मेट्रो की रिकॉर्डिंग से आवाज़ क्लोन की तो बज गई रिपोर्टर की आवाज़, फिर फ्री TTS से 80 पेज की नोट्स सुन डाली
पिछले महीने मैंने खुद को एक चैलेंज दिया — 80 पेज की कोर्स नोट्स को ऑडियो में बदलकर मेट्रो में सुनना। PDF इतना घना था कि दस मिनट पढ़ने के बाद आँखें थक जातीं। सोचा: आवाज क्लोन करें फ्री टूल से अपनी ही आवाज़ कॉपी कर लूँ, फिर वही मुझे पढ़कर सुनाए।
पहला अटेम्प्ट? पूरी तरह फ्लॉप।
मेट्रो में रिकॉर्डिंग ली, नतीजा आया "अगला स्टेशन, राजीव चौक"
सुबह की भीड़ में फोन मुंह के पास रखकर तीन मिनट बारह सेकंड की रिकॉर्डिंग की। ईयरफोन लगे थे, खुद को स्मार्ट समझ रहा था — कम्यूट टाइम वेस्ट न हो, बस नोट्स पढ़ दूँ।
पहला वाक्य ठीक निकला। दूसरा वाक्य शुरू होते ही आवाज़ पानी में डूबी लगी, पीछे से वही लो-फ्रीक्वेंसी हम्म — मेट्रो का इंजन शोर। चौथे वाक्य पर अचानक एक धुंधली आवाज़ घुसी: "अगला स्टेशन, राजीव चौक"। मैं दो सेकंड रुका, तीन बार रिवाइंड करके सुना — सच में, टूल ने मेरे बगल की अनाउंसमेंट को मेरी आवाज़ का हिस्सा मान लिया।
पूरा दोपहर मैं सोचता रहा: AI आवाज़ क्लोन ऑनलाइन टूल इस्तेमाल किया था, फिर भी मुझे मेट्रो का अनाउंसर बना दिया।
पोस्टमॉर्टम: तीन गलतियाँ जो मुझे लगा थीं "कोई बात नहीं"
शोर "बैकग्राउंड" नहीं, "फीचर" है — मैं समझता था क्लोन केवल वॉइस पकड़ता है, एनवायरनमेंट अपने आप फ़िल्टर हो जाएगा। असल में मॉडल पूरी ऑडियो की स्टैटिस्टिकल प्रोफाइल सीखता है: मेट्रो का लगातार हम्म, बगल वाले की बातें, फोन को मुंह से चिपकाने पर होने वाला पॉप — सब "तुम्हारी आवाज़ ऐसी है" लिख देता है। गंदा इनपुट, गंदा आउटपुट, कोई अपवाद नहीं।
लंबाई और स्पीड, टोन से ज्यादा मैटर करते हैं — उन तीन मिनट में दो मिनट मैं धीरे बोल रहा था (किसी को डिस्टर्ब न हो), स्पीड कभी तेज कभी धीमी। सैंपल छोटा और अनस्टेबल था, तो आउटपुट चार-नहीं-दो जैसा निकला। बाद में पता चला वॉइस क्लोनिंग सॉफ्टवेयर फ्री हो या पेड, क्वालिटी वाला सैंपल कोई नहीं बचा सकता।
फोन का बिल्ट‑इन नॉइज़ कैंसलेशन उल्टा पड़ता है — कॉल के लिए डिज़ाइन किया गया है "समझ में आए", इसलिए वॉइस के हार्मोनिक्स काट देता है। कॉल में ठीक, क्लोन में डिजास्टर — हार्मोनिक्स गए, टोन फ्लैट।
ये तीन पॉइंट क्लियर हुए तो मैं फिर से आवाज़ क्लोन करें पेज पर गया। इस बार ईमानदारी से।
दोबारा रिकॉर्डिंग: अलमारी, कंबल, तीन मिनट
मैं अपनी अलमारी में घुसा, सर्दियों के पफर जैकेट को साइड में रखकर DIY साउंडप्रूफिंग बनाया। फोन एयरप्लेन मोड, मुंह से बीस सेंटीमीटर दूर, चेहरे से नहीं चिपकाया। खुद की लिखी एक पैराग्राफ पढ़ी, वाक्य लंबे‑छोटे मिक्स, स्पीड नॉर्मल से थोड़ी धीमी।
बस तीन मिनट।
निकली आवाज़ मुझे खुद अजीब लगी — अपनी रिकॉर्डिंग कौन पसंद करता है — पर मम्मी ने बगल से कहा "यही तो तू है"। बस, पास।
अब असली काम: नोट्स को सुनने लायक ऑडियो बनाना। फ्री TTS आवाज़ 합성 उतना मुश्किल नहीं जितना लगता है।
PDF डायरेक्ट डालने से काम नहीं चलता। मैंने ये किया:
- हेडर, फुटर, पेज नंबर, रेफरेंस सुपरस्क्रिप्ट — सब डिलीट।
- फॉर्मूला और टेबल को एक लाइन में बोलचाल की भाषा में बदला ("यहाँ तीन रो और दो कॉलम की तुलना टेबल है, बायाँ मेथड, दायाँ एक्यूरेसी")।
- हर बड़े हेडिंग से पहले "पहला भाग", "दूसरा भाग" जोड़ा ताकि कान को लैंडमार्क मिले।
साफ़ टेक्स्ट ऑनलाइन टेक्स्ट टू स्पीच में पेस्ट किया, अभी‑अभी क्लोन की हुई आवाज़ चुनी, सेगमेंट में जनरेट किया। ऑनलाइन टेक्स्ट टू स्पीच फ्री होने पर पहले शक था, यूज़ करके पता चला सच में कोई चार्ज नहीं। अस्सी पेज ग्यारह सेगमेंट में बंटे, हर सेगमेंट सात‑आठ मिनट — एक मेट्रो राइड के बराबर।
जब मेरी ही आवाज़ ने "बेयसियन इन्फेरेंस" बोला, अजीब सा सुकून मिला। कहने का मतलब: फ्री AI डबिंग को रीडर की तरह यूज़ किया, बस डबिंग आर्टिस्ट मैं खुद हूँ।
कुछ डीटेल जो ठोकर खाकर सीखे
- सैंपल छोटा मगर साफ़ — तीन मिनट क्लीन ड्राई वॉइस, तीस मिनट मीटिंग रूम रिकॉर्डिंग से बेहतर।
- एक बार में बहुत लंबा न जनरेट करो — पंद्रह मिनट से ऊपर का सिंगल सेगमेंट सुनने में थकाता है, बीच में रिज्यूम भी नहीं कर सकते।
- नंबर और अक्रोनिम पहले लिख लो — "2024" → "दो हज़ार चौबीस", "CNN" → "सी एन एन", वरना अजीब सुनाई देता है।
- जनरेट से पहले दस सेकंड प्रीव्यू — पूरा सेगमेंट खत्म होने के बाद गलत वॉइस पता चले तो टाइम वेस्ट।
यह वर्कफ़्लो सेट होने के बाद मैंने कुछ एक्सेसिबिलिटी वॉलंटियर्स को दिखाया। उनका यूज़ केस और हार्डकोर है — विज़ुअली इम्पेयर्ड स्टूडेंट्स को टेक्स्टबुक, रिसर्च पेपर, पॉलिसी डॉक्यूमेंट सुनने होते हैं, सौ‑दो सौ पेज। उनके लिए फ्री रजिस्ट्रेशन के बिना आवाज़ संश्लेषण और अनलिमिटेड टेक्स्ट टू स्पीच ज्यादा ज़रूरी है, आवाज़ कितनी मिलती‑जुलती है उससे ज्यादा।
मैंने सोचा फ्री वॉइस सिंथेसिस API से स्क्रिप्ट लिखकर बैच प्रोसेस करूँ, फिर लगा ब्राउज़र में ही करना तेज़ है, सो कोडिंग छोड़ दी। VoxClone (यही साइट) का मुझे यह पसंद आया कि साइनअप नहीं, खोलो और चलाओ। ऐसी फ्री रजिस्ट्रेशन‑लेस ऑनलाइन वॉइस क्लोनिंग उन लोगों के लिए वरदान है जो महीने में एक‑दो बार ही यूज़ करते हैं। ऑनलाइन फ्री वॉइस क्लोन और फ्री टेक्स्ट टू स्पीच एक ही जगह, बार‑बार टैब स्विच नहीं करना पड़ता। रियल ह्यूमन वॉइस सिंथेसिस फ्री एक बार सेट हो जाए तो आपकी आवाज़ एक रीयूज़ेबल रीडिंग इंजन बन जाती है — जितने पेज चाहो, कोई टेंशन नहीं।
साइट परमानेंट फ्री वॉइस क्लोनिंग का दावा करती है, मैं छह महीने से यूज़ कर रहा हूँ, न कभी पेमेंट वॉल आया न क्रेडिट खत्म हुआ। फिर भी, लेटेस्ट पॉलिसी के लिए ऑफिशियल साइट चेक कर लेना सेफ रहता है।
FAQ
क्लोन की हुई आवाज़ मेरी जैसी नहीं लग रही, क्या करूँ?
अस्सी परसेंट चांस सैंपल का इश्यू है, टूल का नहीं। तीन चीज़ चेक करो: रिकॉर्डिंग में कोई और बोल रहा है क्या? लगातार बैकग्राउंड शोर (पंखा, ट्रैफिक) है क्या? स्पीड बार‑बार बदल रही है क्या? एक और पॉइंट जो लोग भूल जाते हैं — इमोशन। अगर सैंपल रिकॉर्ड करते वक़्त तुम जोश में बोल रहे थे, तो जनरेटेड वॉइस भी एक्साइटेड लगेगी, लेक्चर नोट्स पढ़ते वक़्त अजीब लगेगी। सैंपल में नॉर्मल कन्वर्सेशन टोन रखो, एक्टिंग मत करो।
नोट्स में फॉर्मूला, टेबल, कोड कैसे हैंडल करूँ?
TTS से उम्मीद मत रखो कि वो पढ़ देगा। मेरा तरीका: उन्हें बोलचाल की लाइन में कन्वर्ट करके उसी जगह इन्सर्ट कर दो। फॉर्मूला → "सिग्मा i इक्वल्स 1 टू n", टेबल → "इस टेबल में तीन रो हैं, पहला रो है…", कोड ब्लॉक → स्किप करके बस "यहाँ एक कोड स्निपेट है, ओरिजिनल पेज नंबर देख लो" बोल दो। सुनने में भले बचकाना लगे, पर कान को फॉलो करना आसान होता है।
बिना साइनअप वाले ऑनलाइन टूल में लिमिट तो नहीं होती?
मैंने छह महीने यूज़ किया, कभी लिमिट नहीं दिखी। फिर भी साइट पॉलिसी बदल सकती है, इसलिए ऑफिशियल पेज पर नज़र मार लो। मेरा सुझाव: इम्पोर्टेन्ट लॉन्ग टेक्स्ट जनरेट करने के बाद ऑडियो फ़ाइल लोकल में सेव कर लो — सबसे सेफ। वैसे और ट्यूटोरियल में भी लॉन्ग‑फॉर्म प्रोसेसिंग के आइडिया मिलेंगे, एक बार देख लेना।
अगर तुम्हारे पास भी कोई ऐसा लंबा डॉक्यूमेंट पड़ा है — लेक्चर नोट्स, थीसिस, पॉलिसी PDF, प्रोडक्ट मैनुअल — तो आज रात ही शुरू कर सकते हो। एक शांत कोना ढूंढो, फोन से तीन मिनट अपनी आवाज़ रिकॉर्ड करो, स्पीड थोड़ी स्लो रखो, वाक्य बोलचाल की भाषा में लिखो, फिर फ्री आवाज़ क्लोनिंग पर जाकर ट्राई करो।
मेरी तरह मेट्रो में रिकॉर्ड मत करना — वो गलती मैं दोबारा नहीं करूँगा।