โคลนเสียงฟรีใช้ยังไง? พากย์คลิปสั้นกับอินโทรพอดแคสต์ คนละเรื่องกันเลย (ผมพลาดมาก่อนทั้งคู่)

เมื่อสัปดาห์ก่อนเพื่อนส่งสคริปต์คลิปอาหารมาให้ 30 วินาที พร้อมข้อความสั้นๆ ว่า "พากย์ให้หน่อย" ผมนั่งอยู่หน้าจอชั่วโมงกว่า แก้แล้วแก้เล่า ฟังแล้วฟังอีก ก็ยังรู้สึกว่ามันไม่ใช่

เช้าวันรุ่งขึ้นผมนั่งทำอินโทรพอดแคสต์ของตัวเอง ใช้เครื่องมือตัวเดียวกัน เสร็จในห้านาที

ตอนนั้นผมถึงบางอ้อ — บทความที่สอนวิธีใช้โคลนเสียงตามเว็บต่างๆ เกือบทั้งหมดพูดเหมือนพากย์คลิปกับทำพอดแคสต์เป็นงานแบบเดียวกัน ทั้งที่จริงมันคนละโลกเลย

ฉากที่ 1: พากย์คลิปสั้น — ศัตรูตัวจริงคือ "จังหวะ"

คลิปสั้นต้องการอะไร? เร็ว นิ่ง มีแรงส่ง สคริปต์ 30 วินาทีมีคำประมาณ 80-100 คำ ต้องยัดข้อมูลให้ทันภาพ ถ้าพูดไม่ทันจบประโยค ภาพตัดไปแล้ว

ครั้งแรกผมเอาสคริปต์ไปป้อนตรงๆ ฟังแล้ว... แบน ไม่ใช่เสียงไม่ดีนะ แต่ทุกประโยคหยุดยาวเท่ากันหมด เหมือนหุ่นยนต์อ่านหนังสือเรียน

หลังจากนั้นผมก็เริ่มแก้ที่สคริปต์ก่อน — เปลี่ยนจุลภาคเป็นจุด ตัดประโยคยาวให้สั้นลง เครื่องหมายวรรคตอนคือตัวควบคุมจังหวะของจริง บางจุดผมใส่ขีดกลางหน้าคำที่ต้องการเน้น ปรากฏว่าหยุดยาวขึ้นชัดเจน พอดีกับจังหวะที่ภาพตัด

อีกกับดักที่เจ็บมาแล้ว: ตัวเลขกับคำอังกฤษ ในสคริปต์เขียน "3 นาที" พอสังเคราะห์ออกมาจะอ่านว่า "สามนาที" หรือ "สาม จุด นาที"? ต้องลองเอง ตอนนี้ผมเขียนตัวเลขเป็นตัวอักษรไทยทั้งหมด ไม่งั้นเดาไม่ถูก

เครื่องมือที่ผมใช้คือ โคลนเสียงฟรีของ VoxClone — ไม่ต้องสมัครสมาชิก text to speech เปิดหน้าเว็บมา อัปโหลดไฟล์เสียงตัวอย่าง แล้วพิมพ์ข้อความรอได้เลย สำหรับงานที่ลูกค้ารอนั่งอยู่หน้าจอแบบนี้ มันช่วยชีวิตมาก ใครจะมานั่งกรอกอีเมลรอโค้ดยืนยัน

ฉากที่ 2: อินโทรพอดแคสต์ — ศัตรูตัวจริงคือ "เหมือนเจ้าของเสียงแค่ไหน"

พอดแคสต์เป็นอีกเรื่องเลย อินโทรมีแค่สิบกว่าวินาที แต่คนฟังได้ยินซ้ำทุกตอน ทุกสัปดาห์ ตรงนี้แหละที่ความเหมือนคือเส้นแบ่งเป็นเป็นตาย

พากย์คลิปสั้น สายตาคนดูอยู่ที่ภาพ เสียงเหมือน 90% ก็ผ่านแล้ว แต่พอดแคสต์ไม่ใช่ — หูฟังแนบชิดหู เสียงลมหายใจ นิสัยการลากเสียงท้ายประโยค หรือน้ำหนักที่กดลงตอนจบประโยค ขาดไปนิดเดียวก็จับได้

เพราะงั้นตอนอัดตัวอย่างเสียงผมเลยตั้งใจเป็นพิเศษ ห้องเงียบ ใช้ไมค์ในมือถืออัดก็พอ แต่ต้องอัดให้ยาวพอ พูดด้วยความเร็วธรรมชาติ อย่าใส่เสียงนักอ่านข่าว — ตัวอย่างเสียงเป็นยังไง งานที่ออกมาก็เป็นแบบนั้น ถ้าตัวอย่างเสียงยังดู "จัด" งานที่ได้ก็จะ "จัด" ตาม

พอสร้างเสร็จผมทำอีกขั้นหนึ่ง: เอาอินโทรที่สร้างจาก AI มาตัดต่อสลับกับเสียงอัดจริง ฟังเทียบไปมา จุดไหนที่ฟังแล้วหลุด ก็กลับไปแก้เครื่องหมายวรรคตอนกับถ้อยคำของประโยคนั้น บอกเลยว่าการแก้สคริปต์ได้ผลกว่าการไปนั่งปรับพารามิเตอร์เยอะ นี่คือบทเรียนที่ผมได้ชัดที่สุดในช่วงนี้

งานอื่นๆ ที่คนไทยเริ่มเอาไปใช้

นอกจากคลิปสั้นกับพอดแคสต์ ผมเห็นคนทำนิยายเสียงกับ audiobook กันเยอะขึ้นมาก หลายคนเริ่มจากความต้องการง่ายๆ แค่อยากได้ข้อความเป็นเสียง ฟรี สักหนึ่งคลิป อยากทำ audiobook ด้วย ai ฟรี เพราะไม่อยากจ่ายค่าเสียงนักพากย์สำหรับงานทดลอง บางคนอยากได้เสียงพากย์ ai ฟรี ไว้พากย์เสียงวิดีโอด้วย ai ฟรี ในเพจขายของ แล้วปล่อยให้ระบบสร้างเสียงนักพากย์อัตโนมัติไว้ใช้ซ้ำทุกคลิป ไม่ต้องจองคิวใครให้ยุ่งยาก

ถ้าคุณเคยเสิร์ชคำว่า voice clone thai free หรือ text to speech ภาษาไทย ฟรี ในกูเกิล จะเห็นว่ามีเว็บให้เลือกเยอะมาก หลายเจ้าอยากได้สร้างเสียงพูด ai ฟรี แบบไม่จำกัด แต่คุณภาพกับความนิ่งของเสียงต่างกันพอสมควร ลองผิดลองถูกสักสองสามเจ้าจะเห็นความต่างชัด

แต่มีเรื่องที่อยากเตือน: ถ้าจะโคลนเสียงตัวเองนั่นไม่ค่อยมีปัญหา แต่ถ้าจะโคลนเสียงคนอื่น ต้องได้ความยินยอมก่อน เมืองไทยเรามี พ.ร.บ.คุ้มครองข้อมูลส่วนบุคคล (PDPA) กำกับอยู่ด้วย มันไม่ใช่แค่เรื่องกฎหมาย แต่เป็นมารยาทพื้นฐานด้วย

สองงานนี้ต่างกันตรงไหน — เทียบให้ดูเป็นตาราง

| | พากย์คลิปสั้น | อินโทรพอดแคสต์ | |---|---|---| | ความยาว | 30 วินาที - 1 นาที | 10-20 วินาที | | สิ่งที่ต้องการที่สุด | จังหวะ ความแน่นของข้อมูล | ความเหมือน เอกลักษณ์เฉพาะตัว | | คุณภาพตัวอย่างเสียง | ใช้ได้ก็พอ | ยิ่งสะอาดยิ่งดี | | ต้นทุนการแก้ | ต่ำ สร้างใหม่เร็ว | สูง แก้ทีต้องฟังที |

พูดสั้นๆ: คลิปสั้นคือ "พอใช้ได้ก็ไปต่อ" พอดแคสต์คือ "ต้องขัดเกลาทุกคำ" คิดให้ชัดก่อนว่ากำลังทำอันไหน จะประหยัดเวลาไปครึ่งนึงเลย

คำถามที่เจอบ่อย

อยากโคลนเสียงตัวเอง ต้องอัดตัวอย่างเสียงยังไงให้ออกมาดี?

ห้องเงียบ พูดความเร็วธรรมชาติ เนื้อหาอะไรก็ได้แต่อย่าอ่านสคริปต์ อัดให้ยาวสักหนึ่งถึงสองนาทีขึ้นไป อย่าใช้ห้องที่มีเสียงก้อง — อัดในตู้เสื้อผ้านี่ไม่น่าอายเลย ผลออกมาดีกว่าที่คิด

เสียงที่สร้างจากเครื่องมือฟรี เอาไปใช้เชิงพาณิชย์ได้ไหม?

ถ้าโคลนเสียงตัวเอง ปกติก็ไม่มีปัญหา แต่ถ้าเป็นเสียงคนอื่น ต้องมีหนังสือยินยอมชัดเจน เครื่องมืออย่าง แปลงข้อความเป็นเสียงพูดออนไลน์ ตัวโปรแกรมเองใช้ฟรีอยู่แล้ว แต่เงื่อนไขการใช้งานเชิงพาณิชย์ควรเข้าไปอ่านหน้าสรุปของเว็บก่อนใช้จริงสักนิด

เสียงที่ได้มีเสียงรบกวน หรือตัดประโยคแปลกๆ ต้องแก้ยังไง?

สามทางที่ผมใช้จริง: เช็กคุณภาพไฟล์ตัวอย่างเสียงก่อน กลับไปแก้เครื่องหมายวรรคตอนในสคริปต์ แล้วก็เปลี่ยนโครงสร้างประโยคซะ "ความ AI" ส่วนใหญ่จริงๆ มาจากสคริปต์ที่เขียนไม่เหมือนคนพูด ลองอ่านออกเสียงเองดู จุดไหนที่อ่านแล้วติดขัด สังเคราะห์ออกมาก็ติดขัดแน่นอน

ทิ้งท้ายไว้แบบนี้

โคลนเสียงมันเป็นแบบนี้ — เครื่องมือเป็นแค่จุดเริ่มต้น แต่สคริปต์กับตัวอย่างเสียงต่างหากคือเพดานของงาน อย่าเพิ่งไปหมกมุ่นกับความสมบูรณ์แบบ เริ่มจากสคริปต์สั้นๆ สัก 50 คำก่อน ฟังผลแล้วค่อยตัดสินใจว่าจะปรับไปทางไหน

วันนี้ลองเลยก็ได้: เปิด หน้าแรกของ VoxClone อัปโหลดเสียงตัวเองสักหนึ่งคลิป โคลนเสร็จแล้วหาข้อความอะไรก็ได้มาลองสร้างฟังสักรอบ ใช้เวลาสิบนาที แต่พอได้ฟังครั้งเดียว คุณจะรู้ทันทีว่าเทคโนโลยีตอนนี้ไปถึงไหนแล้ว ใครอยากดูวิธีเล่นอื่นๆ เพิ่ม มีบทเรียนกับอัปเดตอยู่ตรงนี้ เข้าไปไล่อ่านได้