← กลับหน้าภาพรวม
ระดับ 2 · INTERMEDIATE

ระดับกลาง: ควบคุมอารมณ์ โคลนเสียง พากย์ข้ามภาษา และประกอบงานยาว

มาเก่งเรื่องการสั่งอารมณ์เสียงด้วยแท็ก (Audio Tags) และการทำบทสนทนาหลายเสียง (Dialogue Mode) ของ eleven_v3 กัน แล้วลองก๊อบปี้เสียง (โคลนเสียง) ทั้งแบบเร็ว (IVC) และแบบคุณภาพสูง (PVC) ให้ถูกต้องตามการขออนุญาต พากย์วิดีโอข้ามภาษาด้วย Dubbing Studio และเอาทุกอย่างมาต่อกันเป็นงานยาวใน Studio 3.0

📦 6 โมดูล⏱ 10–12 ชั่วโมง

6 โมดูลในระดับนี้: 2.1 Audio Tags: ควบคุมอารม · 2.2 Dialogue Mode: ถักทอหล · 2.3 Instant Voice Cloning · 2.4 Professional Voice Clo · 2.5 Dubbing และ Dubbing St · 2.6 Studio 3.0: ประกอบงานย

2.1
โมดูล 2.1

Audio Tags: สั่งอารมณ์เสียงกลางบทด้วย eleven_v3

แค่ใส่คำสั่งในวงเล็บลงไปในบท เช่น [whispers] (กระซิบ) [sighs] (ถอนหายใจ) [nervously] (พูดแบบประหม่า) เสียงก็เปลี่ยนอารมณ์ตามได้เลย

🎯 วัตถุประสงค์การเรียนรู้

  • ใส่แท็กสั่งอารมณ์ (Audio Tags) ในบทเพื่อบอกว่าอยากให้เสียงแสดงอารมณ์ยังไง เช่น [whispers] (กระซิบ) [sighs] (ถอนหายใจ) [shouts] (ตะโกน) [nervously] (พูดแบบประหม่า)
  • วางแท็กให้ถูกจังหวะ เพื่อให้เสียงเปลี่ยนอารมณ์ได้อย่างลื่นไหลเป็นธรรมชาติ
  • รู้ว่าแท็กแบบนี้ใช้ได้เฉพาะกับโมเดล eleven_v3 เท่านั้น (ใช้กับ Flash หรือ multilingual_v2 ไม่ได้)

เนื้อหา

โมเดล eleven_v3 ให้เราสั่งอารมณ์เสียงได้ง่าย ๆ แค่ใส่แท็กในวงเล็บลงไปในบท เสียงที่ได้ก็จะแสดงออกเหมือนนักพากย์จริง ไม่ว่าจะกระซิบ ถอนหายใจ ตะโกน หรือพูดแบบประหม่า ๆ เคล็ดลับสำคัญคือต้องวางแท็กให้ถูกจังหวะ นี่แหละคือหัวใจที่ทำให้การเล่าเรื่องด้วยเสียงฟังมีชีวิตชีวา

บทเล่าเรื่องผีที่ค่อย ๆ เพิ่มความตึงเครียดทีละนิด
บทสำหรับ eleven_v3: '[whispers] เธอได้ยินไหม... เสียงนั่น [pauses] มันมาจากในห้องใต้ดิน [nervously] ฉันว่าเราไม่ควรลงไป... [shouts] วิ่ง! เร็วเข้า!'
ผลลัพธ์ที่คาดหวัง

เสียงจะเริ่มจากกระซิบเบา ๆ แล้วค่อย ๆ ประหม่าขึ้น สุดท้ายก็ระเบิดออกมาเป็นเสียงตะโกน ทำให้ความตึงเครียดค่อย ๆ เพิ่มขึ้นอย่างเป็นธรรมชาติ

จุดสอน

แท็กสั่งอารมณ์ช่วยให้ประโยคเดียวมีอารมณ์ได้หลายระดับ และการค่อย ๆ ไล่อารมณ์ทีละขั้นนั้นได้ผลดีกว่าการใส่แท็กแรง ๆ พรวดเดียวทั้งหมด

โฆษณาที่ต้องการความอบอุ่นและอ่อนโยน
บท eleven_v3: '[warmly] ขอบคุณที่อยู่เคียงข้างครอบครัวคุณมาตลอด 20 ปี [softly] และเราจะดูแลคุณต่อไป... เหมือนคนในครอบครัว'
ผลลัพธ์ที่คาดหวัง

ได้น้ำเสียงอบอุ่นนุ่มนวล เข้ากับโฆษณาแนวเรียกน้ำตาหรือเน้นความรู้สึกได้พอดี

จุดสอน

แท็กไม่จำเป็นต้องดราม่าเสมอไป แท็กโทนนุ่ม ๆ อย่าง [warmly] (อบอุ่น) [softly] (เบา ๆ) ก็เหมาะกับงานแบรนด์ที่อยากให้คนดูรู้สึกใกล้ชิดเป็นกันเอง

แบบฝึกหัดท้ายโมดูล

  1. เขียนบท 4 บรรทัดที่ใช้แท็กสั่งอารมณ์อย่างน้อย 3 แบบ ให้อารมณ์ค่อย ๆ ไต่จากสงบไปสู่ตื่นเต้น
  2. ลองย้ายแท็กเดิมไปวางผิดจังหวะดู แล้วจดไว้ว่าเสียงที่ได้ฟังไม่เป็นธรรมชาติตรงไหน
2.2
โมดูล 2.2

Dialogue Mode: ร้อยหลายเสียงให้เป็นบทสนทนา

ทำบทสนทนาโต้ตอบกันแบบธรรมชาติระหว่างหลายตัวละคร ด้วยฟีเจอร์แปลงบทเป็นบทสนทนา (Text-to-Dialogue)

🎯 วัตถุประสงค์การเรียนรู้

  • ใช้ Dialogue Mode (หรือ Text-to-Dialogue) ของ eleven_v3 ทำบทสนทนาหลายเสียงที่โต้ตอบกันได้อย่างเป็นธรรมชาติ
  • เลือกเสียงให้ตัวละครแต่ละตัว และคุมจังหวะการรับส่งบทระหว่างกัน
  • เอาแท็กสั่งอารมณ์มาใช้ร่วมกับ Dialogue Mode เพื่อให้ตัวละครแต่ละตัวมีอารมณ์เป็นของตัวเอง

เนื้อหา

Dialogue Mode จะร้อยหลายเสียงเข้าด้วยกันให้เป็นบทสนทนาที่ไหลลื่นเหมือนคนคุยกันจริง ๆ เหมาะกับพอดแคสต์ (podcast) จำลอง บทเรียนภาษา ตัวอย่างละครเสียง หรือหนังสือเสียง (audiobook) ที่มีหลายตัวละคร แถมยังใส่แท็กสั่งอารมณ์เข้าไปเพื่อกำหนดอารมณ์ของแต่ละคนได้ด้วย

บทสนทนาพอดแคสต์จำลองที่มีพิธีกรสองคน
Text-to-Dialogue (eleven_v3) กำหนดเสียง A และ B: 'A: [curiously] เธอลองใช้เครื่องมือเสียง AI ตัวใหม่รึยัง? B: [laughs] ลองแล้ว! มันทำเสียงกระซิบได้เนียนมากเลยนะ A: [surprised] จริงเหรอ ขอฟังหน่อยสิ'
ผลลัพธ์ที่คาดหวัง

ได้บทสนทนาสองเสียงที่โต้ตอบกันเป็นธรรมชาติ มีทั้งจังหวะหัวเราะและน้ำเสียงตื่นเต้นที่แยกตามแต่ละตัวละคร

จุดสอน

Dialogue Mode ไม่เหมือนการเอาเสียงมาอ่านสลับกันทีละบรรทัด เพราะมันจะร้อยจังหวะการรับส่งและอารมณ์ให้ต่อเนื่องกันเหมือนคนคุยกันจริง ๆ

แบบฝึกหัดท้ายโมดูล

  1. เขียนบทสนทนา 3 ตัวละครสำหรับฉากสัมภาษณ์งาน โดยให้แต่ละตัวมีอารมณ์ต่างกัน
  2. เอาบทสนทนาเดิมมาทำเป็นสองภาษา (ไทยกับอังกฤษ) แล้วลองเทียบดูว่า Dialogue Mode ทำให้ภาษาไหนฟังลื่นกว่ากัน
2.3
โมดูล 2.3

Instant Voice Cloning (IVC): ก๊อบปี้เสียงแบบเร็วจากตัวอย่างสั้น ๆ

ก๊อบปี้เสียง (โคลนเสียง) จากตัวอย่างแค่ประมาณ 1–5 นาที และเข้าใจว่าด่านขออนุญาต (consent gate) ของมันเป็นแค่ให้เราติ๊กยืนยันเอง

🎯 วัตถุประสงค์การเรียนรู้

  • ทำ IVC จากตัวอย่างเสียงสั้น ๆ (ประมาณ 1–5 นาที) และรู้ว่ามันทำได้เร็วก็จริง แต่ความเหมือน (fidelity) จะสู้แบบ PVC ไม่ได้
  • เข้าใจว่าด่านขออนุญาตของ IVC เป็นแค่ช่องให้ติ๊กยืนยันเอง (self-attestation) ว่า 'ฉันมีสิทธิ์และได้รับอนุญาตให้โคลนเสียงนี้'
  • รู้ว่า IVC ใช้ได้ตั้งแต่แพ็กเกจ Starter ขึ้นไป และจะโคลนเสียงคนอื่นได้ก็ต่อเมื่อ 'ได้รับอนุญาต' แล้วเท่านั้น

เนื้อหา

IVC เหมาะเวลาที่เราอยากได้เสียงเฉพาะของเราแบบเร็ว ๆ โดยยอมรับได้ว่าคุณภาพจะสู้ PVC ไม่ได้ จุดที่ต้องระวังคือ การขออนุญาตเป็นแค่การติ๊กช่องยืนยันเอง ระบบมันเชื่อใจเราเต็มที่ ดังนั้นถ้ามีปัญหาทางกฎหมายขึ้นมา เราต้องรับผิดชอบเอง และจำไว้ว่า IVC จะโคลนเสียงคนอื่นได้ก็ต่อเมื่อขออนุญาตเจ้าของเสียงเรียบร้อยแล้วเท่านั้น

โคลนเสียงตัวเองไว้ทำคอนเทนต์เป็นประจำ
อัดตัวอย่างเสียงตัวเอง ~3 นาที (อ่านข้อความหลากหลายอารมณ์ในห้องเงียบ) อัปโหลดเข้า IVC ติ๊ก consent checkbox แล้วตั้งชื่อเสียงว่า 'My Narrator TH'
ผลลัพธ์ที่คาดหวัง

ได้เสียงโคลนของตัวเองไว้ใช้ทำคลิปประจำ ไม่ต้องมานั่งอัดใหม่ทุกครั้ง ถึงความเหมือนจะไม่สูงเท่า PVC ก็ตาม

จุดสอน

IVC เร็วและสะดวกก็จริง แต่คุณภาพขึ้นอยู่กับว่าตัวอย่างเสียงสะอาดแค่ไหน ถ้าอัดในที่เงียบ ๆ และใส่อารมณ์ให้หลากหลาย ผลจะออกมาดีกว่าเยอะ

แบบฝึกหัดท้ายโมดูล

  1. อัดตัวอย่างเสียง 2 ชุด ชุดหนึ่งอัดในที่เงียบ อีกชุดอัดที่มีเสียงรบกวน แล้วลองเทียบดูว่า IVC ที่ได้คุณภาพต่างกันแค่ไหน
  2. ลองอธิบายด้วยคำพูดของตัวเองว่า ทำไมการติ๊กช่องยืนยันเองถึงถือเป็นการขออนุญาตที่ 'หลวม' และในทางกฎหมายเราต้องรับผิดชอบอะไรบ้าง
2.4
โมดูล 2.4

Professional Voice Cloning (PVC): คุณภาพสูงสุด กับกฎเหล็กเรื่องการขออนุญาต

ต้องมีเสียงสะอาด 30 นาทีขึ้นไป ต้องผ่านการยืนยันตัวตนด้วยเสียง (voice CAPTCHA) และ 'โคลนได้เฉพาะเสียงตัวเอง' เท่านั้น

🎯 วัตถุประสงค์การเรียนรู้

  • ทำ PVC จากเสียงสะอาดประมาณ 30 นาทีขึ้นไป เพื่อให้ได้เสียงที่แทบแยกไม่ออกจากต้นฉบับ
  • ผ่านการยืนยันตัวตนด้วยเสียง (voice CAPTCHA) โดยอ่านข้อความที่ระบบกำหนดออกเสียงภายในราว 10 วินาที เพื่อให้ระบบจับคู่กับเสียงที่เราอัปโหลดไป
  • รู้กฎเหล็กข้อสำคัญ คือ PVC ทำได้เฉพาะเสียงของตัวเองเท่านั้น ต่อให้มีหนังสือยินยอมจากคนอื่นก็ทำไม่ได้ (ใช้ได้ตั้งแต่แพ็กเกจ Creator ขึ้นไป)

เนื้อหา

PVC ให้เสียงที่คุณภาพใกล้เคียงต้นฉบับมาก แต่แลกกับว่าต้องมีเสียงสะอาด 30 นาทีขึ้นไป และต้องรอเทรนโมเดลนานหน่อย ขั้นตอนยืนยันตัวตนก็เข้มกว่า IVC เยอะ เพราะมีการยืนยันด้วยเสียง (voice CAPTCHA) ที่เอาเสียงที่เราอ่านสด ๆ มาจับคู่กับเสียงต้นฉบับ กฎที่สำคัญที่สุดคือ PVC ทำได้เฉพาะเสียงของตัวเองเท่านั้น ต่างจาก IVC ที่โคลนเสียงคนอื่นได้ถ้าได้รับอนุญาต

เตรียมเสียงต้นฉบับให้ผ่านเกณฑ์ของ PVC
อัดเสียงตัวเอง 35 นาทีในห้องบุผนังกันเสียง อ่านเนื้อหาหลากหลาย (บรรยาย บทสนทนา อ่านตัวเลข) จากนั้นทำ voice CAPTCHA โดยอ่านข้อความที่ระบบสุ่มให้ภายใน 10 วินาที
ผลลัพธ์ที่คาดหวัง

ระบบจับคู่เสียงที่เราอ่านสด ๆ กับเสียงต้นฉบับได้สำเร็จ แล้วเริ่มเทรน PVC จนได้เสียงโคลนคุณภาพสูงไว้ใช้ทำหนังสือเสียงเชิงพาณิชย์

จุดสอน

คุณภาพของ PVC ขึ้นอยู่กับว่าเสียงต้นฉบับสะอาดและหลากหลายแค่ไหน ส่วนการยืนยันด้วยเสียงนั้นออกแบบมาเพื่อเช็กว่าเป็นเสียงของเราจริง ๆ เพราะฉะนั้นจะเอาเสียงคนอื่นมาทำ PVC ไม่ได้เด็ดขาด

แบบฝึกหัดท้ายโมดูล

  1. เขียนสคริปต์สำหรับอัดเสียงต้นฉบับความยาว 30 นาทีขึ้นไป ให้มีโทนครบหลากหลาย พร้อมทำเช็กลิสต์คุณภาพเสียงไว้ด้วย (เช่น ห้องเงียบไหม ไมค์ดีไหม ระยะห่างพอดีไหม)
  2. ทำตารางเทียบ IVC กับ PVC ใน 5 หัวข้อ ได้แก่ ความยาวตัวอย่างเสียง คุณภาพ ความเร็ว วิธีการยืนยันตัวตน และข้อจำกัดว่าโคลนเสียงของใครได้บ้าง
2.5
โมดูล 2.5

Dubbing และ Dubbing Studio: พากย์วิดีโอข้ามภาษา

แปลเสียงพูดข้ามภาษาโดยยังคงลักษณะเสียงเดิมไว้ พร้อมข้อควรระวังว่าเครื่องมือนี้อยู่ในโหมดดูแลรักษา (maintenance mode) และมีต้นทุนสูง

🎯 วัตถุประสงค์การเรียนรู้

  • ใช้ Dubbing แปลเสียงพูดข้ามภาษาแบบอัตโนมัติโดยยังคงลักษณะเสียงเดิม และใช้ Dubbing Studio มาแก้ทีละส่วนบนเส้นเวลา (timeline) ทั้งบทถอดเสียง (transcript) คำแปล และจังหวะเสียงให้ตรงปาก (timing)
  • เข้าใจว่า Dubbing Studio อยู่ในโหมดดูแลรักษา คือคอยแก้เฉพาะบั๊กร้ายแรง ไม่มีฟีเจอร์ใหม่เพิ่มแล้ว และงานใหม่ ๆ จะถูกพาไปทำที่ Studio 3.0 แทน
  • ประเมินค่าใช้จ่ายเป็นเครดิตของงานพากย์ที่แพงมาก (ประมาณ 2,000–10,000 เครดิตต่อนาที ขึ้นอยู่กับว่าจะติดลายน้ำ (watermark) หรือเลือกใช้ตัวเลือกใน studio แบบไหน)

เนื้อหา

Dubbing จะแปลเสียงพูดข้ามภาษาให้ โดยพยายามคงเอกลักษณ์เสียงต้นฉบับไว้ ส่วน Dubbing Studio จะให้เราคุมงานแบบละเอียดบนเส้นเวลาได้ ทั้งบทถอดเสียง คำแปล จังหวะ แก้ไขทีละส่วน รวมถึงแทร็กเสียงประกอบ (SFX) แต่ที่ต้องระวังคือ Dubbing Studio ถูกแช่แข็งไว้ในโหมดดูแลรักษา (ไม่พัฒนาต่อแล้ว) และค่าเครดิตต่อนาทีก็สูงมาก เพราะฉะนั้นวางแผนงบให้ดีก่อนลงมือทำ

พากย์คลิปสอนความยาว 2 นาทีจากไทยเป็นอังกฤษ
อัปโหลดคลิปพูดภาษาไทย 2 นาทีเข้า Dubbing เลือกภาษาปลายทาง English เปิด Dubbing Studio เพื่อแก้ transcript ที่ถอดผิด ปรับ timing ให้ตรงปาก แล้วตรวจแต่ละ segment ก่อน export
ผลลัพธ์ที่คาดหวัง

ได้คลิปพากย์อังกฤษที่ยังคงโทนเสียงผู้พูดคนเดิม พร้อม transcript ที่แก้ให้ถูกต้องแล้ว โดยใช้เครดิตประมาณ 4,000–20,000 เครดิตสำหรับคลิป 2 นาที

จุดสอน

การพากย์แบบอัตโนมัติเป็นแค่จุดเริ่มต้น ถ้าอยากได้คุณภาพระดับมืออาชีพต้องมานั่งแก้ใน Studio เอง แล้วก็ต้องเผื่องบเครดิตไว้เยอะ ๆ เพราะงานพากย์เป็นงานที่แพงที่สุดต่อนาที

แบบฝึกหัดท้ายโมดูล

  1. พากย์คลิปสั้น 30 วินาทีจากไทยเป็นอีกภาษาหนึ่ง แล้วจดไว้ว่าตรงไหนบ้างที่ต้องมาแก้ transcript หรือ timing ด้วยมือ
  2. อธิบายว่าทำไมงานพากย์ใหม่ ๆ ถึงควรหันไปพิจารณา Studio 3.0 และการที่ Dubbing Studio อยู่ในโหมดดูแลรักษาส่งผลยังไงต่อการวางแผนงานในระยะยาว
2.6
โมดูล 2.6

Studio 3.0: ประกอบงานยาว ๆ แบบหลายแทร็ก

โปรแกรมตัดต่อแบบเส้นเวลา (timeline editor) สำหรับทั้งเสียงและวิดีโอ มีครบทั้งแทร็กเสียงบรรยาย (narration) เพลง (music) เสียงประกอบ (SFX) และคำบรรยาย (captions)

🎯 วัตถุประสงค์การเรียนรู้

  • ใช้ Studio 3.0 เป็นโปรแกรมตัดต่อแบบเส้นเวลา ที่มีแทร็กแยกสำหรับวิดีโอ คำบรรยาย เสียงบรรยาย เพลง และเสียงประกอบ
  • จัดการงานยาว ๆ (เช่น หนังสือเสียง พอดแคสต์ หรืองานผลิตเต็มรูปแบบ) ด้วยการซอยเป็นท่อน ๆ เพื่อเลี่ยงขีดจำกัดจำนวนตัวอักษรต่อการสั่งหนึ่งครั้ง
  • เข้าใจว่า Studio 3.0 คือตัวที่มาแทนงานยาวจากของเดิมที่ชื่อ 'Projects' และตอนนี้รองรับทั้งงานเสียงและงานวิดีโอ

เนื้อหา

Studio 3.0 เป็นเหมือนศูนย์กลางที่เอางานยาว ๆ ทุกแทร็กมาประกอบรวมกันในที่เดียว เหมาะกับหนังสือเสียง พอดแคสต์ และงานผลิตเต็มรูปแบบ ข้อดีสำคัญคือมันช่วยจัดการข้อความยาว ๆ ที่เกินขีดจำกัดต่อการสั่งหนึ่งครั้งของโมเดลได้ ด้วยการซอยเป็นท่อน ๆ แล้วนำมาเรียงต่อกันบนเส้นเวลา

ประกอบพอดแคสต์ขึ้นมาหนึ่งตอน
ใน Studio 3.0 สร้างโปรเจกต์ podcast: แทร็กเสียงบรรยายหลัก (eleven_multilingual_v2), แทร็กเพลงเปิด/ปิดจาก Eleven Music, แทร็ก SFX เสียงเปลี่ยนฉาก และแทร็กคำบรรยาย จากนั้นวางลำดับและ export
ผลลัพธ์ที่คาดหวัง

ได้ไฟล์พอดแคสต์หนึ่งตอนที่มีทั้งเสียงบรรยาย เพลง และเสียงประกอบครบ อยู่บนเส้นเวลาเดียวกัน

จุดสอน

Studio 3.0 คือที่ที่งานยาว ๆ ถูกเอามาประกอบรวมเป็นชิ้นเดียว ถ้าวางแผนแทร็กไว้ตั้งแต่แรก เวลาแก้ไขและ export ก็จะเป็นระบบและง่ายขึ้นเยอะ

แบบฝึกหัดท้ายโมดูล

  1. สร้างโปรเจกต์ใน Studio 3.0 ที่มีอย่างน้อย 3 แทร็ก (เสียงบรรยาย เพลง และเสียงประกอบ) สำหรับคลิปความยาว 1 นาที
  2. เอาข้อความยาว ๆ ที่เกินขีดจำกัดของ v3 มาซอยเป็นท่อน ๆ ใน Studio แล้วอธิบายวิธีเรียงลำดับให้ฟังต่อเนื่องกัน

🎯 โปรเจกต์จบระดับกลาง: ทำละครเสียงสั้น 3 นาทีแบบสองภาษา

  1. เขียนบทละครเสียง (audio drama) ที่มีตัวละครอย่างน้อย 2 ตัว โดยใช้ Dialogue Mode และแท็กสั่งอารมณ์ของ eleven_v3
  2. สร้างเสียงตัวละครหลักด้วย IVC ของตัวเอง (พร้อมติ๊กยืนยันการขออนุญาต) ส่วนเสียงตัวละครอื่น ๆ ให้ใช้ Voice Design ออกแบบขึ้นมา
  3. ทำเวอร์ชันภาษาที่สองด้วย Dubbing หรือ Dubbing Studio พร้อมแก้ transcript และ timing ให้เรียบร้อย
  4. เอาทุกแทร็ก (เสียงพูด เสียงประกอบ เพลงประกอบ) มาประกอบรวมกันใน Studio 3.0
  5. ทำเอกสารสรุปว่าแต่ละส่วนใช้โมเดลอะไร ใช้เครดิตไปทั้งหมดเท่าไหร่ และเก็บบันทึกการขออนุญาตของทุกเสียงที่โคลนไว้ด้วย
ก้าวต่อไป

ระดับสูง: Voice Agents, API/SDK, Scribe, Music และการวางระบบเชิงองค์กร

ไปต่อ →