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 เรื่องนี้ไม่ใช
Posted on Oct 9 • Originally published at aidevthai.com
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
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
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
ระบบสังเคราะห์เสียงสมัยใหม่แบ่งเป็นสองช่วงใหญ่ คือ "คิดว่าเสียงควรเป็นอย่างไร" (สร้างสเปกโทรแกรม) และ "แปลงเป็นเสียงจริง" (vocoder) สถาปัตยกรรมคลาสสิกที่อธิบายได้ชัดที่สุดคือ Tacotron 2 ร่วมกับ WaveNet ซึ่งแยกได้เป็น 8 ขั้นตอน
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
ถ้าให้เปรียบ ช่วงแรกคือนักแต่งโน้ตที่เขียนว่าควรพูดอย่างไร ช่วงหลังคือนักดนตรีที่เล่นตามโน้ตออกมาเป็นเสียงจริงทีละ 24,000 จุดต่อวินาที หากอยากเข้าใจฝั่งผู้ใช้งานจริง อ่านต่อได้ที่ เบื้องหลัง ElevenLabs เสียง AI สมจริงสร้างขึ้นมาอย่างไร
การโคลนเสียงถูกใช้ทั้งในทางสร้างสรรค์และทางที่น่ากังวล โดยตัวอย่างที่พบบ่อยที่สุดคือการพากย์วิดีโอ หนังสือเสียง และการให้เสียงกับผู้ที่สูญเสียความสามารถในการพูด
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
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
มีเครื่องมือหลายตัวที่เปิดให้คนทั่วไปใช้ โดยแต่ละตัวถนัดต่างกัน
ค้นหาเครื่องมือเพิ่มเติมได้ในหมวด AI Tools
เริ่มได้ภายใน 10 นาทีโดยไม่ต้องเขียนโค้ด เพียงเลือกเครื่องมือ เตรียมเสียงตัวอย่าง และพิมพ์ข้อความที่ต้องการ
ข้อควรจำคือ ใช้เสียงของตัวเองหรือเสียงที่ได้รับอนุญาตเท่านั้น และระบุให้ผู้ฟังรู้เมื่อเป็นเสียง AI สำหรับคู่มือทำตามแบบเป็นขั้นตอน ดูหมวด AI How-To
A: โมเดลวิจัยอย่าง VALL-E ของ Microsoft ใช้ตัวอย่างเพียง 3 วินาทีก็โคลนเสียงได้ แต่เครื่องมือเชิงพาณิชย์มักแนะนำให้ใช้ตัวอย่างยาวกว่านั้นเพื่อให้ได้คุณภาพและความคงเส้นคงวาที่ดีกว่า
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
A: Tacotron 2 ทำหน้าที่แปลงข้อความเป็น mel-spectrogram ส่วน WaveNet ทำหน้าที่เป็น vocoder แปลงสเปกโทรแกรมนั้นเป็นคลื่นเสียงจริงที่ 24,000 ตัวอย่างต่อวินาที ทั้งสองทำงานต่อกันเป็นลำดับ
A: ขึ้นอยู่กับวิธีใช้และกฎหมายของแต่ละประเทศ การโคลนเสียงตัวเองหรือเสียงที่ได้รับอนุญาตโดยทั่วไปทำได้ แต่การปลอมเสียงผู้อื่นเพื่อหลอกลวงหรือแอบอ้างอาจเข้าข่ายความผิดทางกฎหมาย ควรตรวจสอบเงื่อนไขของบริการและกฎหมายที่เกี่ยวข้องก่อนใช้งาน
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.