แยกเสียงพูด ดนตรี และเสียงเอฟเฟกต์
ใส่แทรคที่มิกซ์แล้วหนึ่งไฟล์ ได้สเต็มที่สะอาดสูงสุดหกแทรค
ซาวด์แทรคที่เสร็จแล้วคือไฟล์เดียวที่รวมบทพูด เสียงฝีเท้า และดนตรีประกอบเข้าด้วยกัน Seed Audio 1.5 แยกทั้งหมดออกจากกันได้อีกครั้ง โดยให้เสียงพูดของแต่ละคน เอฟเฟกต์แต่ละเสียง และดนตรี เป็นแทรคของตัวเอง พร้อมนำเข้าโปรแกรมตัดต่อเพื่อมิกซ์ใหม่
อ้างอิงจากเอกสารของ ByteDance ส่วนผลลัพธ์ของเราเองอยู่ในหน้าแปลวิดีโอ ตอนนี้เรายังไม่ได้ทดลองแยกเสียงกับภาพยนตร์ของเรา
ได้อะไรออกมาบ้าง
ตัวอย่างของ ByteDance แยกฉากแฟนตาซีสั้น ๆ ออกเป็นหกแทรค ซึ่งแสดงให้เห็นระดับความละเอียดที่คาดหวังได้ คือไม่ใช่แค่ “เสียงพูด” กับ “ดนตรี” แต่แยกผู้พูดแต่ละคนและเสียงแต่ละเสียงด้วย
ผู้พูดแต่ละคน
ในตัวอย่าง ผู้บรรยาย เด็กผู้หญิง และเด็กผู้ชาย ได้เสียงพูดแยกเป็นแทรคของตัวเอง
เอฟเฟกต์แต่ละเสียง
เสียงฝีเท้าอยู่แทรคหนึ่ง เสียงปิดประตูอยู่อีกแทรค คุณจึงย้ายหรือเปลี่ยนเสียงใดเสียงหนึ่งได้โดยไม่กระทบเสียงอื่น
ดนตรี
ดนตรีประกอบแยกออกมาเดี่ยว ๆ สะอาดพอจะเก็บไว้ใต้เสียงพากย์ชุดใหม่ได้
สเต็มใช้ทำอะไรได้บ้าง
พากย์และแปลวิดีโอ
แปลเสียงพูด แล้วคงดนตรีและเอฟเฟกต์ต้นฉบับไว้ข้างใต้ การมีเสียงพูดแยกเดี่ยวคือวิธีที่เราใช้เตรียมภาพยนตร์ 12 ภาษาของเราเอง
แก้เฉพาะองค์ประกอบเดียว
ลดเสียงดนตรีใต้บทพูดบางประโยค ตัดเสียงไอออก หรือเปลี่ยนเอฟเฟกต์ที่ไม่ถูกใจ โดยไม่ต้องอัดฉากใหม่
รีมิกซ์และตัดต่อ
ตัดต่อตัวอย่างหนัง คลิปพอดแคสต์ หรือคลิปสั้นใหม่ โดยมีดนตรีประกอบอยู่ในสเต็มของตัวเอง
งานเก่าในคลัง
วิดีโอเก่าที่ไฟล์โปรเจกต์ต้นฉบับหายไปแล้ว สร้างสเต็มขึ้นใหม่จากมิกซ์สุดท้ายได้
วิธีแยกซาวด์แทรค
ส่งออกไฟล์เสียง
ดึงเสียงที่มิกซ์แล้วออกจากวิดีโอเป็น WAV หรือ MP3 แต่ละไฟล์ควรยาวระหว่าง 2 วินาทีถึง 6 นาที
แบ่งไฟล์ยาว
ซาวด์แทรคที่ยาวกว่านั้นให้ใส่เป็นส่วน ๆ ตัดตรงช่วงที่เงียบ เสียงจะได้ไม่ถูกตัดขาดกลางคัน
แยกเสียง
โมเดลจะส่งคืนสูงสุดหกแทรค ได้แก่ เสียงพูด เอฟเฟกต์ และดนตรี
ประกอบมิกซ์ใหม่
นำสเต็มเข้าโปรแกรมตัดต่อโดยเริ่มที่เวลาเดียวกัน เสียงก็จะตรงกับภาพ
อินพุตและเอาต์พุต
| รายการ | ข้อจำกัด |
|---|---|
| อินพุต | ไฟล์เสียงหนึ่งไฟล์ |
| ฟอร์แมต | WAV หรือ MP3 |
| ความยาว | 2 ถึง 360 วินาที |
| ขนาดไฟล์ | สูงสุด 90 MB |
| จำนวนสเต็มที่ได้ | สูงสุด 6 |
| ฟอร์แมตเอาต์พุต | WAV (ค่าเริ่มต้น), MP3, PCM, OGG Opus |
ที่มา: คู่มือการเชื่อมต่อ Seed Audio 1.5 ช่วงเข้าถึงก่อนใคร ของ ByteDance ตุลาคม 2026
ควรรู้ก่อนใช้
- อินพุตเป็นไฟล์เสียง ไม่ใช่วิดีโอ ต้องดึงซาวด์แทรคออกมาก่อน
- หกสเต็มคือจำนวนสูงสุดต่อหนึ่งคำขอ
- หนึ่งไฟล์ต่อหนึ่งคำขอ ยาวสูงสุด 6 นาที และขนาดไม่เกิน 90 MB ซาวด์แทรคที่ยาวกว่านี้ให้แบ่งตรงช่วงที่เงียบ
- แยกเสียงเฉพาะเนื้อหาที่คุณมีสิทธิ์แก้ไขเท่านั้น
คำถามที่พบบ่อยเกี่ยวกับการแยกสเต็มเสียง
การแยกสเต็มเสียงคืออะไร
คือการแยกซาวด์แทรคที่มิกซ์แล้วกลับเป็นส่วนประกอบ ได้แก่ เสียงพูด เสียงเอฟเฟกต์ และดนตรี โดยแต่ละอย่างอยู่ในแทรคของตัวเอง จึงแก้ไขหรือมิกซ์ใหม่แยกกันได้
Seed Audio 1.5 แยกสเต็มได้กี่แทรค
สูงสุดหกแทรค ตัวอย่างของ ByteDance ให้ผู้บรรยาย เสียงพูดอีกสองเสียง ดนตรี เสียงฝีเท้า และเสียงประตู เป็นหกแทรคแยกกัน
แยกเสียงจากวิดีโอโดยตรงได้ไหม
การแยกเสียงรับเป็นไฟล์เสียง ให้ส่งออกซาวด์แทรคจากวิดีโอเป็น WAV หรือ MP3 ก่อน ยาวสูงสุด 6 นาทีและขนาดไม่เกิน 90 MB ต่อไฟล์
ลบเสียงพูดแล้วเก็บดนตรีไว้ได้ไหม
ได้ เมื่อเสียงพูดอยู่ในสเต็มของตัวเองแล้ว คุณปิดเสียง เปลี่ยน หรือแปลได้ และเก็บดนตรีกับเอฟเฟกต์ไว้ตามเดิม