पिछले महीने की वो शाम जब मैंने अपनी कहानी को आवाज दी
मैं अपने छोटे से स्टूडियो में बैठा था – बस एक लैपटॉप, एक सस्ता USB माइक और ढेर सारी चाय। सोचा, "क्यों न अपनी ही आवाज को क्लोन कर के ऑडियोबुक बना लूं?" यूट्यूब पर कई वीडियो देखे, पर सब या तो पेड थे या फिर अंग्रेजी में। फिर मुझे web666.cc दिखा – एक साइट जो आवाज क्लोन करें फ्री और फ्री टेक्स्ट टू स्पीच दोनों देती है, वो भी बिना किसी साइन‑अप के।
पहले तो मुझे लगा ये सब झूठ है, पर एक बार ट्राई किया तो लगा जैसे कोई जादू हो गया। नीचे वही पूरा प्रोसेस शेयर कर रहा हूँ जो मैंने खुद आजमाया, ताकि आप भी मुफ्त आवाज क्लोनिंग से अपनी कहानी को आवाज दे सकें।
1️⃣ आवाज का “मास्टर” तैयार करना – क्वालिटी ही सब कुछ है
बहुत लोग सीधे माइक के सामने बोलते हैं और क्लोन शुरू कर देते हैं। नतीजा? आवाज सूखी, रोबोटिक और बीच‑बीच में हवा की आवाज। फ्री टूल्स की एल्गोरिदम उतनी स्मार्ट नहीं होती जितनी पेड वाली, इसलिए सैंपल की क्वालिटी पर सब निर्भर करता है।
मेरा तरीका:
- एकदम शांत कमरा (बाथरूम सबसे अच्छा – टाइल्स साउंड अब्जॉर्ब करते हैं)
- फोन का बिल्ट‑इन रिकॉर्डर, मुँह से 15‑20 सेमी दूर
- न्यूज़ बुलेटिन की स्पीड (≈200 शब्द/मिनट) में 10 मिनट से ज्यादा पढ़ें
- कंटेंट: कोई साइंस आर्टिकल या विकिपीडिया पैराग्राफ – इमोशन न्यूट्रल रहे
- हर वाक्य के अंत को फ्लैट रखें, “पढ़ने वाला” टोन न दें
- रिकॉर्डिंग के बाद फोन के एडिटर से शुरुआत/अंत का साइलेंस और सांस काट दें
- WAV में एक्सपोर्ट करें – MP3 कंप्रेशन कलर खा जाता है
टिप: अगर आप अपनी आवाज क्लोन करें चाहते हैं तो ये स्टेप छोड़ना मत।
2️⃣ web666.cc पर पहला क्लोन – छुपा हुआ ट्रिक
साइट खोलें, मुफ्त आवाज क्लोनिंग टूल पर क्लिक करें। रजिस्टर करने के बाद अपलोड का ऑप्शन आता है। यहाँ एक छोटा सा सीक्रेट: सैंपल को 3 हिस्सों में काटें (3‑4 मिनट प्रत्येक) और अलग‑अलग अपलोड करें। फ्री सर्वर की GPU मेमोरी कम होती है; एक लंबा फाइल ऑटो‑डाउनसैम्पल हो जाता है और आवाज “मफल” हो जाती है।
जनरेट होने में 5‑10 मिनट लगते हैं। चाय पीते रहें, पेज रीफ्रेश न करें। पूरा होने पर “परीक्षण” बटन दबाएँ और सुनें: “नमस्ते, मैं टेस्ट आवाज हूँ”। दो चीज़ें चेक करें:
- “न” का उच्चारण साफ है? अगर नेज़ल लगे तो सैंपल में सलाइवा साउंड ज्यादा है – फिर से रिकॉर्ड करें।
- वाक्य के अंत में कोई हल्की हिसिंग तो नहीं? अगर है, तो सबसे शांत सेकंड को म्यूट करके फिर अपलोड करें।
3️⃣ ऑडियोबुक बनाना – पूरा टेक्स्ट एक साथ न डालें
यहाँ सबसे बड़ा पिटफॉल है। अगर आप पूरी कहानी कॉपी‑पेस्ट कर देंगे, तो AI नैरेशन और डायलॉग को एक ही टोन में मिला देगा – सुनने वाला 5 मिनट में बोर हो जाएगा।
सही तरीका:
- डॉक्यूमेंट में “नैरेशन” और “डायलॉग” दो कॉलम बनाएं
- नैरेशन नॉर्मल स्पीड, डायलॉग में [खुश], [गुस्सा], [उदास] जैसे टैग डालें – web666.cc का इनपुट बॉक्स ब्रैकेट टैग समझता है (ये फीचर कम लोग जानते हैं)
- हर चंक 500 कैरेक्टर से कम रखें – लंबे टेक्स्ट में मॉडल “अटेंशन” खो देता है और स्पीड बढ़ जाती है
- हर चंक जनरेट करके Audacity या CapCut में जोड़ें, बीच में 0.3 सेकंड का साइलेंस डालें – लगता है जैसे सांस ली हो
4️⃣ “इंसानी टच” देना – वो 20 % जो फ्री टूल नहीं दे पाता
क्लोन की आवाज में सबसे बड़ा फर्क पॉज का होता है। असली इंसान कॉमा पर 0.5 सेकंड, फुल स्टॉप पर 1 सेकंड रुकता है; AI बस 0.2 सेकंड। कान इसे तुरंत पकड़ लेता है।
मेरा जुगाड़:
- पूरा चैप्टर जनरेट होने के बाद, CapCut के “टेक्स्ट‑टू‑स्पीच” से वही टेक्स्ट फिर चलाएं – लेकिन इस बार साइट के बिल्ट‑इन “वॉर्म मेल” या “सोफिस्टिकेटेड फीमेल” वॉइस चुनें।
- दोनों ट्रैक लेयर करें: क्लोन ट्रैक 70 % वॉल्यूम, स्टैंडर्ड ट्रैक 10 %। मिक्स करने पर क्लोन की रोबोटिकनेस स्टैंडर्ड वॉइस के ब्रीथ और सिबिलेंस से “पॉलिश” हो जाती है।
- अंत में बैकग्राउंड नॉइज़ – यूट्यूब पर “रेन कैफे एंबिएंस” फ्री डाउनलोड करें, -30 dB पर मिक्स करें। 2‑4 kHz का “प्लास्टिक” फील गायब हो जाता है और ऑडियोबुक प्रोफेशनल लगती है।
नोट: मैंने इसे हिंदी में टेक्स्ट को आवाज़ में बदलें वाले प्रोजेक्ट पर आजमाया – ओवरडब के बाद प्लेबैक पर किसी ने नहीं पूछा कि ये AI है।
5️⃣ पब्लिश करना – प्लेटफॉर्म की नजर से बचना
जब फ़ाइनल MP3 तैयार हो जाए, तो हिंदी वॉइस ओवर AI फ्री टैग के साथ ऑडियो बुक आवाज बनाएं वाले सेक्शन में अपलोड करें। मैंने Kuku FM और Pocket FM पर डाला – दोनों ने बिना किसी AI‑डिटेक्शन वार्निंग के एक्सेप्ट कर लिया। बस ध्यान रखें:
- फ़ाइल 44.1 kHz / 16‑bit WAV → MP3 128 kbps
- मेटाडेटा में “नैरेटर: मेरा नाम (AI‑असिस्टेड)” लिखें – पारदर्शिता से रिव्यूअर खुश होते हैं
- कवर आर्ट खुद डिजाइन करें (Canva फ्री टेम्पलेट)
अंत में – क्या सीखा, क्या अगला कदम
पूरा फ्लो 1 घंटे में ≈15 मिनट का ऑडियो देता है। क्वालिटी इतनी है कि फ्री वॉइस क्लोनिंग इंडिया वाले क्रिएटर्स के लिए काफी है। लंबे वाक्य में कभी‑कभार अक्षर छूट जाते हैं, और कॉम्प्लेक्स इमोशन (रोना, व्यंग्य) अभी भी मुश्किल हैं। मगर सस्पेंस, हिस्ट्री, साइंस जैसे जेनर के लिए ये काफी है।
जब आपके एपिसोड पर कुछ हज़ार प्ले आ जाएँ, तब पेड क्लोन (जैसे ElevenLabs या Resemble) पर अपग्रेड सोचें। अभी के लिए, टेक्स्ट टू स्पीच हिंदी फ्री और वॉइस क्लोनिंग हिंदी ऑनलाइन का कॉम्बो ही काफी है – बस प्रोसेस को क्लोज़्ड‑लूप बनाएं, परफेक्शन के पीछे न भागें।
अगली बार मैं दिखाऊंगा कि कैसे टेक्स्ट टू स्पीच विदाउट साइनअप हिंदी का इस्तेमाल करके क्विक वॉइसओवर बनाएं, और कैसे हिंदी में टेक्स्ट को आवाज़ में बदलें का API अपने ऐप में जोड़ें। तब तक, माइक पकड़ो, रिकॉर्ड करो, और अपनी कहानी को आवाज दो – फ्री में, आज ही।