ยังต้องจ้างคนพากย์เสียงสำหรับวิดีโอสั้นอยู่หรือเปล่า? อัดเสียงซ้ำหลายสิบรอบจนเสียงแหบ? อยากโคลนเสียงตัวเองเป็น "ตัวตนดิจิทัล" เพื่อผลิตเนื้อหาแบบจำนวนมาก?โรงงานเสียงเวทมนตร์(MOSS-TTS-Nano v0.1.0) เป็นเครื่องมือสังเคราะห์เสียงในเครื่องที่ฟรีจริง ออฟไลน์เต็มรูปแบบ และรันได้บน CPU คุณเพียงแค่ป้อนข้อความและให้ไฟล์เสียงตัวอย่าง มันก็จะสร้างไฟล์เสียงที่มีโทนเสียงเดียวกัน บทความนี้จะนำเสนอวิธีดาวน์โหลดและติดตั้ง 魔音工厂 พร้อม 3 กรณีศึกษาทดสอบจริงและคำตอบคำถามที่พบบ่อย ช่วยให้คุณสร้างสายการผลิตพากย์เสียง AI เส้นแรกได้ภายใน 3 นาที
魔音工厂 MOSS-TTS-Nano เป็นเครื่องมือสังเคราะห์เสียงออฟไลน์ในเครื่องฟรี พัฒนาต่อยอดจากโปรเจกต์โอเพนซอร์ส OpenMOSS MOSS-TTS-Nano (Apache 2.0) โดยนักพัฒนาในประเทศได้ปรับแต่งอินเทอร์เฟซภาษาจีนและห่อระบบเปิดใช้งานในคลิกเดียว ใช้ได้ทันที
พูดง่ายๆ คือ:เปลี่ยนข้อความเป็นเสียง ไม่ต้องต่ออินเทอร์เน็ต ไม่ต้องจ่ายเงิน รันบน CPU ได้ และยังโคลนโทนเสียงจากไฟล์เสียงตัวอย่างได้
ป้อนข้อความใดก็ได้ เลือกโทนเสียง สร้างไฟล์เสียง WAV สเตอริโอ 48kHz ในคลิกเดียว คุณภาพเสียงใกล้เคียงเสียงคนจริง
ตัวอย่างการใช้งาน:ป้อน "สวัสดี ยินดีต้อนรับติดตามช่องของฉัน" ในกล่องข้อความ แล้วคลิกสร้าง
ให้ไฟล์เสียงตัวอย่าง 5-10 วินาที AI จะเรียนรู้ลักษณะโทนเสียงและสร้างเสียงที่ตรงกับโทนเสียงตัวอย่าง
ตัวอย่างการใช้งาน:อัปโหลดไฟล์เสียงที่คุณอ่านเอง → ติ๊ก "โคลนเสียง" → ป้อนข้อความเพื่อสร้างเสียงเดียวกัน
รองรับ 20 ภาษาทั้งจีน อังกฤษ ญี่ปุ่น เกาหลี ฝรั่งเศส เยอรมัน ฯลฯ สลับได้อย่างอิสระเพื่อสร้างเสียงพากย์หลายภาษา
ตัวอย่างการใช้งาน:เลือก "English" ในเมนู dropdown ภาษา ป้อนข้อความภาษาอังกฤษเพื่อสร้างเสียงพากย์ภาษาอังกฤษ
หลังจากดาวน์โหลดไฟล์โมเดลลงเครื่องแล้ว สามารถรันได้โดยไม่ต้องต่ออินเทอร์เน็ต ไม่สิ้นเปลืองโควตา API ไม่มีค่าสมาชิกรายเดือน
ตัวอย่างการใช้งาน:หลังเปิดครั้งแรกแล้วสลับเป็นโหมดเครื่องบิน ก็ยังสร้างเสียงได้ตามปกติ
ปรับแต่งประสิทธิภาพสำหรับ CPU อย่างล้ำลึก ใช้หน่วยความจำ 4GB ก็รันได้ลื่นไหล ไม่ต้องพึ่งการเร่งความเร็ว GPU
ตัวอย่างการใช้งาน:โน้ตบุ๊กสำนักงานรุ่นเก่าก็รันได้โดยตรง ไม่ต้องใช้การ์ดจอแยก

| กรณีตัวอย่าง | เนื้อหาที่ป้อน | ไฮไลต์และความคิดเห็น | : เวลาสร้าง/ความพร้อมใช้ |
|---|---|---|---|
| พากย์เสียงวิดีโอสั้น | เสียงดิบ 8 วินาที + บทพากย์ 30 ตัวอักษร | ถ่ายทอดโทนเสียงและน้ำเสียงของไฟล์เสียงตัวอย่างได้อย่างสมบูรณ์แบบ แม้จังหวะหายใจก็ใกล้เคียงคนจริง พากย์ให้ช่องเล่าความรู้ 3 วิดีโอ ผ่านในเทคเดียว ไม่ต้องตัดต่อภายหลัง รีวิว: ทดแทนการพากย์เสียงด้วยคนได้อย่างสมบูรณ์ | 7 วินาที/รายการ ★★★★★ |
| การผลิตเนื้อหาหลายภาษา | ข้อความภาษาจีน 50 ตัวอักษร เลือกเสียงภาษาอังกฤษ | การออกเสียงภาษาอังกฤษเป็นธรรมชาติลื่นไหล ไม่มีความรู้สึกเหมือนเครื่องจักรชัดเจน ใช้ได้โดยตรงกับวิดีโอเวอร์ชันภาษาอังกฤษของบัญชีสองภาษา รีวิว: การสลับหลายภาษาสะดวกมาก ประหยัดปัญหาการอัดเสียงใหม่ | 4 วินาที/รายการ ★★★★☆ |
| หนังสือเสียง / การอ่านข้อความยาว | บทนวนิยาย 500 ตัวอักษร | สร้างแบบแบ่งตามประโยค เมื่อต่อกันแล้วฟังเป็นธรรมชาติ การแบ่งประโยคและจังหวะหยุดค่อนข้างสมเหตุสมผล รีวิว: เหมาะสำหรับทำเนื้อหาหนังสือเสียงแบบเป็นชุด แต่ข้อความยาวแนะนำให้แบ่งสร้างครั้งละ 3-5 ประโยคแล้วค่อยต่อ จะได้ผลลัพธ์ที่เสถียรกว่า | ประมาณ 20 วินาที/ช่วง ★★★★☆ |
ดาวน์โหลดไฟล์บีบอัด 魔音工厂 จากหน้า Release ของโปรเจกต์ แตกไฟล์ไปยังพาธที่เป็นภาษาอังกฤษทั้งหมด เช่น D:\moss\หลีกเลี่ยงชื่อโฟลเดอร์ภาษาจีนที่อาจทำให้เกิดข้อผิดพลาดในการเปิดโปรแกรม ไฟล์บีบอัดมีไฟล์โมเดลครบถ้วน (ครั้งแรกประมาณ 728MB) แนะนำให้สำรองพื้นที่ดิสก์ 2GB
หลังแตกไฟล์ ให้ดับเบิลคลิกที่ 启动.batโปรแกรมจะเริ่มบริการในเครื่องและเปิดหน้าจอการใช้งานในเบราว์เซอร์โดยอัตโนมัติ ขณะนี้จะมีหน้าต่างบรรทัดคำสั่งสีดำอย่าปิดมันการปิดจะเป็นการออกจากโปรแกรม
ในหน้าจอเบราว์เซอร์ วาง/ป้อนข้อความที่ต้องการสังเคราะห์ เลือกภาษาและเสียง (หรืออัปโหลดไฟล์เสียงอ้างอิงเพื่อเปิดใช้การโคลนเสียง) คลิกปุ่ม «สร้าง» รอสักครู่ ก็สามารถฟังตัวอย่างและดาวน์โหลดไฟล์ 48kHz WAV ได้ ในตัวเลือกขั้นสูงสามารถปรับความยาวต่อการสร้างครั้งเดียวได้ถึง 60 วินาทีหรือนานกว่านั้น
💡 เคล็ดลับการใช้งาน:หากต้องการผลลัพธ์การโคลนเสียงที่ดีที่สุด แนะนำให้ไฟล์เสียงอ้างอิงเป็นเสียงคนที่สะอาดความยาว 5-10 วินาที (ไม่มีเพลงประกอบ ไม่มีเสียงก้อง) หากสร้างข้อความยาว ให้ปิดการตรวจจับความเงียบในตัวเลือกขั้นสูงก่อน แล้วแบ่งสร้างหลายช่วง สุดท้ายใช้ซอฟต์แวร์ตัดต่อเชื่อมต่อเข้าด้วยกัน
| มิติที่เปรียบเทียบ | โรงงานเสียงเวทมนตร์ | Microsoft Azure TTS | OpenAI TTS |
|---|---|---|---|
| วิธีการชำระเงิน | ฟรีและโอเพนซอร์ส | ¥50-200/เดือน | ¥15-100/เดือน |
| ข้อกำหนดด้านเครือข่าย | ออฟไลน์เต็มรูปแบบ | ต้องเชื่อมต่ออินเทอร์เน็ต | ต้องเชื่อมต่ออินเทอร์เน็ต |
| การโคลนเสียง | รองรับ | มีเฉพาะเวอร์ชันองค์กร | รองรับ |
| ข้อกำหนดเอาต์พุต | 48kHz สเตอริโอ WAV | 48kHz | 24kHz |
| ข้อกำหนดด้านฮาร์ดแวร์ | ใช้ CPU ก็เพียงพอ RAM 4GB | ไม่มีข้อกำหนดพิเศษ (คลาวด์) | ไม่มีข้อกำหนดพิเศษ (คลาวด์) |
ฟรี completamente และไม่ต้องลงทะเบียน พัฒนาต่อยอดภายใต้สัญญาอนุญาตโอเพนซอร์ส Apache 2.0 จะไม่มีฟังก์ชันถูกตัดทอนหรือมีค่าใช้จ่ายแอบแฝง
ค่าเริ่มต้นจะสร้างประมาณ 30 วินาทีต่อครั้ง สามารถปรับเป็น 60 วินาทีหรือนานกว่านั้นได้ในตัวเลือกขั้นสูง แต่สำหรับข้อความยาวแนะนำให้แบ่งสร้างเป็นส่วนๆ แล้วนำมาต่อกัน จะมีความเสถียรสูงกว่า
ได้ ลิขสิทธิ์ของเสียงที่สร้างขึ้นเป็นของคุณ สามารถใช้ได้อย่างอิสระในวิดีโอเชิงพาณิชย์ โฆษณา เนื้อหาเสียง ฯลฯ โดยไม่มีลายน้ำหรือข้อจำกัดใดๆ
Windows 10/11 หน่วยความจำ 4GB ก็ใช้งานได้ ไม่ต้องใช้การ์ดจอแยก ครั้งแรกที่เปิดจะดาวน์โหลดไฟล์โมเดลประมาณ 728MB หลังจากนั้นใช้งานแบบออฟไลน์ได้ทั้งหมด
ในไฟล์บีบอัดมีคู่มือการใช้งานโดยละเอียดแนบมาด้วย อินเทอร์เฟซเป็นภาษาจีนทั้งหมด เพียงทำตามคำแนะนำก็ใช้ได้ หรือจะดูบทแนะนำ 3 ขั้นตอนในบทความนี้ก็ได้ โดยพื้นฐานแล้วใช้เวลาไม่เกิน 3 นาทีก็เริ่มใช้งานได้
ปัญหาหลักที่ 魔音工厂 แก้ไขคือ“ต้นทุนการพากย์เสียงสูง ขั้นตอนยุ่งยาก”มันย่อกระบวนการแปลงข้อความเป็นเสียง การโคลนเสียง และการสร้างหลายภาษา ให้กลายเป็นเครื่องมือในเครื่องที่ไม่ต้องเชื่อมต่ออินเทอร์เน็ต ไม่ต้องใช้การ์ดจอ และไม่ต้องเสียเงิน เหมาะอย่างยิ่งสำหรับครีเอเตอร์วิดีโอสั้น ผู้ดำเนินการสื่อส่วนตัว ผู้ผลิตหนังสือเสียง และทุกคนที่ต้องการสื่อประกอบเสียงจำนวนมากแต่ไม่อยากเปิดเผยเสียงของตัวเอง แนะนำให้คุณลองทำการพากย์เสียงครั้งแรกให้สำเร็จภายใน 3 นาที จากนั้นลองโคลนเสียงของคุณเองเป็น ”ตัวตนดิจิทัล” นั่นแหละคือช่วงเวลาที่ประสิทธิภาพจะพุ่งสูงอย่างแท้จริง
🎙️ ดาวน์โหลด 魔音工厂 MOSS-TTS-Nano ตอนนี้ เปิดสายการผลิตสังเคราะห์เสียงในเครื่องของคุณเลย!