โคลนเสียงจากตัวอย่างเสียง 8 วินาที: เคล็ดลับการอัดเสียง
การโคลนเสียงต้องใช้ตัวอย่างเสียงหนึ่งช่วง โมเดลไม่ได้เรียนรู้แค่โทนเสียงจากไฟล์นี้ แต่ซึมซับจังหวะการพูดและเสียงบรรยากาศของห้องที่อัดไปด้วย คุณภาพของตัวอย่างเสียงจึงเป็นตัวกำหนดความเนียนสูงสุดของเสียงโคลน และการปรับแต่งตอนสร้างเสียงพูดทีหลังก็ชดเชยสิ่งที่ขาดไปตั้งแต่ตอนอัดไม่ได้ บทความนี้อธิบายวิธีอัดเสียง 8 วินาทีนั้นให้ได้ผลดีที่สุด
1. เสียง 8 วินาทีกลายเป็นเสียงโคลนได้อย่างไร
ขั้นตอนมีสามขั้น:
- ในหน้าต่างอัดเสียง ติ๊กยืนยัน แล้วเริ่มอัด เบราว์เซอร์อัดเสียง 8 วินาทีและบันทึกเป็นไฟล์ WAV แบบโมโน 16 บิต 24 kHz ทันที ไม่ผ่านรูปแบบที่บีบอัด ทุกเบราว์เซอร์จึงได้ไฟล์แบบเดียวกัน
- เสียงที่อัดจะถูกอัปโหลดไปยังเซิร์ฟเวอร์และถอดเป็นข้อความด้วยการรู้จำเสียง ผลที่ได้คือข้อความอ้างอิง ถ้าไม่พบเสียงพูดเลย ไฟล์นี้จะถูกปฏิเสธและต้องอัดใหม่
- ตอนสังเคราะห์เสียง ระบบส่งเสียงที่อัดพร้อมข้อความอ้างอิงให้โมเดล ร่วมกับข้อความที่จะอ่าน ผลลัพธ์เป็นไฟล์ WAV 24 kHz ใส่ข้อความได้ไม่เกิน 2500 ตัวอักษรต่อหนึ่งคำขอ
ไม่ต้องฝึกโมเดลแยกสำหรับคุณ เสียงมาจากไฟล์ที่อัดและข้อความของมัน ดังนั้นทั้งสองอย่างต้องถูกต้อง
2. สภาพแวดล้อมในการอัดเสียง
- เงียบ: ปิดประตูหน้าต่าง ปิดเครื่องปรับอากาศและพัดลม ห้องโล่งที่ผนังเรียบมีเสียงสะท้อนมาก ที่ที่มีผ้าม่านหรือเสื้อผ้าจะดีกว่า
- ระยะห่าง: ให้ปากห่างจากไมโครโฟนประมาณหนึ่งกำปั้น และคงระยะเดิมตลอดการอัด อย่าเดินไปพูดไป
- ระดับเสียง: พูดด้วยระดับเสียงปกติ อย่าดังเบาสลับกัน และอย่าดังจนเสียงแตก ถ้าเสียงแตกถูกอัดไปแล้ว ทุกประโยคที่สังเคราะห์จะมีเสียงแตกนั้นติดไปด้วย
- อุปกรณ์: ไมโครโฟนของหูฟังหรือไมโครโฟนในโทรศัพท์ก็ใช้ได้ ปิดโปรแกรมเปลี่ยนเสียงและฟิลเตอร์ปรับแต่งเสียงทั้งหมด
3. วิธีพูด
คำแนะนำในหน้าต่างอัดเสียงขอแค่ให้พูดต่อเนื่อง 8 วินาทีด้วยความเร็วปกติ จะพูดอะไรก็ได้ นอกจากนั้นยังมีอีกไม่กี่ข้อที่ช่วยให้ผลนิ่งขึ้น:
- พูดเป็นประโยคที่สมบูรณ์ ไม่ใช่อ่านรายการคำ ให้ประโยคมีจังหวะสูงต่ำตามธรรมชาติ
- อย่าแสดงจนเกินจริง น้ำเสียงในเสียงอ้างอิงมักตามไปอยู่ในเสียงสังเคราะห์ทุกครั้ง
- อย่าหยุดนานกลางคัน และอย่ารอจนวินาทีสุดท้ายถึงเริ่มพูด
- ถ้าไอ กระแอม หัวเราะ หรือมีคนอื่นพูดอยู่ข้างหลัง ให้อัดใหม่
4. ฟังก่อนแล้วค่อยตัดสินใจใช้
อัดเสร็จแล้วให้ฟังหนึ่งรอบ ถ้าได้ยินทุกคำชัด ไม่มีเสียงซ่า เสียงแตก หรือเสียงคนอื่น จึงกด “ใช้เสียงนี้” ถ้ามีข้อใดไม่พอใจให้อัดใหม่ การอัดใหม่ใช้เวลาไม่กี่วินาที ง่ายกว่าการไปแก้ที่ผลสังเคราะห์ทีหลังมาก
5. ปัญหาที่พบบ่อย
- ระบบแจ้งว่าฟังเสียงพูดไม่ชัด: มักเกิดจากอยู่ไกลไมโครโฟนเกินไป หรือห้องมีเสียงดัง เข้าใกล้ขึ้นหรือย้ายไปที่เงียบแล้วอัดใหม่
- เสียงสังเคราะห์อู้อี้หรือมีเสียงก้อง: ส่วนมากเป็นเพราะเสียงอ้างอิงมีเสียงสะท้อน หรือตอนอัดอยู่ใกล้ผนังเกินไป ลองเปลี่ยนห้อง
- เสียงสังเคราะห์มีสัญญาณรบกวน: ลองฟังเสียงอ้างอิงย้อนหลัง ส่วนใหญ่สัญญาณรบกวนอยู่ในนั้นแล้ว อัดใหม่ตรงกว่าการแต่งเสียงทีหลัง
- น้ำเสียงสังเคราะห์เกินจริงกว่าตอนพูดปกติ: น้ำเสียงในเสียงอ้างอิงถูกเรียนรู้ไปพร้อมกับเสียง ให้อัดใหม่ด้วยน้ำเสียงปกติ
6. เสียงเป็นเรื่องส่วนบุคคล
เสียงบ่งชี้ตัวบุคคลได้ เราจึงรับเฉพาะเสียงของเจ้าของเสียงเอง และขอให้คุณยืนยันก่อนอัด อย่าใช้เสียงของคนอื่น และอย่าอัปโหลดเสียงที่คุณไม่ได้รับอนุญาตให้ใช้