Text to Speech คืออะไร เสียง AI ทำงานอย่างไร และใช้ทำอะไรได้บ้าง

คำนี้ครอบคลุมคุณภาพหลายระดับ เสียงอ่านแข็ง ๆ แบบหุ่นยนต์ในคอมพิวเตอร์รุ่นเก่าก็คือ Text to Speech เสียงที่ฟังแล้วนึกว่าเป็นคนอัดไว้ก็เรียกชื่อเดียวกัน สิ่งที่ต่างกันคือวิธีสร้างเสียง

ทุกระบบทำงานสามขั้นตามลำดับ ไม่ว่าจะสร้างด้วยเทคนิคใด

1. 01อ่านข้อความระบบแปลงสิ่งที่เขียนให้เป็นสิ่งที่ต้องพูด ราคากลายเป็นจำนวนที่อ่านเป็นคำ คำย่อกลายเป็นคำเต็ม และวันที่ถูกอ่านแบบวันที่ ภาษาที่เขียนติดกันโดยไม่เว้นวรรคระหว่างคำอย่างภาษาไทย ยังต้องตัดคำให้ได้ก่อนด้วย
2. 02กำหนดว่าจะออกเสียงอย่างไรแต่ละคำได้เสียงอ่านของตัวเอง และทั้งประโยคได้ทำนองเสียง ทั้งพยางค์ที่ต้องเน้น จุดที่เสียงสูงขึ้น และจังหวะที่หยุดหายใจ
3. 03สร้างเสียงระบบสร้างคลื่นเสียงออกมาเป็นไฟล์ เช่น MP3 หรือ WAV หรือส่งเป็นสตรีมที่เริ่มเล่นได้ทันที ระหว่างที่ส่วนที่เหลือยังสร้างอยู่

ระบบรุ่นก่อนทำขั้นสุดท้ายด้วยการตัดเสียงที่อัดไว้เป็นชิ้นเล็ก ๆ แล้วนำมาต่อกันใหม่ รอยต่อเหล่านั้นทำให้เสียงฟังแข็งเหมือนเครื่องจักร เสียงรุ่นใหม่เป็นโครงข่ายประสาทเทียม ที่เรียนรู้จากเสียงพูดที่บันทึกไว้หลายชั่วโมง โมเดลเรียนการออกเสียงและจังหวะไปพร้อมกัน แล้วสร้างเสียงออกมาทั้งประโยค เสียงจึงเว้นจังหวะหายใจ และขึ้นเสียงท้ายคำถามได้แบบที่คนพูด

ข้อความใดก็ตามที่ปกติต้องมีคนอ่านใส่ไมโครโฟน ใช้เสียงสังเคราะห์แทนได้ งานที่พบบ่อยมีไม่กี่กลุ่ม

สิ่งที่งานเหล่านี้มีเหมือนกันคือเนื้อหาเปลี่ยนอยู่เสมอ เสียงที่อัดไว้หยุดอยู่ที่วันอัด แก้บทเมื่อไรก็ต้องนัดอัดใหม่ เสียงสังเคราะห์ถือสคริปต์เป็นต้นฉบับ แก้บรรทัดไหนก็สั่งสร้างเสียงใหม่ได้ทันที

เสียงที่สร้างมาสำหรับภาษาอังกฤษ อ่านภาษาไทยได้ไม่ดีขึ้นมาเองเพียงเพราะรู้จักตัวอักษรไทย แต่ละภาษามีโจทย์ของตัวเอง และภาษาไทยมีโจทย์เหล่านั้นเกือบครบ

• วรรณยุกต์เป็นส่วนหนึ่งของคำ ภาษาไทยมีห้าเสียงวรรณยุกต์ พยางค์เดียวกันที่ผันเสียงต่างกันคือคนละคำ เสียงที่ทำนองเพี้ยนไปเล็กน้อยจึงเท่ากับพูดอีกคำหนึ่ง
• คำเขียนติดกัน ภาษาไทยไม่เว้นวรรคระหว่างคำ ระบบต้องตัดคำให้ถูกก่อนจึงจะออกเสียงได้
• ตัวเลขและวันที่มีวิธีอ่านเฉพาะ ปีมักเขียนเป็นพุทธศักราช ส่วนราคา เบอร์โทรศัพท์ และบ้านเลขที่ อ่านกันคนละแบบ
• คำอังกฤษแทรกกลางประโยค ชื่อแบรนด์และศัพท์เทคนิคมักเขียนด้วยตัวอักษรโรมันในประโยคไทย เสียงต้องสลับภาษาแล้วสลับกลับโดยไม่สะดุด
• คำลงท้ายบอกเพศของผู้พูด ครับ กับ ค่ะ ต้องตรงกับเสียงที่อ่าน สคริปต์จึงต้องเขียนให้เข้ากับเสียงที่เลือก

ทั้งห้าข้อคือสิ่งที่ควรฟังเมื่อผู้ให้บริการบอกว่ารองรับภาษาไทย วัดคุณภาพเสียง AI ภาษาไทยด้วยสิบประโยคเปลี่ยนเรื่องเหล่านี้เป็นแบบทดสอบที่ใครก็ทำได้ ส่วนคู่มือเขียนสคริปต์รวมสิ่งที่คนเขียนบทควบคุมได้เอง

Paxa TTS Flash มี 34 เสียง ครอบคลุมภาษาไทย อังกฤษ และจีนกลาง รวมถึงสำเนียงถิ่นของไทย ฟังได้ครบทุกเสียงที่หน้ารวมเสียง

คลิปตัวอย่างถูกเลือกมาให้ฟังดีที่สุด ควรตัดสินจากข้อความของคุณเอง และดูหกเรื่องนี้ก่อนตัดสินใจ

• ภาษา วางเนื้อหาจริงสักย่อหน้า ที่มีทั้งตัวเลข ชื่อเฉพาะ และคำทับศัพท์ แล้วฟังว่าอ่านผิดตรงไหน
• เสียงที่มีให้เลือก โฆษณา บทเรียน และนิทานก่อนนอนต้องการคนอ่านคนละแบบ แค็ตตาล็อกควรมีเสียงที่เข้ากับแบรนด์
• การควบคุม ดูว่าปรับความเร็วได้ไหม เว้นจังหวะตามเครื่องหมายวรรคตอนหรือเปล่า และใส่อารมณ์ในจุดที่บทต้องการได้ไหม
• ไฟล์ที่ได้ ดูรูปแบบไฟล์เสียง และดูว่าสตรีมเสียงสำหรับการสนทนาสดได้หรือไม่
• สิทธิ์การใช้งาน อ่านว่าแพลนอนุญาตอะไร บางบริการให้ใช้เชิงพาณิชย์ได้เฉพาะแพลนเสียเงิน
• หน่วยราคา บริการส่วนใหญ่คิดตามจำนวนตัวอักษร บางรายคิดตามนาทีของเสียง หรือขายเป็นแพ็กเกจรายเดือน ต้องแปลงเป็นหน่วยเดียวกันก่อนจึงเทียบได้

หน้าเปรียบเทียบแปลงราคาที่ผู้ให้บริการรายหลักประกาศไว้ให้เป็นหน่วยเดียวกัน

เสียงสังเคราะห์คิดราคาตามปริมาณข้อความ Paxa TTS Flash คิด 10 เครดิตต่อ 1,000 ตัวอักษร โดย 1,000 เครดิตเท่ากับหนึ่งดอลลาร์สหรัฐ เสียงบรรยายภาษาไทยหนึ่งนาทีใช้ข้อความราว 606 ตัวอักษร คิดเป็นประมาณ 6.1 เครดิต หรือ $0.0061

บัญชีใหม่ได้เครดิตฟรี 100 เครดิต พอสำหรับเสียงบรรยายราว 16 นาที แพลนรายเดือนเล็กสุดราคา $6 ได้ 8,100 เครดิต หรือเสียงประมาณ 22 ชั่วโมง ดูทุกแพลนได้ที่หน้าราคา และบทความค่าพากย์เสียงวางตัวเลขชุดนี้เทียบกับราคาสตูดิโอและฟรีแลนซ์

เครดิตฟรีใช้ได้สำหรับงานส่วนตัวและการทดลอง เมื่อซื้อครั้งแรกไม่ว่ายอดเท่าไร เสียงของบัญชีนั้นนำไปใช้เชิงพาณิชย์ได้ทั้งหมด รวมถึงเสียงที่สร้างไว้ก่อนซื้อ

สามคำนี้มักถูกใช้ปนกัน ทั้งที่หมายถึงคนละเรื่อง

• Text to Speech แปลงข้อความเป็นเสียง ด้วยเสียงที่เลือกจากแค็ตตาล็อก
• Speech to Text ทำกลับด้าน คือฟังไฟล์เสียงแล้วเขียนสิ่งที่พูดออกมาเป็นข้อความ การถอดเทปประชุมและการทำซับวิดีโอใช้เทคโนโลยีนี้
• การโคลนเสียงคือการสร้างเสียงใหม่จากเสียงที่อัดไว้ของคนคนหนึ่ง จึงมีเรื่องความยินยอมของเจ้าของเสียงเข้ามาเกี่ยว ซึ่งเสียงจากแค็ตตาล็อกไม่มีประเด็นนี้

Paxa TTS Flash ไม่มีบริการโคลนเสียง ทุกเสียงในแค็ตตาล็อกเป็นเสียงประจำที่กำหนดไว้แล้ว เสียงใหม่มาจากการออกแบบเสียงซึ่งสร้างจากคำบรรยาย และหน้า Responsible AIอธิบายที่มาของเสียง กับกติกาที่ทุกบัญชีต้องยอมรับ

Text to Speech ใช้ฟรีได้ไหม#

โทรศัพท์และคอมพิวเตอร์มีโปรแกรมอ่านออกเสียงพื้นฐานติดมาให้อยู่แล้ว ถ้าต้องการเสียงที่เป็นธรรมชาติ หน้า Text to Speech ฟรีอ่านประโยคสั้น ๆ ให้ฟังได้โดยไม่ต้องสมัคร และเครดิต 100 เครดิตของบัญชีใหม่ใช้ได้ราว 16 นาทีก่อนต้องจ่ายเงิน

พูดแบบเรียลไทม์ได้ไหม#

ได้ เสียงสตรีมออกมาได้ระหว่างที่กำลังสร้าง วอยซ์เอเจนต์จึงเริ่มตอบได้ ทั้งที่คำตอบส่วนที่เหลือยังเขียนไม่เสร็จ ดูวิธีประกอบระบบได้ที่หน้าวอยซ์เอเจนต์

เสียง AI อ่านแบบมีอารมณ์ได้ไหม#

ทุกเสียงมีบุคลิกของตัวเอง เช่น ใจเย็น สดใส หรือจริงจังแบบละครเวที และมีเสียงภาษาไทยรุ่นทดลอง ที่อ่านแท็กอารมณ์ซึ่งเขียนไว้ในข้อความ เช่น [happy] หรือ [sad] ฟังตัวอย่างทุกแท็กได้ที่หน้าเสียงใส่อารมณ์

บางงานยังคุ้มที่จะจองห้องอัด แคมเปญที่สร้างรอบคนดังคือการซื้อตัวคนคนนั้น ผู้กำกับที่อยากให้คำใดคำหนึ่งหนักขึ้น จะได้ผลเร็วที่สุดจากนักพากย์ในห้องอัด ส่วนงานร้องเพลงเป็นอีกศาสตร์หนึ่ง งานเสียงส่วนใหญ่อยู่นอกสามกลุ่มนี้ คือบทเรียน วิดีโอสินค้า เมนูโทรศัพท์ และการอัปเดตงานเหล่านั้น ซึ่งเป็นจุดที่เสียงสังเคราะห์ช่วยได้มากที่สุด

• พิมพ์ประโยคลงในช่องบนหน้า Text to Speech ฟรี แล้วฟังได้เลยโดยไม่ต้องมีบัญชี
• ฟังครบทั้ง 34 เสียงที่หน้ารวมเสียง
• อ่านวิธีเลือกเสียงให้เหมาะกับงานก่อนเลือกเสียงประจำแบรนด์
• สมัครบัญชีแล้วเปิดเครื่องมือเสียงพูด เพื่อสร้างเสียงจากสคริปต์ทั้งชิ้นและดาวน์โหลดไฟล์