AI โคลนเสียงได้ใน 3 วินาที ทำยังไง?

AI โคลนเสียงได้ใน 3 วินาที ทำยังไง?

Humans now fail voice tests 25% of time — ทุกวันนี้คนเรายังแยกเสียงจริงออกจากเสียง AI ไม่ได้ถึงหนึ่งในสี่ของการทดสอบ ลองนึกภาพว่าคุณได้รับสายจากคนที่เสียงเหมือนแม่ของคุณทุกอย่าง แต่จริงๆ แล้วเป็นเสียงที่คอมพิวเตอร์สร้างขึ้นจากคลิปสั้นๆ ไม่กี่วินาที เรื่องนี้ไม่ใช่นิยายวิทยาศาสตร์อีกต่อไป และบทความนี้จะพาคุณเข้าไปดูเบื้องหลังว่ามันทำงานอย่างไร

TL;DR: AI โคลนเสียงได้จากตัวอย่างเพียง 3 วินาทีเพราะโมเดลอย่าง VALL-E ของ Microsoft เรียนรู้รูปแบบเสียงมนุษย์จากข้อมูล 60,000 ชั่วโมงมาก่อนแล้ว จึงต้องการแค่ "ลายเซ็น" ของเสียงคุณเล็กน้อย จากนั้นระบบจะแปลงข้อความเป็นสเปกโทรแกรม แล้วใช้ vocoder อย่าง WaveNet สร้างคลื่นเสียงออกมา ผลลัพธ์ดีจนผู้ฟังแยกไม่ออกในหลายสถานการณ์ และเครื่องมืออย่าง ElevenLabs ทำคะแนนคุณภาพ 0.83 เทียบเท่าเสียงมนุษย์

Key Facts ที่คนส่วนใหญ่ไม่รู้

• ElevenLabs' AI in 2023 achieved 0.83 Mean Opinion Score, matching human voice quality threshold of 0.80 used by telecom industry since 1996
• VALL-E by Microsoft requires only 3 seconds of voice sample to clone anyone, using 60,000 hours of LibriLight dataset with discrete codec codes
• Tacotron 2 generates mel-spectrograms at 12.5ms frame intervals, then WaveNet upsamples to 24kHz using 30 dilated convolution layers with 512 residual channels

การโคลนเสียงด้วย AI คืออะไร?

การโคลนเสียงคือเทคโนโลยีที่ให้ AI เรียนรู้ลักษณะเฉพาะของเสียงคนคนหนึ่ง เช่น โทนเสียง จังหวะ และสำเนียง แล้วนำไปพูดประโยคใหม่ๆ ที่เจ้าของเสียงไม่เคยพูดมาก่อน

เปรียบเทียบง่ายๆ เหมือนนักพากย์ล้อเลียนที่ฟังคุณคุยแค่ครู่เดียวก็เลียนแบบได้ แต่ AI ทำได้เร็วกว่า ไม่เหนื่อย และทำซ้ำได้ไม่จำกัด ในอดีตระบบแบบนี้ต้องใช้การอัดเสียงหลายชั่วโมงในห้องสตูดิโอ แต่โมเดลรุ่นใหม่ลดเหลือไม่กี่วินาที

สิ่งที่ต่างจากเสียงสังเคราะห์สมัยก่อนคือ เสียงหุ่นยนต์แบบเก่าเอาเสียงสั้นๆ มาต่อกัน จึงฟังออกทันทีว่าเป็นเครื่อง ส่วนยุคนี้ AI เรียนรู้ "วิธีที่มนุษย์พูด" ทั้งหมด ไม่ได้แค่ตัดต่อ จึงได้เสียงที่ลื่นไหลและมีอารมณ์

ทำไมแค่ 3 วินาทีก็พอ?

คำตอบคือ AI ไม่ได้เรียนรู้เสียงของคุณจากศูนย์ แต่ถูกฝึกมาแล้วจากเสียงคนจำนวนมหาศาล ตัวอย่าง 3 วินาทีเป็นเพียงตัวบอกว่า "ให้พูดแนวไหน"

VALL-E by Microsoft requires only 3 seconds of voice sample to clone anyone, using 60,000 hours of LibriLight dataset with discrete codec codes โมเดลนี้มองเสียงเป็น "คำศัพท์" ชนิดหนึ่ง โดยแปลงเสียงเป็นรหัสแยกส่วน (discrete codec codes) แล้วทำนายรหัสถัดไปคล้ายที่ ChatGPT ทำนายคำถัดไป

ลองนึกถึงคนที่ฟังภาษาอังกฤษมา 60,000 ชั่วโมง พอได้ยินใครพูดสั้นๆ ก็เดาได้ว่าเขาเป็นผู้ชายหรือผู้หญิง อายุเท่าไร พูดช้าหรือเร็ว ใช้เสียงนุ่มหรือกระด้าง นั่นคือสิ่งที่ VALL-E ทำ ตัวอย่าง 3 วินาทีทำหน้าที่เป็นเหมือน "คำใบ้" ให้โมเดลดึงความรู้ที่มีอยู่มาประกอบเสียงเฉพาะตัวขึ้นมา

ElevenLabs' AI in 2023 achieved 0.83 Mean Opinion Score, matching human voice quality threshold of 0.80 used by telecom industry since 1996 — AI ผ่านเกณฑ์คุณภาพเสียงมนุษย์ที่วงการโทรคมนาคมใช้มาเกือบ 30 ปีแล้ว

เทคโนโลยีนี้ทำงานอย่างไร? 8 ขั้นตอนเบื้องหลัง

ระบบสังเคราะห์เสียงสมัยใหม่แบ่งเป็นสองช่วงใหญ่ คือ "คิดว่าเสียงควรเป็นอย่างไร" (สร้างสเปกโทรแกรม) และ "แปลงเป็นเสียงจริง" (vocoder) สถาปัตยกรรมคลาสสิกที่อธิบายได้ชัดที่สุดคือ Tacotron 2 ร่วมกับ WaveNet ซึ่งแยกได้เป็น 8 ขั้นตอน

ช่วงที่ 1: จากข้อความเป็นสเปกโทรแกรม

1. Text encoder: แปลงตัวอักษรที่พิมพ์เข้าไปเป็นเวกเตอร์ 512 มิติ โดยใช้การเรียนรู้ความสัมพันธ์ระหว่างตัวอักษรกับหน่วยเสียง (phoneme) เหมือนการแปลงตัวหนังสือเป็น "วิธีออกเสียง"
2. Attention mechanism: จับคู่ผลจาก encoder กับจังหวะของ decoder ด้วย location-sensitive attention ที่ใช้ 32 filters และ kernel กว้าง 31 ทำให้ AI รู้ว่ากำลังอ่านถึงตัวอักษรไหน ไม่ข้ามหรือพูดซ้ำ
3. Decoder LSTM: ใช้ 1024 units ทำนายเฟรมสเปกโทรแกรม 80 แบนด์ทีละเฟรมแบบ autoregressive คือแต่ละรอบสร้างหนึ่งเฟรม โดยดูจากเฟรมก่อนหน้า
4. Post-net: ใช้ convolutional layers 5 ชั้นพร้อม batch normalization ขัดเกลาผลลัพธ์และลดสิ่งแปลกปลอม (artifacts) เหมือนช่างแต่งภาพที่ลบรอยหยาบออก

สเปกโทรแกรมแบบ mel คือ "ภาพถ่ายของเสียง" ที่แสดงว่าแต่ละช่วงเวลามีพลังงานที่ความถี่ใดบ้าง ตามที่หูมนุษย์รับรู้ Tacotron 2 generates mel-spectrograms at 12.5ms frame intervals, then WaveNet upsamples to 24kHz using 30 dilated convolution layers with 512 residual channels

ช่วงที่ 2: จากสเปกโทรแกรมเป็นคลื่นเสียง

1. แบ่งหน้าต่าง: neural vocoder ตัดสเปกโทรแกรมเป็นหน้าต่างซ้อนทับยาว 50ms เลื่อนทีละ 12.5ms เพื่อเตรียมสังเคราะห์คลื่นเสียง
2. WaveNet: ส่งแต่ละหน้าต่างผ่าน gated activation layers 30 ชั้น โดย dilation rate เพิ่มแบบเอกซ์โปเนนเชียลจาก 1 ถึง 512 ทำให้มองบริบทกว้างได้โดยไม่ต้องใช้ชั้นมหาศาล
3. Residual และ skip: แต่ละชั้นให้ผลลัพธ์ 256 residual channels และ 256 skip channels แล้วรวม skip connections จากทั้ง 30 ชั้นเข้าด้วยกัน
4. ผลลัพธ์สุดท้าย: 1x1 convolution พร้อม softmax ให้ค่าแอมพลิจูดแบบ mu-law ที่ถูกแบ่งเป็น 256 ระดับ ด้วยอัตรา 24,000 ตัวอย่างต่อวินาที

ถ้าให้เปรียบ ช่วงแรกคือนักแต่งโน้ตที่เขียนว่าควรพูดอย่างไร ช่วงหลังคือนักดนตรีที่เล่นตามโน้ตออกมาเป็นเสียงจริงทีละ 24,000 จุดต่อวินาที หากอยากเข้าใจฝั่งผู้ใช้งานจริง อ่านต่อได้ที่ เบื้องหลัง ElevenLabs เสียง AI สมจริงสร้างขึ้นมาอย่างไร

ตัวอย่างในชีวิตจริงมีอะไรบ้าง?

การโคลนเสียงถูกใช้ทั้งในทางสร้างสรรค์และทางที่น่ากังวล โดยตัวอย่างที่พบบ่อยที่สุดคือการพากย์วิดีโอ หนังสือเสียง และการให้เสียงกับผู้ที่สูญเสียความสามารถในการพูด

• ครีเอเตอร์: ทำพากย์เสียงคลิป YouTube หลายภาษาด้วยเสียงตัวเอง โดยไม่ต้องอัดใหม่ทุกครั้ง
• ผู้ป่วย: คนที่กำลังจะสูญเสียเสียงจากโรคบางชนิดสามารถเก็บเสียงของตัวเองไว้ใช้ต่อได้
• ธุรกิจ: ระบบตอบรับอัตโนมัติและสื่อการเรียนรู้ที่ฟังเป็นธรรมชาติ
• มิจฉาชีพ: ปลอมเสียงญาติหรือผู้บริหารเพื่อหลอกให้โอนเงิน

เรื่องการแยกแยะ In 2024 University of Waterloo study, listeners correctly identified AI voices only 73% of the time when samples exceeded 5 seconds duration นั่นหมายความว่าแม้ฟังนานกว่า 5 วินาที ก็ยังมีโอกาสถูกหลอกกว่า 1 ใน 4

ทำไมเรื่องนี้ถึงสำคัญ?

เรื่องนี้สำคัญเพราะ "เสียง" เคยเป็นหลักฐานยืนยันตัวตนที่คนไว้ใจมากที่สุด แต่ตอนนี้ใครก็สร้างเสียงปลอมที่น่าเชื่อถือได้ด้วยต้นทุนต่ำมาก ผลกระทบครอบคลุมทั้งความปลอดภัย กฎหมายลิขสิทธิ์เสียง และความไว้วางใจในสื่อ

ข่าวดีคือยังมีร่องรอยให้จับได้ เช่น Breathing artifacts occur every 2-4 seconds in human speech but AI models before 2023 inserted breaths randomly every 8-15 seconds, creating detection pattern คือมนุษย์หายใจทุก 2-4 วินาที แต่ AI ก่อนปี 2023 ใส่เสียงหายใจแบบสุ่มทุก 8-15 วินาที ทำให้เป็นจุดสังเกตได้ อย่างไรก็ตามโมเดลรุ่นใหม่แก้ปัญหานี้ไปมากแล้ว จึงไม่ควรพึ่งวิธีนี้อย่างเดียว

วิธีป้องกันตัวที่ใช้ได้จริง ได้แก่ ตั้ง "รหัสลับ" กับคนในครอบครัว โทรกลับเบอร์เดิมเมื่อมีคนขอเงินด่วน และอย่าโพสต์คลิปเสียงยาวๆ ของตัวเองสู่สาธารณะโดยไม่จำเป็น

มี tools อะไรที่ใช้เทคโนโลยีนี้บ้าง?

มีเครื่องมือหลายตัวที่เปิดให้คนทั่วไปใช้ โดยแต่ละตัวถนัดต่างกัน

• ElevenLabs: เด่นเรื่องเสียงพูดสมจริงและโคลนเสียงจากคลิปสั้น เหมาะกับพากย์และหนังสือเสียง
• Murf AI: เน้นงานธุรกิจและการนำเสนอ มีเสียงให้เลือกหลากหลาย ดู รีวิว Murf AI 2026 — คุ้มค่าไหม? ใช้งานยังไง?
• Whisper: โมเดลถอดเสียงเป็นข้อความของ OpenAI ใช้เตรียมสคริปต์หรือถอดเสียงตัวอย่างก่อนนำไปสร้างเสียงใหม่
• Suno: สร้างเพลงพร้อมเสียงร้อง ดู Suno AI สร้างเพลงได้ยังไง? 8 ขั้นตอนที่ซ่อนอยู่
• Udio: สร้างเพลงด้วยเทคนิค diffusion ดู Udio สร้างเพลงด้วย Diffusion 32 ขั้นตอนอย่างไร

ค้นหาเครื่องมือเพิ่มเติมได้ในหมวด AI Tools

เริ่มต้นใช้งานอย่างไร?

เริ่มได้ภายใน 10 นาทีโดยไม่ต้องเขียนโค้ด เพียงเลือกเครื่องมือ เตรียมเสียงตัวอย่าง และพิมพ์ข้อความที่ต้องการ

1. สมัครบริการที่สนใจ เช่น ElevenLabs หรือ Murf AI และเริ่มจากแผนฟรีเพื่อทดลอง
2. อัดเสียงตัวเองในที่เงียบ พูดชัดเจนอย่างน้อยหลายสิบวินาทีเพื่อคุณภาพที่ดีกว่าตัวอย่างขั้นต่ำ
3. อัปโหลดและยืนยันว่าเป็นเสียงของคุณเองหรือได้รับอนุญาตแล้ว ซึ่งเป็นเงื่อนไขของหลายบริการ
4. พิมพ์ข้อความ ปรับความเร็วและอารมณ์ แล้วฟังผลลัพธ์
5. ถ้ามีไฟล์เสียงเก่า ใช้ Whisper ถอดเป็นข้อความก่อนเพื่อนำไปปรับใช้ต่อ

ข้อควรจำคือ ใช้เสียงของตัวเองหรือเสียงที่ได้รับอนุญาตเท่านั้น และระบุให้ผู้ฟังรู้เมื่อเป็นเสียง AI สำหรับคู่มือทำตามแบบเป็นขั้นตอน ดูหมวด AI How-To

คำถามที่พบบ่อย (FAQ)

AI โคลนเสียงจากตัวอย่างสั้นแค่ไหนได้?

A: โมเดลวิจัยอย่าง VALL-E ของ Microsoft ใช้ตัวอย่างเพียง 3 วินาทีก็โคลนเสียงได้ แต่เครื่องมือเชิงพาณิชย์มักแนะนำให้ใช้ตัวอย่างยาวกว่านั้นเพื่อให้ได้คุณภาพและความคงเส้นคงวาที่ดีกว่า

เสียงที่ AI สร้างสมจริงแค่ไหน?

A: สมจริงมาก ในปี 2023 ElevenLabs ทำคะแนน Mean Opinion Score ได้ 0.83 ซึ่งสูงกว่าเกณฑ์เสียงมนุษย์ 0.80 และงานวิจัยของ University of Waterloo ปี 2024 พบว่าผู้ฟังแยกเสียง AI ถูกเพียง 73% เมื่อตัวอย่างยาวเกิน 5 วินาที

Tacotron 2 กับ WaveNet ต่างกันอย่างไร?

A: Tacotron 2 ทำหน้าที่แปลงข้อความเป็น mel-spectrogram ส่วน WaveNet ทำหน้าที่เป็น vocoder แปลงสเปกโทรแกรมนั้นเป็นคลื่นเสียงจริงที่ 24,000 ตัวอย่างต่อวินาที ทั้งสองทำงานต่อกันเป็นลำดับ

การโคลนเสียงผิดกฎหมายหรือไม่?

A: ขึ้นอยู่กับวิธีใช้และกฎหมายของแต่ละประเทศ การโคลนเสียงตัวเองหรือเสียงที่ได้รับอนุญาตโดยทั่วไปทำได้ แต่การปลอมเสียงผู้อื่นเพื่อหลอกลวงหรือแอบอ้างอาจเข้าข่ายความผิดทางกฎหมาย ควรตรวจสอบเงื่อนไขของบริการและกฎหมายที่เกี่ยวข้องก่อนใช้งาน

จะป้องกันตัวจากเสียงปลอมได้อย่างไร?

A: ตั้งรหัสลับกับคนใกล้ชิด โทรกลับเบอร์ที่รู้จักเมื่อมีการขอเงินด่วน และไม่เชื่อเสียงอย่างเดียว นอกจากนี้ยังสังเกตจังหวะการหายใจได้ เพราะมนุษย์หายใจทุก 2-4 วินาที ขณะที่ AI ก่อนปี 2023 ใส่เสียงหายใจทุก 8-15 วินาที

อ่านบทความอธิบายเทคโนโลยีอื่นๆ ได้ที่หมวด Explainer

But there's one frequency range AI still can't fake—and your brain detects it in 0.3 seconds

อัปเดตล่าสุด: 09 October 2026 บน AiDevThai

Originally published on AI Dev Thai. Daily AI tutorials, coding guides, and tech insights in Thai.