दिल्ली के एक लैब में फ्री आवाज़ क्लोनिंग की कोशिश, शोर ने सब बर्बाद कर दिया

मैं अपने फोन से प्रोफेसर की आवाज़ रिकॉर्ड कर रहा था, तभी एसी की भनभनाहट और कॉरिडोर में गुजरते छात्रों की बातचीत ने सब बिगाड़ दिया। सोचा था, बस एक लाइन "डेटा चेक कर लो" को फ्री आवाज़ क्लोनिंग टूल पर अपलोड करूँगा और दो मिनट में क्लोन तैयार हो जाएगा।

वो कॉरिडोर, वो शोर, वो नाकाम क्लोन

अपलोड के बाद जो ऑडियो निकला, उसमें इलेक्ट्रिक ह्यूम, दूर की बातें और प्रोफेसर की आवाज़ एक साथ घुली हुई थी — जैसे कोई भूत बोल रहा हो। मैं हैरान रह गया: मुफ्त आवाज क्लोनिंग का दावा तो था, फिर भी रिजल्ट अनयूजेबल।

बाद में समझ आया कि AI वॉइस क्लोनिंग ऑनलाइन टूल वही सीखता है जो आप उसे खिलाते हैं। बैकग्राउंड ह्यूम, लो‑फ्रीक्वेंसी एसी साउंड, फुटस्टेप — सब उसकी "वॉइस फ़ीचर" बन गए। क्लोन की गई स्पीच में प्रोफेसर का टोन तो था, पर एक मोटी "नॉइज़ लेयर" भी चिपकी हुई थी।

मैंने फिर से वही फ्री टेक्स्ट टू स्पीच पेज खोला, वही कॉरिडोर वाली क्लिप डाली, और आउटपुट में "स्स्स" की आवाज़ इंसानी वॉइस से ज़्यादा तेज़ थी। तब याद आया: वॉइस क्लोनिंग हिंदी ऑनलाइन भले फ्री हो, मगर इनपुट ऑडियो साफ़ होना ज़रूरी है। गार्बेज इन, गार्बेज आउट — ये बात यहाँ सबसे ज़्यादा लागू होती है।

एक और डिटेल: फ़ोन का डिफॉल्ट नॉइज़ सप्रेशन ऑन था, जिसने कुछ कॉन्सोनेंट्स दबा दिए। "चेक" की जगह "चेन" सुनाई दे रहा था। ये डिस्टॉरशन क्लोन इंजन की गलती नहीं, रिकॉर्डिंग की खराबी थी। जब तक मुझे ये समझ आया, तब तक फ्री वॉइस क्लोनिंग इंडिया के कई यूज़र्स इसी जाल में फँस चुके थे।

कॉरिडोर का रिवर्ब भी क्लोन हो गया। दीवारों से टकराकर लौटी आवाज़ को AI ने नैचुरल रिवर्ब समझ लिया, नतीजा — क्लोन ऐसे लग रहा था जैसे कोई बड़े हॉल में बोल रहा हो। ये सबक सिखा गया कि अपनी आवाज क्लोन करें फ्री प्लेटफ़ॉर्म पर भी रिकॉर्डिंग एनवायरनमेंट की डिमांड पेड टूल्स से ज़्यादा होती है, क्योंकि कोई फ्री सर्विस आपके लिए डीप डी‑नॉइज़ नहीं करेगी।

लाइब्रेरी के कोने में दस सेकंड, फिर मैजिक

दूसरे दिन मैं कैंपस लाइब्रेरी के सबसे शांत कोने में गया, खिड़की बंद, एसी ऑफ, ईयरफ़ोन के इन‑बिल्ट माइक से अपने मुँह से दस सेंटीमीटर दूर रखकर बोला: "डेटा चेक कर लो।" बैकग्राउंड लगभग ज़ीरो। वही क्लिप वॉइस क्लोनिंग हिंदी ऑनलाइन पर डाली — रिजल्ट देखके यकीन नहीं हुआ। टोन, पेस, यहां तक कि हल्की साँस भी वैसी ही।

अब समझ आया: फ्री रजिस्ट्रेशन‑फ्री वॉइस क्लोनिंग का मतलब ये नहीं कि आप किसी भी क्लिप को अपलोड कर दें। रिकॉर्डिंग स्पेस, माइक डिस्टेंस, रिवर्ब — ये सब डायरेक्टली तय करते हैं कि हिंदी में टेक्स्ट को आवाज़ में बदलें आउटपुट कितना नैचुरल लगेगा। मैंने दोनों वर्ज़न साथ‑साथ सुने — कॉरिडोर वाला वॉकी‑टॉकी जैसा, लाइब्रेरी वाला स्टूडियो क्वालिटी।

क्लोन की गई आवाज़ को कोर्स रिमाइंडर में लगाया, बड़ा काम आया

क्लोन रेडी होने पर मैंने उसे एक सिंपल कोर्स रिमाइंडर ऐप में जोड़ दिया। हर लेक्चर से पहले फ़ोन प्रोफेसर की आवाज़ में बोलता: "डेटा चेक कर लो।" सुनके मुस्कुराहट आ जाती, दोस्त भी हँस पड़ते।

पूरे प्रोसेस में मैंने ऑनलाइन टेक्स्ट टू स्पीच का भी इस्तेमाल किया — टेक्स्ट पेस्ट करो, क्लोन किया हुआ वॉइस चुनो, जनरेट दबाओ, चंद सेकंड में ऑडियो तैयार। न कोई सॉफ्टवेयर इंस्टॉल, न ट्रायल पीरियड, न वॉटरमार्क। टेक्स्ट टू स्पीच हिंदी फ्री और टेक्स्ट टू स्पीच विदाउट साइनअप हिंदी मेरे लिए सिर्फ मार्केटिंग लाइन नहीं, असली टाइम‑सेवर साबित हुए।

बाद वालों के लिए चंद सच्चे टिप्स

  • कॉरिडोर, कैंटीन, क्लासरूम डोर — ऐसी जगहों पर रिकॉर्ड मत करो।
  • एक शांत कमरा ढूंढो, खिड़की‑एसी बंद, माइक मुँह से ~10 सेमी दूर।
  • पहले 10 सेकंड रिकॉर्ड करके सुन लो; कोई ह्यूम, इको, क्लिक न हो तब ही अपलोड करो।
  • ज्यादा डीटेल चाहिए तो अधिक ट्यूटोरियल देख लो — वहां रिकॉर्डिंग और क्लोनिंग के असली पिटफॉल्स भरे पड़े हैं।

अगर बाद में क्लोन की गई आवाज़ को अपने कोड या प्रोजेक्ट में एम्बेड करना हो, तो फ्री वॉइस क्लोनिंग API अलग से ढूंढनी पड़ेगी; अभी के लिए वॉक्सक्लोन सिर्फ वेब UI देता है।

अब फ़ोन उठाओ, कोई शांत कोना पकड़ो, दस सेकंड अपनी आवाज़ रिकॉर्ड करो और ट्राई कर लो। पहली बार गड़बड़ भी हो जाए तो क्या — दुबारा रिकॉर्ड कर लोगे, बस शुरू करो।