रेफरेंस ऑडियो कैसे रिकॉर्ड करें ताकि क्लोन की गई आवाज़ रोबोट न लगे
पिछले हफ्ते एक दोस्त ने स्पैनिश प्रोडक्ट वीडियो के लिए मेरी मदद मांगी। उसने फ़ोन के माइक से सीधे हिंदी में एक पैराग्राफ रिकॉर्ड कर दिया — नतीजा? क्लोन की गई आवाज़ ऐसी लगी जैसे कोई रोबोट न्यूज़ पढ़ रहा हो। हर शब्द साफ़ था, मगर लय‑ताल गायब। जब मैंने दोबारा रिकॉर्ड कराया, तो फ़र्क साफ़ दिखा।
समस्या टेक्नोलॉजी में नहीं, रेफरेंस ऑडियो में है। आप AI को जैसा कच्चा माल देंगे, वैसा ही आउटपुट मिलेगा। आज मैं अपने टूटे‑फूटे तजुर्बे और उन छोटी‑छोटी डिटेल्स को शेयर कर रहा हूँ जो अक्सर नज़रअंदाज़ हो जाती हैं।
बॉटम नॉइज़: रोबोटिक फ़ील का पहला दुश्मन
कई लोग सोचते हैं कि शांत कमरा काफ़ी है। मगर कंप्यूटर का पंखा, AC की भनभनाहट, खिड़की के बाहर ट्रैफ़िक — ये लो‑फ्रीक्वेंसी शोर रिकॉर्डिंग में घुस जाते हैं और क्लोन की गई आवाज़ को "भारी" और "प्लास्टिक" बना देते हैं।
मैंने खुद टेस्ट किया: एक ही स्क्रिप्ट को नॉइज़ वाली और क्लीन रिकॉर्डिंग से क्लोन किया। नॉइज़ वाली वर्जन में आवाज़ साफ़ तौर पर अधिक सिंथेटिक लगी। Audacity में वेवफॉर्म देखें तो बॉटम नॉइज़ वेव के निचले हिस्से को "कंबल" की तरह ढक देता है।
उपाय सरल है — रिकॉर्डिंग से पहले पंखे/AC बंद करें, फ़ोन को थोड़ा दूर रखें, लैपल माइक या डायनामिक माइक यूज़ करें। अगर शोर फिर भी रह जाए तो हल्का नॉइज़ रिडक्शन लगाएं, पर ज़्यादा नहीं वरना आवाज़ खोखली हो जाएगी।
एक और ट्रिक: माइक से लगभग एक मुट्ठी की दूरी रखें। बहुत पास = पॉप और सिबिलेंस; बहुत दूर = रूम रिवर्ब। दोनों ही क्लोन को "पर्दे के पीछे" जैसा बना देते हैं।
पॉज़ और टोन: AI को "साँस" लेना सिखाएं
इंसान बोलते वक़्त साँस लेता है, सोचने के लिए रुकता है। मगर रेफरेंस रिकॉर्ड करते वक़्त कई लोग एक साँस में पूरी लाइन बोल जाते हैं — नतीजा मशीनगन जैसी स्पीड।
मैं हर कॉमा पर 0.3‑0.5 सेकंड का नैचुरल पॉज़ रखता हूँ, फ़ुल स्टॉप पर थोड़ा पिच ड्रॉप करता हूँ। इससे AI सीख जाता है कि वाक्य कहाँ खत्म होता है और आउटपुट में अपने‑आप इंटोनेशन आता है।
टोन भी उतना ही ज़रूरी। अगर आप उत्साह भरी आवाज़ चाहते हैं तो रेफरेंस में मुस्कुराहट होनी चाहिए; गंभीर टोन के लिए आवाज़ नीची रखें। AI आपके इमोशन लेबल नहीं, आपके बोलने का ढंग सीखता है।
एक बार मैंने क्वेश्चनिंग टोन में एक लाइन रिकॉर्ड की — क्लोन के बाद TTS ने क्वेश्चन में टेल राइज़ अपने‑आप कर दिया। यही "छिपी हुई जानकारी" काम आती है।
छोटा टिप — दो‑तीन टेक लें, सबसे नैचुरल वाला चुनें। पहला टेक अक्सर नर्वसनेस में तेज़ होता है।
बहुभाषी डबिंग के लिए खास ध्यान
अगर हिंदी रेफरेंस से इंग्लिश या जापानी निकलवाना है, तो रेफरेंस में हिंदी‑स्पेसिफिक "र" और "श्व" साउंड न हों। वरना AI टारगेट लैंग्वेज में भी वही उच्चारण ले आएगा।
पिछली बार जापानी डबिंग में मैंने दिल्ली वाले "र" का इस्तेमाल किया — क्लोन किया हुआ जापानी हर शब्द के अंत में "र" जोड़ रहा था। दोबारा स्टैंडर्ड हिंदी (बिना रीजनल टच) से रिकॉर्ड किया तो समस्या खत्म।
स्पीड भी मैटर करती है। जापानी हिंदी से थोड़ा तेज़ होता है, तो रेफरेंस थोड़ा क्विक रखें; जर्मन धीमा है तो थोड़ा स्लो। पर जबरदस्ती स्पीड न बदलें — AI "हिचकिचाहट" सीख लेगा।
अगर आप फ्री टेक्स्ट टू स्पीच यूज़ कर रहे हैं, तो टेक्स्ट में पंक्चुएशन डालकर पॉज़ गाइड करें — "..." लंबे पॉज़ के लिए, "!" जोर के लिए। रेफरेंस के पॉज़ के साथ मिलकर रिजल्ट चौंका देता है।
और ट्यूटोरियल पर मैंने देखा: एक ही वॉइस से कई लैंग्वेज निकालने के लिए दो रेफरेंस रिकॉर्ड करें — एक हिंदी में, एक टारगेट लैंग्वेज में (भले ही आप बस दो‑चार वाक्य जानते हों)। AI अलग‑अलग फ़ोनेटिक्स और रिदम सीख लेता है, सिंगल‑लैंग्वेज रेफरेंस से कहीं बेहतर।
डिवाइस चुनाव: फ़ोन भी चलेगा, बस तरीका सही हो
शांत कमरे में फ़ोन का बिल्ट‑इन माइक काफ़ी है, पर हाथ में पकड़कर रिकॉर्ड न करें — हथेली की रगड़, साँस की आवाज़ सब रिकॉर्ड हो जाएगी और क्लोन "कंबल" जैसा लगेगा। फ़ोन को स्टैंड पर हॉरिजॉन्टल रखें, मुँह से एक मुट्ठी दूर।
बजट हो तो ₹500‑₹800 का लैपल माइक या एंट्री‑लेवल डायनामिक माइक ले लें। डायनामिक माइक बैकग्राउंड नॉइज़ कम पकड़ता है — घर पर फुल साइलेंस न हो तो बेस्ट। कंडेंसर माइक डिटेल देता है मगर ऑडियो इंटरफ़ेस, पॉप फ़िल्टर के बिना सिबिलेंस AI को भटका देता है।
पोस्ट‑प्रोसेसिंग: AI के लिए थोड़ी "कच्ची" छोड़ दें
रिकॉर्डिंग के बाद तुरंत 128 kbps MP3 में कन्वर्ट न करें। 44.1 kHz / 16‑bit WAV रखें — मॉडल को पूरा स्पेक्ट्रम मिलेगा। एडिट में बस दो काम: शुरुआत/अंत का लंबा साइलेंस काटें, ‑1 dB पीक नॉर्मलाइज़ करें।
कंप्रेसर, एक्साइटर, "वॉइस एनहांस" प्रीसेट न लगाएं। ये नैचुरल ब्रीथ, माइक्रो‑टेल को मिटा देते हैं और AI "ब्रॉडकास्टर" स्टाइल सीख लेता है — फिर जनरेशन और भी रोबोटिक लगता है।
रियल‑वर्ल्ड केस: 30‑सेकंड शॉर्ट वीडियो वॉइसओवर
पिछले हफ्ते एक 30‑सेकंड प्रोडक्ट रील के लिए वॉइसओवर किया — सिर्फ़ फ़ोन + लैपल माइक। शांत बेडरूम, AC बंद, गुनगुना पानी पीकर वॉर्म‑अप। स्क्रिप्ट को 5 लॉजिकल चंक में बांटा, हर चंक के बाद 0.5 सेकंड गैप। तीन टेक लिए, सबसे स्मूथ वाला चुना, कंप्यूटर पर केवल नॉर्मलाइज़ किया, सीधे मुफ्त आवाज क्लोनिंग में ड्रैग‑ड्रॉप।
जनरेशन के बाद तीसरा चंक थोड़ा तेज़ लगा। टेक्स्ट में कीवर्ड से पहले दो कॉमा जोड़े, फिर जनरेट किया — पेस अपने‑आप कंट्रोल में आ गया। फाइनल ऑडियो को वीडियो कट पॉइंट्स पर स्लाइस किया, बैकग्राउंड म्यूजिक लेयर किया, पब्लिश किया। कमेंट में किसी ने पूछा "ये असली आवाज़ है या AI?" — वही मेरा गोल था।
अक्सर पूछे जाने वाले सवाल
सवाल: रेफरेंस ऑडियो कितना लंबा हो?
कम‑से‑कम 2 मिनट, 5 मिनट आदर्श। बहुत छोटा = AI पूरा इंटोनेशन नहीं सीख पाता; बहुत लंबा = अनस्टेबल प्रोनन्सिएशन घुस जाता है। मैं 3 मिनट रिकॉर्ड करता हूँ — स्टेटमेंट, क्वेश्चन, एक्सक्लेमेशन कवर करता हूँ।
सवाल: फ़ोन से रिकॉर्ड कर सकते हैं?
हाँ, लेकिन फ़ोन के डिफॉल्ट रिकॉर्डर ऐप से नहीं — वो कंप्रेस करता है। "वॉइस मेमो" या कोई थर्ड‑पार्टी ऐप यूज़ करें, लॉसलेस फॉर्मेट, 44.1 kHz मिनिमम। फ़ोन को हॉरिजॉन्टल स्टैंड पर रखें, हाथ में न पकड़ें।
सवाल: क्लोन की गई आवाज़ अभी भी मशीनी लग रही है, क्या करूँ?
पहले चेक करें: बॉटम नॉइज़ तो नहीं? पॉज़ नैचुरल हैं? अगर सब ठीक, तो फ्री AI डबिंग के टेक्स्ट बॉक्स में एक्स्ट्रा पंक्चुएशन और लाइन ब्रेक डालें — TTS सेगमेंट‑वाइज़ प्रोसेस करेगा। कुछ शब्दों को फ़ोनेटिकली स्प्लिट करें, जैसे "वाराणसी" को "va ra na si" लिख दें, ताकि कनेक्टेड स्पीच एरर न हो।
अगला कदम
अगली बार रेफरेंस रिकॉर्ड करने से पहले: पंखा बंद करें, पानी पिएं, एक इमोशनल न्यूज़ पैराग्राफ पढ़ें — जैसे किसी दोस्त को सुना रहे हों। रिकॉर्डिंग सुनें; अगर लगे "अरे, ये तो मेरी ही बातचीत है", तो बस वही वर्जन अपलोड करें।
बिना रजिस्ट्रेशन ऑनलाइन वॉइस क्लोन पर जाएं, अपना रेफरेंस डालें, एक लाइन जनरेट करें और अपनी रोज़मर्रा की स्पीच से तुलना करें। आप देखेंगे — रोबोट और इंसान के बीच का फ़ासला बस एक दिल लगाकर की गई रिकॉर्डिंग का है।