मंजेश कुमार आईफोन की रिंगटोन से सीखा: फ्री वॉइस क्लोनिंग का सच
पिछले हफ्ते मेरे दोस्त मंजेश ने अपने नए आईफोन में वो मशहूर रिंगटोन लगाई – "मंजेश कुमार आईफोन की रिंगटोन" – और मुझे चिढ़ाने लगा कि तुम्हारे एंड्रॉइड में ऐसी आवाज़ कहाँ। मैंने मज़ाक में कहा, "रुक, मैं अपनी ही आवाज़ की रिंगटोन बनाके दिखाता हूँ।"
और फिर शुरू हुआ मेरा सफ़र – फ्री वॉइस क्लोनिंग और हिंदी TTS की दुनिया में। आज आपको बताता हूँ कि कैसे मैंने तीन बार क्लोन किया, दो बार बर्बाद हुआ, और आख़िर में वो ट्रिक पकड़ी जो किसी ने नहीं बताई।
पहला प्रयोग: बैकग्राउंड नॉइज़ और बर्बाद हुई आवाज़
मैंने सोचा, "क्या मुश्किल है, 30 सेकंड बोल दूँगा, अपलोड कर दूँगा।" मैंने किचन में खड़े होकर रिकॉर्ड किया – पंखे की आवाज़, पड़ोस के बच्चों की आवाज़, सब चल रहा था। फिर मैंने उसे वॉइस क्लोनिंग पेज पर अपलोड किया।
नतीजा? क्लोन ने बोला कुछ ऐसा कि मेरी बीवी हँसते-हँसते लोटपोट हो गई। आवाज़ में ऐसा लग रहा था जैसे कोई रोबोट नशे में बोल रहा हो। शब्द टूट-फूट के आ रहे थे, और जो हिस्सा पंखे की आवाज़ से दब गया था, वो तो गायब ही हो गया।
मुझे समझ आया – ये जादू नहीं है। ये मशीन लर्निंग है, और गंदा इनपुट = गंदा आउटपुट। फ्री टूल्स में तो बिल्कुल भी माफ़ी नहीं मिलती।
दूसरा प्रयोग: मल्टी-सिलेबल शब्दों का तांडव
दूसरी बार मैंने कमरे में जाकर, दरवाज़ा बंद करके, मोबाइल को मुँह से 15 सेंटीमीटर दूर रखकर रिकॉर्ड किया। इस बार आवाज़ साफ़ थी। क्लोनिंग हुई, और मैंने टेस्ट के लिए एक लाइन लिखी: "हे सिरी लॉक द फोन, और मुझे बताओ कि कल की मीटिंग कितने बजे है।"
अरे बाप रे। "सिरी" ठीक बोला, "लॉक" ठीक बोला, लेकिन "मीटिंग" को "मिटिंग" बोल दिया। और "बताओ" को "बटाओ"। यानी जो शब्द हिंदी के नहीं हैं – अंग्रेज़ी के उधार शब्द – उनमें गड़बड़ी होने लगी।
मुझे समझ आया कि देवनागरी आवाज़ क्लोन में सबसे बड़ी दिक्कत मल्टी-सिलेबल और उधार शब्दों की है। क्लोनिंग ने मेरी आवाज़ की बनावट तो पकड़ ली, लेकिन शब्दों का उच्चारण उस डेटा से आता है जिस पर मॉडल ट्रेंड हुआ है।
तीसरा प्रयोग: जो काम आया – टेक्स्ट तोड़ो, पॉज़ दो, ट्रायल करो
अब मैंने सोचा, ठीक है, चलो वैज्ञानिक तरीके से करते हैं। मैंने वही टेक्स्ट लिया और उसे छोटे-छोटे टुकड़ों में बाँट दिया। "हे सिरी" – अलग। "लॉक द फोन" – अलग। फिर हर टुकड़े को अलग-अलग क्लोन करके, ऑडियो एडिटर में जोड़ा।
इस बार आवाज़ साफ़ थी, लेकिन एक और दिक्कत आई – भावना (इमोशन) नहीं थी। सब कुछ रोबोटिक सा लग रहा था। तभी मैंने ध्यान दिया कि टूल में "पिच" और "स्पीड" के ऑप्शन हैं। मैंने पिच थोड़ी कम की, स्पीड 0.9x की, और अचानक आवाज़ में वो गर्माहट आ गई जो मेरी असली आवाज़ में होती है।
यही वो ट्रिक है जो कोई नहीं बताता – सिर्फ क्लोन करना काफी नहीं, ट्यूनिंग करनी पड़ती है।
असली काम की चीज़ें: मेरी प्रैक्टिकल चेकलिस्ट
अगर आप भी हिंदी कंटेंट बनाते हैं – चाहे YouTube के लिए, चाहे पॉडकास्ट के लिए – तो ये चेकलिस्ट आपके काम आएगी:
- रिकॉर्डिंग से पहले कमरे को शांत करें – कूलर बंद करें, दरवाज़े बंद करें, मोबाइल को स्टैंड पर रखें। 30 सेकंड की साफ़ रिकॉर्डिंग, 5 मिनट की गंदी रिकॉर्डिंग से बेहतर है।
- टेक्स्ट को छोटे हिस्सों में बाँटें – एक लंबा पैराग्राफ मत डालें। 10-15 शब्दों के टुकड़े करें, हर टुकड़े को अलग क्लोन करें।
- उधार शब्दों पर ध्यान दें – "मीटिंग", "अपॉइंटमेंट", "सिरी" – ये सब हिंदी मॉडल के लिए मुश्किल हैं। कोशिश करें कि हिंदी पर्याय इस्तेमाल करें, या फिर उन्हें अलग से क्लोन करें।
- पिच और स्पीड से खेलें – डिफ़ॉल्ट सेटिंग्स कभी-कभी रोबोटिक लगती हैं। पिच 0.8x-1.2x के बीच ट्रायल करें।
- एक से ज़्यादा बार क्लोन करें – हर बार अलग रिज़ल्ट आता है। जो बेस्ट लगे, उसे सेव करें।
FAQ – जो लोग पूछते हैं
क्या ये सच में फ्री है? हाँ, होमपेज पर कोई पेमेंट नहीं माँगता, कोई रजिस्ट्रेशन नहीं। बस अपलोड करो, क्लोन करो, डाउनलोड करो।
क्या मैं अपनी आवाज़ क्लोन करके YouTube पर इस्तेमाल कर सकता हूँ? मैंने किया है। बस ध्यान रखें कि आपकी अपनी आवाज़ है, तो कोई कॉपीराइट इश्यू नहीं। लेकिन अगर किसी और की आवाज़ क्लोन कर रहे हैं, तो उनकी इजाज़त ज़रूर लें।
क्या ये विंडोज़ के लिए डाउनलोड हो सकता है? मैंने hindi tts voice download for windows के लिए भी देखा – आप क्लोन की हुई आवाज़ को MP3 या WAV में डाउनलोड कर सकते हैं, फिर किसी भी एडिटर में इस्तेमाल करें।
TTS और वॉइस क्लोनिंग में फर्क क्या है? TTS यानी टेक्स्ट टू स्पीच – आप टेक्स्ट डालते हैं, रोबोटिक या प्री-सेट आवाज़ बोलती है। वॉइस क्लोनिंग में आप अपनी आवाज़ की नकल बनाते हैं, फिर उसी आवाज़ में कुछ भी बोलवा सकते हैं। दोनों अलग चीज़ें हैं।
आख़िरी बात
मंजेश को मैंने अपनी क्लोन की हुई आवाज़ में एक मैसेज बनाकर भेजा – "देख, तेरी रिंगटोन से बेहतर मेरी आवाज़ है।" उसने सुना और बोला, "अरे ये तो बिल्कुल तुम्हारी आवाज़ है! कैसे किया?"
मैंने उसे बताया कि ये कोई जादू नहीं, बस सही तरीके से क्लोनिंग करनी आनी चाहिए। अगर आप भी पहली बार में फेल होते हैं, तो हार मत मानिए। मैंने तीन बार किया, तीसरी बार में सही आया।
अब आपकी बारी – जाइए, क्लोनिंग पेज पर जाकर अपनी आवाज़ को डिजिटल बनाइए। और हाँ, मेरी गलतियों से सीखिए – किचन में रिकॉर्ड मत कीजिए।