पिछले महीने एक दोस्त के ऑनलाइन कोर्स के लिए आवाज़ बनाने में मदद कर रहा था। उसने बनी हुई ऑडियो भेजी, और पहली ही लाइन सुनकर मैं हँस पड़ा — ये तो सिर्फ मशीन वाली आवाज़ नहीं थी, इसमें तो ऊपर से एक अजीब-सी भिनभिनाहट भी थी। वो बड़ी नाराज़ हुई: मैंने तो वही टूल इस्तेमाल किया है जो तुमने बताया था, फिर दूसरों की आवाज़ इतनी नैचुरल कैसे आती है और मेरी में ये AI वाला असर कहाँ से आ गया?
मैंने उससे वो रिफरेंस ऑडियो मँगवाई जिससे उसने आवाज़ क्लोन की थी। एक बार सुनी — और सारी गड़बड़ उन्हीं तीस सेकंड में मिल गई।
रिफरेंस ऑडियो ही तय करता है आवाज़ इंसानी लगेगी या नहीं
ज़्यादातर लोग सोचते हैं कि मुफ्त आवाज क्लोनिंग का रिज़ल्ट टूल पर निर्भर करता है। असल में टूल आधी कहानी है — बाकी आधी कहानी उस सैंपल में छिपी है जो आप मॉडल को खिलाते हैं। मॉडल वही सीखता है जो आपके सैंपल में है, और सैंपल की खामियाँ भी उतनी ही शिद्दत से सीखता है।
मेरी दोस्त ने वो रिकॉर्डिंग AC चलते हुए बेडरूम में की थी। पीछे हल्की-सी गूँज थी, और मॉडल ने वही गूँज भी उठा ली। ऊपर से वो पढ़ाई वाले लहजे में बोल रही थी — बिल्कुल फ्लैट, जैसे बच्चा रटा हुआ पाठ सुनाए। मॉडल ने यही लहजा सीखा, तो बनी हुई ऑडियो में भी वही आया।
तो अगली बार टूल को कोसने से पहले अपनी रिफरेंस ऑडियो दोबारा सुनिए। क्या पीछे कोई शोर है? लहजा बहुत सपाट तो नहीं? कहीं थूक की आवाज़ या माइक पर हवा की फुसफुसाहट तो नहीं आ रही?
कैसे रिकॉर्ड करें कि आवाज़ रोबोट जैसी न लगे
कुछ बातें हैं जो मैंने अपनी गलतियों से सीखी हैं। बहुत सादी बातें हैं, पर असरदार हैं।
- माहौल: AC बंद करें, पंखा बंद करें। अलमारी में घुसकर या कंबल के अंदर रिकॉर्ड करना भी चल जाएगा — मकसद सिर्फ एक है, गूँज और बैकग्राउंड नॉइज़ खत्म करना। फोन का अपना रिकॉर्डिंग ऐप भी काफी है। महँगे माइक पर शर्त लगाने की ज़रूरत नहीं, महँगा माइक शोर वाले कमरे का शोर भी साफ सुनाता है।
- अवधि: 30 सेकंड से 1 मिनट सबसे सही रहता है। इससे छोटा होगा तो मॉडल पूरी आवाज़ नहीं सीख पाएगा, और बहुत लंबा होगा तो बीच में आपकी थकान या लहजे का बदलाव भी सीख जाएगा।
- लहजा: यही सबसे ज़रूरी बात है। जिस अंदाज़ में आप रोज़ क्लास पढ़ाते हैं या दोस्तों से बात करते हैं, उसी अंदाज़ में बोलिए। थोड़ा उतार-चढ़ाव, थोड़े ठहराव — यही तो जान डालते हैं। अगर आप चाहते हैं कि आपकी ऑडियो बुक आवाज बनाएं जैसी गर्मजोशी भरी लगे, तो मुस्कुराते हुए रिकॉर्ड करें। गंभीर टोन चाहिए तो थोड़ा संजीदा होकर बोलिए।
- कंटेंट: कोई सामान्य पैरा पढ़िए — न टंग ट्विस्टर, न भारी-भरकम शब्दों का ढेर। सामान्य रफ्तार में बोलिए और हर वाक्य के बीच थोड़ा साँस लेने का गैप छोड़िए।
रिकॉर्ड करने के बाद खुद एक बार सुन लीजिए। अगर आपको सुनकर अच्छा लगे, तो मॉडल से भी अच्छा नतीजा आएगा।
अब मेरा पूरा तरीका, जो मैं कोर्स की ऑडियो के लिए इस्तेमाल करता हूँ
टूल के लिए मैं VoxClone इस्तेमाल करता हूँ। वजह सीधी है — text to speech without signup hindi चाहने वालों के लिए ये एकदम सही है, खाता बनाने की झंझट ही नहीं, ब्राउज़र खोलो और काम शुरू।
पहले आवाज़ क्लोन पेज पर अपनी रिकॉर्ड की हुई रिफरेंस ऑडियो अपलोड करता हूँ और उसे नाम देता हूँ, जैसे "कोर्स फीमेल वॉइस — सॉफ्ट"। फिर हिंदी में टेक्स्ट को आवाज़ में बदलें वाले पेज पर जाकर अपनी स्क्रिप्ट पेस्ट करता हूँ, वही क्लोन की हुई आवाज़ चुनता हूँ, जनरेट दबाता हूँ, सुनता हूँ, और ज़रूरत पड़े तो punctuation ठीक करके दोबारा बनाता हूँ।
हाँ, punctuation की बात आई तो एक ज़रूरी बात कह दूँ — ये बहुत मायने रखती है। जहाँ ठहराव चाहिए वहाँ comma या full stop लगाइए; जिस शब्द पर ज़ोर चाहिए, वाक्य की बनावट बदल दीजिए। TTS आपके मन की बात नहीं पढ़ सकता — आपका punctuation ही उसका स्क्रिप्ट है।
और सबसे बड़ी गलती जो लोग करते हैं — सीधे लिखित भाषा पेस्ट कर देना। किताबी हिंदी बोलचाल में अटपटी लगती है। "उपरोक्त विवरणों से स्पष्ट है" को "यानी सीधी-सी बात ये है" बना दीजिए, लंबे वाक्य तोड़ दीजिए — और देखिए जादू।
FAQ
क्या रिफरेंस ऑडियो ज़रूरी है कि अपनी आवाज़ में ही रिकॉर्ड करें? वीडियो से निकाली हुई ऑडियो चल जाएगी?
चल जाएगी, पर कुछ शर्तें हैं। उस ऑडियो में न बैकग्राउंड म्यूज़िक हो, न एक से ज़्यादा लोग बोल रहे हों, न गूँज। पॉडकास्ट की साफ ऑडियो या अपनी ही वीडियो का ऑडियो ठीक रहता है। फिल्मों के डायलॉग नहीं — वहाँ BGM मिला होता है, और क्लोन हुई आवाज़ में भी वही "थिएटर वाला असर" आ जाता है।
एक बार आवाज़ क्लोन करने के बाद बार-बार इस्तेमाल कर सकते हैं?
बिल्कुल। क्लोन होने के बाद वो एक स्थायी "वॉइस प्रोफ़ाइल" बन जाती है। आगे चाहे कितनी भी स्क्रिप्ट हो, दोबारा अपलोड करने की ज़रूरत नहीं। मेरी सलाह है कि अलग-अलग स्टाइल की कुछ प्रोफ़ाइल बना लीजिए — समझाने वाली, समरी वाली, उदाहरण वाली। अलग-अलग हिस्सों में अलग आवाज़ इस्तेमाल करने से पूरी ऑडियो में एक ही रटंत नहीं लगती।
स्क्रिप्ट बहुत लंबी हो तो? एक बार में कितना टेक्स्ट डाल सकते हैं?
VoxClone पर इसकी कोई सीमा नहीं है — फ्री टेक्स्ट टू स्पीच के लिए पूरी स्क्रिप्ट एक साथ पेस्ट कर दीजिए, टुकड़ों में बाँटने की ज़रूरत नहीं। फिर भी मैं खुद चैप्टर के हिसाब से अलग-अलग बनाता हूँ — एक तो किसी एक हिस्से में गड़बड़ हो तो सिर्फ उसी को दोबारा बनाना आसान होता है, दूसरे छोटी फाइलों में एडिटिंग करना भी आसान रहता है।
आखिरी बात
सीधी-सी बात है — टूल तो फ्री मिल जाता है, असली मेहनत वही दस मिनट की रिकॉर्डिंग में है। अगली बार जब बनी हुई आवाज़ रोबोट जैसी लगे, टूल बदलने की जल्दी मत कीजिए। पहले अपनी रिफरेंस ऑडियो दोबारा रिकॉर्ड कीजिए — एक शांत कोना ढूँढिए, अपने असली पढ़ाने वाले लहजे में, मुस्कुराते हुए वो तीस सेकंड बोल डालिए।
एक बार ट्राई कीजिए, फर्क खुद दिख जाएगा। रिकॉर्डिंग और क्लोनिंग की और बारीकियों के लिए डायनेमिक पेज की गाइड देख सकते हैं — सब प्रैक्टिकल टिप्स हैं, कोई थ्योरी नहीं।