ບົດສອນ Rask AI: ວິທີແປ ແລະ ພາກສຽງວິດີໂອພາສາຈີນເປັນຍີ່ປຸ່ນ, ບັນທຶກປະສົບການຕົວຈິງ ແລະ ຂໍ້ຄວນລະວັງ

ເດືອນແລ້ວນີ້ ຂ້ອຍໄດ້ຊ່ວຍຈັດລະບຽບຊ່ອງ YouTube ໃຫ້ກັບແບຣນສະບູແຮນດ໌ເມດ (Handmade soap) ແຫ່ງໜຶ່ງໃນເມືອງໄທຈົງ (Taichung). ວິດີໂອພາສາຈີນສາມສິບປາຍເລື່ອງ, ເຈົ້າຂອງຮ້ານຢາກລອງເຈາະຕະຫຼາດຍີ່ປຸ່ນ ແລະ ໄດ້ຖາມຂ້ອຍວ່າ: ຖ້າຈ້າງນັກພາກສຽງມາອັດໃໝ່ຈະລາຄາເທົ່າໃດ? ຂ້ອຍໄດ້ຖາມບໍລິສັດ Post-production ສອງແຫ່ງ, ຄ່າໃຊ້ຈ່າຍແມ່ນ 2,500 ຫາ 4,000 ໂດລາໄຕຫວັນ ຕໍ່ວິດີໂອຄວາມຍາວໜຶ່ງນາທີ; ຖ້າ 30 ເລື່ອງ, ໂດຍສະເລ່ຍເລື່ອງລະ 6 ນາທີ, ຄິດໄລ່ແລ້ວແມ່ນພໍໆກັບລາຄາລົດຈັກຄັນໜຶ່ງ. ຮູບໜ້າຂອງເຈົ້າຂອງຮ້ານໃນຕອນນັ້ນ ຂ້ອຍຍັງຈື່ໄດ້ດີມາຈົນຮອດປັດຈຸບັນ.

ຕອນບ່າຍມື້ນັ້ນ ຂ້ອຍເລີຍເປີດ Rask AI ຂຶ້ນມາທົດລອງໃຊ້. ຜົນໄດ້ຮັບທີ່ໄດ້ ມັນບໍ່ແມ່ນຄຳວ່າ "ທົດແທນນັກພາກສຽງໄດ້ 100%" ແບບໃນນິທານ, ແຕ່່ງົບປະມານຖືກກົດລົງມາເຫຼືອຕໍ່າກວ່າ 1 ເປີເຊັນ (ໜຶ່ງໃນສິບ), ພັນທະມິດຝ່າຍຍີ່ປຸ່ນຫຼັງຈາກໄດ້ເບິ່ງວິດີໂອຕົວຢ່າງແລ້ວເວົ້າວ່າ: "ຟັງອອກວ່າເປັນ AI, ແຕ່ກໍຍັງສາມາດເບິ່ງຕໍ່ໄດ້ຈົນຈົບ". ບົດຄວາມນີ້ຂ້ອຍຈະຂຽນຂັ້ນຕອນການເຮັດວຽກຕົວຈິງ, ການຕັ້ງຄ່າ ແລະ ຂໍ້ຄວນລະວັງທີ່ເສຍເງິນຫຼາຍຢ່າງລະອຽດ.

ເຄື່ອງມືນີ້ແມ່ນຫຍັງ?

Rask AI ແມ່ນແພລະຕິຟອມສຳລັບ "ການເຮັດ Localisation ໃຫ້ກັບວິດີໂອ" ທີ່ມີສຳນັກງານໃຫຍ່ຢູໍ່ເອີຣົບ, ຈຸດເດັ່ນຫຼັກໆກໍຄືການປ່ຽນວິດີໂອທີ່ມີຢູ່ແລ້ວຂອງທ່ານໃຫ້ເປັນສຽງພາກໃນພາສາອື່ນ. ສິ່ງທີ່ມັນແຕກຕ່າງຈາກຊອບແວແປພາສາທົ່ວໄປກໍຄື: ມັນບໍ່ແມ່ນພຽງແຕ່ໃຫ້ຄຳບັນຍາຍ (Subtitles) ມາຊື່ໆ, ແຕ່ມັນເຮັດວຽກແບບຄົບວົງຈອນຕັ້ງແຕ່: ຖອດສຽງເປັນຂໍ້ຄວາມອັດຕະໂນມັດ, ແປພາສາ, ສ້າງສຽງເວົ້າໃນພາສາປາຍທາງໂດຍໃຊ້ໂທນສຽງຂອງຜູ້ເວົ້າເດີມ, ພ້ອມທັງເລືອກການຊິ້ງສົບ (Lip-sync) ໃຫ້ເຂົ້າກັນ.

ຂອບເຂດການຮອງຮັບທີ່ລະບຸໄວ້ໃນໜ້າເວັບໄຊທາງການປັດຈຸບັນແມ່ນ ຮອງຮັບການແປຫຼາຍກວ່າ 130 ພາສາ (ບາງໜ້າເວັບຍ່ອຍຂຽນວ່າ 135), ສ່ວນການໂຄລນສຽງ (Voice Cloning) ຮອງຮັບ 32 ພາສາ. ພາສາຈີນ, ຍີ່ປຸ່ນ, เกาหลี ແລະ ອັງກິດ ເຊິ່ງເປັນພາສາທີ່ແບຣນໄຕຫວັນມັກໃຊ້ເພື່ອຕ່າງປະເທດຫຼາຍທີ່ສຸດ ແມ່ນມີຢູ່ໃນນີ້ໝົດ. ຕົວເລກທາງການອາດຈະມີການປັບປ່ຽນເປັນບາງຄັ້ງ, ໃຫ້ຍຶດຖືຕາມໜ້າເວັບ rask.ai ໃນເວລານັ້ນໆເປັນຫຼັກ.

ເວົ້າລວມແລ້ວ, ກຸ່ມເປົ້າໝາຍທີ່ມັນໃຫ້ບໍລິການແມ່ນຊັດເຈນຫຼາຍ: ຄົນທີ່ມີຄັງວິດີໂອຢູ່ໃນມືແລ້ວ ແລະ ຕ້ອງການເປີດຕະຫຼາດພາສາໃໝ່ດ້ວຍຕົ້ນທຶນຕ່ຳ. ບໍ່ວ່າຈະເປັນ YouTuber, ອາຈານສອນຄອສອອນລາຍ, ນັກການຕະຫຼາດທີ່ເຮັດວິດີໂອສອນການໃຊ້ງານຜະລິດຕະພັນ — 3 ກຸ່ມນີ້ໃຊ້ແລ້ວຈະເຫັນຜົນຊັດເຈນທີ່ສຸດ.

มันทำอะไรได้บ้าง (และทำอะไรไม่ได้)

ສິ່ງທີ່ເຮັດໄດ້: ການພາກສຽງຫຼາຍພາສາແມ່ນຫົວໃຈຫຼັກ, ວິດີໂອໜຶ່ງເລື່ອງສາມາດສັ່ງງານຫຼາຍພາສາພ້ອມກັນໄດ້. ລະບົບໂຄລນສຽງຈະຈັບໂທນສຽງຂອງຜູ້ເວົ້າຕົ້ນສະບັບ, ສຽງຂອງຂ້ອຍເອງທີ່ແປເປັນພາສາວີ່ປຸ່ນ ຄວາມຄ້າຍຄືແມ່ນໃຫ້ 75%, ໂທນສຽງຈະຮາບພຽງໜ້ອຍໜຶ່ງແຕ່ບໍ່ຮອດຂັ້ນເປັນຫຸ່ນຍົນ. ການຈຳແນກຜູ້ເວົ້າຫຼາຍຄົນສາມາດຮັບຮູ້ 2-3 ຄົນໃນວິດີໂອສົທະນາ ແລະ ແຍກສຽງພາກຂອງໃຜລາວໄດ້. ການຊິ້ງປາກ (Lip-sync) ຈະເປັນການປະມວນຜົນອີກຊັ້ນໜຶ່ງ, ເຊິ່ງຜົນງານຈະດີທີ່ສຸດເມື່ອເປັນມຸມໜ້າກົງ ແລະ ເຫັນໃບໜ້າໃກ້ໆ. ຊັບໄຕເຕິ້ນສາມາດດາວໂຫຼດເປັນ SRT, VTT ໄດ້ ຫຼື ຈະອັບໂຫຼດ SRT ທີ່ກວດແກ້ແລ້ວຂອງທ່ານອງທັບການແປຂອງມັນກໍໄດ້. ນอกจากนี้ ຍັງມີຈະມີຈະມີວັດຖານນານຸກົມການແປ (Translation Glossary) ແລະ ພຣອມສ໌ແປພາສາ (Translation Prompts) ເຊິ່ງສອງຢ່າງນີ້ແມ່ນເສັ້ນແບ່ງລະຫວ່າງຜູ້ໃຊ້ງານມືອາຊີບ. ຖ້າປະລິມານຫຼາຍສາມາດໃຊ້ API ປະມວນຜົນແບບ Batch ໄດ້.

ສິ່ງທີ່ເຮັດບໍ່ໄດ້ ຕ້ອງອຸທິບາຍໃຫ້ຊັດເຈນ, ຈຸດນີ້ແມ່ນຈຸດທີ່ມັກເຮັດໃຫ້ຜິດຫວັງຫຼາຍທີ່ສຸດ. ມັນບໍ່ແມ່ນຊອບແວຕັດຕໍ່ວິດີໂອ, ພວກເອັບເຟັກການປ່ຽນພາບ (Transitions), ຕົວໜັງສືປະກອບ (Text cards), B-roll, ພາບປົກ (Cover) ແມ່ນເຮັດບໍ່ໄດ້ເລີຍ, ໂດຍປົກກະຕິແລ້ວຂ້ອຍຈະເອົາສຽງພາກທີ່ໄດ້ຖິ້ມໃສ່ VEED.IO ເພື່ອເຮັດຂັ້ນຕອນສຸດທ້າຍ. ມັນບໍ່ສາມາດກູ້ໄຟລ໌ສຽງທີ່ຢໍ່າແຍ່ໄດ້, ຖ້າໄຟລ໌ສຽງຕົ້ນສະບັບມີສຽງກ້ອງ, ສຽງິ່ງລົບກວນຈາກສະພາບແວດລ້ອມກົບສຽງຄົນ, ລະບົບຖອດສຽງຈະຜິດພາດ, ແລະ ບົດຖອດສຽງທີ່ຜິດ ເວລາແປອອກມາກໍຈະເປັນຫາຍະນະ. ມັນບໍ່ຮັບປະກັນວ່າຄຳສັບສະເພາະຈະຖືກຕ້ອງ. ແລະ ມັນກໍບໍ່ใช่ການແປສົດແບບລາຍການສົດ (Live translation), ແຕ່ເປັນການປະມວນຜົນແບບ Offline ທີ່ເຮັດເປັນຊຸດ.

ອີກຈຸດໜຶ່ງ, ຜົນລັບຈາກພາສາຈີນແປໄປພາສາອື່ນແມ່ນດ້ອຍກວ່າການແປຈາກພາສາອັງກິດອອກໄປໜ້ອຍໜຶ່ງ. ການຕັດປະໂຫຍກ, ຕົວອັກສອນທີ່ອອກສຽງໄດ້ຫຼາຍແບບ, ວິທີອ່ານຕົວເລກ ເປັນສິ່ງທີ່ยากຢູ່ແລ້ວໂດຍທຳມະຊາດ, ຂ້ອຍເຄີຍພົບກໍລະນີ "32 ກຣາມ" ຖືກອ່ານອອກມາເປັນສຽງແປກໆ, ແລະ ເຄີຍພົບຄຳສັບພາສາຮົກກຽນ (Taiwanese Hokkien) ຖືກບັງຄັບແປ. ສຳລັບພາສາຮົກກຽນ ປັດຈຸບັນຍັງບໍ່ທັນໄດ້ຮັບການຮອງຮັບຢ່າງເປັນທາງການ.

ວິທີໃຊ້ງານ: ຖອດບົດຮຽນເປັນຂັ້ນຕອນ

ຂັ້ນຕອນທີ່ 0: ກຽມວັດຖຸດິບ (5 ຫາ 10 ນາທີ)

ຂັ້ນຕອນນີ້ຫຼາຍຄົນມັກຂ້າມຜ່ານແລ້ວຕ້ອງໄດ້ກັບມາເຮັດໃໝ່. ໃຫ້ສົ່ງອອກ (Export) ຄວາມລະອຽດ 1080p, ເວີຊັ່ນທີ່ສຽງຄົນເວົ້າຈະແຈ້ງ, ຖ້າດົນຕີປະກອບ (Background music) ดังກວ່າສຽງຄົນເວົ້າ ໃຫ້ຫຼຸດສຽງລົງກ່ອນ ຫຼື ລຶບອອກໄປເລີຍ, ຖ້າຫາກມີໄຟລ໌ແຍກສຽງຄົນເວົ້າທີ່ບໍ່ມີດົນຕີປະກອບແມ່ນໃຫ້ໃຊ້ໄຟລ໌ນັ້ນເລີຍ. ໃຫ້ເລືອກວິດີໂອຄວາມຍາວ 3 ຫາ 5 ນາທີ ມາລອງທົດສອບກ່ອນ, ຢ່າຫາກໍ່ເອົາວິດີໂອບັນຍາຍຄວາມຍາວ 30 ນາທີຖິ້ມໃສ່ຕັ້ງແຕ່ເລີ່ມຕົ້ນ.

ຂັ້ນຕອນທີ່ 1: ສ້າງໂຄງການ (ປະມານ 1 ນາທີ)

ຫຼັງຈາກເຂົ້າສູ່ລະບົບແລ້ວ ໃຫ້ກົດທີ່ປຸ່ມສ້າງໂຄງການໃໝ່ (New Project) ຢູ່ມຸມຂວາເທິງຂອງ Dashboard, ແລ້ວລາກໄຟລ໌ວິດີໂອໃສ່ ຫຼື ວາງລິ້ງ YouTube ລົງໄປ. ຕໍ່ຈາກນັ້ນ ໃຫ້ຕັ້ງຄ່າ 3 ຢ່າງ: ພາສາຕົ້ນທາງ (ກຳນົດເອງວ່າເປັນພາສາຈີນ, ຢ່າປ່ອຍໃຫ້ມັນກວດຈັບອັດຕະໂນມັດ ເພາະຖ້າມີຈີນປົນອັງກິດມັກຈະເດົາຜິດ), ພາສາປາຍທາງ (ສາມາດເລືອກໄດ້ຫຼາຍພາສາ ແຕ່ຈະຖືກຄິດຄ່າບໍລິການແຍກຕາມແຕ່ລະພາສາ, ໃຫ້ຕິກເລືອກພຽງພາສາກ່ອນ), ຈໍານວນຜູ້ເວົ້າ. ຖ້າຕ້ອງການໂຄລນສຽງ (Voice cloning), ຢ່າລືມເປີດປຸ່ມ Voice cloning, ຖ້າບໍ່ດັ່ງນັ້ນລະບົບຈະໃຫ້ສຽງສັງເຄາະມາດຕະຖານມາແທນ.

ຂັ້ນຕອນທີ່ 2: ຖ້າລະບົບປະມວນຜົນ (ວິດີໂອ 3 ນາທີ ໃຊ້ເວລາປະມານ 5 ຫາ 15 ນາທີ)

ເວລາລໍຖ້າແມ່ນຂຶ້ນຢູ່ກັບວ່າເຊີບເວີຫຍຸ້ງຫຼາຍສໍ່າໃດ, ຊ່ວງເວລາກາງເວັນຂອງຝັ່ງເອີຣົບຈະຊ້າກວ່າໜ້ອຍໜຶ່ງ. ເມື່ອປະມວນຜົນສຳເລັດຈະມີອີເມວແຈ້ງເຕືອນ, ທ່ານສາມາດອອກໄປເຮັດວຽກອື່ນຖ້າໄດ້ກ່ອນ.

ຂັ້ນຕອນທີ່ 3: ກວດກາ ແລະ ແກ້ໄຂບົດຖອດສຽງ ແລະ ການແປ (ຈຸດທີ່ເສຍເວລາແທ້ໆ)

ຫຼັງຈາກເຂົ້າສູ່ໂປຣແກຣມແກ້ໄຂ (Editor) ແລ້ວ, ຝັ່ງຊ້າຍຈະເປັນບລັອກຊັບໄຕເຕິ້ນທີລະທ່ອນ, ແລະ ຝັ່ງຂວາແມ່ນໂປຣແກຣມຫຼິ້ນວິດີໂອ (Player), ທັງຂໍ້ຄວາມຕົ້ນສະບັບ ແລະ ຂໍ້ຄວາມທີ່ແປແລ້ວສາມາດແກ້ໄຂໄດ້ໂດຍກົງ. ວິທີທີ່ຂ້ອຍມັກໃຊ້ຄື: ອ່ານກວາດເນື້ອໃນພາສາຈີນຕົ້ນສະບັບຕັ້ງແຕ່ຕົ້ນຈົນຈົບກ່ອນ ເພື່ອແກ້ໄຂຄຳທີ່ລະບົບຟັງຜິດ, ແລ້ວຈຶ່ງມາເບິ່ງຄຳແປ. ສຳລັບວິດີໂອຄວາມຍາວ 10 ນາທີ, ຂັ້ນຕອນນີ້ຈະໃຊ້ເວລາປະມານ 30 ຫາ 40 ນາທີ.

ຫຼັງຈາກແກ້ໄຂຂໍ້ຄວາມແລ້ວ, ຕ້ອງກົດປຸ່ມສ້າງສຽງໃໝ່ (Regenerate) ສຳລັບທ່ອນນັ້ນ ສຽງຈຶ່ງຈະອັບເດດ. ຫຼາຍຄົນທີ່ໃຊ້ງານຄັ້ງທຳອິດມັກຫຼົງລືມຈຸດນີ້, ຜົນກໍຄືເວລາສົ່ງອອກມາແລ້ວສຽງຍັງເປັນສຽງເກົ່າ.

ຂັ້ນຕອນທີ່ 4: ຈັດການກັບທ່ອນທີ່ຄວາມຍາວເກີນກຳນົດ

ພາສາຈີນແປເປັນພາສາວີ່ປຸ່ນ, ຈຳນວນຕົວອັກສອນມັກຈະຂະຫຍາຍຕົວຂຶ້ນຫຼາຍກວ່າ 30%, ເຊິ່ງກໍ່ໃຫ້ເກີດບັນຫາທີ່ວ່າຂໍ້ຄວາມທີ່ແປເວົ້າບໍ່ທັນຈົບກໍຖືກຕັດອອກ, ຫຼື ຄວາມໄວໃນການເວົ້າຖືກບີບຈົນຟັງບໍ່ຮູ້ເລື່ອງ. ໂປຣແກຣມແກ້ໄຂສາມາດປັບຄວາມຍາວຂອງເວລາໃນແຕ່ລະທ່ອນໄດ້, ແລະ ຍັງສາມາດອະນຸຍາດໃຫ້ບາງທ່ອນກາຍເສັ້ນເວລາເດີມໄດ້ນຳ. ວິທີການຂອງຂ້ອຍແມ່ນຫວນກັບໄປແກ້ໄຂຂໍ້ຄວາມແປໃຫ້ສັ້ນລົງ, ໂດຍທົ່ວໄປແລ້ວຈະເປັນທຳມະຊາດກວ່າການໄປດຶງເສັ້ນເວລາໃຫ້ຍາວອອກ.

ຂັ້ນຕອນທີ່ 5: ຊິ້ງສົບ (Lip-sync - ເປັນທາງເລືອກ, ຕ້ອງລໍຖ້າອີກຮອບ)

ຫຼັງຈາກທີ່ພາກສຽງຖືກກຳນົດຮຽບຮ້ອຍແລ້ວ ຈຶ່ງຄ່ອຍເປີດໃຊ້ Lip-sync, ເພາະມັນເປັນການປະມວນຜົນອີກຊັ້ນໜຶ່ງ, ຖ້າແກ້ໄຂຂໍ້ຄວາມຄັ້ງໜຶ່ງ ກໍຕ້ອງໄດ້ປະມວນຜົນໃຫມ່ອີກຄັ້ງ.

ຂັ້ນຕອນທີ່ 6: ສົ່ງອອກ (Export)

ສາມາດເລືອກດາວໂຫຼດສະເພາະໄຟລ໌ສຽງພາກ (ເຊິ່ງຂ້ອຍມັກໃຊ້ວິທີນີ້ເລື້ອຍໆ, ເພື່ອນຳກັບໄປຈັບຄູ່ເວລາໃນຊອບແວຕັດຕໍ່), ຫຼື ຈະດາວໂຫຼດໄຟລ໌ MP4 ທີ່ເຜົາຊັບໄຕເຕິ້ນລົງໄປພ້ອມ ຫຼື ໄຟລ໌ຄຳບັນຍາຍ SRT/VTT ກໍໄດ້.

ເຕັກນິກຂັ້ນສູງ

1. ສ້າງວັດຖານານຸກົມການແປ (Translation Glossary) ກ่อนລົງມືເຮັດ. ໃຫ້ເອົາຊື່ແບຣນ, ຊື່ຜະລິດຕະພັນ, ຊື່ຜູ້ເວົ້າ, ແລະ ຄຳສັບສະເພາະ ໃສ່ລົງໃນ Glossary ໃຫ້ໝົດ. ผลิตภัณฑ์ "艾草皂" (ສະບູໂມໂກສ - Wormwood soap) ຂອງລູກຄ້າຂ້ອຍ, ຕອນທີ່ຍັງບໍ່ທັນໄດ້ຕັ້ງຄ່າ Glossary ມັນຖືກແປເປັນ "ヨモギ石鹸", ພໍຕັ້ງຄ່າແລ້ວຈຶ່ງຖືກຕ້ອງຕາມເວັບໄຊທາງການຂອງປະເທດຍີ່ປຸ່ນ. ເວລາທີ່ປະຫຍັດໄດ້ຈາກຂັ້ນຕອນນີ້, ແມ່ນຫຼາຍກວ່າເວລານາທີທີ່ໃຊ້ໃນການສ້າງ Glossary ຫຼາຍ.

2. ໃຊ້ພຣອມສ໌ແປພາສາ (Translation Prompts) ເພື່ອຄວບຄຸມໂທນສຽງ. ນີ້ແມ່ນຟັງຊັນທີ່ຂ້ອຍຮູ້ສຶກວ່າຖືກປະເມີນຕໍ່າເກີນໄປ. ທ່ານສາມາດສຳເນົາ (Copy) ຂໍ້ຄວາມນີ້ໄປປັບໃຊ້ໄດ້ເລີຍ:

Translate into casual spoken Japanese suitable for a YouTube lifestyle channel.
Keep the brand name "XXXX" in Latin letters, do not translate it.
Use short sentences under 25 characters; avoid formal keigo except in the closing line.
Convert measurements to the metric phrasing a Japanese speaker would say aloud.

ຂ້ອຍໄດ້ທົດລອງທັງສອງຝ່າຍແລ້ວ, ພຣອມສ໌ພາສາອັງກິດແມ່ນສາມາດປະຕິບັດຕາມໄດ້ດີກວ່າຢ່າງເຫັນໄດ້ຊັດ.

3. ເຮັດວິດີໂອທົດລອງ 30 ວິນາທີກ່ອນທີ່ຈະປະມວນຜົນທັງເລື່ອງ. ຄວາມ