เอาเสียงอัดในร้านกาแฟไปโคลนเสียงตัวเอง แล้วได้ยินเหมือนคนพูดอยู่ใต้ถังน้ำ
บ่ายสามโมงวันพุธ ผมนั่งอยู่ในร้านกาแฟแถวอารีย์ ต้องส่งเสียงพากย์วิดีโอเดโมให้ลูกค้าภายในเย็นนี้ แต่สคริปต์เพิ่งโดนแก้เมื่อเช้า นักพากย์ที่ใช้ประจำก็คิวเต็มไปถึงสัปดาห์หน้า
ผมเลยคิดในใจ — เอ๊ะ เดี๋ยวนี้มันมีโคลนเสียงไม่ใช่เหรอ อัดเสียงตัวเองสั้นๆ แล้วให้ AI อ่านให้ก็จบ
คิดแล้วก็ทำเลยครับ หยิบมือถือขึ้นมา อ่านสคริปต์สองร้อยกว่าคำตรงนั้นเลย ทั้งเสียงเครื่องบดกาแฟ ทั้งคนคุยกันโต๊ะข้างๆ ทั้งเสียงแก้วกระทบถาด
ตอนนั้นผมคิดแค่ — AI มันน่าจะ "ล้างเสียงรบกวน" ให้ได้แหละ
ผลที่ออกมา... เสียงคนพูดเหมือนโผล่ขึ้นมาจากก้นอ่างอาบน้ำ คำพูดชัดนะ แต่ทั้งตัวเหมือนแช่อยู่ในน้ำ หางเสียงลากเป็นหมอกฮัมๆ ลูกค้าฟังจบเงียบไปห้าวินาที แล้วพูดว่า "รอพี่นักพากย์ดีกว่าไหม"
วันนั้นผมลบไฟล์โปรเจกต์ทิ้ง แล้วเริ่มใหม่หมด
เปิดคลิปย้อนหลัง: ผมเอาอะไรไปให้เครื่องโคลนเสียงกันแน่
บอกก่อนเลย ผมใช้วิธีโคลนเสียงฟรีแบบพื้นฐานที่สุด — อัปโหลดเสียงตัวเองเข้าไป รอให้มันเรียนโทนเสียง แล้วพิมพ์ข้อความให้มันอ่าน เครื่องมือไม่มีปัญหา ปัญหาอยู่ที่ผมเอง
ผมหาไฟล์นั้นมาเปิดฟังสามรอบถึงได้ยินว่า เสียงเครื่องบดกาแฟคือเสียงรบกวนความถี่ต่ำ เสียงคนคุยกันคือความถี่กลาง และที่แย่สุดคือมือถืออยู่ห่างปากตั้งยี่สิบเซนติเมตร เสียงสะท้อนห้องเข้าไปเต็มๆ โมเดลโคลนเสียงมันเรียน "โทนเสียง" ก็จริง แต่มันเรียนไม่ใช่แค่เสียงผม มันเรียนทั้งร้านกาแฟไปด้วย
โง่ไปกว่านั้นอีก — ตอนอ่านผมอยากให้มัน "มีอารมณ์" เลยตั้งใจกดเสียงต่ำลงครึ่งคีย์ ผลคือได้เสียงผมเวอร์ชันคนอดนอน แล้วยังเป็นหวัดอีก
หลังผ่านเรื่องนี้มาถึงเข้าใจประโยคหนึ่ง — คุณให้อะไรไป มันก็คืนอันนั้นกลับมา ในงานโคลนเสียง ประโยคนี้มันหมายความตามตัวอักษรเลย
บทเรียน: ปัญหาไม่ใช่เครื่องมือ แต่คือไฟล์เสียง
วันอัดใหม่ผมทำสามอย่างที่ดูเชยมาก อย่างแรกคือเปลี่ยนที่ — มุดเข้าไปในตู้เสื้อผ้า เอาผ้าห่มกับเสื้อกันหนาวสองตัวแขวนไว้ข้างหลัง วางมือถือบนราวแขวนห่างจากปากประมาณหนึ่งกำมือ ตู้เสื้อผ้าไม่สวยหรอก แต่มันดูดเสียงได้จริง ดีกว่าปลั๊กอินตัดเสียงรบกวนตัวไหนๆ
อย่างที่สอง เปลี่ยนบท ไม่ต้องอ่านแบบพิธีการแล้ว เปลี่ยนเป็นอ่านเรื่องที่ตัวเองเขียนไว้ด้วยโทนคุยเล่น ยิ่งสบายยิ่งดี เพราะสิ่งที่โคลนเสียงต้องการคือ "เสียงตอนคุณพูด" ไม่ใช่ "เสียงตอนคุณอ่านข่าว"
อย่างที่สาม อัดให้ยาวขึ้น ประมาณสี่นาที มีจังหวะหยุด มีหายใจ มีช่วงที่อ่านผิดแล้วหัวเราะ เก็บไว้หมด ไม่ต้องตัด
แล้วผมก็อัปโหลดใหม่ คราวนี้เสียงที่ออกมา ผมฟังเองแล้วรู้สึกแปลกๆ — มันคือผมตอนปกติ แค่เปลี่ยนเนื้อหา
พูดถึงตรงนี้ ทางเข้าแปลงข้อความเป็นเสียงพูดแบบออนไลน์เดี๋ยวนี้หาง่ายมาก เปิดก็ใช้ได้เลย เรื่องยากคือขั้น "เตรียมไฟล์เสียง" ต่างหาก และขั้นนี้ไม่มีใครทำแทนเราได้
พอเสียงสะอาด งานพวกนี้ถึงเริ่มใช้ได้จริง
หลังไฟล์ผ่าน ผมถึงรู้ว่าสิ่งที่ยากในเรื่องเสียงพากย์ AI ฟรี ไม่เคยใช่คำว่า "ฟรี" แต่คือ "เรามีไฟล์เสียงที่ฟังได้ไหม"
เส้นทางที่ผมลองมีสองแบบ แบบแรกคือโหลดโปรแกรมโคลนเสียงเวอร์ชันฟรีลงเครื่อง ไปตีกับไดรเวอร์กับการ์ดจอ แบบที่สองคือทำแบบออนไลน์ — เปิดเว็บ อัปโหลด พิมพ์ ออกเสียง ไม่ต้องสมัครสมาชิก text to speech ก็ใช้ได้ ไม่ต้องสร้างบัญชีด้วยซ้ำ สำหรับคนอย่างผมที่แค่อยากส่งวิดีโอให้ทัน แบบที่สองที่ประหยัดไม่ใช่เงิน แต่คืออารมณ์
- พากย์เสียงวิดีโอด้วย ai ฟรี: สคริปต์แก้สิบรอบ เสียงก็ต้องอัดสิบรอบ แต่ตอนนี้แก้เสร็จก็ออกเสียงได้เลย ต้นทุนการลองผิดลองถูกเกือบเป็นศูนย์
- คอร์สออนไลน์กับพอดแคสต์: ทำข้อความเป็นเสียง ฟรี แล้วฟังเองตอนนั่ง BTS ไปทำงาน ประโยคไหนอ่านแล้วฝืด หูมันซื่อสัตย์กว่าตามาก
- ทำ audiobook ด้วย ai ฟรี: ใครไม่อยากออกกล้องไม่อยากออกเสียง ใช้เสียงโคลนตัวเองอ่านสบายกว่ามาก
- เสียงให้คนที่บ้าน: เอาเอกสารยาวๆ คู่มือยา ข้อความเตือนกินยา แปลงเป็นเสียงพูด ส่งเป็นข้อความยาวๆ ให้พ่อแม่ไม่ค่อยได้ผล
- วิดีโอเดโมกับงาน accessibility: สื่อนำเสนอ เนื้อหาสำหรับโปรแกรมอ่านหน้าจอ ที่ต้องการ "เสียงคน" แต่ไม่อยากให้คนจริงมานั่งอัดซ้ำ
งานพวกนี้ผมทำด้วยขั้นตอนเดียวกันหมด — เก็บโทนเสียงไว้ก่อน แล้วค่อยเอาข้อความไปสร้างเสียง เพราะไม่ต้องสมัครสมาชิกและไม่จำกัดจำนวนคำ ผมเลยลองซ้ำได้เรื่อยๆ ประโยคเดียวกัน ลองสามอารมณ์ สองจังหวะหยุด ฟังว่าอันไหนเข้าหู อิสระแบบนี้สำคัญกว่าปุ่มในหน้าตั้งค่าอีกหลายปุ่ม
สำหรับคนที่กำลังเสิร์ชหา voice clone thai free อยู่ ผมบอกเลยว่าไม่ต้องไปหาที่ไหนไกล เปิดเว็บ ทดลองกับเสียงตัวเองก่อน แล้วค่อยไปคิดเรื่องสร้างเสียงนักพากย์อัตโนมัติสำหรับงานจริงทีหลัง
พูดตรงๆ ตอนนี้กำแพงของสร้างเสียงพูด ai ฟรี มันต่ำลงจนเหลือแค่... เรายอมอัดดีๆ สักสามนาทีหรือเปล่า
ถ้าใครกำลังลองอยู่ เทคนิคเพิ่มเติมมีบันทึกการใช้งานจริงอยู่บ้าง ประหยัดเวลากว่ามานั่งมั่วแบบผม
ขั้นตอนที่ผมใช้ตอนนี้
คงที่มาก: อัดไฟล์สะอาดก่อน (ห้องเงียบ มือถือหรือไมค์หูฟัง โทนปกติ สามถึงห้านาที) → อัปโหลดโคลนเสียงตัวเอง → พิมพ์สร้างเสียง → ฟัง → ไม่พอใจก็กลับไปแก้เครื่องหมายวรรคตอนในข้อความ
ใช่ครับ เครื่องหมายวรรคตอน นี่คือบทเรียนอีกข้อของผม จุลภาคคือหยุดสั้น จุดคือหยุดยาว จุดสามจุดคือ "ตรงนี้หายใจหน่อย" เขียนวรรคตอนถูก จังหวะที่ออกมาก็ถูก ดีกว่าไปหมุนพารามิเตอร์ในเครื่องมือเยอะ
เสียงที่ได้ใกล้เคียงเสียงคนจริงมาก และทั้งกระบวนการไม่เสียเงินสักบาท — ตอนผมเริ่มทำวิดีโอปีที่สาม เรื่องแบบนี้คิดไม่ถึงเลย
สามคำถามที่เจอบ่อย
อัดเสียงต้องใช้ไมค์โปรфессионалไหม
ไม่ต้องครับ ผมใช้มือถืออัดในตู้เสื้อผ้า ยังใช้ได้เลย สิ่งที่ฆ่าไฟล์เสียงจริงๆ คือเสียงรบกวนรอบข้างกับระยะห่าง ไม่ใช่อุปกรณ์ ห้องเงียบกับปากห่างหนึ่งกำมือ ดีกว่าไมค์ราคาเป็นหมื่นวางในห้องนั่งเล่นที่มีคนเดินไปมา
เสียงที่โคลนมาใช้เชิงพาณิชย์ได้เลยไหม
ต้องดูว่าเราโคลนเสียงใคร กับเงื่อนไขการใช้งานของแพลตฟอร์ม โคลนเสียงตัวเองง่ายที่สุด ถ้าจะโคลนเสียงคนอื่น — ต่อให้เป็นเพื่อนร่วมงาน — ถามก่อนสักคำ ไม่งั้นปัญหาที่ตามมาจะแพงกว่าเงินที่ประหยัดได้
ฟรีกับเสียเงินต่างกันเยอะไหม
งานที่ผมทำด้วยโคลนเสียงฟรีแบบนี้ ก็เพียงพอแล้ว ความต่างอยู่ที่งานสุดโต่ง เช่นข้อความยาวมาก หรืออารมณ์ที่ละเอียดมากๆ งานพากย์ประจำวัน คอร์สออนไลน์ ประกาศ แผน text to speech ภาษาไทย ฟรี รับไหวหมด เพื่อนนักพัฒนาถามผมว่าขอ API สังเคราะห์เสียงฟรีได้ไหม ผมตอบทุกครั้งว่า ใช้เว็บให้คล่องก่อน แล้วค่อยคิดเรื่องต่อ API ไม่งั้นก็แค่ผลิตเสียงรบกวนออกมาเป็นจำนวนมาก
ปิดท้าย
ถ้าอยากลองเหมือนกัน คำแนะนำผมคือ คืนนี้หาห้องเงียบๆ สักห้อง ใช้มือถืออัดสามนาที อ่านอะไรก็ได้ที่อยู่ใกล้มือ โทนผ่อนคลาย อย่าเกร็ง แล้วโยนไฟล์นั้นเข้าไป พิมพ์หนึ่งประโยค สร้างออกมาฟัง
ครั้งนั้นผมเสียเวลาไปครึ่งวัน แต่ได้บทเรียนว่า — งานโคลนเสียง 80% ของเวลาควรหมดไปกับ "อัด" ไม่ใช่ "ปรับ" ส่วนอีก 20% ที่เหลือ ปล่อยให้เครื่องมือจัดการ