3 सेकंड के रिकॉर्ड से आवाज़ क्लोन करें: मेरी असली कोशिश और सीख
मैंने पहली बार सोचा था – 3 सेकंड का ऑडियो? बस इतना काफी है? मैंने अपने दोस्त की आवाज़ में मज़ाक के लिए कुछ बोलना था। रिकॉर्ड किया, अपलोड किया, और जो सुना… वो था ऐसा जैसे कोई रोबोट नशे में धुत हो। हर शब्द अलग-अलग दिशा से आ रहा था। मुझे लगा, ये तो बकवास है।
लेकिन फिर मैंने गलती ढूंढी – मैंने सिर्फ 3 सेकंड दिए, बिना किसी साफ़ स्पीच के, पृष्ठभूमि में पंखा चल रहा था। उस दिन मैंने तय किया: इस बार ठीक से करूँगा। और आज मैं आपको बताऊँगा कि कैसे मैंने फ्री वॉयस क्लोनिंग और एक दूसरे पॉपुलर तरीके को साथ-साथ टेस्ट किया।
पहला झटका: जब 3 सेकंड ने मुझे धोखा दिया
मैंने पहले एक आम वेबसाइट पर कोशिश की जो सिर्फ 3 सेकंड की रिकॉर्डिंग मांगती है। मैंने कहा, "हे सिरी लॉक द फोन" – क्योंकि मज़ाक में मेरे दोस्त का नाम सिरी है। नतीजा? आवाज़ ऐसी लगी जैसे कोई बोतल में बंद करके हिलाया गया हो।
मुझे समझ आया – 3 सेकंड में सिर्फ एक छोटा वाक्य आता है, और उसमें से पिच, टोन, और उच्चारण का पूरा डेटा नहीं मिलता। ये वैसा ही है जैसे आप किसी की तस्वीर से उसकी चाल का अंदाज़ा लगाएं।
मैंने फिर वही 3 सेकंड VoxClone के क्लोन पेज पर अपलोड किए। पहली बार में ही फर्क दिखा – आवाज़ में जान थी। क्यों? क्योंकि वहाँ पर सिर्फ रिकॉर्डिंग नहीं, बल्कि टेक्स्ट की स्क्रिप्ट भी देनी होती है, जिससे AI को संदर्भ मिलता है।
सही तरीका: 3 सेकंड भी काफी, बशर्ते सही हो
मेरी गलती थी कि मैंने रिकॉर्डिंग में बीच में रुकावट डाली। दूसरी बार मैंने एकदम साफ आवाज़ में कहा: "मंजेश कुमार आईफोन की रिंगटोन" – ये मेरे दोस्त का पसंदीदा वाक्य था। और उसने बिना किसी पृष्ठभूमि शोर के, एक ही सांस में बोला।
मैंने उसी रिकॉर्डिंग को दोनों टूल्स पर डाला। पहला टूल (जिसे मैं X कहूँगा) ने 10 सेकंड का ऑडियो बनाया, लेकिन आवाज़ में कंपन था। दूसरी तरफ, VoxClone ने उसी 3 सेकंड से पूरी बातचीत बना दी – जैसे मेरा दोस्त खुद बोल रहा हो।
अंतर सिर्फ इतना नहीं था। X टूल ने हर शब्द के बीच 0.5 सेकंड का गैप छोड़ा, जबकि VoxClone की आवाज़ में वही प्राकृतिक ठहराव था जो इंसानों में होता है।
X टूल vs VoxClone: सीधा मुकाबला
मैंने दोनों से एक ही टेक्स्ट बोलवाया: "हे सिरी लॉक द फोन" – वही वाक्य जो पहले फेल हुआ था।
X टूल का नतीजा: आवाज़ तो साफ थी, लेकिन हर अक्षर पर ज़ोर बराबर था। जैसे कोई पढ़ रहा हो, बोल नहीं रहा। वहीं VoxClone ने "लॉक" पर थोड़ा ज़ोर दिया, और "फोन" पर आवाज़ हल्की गिरी – बिल्कुल वैसे जैसे मैंने रिकॉर्डिंग में कहा था।
दूसरा टेस्ट: मैंने एक पूरा पैराग्राफ लिखा और दोनों से बोलवाया। X टूल ने 30 सेकंड में पूरा पढ़ दिया, लेकिन आवाज़ रोबोटिक लगी। VoxClone ने 35 सेकंड लिए – क्योंकि उसने वाक्यों के बीच सांस लेने के लिए रुकावट डाली। और वही रुकावट असलीपन का राज़ है।
एक बात और – X टूल का फ्री वर्जन सिर्फ 100 अक्षर देता है, जबकि VoxClone पर कोई लिमिट नहीं। मैंने पूरा टाइपिंग टेस्ट वाला पैराग्राफ भी डाल दिया, और वो चुपचाप बोल गया।
छोटी रिकॉर्डिंग, बड़ी ट्रिक: तीन नियम
मेरी 8 साल की कोशिशों से मैंने तीन नियम बनाए हैं, जो 3 सेकंड के साथ भी कमाल करते हैं।
- रिकॉर्डिंग में सिर्फ एक वाक्य बोलें, जिसमें आपकी आवाज़ की पूरी रेंज दिखे – ऊँची और नीची दोनों।
- पृष्ठभूमि बिल्कुल शांत हो, कमरे में दरवाज़ा बंद करें।
- उसी वाक्य को 3-4 बार रिकॉर्ड करें, अलग-अलग भावना से।
मैंने एक बार अपनी माँ की आवाज़ क्लोन करने की कोशिश की, जो बहुत धीमी बोलती हैं। 3 सेकंड में उन्होंने बस कहा "रोटी खा लो" – और उससे VoxClone ने पूरा भाषण दे दिया। बस शर्त ये थी कि मैंने वही वाक्य 4 बार रिकॉर्ड किया, थोड़ा अलग स्वर में।
असली दुनिया में इस्तेमाल: रिंगटोन से लेकर पढ़ाई तक
अब मैं बताता हूँ कि ये काम कहाँ आता है। मेरे दोस्त ने अपने आईफोन में अपनी ही आवाज़ में रिंगटोन बनाई – "मंजेश कुमार आईफोन की रिंगटोन" – और सब हैरान रह गए। लेकिन ये सिर्फ मज़ाक नहीं है।
मैंने अपने छोटे भाई के लिए एक ऑनलाइन टेक्स्ट टू स्पीच का इस्तेमाल करके उसकी पसंदीदा किताब का ऑडियो बनाया, ताकि वो सुनकर पढ़ सके। और सबसे अच्छी बात – वो आवाज़ मेरी माँ की थी, जो उसे हमेशा सुकून देती है।
एक और केस – मैंने एक यूट्यूब वीडियो के लिए इंट्रो बनाना था। मैंने सोचा, "is tts on youtube" से क्या फर्क पड़ता है? बस अपनी आवाज़ क्लोन करके डाल दी, और वीडियो में ऐसा लगा जैसे मैं खुद बोल रहा हूँ। किसी को पता नहीं चला कि वो AI था।
फ्री टूल की कमियाँ भी हैं, झूठ नहीं बोलूँगा
सच कहूँ तो, 3 सेकंड की रिकॉर्डिंग से बनी आवाज़ में अभी भी एक कमी है – लंबे भावुक हिस्सों में आवाज़ में हल्की सी यांत्रिकता आ जाती है। जैसे अगर आप रोते हुए बोलें, तो वो उतना नहीं उभरता।
लेकिन सामान्य बातचीत, पढ़ाई, या कहानी सुनाने के लिए ये बिल्कुल पर्याप्त है। और सबसे बड़ी बात – ये पूरी तरह फ्री है। कोई सब्सक्रिप्शन नहीं, कोई क्रेडिट कार्ड नहीं। मैंने खुद hindi tts voice download for windows जैसी चीज़ें खोजी थीं, पर हर जगह पैसे मांगते थे।
एक और बात – अगर आप इंडोनेशिया या किसी और भाषा के लिए कोशिश करना चाहते हैं, तो VoxClone में वो भी है। मैंने "tts online bahasa indonesia" और "tts - online" जैसे कीवर्ड्स से खोजा, और यहाँ सब मौजूद था।
आखिरी प्रयोग: जब मैंने अपनी ही आवाज़ को चैलेंज किया
मैंने सोचा, क्यों ना अपनी ही आवाज़ को क्लोन करके उससे मेरी ही बात का जवाब दिलवाऊँ? मैंने 3 सेकंड रिकॉर्ड किया – "मैं कौन हूँ?" – और फिर क्लोन की गई आवाज़ से पूछा, "बताओ तुम कौन हो?"
उसने जवाब दिया: "मैं तुम हूँ, लेकिन बिना थकान के।" और मैं हंस पड़ा – क्योंकि वो आवाज़ बिल्कुल मेरी थी, लेकिन उसकी सांस में वो जल्दबाज़ी नहीं थी जो मुझमें हमेशा रहती है।
यही तो असली जादू है। 3 सेकंड में आप किसी की आवाज़ का सार कैद कर सकते हैं – उसकी थकान, उसकी मुस्कान, उसकी आदतें। बस ज़रूरी है सही टूल और थोड़ी सी समझ। अगली बार जब आप किसी को चिढ़ाना चाहें, या अपनी यादें सहेजना चाहें, तो 3 सेकंड का रिकॉर्ड बनाइए – और देखिए कितना कुछ बदल जाता है।