คู่มือ AI Voice Cloning ฉบับสมบูรณ์สำหรับสตูดิโออิสระ

— หลุดพ้นจากการพึ่งพาแพลตฟอร์ม พูดด้วยเสียงของตัวเอง

บันทึกการสร้างระบบโคลนเสียงในเครื่องตั้งแต่ต้น รวมทุกปัญหาที่เจอ

---

ทำไมต้องทำแบบนี้?

แพลตฟอร์มสังเคราะห์เสียงในปัจจุบันมีอยู่สองแบบ

ฟรี — เสียงซ้ำกันทุกที่ วิดีโอของคุณฟังเหมือนวิดีโอคนอื่นทุกประการ ไม่มีเอกลักษณ์ ผู้ฟังแค่สามวินาทีก็รู้ว่าคุณใช้แพลตฟอร์มไหน จะหาจุดเด่นได้จากที่ไหน?

เสียเงิน — คิดตามจำนวนตัวอักษร ทุกครั้งที่สร้างเสียงต้องนับในใจว่าประโยคนี้ราคาเท่าไหร่ กำลังบันทึกอยู่ยังลังเลว่าจะอัดใหม่ไหม พอสเกลขึ้น ค่าใช้จ่ายรายเดือนกลายเป็นตัวเลขที่ทำให้ขมวดคิ้ว

มีทางที่สามไหม?

มี สร้างเอง

ใช้โมเดล AI โอเพนซอร์ส สร้างบริการสังเคราะห์เสียงในเครื่องบนคอมพิวเตอร์ของตัวเอง ใช้เสียงของตัวเอง สร้างเนื้อหาของตัวเอง ไม่จำกัดตัวอักษร ไม่มีค่าบริการ เสียงเป็นของคุณ สไตล์เป็นของคุณ นี่คือสิ่งที่สตูดิโออิสระควรเป็น

---

ระบบนี้คืออะไร?

หลายคนพอได้ยินว่า "สร้าง TTS เอง" ก็นึกว่าต้องเขียนโปรแกรมสังเคราะห์เสียงตั้งแต่ต้น

ไม่ใช่แบบนั้น

แนวคิดใกล้เคียงกับการ "ตั้ง server เอง" มากกว่า:

ชั้น	คืออะไร	คุณต้องทำอะไร
โมเดล AI	สมองของการสังเคราะห์เสียง ที่คนอื่นเทรนมาแล้ว	ดาวน์โหลดมาใช้
Framework	สภาพแวดล้อมที่ทำให้โมเดลรันได้	ติดตั้งและตั้งค่า
เสียงของคุณ	ตัวอย่างอ้างอิงสำหรับโมเดล	อัดเสียง 4–6 วินาที
โค้ดของคุณ	ส่วนเชื่อมต่อ input และ output	นี่คือส่วนที่คุณเขียน

เมื่อตั้งค่าเสร็จแล้ว คอมพิวเตอร์ของคุณจะรัน local service ที่มี Web interface ได้ทั้งใช้งานผ่านเบราว์เซอร์ หรือเรียก API จากโปรแกรม ทำให้มันเป็นส่วนหนึ่งของ pipeline อัตโนมัติของคุณ

โมเดลที่ใช้ในบทความนี้คือ GPT-SoVITS เหตุผลง่ายๆ: ผลลัพธ์ภาษาจีนเยี่ยมยอด อินเทอร์เฟซเป็นภาษาจีนทั้งหมด Voice Cloning ต้องการแค่ 4–6 วินาที โอเพนซอร์สและใช้เชิงพาณิชย์ได้ฟรี

---

คุณต้องมีอะไร?

ฮาร์ดแวร์

ระบบนี้ไม่ต้องการฮาร์ดแวร์สูง สภาพแวดล้อมทดสอบของบทความนี้คือ แล็ปท็อปธรรมดาที่ไม่มี GPU รันบน CPU ล้วนๆ

การตั้งค่า	เวลาสร้าง 100–200 ตัวอักษร
มี GPU NVIDIA (VRAM 6GB ขึ้นไป)	~10–30 วินาที
CPU เท่านั้น	~150–250 วินาที

ถ้าใช้งานไม่หนัก CPU ล้วนๆ ก็เพียงพอ บันทึกเสียงวิดีโอวันละไม่กี่ตอน รอไม่กี่นาทีได้ไฟล์เสียง อยู่ในระดับที่รับได้

ซอฟต์แวร์

• Windows 10 / 11
• Python (บทความนี้ใช้ 3.11 — อธิบายเหตุผลด้านล่าง)
• Miniconda (เครื่องมือจัดการเวอร์ชัน Python)
• VS Code (สภาพแวดล้อมการพัฒนา)
• Git

---

แนวคิดที่คุณต้องเข้าใจก่อน: Python virtual environment

ก่อนเริ่มติดตั้ง มีแนวคิดหนึ่งที่คุณต้องเข้าใจให้ชัด — ไม่เช่นนั้นจะสะดุดปัญหาซ้ำซาก

การจัดการแพ็กเกจของ Python มีแนวคิด "สภาพแวดล้อม"

ลองนึกภาพว่าคอมพิวเตอร์มีคลังสินค้าอิสระหลายแห่ง:

คอมพิวเตอร์ของคุณ
├── Python 3.14 ระดับระบบ (ค่าเริ่มต้น)
├── conda environment tts (Python 3.11 ที่เราสร้าง)
└── .venv (VS Code บางครั้งสร้างอัตโนมัติ)

แพ็กเกจในแต่ละคลัง แยกกันอย่างสมบูรณ์ สิ่งที่ติดตั้งในคลัง A มองไม่เห็นจากคลัง B

นี่คือเหตุผลที่หลายคนติดตั้งแพ็กเกจแล้วยังบ่นว่าหาไม่เจอ ติดตั้งแล้วแต่รันแล้วบอกไม่พบ สาเหตุมักมีอย่างเดียว — ติดตั้งผิดคลัง

GPT-SoVITS ต้องการ Python 3.11 แต่เครื่องคุณอาจมีเวอร์ชันใหม่กว่าอยู่แล้ว (สภาพแวดล้อมทดสอบของบทความนี้คือ 3.14) วิธีแก้คือใช้ Miniconda สร้าง environment Python 3.11 ที่แยกออกมาอย่างสมบูรณ์ ไม่กระทบกันกับ Python ของระบบ

เข้าใจแนวคิดนี้แล้ว ขั้นตอนติดตั้งด้านล่างจะไม่รู้สึกแปลก

---

ขั้นตอนการติดตั้ง

ขั้นที่ 1: ติดตั้ง Miniconda

รันคำสั่งใน VS Code terminal:

winget install Anaconda.Miniconda3

หลังติดตั้งเสร็จ ปิด VS Code และเปิดใหม่ เพื่อให้ environment variable มีผล (ผู้เขียนบทความนี้ทำทุกอย่างใน VS Code terminal คุณก็ใช้ terminal ของระบบแยกได้ — ผลลัพธ์เหมือนกัน)

หลังเปิดใหม่ อนุญาตให้ PowerShell รัน script:

Set-ExecutionPolicy -ExecutionPolicy RemoteSigned -Scope CurrentUser

ยืนยันว่า conda ติดตั้งสำเร็จ:

conda --version

เห็นเลขเวอร์ชันแสดงว่าสำเร็จ

---

ขั้นที่ 2: สร้าง environment Python 3.11

ยอมรับข้อกำหนดการให้บริการของ Anaconda (รันทีละบรรทัด แต่ละบรรทัดจะถามยืนยัน — พิมพ์ Y แล้วกด Enter):

conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/main
conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/r
conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/msys2

สร้าง environment เฉพาะ:

conda create -n tts python=3.11 -y

เปิดใช้งาน environment (ต้องทำทุกครั้งก่อนใช้):

conda activate tts

เมื่อ terminal เปลี่ยนจาก (base) เป็น (tts) แสดงว่าสำเร็จ

---

ขั้นที่ 3: ดาวน์โหลด GPT-SoVITS

ไปที่โฟลเดอร์ทำงานและ clone โปรเจกต์:

cd D:\โฟลเดอร์-ทำงาน-ของคุณ
mkdir tts-service
cd tts-service
git clone https://github.com/RVC-Boss/GPT-SoVITS.git
cd GPT-SoVITS

---

ขั้นที่ 4: ติดตั้งแพ็กเกจ

pip install -r requirements.txt

ขั้นนี้จะดาวน์โหลดแพ็กเกจจำนวนมาก ใช้เวลาไม่กี่นาที ให้รันจนเสร็จ

⚠️ ปัญหาที่เจอ: เวอร์ชันขัดแย้ง

หลังติดตั้ง requirements.txt เสร็จ บางแพ็กเกจเวอร์ชันขัดแย้งกัน ต้องแก้ด้วยตนเอง:

# gradio เวอร์ชันใหม่เกินไป — ดาวน์เกรด
pip install gradio==4.44.0

# ปัญหาเวอร์ชัน starlette และ fastapi
pip install "fastapi==0.115.0" "starlette>=0.37.2,<0.39.0"

# ปัญหาเวอร์ชัน jinja2
pip install jinja2==3.1.4

# แพ็กเกจที่ขาดหายไป
pip install psutil pyyaml ffmpeg-python
conda install -c conda-forge editdistance

⚠️ ปัญหาที่เจอ: torchaudio บน Windows

torchaudio เวอร์ชันใหม่บน Windows ต้องพึ่ง torchcodec แต่ torchcodec ไม่รองรับ Windows ต้องติดตั้งเวอร์ชันที่เข้ากันได้:

pip install torchaudio==2.9.0 torch==2.9.0

⚠️ ปัญหาที่เจอ: ทรัพยากรภาษา NLTK

ครั้งแรกที่สร้างข้อความผสมจีน-อังกฤษ ต้องดาวน์โหลดโมเดลภาษาอังกฤษของ NLTK:

python -c "import nltk; nltk.download('averaged_perceptron_tagger_eng')"

---

ขั้นที่ 5: ดาวน์โหลดโมเดล pre-trained

GPT-SoVITS ต้องการโมเดล pre-trained หลายตัวเพื่อทำงาน รวมประมาณ 3GB ดาวน์โหลดจาก HuggingFace:

python -c "from huggingface_hub import snapshot_download; snapshot_download('lj1995/GPT-SoVITS', local_dir='GPT_SoVITS/pretrained_models')"

เวลาดาวน์โหลดขึ้นกับความเร็วอินเทอร์เน็ต — ประมาณ 30 นาทีถึง 1 ชั่วโมง ถ้าค้างให้กด Ctrl+C แล้วรันใหม่ รองรับการดาวน์โหลดต่อจากจุดที่หยุด

ต้องสร้างโฟลเดอร์ cache สำหรับโมเดลตรวจจับภาษา:

mkdir GPT_SoVITS\pretrained_models\fast_langdetect

---

ขั้นที่ 6: เริ่มต้นบริการ

คำสั่งเริ่มต้นมาตรฐานสำหรับแต่ละเซสชัน:

conda activate tts
cd D:\โฟลเดอร์-ทำงาน-ของคุณ\tts-service\GPT-SoVITS
C:\Users\ชื่อผู้ใช้\miniconda3\envs\tts\python.exe webui.py

ทำไมต้องใช้ path Python แบบเต็ม? VS Code บางครั้ง auto-activate environment .venv ทับ environment tts ของเรา ใช้ path แบบเต็มรับประกันว่าจะรัน Python ที่ถูกต้องเสมอ ไม่ถูกรบกวน

เมื่อเริ่มต้นสำเร็จ terminal จะแสดง:

Running on local URL: http://0.0.0.0:9874

เบราว์เซอร์จะเปิดอัตโนมัติและโหลด http://localhost:9874 — local server ของคุณทำงานแล้ว ทั้งระบบรันบนคอมพิวเตอร์ของคุณเอง

---

สร้างเสียงของคุณครั้งแรก

เตรียมตัวอย่างเสียง

ก่อนเริ่ม คุณต้องมีเสียงบันทึกของตัวเองเป็น reference audio

คำแนะนำการบันทึก:

• ความยาว: 5–10 วินาที
• สภาพแวดล้อม: ห้องเงียบ ปิดพัดลมและแอร์
• อุปกรณ์: โทรศัพท์ก็เพียงพอ ไมค์โทรศัพท์สมัยใหม่รองรับ Voice Cloning ได้ดี จริงๆ ผู้เขียนทดสอบครั้งแรกด้วยไมค์ในตัวแล็ปท็อป... แปลกดีที่ก็ได้ผล
• เนื้อหา: พูดตามธรรมชาติ ไม่ต้องเตรียมบท
• รูปแบบ: MP3 หรือ WAV ก็ได้

โอนไฟล์บันทึกไปเก็บในตำแหน่งที่แน่นอน (เช่น D:\tts-service\my_voice.wav) ทุกเซสชันใช้ไฟล์เดิมนี้ ไม่ต้องบันทึกใหม่

---

เปิด inference interface

1. เปิด http://localhost:9874 ในเบราว์เซอร์
2. คลิกแท็บ 1-GPT-SoVITS-TTS
3. คลิก sub-tab 1C-Inference
4. กดปุ่มสีส้ม "Open TTS Inference WebUI"
5. ⚠️ ปุ่มอาจไม่ตอบสนองนานกว่า 30 วินาที — นี่เป็นเรื่องปกติ (บทความนี้ใช้แล็ปท็อปรุ่นเก่าไม่มี GPU ความเร็วช้ากว่าปกติ) รอด้วยความอดทน อย่ากดซ้ำ
6. เมื่อเริ่มต้นแล้ว แท็บเบราว์เซอร์ใหม่จะเปิดและโหลด http://localhost:9872 — นี่คือ interface สร้างเสียงจริง

---

การตั้งค่าพารามิเตอร์

พารามิเตอร์แนะนำสำหรับสไตล์นำเสนอการเงินที่สงบนิ่ง:

พารามิเตอร์	ค่าแนะนำ	หมายเหตุ
ความเร็วพูด	1.1	เร็วกว่าธรรมชาติเล็กน้อย ฟังดูมีจังหวะมากขึ้น
หยุดระหว่างประโยค	0.2 วินาที	การหยุดตามธรรมชาติระหว่างประโยค
top_k	5	ยิ่งน้อยยิ่งเสถียร เหมาะกับเนื้อหาทางการ
top_p	0.8	โหมดระมัดระวัง ลดการออกเสียงผิดธรรมชาติ
temperature	0.7–1.0	ยิ่งน้อยยิ่งแบน ยิ่งมากยิ่งมีอารมณ์
ตัดตามเครื่องหมายวรรคตอน	เปิด	สำคัญมาก ทำให้น้ำเสียงเป็นธรรมชาติมากขึ้น

"ตัดตามเครื่องหมายวรรคตอน" คือการตั้งค่าที่ส่งผลต่อความเป็นธรรมชาติมากที่สุด เมื่อเปิด โมเดลจะหยุดตามธรรมชาติที่จุดและลูกน้ำ ฟังดูเหมือนคนพูดมากกว่าเครื่องอ่านข้อความ

---

หมายเหตุสำหรับข้อความผสมจีน-อังกฤษ

การผสมจีน-อังกฤษยากที่สุดสำหรับ TTS — จุดเปลี่ยนภาษาทำให้มีความลังเลเล็กน้อย

การปรับปรุง: เพิ่มลูกน้ำก่อนคำนามเฉพาะภาษาอังกฤษเพื่อให้โมเดลมีช่วงเปลี่ยนภาษา นอกจากนี้ถ้าไม่อยากให้เสียง "มั่ว" เหมือนผู้เขียนตอนแรก ให้แยกชื่อแบรนด์ภาษาอังกฤษด้วยช่องว่าง เช่น Space X เพื่อให้โมเดลออกเสียงเป็นธรรมชาติแทนที่จะอ่านรวมกัน:

# เดิม
SpaceX จดทะเบียนในตลาดหลักทรัพย์

# ปรับปรุงแล้ว
，SpaceX จดทะเบียนในตลาดหลักทรัพย์

เทคนิคเล็กๆ นี้ปรับปรุงความลังเลตอนเปลี่ยนภาษาได้ชัดเจน

---

เวลาสร้างอ้างอิง (โหมด CPU)

ความยาวข้อความ	เวลาโดยประมาณ
น้อยกว่า 50 ตัวอักษร	~50–80 วินาที
100–200 ตัวอักษร	~150–250 วินาที
500+ ตัวอักษร	~10–15 นาที

⚠️ สำคัญ: อย่าใช้เบราว์เซอร์ขณะกำลังสร้างเสียง เมื่อ CPU ประมวล TTS ทรัพยากรทั้งหมดโฟกัสที่การคำนวณ การเลื่อนหน้าจะแย่งทรัพยากรและทำให้เสียงที่ออกมากระตุก

วิธีทำงานที่แนะนำ: กดสร้าง แล้วไปทำอย่างอื่น กลับมาฟังผลลัพธ์

---

ส่งออกและบันทึก

เมื่อสร้างเสร็จ interface จะแสดง player และปุ่มดาวน์โหลด

• คลิกดาวน์โหลด ชื่อไฟล์คือ audio.wav
• บันทึกในโฟลเดอร์ดาวน์โหลดเริ่มต้นของเบราว์เซอร์
• ⚠️ ทุกครั้งที่ดาวน์โหลดจะทับไฟล์เดิม — เปลี่ยนชื่อเวอร์ชันที่ถูกใจทันที

---

รวมเข้า pipeline อัตโนมัติ

GPT-SoVITS มี API ให้เรียกจากโปรแกรมได้โดยตรง ไม่ต้องใช้ Web interface ทุกครั้ง

การเรียกพื้นฐาน:

import requests

response = requests.get("http://localhost:9880", params={
    "text": "วันนี้เราจะพูดถึง...",
    "text_lang": "zh",
    "ref_audio_path": "D:/tts-service/my_voice.wav",
    "prompt_text": "เนื้อหาที่ reference audio พูด",
    "prompt_lang": "zh"
})

with open("output.wav", "wb") as f:
    f.write(response.content)

แบบนี้ pipeline ผลิตวิดีโอทั้งสายสามารถทำงานอัตโนมัติได้ (ส่วนสร้างข้อความใช้ Claude หรือ AI แพลตฟอร์มอื่นก็ได้ แล้วแต่ความถนัด):

Claude สร้างบทพูด
    ↓
GPT-SoVITS API สร้างเสียง
    ↓
FFmpeg รวมวิดีโอ
    ↓
ผลลัพธ์สุดท้าย

---

แผนอนาคต

• นำขึ้น cloud / MCP: นำบริการ TTS ในเครื่องไปไว้บน cloud server หรือห่อเป็น MCP tool ให้ AI เรียกตรงๆ ทั้งสองแนวทางมีสาระเหมือนกัน — ทำให้บริการนี้กลายเป็น API ที่เรียกจากระยะไกลได้ตลอดเวลา ไม่ต้องพึ่งแล็ปท็อปในเครื่อง
• Fine-tune เสียง: ใช้การบันทึกเสียงของตัวเองมากขึ้นเพื่อเทรนโมเดลเฉพาะ เพิ่มความคล้ายและความเป็นธรรมชาติของเสียง

---

บทสรุป

จาก "จ่ายเงินค่าแพลตฟอร์มจนเจ็บปวด" ถึง "รันบริการโคลนเสียงบนคอมพิวเตอร์ของตัวเอง" — ระยะทางนั้นแค่บ่ายวันเดียว (หรือนอนหลับแล้วสู้ต่ออีกครึ่งวัน) และความอดทนผ่านปัญหา

ปัญหามีจริง เวอร์ชันขัดแย้ง สภาพแวดล้อมยุ่งเหยิง ปัญหา Windows compatibility — ทั้งหมดนี้เป็นส่วนหนึ่งของกระบวนการ และนั่นคือเหตุผลที่บทความนี้บันทึกทุกข้อผิดพลาดไว้

คุณไม่จำเป็นต้องเป็นวิศวกรเพื่อทำสิ่งนี้ คุณแค่ต้องยินดีทำทีละขั้น — และเมื่อเจอข้อผิดพลาด อย่าตื่นตระหนก คัดลอกข้อความแจ้งข้อผิดพลาดไปถาม AI

เสียงเป็นของคุณ ระบบเป็นของคุณ เนื้อหาเป็นของคุณ

นั่นคือสิ่งที่สตูดิโออิสระควรเป็น

---

อ่านเพิ่มเติม

• ภาพรวมการผสานเครื่องมือ AI เข้ากับการตลาด

---

สภาพแวดล้อมทดสอบ: Windows 11, แล็ปท็อปไม่มี GPU, Python 3.11, GPT-SoVITS เวอร์ชันล่าสุด
วันที่สร้าง: มิถุนายน 2026