बेटी की नींद की कहानी को ऑडियोबुक में बदलना: फ्री TTS से एक हफ्ते का तजुर्बा और वो रेफरेंस ऑडियो का झमेला
रात के नौ बजे, बेटी ने "चाँद गायब हो गया" पकड़कर खड़ी हो गई – "पापा, आज फ़ोन से सुना दो, आपकी आवाज़ तो बैठ गई है।" गला वाकई बैठा था, दो हफ्ते से रोज़ कहानी सुनाते‑सुनाते टॉन्सिल्स ने बगावत कर दी थी। सोचा, चलो फ्री टेक्स्ट टू स्पीच आजमाते हैं।
पहला आउटपुट… क्या बताऊँ। दो सेकंड सुना और फ़ोन वापस थमा दिया: "ये आप नहीं हो।" आवाज़ मेरी थी, पर वो नहीं। जैसे मैं मीटिंग के मिनट्स पढ़ रहा हूँ, वो भी मास्क पहनकर।
दिक्कत टूल में नहीं, उस रेफरेंस ऑडियो में थी
शुरू में एक वॉइस क्लोनिंग साइट इस्तेमाल की जहाँ रजिस्ट्रेशन, फ़ोन वेरिफिकेशन सब ज़रूरी था। व्हाट्सएप का एक 30‑सेकंड का वॉइस नोट अपलोड किया – "हैलो, वो प्लान कल देख लेंगे"। नतीजा: एकदम साफ़, बिल्कुल एंकर जैसा, इमोशन ज़ीरो।
बाद में अहसास हुआ: व्हाट्सएप ऑडियो कंप्रेस्ड होता है, लो सैंपल रेट, इको और हल्का नॉइज़। ऐसे मैटेरियल से मॉडल को खिलाना मतलब धुंधली फोटो देकर पोर्ट्रेट बनवाना।
यही फर्क है प्रो और नौसिखिए में – सब मॉडल पैरामीटर देखते हैं, असली खेल उन 20‑30 सेकंड में होता है।
फिर मैंने मुफ्त आवाज क्लोनिंग पर दोबारा रिकॉर्ड किया, वही मॉडल, पूरी तरह अलग नतीजा।
रेफरेंस ऑडियो कैसे रिकॉर्ड करें कि रोबोट न लगे
मुझे लगता था दरवाज़ा मॉडल में है, असल में दरवाज़ा मैटेरियल में है। चार बार री‑रिकॉर्ड किया, तब जाकर समझ आया।
ड्राइंग रूम में मत रिकॉर्ड करो। फ्रिज की भनभन, बाहर की गाड़ियाँ – कान खुद फ़िल्टर कर लेते हैं, माइक नहीं। मैं अलमारी में घुसकर रिकॉर्ड करता हूँ – कपड़े साउंड अब्सॉर्ब करते हैं, कमाल का रिजल्ट। अलमारी न हो तो कम्बल का टेंट बना लो, फ़ोन अंदर रखो।
15‑30 सेकंड, ज़्यादा लालच नहीं। कम हुआ तो मॉडल टोन पकड़ नहीं पाता; ज़्यादा हुआ तो खाँसी, पन्ना पलटना सब सीख जाता है। एक बार दो मिनट रिकॉर्ड किया – हर वाक्य के अंत में मेरी खाँसी की हल्की आवाज़ आ रही थी, अजीब लगा।
स्क्रिप्ट मत पढ़ो। "कमरे में चाँदनी" पढ़ोगे तो एंकर टोन निकलेगा। रोज़ की बात बोलो – "आज क्या खाने का मन है, फ्रिज में आधा डिब्बा स्ट्रॉबेरी पड़ा है, नहीं खाओगे तो खराब हो जाएगी"। नॉर्मल स्पीड, थोड़ा इमोशन, हँसी भी चलेगी। मॉडल सीखता है तुम कैसे बोलते हो, न कि कैसे पढ़ते हो।
माइक एक मुट्ठी दूर, 45° एंगल पर। मुँह पे लगाओगे तो पॉप आएगा; दूर रखोगे तो कमरे का रिवर्ब घुसेगा।
तीन टेक लो, बेस्ट चुनो। सुनने में मेहनत लगती है, पाँच मिनट का काम है। मैं अलमारी में बैठकर तीन अलग‑अलग लाइनें बोलता हूँ, फिर वो चुनता हूँ जो "रोज़ कहानी सुनाने वाला मैं" लगे।
छोटी टिप: रिकॉर्डिंग से पहले गुनगुना पानी पियो, ठंडा नहीं। गला टाइट होने पर आवाज़ भटकती है, वो भी मॉडल सीख लेता है।
बताते चलूँ, इस हफ्ते मैंने ऑनलाइन टेक्स्ट टू स्पीच यूज़ किया – नो साइन‑अप, खोलो और चलाओ। फ्री वॉइस क्लोनिंग इंडिया के लिए ये रजिस्ट्रेशन‑फ्री होना बहुत बड़ी राहत है – मैंने दूसरे प्लेटफॉर्म पर आधे रजिस्ट्रेशन में ही छोड़ दिया था। दावा है परमानेंट फ्री वॉइस क्लोनिंग, और सच में अब तक कोई कोटा वॉल नहीं टकराया। अनलिमिटेड टेक्स्ट टू स्पीच लंबी कहानियों के लिए लाइफलाइन है – एक पिक्चर बुक 2‑3 हज़ार शब्द की होती है, लिमिट वाले टूल तो बीच में ही अटक जाते हैं।
मेरा एक हफ्ते का असली वर्कफ्लो
सोमवार रात, घर की तीन पिक्चर बुक्स निकालीं, नोटपैड में टाइप किया। टाइप करते‑करते ये छोटे‑मोटे काम भी किए:
- अंकों को देवनागरी में बदला – "3 केवल" → "तीन केवल", वरना "three" बोल देगा
- लंबे वाक्य तोड़े, कॉमा/फुलस्टॉप वहाँ डाले जहाँ साँस रुकती है – पंक्चुएशन ही पॉज़ है
- कठिन/बहुअर्थी शब्द पहले चेक किए – "लम्बा" और "भारी" टाइप के, गलती हुई तो बेटी तुरंत पकड़ लेती है
फिर सिंथेसिस, सुनना, मन न लगे तो पंक्चुएशन ठीक करना। पहली दो रातें थोड़ी झंझट थीं, तीसरी रात से स्मूथ – क्योंकि रेफरेंस ऑडियो सेट हो चुका था, बाकी बस टेक्स्ट एडिटिंग। AI वॉइस क्लोनिंग ऑनलाइन एक रन बस चंद सेकंड लेता है, असली टाइम टेक्स्ट पॉलिश में जाता है।
सच कहूँ, दो साल पहले मैं रियल‑टाइम वॉइस सिंथेसिस फ्री पर यकीन नहीं करता। लगता था या तो ट्रायल तीन दिन का होगा, या क्वालिटी धुंधली। अब फ्री AI डबिंग इस लेवल पर है, उम्मीद से कहीं बेहतर। मन में ख्याल आया – जब बेटी बड़ी होगी, फ्री वॉइस सिंथेसिस API जोड़कर ऑटो‑स्टोरी बॉट बना लूँ… मगर वो दूसरा गड्ढा है, अभी नहीं खोदना।
बीच में एक झटका लगा: एक प्लेटफॉर्म वॉइस क्लोनिंग सॉफ्टवेयर फ्री का दावा करता था, पर फ्री वर्जन सिर्फ एक मिनट तक सिंथेसिस देता था, उसके बाद कतार। आधी कहानी बनी, बेटी इंतज़ार कर रही थी – वो सीन बड़ा अजीब था। इसलिए टूल चुनते वक़्त पहले चेक करो कि सच में अनलिमिटेड है या कहीं कैप लगा है। ऑनलाइन फ्री वॉइस क्लोनिंग साइट्स बहुत हैं, पर लगभग सब कहीं न कहीं लिमिट लगा देती हैं।
FAQ: सबसे ज्यादा पूछे जाने वाले सवाल
रेफरेंस ऑडियो कितना लंबा होना चाहिए?
15‑30 सेकंड। मेरा अनुभव – 20 सेकंड सबसे स्टेबल। 10 सेकंड से कम में टोन डगमगाता है; एक मिनट से ऊपर जाने पर नॉइज़ घुसने का चांस बढ़ जाता है। अगर बिल्कुल शांत जगह न मिले, तो छोटा मगर साफ़ टुकड़ा चुनो।
फ़ोन का बिल्ट‑इन माइक काफी है?
हाँ। तीन साल पुराना फ़ोन इस्तेमाल किया, आउटपुट में एक्सटर्नल माइक वाला फर्क मैं खुद नहीं पकड़ पाया। मायने रखता है एनवायरनमेंट, गियर नहीं। अलमारी में फ़ोन से रिकॉर्ड करो, ड्राइंग रूम में प्रो माइक से रिकॉर्ड करने से बेहतर रिजल्ट मिलेगा।
बच्चे की आवाज़ क्लोन कर सकते हैं? "खुद अपनी कहानी खुद सुनाओ" वाला वर्जन बनाना है
टेक्निकली मुमकिन है, पर मैं रिकमेंड नहीं करता। एक – बच्चों की आवाज़ अभी बदल रही है, टोन स्टेबल नहीं, अच्छा रेफरेंस मिलना मुश्किल। दो – बच्चे को अपनी ही क्लोन आवाज़ सुनाना थोड़ा अजीब लगता है। मैं अपनी आवाज़ ही रखूँगा, भले थोड़ी इम्परफेक्ट हो।
अगर दूसरों के एक्सपेरिमेंट देखना चाहते हो, तो और ट्यूटोरियल में कुछ केस स्टडीज़ हैं, मैंने कुछ पढ़े – उनके पिटफॉल लिस्ट बड़े काम के हैं।
आखिर में
अब मेरा रूटीन: संडे शाम 20 मिनट, अगले हफ्ते की पाँच कहानियाँ सिंथेसिस करके एक फोल्डर में सेव। बेटी जो चाहे, टैप करके सुन ले। गला ठीक होने पर मैं खुद सुनाता हूँ – मशीन वो वाला कनेक्शन नहीं दे सकती।
मगर कम से कम, टॉन्सिलाइटिस की रातों में कहानी नहीं रुकती।
अगर तुम भी ट्राई करना चाहते हो, पहले लंबा टेक्स्ट मत डालो। 20 सेकंड का रेफरेंस रिकॉर्ड करो, एक लाइन सिंथेसिस करो, सुनो – अपनी आवाज़ लगी? लगी तो आगे बढ़ो; नहीं लगी तो वापस अलमारी में जाओ। ये स्टेप बस दस मिनट लेता है, पर बाकी सब इसी पे टिका है।