कैफ़े के शोर में रिकॉर्डिंग करके आवाज़ क्लोन की — पूरा प्रोजेक्ट धुल गया
बुधवार की दोपहर, तीन बजे। मैं एक कैफ़े में लैपटॉप खोलकर बैठा था — क्लाइंट का प्रोडक्ट डेमो वीडियो अगले दिन डिलीवर करना था, और स्क्रिप्ट उसने उसी सुबह बदल दी थी। वॉइस ओवर आर्टिस्ट का शेड्यूल फुल था। तो मैंने सोचा — आवाज़ क्लोन करने का ऑप्शन तो है ही। अपनी आवाज़ रिकॉर्ड कर लूँगा, AI बाकी पढ़ देगा।
फ़ोन निकाला। स्क्रीन के सामने बैठकर दो सौ शब्द पढ़े। पीछे कॉफ़ी ग्राइंडर चल रहा था, दो लोग बात कर रहे थे, और किसी ने कप ट्रे पर ज़ोर से रखा — टक। मैंने सोचा, AI तो साफ़ कर देगा ना?
जो आवाज़ निकली, वो ऐसी थी जैसे कोई बंद बाथरूम के अंदर से बोल रहा हो। शब्द समझ आ रहे थे, पर पूरा आदमी पानी में डूबा हुआ। आख़िर में क्लाइंट ने पाँच सेकंड चुप रहकर कहा — "भाई, वॉइस ओवर आर्टिस्ट का इंतज़ार कर लेते हैं।"
उस शाम मैंने फ़ाइल डिलीट की और शुरू से शुरू किया।
गड़बड़ कहाँ हुई — मैंने क्लोनिंग टूल को क्या खिलाया
साफ़ बात करूँ: मैंने वही साधारण मुफ़्त आवाज़ क्लोनिंग वाला तरीका इस्तेमाल किया था — अपनी रिकॉर्डिंग अपलोड करो, टूल आवाज़ का टोन सीख ले, फिर टाइप करो और आवाज़ निकल आए। टूल में कोई दिक्कत नहीं थी। दिक्कत मुझमें थी।
उस रिकॉर्डिंग को तीन बार सुनने के बाद समझ आया — ग्राइंडर की आवाज़ लो-फ्रीक्वेंसी शोर है, लोगों की बातचीत बीच की फ्रीक्वेंसी में घुस रही है, और सबसे बड़ी गलती — फ़ोन मुँह से बीस सेंटीमीटर दूर था, तो कमरे की पूरी गूँज अंदर आ गई। क्लोन मॉडल सिर्फ़ मेरी आवाज़ नहीं सीख रहा था, वो पूरा कैफ़े सीख रहा था।
और एक और बेवकूफ़ी — "भावना" लाने के लिए मैंने जानबूझकर आवाज़ दबा दी, रोज़ के मुकाबले आधे सुर नीचे। नतीजा? एक थका हुआ, ज़ुकाम वाला मैं।
बाद में एक लाइन समझ आई — जो दोगे, वही वापस मिलेगा। आवाज़ क्लोनिंग में ये लाइन शब्दशः सच है।
दूसरी कोशिश: अलमारी, दो स्वेटर और साधारण आवाज़
दोबारा रिकॉर्डिंग के दिन मैंने तीन बहुत देसी काम किए।
पहला — जगह बदली। अलमारी में घुस गया, पीछे दो जैकेट टाँग दीं, फ़ोन हैंगर पर टिका दिया, मुँह से लगभग एक मुट्ठी की दूरी। अलमारी दिखने में भद्दी है, पर आवाज़ सोखती है — किसी भी नॉइज़-रिमूवल प्लगइन से बेहतर।
दूसरा — स्क्रिप्ट बदली। फॉर्मल पैराग्राफ पढ़ना बंद किया। अपनी ही लिखी एक डायरी जैसी बातें, बिल्कुल बातचीत के लहज़े में पढ़ीं। जितना ढीला, उतना अच्छा। क्योंकि क्लोन को "तुम बोलते कैसे हो" चाहिए, "तुम एंकर बनते कैसे हो" नहीं।
तीसरा — लंबा रिकॉर्ड किया। चार मिनट। बीच में रुकना, साँस लेना, एक लाइन गलत पढ़कर हँस देना — सब रहने दिया।
फिर अपलोड किया। इस बार जो आवाज़ निकली, सुनकर मैं ख़ुद चौंक गया — वो मैं ही था, बस कंटेंट बदला हुआ।
वैसे एक बात — ऐसे ऑनलाइन टेक्स्ट टू स्पीच टूल्स अब ढूँढने में मुश्किल नहीं लगते, खोलो और चलाओ। असली मुश्किल है "सैंपल तैयार करना" — और वो काम कोई तुम्हारी जगह नहीं करेगा।
साफ़ आवाज़ के बाद ये काम सच में होने लगे
सैंपल ठीक होने के बाद समझ आया — फ्री AI वॉइस में असली चुनौती "फ्री" नहीं है, चुनौती है कि तुम्हारे पास सुनने लायक एक रिकॉर्डिंग है या नहीं।
मैंने दो रास्ते आज़माए। एक — आवाज़ क्लोनिंग सॉफ़्टवेयर का फ्री वर्ज़न लैपटॉप पर इंस्टॉल करना, ड्राइवर और ग्राफ़िक्स कार्ड से लड़ाई। दूसरा — voice cloning hindi online, यानी ब्राउज़र खोलो, अपलोड करो, टाइप करो, आवाज़ निकल आए। text to speech without signup hindi वाला रास्ता — अकाउंट बनाने की भी ज़रूरत नहीं। मेरे जैसे आदमी के लिए, जिसे बस वीडियो डिलीवर करनी है, दूसरा रास्ता पैसा नहीं बचाता — मूड बचाता है।
- शॉर्ट वीडियो / रील्स की आवाज़: स्क्रिप्ट दस बार बदलेगी तो वॉइस ओवर भी दस बार रिकॉर्ड होगा। पहले ये यातना थी। अब टेक्स्ट बदलो, आवाज़ तुरंत निकल आती है — ट्रायल की कीमत लगभग शून्य।
- कोर्स और नॉलेज ऑडियो: लेक्चर नोट्स को ऑडियो में बदलकर मेट्रो में ख़ुद सुन लेता हूँ। कहाँ भाषा अटक रही है, कान आँख से ज़्यादा ईमानदार होता है।
- ऑडियो बुक आवाज बनाएं: जो कैमरा नहीं दिखाना चाहते, आवाज़ भी नहीं देना चाहते — अपनी क्लोन की हुई आवाज़ से पढ़वा लें। रोबोटिक सिंथेटिक आवाज़ से कहीं ज़्यादा सुनने लायक।
- घर के बड़े-बुज़ुर्गों के लिए: लंबे लेख, दवा की पर्ची, रिमाइंडर — सब आवाज़ में बदल दो। व्हाट्सएप पर लंबा टेक्स्ट भेजने से कहीं ज़्यादा असरदार।
- प्रोडक्ट डेमो और एक्सेसिबिलिटी: डेमो वीडियो, स्क्रीन रीडिंग मटेरियल — जहाँ "इंसानी आवाज़" चाहिए पर बार-बार रिकॉर्ड कराना महँगा पड़े।
ये सब मैं एक ही फ़्लो में करता हूँ: पहले आवाज़ सेव करो, फिर टेक्स्ट डालकर सिंथेसाइज़ करो। बिना साइनअप और बिना शब्द-सीमा वाली सुविधा की वजह से मैं एक ही लाइन तीन अलग टोन में, दो अलग ठहराव के साथ सुन सकता हूँ — और जो कान को ठीक लगे, वही रखता हूँ। यही असली आज़ादी है, फ़ीचर लिस्ट में दो एक्स्ट्रा स्विच से कहीं बड़ी।
सच कहूँ? फ्री TTS वॉइस सिंथेसिस की दहलीज़ अब इतनी नीचे आ गई है कि तुम्हारी लागत सिर्फ़ इतनी है — तीन मिनट ईमानदारी से रिकॉर्ड कर लो।
अगर तुम भी यही खेल खेल रहे हो, और ट्यूटोरियल में कुछ असली ट्रायल-एरर के नोट्स रखे हैं — मेरी इस अंधी-टटोल वाली कोशिश से कम समय बर्बाद होगा।
मेरा अब का फिक्स्ड तरीका
बहुत सीधा है:
साफ़ सैंपल रिकॉर्ड करो (शांत कमरा, फ़ोन या ईयरफ़ोन माइक, नॉर्मल टोन, तीन से पाँच मिनट) → आवाज़ क्लोन करने के लिए अपलोड करो → टेक्स्ट टाइप करके सिंथेसाइज़ करो → सुनो → पसंद न आए तो वापस जाकर टेक्स्ट के विराम-चिह्न ठीक करो।
हाँ, विराम-चिह्न। ये मेरा दूसरा सबक़ था। कॉमा = छोटा ठहराव। पूर्ण विराम = लंबा ठहराव। और "..." = यहाँ साँस लो। पंक्चुएशन सही लिखो, तो लय अपने आप सही आती है — टूल के अंदर पैरामीटर घुमाने से ज़्यादा काम आता है।
निकलने वाली आवाज़ असली इंसानी वॉइस सिंथेसिस के क़रीब है, और पूरे प्रोजेक्ट में एक रुपया नहीं लगा। वीडियो बनाने के तीसरे साल में ये बात सोचना भी मुश्किल था।
तीन सवाल जो हर बार पूछे जाते हैं
रिकॉर्डिंग के लिए महँगा माइक ज़रूरी है?
नहीं। मैंने अलमारी में फ़ोन से जो रिकॉर्ड किया, वो काफ़ी था। सैंपल बर्बाद करने वाली चीज़ें हैं — बैकग्राउंड शोर और दूरी, उपकरण नहीं। शांत कमरा और मुँह से एक मुट्ठी की दूरी, किसी हज़ारों के माइक से बेहतर है जो शोरगुल भरे हॉल में रखा हो।
क्लोन की हुई आवाज़ सीधे कमर्शियल इस्तेमाल कर सकते हैं?
ये इस पर निर्भर है कि तुम किसकी आवाज़ क्लोन कर रहे हो, और प्लेटफ़ॉर्म की शर्तें क्या कहती हैं। अपनी आवाज़ क्लोन करना सबसे आसान है। किसी और की — चाहे ऑफ़िस का साथी ही हो — पहले पूछ लो। बाद में बचे पैसे से ज़्यादा झंझट पड़ सकता है।
फ्री और पेड में ज़मीन-आसमान का फ़र्क़ है?
मैं जो फ्री आवाज़ क्लोनिंग वाले फ़्लो से बनाता हूँ, वो मेरे लिए काफ़ी है। फ़र्क़ बहुत ख़ास ज़रूरतों पर दिखता है — बहुत लंबा टेक्स्ट, या बहुत बारीक भावनात्मक उतार-चढ़ाव। रोज़ की रील्स, कोर्स, नोटिस के लिए फ्री टेक्स्ट टू स्पीच पूरी तरह टिक जाता है। डेवलपर दोस्त जब फ्री वॉइस सिंथेसिस API माँगते हैं, मेरा जवाब एक ही होता है — पहले वेब वर्ज़न पर सैंपल और टेक्स्ट दुरुस्त करो, तभी API की सोचो। वरना तुम बस बड़े पैमाने पर शोर पैदा कर रहे होगे।
आख़िर में एक बात
अगर तुम भी आज़माना चाहते हो, तो आज रात ही कर लो। एक शांत कमरा ढूँढो, फ़ोन निकालो, तीन मिनट रिकॉर्ड करो — सामने पड़ा कोई भी लेख पढ़ डालो, टोन ढीला रखो, एंकर बनने की कोशिश मत करो। फिर उसे अपलोड करो, एक लाइन टाइप करो, और सुनो।
मेरे उस बर्बाद दोपहर ने एक चीज़ सिखाई — क्लोनिंग में अस्सी फ़ीसदी मेहनत "रिकॉर्ड करने" पर लगनी चाहिए, "ट्यून करने" पर नहीं। बाक़ी बीस फ़ीसदी टूल पर छोड़ दो। और हाँ, अगली बार कैफ़े में बैठकर रिकॉर्ड करने का ख़्याल आए तो — बस, मत करना।