ผมยังจำวันนั้นดีอยู่ครับ ลูกค้าจากเม็กซิโกส่งสคริปต์มาขอพากย์โปรโมทสินค้า ผมคิดว่าแค่โยนเข้า เว็บแปลงข้อความเป็นเสียงพูด ก็จบ ไปดูผลลัพธ์—เสียงสเปนฟังแล้วเหมือนหุ่นยนต์อ่านคู่มือ ลูกค้าส่งคืนมาในทันที ใจผมเย็นเลยครับ
เหตุการณ์ที่ทำให้ผมล้มเหลวกับลูกค้าต่างชาติ
เรื่องราวนี้เปลี่ยนมุมมองของผมทั้งหมด แค่ “อ่านออกมา” ไม่พอ ทำนองที่ลอยขึ้นลง ช่วงหยุดพักที่พอดีควร และอำเภอใจของแต่ละภาษา ต่างตัดสินว่าฟังแล้ว “เป็นคนจริง” หรือ “เป็นบอท” นะครับ
ทำนอง เสียงหยุดพัก และภาษาท้องถิ่น
ทำนองมันไม่ใช่แค่สูงต่ำนะครับ มันคืออารมณ์ ภาษาฝรั่งเศสประโยคคำถามท้ายเสียงต้องขึ้น ภาษาเยอรมันประโยคบอกเล่าท้ายเสียงต้องลง ถ้าใช้ชุดค่าเดียวกันทั้งคู่ ฟังทีเดียวรู้เลยว่า “ปลอม”
เรื่องหยุดพักก็เป็นฆาตกรลับๆ ภาษาไทยเราเคยหยุดที่จุลภาค จุดหมดประโยค แต่ภาษาอังกฤษมักหยุดตามโครงสร้างไวยากรณ์ ใส่เงียบยาวคงที่หมด ทำให้ฟังเหมือนเครื่องพิมพ์ ตอนผมทดลองกับ โคลนเสียงฟรี แค่ปรับความเร็วและใส่หยุดพัก 300 มิลลิวินาที ผลลัพธ์เปลี่ยนทะลุฟ้าเลย
ชุดอักขระและเครื่องหมายวรรคตอนที่หลงเหลือ
หลายเครื่องมือเวลาพบอักขระเต็มรูปแบบ zero‑width space หรืออีโมจิ มักข้ามหรือผิดพลาด ทำให้เสียงขาดหายบ้าง ผมทำให้สคริปต์ผ่าน Unicode normalization ก่อน แล้วแทนสัญลักษณ์พิเศษด้วยแท็กเสียง 省下เวลาซ่อมหลังการบันทึกเยอะมาก
ตัวเลข วันที่ และเวลา อ่านยังไงถึงเป็นธรรมชาติ
ครั้งก่อนทำพากย์ญี่ปุ่น สคริปต์เขียน “2024年3月15日” เครื่องมืออ่านตรงตัว “ニーゼロニーヨン ネン サン ガツ ジュウゴ ニチ” ฟังแล้วเหมือนเด็กนักเรียน唸หนังสือ ภาษาญี่ปุ่นปีควรอ่าน “二千二十四年” เดินทางไปแก้ด้วยมือแปลงตัวเลขเป็นคำภาษาเป้าหมาย ก่อนส่งเข้าเครื่อง—ญี่ปุ่น “二千二十四年三月十五日” เยอรมัน “vierundzwanzig” สเปน “veinticuatro” 别ขี้เกียจ ขั้นตอนนี้ประหยัดเวลาปรับพารามิเตอร์หลายเท่า
เวลาก็เช่นกัน “3:15” ภาษาอังกฤษอ่าน “three fifteen” แต่เยอรมันอ่าน “viertel nach drei” ถ้าโยนเครื่องหมายทวิภาคเข้าไปตรงๆ เครื่องมือจะอ่าน “drei fünfzehn” ฟังทีเดียวรู้ว่าเป็นการแปล機械
ปรับความเร็วและพิทช์ ไม่ใช่ลูกเล่น
หลายคนคิดเร็วขึ้น = มีชีวิตชีวา ช้าลง = 沉穩 แต่จริงๆ ฟังจริงต่างมาก ผมทดสอบภาษาเยอรมัน ความเร็ว 1.0 ฟังเหมือนวิ่งรถไฟ 0.9 เหมือนเพิ่งตื่น 0.93 ใกล้เคียงคนอ่านหนังสือจริง มากที่สุด
พิทช์ก็มีคณิตศาสตร์อยู่ครับ ภาษาอังกฤษผู้ชายจบประโยคบอกเล่าลง 2‑3 ครึ่งเสียง คำถามขึ้น 4‑5 ครึ่งเสียง สเปนคำถามขึ้นแค่ 2 ครึ่งเสียง เลขเหล่านี้ผมวัดจาก Audacity จริงๆ ลองเปิดพอดคัสมातรภาษาเปรียบเทียบ จะเจอรูปแบบเร็วมาก
ใช้เครื่องมือฟรีจริงๆ ให้รายละเอียดตกตัว
ขั้นตอนปัจจุบันของผม: 1) สร้างพากย์หลายภาษาใน เว็บแปลงข้อความเป็นเสียงพูด 2) นำเสียงสำคัญไปปรับใน โคลนเสียงฟรี 3) ใช้ตารางพารามิเตอร์จาก บทเรียนเพิ่มเติม ใส่ความเร็ว พิทช์ หยุดพักแบบแบทช์ ทั้งระบบไม่ต้องสมัคร ไม่มีลิมิตการเรียก ใช้งานได้จริงทั้ง API อัตโนมัติ
คำว่า “ฟรี AI พากย์” “AI โคลนเสียงออนไลน์” “เสียงจริงฟรี” 聽起來很美 แต่จริงๆ ต้องขัดทำนอง หยุดพัก ภาษาท้องถิ่น ชุดอักขระ ทั้งสี่ชั้น ถึงจะหลอกหูได้
อย่าลืม “แท็กอารมณ์” ที่ซ่อนอยู่ใน SSML
หลายเครื่องมือรองรับ SSML แต่น้อยคนใช้ ลองใส่ <emphasis level="strong"> หน้าคำสำคัญ <break time="300ms"/> ควบคุมหยุดพัก ได้ความแม่นยำกว่าปรับค่าทั่วไปเยอะมาก ครั้งล่าสุดทำโฆษณาฝรั่งเศส คำว่า “incroyable” หน้าหลังใส่หยุดพัก 200 มิลลิวินาที พร้อม emphasis ลูกค้าถามตรงไปตรงมาว่า “จ้างนักพากย์จริงหรอ” ฟีเจอร์นี้ฟรี แต่มักซ่อนอยู่ในเมนูตั้งค่า
FAQ
ทำไมภาษาไทยที่มีคำอังกฤษปนอยู่กลาง อ่านออกมาเป็นตัวอักษรเดี่ยว?
โมเดลส่วนใหญ่ตัดคำตามภาษาเดียว พบคำอังกฤษก็อ่านตัวต่อตัว แก้ได้โดยห่อคำอังกฤษด้วยแท็ก <lang=en> หรือสร้างเสียงอังกฤษแยกต่างหากแล้วต่อกัน
อยากให้ภาษาเยอรมันฟังไม่เหมือนเครื่อง จะปรับยังไง?
ตั้งความเร็ว 0.92‑0.95 ใส่หยุดพัก 150‑200 มิลลิวินาที หน้าหลังประโยคยาว พร้อมลดพิทช์เล็กน้อย ฟังแล้วใกล้คนอ่านจริงมาก
เครื่องมือฟรีใช้เพื่อการค้าได้ไหม?
เงื่อนไขของ VoxClone อนุญาตใช้เชิงพาณิชย์ ได้ตราบใดไม่กระจายน้ำหนักโมเดล ลิขสิทธิ์เสียงที่สร้างขึ้นเป็นของผู้สร้าง
คราวหน้าผมจะลองตั้งความเร็ว 0.93 ใส่หยุดพัก 180 มิลลิวินาที ทุกคลอจ แล้วฟังอีกครั้ง—คงไม่เหมือนบอทอีกแล้วครับ