स्क्रिप्ट लिखिए, टेक्स्ट-टू-स्पीच आवाज़ों से किरदार चुनिए, फिर हर सीन के हिसाब से बैकग्राउंड म्यूज़िक और साउंड इफेक्ट्स जोड़िए। सब कुछ एक ही वर्कस्पेस में चलता है, इसलिए आप उसी दोपहर एक रफ एपिसोड सुन सकते हैं और सिर्फ़ वही लाइनें दोबारा बनाते हैं जो ठीक नहीं लगीं।
ऑडियो ड्रामा वह फ़िल्म है जिसमें से तस्वीर हटा दी गई है, इसलिए कैमरा जो भी काम करता था वह अब किसी आवाज़ के हिस्से आता है। आवाज़ें किरदारों को उठाती हैं, म्यूज़िक माहौल को, और दरवाज़े की धड़ाम से सुनने वाले को पता चलना चाहिए कि वह किसी गलियारे में खड़ा है। आज AI आपकी लिखी स्क्रिप्ट से तीनों परतें दे सकता है: आवाज़ों की कास्ट, बैकग्राउंड स्कोर और ज़रूरी जगहों के साउंड इफेक्ट्स। यह पेज बताता है कि हर परत के लिए क्या इस्तेमाल करें, उन्हें कैसे जोड़ें, और कहाँ आपको फिर भी ऑडियो एडिटर की ज़रूरत पड़ेगी।
ऑडियो कहानियों के साथ हमेशा स्टाफ़ की दिक्कत रही है। चार किरदारों, एक तूफ़ान और चरमराती सीढ़ियों वाले सीन के लिए पारंपरिक तौर पर कलाकार, स्टूडियो, फ़ोली टेबल और सब कुछ मिक्स करने वाला कोई चाहिए। इसी वजह से जो लोग अच्छे डायलॉग लिखते हैं, उनमें से ज़्यादातर उन्हें कभी बोला हुआ सुन ही नहीं पाते। टेक्स्ट-टू-स्पीच मॉडल पहली रुकावट हटा देते हैं: आप एक लाइन पेस्ट करते हैं, एक आवाज़ चुनते हैं और परफ़ॉर्मेंस वापस पा लेते हैं, और स्क्रिप्ट जितनी बार माँगे उतनी बार दोहरा सकते हैं, किसी का शेड्यूल मिलाए बिना।
Picasso IA सारे हिस्से एक जगह रखता है। कैटलॉग में 502 मॉडल हैं, जिनमें 24 टेक्स्ट-टू-स्पीच और 10 AI म्यूज़िक मॉडल हैं, और toolkit वह वर्कस्पेस है जहाँ आप एक मॉडल चुनते हैं, प्रॉम्प्ट लिखते हैं या फ़ाइल जोड़ते हैं और जनरेट करते हैं। नए अकाउंट को मुफ़्त क्रेडिट मिलते हैं, इसलिए शुरुआत में एक टेस्ट सीन आज़माने में कुछ खर्च नहीं होता, और क्रेडिट खत्म होने के बाद वे कैसे खर्च होते हैं यह प्राइसिंग पेज समझाता है।
असली फ़ायदा लिखने की तरफ़ बार-बार आज़माने की रफ़्तार का है। जो स्क्रिप्ट कागज़ पर अच्छी पढ़ी जाती है, वह बोलने पर अक्सर बिखर जाती है: कोई लाइन बहुत लंबी होती है, दो किरदार एक जैसे सुनाई देते हैं, किसी मज़ाक को एक पल की खामोशी चाहिए होती है। सुनने से यह सब कुछ ही मिनटों में सामने आ जाता है।
डायलॉग वह परत है जिसे सुनने वाला सबसे सख्ती से परखता है, इसलिए यहीं से शुरू कीजिए। कैटलॉग के दो मॉडल ड्रामा के लिए ठीक बैठते हैं, और वे इतने अलग ढंग से काम करते हैं कि एक ही सीन पर दोनों आज़माना फ़ायदेमंद है।
elevenlabs/v3 में नाम वाली आवाज़ों की लंबी सूची है, स्पीड कंट्रोल है, एक स्टाइल सेटिंग है जो अदायगी को सपाट नैरेशन से कुछ ज़्यादा नाटकीय तरफ़ ले जाती है, और एक स्टेबिलिटी सेटिंग है जो लंबी स्क्रिप्ट में आवाज़ को एक जैसा रखने के लिए बनी है। यह मौजूदा लाइन से पहले और बाद का टेक्स्ट भी लेता है, जिससे वाक्य की शुरुआत और अंत का लहजा संदर्भ में सही बैठता है। inworld/tts-1.5-max स्क्रिप्ट के अंदर ही मार्कअप से काम करता है: [happy] या [sad] जैसे टैग लाइन की भावना तय करते हैं, [laugh] और [sigh] बिना शब्दों वाली आवाज़ें जोड़ते हैं, और ब्रेक टैग ठहराव ठीक वहीं रखते हैं जहाँ आप चाहें। इसमें आप नाम से पहले से बनी आवाज़ें भी चुन सकते हैं।
जो भी इस्तेमाल करें, हर किरदार को एक ही आवाज़ दीजिए और वह चुनाव लिख लीजिए। किरदार, मॉडल, आवाज़ का नाम और सेटिंग वाली एक कास्ट शीट पूरे प्रोजेक्ट का सबसे काम का दस्तावेज़ है, क्योंकि आप बाद में लाइनें दोबारा जनरेट करेंगे और पहले दिन जो बनाया था उससे मिलाना पड़ेगा। नैरेटर को ऐसी आवाज़ दीजिए जो किसी भी किरदार से साफ़ अलग हो।
अगर आप चाहते हैं कि कोई किरदार आपकी अपनी आवाज़ इस्तेमाल करे, तो वॉइस क्लोनिंग पेज इसे समझाता है, और यह सिर्फ़ उस आवाज़ पर लागू होता है जो आपकी है या जिसे इस्तेमाल करने की आपके पास अनुमति है। काल्पनिक किरदारों को काल्पनिक आवाज़ें मिलती हैं, किसी असली और पहचाने जा सकने वाले व्यक्ति की नक़ल कभी नहीं।
म्यूज़िक और इफेक्ट्स अलग-अलग काम हैं, और कैटलॉग उन्हें अलग ही मानता है। स्कोर के लिए elevenlabs/music, stability-ai/stable-audio-2.5 और google/lyria-3 जैसे म्यूज़िक मॉडल लिखे हुए विवरण को एक ट्रैक में बदलते हैं। elevenlabs/music में इंस्ट्रुमेंटल का स्विच और टारगेट लंबाई है, जो डायलॉग के नीचे बैठने वाली बैकग्राउंड बेड के लिए ठीक वही चीज़ है। माहौल, कुछ वाद्य और लंबाई माँगिए, और गायन बंद रखिए ताकि बोलते किरदार से म्यूज़िक कभी होड़ न करे।
साउंड इफेक्ट्स कम सीधे हैं। कैटलॉग में सिर्फ़ टेक्स्ट से साउंड इफेक्ट बनाने के लिए बना कोई मॉडल नहीं है, इसलिए दो रास्ते हैं। stability-ai/stable-audio-2.5 अपने आउटपुट में छोटे वन-शॉट इफेक्ट्स गिनाता है, तो किसी एक घटना का वर्णन करके देखना ठीक रहेगा, जैसे भारी लकड़ी का दरवाज़ा बंद होना। दूसरा रास्ता तस्वीर से शुरू होता है: mirelo/video-to-sfx-v1.5 और zsxkib/mmaudio वीडियो क्लिप देखकर ऐसी आवाज़ बनाते हैं जो स्क्रीन पर दिखने वाली चीज़ से मेल खाए। यह तभी काम का है जब सीन पहले से वीडियो के रूप में मौजूद हो, पर अगर आप विज़ुअल वर्शन भी बना रहे हैं तो काफ़ी सुविधाजनक है। इस रास्ते के बारे में और जानने के लिए बिना आवाज़ वाले AI वीडियो में साउंड इफेक्ट्स जोड़ने वाला पेज देखिए।
| परत | आज़माने के मॉडल | आप क्या देते हैं | किस पर नज़र रखें |
|---|---|---|---|
| डायलॉग | elevenlabs/v3, inworld/tts-1.5-max | एक लाइन, एक आवाज़, अदायगी का नोट | आवाज़ हर बार थोड़ी बदल सकती है |
| नैरेशन | elevenlabs/v3, inworld/tts-1.5-max | अलग आवाज़ में छोटा अंश | लंबे अंश बाँटने पड़ सकते हैं |
| स्कोर | elevenlabs/music, google/lyria-3 | माहौल, वाद्य, लंबाई, इंस्ट्रुमेंटल ऑन | म्यूज़िक को नहीं पता आपकी लाइनें कहाँ आती हैं |
| ख़ास इफेक्ट्स | stability-ai/stable-audio-2.5 | हर प्रॉम्प्ट में एक आवाज़ी घटना | नतीजे बदलते हैं, कई बार जनरेट करें |
| सिंक वाले इफेक्ट्स | mirelo/video-to-sfx-v1.5, zsxkib/mmaudio | सीन का वीडियो क्लिप | तस्वीर चाहिए और छोटे क्लिप पर चलता है |
पहला एपिसोड छोटा रखिए। दो या तीन किरदार और एक लोकेशन काफ़ी हैं, ताकि बड़ा करने से पहले पूरी प्रक्रिया सीख सकें।
सबसे आम गलती है पूरा सीन एक ही बार में जनरेट करना। टेक्स्ट का एक लंबा ब्लॉक आपको एक ही अदायगी देता है और इस पर कोई नियंत्रण नहीं कि कौन कैसा सुनाई दे। हर लाइन अलग जनरेट कीजिए, ताकि एक खराब टेक बाकी को छुए बिना दोबारा बन सके, और किरदारों के बीच के ठहराव मॉडल के नहीं, आपके तय किए हों।
दूसरी गलती है आँख के लिए लिखना। मॉडल विराम चिह्नों को अदायगी की तरह पढ़ते हैं, इसलिए कॉमा की दीवार हाँफती हुई बोली बनाती है, जबकि छोटे वाक्य आवाज़ को टिकने की जगह देते हैं। कुछ भी जनरेट करने से पहले स्क्रिप्ट एक बार ज़ोर से पढ़िए और हर वह लाइन काट दीजिए जिस पर आप अटकते हैं। कोई किरदार ऐसी क्रिया भी नहीं कर सकता जो सिर्फ़ ब्रैकेट में लिखी है, इसलिए उसे किसी आवाज़ या लाइन में बदल दीजिए।
तीसरी गलती है डायलॉग को दबा देना। पूरी ऊर्जा पर बना म्यूज़िक धीमी आवाज़ को डुबो देता है, और यह मिक्स में दिखता है, जहाँ सुधार तभी आसान है जब ट्रैक अलग-अलग हों। हर परत को उसकी अपनी फ़ाइल में रखिए और शांत अरेंजमेंट वाला इंस्ट्रुमेंटल म्यूज़िक माँगिए।
सुझाव: हर इफेक्ट प्रॉम्प्ट में एक ही आवाज़ और हर फ़ाइल में एक ही वॉइस। दरवाज़े की एक साफ़ धड़ाम, जिसे आप कहीं भी रख सकें, उस लंबे जनरेशन से बेहतर है जिसमें दरवाज़ा, कदमों की आहट और हवा मिले हों और बाद में अलग न हो सकें।
यह तरीका आपको एक भरोसेमंद रफ कट देता है, और कभी-कभी रिलीज़ करने लायक एपिसोड भी, पर इसकी असली सीमाएँ हैं जिन्हें किसी सीरीज़ पर हफ़्ते लगाने से पहले जान लेना अच्छा है।
AI अदायगी और कच्चा माल संभालता है; ढाँचा, रफ़्तार और आख़िरी निखार आप संभालते हैं।
वह आवाज़ें, म्यूज़िक और इफेक्ट्स जनरेट कर सकता है, पर उन्हें आपके लिए जोड़ता नहीं। आप स्क्रिप्ट लिखते हैं, हर लाइन जनरेट करते हैं, स्कोर और इफेक्ट्स जोड़ते हैं, और फिर फ़ाइलों को ऑडियो एडिटर के ट्रैक पर सजाते हैं। Picasso IA कास्ट और साउंड लाइब्रेरी है; एडिटर मिक्सिंग डेस्क है। दो या तीन किरदारों वाला छोटा एपिसोड पहला यथार्थवादी लक्ष्य है।
हर किरदार के लिए एक आवाज़ चुनिए और बीच में मत बदलिए। सेटिंग भी स्थिर रखिए: elevenlabs/v3 में इसमें स्टेबिलिटी और सिमिलैरिटी कंट्रोल शामिल हैं, और inworld/tts-1.5-max में इसका मतलब वही प्रीसेट आवाज़ और वही बोलने की रफ़्तार है। जब हो सके, लाइनें एक ही सेशन में जनरेट कीजिए। अगर कोई लाइन फिर भी अटपटी लगे, तो पूरा सीन दोबारा बनाने की जगह सिर्फ़ वही लाइन दोबारा जनरेट कीजिए।
कोई एक हर जगह सबसे अच्छा नहीं है, इसलिए अपने सबसे मुश्किल सीन पर दोनों आज़माइए। elevenlabs/v3 में नाम वाली कई आवाज़ें और ज़्यादा नाटकीय अदायगी के लिए स्टाइल कंट्रोल है। inworld/tts-1.5-max में आप भावना और बिना शब्द की आवाज़ें सीधे स्क्रिप्ट में टैग से लिख सकते हैं। अपने किरदारों के लिए कान से चुनिए, और बेमेल से बचने के लिए हर किरदार पर एक ही मॉडल रखिए। अगर कोई न जमे, तो कैटलॉग में 24 टेक्स्ट-टू-स्पीच मॉडल हैं।
कैटलॉग में सिर्फ़ इसी के लिए बना कोई मॉडल नहीं है, पर stability-ai/stable-audio-2.5 अपने आउटपुट में छोटे वन-शॉट इफेक्ट्स गिनाता है, इसलिए हर प्रॉम्प्ट में एक आवाज़ी घटना बताकर देखना ठीक है। नतीजे बदलते हैं, इसलिए कई वर्शन जनरेट कीजिए और सबसे अच्छा रखिए। अगर आपके पास सीन वीडियो में है, तो mirelo/video-to-sfx-v1.5 और zsxkib/mmaudio तस्वीर से मेल खाते इफेक्ट्स बनाते हैं।
हाँ। elevenlabs/music, stability-ai/stable-audio-2.5 और google/lyria-3 जैसे म्यूज़िक मॉडल विवरण से ट्रैक बनाते हैं। ड्रामा के लिए शांत अरेंजमेंट वाला इंस्ट्रुमेंटल और सीन को ढकने लायक लंबाई माँगिए, फिर मिक्स करते समय उसका वॉल्यूम आवाज़ों के नीचे घटा दीजिए। हर सीन के लिए कुछ विकल्प जनरेट कीजिए।
हाँ, हर उस एपिसोड के लिए जिसमें एक से ज़्यादा परतें हों। Picasso IA आवाज़ें, म्यूज़िक और इफेक्ट्स अलग-अलग फ़ाइलों में जनरेट करता है, पर उन्हें टाइमलाइन पर नहीं सजाता। काटने, ट्रैक रखने, वॉल्यूम सेट करने, म्यूज़िक को फ़ेड इन और आउट करने और फ़ाइनल फ़ाइल एक्सपोर्ट करने के लिए एक मुफ़्त एडिटर काफ़ी है। आपको तकनीकी ज्ञान से ज़्यादा सुनने की समझ चाहिए।
कर सकते हैं, अगर आवाज़ आपकी है या उसके मालिक की साफ़ अनुमति आपके पास है। वॉइस क्लोनिंग AI वॉइस क्लोनिंग पेज पर समझाई गई है। किसी असली व्यक्ति की सहमति के बिना उसकी आवाज़ कभी क्लोन या नक़ल मत कीजिए, और क्लोन की हुई आवाज़ें उन्हीं किरदारों के लिए रखिए जिन्हें आप नियंत्रित करते हैं। काल्पनिक किरदार मॉडलों की दी हुई प्रीसेट आवाज़ें सीधे इस्तेमाल कर सकते हैं।
इतना छोटा कि पूरा हो सके। दो या तीन किरदारों और एक लोकेशन के साथ कुछ मिनट आपको आवाज़ों, स्कोर और मिक्सिंग को आज़माने देते हैं, बिना प्रोजेक्ट के हाथ से निकले। जब वह एपिसोड ठीक सुनाई दे, तब आपके पास दोहराई जा सकने वाली प्रक्रिया और एक कास्ट शीट होती है।
अक्सर हाँ, पर जिस प्लेटफ़ॉर्म पर पब्लिश करें उसकी मौजूदा ज़रूरतें देख लीजिए, क्योंकि पॉडकास्ट होस्ट, वीडियो साइट और स्ट्रीमिंग सेवाओं के AI से बनी आवाज़ और उसके खुलासे को लेकर अपने नियम हैं। जिन मॉडलों का इस्तेमाल किया उनकी शर्तें भी देखिए। अपने किरदार काल्पनिक रखिए, और अगर प्लेटफ़ॉर्म कहे तो प्रोडक्शन का क्रेडिट ईमानदारी से दीजिए।
यह इस पर निर्भर है कि आप कौन से मॉडल और सेटिंग चुनते हैं और कितने टेक जनरेट करते हैं, क्योंकि हर जनरेशन क्रेडिट खर्च करता है। गिनती में सबसे ज़्यादा डायलॉग आता है, क्योंकि वह लाइन दर लाइन जनरेट होता है। नए अकाउंट मुफ़्त क्रेडिट से शुरू होते हैं, और मौजूदा प्लान जानने की एकमात्र जगह प्राइसिंग पेज है।
क्या आप अपनी स्क्रिप्ट को ज़ोर से सुनने के लिए तैयार हैं? Picasso IA toolkit खोलिए, एक आवाज़ चुनिए और अपने पहले सीन की पहली लाइन जनरेट कीजिए।
अपनी भाषा चुनें
