5 सेकंड की आवाज़ से फ्री वॉइस क्लोनिंग: मेरा IVR एक्सपेरिमेंट

मेरे छोटे से ऑफिस में एक पुराना IVR सिस्टम है। पिछले हफ्ते उसकी आवाज़ इतनी कर्कश हो गई कि ग्राहक कॉल पर ही बड़बड़ाने लगे। मैंने सोचा, ठीक है, किसी वॉइस आर्टिस्ट से रिकॉर्ड करवा लूँ। पता चला, आठ हज़ार रुपए और दो हफ्ते का इंतज़ार। मैंने अपनी पत्नी से कहा, "यार, इतने पैसे नहीं देने।" तभी मुझे याद आया – मैंने पिछले महीने एक फ्री वॉइस क्लोनिंग वेबसाइट के बारे में पढ़ा था। बस, फिर क्या था।

मैंने सोचा, 5 सेकंड की आवाज़ काफी होगी? मेरे पास एक पुराना वॉइस नोट था जिसमें मैंने अपने बेटे को 'जल्दी आ जाओ' कहा था। उसे ही अपलोड कर दिया। सच में, पहली बार में लगा कि ये तो बच्चों का खिलौना है। लेकिन फिर मैंने गौर से देखा – वेबसाइट पर लिखा था 'फ्री वॉइस क्लोनिंग ऑनलाइन' और 'बिना रजिस्ट्रेशन के'। मैंने सोचा, चलो, एक बार और कोशिश करता हूँ।

पहली कोशिश: जब आवाज़ रोबोट जैसी लगी

मैंने अपना टेक्स्ट टाइप किया: "नमस्कार, आपका स्वागत है। कृपया विभाग चुनने के लिए 1 दबाएं।" जैसे ही प्ले बटन दबाया, मेरे कान खड़े हो गए। आवाज़ मेरी थी, लेकिन जैसे कोई रोबोट मेरी नकल कर रहा हो। हर शब्द के बीच में अजीब सा गैप। और '1' का उच्चारण – भाई, वो तो ऐसे लगा जैसे कोई अंग्रेज़ी वाला 'वन' बोल रहा हो। मुझे समझ आया कि ये टूल सिर्फ आवाज़ का रंग नहीं बदलता, बल्कि उसकी लय और ताल भी बदल देता है।

मैंने फिर से कोशिश की। इस बार मैंने टेक्स्ट में नंबर को शब्दों में लिखा – 'एक' की जगह '1' नहीं। और हर वाक्य के बीच में फुल स्टॉप की जगह कॉमा लगाया। धीरे-धीरे आवाज़ में जान आने लगी।

दूसरी कोशिश: जब मैंने पॉज़ और टोन से खेलना सीखा

असली दिक्कत तब आई जब मैंने पूरा IVR स्क्रिप्ट डाला। लंबे वाक्य थे, और हर वाक्य के बाद अलग-अलग इंटोनेशन चाहिए था। जैसे, "ग्राहक सेवा के लिए 2 दबाएं" – यहाँ '2' पर ज़ोर देना था। लेकिन क्लोन की हुई आवाज़ में सारे नंबर एक जैसे लग रहे थे। मैंने सोचा, शायद मुझे अपने सैंपल में ही नंबर बोलने चाहिए थे।

तभी मुझे याद आया कि वेबसाइट पर 'एडवांस्ड सेटिंग्स' थी। वहाँ पर 'स्पीड', 'पिच' और 'पॉज़' जैसे ऑप्शन थे। मैंने पिच को थोड़ा कम किया, स्पीड को थोड़ा धीमा। और हर वाक्य के बीच में एक्स्ट्रा पॉज़ डालने के लिए मैंने टेक्स्ट में तीन डॉट्स लगाए – जैसे '...'। वाह, कमाल हो गया। आवाज़ में एक ठहराव आया, जैसे कोई असली इंसान बोल रहा हो।

तीसरी कोशिश: जब मैंने हिंदी के उच्चारण की गड़बड़ी पकड़ी

मेरी आवाज़ में 'ड़' और 'ढ़' का उच्चारण ठीक है, लेकिन क्लोन में वो गड़बड़ा जाता था। जैसे 'बड़ा' को 'बदा' बोल रहा था। मैंने सोचा, शायद मेरे सैंपल में साफ उच्चारण नहीं था। तो मैंने एक नया सैंपल रिकॉर्ड किया – इस बार मैंने धीरे-धीरे, साफ-साफ बोला, और हर शब्द को थोड़ा खींचकर। फिर उसे अपलोड किया। और हाँ, इस बार मैंने 'मंजेश कुमार आईफोन की रिंगटोन' जैसा कुछ नहीं बोला, बल्कि अपने IVR के ही कुछ वाक्य बोले। जैसे 'हे सिरी लॉक द फोन' की जगह 'नमस्ते, कृपया ध्यान दें'।

इस बार आवाज़ और भी बेहतर हुई। लेकिन फिर भी, कुछ शब्द जैसे 'विभाग' और 'कृपया' में थोड़ी अकड़न थी। मैंने सोचा, शायद ये टूल अंग्रेज़ी टेक्स्ट के लिए बना है, हिंदी के लिए नहीं। लेकिन फिर मैंने देखा कि वेबसाइट पर हिंदी भाषा का ऑप्शन था। मैंने उसे चुना और टेक्स्ट को देवनागरी में लिखा। अरे, फर्क पड़ गया! अब उच्चारण काफी हद तक सही था।

असली टेस्ट: जब मैंने पूरा IVR रिकॉर्ड किया

आखिरकार, मैंने पूरा IVR स्क्रिप्ट डाला – लगभग 2 मिनट का। इसमें कई नंबर, कई विकल्प, और एक 'धन्यवाद' वाला हिस्सा था। मैंने हर वाक्य को अलग-अलग क्लोन किया, फिर उन्हें जोड़ा। हाँ, ये थोड़ा टाइम लेता है, लेकिन फ्री में इतना कुछ मिल जाए, तो क्या बुरा है।

मैंने अपने फोन से उस नंबर पर कॉल किया। पहले तो मुझे हंसी आई, क्योंकि मेरी ही आवाज़ मुझे सुनाई दी, लेकिन थोड़ी रोबोटिक। फिर मैंने ध्यान से सुना – नंबर साफ थे, पॉज़ सही जगह थे, और टोन भी ठीक थी। मेरी पत्नी ने भी सुना और बोली, "अरे, ये तो तुम्हारी आवाज़ है ना? लेकिन थोड़ी अजीब है।" मैंने कहा, "हाँ, लेकिन काम चल जाएगा।"

क्या फ्री टूल सच में काम करता है? मेरा फैसला

तो, क्या मैं कहूँगा कि फ्री वॉइस क्लोनिंग सॉफ्टवेयर प्रोफेशनल वॉइस आर्टिस्ट की जगह ले सकता है? नहीं, बिल्कुल नहीं। लेकिन अगर आपके पास बजट नहीं है, या आपको जल्दी में काम निपटाना है, तो ये एक बढ़िया ऑप्शन है। मेरे IVR के लिए, मैंने 7 बार रिकॉर्ड किया, और आखिरी वर्जन काफी अच्छा था। हाँ, इसमें थोड़ी मेहनत लगती है – आपको अपने सैंपल को साफ रिकॉर्ड करना होगा, टेक्स्ट को ध्यान से लिखना होगा, और सेटिंग्स के साथ खेलना होगा।

एक और बात – मैंने देखा कि ये टूल 'टेक्स्ट टू स्पीच' के लिए भी काम करता है, यानी बिना क्लोनिंग के भी आप हिंदी टेक्स्ट को आवाज़ में बदल सकते हैं। मैंने 'हिंदी टीटीएस वॉइस डाउनलोड फॉर विंडोज' जैसा कुछ सर्च किया था, लेकिन यहाँ तो ऑनलाइन ही सब हो जाता है। और सबसे अच्छी बात – कोई रजिस्ट्रेशन नहीं, कोई पैसा नहीं। बस अपना सैंपल अपलोड करो, टेक्स्ट डालो, और डाउनलोड करो।

कुछ टिप्स जो मैंने सीखे (और आपके काम आएँगे)

  • अपना सैंपल शांत जगह पर रिकॉर्ड करें, बिना पंखे या ट्रैफिक की आवाज़ के।
  • सैंपल में वही शब्द बोलें जो आपको क्लोन करने हैं, खासकर नंबर और मुश्किल शब्द।
  • टेक्स्ट में नंबर को शब्दों में लिखें (जैसे 'एक' न कि '1')।
  • हर वाक्य के बीच में '...' डालकर पॉज़ बढ़ाएँ।
  • पिच और स्पीड को अपने हिसाब से एडजस्ट करें।
  • अगर आवाज़ में गड़बड़ी लगे, तो नया सैंपल रिकॉर्ड करें – 5 सेकंड से ज़्यादा, 20-30 सेकंड बेहतर है।

मेरा IVR अब चालू है, और ग्राहक शिकायत नहीं कर रहे। मैंने आठ हज़ार बचाए, और दो हफ्ते का इंतज़ार भी नहीं किया। अगर आप भी ऐसा ही कुछ करना चाहते हैं, तो इस पेज पर जाकर देखें – वहाँ क्लोनिंग पेज पर सीधे अपना सैंपल अपलोड कर सकते हैं। और हाँ, अगर आपको मेरी तरह ही गड़बड़ियाँ आएँ, तो घबराइए मत – बस धैर्य रखिए और प्रैक्टिस कीजिए। आखिरकार, फ्री में इतना कुछ मिल रहा है, तो थोड़ी मेहनत तो बनती है।

अब आप बताइए, क्या आपने कभी वॉइस क्लोनिंग ट्राई की है? अगर हाँ, तो कैसा रहा अनुभव? मुझे कमेंट में ज़रूर बताइएगा।