कॉल सेंटर IVR आवाज़ रिकॉर्डिंग: दोस्त ने पूछा 'ये आवाज़ असली इंसान की है ना?'
पिछले हफ्ते ऑफिस की कैंटीन में मेरी दोस्त प्रिया चाय पीते-पीते अचानक बोली, "अरे, जो IVR रिकॉर्डिंग तूने कल भेजी थी, वो किससे रिकॉर्ड करवाई? आवाज़ इतनी नेचुरल है, साँस लेने की आवाज़ भी आ रही है।" मैं पहले तो चौंकी, फिर हँसी – क्योंकि वो आवाज़ थी फ्री वॉइस क्लोनिंग वेबसाइट से बनाई हुई, टेक्स्ट से ऑडियो, और पूरा काम दस मिनट से भी कम में हुआ।
वो और हैरान हुई, "फ्री? बिना रजिस्ट्रेशन के? तूने कोई बड़ी कंपनी का छिपा हुआ टेस्टिंग पोर्टल तो नहीं ढूँढ लिया?" मैंने उसे अपने लैपटॉप की स्क्रीन दिखाई – ऑनलाइन टेक्स्ट टू स्पीच फ्री का पेज खुला था। उसने दो सेकंड स्क्रीन देखी, फिर बोली, "अगर ये हमारे कस्टमर केयर सिस्टम में लग जाए, तो बॉस को लगेगा हमने प्रोफेशनल वॉइस आर्टिस्ट रखा है।"
सच में, मुझे भी उम्मीद नहीं थी कि इतना अच्छा रिजल्ट मिलेगा। पहले मैंने कई फ्री वॉइस क्लोनिंग AI टूल्स ट्राई किए – किसी की आवाज़ भारी लगती थी, किसी की बोलने की रफ्तार रोबोट जैसी। लेकिन इस प्लेटफॉर्म को देखकर लगा – इन्होंने सच में सोचा है कि "इंसान की बोली" कैसी होती है।
पहला झटका: "सिंथेटिक" से "नेचुरल" तक का सफर
पहले मेरा एक्सपीरियंस खराब रहा। मैंने कंपनी के एक प्रमोशनल टेक्स्ट को फ्री वॉइस क्लोनिंग सॉफ्टवेयर में डाला। आवाज़ बिल्कुल साफ थी, लेकिन जब उसी टूल से "नमस्कार, कॉल सेंटर में आपका स्वागत है" बोलवाया, तो ऐसा लगा जैसे मौसम की रिपोर्ट पढ़ रहा हो – हर शब्द एक ही तरह के ज़ोर से, बिना किसी उतार-चढ़ाव के। अब सोचो, ग्राहक जब फोन करता है और उसे ऐसी रोबोटिक आवाज़ सुनाई देती है, तो उसे तुरंत लगता है "ये मशीन है", और कॉल काटने का रेट दोगुना हो जाता है।
फिर मैंने समझदारी से काम लिया। फ्री वॉइस क्लोनिंग से टेक्स्ट पढ़वाने से पहले मैंने अपनी स्क्रिप्ट को बोलचाल की भाषा में बदला – "कृपया 1 दबाएँ" की जगह "1 दबाइए", और "ग्राहक सेवा से जोड़ने के लिए" की जगह "इंसान से बात करनी है तो 0 दबाइए"। फिर मैंने स्पीड और रुकने की जगह एडजस्ट की – "जोड़ने" के बाद कॉमा को आधा सेकंड लंबा खींचा। बस इतना बदलाव, और फर्क साफ दिखा।
सबसे मजेदार बात ये है कि फ्री वॉइस क्लोनिंग नाइस वॉइस फीचर मेरे टेक्स्ट में लिखी भावनाओं को भी पकड़ लेता है। जैसे अगर मैं वाक्य के अंत में "ओहो" लिखूँ, तो आवाज़ में थोड़ी शरारत आ जाती है; "ना" लिखूँ, तो आखिरी शब्द मुलायम हो जाता है। IVR के लिए ये बहुत काम की चीज़ है – क्योंकि कोई ग्राहक ठंडे रोबोट से शिकायत नहीं करना चाहता।
दूसरा मोड़: मैंने रियल वॉइस रिकॉर्डिंग क्यों छोड़ी
तुम सोचोगे, IVR के लिए सीधे किसी इंसान से रिकॉर्ड करवा लो ना? मैंने भी यही सोचा था। लेकिन असलियत ये है कि इंसान से रिकॉर्ड करवाना महंगा है, और उसमें बदलाव करवाना और भी महंगा। पिछले महीने हमारे बिज़नेस ने अपने प्लान के रेट बदले, और पुरानी रिकॉर्डिंग में तीन जगह प्राइस बदलनी थी। पुराने वॉइस आर्टिस्ट से दोबारा रिकॉर्ड करवाना? वो तो प्रति घंटा पैसे लेते हैं, और तीन बार बातचीत करने में पूरा हफ्ता निकल गया।
फिर मैंने फ्री वॉइस क्लोनिंग प्लेटफॉर्म पर नया टेक्स्ट डाला, अपनी पुरानी आवाज़ के करीब एक टेम्पलेट चुना, और दस मिनट में तैयार। और बिना रजिस्ट्रेशन वॉइस क्लोनिंग की सबसे अच्छी बात – अगर बीच में कोई शब्द बदलना हो, तो लॉगिन करने की ज़रूरत नहीं, सीधे रेफरेंस ऑडियो अपलोड करो, टोन सेट करो, काम खत्म।
एक छोटी सी बात जो मैंने नोट की: मैंने फ्री वॉइस क्लोनिंग गाने के लिए फीचर से एक कॉलर ट्यून बनाने की कोशिश की। हालाँकि IVR में इसकी ज़रूरत नहीं, लेकिन उस मेलोडी वाले सिंथेसिस ने मुझे दिखा दिया कि इस इंजन की नींव कितनी मजबूत है। ये सिर्फ "टेक्स्ट पढ़ता" नहीं है, बल्कि "टेक्स्ट को एक्ट करके" सुनाता है।
तीसरा पड़ाव: गलतियाँ और मेरी सलाह
बात करें गलतियों की, तो पहली बार जब मैंने फ्री वॉइस क्लोनिंग वेबसाइट पर कुछ बनाया, तो मैंने "VIP" लिखा और उसने "वी आई पी" पढ़ा। फिर मैंने "वीआईपी" लिखा, तो सही बोला। इसके अलावा, लंबे वाक्यों में कॉमा लगाना बहुत ज़रूरी है – ये प्लेटफॉर्म रुकने की जगह पर बहुत ध्यान देता है।
एक और दिलचस्प बात: फ्री TTS वॉइस सिंथेसिस बैकग्राउंड नॉइज़ को खुद ही हटा देता है। मैंने एक रिकॉर्डिंग अपलोड की जिसमें हल्की सी बिजली की गूँज थी, और उसने उसे साफ कर दिया। लेकिन अगर तुम्हारी रेफरेंस ऑडियो में इको है, तो रिजल्ट में भी "खालीपन" जैसा महसूस होगा। इसलिए रेफरेंस ऑडियो हमेशा शांत कमरे में फोन से रिकॉर्ड करो, चाहे लैपटॉप का माइक ही क्यों न हो।
आखिरी बात, जो मेरे दोस्त को भी नहीं पता: वो IVR जिसे सबने "असली इंसान" समझा, उस पर मैंने एक पैसा भी खर्च नहीं किया। मैंने परमानेंट फ्री वॉइस क्लोनिंग वाले पेज का इस्तेमाल किया, बिना अकाउंट बनाए। अगर तुम भी कस्टमर केयर सिस्टम बना रहे हो, या ऑटोमेटिक कॉल के लिए आवाज़ बदलनी है, तो ये टेक्स्ट कॉपी करके ट्राई करो:
"नमस्कार, यहाँ XYZ कंपनी का कस्टमर केयर है। जानकारी के लिए 1 दबाइए, सर्विस के लिए 2 दबाइए, इंसान से बात करनी है तो 0 दबाइए। आपका दिन शुभ हो।"
सुनकर खुद फैसला करो – अगर तुम्हारा दोस्त भी पूछे "ये आवाज़ असली है ना?", तो समझो मेहनत रंग लाई।
और हाँ, ऑफिस के कंप्यूटर पर मत ट्राई करना, वरना IT वाले पकड़ लेंगे कि तुम बिना रजिस्ट्रेशन वॉइस सिंथेसिस पर समय बर्बाद कर रहे हो। मैंने घर पर ट्राई किया, रिजल्ट एक जैसा ही था।
चौथा अध्याय: एक ही लाइन, अलग-अलग सेटिंग्स में कितना फर्क
मैंने एक एक्सपेरिमेंट किया – एक ही टेक्स्ट लिया, और तीन वर्जन बनाए: डिफ़ॉल्ट स्पीड, तेज़ स्पीड, और लंबे पॉज़ के साथ। डिफ़ॉल्ट में "नमस्कार, कॉल सेंटर में आपका स्वागत है" बोलते समय स्पीड मीडियम थी, हर शब्द बराबर दूरी पर, जैसे न्यूज़ एंकर पढ़ता है। तेज़ स्पीड में पूरा वाक्य एक साथ आया, लेकिन "स्वागत" और "है" के बीच हल्की सी अटकन थी, जैसे जल्दी में हो। सबसे नेचुरल वो था जिसमें मैंने "स्वागत है" के बाद दो कॉमा लगाए – उसमें आवाज़ का आखिरी हिस्सा धीरे से नीचे उतरा, और अगले वाक्य से पहले एक छोटी सी साँस लेने की जगह, बिल्कुल वैसे जैसे असली कस्टमर केयर एक्जीक्यूटिव साँस लेता है।
इस एक्सपेरिमेंट से मुझे समझ आया कि फ्री वॉइस क्लोनिंग टूल में जितनी तेज़ स्पीड उतना अच्छा नहीं है, बल्कि "नेचुरल साँस" की लय ढूँढनी होती है। मैंने अपने IVR में सभी लंबे वाक्यों को छोटे-छोटे हिस्सों में बाँट दिया, हर हिस्से के अंत में कॉमा लगाया, और अब आवाज़ में मशीनीपन लगभग खत्म हो गया है।
पाँचवाँ अध्याय: विराम चिह्नों का "व्यक्तित्व" – जिसे ज़्यादातर लोग अनदेखा करते हैं
तुम सोचोगे कि विराम चिह्न सिर्फ फॉर्मेटिंग के लिए हैं, लेकिन इस प्लेटफॉर्म में ये सीधे भावना को कंट्रोल करते हैं। मैंने "1 दबाइए" के बाद विस्मयादिबोधक चिह्न (!) लगाया, तो आवाज़ में हल्की सी जल्दबाज़ी आ गई। जब उसकी जगह पूर्ण विराम (.) लगाया, तो वो एकदम सपाट स्टेटमेंट बन गया। सबसे अजीब तब हुआ जब मैंने "इंसान से बात करनी है" के बाद प्रश्नवाचक चिह्न (?) लगाया – उसने ऐसे पढ़ा जैसे पूछ रहा हो "क्या तुम्हें सच में इंसान चाहिए?"
इसलिए IVR स्क्रिप्ट लिखते समय विराम चिह्नों को हल्के में मत लो। जहाँ ज़रूरत हो वहाँ पूर्ण विराम लगाओ, जहाँ रुकना हो वहाँ कॉमा। मैं तो "आपका दिन शुभ हो" के बाद भी पूर्ण विराम लगाती हूँ ताकि आवाज़ साफ-सुथरी खत्म हो, लंबी खिंची हुई न रहे। ये छोटी सी बात मेरी दोस्त प्रिया को भी नहीं दिखी, लेकिन उसने माना कि "दूसरी कंपनियों के मुकाबले ये आवाज़ ज़्यादा अच्छी लगती है"।
छठा अध्याय: जल्दबाज़ों के लिए शॉर्टकट
अगर तुम्हें पैरामीटर सेट करने का मन नहीं है, तो सीधा मेरा तरीका कॉपी करो। मेरा IVR टेम्पलेट है: शुरुआत में "नमस्कार" के बाद कॉमा, बीच में हर ऑप्शन के बाद पूर्ण विराम, और अंत में "धन्यवाद" के बाद कोई विराम नहीं। स्पीड मीडियम से थोड़ी धीमी रखो, और पॉज़ को 1.2 गुना बढ़ा दो। इस तरह से बनी आवाज़ 90% लोगों को धोखा दे सकती है।
और अगर ये सब भी झंझट लगे, तो फ्री वॉइस क्लोनिंग ऑनलाइन पेज पर "कस्टमर केयर स्पेशल" प्रीसेट है – उसमें पहले से ही हल्की मुस्कान वाली, नरम आवाज़ सेट है। मैंने ट्राई किया, और वो मेरे खुद के सेटअप से भी बेहतर था – आखिरकार उन्होंने कस्टमर केयर के लिए ही बनाया है।
आखिरी सलाह: अपनी आवाज़ की तुलना असली इंसान से मत करना, वरना निराशा होगी। लेकिन अगर तुम इसे अपने मौजूदा रोबोटिक आवाज़ की जगह लगाओगे, तो फर्क ज़मीन-आसमान का दिखेगा। और जब तुम्हारा दोस्त पूछे "ये आवाज़ असली है ना?", तो मुस्कुराकर बोलना – "तुम्हें क्या लगता है?"