เมื่อเดือนที่แล้วมีเพื่อนคนหนึ่งที่ทำคอร์สออนไลน์ส่งไฟล์เสียงมาให้ฟัง เป็นเสียงพากย์ที่มันเพิ่งสร้างจาก AI นั่นแหละ พอเปิดปุ๊บ… ผมหัวเราะออกมาทันที ไม่ใช่เพราะตลก แต่เพราะมันฟังดูเหมือนหุ่นยนต์ที่กำลังป่วย มีเสียงซ่า ๆ ปนเข้ามาแบบชัดเจน

เพื่อนผมทำหน้าเหวอ "ก็ใช้เครื่องมือเดียวกันกับที่คนอื่นเขาใช้กันนี่ ทำไมของคนอื่นฟังดูธรรมชาติ แต่ของกูเป็นแบบนี้วะ?"

ผมขอดูไฟล์เสียงตัวอย่างที่มันใช้อัดเพื่อโคลนเสียง ฟังแค่ 30 วินาทีแรก ก็รู้คำตอบทั้งหมด

ไฟล์เสียงตัวอย่างคือเส้นแบ่งระหว่าง "คน" กับ "หุ่น"

หลายคนเข้าใจผิดว่าคุณภาพของเสียงโคลนขึ้นอยู่กับเครื่องมือซะเต็มร้อย จริง ๆ แล้วเครื่องมือมันแค่ครึ่งเดียว อีกครึ่งอยู่ที่ไฟล์เสียงที่คุณป้อนเข้าไปให้มันเรียนรู้นั่นแหละ

โมเดล AI มันเรียนรู้จากตัวอย่างที่เราให้ ถ้าตัวอย่างมีปัญหาอะไร มันก็จะขยายปัญหานั้นออกมาให้เห็นชัดขึ้น

ไฟล์ของเพื่อนผมอัดในห้องนอนที่เปิดแอร์อยู่ มีเสียงหึ่ง ๆ ความถี่ต่ำจากคอมเพรสเซอร์แอร์เป็นแบ็กกราวด์ โมเดลก็เลยเรียนรู้ออกมาเป็นเสียงที่ดูเหมือนอยู่ในห้องเซิร์ฟเวอร์

ที่แย่กว่านั้นคือตอนอัด เขาอ่านบทแบบเรียบมาก ๆ คำต่อคำ เหมือนเด็กประถมท่องบทอาขยาน โมเดลก็เลยได้น้ำเสียงแบบนั้นติดมาด้วย พอสังเคราะห์ออกมาเป็นเสียงพากย์คอร์ส ก็เลยแข็งทื่อตามไปด้วย

เพราะฉะนั้นก่อนจะโทษเครื่องมือ ลองกลับไปฟังไฟล์เสียงตัวอย่างของตัวเองก่อน — มีเสียงรบกวนไหม? น้ำเสียงแบนเกินไปหรือเปล่า? มีเสียงน้ำลาย เสียงลมปะทะไมค์บ้างไหม?

อัดยังไงไม่ให้เหมือนหุ่นยนต์

นี่คือรายละเอียดที่ผมลองผิดลองถูกมาหลายรอบ มันดูบ้าน ๆ แต่ได้ผลจริง

  • สภาพแวดล้อม: ปิดแอร์ ปิดพัดลม จะไปอัดในตู้เสื้อผ้าหรือใต้ผ้าห่มก็ได้ สิ่งสำคัญคือกำจัดเสียงสะท้อนและเสียงรบกวนความถี่ต่ำ แอปบันทึกเสียงในมือถือก็เพียงพอแล้ว ไม่ต้องไปเชื่อว่าเครื่องแพง ๆ จะช่วยได้ ถ้าห้องไม่เงียบพอ
  • ความยาว: 30 วินาทีถึง 1 นาทีกำลังดี สั้นไปโมเดลเรียนรู้ไม่ครบ ยาวไปมันจะเก็บเอาความแกว่งของอารมณ์ที่เกิดขึ้นระหว่างนั้นเข้าไปด้วย
  • น้ำเสียง: นี่คือข้อที่สำคัญที่สุด พูดด้วยน้ำเสียงที่คุณใช้สอนหรือคุยกับคนจริง ๆ มีขึ้นมีลง มีจังหวะหยุดบ้าง อยากได้เสียงพากย์แบบไหนในคอร์ส ก็อัดตัวอย่างให้เป็นแบบนั้น — อยากได้อบอุ่นก็ยิ้มตอนอัด อยากได้จริงจังก็พูดให้หนักแน่นขึ้น
  • เนื้อหา: อ่านประโยคธรรมชาติ ๆ อย่าอ่านคำยาก ๆ หรือศัพท์เทคนิคที่เรียงกันจนไม่รู้จะหายใจตรงไหน ความเร็วปกติ เว้นจังหวะระหว่างประโยคให้มีช่องหายใจ

อัดเสร็จลองฟังตัวเองก่อน ฟังแล้วรู้สึกสบายหู เสียงที่ออกมาจากโมเดลก็มีโอกาสสบายหูตาม

ขั้นตอนที่ผมใช้จริงตอนนี้

เครื่องมือที่ผมใช้คือ VoxClone เหตุผลง่ายมาก — ไม่ต้องสมัครสมาชิก เปิดมาใช้ได้เลย ไม่ต้องเสียเวลาสมัครบัญชีอะไรให้ยุ่งยาก

ขั้นตอนก็แบบนี้ — อัปโหลดไฟล์เสียงที่อัดไว้ที่ หน้าโคลนเสียง ตั้งชื่อให้มันหน่อย เช่น "เสียงผู้หญิง-นุ่มนวล" จากนั้นกลับไปที่ หน้าแปลงข้อความเป็นเสียงพูด วางข้อความที่ต้องการ แล้วเลือกเสียงที่เพิ่งโคลนไป กดสร้าง ลองฟัง แล้วปรับเครื่องหมายวรรคตอนนิดหน่อย สร้างใหม่

ใช่แล้ว เครื่องหมายวรรคตอนสำคัญมาก อยากให้มันหยุดตรงไหนก็ใช้จุลภาคหรือมหัพภาค "สั่ง" มัน อยากเน้นคำไหนก็ปรับโครงสร้างประโยคหน่อย TTS ไม่เข้าใจความหมายลึก ๆ ของเรา เครื่องหมายวรรคตอนคือบทพูดของมัน

อีกอย่างคือตัวบทความเองก็ต้อง "เขียนให้เป็นภาษาพูด" ด้วย ถ้าเอาภาษาเขียนทางการ ๆ ไปใส่เลย พออ่านออกมาก็จะรู้สึกฝืน ๆ เปลี่ยนคำอย่าง "ดังนั้น" เป็น "เพราะงั้น" ตัดประโยคยาวให้สั้นลง แค่นี้คุณภาพก็กระโดดขึ้นอีกขั้น

คำถามที่เจอบ่อย

ไฟล์เสียงตัวอย่างต้องอัดจากคนจริงเท่านั้นไหม? ใช้เสียงจากวิดีโอได้ไหม?

ได้ แต่มีเงื่อนไข เสียงในคลิปต้องไม่มีเพลงประกอบ ไม่มีคนพูดหลายคน และไม่มีเสียงสะท้อน เสียงจากวิดีโอคอร์สหรือพอดแคสต์ที่ตัดเสียงรบกวนออกแล้วพอใช้ได้ แต่คลิปจากหนังแทบจะใช้ไม่ได้เลย เพราะพอเพลงประกอบเข้าไปปุ๊บ เสียงที่โคลนออกมาก็จะมีความ "ดราม่า" ติดมาด้วย

โคลนเสียงครั้งเดียวแล้วใช้ซ้ำได้ไหม?

ได้ พอโคลนเสร็จมันจะกลายเป็น "โทนเสียง" ที่เรียกใช้ซ้ำได้ ทุกคอร์ส ทุกบทความ ใช้เสียงเดิมได้เลย ไม่ต้องอัปโหลดใหม่ทุกครั้ง แนะนำให้สร้างหลายโทนไว้ เช่น โทนอธิบาย โทนสรุป โทนยกตัวอย่าง แล้วสลับตามแต่ละช่วงของคอร์ส จะฟังธรรมชาติกว่าการใช้เสียงเดียวตลอดทั้งเรื่อง

บทความยาวมาก แปลงทีเดียวได้ไหม?

VoxClone แปลงข้อความเป็นเสียงพูดแบบไม่จำกัดความยาว วางบทความยาว ๆ ไปได้เลย ไม่ต้องตัดเอง แต่โดยส่วนตัวผมชอบแบ่งตามบท — อย่างแรกคือแก้ไขเฉพาะช่วงที่ต้องการได้ง่าย อย่างที่สองคือตัดต่อเสียงทีหลังสะดวกกว่า

ปิดท้าย

พูดง่าย ๆ เรื่องการทำเสียงพากย์ด้วย AI ตัวเครื่องมือมันฟรีอยู่แล้ว แต่ความต่างอยู่ที่ 10 นาทีตอนอัดนั่นแหละ ครั้งต่อไปถ้าฟังแล้วรู้สึกเหมือนหุ่นยนต์ อย่าเพิ่งเปลี่ยนเครื่องมือ ลองกลับไปอัดไฟล์เสียงตัวอย่างใหม่ — หามุมเงียบ ๆ สักมุม ใช้เสียงที่คุณพูดกับคนจริง ๆ ยิ้มแล้วพูดให้ครบ 30 วินาที

ลองสักครั้งแล้วจะรู้ว่ามันต่างกันแค่ไหน ใครอยากดูรายละเอียดเพิ่มเติมเรื่องการอัดเสียงและโคลนเสียง มีบทเรียน实操อยู่ที่ หน้าบทเรียน ลองไปอ่านดูได้