วิธีพากย์เสียงวิดีโอสั้น: สร้างเสียงบรรยายจังหวะพอดีจากสคริปต์

การใส่เสียงบรรยายให้วิดีโอสั้น ปัญหาที่พบบ่อยที่สุดไม่ใช่ไม่มีเสียง แต่คือเสียงกับภาพไม่ตรงกัน: เสียงบรรยายยังอ่านประโยคเดิมอยู่ ภาพตัดไปช็อตถัดไปแล้ว หรือภาพหยุดอยู่ที่ภาพใกล้ผลิตภัณฑ์ แต่เสียงบรรยายจบไปนานแล้ว ลำดับที่ถูกต้องของการพากย์คือทำกลับด้าน: ดูก่อนว่าภาพตัดอย่างไร แล้วจึงตัดสินใจว่าเสียงบรรยายแต่ละช่วงจะพูดอะไร พูดนานเท่าไร ข้อความเป็นคำพูด ของ PixMind เปลี่ยนสคริปต์แต่ละช่วงให้เป็น MP3 ได้ ส่วนเสียงบรรยายจะสอดแทรกกับภาพได้หรือไม่ ขึ้นกับการบ้านแยกส่วนก่อนลงมือเขียน

เปิดใช้ข้อความเป็นคำพูด เปิดวิดีโอสั้นที่ตัดเสร็จไว้ข้างตัว สร้างและดาวน์โหลดเสียงบรรยายแยกทีละช่วง แล้วจึงนำไปใส่ในเครื่องมือตัดต่อ

ประเด็นสำคัญ

• แยกเสียงบรรยายตามช่วงภาพก่อน แล้วจึงเขียนข้อความ แต่ละช่วงรับหน้าที่สื่อสารเพียงหนึ่งเรื่อง ความยาวยึดภาพเป็นหลัก
• ขีดจำกัดตัวอักษรต่อการสร้างหนึ่งครั้ง: ผู้ไม่ได้เข้าสู่ระบบและแพ็กเกจฟรี 100 ตัวอักษร สมาชิกแบบชำระเงิน 10000 ตัวอักษร หน้าเพจเก็บผลลัพธ์ไว้ครั้งละหนึ่งช่วง จึงต้องสร้างทีละช่วงและดาวน์โหลดทีละช่วง
• ความยาวยึดผลลัพธ์ที่สร้างจริง: แถบเล่นแสดงความยาวรวมของไฟล์เสียงแต่ละช่วง วัดหนึ่งช่วงก่อนแล้วจัดทั้งเรื่อง ไม่ต้องใช้สูตรแปลงจำนวนตัวอักษรเป็นวินาที
• การนำเสียงบรรยายใส่วิดีโอเป็นขั้นตอนตัดต่อภายนอก ซับไตเติลทำหลังเพลงเสียงตกลงสุดท้ายแล้ว โดยใช้เครื่องมือแปลงวิดีโอเป็นข้อความสร้างจากวิดีโอฉบับสมบูรณ์

แยกเสียงบรรยายตามจังหวะภาพก่อน

การกระทำแรกของการพากย์ไม่ใช่การพิมพ์ แต่คือการดูภาพ ดูวิดีโอสั้นที่ตัดเสร็จให้ครบสองรอบ: รอบแรกจดลำดับช็อต รอบสองเอ่ยตามภาพเบา ๆ รู้สึกว่าภาพแต่ละช่วงรับประโยคได้กี่ประโยค แล้วจึงแยกท่อนวิดีโอตามหน้าที่ของช็อต

ยกตัวอย่างวิดีโอสั้นผลิตภัณฑ์ความยาวราว 15 วินาที แยกเป็นสามช่วง: เปิด สาธิต และปิด:

ความยาวของแต่ละช่วงมาจากภาพเอง เสียงบรรยายต้องเติมลงในช่วงเวลานี้ ไม่ใช่ให้ภาพต้องรอเสียงบรรยาย ถ้าเขียนบทยาวก่อนแล้วค่อยยัดลงภาพ มักเหลือทางเดียวคือเร่งความเร็วพูดแบบหักโหม ความรู้สึกตอนฟังแย่ลงทันที เวลาอ่านบทแนะนำผลิตภัณฑ์ 300 ตัวอักษรจบ มักเกินความยาววิดีโอทั้งเรื่องอยู่แล้ว

การแยกช่วงมีประโยชน์ใช้งานอีกชั้นหนึ่ง: การสร้างหนึ่งครั้งจำกัดตามจำนวนตัวอักษร ผู้ไม่ได้เข้าสู่ระบบและแพ็กเกจฟรีได้สูงสุด 100 ตัวอักษรต่อครั้ง สมาชิกแบบชำระเงินผ่อนเป็น 10000 ตัวอักษร เสียงบรรยายแต่ละช่วงที่แยกตามสตอรี่บอร์ดมักต่ำกว่าขีดจำกัดมาก ช่วงละหนึ่งชิ้น พอดีกับการสร้างทีละช่วง

ปรับสคริปต์ข้อความให้เป็นถ้อยคำที่ฟังแล้วเข้าใจ

ผู้ชมในวิดีโอสั้นฟังเสียงบรรยาย ไม่ได้อ่านเสียงบรรยาย มาที่วิธีเขียน มีสองเรื่องที่ส่งผลมากที่สุด

เรื่องแรก ตัดข้อมูลที่ภาพอธิบายแล้วออก ภาพกำลังสาธิตการบิดฝา เสียงบรรยายไม่ต้องพูดว่า "ต่อไปบิดฝาให้แน่น" กล้องให้ภาพใกล้ผลงานเสร็จแล้ว เสียงบรรยายก็ไม่ต้องกล่าวซ้ำว่า "เห็นได้ว่าผลงานละเอียดมาก" เสียงบรรยายพูดเฉพาะสิ่งที่ภาพบอกไม่ได้: ชื่อ การใช้งาน และเหตุผลเบื้องหลังการกระทำ

เรื่องที่สอง ประโยคละหนึ่งประเด็น ใช้เครื่องหมายวรรคตอนคุมจังหวะหยุด จุลภาคคือหยุดสั้น มหัพภาคคือจังหวะเปลี่ยนลมหายใจ ประโยคสั้นเทียบจุดตัดภาพได้ง่ายกว่าประโยคยาว และให้เวลาผู้ฟังย่อยสารไปด้วย

ยกช่วงสาธิตเป็นตัวอย่าง ร่างแรก: "ผลิตภัณฑ์นี้ใช้งานง่าย ทำได้เพียงสามขั้นตอน: ขั้นแรกใส่ผลไม้ลงในแก้ว จากนั้นบิดฝาให้แน่น สุดท้ายกดปุ่มสตาร์ท อีกไม่กี่สิบวินาทีก็ดื่มน้ำผลไม้สดได้" ฉบับแก้ใหม่: "สามขั้นเสร็จ ผลไม้ใส่ลง ฝาบิดแน่น กดปุ่มสตาร์ท ไม่กี่สิบวินาที ได้แก้วคั้นสด" ฉบับแก้ตัดสิ่งตกแต่งออก เพิ่มจังหวะหยุด แต่ละประโยคทับช็อตการใช้งานหนึ่งช็อตพอดี

อ้อ เขียนตัวเลขและรุ่นให้เป็นรูปที่ต้องการให้อ่านออกมาเสียงนั้น ถ้าอยากให้ "3 ขั้น" ถูกอ่านเป็น "สามขั้น" ให้เขียนเป็นคำแทนตัวเลขเลย ส่วนการอ่านอักษรกับตัวเลขในชื่อรุ่นที่ต่อกันจะเป็นธรรมชาติหรือไม่ ยึดผลลัพธ์ที่สร้างเป็นหลัก

ฟังทดลองแล้วเลือกเสียงที่เหมาะสม

เสียงไม่มีคำตอบเดียว เปลี่ยนโทนเสียงกับสคริปต์เดียวกัน อารมณ์ของทั้งเรื่องก็เปลี่ยนตาม วิธีเลือกตรงไปตรงมา: ใช้สคริปต์ช่วงเดียวกัน แนะนำเป็นประโยคเปิดเรื่อง สร้างเป็นสองโทนเสียงแยกกัน ฟังจบแล้วจึงตัดสิน

ตอนเปรียบเทียบดูสองเรื่อง หนึ่งคือสไตล์เนื้อหา: การสาธิตผลิตภัณฑ์มักเหมาะกับเสียงสดใสคมชัด เนื้อหาประเภทอธิบายกินพื้นที่ด้วยน้ำเสียงนิ่ง ๆ สบาย ๆ สองคือความชัด: เน้นฟังชื่อผลิตภัณฑ์ ตัวเลข และจุดที่อ่านติดกัน โทนไหนไม่กลืนคำ ไม่คลุมเครือ สำคัญกว่าโทนไหนเพราะกว่า

หน้าต่างเลือกเสียงกรองตามเอนจินและภาษาได้ เอาเมาส์ไปชี้ที่เสียงจะฟังตัวอย่างได้ทันที ตัวอย่างใช้ตัดสินอารมณ์ของเสียงได้เท่านั้น ผลสุดท้ายยึดผลลัพธ์จากสคริปต์ของคุณเอง ไม่ต้องตั้งสมมติฐานว่าเอนจินใดดีที่สุดสำหรับทุกงาน ลองเพิ่มอีกหนึ่งสองเสียง ไม่กี่นาทีก็ตัดสินใจได้

ใช้ความยาวจริงที่วัดมาปรับข้อความและความเร็วพูด

ความยาวเสียงบรรยายเหมาะสมหรือไม่ เดาไม่ได้ วิธีที่ทำได้จริงคือวัดหนึ่งช่วงก่อน แล้วจึงจัดทั้งเรื่อง

หลังสร้างช่วงเปิดเรื่อง แถบเล่นบนหน้าเพจจะแสดงความยาวรวมของไฟล์เสียงช่วงนี้ กดดาวน์โหลดจะได้ไฟล์ MP3 ที่ขึ้นต้นด้วย pixmind-tts- พร้อมไทม์สแตมป์ เอาไปใส่ในเครื่องเล่นหรือแทร็กตัดต่อในเครื่องเพื่อตรวจซ้ำอีกครั้ง จดความยาวของทั้งสามช่วงไว้ แล้วเทียบกับความยาวภาพในสตอรี่บอร์ด:

1. เสียงบรรยายยาวกว่าภาพ: ตัดบทก่อน ลบคำตกแต่งและข้อมูลซ้ำที่ฟังหรือไม่ฟังก็ได้ออก ได้ผลกว่าปรับความเร็วพูด สิ่งที่ลบคือภาระ ไม่ใช่ความชัดเจน
2. ยังขาดอยู่นิดหน่อย: ค่อยปรับความเร็วพูดเล็กน้อย ช่วงความเร็วต่างกันตามเอนจิน แถบเลื่อนของเอนจิน Microsoft อยู่ระหว่าง -100% ถึง +100% (ค่าเริ่มต้น 0) เอนจิน Volcengine 0.8x ถึง 2.0x (ค่าเริ่มต้น 1.0x) MiniMax 0.5x ถึง 2.0x (ค่าเริ่มต้น 1.0x) ปรับทีละก้าวเล็ก ๆ แก้หนึ่งครั้งก็สร้างใหม่และฟังซ้ำหนึ่งรอบ
3. เสียงบรรยายสั้นกว่าภาพ: ไม่จำเป็นต้องพูดช้าลงเพื่อให้เต็ม การเว้นให้ภาพมีเวลาว่างจากเสียงบรรยายหนึ่งสองวินาที มักได้ผลดีกว่าการพูดติดภาพทุกประโยค

ที่นี่จะไม่ให้สูตรแปลง "กี่ตัวอักษรเท่ากับกี่วินาที" เพราะสูตรแบบนี้ไม่น่าเชื่อถือในตัวมันเอง: เสียงต่างโทนมีความเร็วพื้นฐานต่างกัน การหยุดตามวรรคตอนและวิธีอ่านตัวเลขล้วนเปลี่ยนความยาวจริง บทเดียวกันเปลี่ยนสองโทนเสียง ความยาวอาจต่างกันเห็นชัด แทนที่จะจำสูตร วัดช่วงเปิดเรื่องออกมา แล้วใช้ความยาวจริงเป็นเกณฑ์

การสร้างแบบแยกช่วงยังต้องรักษาความสม่ำเสมอ: เสียงบรรยายทุกช่วงของเรื่องเดียวกันใช้โทนเสียงเดียวและชุดพารามิเตอร์เดียว จังหวะจึงต่อเนื่อง เมื่อสลับเอนจิน ความเร็วพูดและระดับเสียงจะกลับเป็นค่าเริ่มต้น จึงควรจดค่าที่ปรับไว้ก่อนลงมือ หน้าเพจเก็บผลลัพธ์ครั้งละหนึ่งช่วง สร้างหนึ่งช่วง ดาวน์โหลดหนึ่งช่วง แล้วจึงทำช่วงถัดไป

ใส่เสียงบรรยายในเครื่องมือตัดต่อและเติมซับไตเติล

MP3 ต้องเข้าเครื่องมือตัดต่อจึงจะกลายเป็นวิดีโอฉบับเสร็จ ขั้นตอนนี้ทำนอก PixMind ใช้ซอฟต์แวร์ใดก็ได้ ขั้นตอนทั่วไปเป็นดังนี้:

1. สร้างโปรเจกต์ใหม่ นำเข้าภาพและไฟล์ MP3 เสียงบรรยายสามช่วง
2. จัดเสียงบรรยายแต่ละช่วงให้ตรงกับภาพตามสตอรี่บอร์ด เว้นช่องว่างเล็กน้อยตรงจุดตัดภาพ เพื่อไม่ให้เสียงถูกตัดขาดที่รอยต่อ
3. ฟังตั้งแต่ต้นจนจบหนึ่งรอบ ตรวจว่าระดับเสียงและจังหวะระหว่างช่วงต่อเนื่องกันหรือไม่
4. หลังยืนยันแล้วส่งออกเป็นวิดีโอฉบับเสร็จ

ซับไตเติลทำหลังขั้นตอนนี้ และต้องยึดเพลงเสียงฉบับสุดท้ายเป็นหลัก ถ้าเอาบทข้อความไปใช้เป็นซับไตเติลตรง ๆ ไทม์ไลน์จะไม่ตรงกับเสียงสุดท้าย: หลังลบแก้บทและปรับความเร็วพูด จุดเริ่ม-จบของแต่ละประโยคเปลี่ยนไปแล้วทั้งหมด วิธีทำคือส่งวิดีโอฉบับเสร็จที่ใส่เสียงบรรยายแล้วให้เครื่องมือ แปลงวิดีโอเป็น SRT สร้างไฟล์ซับไตเติลพร้อมไทม์โค้ดจากตัววิดีโอฉบับเสร็จเอง แล้วนำกลับเข้าเครื่องมือตัดต่อเพื่อตรวจคำเฉพาะและการตัดประโยค

คำถามที่พบบ่อย

เสียงบรรยายยาวเกินควรแก้ความเร็วพูดหรือแก้บทก่อน?

แก้บทก่อน ลบคำตกแต่งและข้อมูลที่ภาพอธิบายแล้วออก กรณีส่วนใหญ่ก็เพียงพอ ความเร็วพูดปรับเล็กน้อยเฉพาะเมื่อลดไม่ได้แล้ว ปรับมากไปจะทำให้ออกเสียงเร่งจนมัวและประเด็นสำคัญเลือนลาง แก้เสร็จสร้างใหม่ ใช้ความยาวบนแถบเล่นยืนยันผล

เลือกสร้างทั้งท่อนหรือแยกช่วงอย่างไร?

แยกตามช่วงภาพ บทยาวทั้งท่อนถูกจำกัดด้วยขีดจำกัดตัวอักษรต่อครั้ง ผู้ไม่ได้เข้าสู่ระบบและแพ็กเกจฟรีได้ 100 ตัวอักษรต่อครั้ง ส่วนที่เกินสร้างไม่ได้ หน้าเพจเองก็เก็บผลลัพธ์ครั้งละหนึ่งช่วง บทยาวจึงต้องแยกดาวน์โหลดอยู่ดี การแยกตามสตอรี่บอร์ดทั้งสอดคล้องข้อจำกัด ทั้งทำให้ความยาวแต่ละช่วงตรงกับภาพโดยตรง ตอนปรับแต่งท้ายก็แก้เฉพาะช่วงที่มีปัญหา

หลังสร้างเสียงพากย์แล้วควรทำซับไตเติลที่ขั้นตอนไหน?

หลังเสียงบรรยายตกลงสุดท้ายและเพลงเสียงถูกใส่ลงวิดีโอฉบับเสร็จแล้ว ไทม์โค้ดซับไตเติลต้องตามเสียงฉบับสุดท้าย ใช้เครื่องมือแปลงวิดีโอเป็น SRT สร้างจากวิดีโอฉบับเสร็จที่ประกอบเสร็จแล้ว อย่าใช้ข้อความบทก่อนสร้าง ได้ไฟล์ซับไตเติลแล้วนำกลับเข้าเครื่องมือตัดต่อ ตรวจคำเฉพาะและการตัดประโยค

เริ่มจากเสียงบรรยายหนึ่งประโยคช่วงเปิด

ไม่ต้องรอสคริปต์ฉบับสมบูรณ์ เปิดวิดีโอสั้นที่คุณตัดเสร็จ เขียนเฉพาะช่วงเปิด: หนึ่งประโยค บอกให้ชัดว่านี่คืออะไร ใครใช้ นำไปวางในเครื่องมือแปลงข้อความเป็นคำพูด สร้าง ฟังทดลอง ดูความยาว ถ้าช่วงแรกยืนได้ ช่วงที่เหลือก็แค่ทำซ้ำวงจรเดียวกัน

เปิดใช้ข้อความเป็นคำพูด