वो रात जब मेरा रील फ़्लॉप हुआ
पिछले महीने मैंने एक इंस्टाग्राम रील के लिए स्क्रिप्ट लिखी – “दिल्ली की बारिश में चाय की खुशबू”। स्क्रिप्ट को सीधे एक ऑनलाइन TTS में डाल दिया, सोचा बस आवाज़ निकल आएगी। निकली तो आवाज़ ऐसी लगी जैसे कोई रोबोट रेडियो पर न्यूज़ पढ़ रहा हो। कमेंट में लोगों ने पूछा, “भाई, ये असली है या AI?” – और मैं शर्मिंदा हो गया।
उसी रात मैंने मुफ्त आवाज क्लोनिंग टूल खोला, अपनी ही रिकॉर्डिंग अपलोड की और सिर्फ़ स्पीड 0.93 और 180 ms का पॉज़ डाला। अगली सुबह वही स्क्रिप्ट फिर से जनरेट की – अब कमेंट्स में “वाह, ये तो बिल्कुल असली लग रही है!” लिखा था।
टोन, पॉज़ और लोकल एक्सेंट का खेल
हिंदी में इंटोनेशन का मतलब सिर्फ़ ऊँचा‑नीचा नहीं होता। सवाल के आख़िर में थोड़ा सा उठाव, स्टेटमेंट के अंत में हल्का गिराव – ये सब मायने रखता है। अगर आप एक ही पैरामीटर सेट करके मराठी, बंगाली या तमिल भी चलाएंगे, तो सुनने वाला तुरंत पकड़ लेगा “ये मशीन है”।
पॉज़ तो और भी खतरनाक है। हिंदी में हम कॉमा पर साँस लेते हैं, लेकिन इंग्लिश में क्लॉज़ अपने आप टूट जाता है। फिक्स्ड 300 ms का साइलेंस डाल दो तो पूरी लाइन टाइपराइटर जैसी लगती है। मैंने ऑनलाइन टेक्स्ट टू स्पीच पर हर वाक्य के बाद <break time="180ms"/> डाला, फिर फर्क दिखा।
एक्सेंट की बात करें तो दिल्ली की “ख़” और लखनऊ की “ख” में फ़र्क़ है। फ्री टूल्स में अक्सर एक ही मॉडल होता है, इसलिए मैं अपनी आवाज़ क्लोन करके रीजनल टच देता हूँ – आवाज क्लोन करें फ्री वाला ऑप्शन ही मेरे लिए वरदान साबित हुआ।
कैरेक्टर सेट, पंक्चुएशन और वो छिपे हुए बग
कई बार स्क्रिप्ट में फुल‑विड्थ कॉमा, ज़ीरो‑विड्थ स्पेस या इमोजी होते हैं। कुछ इंजन इन्हें स्किप कर देते हैं, कुछ क्रैश कर देते हैं – नतीजा: अजीब सा गैप या शब्द कट जाता है। मैं अब स्क्रिप्ट को पहले Unicode NFC में नॉर्मलाइज़ करता हूँ, फिर स्पेशल सिम्बल को <phoneme> टैग से बदल देता हूँ। आधा घंटा बच जाता है पोस्ट‑प्रोडक्शन में।
नंबर, डेट और टाइम – वो छोटी सी गलती जो पूरी ऑडियो खराब कर देती है
एक बार ऑडियोबुक के लिए “2024‑03‑15” लिखा। TTS ने “दो हज़ार चौबीस शून्य तीन पंद्रह” बोल दिया – जैसे बच्चा गिनती सीख रहा हो। हिंदी में साल “दो हज़ार चौबीस” बोला जाता है, महीना “मार्च” और दिन “पंद्रह”। मैंने स्क्रिप्ट में ही “दो हज़ार चौबीस मार्च पंद्रह” लिख दिया, फिर से जनरेट किया – परफेक्ट।
टाइम फॉर्मेट में भी यही हाल है। “3:15” को “तीन बजकर पंद्रह मिनट” बोलना चाहिए, लेकिन इंजन “तीन पंद्रह” बोल देता है। अब मैं हर टाइम को शब्दों में लिखता हूँ, फिर फ्री टेक्स्ट टू स्पीच पर डालता हूँ।
स्पीड और पिच – ये गणित है, जादू नहीं
बहुत लोग समझते हैं स्पीड 1.2 कर दो तो “एनर्जेटिक” लगेगा। मैंने टेस्ट किया: हिंदी में 1.0 बहुत तेज़, 0.9 सुस्त, 0.93 बिल्कुल नैचुरल। पिच में भी: स्टेटमेंट के अंत में 2‑3 सेमीटोन गिराव, सवाल में 4‑5 सेमीटोन उठाव। मैंने Audacity में रिकॉर्डिंग लेकर स्पेक्ट्रोग्राम देखा, फिर वही वैल्यू टूल में डाली।
फ्री टूल चेन – मेरा रोज़ का वर्कफ़्लो
- स्क्रिप्ट तैयार – हिंदी + इंग्लिश मिक्स, नंबर/डेट शब्दों में।
- ऑनलाइन टेक्स्ट टू स्पीच पर हर पैराग्राफ जनरेट – कोई साइन‑अप नहीं, अनलिमिटेड।
- मुफ्त आवाज क्लोनिंग टूल पर अपनी आवाज़ अपलोड, स्पीड 0.93, पिच ‑2 सेंट, पॉज़ 180 ms सेट।
- और ट्यूटोरियल से SSML चीट‑शीट लेकर
<emphasis>और<break>डालता हूँ। - फ़ाइनल MP3 डाउनलोड → Premiere Pro में डालकर वीडियो बनाता हूँ।
पूरी चेन फ्री वॉइस क्लोनिंग इंडिया के हिसाब से परफेक्ट है – न API लिमिट, न वॉटरमार्क, कमर्शियल यूज़ भी अलाउड (बस मॉडल वेट दोबारा न बांटें)।
इमोशन मार्कर – वो छुपा हुआ सुपरपावर
अधिकतर लोग SSML देखते ही नहीं। <emphasis level="strong"> से शब्द पर ज़ोर, <break time="200ms"/> से सांस – ये ग्लोबल पैरामीटर से कहीं ज़्यादा कंट्रोल देते हैं। पिछले हफ्ते एक हिंदी प्रोमो में “ज़बरदस्त” शब्द के आगे‑पीछे 200 ms ब्रेक और एम्फ़ेसिस डाला – क्लाइंट ने पूछा “क्या तुमने वॉइस ओवर आर्टिस्ट हायर किया?”।
FAQ
हिंदी में इंग्लिश शब्द आने पर स्पेलिंग क्यों पढ़ी जाती है?
मॉडल डिफ़ॉल्टली सिंगल‑लैंग्वेज टोकनाइज़ करता है। इंग्लिश वर्ड को <lang=en> टैग में लपेट दो या अलग से जनरेट करके जोड़ दो।
स्पीड 0.92‑0.95 के बीच रखने से आवाज़ नैचुरल क्यों लगती है?
इस रेंज में हिंदी की औसत बोलने की गति (≈ 150 wpm) मैच करती है। साथ में 150‑200 ms पॉज़ और हल्का पिच ड्रॉप जोड़ दो – मशीन वाली “रोबोटिक” फील चली जाती है।
फ्री टूल का ऑडियो कमर्शियल यूज़ कर सकते हैं?
हाँ, VoxClone की शर्तों में साफ़ लिखा है – कमर्शियल यूज़ अलाउड, बस मॉडल वेट री‑डिस्ट्रीब्यूट न करें। जनरेटेड ऑडियो का कॉपीराइट आपके पास रहता है।
अगली बार जब आप हिंदी में टेक्स्ट को आवाज़ में बदलें या ऑडियो बुक आवाज बनाएं, याद रखें: छोटे‑छोटे पॉज़, सही इंटोनेशन, लोकल एक्सेंट और SSML मार्कर – ये चार चीज़ें ही आपकी आवाज़ को “मशीन” से “इंसान” बना देती हैं। ट्राई करके देखो, फिर बताना कैसा लगा!