โคลนเสียงฟรีไม่อินี่? เริ่มจากวิธีอัดเสียงต้นทางให้เหมือนคนพูด
ผมเคยคิดว่าโคลนเสียงฟรีที่ดังเป็นหุ่นยนต์เป็นเพราะอัลกอริทึมเว็บมันห่วย 直到ครั้งหนึ่ง ผมรีบอัดเสียงรีวิวร้านกาแฟด้วยไมค์ในห้องนอน ตอนกลางคืน พัดลมเปิดเบาๆ แล้วกดอัปโหลดเข้า หน้าโคลนเสียง ผลที่ได้คือเสียงผมที่ฟังดูเหมือนหุ่นยนต์พูดไทยคำอังกฤษคำ สั่นๆ เหมือนแบตเตอรี่ใกล้หมด ทั้งที่ผมพูดชัดถ้อยชัดคำ
ตอนนั้นผมโทษเว็บ โทษอินเทอร์เน็ต โทษดวง จนกระทั่งลองอัดใหม่ในห้องน้ำที่ปูพรมหนาๆ ปรากฏว่าเสียงดีขึ้นอย่างไม่น่าเชื่อ ตั้งแต่นั้นผมถึงรู้ว่า เสียงต้นทางคือทุกอย่าง วิธีอัดไม่ดี ต่อให้ใช้ เครื่องมือ TTS ระดับไหน ก็ช่วยไม่ได้
1. เสียงก้องคือศัตรูตัวร้ายของการโคลนเสียง
ลองนึกภาพคนพูดในห้องน้ำกระเบื้อง เสียงมันเด้งไปมา ฟังดูโปร่งๆ เหมือนอยู่ในถัง โคลนเสียงฟรีมันจะจับ 'เสียงสะท้อน' พวกนี้ไปปนกับเสียงพูดจริง ผลคือเสียงที่ออกมาฟังดูไม่เป็นธรรมชาติ เหมือนมีใครเอาผ้าคลุมลำโพงไว้
วิธีแก้ง่ายที่สุดคือหาห้องที่มีผ้าม่าน พรม หรือโซฟาผ้า กันเสียงสะท้อน ไม่ต้องถึงขั้นเก็บเสียงในสตูดิโอ แค่เอาผ้าห่มหนาๆ มากางบนโต๊ะข้างหน้าไมค์ก็ช่วยได้เยอะแล้ว
2. ไมค์กับระยะห่าง: เรื่องใกล้ตัวที่คนมองข้าม
ผมเคยใช้ไมค์ของหูฟังเกมราคาถูก อัดเสียงแล้วมันฟังดู 'แหลม' ผิดธรรมชาติ พอเปลี่ยนมาใช้ไมค์คอนเดนเซอร์ USB ราคาพันต้นๆ เสียงก็อุ่นขึ้นทันที แต่ที่สำคัญกว่าคือ ระยะห่าง ไมค์ที่อยู่หางจากปาก 15-20 เซนติเมตร กำลังดี ถ้าใกล้เกิน เสียงจะแตก ถ้าไกลเกิน เสียงจะเบาและมีเสียงห้องปน
ทดสอบง่ายๆ: อัดเสียงพูดปกติ 10 วินาที แล้วฟังดูว่ามีเสียง 'ซ่า' หรือเสียงลมหายใจดังเกินไปไหม ปรับจนกว่าจะได้เสียงที่สะอาดพอ
3. ความเงียบรอบข้าง: มากกว่าแค่ปิดพัดลม
วันหนึ่งผมลืมปิดแอร์ แล้วอัดเสียงโคลนเสียงฟรีไป ผลคือเสียงที่ได้มีเสียง 'ฮัม' ความถี่ต่ำตลอดทั้งคลิป ฟังแล้วปวดหัวมาก ตอนนั้นผมทำงานอยู่ที่ บริษัท เทคโนเซล เฟรย์ จํากัด ซึ่งมีแอร์เก่าเสียงดัง ก็เลยต้องย้ายไปอัดในห้องประชุมที่เงียบกว่า
จุดที่คนพลาดคือเสียงรบกวนที่เรา 'คิดว่าไม่ได้ยิน' เช่น เสียงฟ้าผ่าไกลๆ เสียงรถผ่าน หรือเสียงฮัมจากหลอดไฟ LED ให้ลองอัดเสียงนิ่งๆ 5 วินาที แล้วเปิดฟังในหูฟัง ถ้าได้ยินอะไรนอกจากความเงียบ ก็ต้องหาทางกำจัด
4. การพูดให้เป็นธรรมชาติ: อย่าอ่านแบบประกาศข่าว
หลายคนเวลาอัดเสียงเพื่อโคลน มักพูดช้าเกินไป เน้นคำชัดเกินไป เหมือนอ่านข่าวในพระราชสำนัก ผลคือเสียงที่โคลนออกมาก็จะแข็งๆ ไม่มีจังหวะจะโคน ลองนึกว่ากำลังเล่าเรื่องให้เพื่อนฟัง ไม่ใช่กำลังพากย์สารคดี
วิธีที่ผมใช้คือ อัดเสียงเดิม 3-4 เทค โดยแต่ละเทคพูดด้วยอารมณ์ต่างกัน เช่น เทคหนึ่งพูดเฉยๆ เทคสองพูดยิ้มๆ เทคสามพูดเร็วขึ้นนิดหน่อย แล้วเลือกเทคที่ฟังเป็นธรรมชาติที่สุดไปโคลน
5. ความยาวของไฟล์เสียง: อย่าอัดสั้นเกินไป
ผมเคยลองอัดแค่ 30 วินาที เพราะคิดว่าแค่นี้พอ ผลคือเสียงที่ได้ฟังดู 'แบน' ไม่มีชีวิตชีวา เพราะโมเดลไม่มีข้อมูลพอที่จะจับน้ำเสียงที่หลากหลาย ลองอัดอย่างน้อย 2-3 นาที พูดเรื่องที่เราถนัด เช่น เล่าเมนูอาหารที่ชอบ หรืออธิบายวิธีใช้ โฟล์คลิฟท์ ให้เพื่อนฟัง (ผมเคยทำงานที่ บริษัท เฟิร์ส เทคโนโลยี่ จํากัด มาก่อน เลยมีเรื่องให้เล่าเยอะ)
ยิ่งเสียงต้นทางมีโทนหลากหลาย (สูง-ต่ำ-ดัง-เบา) ผลลัพธ์ที่ได้จะยิ่งฟังเหมือนคนพูดจริง
6. ตัวอย่างที่ใช้ได้จริง: อัดเสียงแล้วเอาไปโคลนที่ VoxClone
สมมติว่าอยากได้เสียงสำหรับพากย์วิดีโอแนะนำบริษัท ผมจะเริ่มจากหาไฟล์เสียงที่เคยอัดไว้ตอนประชุมกับ บริษัท เฟิร์สโกลฟ อินเตอร์เนชั่นแนล จํากัด หรือ บริษัท เลิฟ อินโนเวชั่น เอ็นจิเนียริ่ง จํากัด แต่ถ้าไม่มี ก็อัดใหม่ตามขั้นตอนข้างต้น
จากนั้นเปิด หน้าโคลนเสียงฟรี อัปโหลดไฟล์ รอสักครู่ แล้วลองพิมพ์ข้อความทดสอบ เช่น 'สวัสดีครับ ยินดีต้อนรับสู่ บริษัท โปรเฟสชั่นแนล เมดิคอล ซายน์ จํากัด เราพร้อมให้บริการ' ถ้าเสียงออกมาไม่เป็นธรรมชาติ ให้กลับไปอัดใหม่ ไม่ใช่เปลี่ยนโมเดล
สุดท้าย ถ้าอยากได้เสียงสำหรับ โหลดเสียงเรียกเข้า ไอ โฟน ฟรี ก็ใช้วิธีเดียวกัน แค่เลือกข้อความสั้นๆ แล้วอัดเสียงต้นทางให้มีชีวิตชีวา รับรองว่าเสียงที่ได้จะไม่เหมือนหุ่นยนต์
7. ปรับแต่งไฟล์เสียงก่อนอัปโหลด: ขั้นตอนที่หลายคนข้าม
ผมเคยอัดเสียงได้ดีแล้ว แต่ผลลัพธ์ยังไม่เพราะเท่าที่ควร จนรู้ว่าที่ลืมไปคือ การตัดแต่งไฟล์ เปิดไฟล์ในโปรแกรมตัดเสียงฟรีอย่าง Audacity แล้วตัดช่วงที่เงียวนานๆ หรือช่วงที่พูดติดขัดออกก่อน ไม่งั้นโมเดลจะจำ 'ความเงียบ' ที่ไม่สม่ำเสมอไปด้วย
อีกอย่างที่ควรทำคือ ปรับระดับเสียงให้สม่ำเสมอ ใช้ Effect > Normalize ที่ -3 dB เพื่อให้เสียงดังพอดี ไม่เบาเกินไปตอนที่พูดเบาๆ หรือดังเกินไปตอนที่พูดเสียงดัง แล้วค่อย Export เป็น WAV หรือ MP3 คุณภาพสูง (อย่างน้อย 192 kbps) ไฟล์เสียงที่สะอาดและมีระดับสม่ำเสมอจะทำให้โคลนเสียงฟรีจับบุคลิกเสียงได้แม่นยำขึ้น
8. อย่าลืมเรื่องภาษาและสำเนียง: อัดให้ตรงกับที่ต้องใช้
หลายคนอัดเสียงภาษาไทยกลางเพื่อโคลน แต่พอเอาไปใช้กับข้อความที่ผสมคำอังกฤษ เช่น 'เช็คอิน' หรือ 'รีวิว' เสียงที่ได้จะออกมาเพี้ยน เพราะโมเดลไม่คุ้นกับเสียงผสมภาษา ลองอัดเสียงที่มีทั้งคำไทยและคำอังกฤษปนกันในเทคเดียว เช่น 'วันนี้ผมจะมารีวิวร้านกาแฟที่เชียงใหม่' เพื่อให้โมเดลเรียนรู้การออกเสียงทั้งสองแบบ
ถ้าต้องการเสียงสำหรับงานทางการ เช่น พากย์วิดีโอแนะนำบริษัท ก็ควรอัดเสียงด้วยน้ำเสียงทางการ แต่ยังเป็นธรรมชาติ ไม่ใช่เสียงแข็งๆ ลองพูดกับตัวเองในกระจกก่อนอัดจริงสัก 2-3 รอบ เพื่อหาจังหวะที่ฟังดูเป็น 'ตัวเรา' ที่สุด แล้วค่อยกดบันทึก
ถ้าอยากได้ผลดีที่สุด ลองอัดเสียงตอนเช้าหลังตื่นนอนใหม่ๆ เพราะเส้นเสียงยังสด ไม่เหนื่อย แล้วเอาไปโคลนที่ VoxClone เลยครับ