เอาคลิปอัดในคาเฟ่มาโคลนเสียง แล้วได้เสียงเหมือนคนพูดอยู่ใต้ถังน้ำ — สรุปสิ่งที่ผมเรียนรู้เรื่อง แปลงข้อความเป็นเสียงพูด
บ่ายสามวันพุธ ผมนั่งอยู่ในคาเฟ่แถวอารีย์ มือถือวางพิงแก้วกาแฟที่เย็นไปแล้ว ลูกค้าเพิ่งส่งสคริปต์ใหม่มาเมื่อเช้า ส่วนนักพากย์ที่ใช้ประจำก็คิวเต็มไปถึงสัปดาห์หน้า ผมเลยคิดในใจว่า "เดี๋ยวโคลนเสียงตัวเองก็จบ" — ง่ายจะตาย
ผมเลยกดอัด อ่านสคริปต์สองร้อยกว่าคำลงไปในมือถือ ตรงนั้นมีเครื่องบดกาแฟ มีคนคุยกันเรื่องงาน มีเสียงช้อนกระทบจาน แล้วผมก็คิดว่า — ยังไง AI มันก็ต้อง "ล้าง" ให้สะอาดอยู่แล้วแหละ
ผลที่ออกมา? เสียงเหมือนคนพูดอยู่ใต้ถังน้ำครับ คำชัดนะ แต่ทั้งตัวจมอยู่ใต้น้ำ หางเสียงลากเป็นหมอก ๆ ลูกค้าเงียบไปห้าวินาที แล้วพิมพ์กลับมาว่า "พี่รอนักพากย์ดีกว่าไหม"
คืนนั้นผมลบไฟล์ทิ้งหมด แล้วเริ่มใหม่
จุดที่พัง: ผมป้อนอะไรลงไปในเครื่องโคลนเสียงกันแน่
บอกก่อนว่าผมใช้วิธีพื้นฐานที่สุดของโคลนเสียงฟรี — อัปโหลดคลิปเสียงตัวเองเข้าไป รอให้มันเรียนเสียงเรา แล้วพิมพ์ข้อความให้มันอ่าน เครื่องมือไม่มีปัญหา คนมีปัญหา
ผมเปิดคลิปนั้นฟังสามรอบกว่าจะรู้ว่า เครื่องบดกาแฟคือเสียงรบกวนความถี่ต่ำ เสียงคนคุยกันคือความถี่กลางที่กลืนไปกับเสียงเรา และที่หนักสุดคือมือถืออยู่ห่างจากปากยี่สิบเซนติเมตร รีเวิร์บของร้านเลยเข้าไปเต็ม ๆ สิ่งที่โมเดลเรียนรู้ไม่ใช่แค่เสียงผม แต่มันเรียนรู้ทั้งร้านกาแฟไปด้วย
โง่กว่านั้นอีก — ตอนอ่านผมอยากให้มัน "มีอารมณ์" เลยฝืนลดเสียงต่ำลงครึ่งคีย์ กลายเป็นผมเวอร์ชันคนเป็นไข้ ไม่ได้นอนสามคืน
แล้วผมก็เข้าใจประโยคหนึ่งขึ้นมาทันที — ให้อะไรเข้าไป ก็ได้อย่างนั้นออกมา ในโลกของ โคลนเสียงตัวเอง ประโยคนี้มันแปลตรงตัวเลย
รีแคป: ที่พังไม่ใช่เพราะเครื่องมือ แต่เพราะไฟล์เสียง
วันอัดใหม่ผมทำสามอย่างที่บ้าน ๆ มาก
หนึ่ง เปลี่ยนที่ — ผมมุดเข้าไปในตู้เสื้อผ้า แขวนเสื้อกันหนาวไว้สองตัวด้านหลัง เอามือถือวางพาดราวแขวน ให้ห่างจากปากประมาณหนึ่งกำมือ ตู้เสื้อผ้าไม่สวยหรอก แต่มันดูดเสียงได้จริง ดีกว่าปลั๊กอินตัดเสียงรบกวนตัวไหนทั้งนั้น
สอง เปลี่ยนบท — เลิกอ่านแบบผู้ประกาศข่าว เปลี่ยนเป็นอ่านข้อความที่ผมเขียนเองด้วยโทนที่คุยกับเพื่อน เพราะสิ่งที่เราต้องการคือ "เสียงตอนที่เราพูด" ไม่ใช่ "เสียงตอนที่เราอ่าน"
สาม อัดให้ยาวขึ้น — สี่นาที มีหยุด มีหายใจ มีหัวเราะตอนอ่านผิดแล้วอ่านใหม่ เก็บไว้หมด ไม่ต้องตัด
แล้วผมก็อัปโหลดใหม่ คราวนี้เสียงที่ออกมาทำให้ผมเองยังรู้สึกแปลก ๆ — มันคือผมจริง ๆ แค่เปลี่ยนเนื้อหา
พูดถึงตรงนี้ ทางเข้าของแปลงข้อความเป็นเสียงพูดออนไลน์ทุกวันนี้หาง่ายมาก เปิดก็ใช้ได้เลย เรื่องยากคือขั้น "เตรียมไฟล์" ต่างหาก และขั้นนี้ไม่มีใครทำให้เราได้
พอเสียงสะอาดแล้ว งานพวกนี้ถึงเริ่มใช้ได้จริง
ผมเองก็เคยนั่งเสิร์ชคำว่า voice clone thai free กับ text to speech ภาษาไทย ฟรี อยู่หลายคืน กว่าจะเจอทางที่ใช่
ผมลองมาสองเส้นทาง เส้นแรกคือโหลดโปรแกรมลงเครื่อง แล้วทะเลาะกับไดรเวอร์กับการ์ดจออยู่ครึ่งคืน เส้นที่สองคือทำออนไลน์ — เปิดเว็บ อัปโหลด พิมพ์ รอเสียงออก แบบไม่ต้องสมัครสมาชิก text to speech เลยด้วยซ้ำ ไม่ต้องสร้างบัญชีให้เสียเวลา สำหรับคนที่อยากส่งงานให้ทันมากกว่าอยากเป็นวิศวกรอย่างผม เส้นที่สองมันประหยัดไม่ใช่แค่เงิน แต่ประหยัดอารมณ์
- พากย์เสียงวิดีโอสั้น TikTok หรือ Reels — สคริปต์แก้สิบรอบ ก็ต้องอัดใหม่สิบรอบ เมื่อก่อนคือทรมาน ตอนนี้แก้เสร็จกดสร้างใหม่ ต้นทุนการลองผิดลองถูกแทบเป็นศูนย์
- คอร์สออนไลน์และพอดแคสต์ — เอาสคริปต์บรรยายมาแปลงเป็นเสียงก่อน ฟังเองตอนนั่งรถไฟฟ้าไปทำงาน ประโยคไหนอ่านแล้วสะดุด หูมันซื่อสัตย์กว่าตา
- ทำ audiobook ด้วย ai ฟรี — คนที่ไม่กล้าเปิดหน้าหรือเปิดเสียงตัวเอง ก็เอาเสียงที่โคลนไว้มาอ่านนิยายลง Fictionlog หรือ Meb หรืออ่านบทความยาว ๆ ลงเพจ ฟังสบายกว่ามันสมองกลแบบเดิมเยอะ
- ทำเสียงให้คนที่บ้าน — ข้อความยาว ๆ คู่มือยา เตือนกินยา แปลงเป็นเสียงแล้วส่งไปในไลน์ ได้ผลกว่าพิมพ์ยาวเป็นหน้ากระดาษ
- พากย์เสียงวิดีโอด้วย ai ฟรี — งานนำเสนอ สื่อสำหรับคนที่มองไม่สะดวก ต้องการ "เสียงคน" แต่ไม่ต้องการให้คนจริงมานั่งอัดซ้ำ
- สร้างเสียงนักพากย์อัตโนมัติ — ร้านที่ทำคลิปขายของวันละหลายชิ้น ไม่ต้องจองคิวใครเลย
ทั้งหมดนี้ผมใช้กระบวนการเดียวกัน — โคลนเสียงตัวเองเก็บไว้ก่อน แล้วเอาข้อความไปสร้างทีหลัง เพราะมันไม่จำกัดจำนวนคำ ผมเลยลองได้เรื่อย ๆ ประโยคเดียวกัน ลองสามโทน สองจังหวะการหยุด ฟังว่าอันไหนเข้าหู อิสระแบบนี้สำคัญกว่าปุ่มตั้งค่าเพิ่มอีกสิบปุ่มบนหน้าจอ
พูดตรง ๆ นะ ทุกวันนี้กำแพงของ สร้างเสียงพูด ai ฟรี มันต่ำจนเหลือต้นทุนอย่างเดียวที่ต้องจ่าย คือการนั่งอัดเสียงให้ดีสักสามนาที
ถ้าใครกำลังงมอยู่เหมือนผม ในบทเรียนเพิ่มเติมมีบันทึกการใช้งานจริงอยู่บ้าง ประหยัดเวลาได้มากกว่าการลองผิดลองถูกแบบผม
ขั้นตอนที่ผมใช้ประจำตอนนี้
มันตายตัวมาก — อัดเสียงสะอาดในห้องเงียบ (มือถือหรือหูฟังก็ได้ โทนปกติ สามถึงห้านาที) → อัปโหลดเก็บเสียง → พิมพ์ข้อความ → ฟัง → ไม่พอใจก็กลับไปแก้เครื่องหมายวรรคตอน
ใช่ครับ เครื่องหมายวรรคตอน นี่คือบทเรียนอีกข้อของผม เครื่องหมายจุลภาคคือหยุดสั้น จุดคือหยุดยาว จุดสามจุดคือ "ตรงนี้หายใจ" เขียนวรรคตอนให้ถูก จังหวะที่ออกมาก็ถูกเอง ใช้ได้ผลกว่าการไปนั่งหมุนค่าพารามิเตอร์ในเครื่องเสียอีก
และอีกอย่างที่คนทำ TTS ภาษาไทยต้องระวัง — วรรณยุกต์กับสระ สะกดให้ตรงเสียงที่ต้องการอ่าน เพราะมันอ่านตามตัวอักษรที่เราเขียน ถ้าเขียนผิด ไม้โท ไม้เอก ก็เพี้ยนทันที
เสียงที่ได้ออกมาใกล้เคียงเสียงคนจริงมาก และทั้งกระบวนการผมไม่จ่ายสักบาท ซึ่งถ้าย้อนไปตอนผมทำวิดีโอปีที่สาม ผมคงคิดว่าเป็นเรื่องเหลือเชื่อ
สามคำถามที่เจอบ่อย
อัดเสียงต้องใช้ไมค์แพงไหม
ไม่ต้องเลย ตัวที่ผมใช้คือมือถือในตู้เสื้อผ้า ฟังได้สบาย สิ่งที่ฆ่าไฟล์เสียงเราคือเสียงรบกวนกับระยะห่าง ไม่ใช่อุปกรณ์ ห้องเงียบกับปากห่างหนึ่งกำมือ ชนะไมค์หลักพันที่วางอยู่ในห้องนั่งเล่นที่มีคนเดินไปมา
เอาเสียงที่โคลนไปใช้เชิงพาณิชย์ได้เลยไหม
ต้องดูว่าคุณโคลนเสียงใคร และดูเงื่อนไขการใช้งานของแพลตฟอร์มด้วย โคลนเสียงตัวเองคือสบายที่สุด ถ้าโคลนเสียงคนอื่น — ต่อให้เป็นเพื่อนร่วมงาน — ถามก่อนสักคำเถอะครับ นอกจากจะเสียมารยาทแล้ว ยังเกี่ยวพันกับ PDPA ด้วย ถ้าจำเป็นต้องใช้เสียงคนอื่นจริง ๆ ทำหนังสือยินยอมเป็นลายลักษณ์อักษรไว้ เรื่องยุ่งทีหลังแพงกว่าค่าพากย์เสมอ
ของฟรีกับของเสียเงินต่างกันมากไหม
งานที่ผมทำด้วยโคลนเสียงฟรีแบบไม่ต้องจ่าย ก็เพียงพอแล้ว ความต่างจะโผล่ในเคสสุดโต่ง เช่นข้อความยาวมาก ๆ หรืออารมณ์ที่ต้องละเอียดมากเป็นพิเศษ แต่งานพากย์คลิป คอร์ส หรือประกาศ ใช้ตัวช่วย ข้อความเป็นเสียง ฟรี ก็รับไหวหมด ถ้าอยากได้ เสียงพากย์ ai ฟรี ที่ฟังเป็นธรรมชาติกว่านี้ก็มีให้เลือกอยู่ แต่ผมยังไม่จำเป็นต้องจ่าย เพื่อนที่เขียนโปรแกรมมาถามผมเรื่อง API สังเคราะห์เสียง ผมตอบเหมือนกันทุกครั้ง — เอาหน้าเว็บให้ไฟล์เสียงกับข้อความมันลงตัวก่อน ค่อยไปคิดเรื่องต่อ API ไม่งั้นก็แค่ผลิตเสียงรบกวนออกมาเป็นจำนวนมาก
ปิดท้าย
ถ้าอยากลอง คืนนี้เลย — หาห้องเงียบ ๆ สักห้อง อัดสามนาที อ่านอะไรก็ได้ที่อยู่ใกล้มือ โทนสบาย ๆ ไม่ต้องเกร็ง แล้วเอาคลิปนั้นไปโคลนเสียงตัวเอง พิมพ์หนึ่งประโยค แล้วกดสร้างฟัง
วันนั้นผมเสียเวลาไปครึ่งวันกับความพังครั้งนั้น แต่สิ่งที่ได้กลับมาคือ — งานโคลนเสียงนี้ แปดสิบเปอร์เซ็นต์ของเวลาควรอยู่ที่ "อัด" ไม่ใช่ "ปรับ" ส่วนอีกยี่สิบเปอร์เซ็นต์ที่เหลือ ปล่อยให้เครื่องมือมันจัดการ