมไม่อยากได้เสียงที่สมบูรณ์แบบเกินไป ฉันแค่อยากได้เสียงที่ “เป็นผม” แต่ไม่ป่วย
ตอนแรกผมก็ระแวงเรื่องข้อมูลเสียงอยู่บ้าง เพราะยุคนี้ใคร ๆ ก็คุยถึง PDPA แต่ผมตัดสินใจลองเพราะมันทำบนเว็บ ไม่ต้องโหลดโปรแกรมแย่ ๆ มาไว้เครื่อง และก็ไม่ได้ขอข้อมูลส่วนตัวอะไรที่เกินจำเป็น
ได้ยินเสียงตัวเองพูดประโยคที่เขียนไว้ครั้งแรก… ผมขนนุก มันไม่ใช่แค่เสียงเหมือน แต่เป็นเหมือนมี “อีกคน” ที่เป็นผมอยู่ในเครื่อง ที่ไม่เมื่อย ไม่เสียงแหส และยังจำการหายใจของผมได้
เอาไปใช้จริงกับงานของคนไทย: TikTok, YouTube และทำ audiobook ด้วย ai ฟรี
เสียงที่ได้มาไม่ได้มีประโยชน์แค่กับพอดคาสต์ของผมเอง เพื่อนผมทำเพจรีวิวสินค้าใน TikTok ก็เอาไป พากย์เสียงวิดีโอด้วย ai ฟรี เพราะไม่อยากให้เสียงเดิม (ที่แหง่) รบกวนภาพสวย ๆ ที่ตัดมาทั้งวัน
อีกคนทำคอนเทนต์เรื่องหนังสือบน YouTube อยากลอง ทำ audiobook ด้วย ai ฟรี สำหรับนวนิยายสั้นของตัวเอง ก็ใช้เสียงโคลนตัวเองมาอ่านได้ทั้งเล่ม โดยที่ไม่ต้องไปจ้างสตูดิโอหรือนั่งอัดจนลมขาด
ในกลุ่มคนทำคอนเทนต์ไทย บ่อยครั้งที่มีคนถามว่า voice clone thai free เว็บไหนดีบ้าง บางคนอยากได้แค่เสียงอ่านข่าวสั้น ๆ สำหรับ Reels บางคนอยากได้เสียงพากย์สำหรับคลิปรีวิวสินค้า เวลามี สร้างเสียงนักพากย์อัตโนมัติ ในมือ ก็ช่วยให้งานที่เคยต้องใช้คนสองคน ทำได้คนเดียวบนโซฟา
ผมเชื่อว่าคนทำคอนเทนต์ไทยยุคนี้ต้องการของเล่นที่ใช้ได้ทันที ไม่ต้องเรียนโปรแกรมเยอะ และก็ไม่ต้องสมัครสมาชิก text to speech แค่เพื่อจะได้ยินเสียงตัวเองออกมาจากลำโพง
เวิร์กโฟลว์ที่ผมใช้จริง ตั้งแต่เขียนจนได้เสียง
ตอนนี้ขั้นตอนของผมคงที่เหมือนพิธีกรรม:
- เขียนอินโทรในแอป Notes หรือ LINE ก่อน แล้วก็ copy มาแปะ
- เปิดเว็บ ใช้เสียงโคลนตัวเองสร้างประโยคหลักที่อยากให้คนจำ
- ประโยคที่แค่วิ่งผ่าน ๆ ใช้เสียงปกติจากระบบก็ได้ ผสมกันไป
- ฟังตัวอย่างสามสี่ครั้ง ปรับคำหรือเครื่องหมายวรรคตอนเล็ก ๆ
- ส่งออกแล้วแปะลง CapCut หรือโปรแกรมตัดต่อที่ใช้
ไม่ต้องเป็นโปรแกรมเมอร์ก็ใช้ได้ แต่ถ้าอยากลอง DIY ต่อ หรืออยากรู้ว่าคนอื่นใช้ยังไง ก็แวะบทเรียนเพิ่มเติม ได้ ผมเองอ่านจนเข้าใจมากกว่าอ่านคู่มือทางการ
บางทีผมก็ใช้เสียงปกติของระบบสำหรับประโยคที่อยากให้ฟังแล้ว “เฉย ๆ” นิด ๆ เหมือนเสียงประกาศในร้านกาแฟ แล้วใช้เสียงโคลนตัวเองสำหรับประโยคที่มีอารมณ์ หรือเป็นคำที่อยากให้คนจำ ได้ยินแล้วต่างกันชัดเจน แต่คนฟังอาจไม่รู้ตัวว่าต่างกันเพราะอะไร
แล้วก็… คนฟังไม่ต้องการเสียงสมบูรณ์แบบ
ผ่านมาหลายปี ผมเข้าใจว่าเสียง AI ที่ฟังแล้วเป็นคนไม่ได้ต้องอ่านทุกคำให้ถูกที่สุด มันต้องมี “ลมหายใจ” มันต้องมีจังหวะที่ไม่ได้สม่ำเสมอเหมือนเครื่องจักร และมันควรจะเป็นเสียงที่คนฟัง “รู้สึก” ว่าเคยได้ยินมาจากคนที่เขารู้จัก
ถ้าคุณทำคลิปสั้น ทำพอดคาสต์ หรืออยากลองทำ audiobook ของตัวเอง ลองหา โคลนเสียงตัวเอง ดูสักครั้ง เอาเสียงของคุณให้ AI เรียนรู้ แล้วฟังดูว่าเสียงที่ได้มาก็คือคุณ แต่ในเวอร์ชันที่ไม่เมื่อย ไม่ร้องไห้ และไม่ต้องขอให้แขกรับสันทนาหารมาอัดซ้ำ
คืนนี้ ถ้ามีอินโทรที่คุณฟังแล้วรู้สึก “เสียงปลอม” ลองเอาไปให้เสียงของคุณเองอ่านผ่าน AI สักครั้ง รับประกันว่าคุณจะฟังแล้วย้อนกลับไม่ได้