รีวิว Rask AI: แปลวิดีโอภาษาจีนเป็นเสียงพากย์ญี่ปุ่น พร้อมขั้นตอนการใช้งานจริงและข้อควรระวัง

เดือนที่แล้วผมช่วยแบรนด์แฮนด์เมดทำสบู่แห่งหนึ่งในไถจงจัดระเบียบช่อง YouTube มีวิดีโอภาษาจีนอยู่สามสิบกว่าชิ้น เจ้าของแบรนด์อยากบุกตลาดญี่ปุ่น เลยถามผมว่าถ้าจ้างนักพากย์อัดเสียงใหม่จะต้องใช้เงินเท่าไหร่ ผมลองถามบริษัททำโพสต์โปรดักชันมาสองแห่ง นาทีละ 2,500 ถึง 4,000 ดอลลาร์ไต้หวัน พอคูณด้วยวิดีโอ 30 ชิ้น ความยาวเฉลี่ยชิ้นละ 6 นาที ราคารวมกันซื้อรถมอเตอร์ไซค์ได้คันหนึ่งเลย สีหน้าของเจ้าของแบรนด์ตอนนั้นผมยังจำได้ไม่ลืม

บ่ายวันนั้นผมเลยลองเปิด Rask AI ขึ้นมาใช้ดู ผลลัพธ์ที่ได้ไม่ใช่แนวเทพนิยายแบบ "แทนที่นักพากย์ได้ 100%" แต่กดงบประมาณลงมาได้ต่ำกว่าหนึ่งในสิบ แถมพาร์ทเนอร์ฝั่งญี่ปุ่นพอดูวิดีโอตัวอย่างแล้วบอกว่า "ฟังออกว่าเป็น AI แต่ก็ยังดูต่อได้จนจบ" บทความนี้จะมาเล่าขั้นตอน การตั้งค่าจริงที่ผมใช้งาน และจุดที่เปลืองเงินสุดๆ ให้ฟังกันแบบละเอียด

เครื่องมือนี้คืออะไร

Rask AI เป็นแพลตฟอร์ม "แปลท้องถิ่นสำหรับวิดีโอ (Video Localization)" สำนักงานใหญ่อยู่ในยุโรป จุดเด่นหลักคือการเปลี่ยนวิดีโอที่มีอยู่ของคุณให้เป็นเสียงพากย์ในภาษาอื่น จุดที่ต่างจากซอฟต์แวร์แปลทั่วไปคือ มันไม่ได้ให้แค่ซับไตเติล แต่จัดการให้ครบวงจรตั้งแต่ต้นจนจบ: ถอดเสียงอัตโนมัติ, แปลภาษา, สร้างเสียงในภาษาเป้าหมายโดยใช้โทนเสียงของเจ้าของเสียงเดิม, ไปจนถึงการเลือกซิงค์ริมฝีปาก (Lip-sync)

หน้าเว็บไซต์ทางการระบุว่าปัจจุบันรองรับการแปลมากกว่า 130 ภาษา (บางหน้าย่อยระบุ 135 ภาษา) ส่วนโคลนเสียง (Voice Cloning) รองรับ 32 ภาษา ซึ่งภาษาจีน ญี่ปุ่น เกาหลี และอังกฤษที่แบรนด์ไต้หวันนิยมใช้ขยายตลาดต่างประเทศมีอยู่ครบ ตัวเลขทางการอาจมีการปรับเปลี่ยนเป็นครั้งคราว ให้ยึดข้อมูลจากหน้าเว็บ rask.ai ในขณะนั้นเป็นหลัก

พูดตรงๆ กลุ่มเป้าหมายของบริการนี้ชัดเจนมาก คือคนที่คลังวิดีโออยู่ในมือแล้ว และอยากเปิดตลาดภาษาใหม่ด้วยต้นทุนต่ำ ไม่ว่าจะเป็น YouTuber, ผู้สอนคอร์สออนไลน์ หรือนักการตลาดที่ทำวิดีโอสอนวิธีใช้ผลิตภัณฑ์ สามกลุ่มนี้ใช้แล้วจะรู้สึกคุ้มค่าที่สุด

มันทำอะไรได้บ้าง (และทำอะไรไม่ได้บ้าง)

ส่วนที่ทำได้: การพากย์หลายภาษาคือหัวใจหลัก วิดีโอเดียวสามารถส่งงานออกไปหลายภาษาพร้อมกันได้ ระบบโคลนเสียงจะดึงโทนเสียงของเจ้าของเสียงเดิมมา เสียงภาษาจีนของผมเองที่แปลเป็นญี่ปุ่น ให้คะแนนความเหมือนอยู่ที่ 75% โทนเสียงค่อนข้างราบเรียบแต่ยังไม่ถึงกับหุ่นยนต์ ระบบแยกแยะผู้พูดหลายคนสามารถจำแนกคน 2-3 คนในวิดีโอสนทนาและพากย์เสียงแยกกันได้ การซิงค์ริมฝีปากเป็นการคำนวณอีกชั้นหนึ่ง ซึ่งได้ผลลัพธ์ดีที่สุดกับมุมมองด้านหน้าและระยะใกล้ ซับไตเติลสามารถดาวน์โหลดเป็นไฟล์ SRT, VTT หรือจะอัปโหลดไฟล์ SRT ที่ตรวจแก้เองแล้วมาทับคำแปลของมันก็ได้ นอกจากนี้ยังมีพจนานุกรมการแปล (Translation Glossary) และ Prompt สำหรับการแปล ซึ่งสองสิ่งนี้คือเส้นแบ่งระหว่างผู้ใช้ทั่วไปกับผู้ใช้ระดับมืออาชีพ หากทำปริมาณมากมี API ให้เรียกใช้งานแบบแบตช์ได้

ส่วนที่ทำไม่ได้ต้องอธิบายให้ชัดเจน จุดนี้คือสิ่งที่ทำให้ผิดหวังได้ง่ายที่สุด มันไม่ใช่โปรแกรมตัดต่อวิดีโอ การเปลี่ยนฉาก การใส่การ์ดข้อความ B-roll หรือภาพปก (Thumbnail) ทำไม่ได้เลย ปกติแล้วพอได้เสียงพากย์ออกมาผมจะโยนต่อไปจบงานที่ VEED.IO มันช่วยเสียงแย่ๆ ไม่ได้ ถ้าไฟล์เสียงต้นฉบับมีเสียงสะท้อน หรือเสียงรบกวนรอบข้างกลบเสียงคนพูด การถอดเสียงจะผิดพลาด และบทถอดเสียงที่ผิดพากย์ออกมาคือหายนะ มันไม่ได้รับประกันว่าคำศัพท์เฉพาะจะถูกต้อง และไม่ใช่ระบบแปลสดแบบเรียลไทม์ แต่เป็นการประมวลผลแบบออฟไลน์เป็นชุด

แถมยังมีอีกจุดหนึ่งคือ ผลลัพธ์จากการแปลจากภาษาจีนแย่กว่าภาษาอังกฤษเล็กน้อย การเว้นวรรค คำพ้องรูป/พ้องเสียง และวิธีอ่านตัวเลขมีความยากในตัวอยู่แล้ว ผมเคยเจอคำว่า "32 กรัม" ถูกอ่านเพี้ยนเป็นเสียงแปลกๆ และเคยเจอคำภาษาไต้หวัน (Hokkien) ที่ถูกแปลเพี้ยนแบบดื้อๆ ปัจจุบันภาษาไต้หวันยังไม่ได้รับการรองรับอย่างเป็นทางการ

วิธีใช้งาน: แกะรอยทีละขั้นตอน

ขั้นตอนที่ 0: เตรียมวัสดุ (5 ถึง 10 นาที)

ขั้นตอนนี้หลายคนข้ามแล้วต้องกลับมาทำใหม่ ส่งออกวิดีโอความละเอียด 1080p ที่เสียงพูดชัดเจน ถ้าเสียงดนตรีพื้นหลังกลบเสียงคนพูด ให้ลดเสียงลงก่อนหรือลบทิ้งไปเลย ถ้ามีแทร็กเสียงพูดล้วนๆ ไม่มีดนตรีประกอบตั้งแต่ต้นให้ใช้แทร็กนั้น ให้ลองเลือกวิดีโอความยาว 3-5 นาทีมาทดลองระบบก่อน อย่าเพิ่งโยนวิดีโอบรรยายความยาว 30 นาทีเข้ามาตั้งแต่ทีแรก

ขั้นตอนที่ 1: สร้างโปรเจกต์ (ประมาณ 1 นาที)

หลังจากเข้าสู่ระบบ ให้คลิกเพิ่มโปรเจกต์ใหม่ที่มุมบนขวาของ Dashboard แล้วลากไฟล์เข้าไปหรือวางลิงก์ YouTube จากนั้นตั้งค่า 3 อย่าง: ภาษาต้นทาง (กำหนดเองเป็นภาษาจีน อย่าให้ระบบตรวจจับอัตโนมัติ เพราะภาษาจีนผสมอังกฤษมักจะเดาผิด), ภาษาเป้าหมาย (เลือกได้หลายภาษาแต่คิดค่าใช้จ่ายแยกตามภาษา ให้เลือกอันเดียวก่อน), จำนวนผู้พูด หากต้องการโคลนเสียง อย่าลืมเปิดสวิตช์ voice cloning ไม่งั้นระบบจะใช้เสียงสังเคราะห์ตั้งต้นให้

ขั้นตอนที่ 2: รอระบบประมวลผล (วิดีโอ 3 นาที ใช้เวลาประมาณ 5 ถึง 15 นาที)

เวลาที่รอขึ้นอยู่กับว่าเซิร์ฟเวอร์busy แค่ไหน ช่วงเวลากลางวันของฝั่งยุโรปจะช้าหน่อย พอเสร็จแล้วจะมีอีเมลแจ้งเตือน สามารถไปทำธุระอย่างอื่นรอก่อนได้

ขั้นตอนที่ 3: ตรวจทานบทถอดเสียงและคำแปล (ขั้นตอนที่กินเวลาที่สุด)

หลังจากเข้าสู่หน้าจอแก้ไข ด้านซ้ายจะเป็นบล็อกซับไตเติลทีละท่อน ด้านขวาคือเครื่องเล่นวิดีโอ ทั้งข้อความต้นฉบับและคำแปลสามารถแก้ไขได้โดยตรง นิสัยส่วนตัวของผมคือจะกวาดสายตาตรวจต้นฉบับภาษาจีนตั้งแต่ต้นจนจบเพื่อแก้คำที่ระบบฟังผิดเสียก่อน แล้วค่อยดูคำแปล สำหรับวิดีโอความยาว 10 นาที ขั้นตอนนี้จะใช้เวลาประมาณ 30-40 นาที

หลังจากแก้ข้อความเสร็จแล้ว จะต้องกดสร้างเสียงใหม่ (Re-generate) ของท่อนนั้นๆ เสียงถึงจะอัปเดต หลายคนที่ใช้ครั้งแรกมักจะลืมจุดนี้ ทำให้พอส่งออกแล้วเสียงยังเป็นเสียงเดิมอยู่

ขั้นตอนที่ 4: จัดการกับท่อนที่ความยาวเกิน

เวลาแปลจากภาษาจีนเป็นญี่ปุ่น จำนวนตัวอักษรจะพองตัวขึ้นมากกว่า 30% ทำให้คำแปลพูดไม่ทันและถูกตัดทอน หรือความเร็วในการพูดถูกเร่งจนฟังไม่รู้เรื่อง โปรแกรมแก้ไขสามารถปรับความยาวเวลาของแต่ละท่อนได้ หรือจะอนุญาตให้บางท่อนเลยไทม์ไลน์เดิมก็ได้ วิธีการของผมคือวนกลับไปแก้คำแปลให้สั้นลง ซึ่งมักจะดูเป็นธรรมชาติมากกว่าการไปฝืนดึงไทม์ไลน์

ขั้นตอนที่ 5: ซิงค์ริมฝีปาก (ทางเลือกเสริม, ต้องรอประมวลผลอีกรอบ)

หลังจากสรุปเสียงพากย์เรียบร้อยแล้วค่อยเปิด lip-sync เนื่องจากการซิงค์ริมฝีปากเป็นการคำนวณอีกชั้นหนึ่ง การแก้ไขข้อความแต่ละครั้งจึงต้องรันใหม่ทั้งหมด

ขั้นตอนที่ 6: ส่งออก

สามารถดาวน์โหลดเฉพาะแทร็กเสียงพากย์อย่างเดียวก็ได้ (ผมมักจะทำแบบนี้ เพื่อเอาไปจับคู่ไทม์ไลน์ในโปรแกรมตัดต่ออีกที) หรือจะดาวน์โหลดไฟล์ MP4 ที่ฝังเสียงเรียบร้อยแล้ว หรือไฟล์ซับไตเติล SRT/VTT ก็ได้

เทคนิคขั้นสูง

1. สร้างพจนานุกรมการแปล (Glossary) ก่อนเริ่มงาน นำชื่อแบรนด์ ชื่อผลิตภัณฑ์ ชื่อวิทยากร และคำศัพท์เฉพาะใส่เข้าไปใน Glossary ทั้งหมด ผลิตภัณฑ์ของลูกค้าผมชิ้นนั้นเรียกว่า "สบู่โกฐจุฬาลัมพา" (艾草皂) ตอนที่ยังไม่ตั้งพจนานุกรม ระบบแปลออกมาเป็น "ヨモギ石鹸" พอตั้งค่าแล้วถึงแปลออกมาตามรูปแบบเว็บไซต์ทางการของญี่ปุ่นพวกเขา การประหยัดเวลาแก้ไขในขั้นตอนนี้มีค่ามากกว่าเวลา 10 นาทีที่ใช้สร้างพจนานุกรมเสียอีก

2. ใช้ Prompt แปลภาษาเพื่อควบคุมน้ำเสียง นี่คือฟีเจอร์ที่ผมรู้สึกว่าถูกประเมินค่าต่ำที่สุด คุณสามารถคัดลอกข้อความนี้ไปปรับใช้ได้เลย:

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.

ผมลองมาทั้งสองแบบแล้ว อัตราการปฏิบัติตาม Prompt ภาษาอังกฤษนั้นดีกว่าอย่างเห็นได้ชัด

3. ทำคลิปทดลองความยาว 30 วินาทีก่อนที่จะเรนเดอร์ทั้งชิ้น จำนวนนาทีคือเงินทอง ให้ตัดต่อคลิปสั้นๆ ความยาว 30 วินาทีที่มีหน้าตรง, มีคำศัพท์เฉพาะ และมีตัวเลข มาลองรันดูก่อน เพื่อยืนยันว่าโทนเสียงและน้ำเสียงโอเคแล้วค่อยส่งออกทั้งชิ้น ตัวผมเองเคยขี้เกียจทำขั้นตอนนี้แล้วต้องเสียโควตาทิ้งไป 8 นาทีฟรีๆ

4. แปลจากภายนอกมาก่อน แล้วค่อยอัปโหลดไฟล์ SRT กลับเข้าไป สำหรับโปรเจกต์ที่ต้องการคุณภาพสูง ผมจะดาวน์โหลดไฟล์ SRT ต้นฉบับไปให้ ChatGPT แปลเวอร์ชันหนึ่ง หลังจากมนุษย์ตรวจแก้เสร็จแล้วจึงอัปโหลดกลับเข้าไปใน Rask เพื่อสร้างเสียง คุณภาพการแปลคือสิ่งที่คุณควบคุมได้เอง ส่วน Rask มีหน้าที่แค่เปล่งเสียงออกมา เสียเวลาเพิ่มอีก 20 นาที แต่ผลงานออกมาคนละระดับกันเลย

5. แยกงานพากย์เสียงและการตัดออกจากกัน โปรแกรมแก้ไขของ Rask ถูกสร้างขึ้นมาเพื่อจับคู่ไทม์ไลน์ ไม่ใช่เพื่อการสร้างสรรค์เนื้อหา หลังจากได้แทร็กเสียงมาแล้วให้นำกลับไปจัดการใส่การ์ดข้อความ อินโทร และสัดส่วนโซเชียลมีเดียในกระบวนการตัดต่อเดิมของคุณ

ข้อควรระวังและหลุมพรางที่พบบ่อย

คิดค่าบริการตามนาทีของวิดีโอ และคิดแยกตามแต่ละภาษา วิดีโอความยาว 10 นาที แปลเป็น 3 ภาษาเท่ากับ 30 นาที นี่คือสิ่งที่คนส่วนใหญ่เพิ่งมารู้เอาตอนจ่ายเงินแล้ว ปัจจุบันแพ็คเกจแบ่งออกเป็น ทดลองใช้ฟรี 3 นาที, Creator, Creator Pro, Business และ Enterprise อ้างอิงจากตัวเลขที่ประกาศบนเว็บไซต์ทางการ Creator จ่ายแบบรายเดือน 60 ดอลลาร์สหรัฐ รายปีประมาณ 33 ดอลลาร์สหรัฐ/เดือน; Creator Pro จ่ายแบบรายเดือน 150 ดอลลาร์สหรัฐ รายปีประมาณ 78 ดอลลาร์สหรัฐ/เดือน; Business จ่ายแบบรายเดือน 750 ดอลลาร์สหรัฐ ส่วนที่เกินคิดนาทีละ 3 ดอลลาร์สหรัฐ สกุลเงินคือดอลลาร์สหรัฐ และบนเว็บยังมีข้อความระบุว่าราคาใกล้จะมีการปรับเปลี่ยน ให้ยึดราคาจริงหน้าชำระเงินเป็นหลัก

วิธีการคำนวณโควตาของการจ่ายรายปีกับรายเดือนไม่เหมือนกัน แบบรายปีจะให้โควตานาทีรวมทั้งปี ส่วนแบบรายเดือนจะเป็นโควตาต่อเดือนและมักจะสะสมไม่ได้ สำหรับคนที่เน้นทำเป็นกลุ่มก้อนในไตรมาสเดียว แบบรายปีจะคุ้มค่ากว่า ส่วนคนที่ปล่อยคลิปสม่ำเสมอทุกสัปดาห์ แบบรายเดือนจะยืดหยุ่นกว่า

เสียงและภาพลักษณ์ต้องได้รับอนุญาต การโคลนเสียงใช้เสียงของคนจริง หากต้องการก๊อปปี้เสียงของใคร จะต้องได้รับความยินยอมเป็นลายลักษณ์อักษรจากคนๆ นั้น ทั้งเรื่องสิทธิในตัวบุคคลตามประมวลกฎหมายแพ่งและพาณิชย์ หรือการคุ้มครองข้อมูลส่วนบุคคลเกี่ยวกับลักษณะทางชีวภาพอย่างเสียงพูด ล้วนไม่ใช่เรื่องที่จะเอาความคลุมเครือมาอ้างได้ หากในวิดีโอมีพนักงาน แขกรับเชิญ หรือคนเดินถนน ก่อนจะทำเวอร์ชันหลายภาษาควรถถามขอบเขตการได้รับอนุญาตให้ชัดเจน

ลิขสิทธิ์เพลงประกอบจะไม่หายไปเพียงเพราะมีการแปล เพลงประกอบที่เดิมทีได้รับอนุญาตให้ใช้เฉพาะในไต้หวัน พอทำเป็นเวอร์ชันญี่ปุ่นแล้วโยนไปที่ญี่ปุ่น ก็ยังคงเป็นปัญหาเดิมอยู่ดี

การซิงค์ริมฝีปากไม่ใช่ยาวิเศษ การสัมภาษณ์หรือการบรรยายที่เป็นช็อตเดี่ยวหน้าตรงคุ้มค่าที่จะเปิดใช้ ส่วนด้านข้าง, การเดินถ่ายทำ หรือการมีคนหลายคนอยู่ในเฟรมเดียวกัน ถ้าเปิดใช้จะทำให้บริเวณปากเบลอ ในกรณีแบบนั้นผมยอมเปลี่ยนแค่เสียงอย่างเดียวดีกว่า

เปรียบเทียบทางเลือกอื่นๆ

HeyGen — หากในมือไม่มีวิดีโอสำเร็จรูป มีแค่สคริปต์ข้อความ อวาตาร์ดิจิทัลของ HeyGen สามารถสร้างตัวคนออกมายืนพูดได้เลย แถมอินเทอร์เฟซยังใช้งานง่ายกว่า Rask เหมาะสำหรับทีมการตลาดที่ต้องการผลิตสื่อสั้นจำนวนมากอย่างรวดเร็ว

ElevenLabs — สายเสียงล้วนๆ สำหรับคอนเทนต์ที่ไม่มีความจำเป็นต้องซิงค์ปาก เช่น พอดแคสต์, เสียงบรรยาย (Voiceover), หนังสือเสียง ต้นทุนจะถูกกว่า รายละเอียดของคุณภาพเสียงดีกว่า และต่อ API ง่าย ข้อเสียคือต้องประกอบกระบวนการฝั่งวิดีโอด้วยตัวเอง

VEED.IO — หากความต้องการคือซับไตเติลหลายภาษา ไม่ใช่เสียงพากย์หลายภาษา ซับไตเติลภาษาของ VEED ครอบคลุมกว้างกว่า และยังตัดต่อวิดีโอให้เสร็จสับได้ในตัว แต่จำนวนภาษาพากย์จะน้อยกว่า Rask อยู่ช่วงหนึ่ง

สรุปง่ายๆ: เน้นความลึกของการพากย์เลือก Rask, อยากสร้างคนจำลองออกมายืนพูดเลือก HeyGen, เอาแค่เสียงเลือก ElevenLabs, ต้องการทั้งซับไตเติลและการตัดต่อเลือก VEED

ความเห็นจาก TheAI学院

Rask AI ทำเรื่อง "การแปลเสียงพากย์ท้องถิ่น" ออกมาได้ลึกซึ้งที่สุดในตลาดตอนนี้ แต่ตรรกะการคิดเงินตามนาทีของมัน จะบีบให้คุณต้องสร้างระเบียบวินัยในการตรวจทานต้นฉบับก่อนแล้วค่อยสร้างเสียง ซึ่งในแง่ของคุณภาพผลงานแล้วถือเป็นเรื่องดี

คำแนะนำที่เป็นรูปธรรมสำหรับผู้อ่านชาวไทย: อย่าเพิ่งรีบจ่ายแบบรายปี ให้ใช้โควตอฟรี 3 นาทีแรกก่อน ลองใช้เสียงของตัวเองรันการแปลจากภาษาจีนเป็นญี่ปุ่นดูสักรอบ ฟังดูว่าโทนเสียงเหมือนไหม รับน้ำเสียงได้หรือเปล่า จากนั้นคำนวณให้แน่ชัดว่าในอีก 12 เดือนข้างหน้า "จริงๆ" แล้วจะต้องทำวิดีโอภาษาต่างประเทศกี่นาที แล้วนำไปคูณด้วยจำนวนภาษาเพื่อเทียบกับแพ็คเกจ แบรนด์ SME ส่วนใหญ่ในไต้หวันใช้ไม่ถึง 300 นาทีต่อปี แพ็คเกจ Creator แบบรายปีก็เพียงพอแล้ว การกระโดดไปแพ็คเกจ Pro มักจะเป็นเพราะต้องการซิงค์ริมฝีปากสำหรับผู้พูดหลายคนและการทำงานร่วมกันเป็นทีม ไม่ใช่เพราะต้องการโควตา

ยังมีวิธีปฏิบัติที่สมจริงอีกอย่างคือ: ปล่อยเวอร์ชันซับไตเติลออกไปวัดกระแสในตลาดเป้าหมายก่อน ถ้าข้อมูลเริ่มมีสัญญาณที่ดีค่อยวนกลับมาทำเวอร์ชันเสียงพากย์ การแปลคือต้นทุน การพิสูจน์ตลาดต่างหากคือหัวใจสำคัญ

แหล่งที่มา

• เว็บไซต์ทางการ Rask AI
• หน้าแผนบริการและราคา Rask AI