अपना चेहरा और अपनी आवाज़ सिर्फ़ एक बार रिकॉर्ड करें, फिर हर प्रॉस्पेक्ट के लिए नई स्क्रिप्ट लिखें और बोलने का काम मॉडल पर छोड़ दें। अपनी आवाज़ क्लोन करें, अपनी फ़ोटो या क्लिप को लिपसिंक से एनिमेट करें और भेजने से पहले हर वीडियो खुद देखें, क्योंकि भेजना और उसकी ज़िम्मेदारी आपकी ही रहती है।
किसी असली व्यक्ति के बोलते हुए छोटे वीडियो वाला कोल्ड ईमेल, टेक्स्ट की दीवार से अलग ढंग से पढ़ा जाता है, लेकिन हर प्रॉस्पेक्ट के लिए एक वीडियो रिकॉर्ड करना ऐसा काम है जिसे कोई ज़्यादा दिन निभा नहीं पाता। AI वाला तरीका काम को दो हिस्सों में बाँट देता है: आप अपना चेहरा और आवाज़ एक बार रिकॉर्ड करते हैं, फिर हर व्यक्ति के लिए नई स्क्रिप्ट लिखते हैं और बोलने का काम मॉडल करते हैं। यह पेज बताता है कि Picasso IA पर यह कैसे चलता है, कौन से मॉडल इसमें फ़िट होते हैं, और यह कहाँ काम का नहीं रह जाता।
टेक्स्ट टेम्पलेट आसानी से पकड़ में आ जाता है। तीसरी लाइन तक पाठक समझ जाता है कि किसी सीक्वेंस ने भेजा है, और अभिवादन में नाम होने से यह नहीं बदलता। किसी व्यक्ति का छोटा वीडियो, जिसमें वह उनसे बात करे, उनकी कंपनी का और एक ख़ास बात का ज़िक्र करे जो आपने देखी, उसे सामूहिक भेजा हुआ मानना ज़्यादा मुश्किल है, मुख्य रूप से इसलिए कि उसे देखने में अब भी थोड़ी मेहनत लगती है।
दिक़्क़त हमेशा आपकी तरफ़ की मेहनत की रही है। एक दोपहर में बीस वीडियो शूट करना, दोबारा लेना और एक्सपोर्ट करना पूरे दिन का काम है, और बारहवें वीडियो तक आपकी आवाज़ थकी लगने लगती है। बोलने वाला हिस्सा अपने चेहरे और अपनी आवाज़ से जनरेट करने पर मेहनत स्क्रिप्ट पर आ जाती है, और पर्सनलाइज़ेशन वैसे भी वहीं रहता है। Picasso IA के कैटलॉग में 502 मॉडल हैं, जिनमें बारह लिपसिंक के और चौबीस टेक्स्ट-टू-स्पीच के हैं, इसलिए आप एक बंद टूल पर निर्भर रहने के बजाय हिस्सों से प्रेज़ेंटर बना सकते हैं।
सबसे पहले एक सीमा: यह पेज आपके अपने चेहरे और आपकी अपनी आवाज़ के बारे में है। किसी सहकर्मी का नहीं, किसी संस्थापक का नहीं, और किसी ऐसे व्यक्ति का नहीं जिसने आपको अनुमति नहीं दी। यह विचार ईमानदारी से तभी चलता है जब स्क्रीन पर दिखने वाला व्यक्ति ही भेजने वाला हो।
कोई एक सही सेटअप नहीं है। इनमें फ़र्क़ इस बात का है कि आपको क्या रिकॉर्ड करना है, फ़ुटेज का कितना हिस्सा सचमुच आप हैं, और शब्दों पर आपका कितना नियंत्रण रहता है। यह तालिका आज प्लेटफ़ॉर्म पर मौजूद विकल्पों की तुलना करती है।
| सेटअप | आप क्या देते हैं | किसमें सबसे मज़बूत | किस पर ध्यान दें |
|---|---|---|---|
| आपकी फ़ोटो और क्लोन की हुई आवाज़, Kling Avatar v2 से एनिमेटेड | एक साफ़ फ़ोटो और छोटी ऑडियो फ़ाइल | स्क्रिप्ट से बोलते वीडियो तक का सबसे तेज़ रास्ता | ऑडियो फ़ाइल 5 MB तक सीमित है, इसलिए स्क्रिप्ट छोटी रखें |
| आपकी अपनी रिकॉर्ड की हुई क्लिप, Lipsync 2 से नई आवाज़ के साथ | आपका एक छोटा MP4 और नई पंक्ति का WAV | सिर और शरीर की असली हरकत जो सचमुच आपकी है | ठीक-ठाक सोर्स क्लिप चाहिए, और मुँह की सिंक उसी फ़ुटेज जितनी अच्छी होती है |
| Avatar IV में स्क्रिप्ट वाला प्रेज़ेंटर | स्क्रिप्ट, अवतार ID और वॉइस ID | बिना रिकॉर्डिंग के संदेश टाइप करके प्रेज़ेंटर पाना | अवतार और वॉइस ID HeyGen की अपनी सूचियों से आती हैं, इसलिए जाँचें कि आप क्या इस्तेमाल कर सकते हैं |
| आपकी स्क्रीन या स्लाइड पर क्लोन की हुई आवाज़ | आपका वॉइस सैंपल और स्क्रीन रिकॉर्डिंग | ऐसे डेमो जहाँ आपका चेहरा मुद्दा नहीं है | स्क्रीन पर चेहरा नहीं, इसलिए निजी स्पर्श कम |
पहले दो विकल्प शीर्षक का वादा सबसे सीधे निभाते हैं, क्योंकि दोनों में चेहरा आपका है। तीसरा तब काम आता है जब आप बिना कुछ रिकॉर्ड किए लिखकर भेजना चाहते हैं, लेकिन यह मान लेने से पहले कि आपसे बना अवतार उसके लिए उपलब्ध है, उसके मॉडल का पेज पढ़ लें। फ़ोटो से बोलने वाले रास्ते को गहराई से देखने के लिए AI बोलती फ़ोटो पेज देखें।
यही अकेला रिकॉर्डिंग सेशन है, इसलिए इसे ठीक से करना सार्थक है। खिड़की के पास रोशनी की तरफ़ मुँह करके बैठें और कैमरा आँखों की ऊँचाई पर रखें। एक छोटा अंश उसी लहजे में पढ़ें जिसमें आप असली कॉल पर बोलते: मिलनसार, ज़रूरत से थोड़ा धीमा, और स्वरों पर मुँह साफ़ खुला। लगभग एक मिनट का एक साफ़ टेक रिकॉर्ड करें, फिर दूसरा खड़े होकर या थोड़ा अलग ढंग से बैठकर, ताकि एक अतिरिक्त टेक रहे।
उस सेशन से आप तीन चीज़ें निकालते हैं। फ़ोटो एनिमेशन के लिए आपके चेहरे का एक स्थिर फ़्रेम। लिपसिंक के लिए वीडियो क्लिप ख़ुद। और वॉइस क्लोनिंग के लिए ऑडियो। Picasso IA का वॉइस क्लोनिंग मॉडल minimax voice-cloning MP3, M4A या WAV को 10 सेकंड से 5 मिनट तक स्वीकार करता है, बैकग्राउंड शोर घटाने के विकल्प के साथ, और फिर क्लोन की हुई आवाज़ को कई स्पीच रन में दोबारा इस्तेमाल करने देता है। resemble-ai का Chatterbox अलग रास्ता है: वह उसी रन के भीतर कुछ सेकंड के रेफ़रेंस ऑडियो से क्लोन करता है और उसमें इमोशन सेटिंग है।
शांति क्वालिटी से ज़्यादा मायने रखती है। चुप कमरे में सस्ता माइक, पंखे के पास रखे महँगे माइक को हरा देता है, क्योंकि क्लोनिंग मॉडल सैंपल में जो भी है उसे कॉपी करता है, गुनगुनाहट समेत। किसी भी मॉडल को खोलने से पहले रिकॉर्डिंग कर लें।
पहली क्लोन की हुई पंक्ति को ज़ोर से सुनें, उससे पहले कि उस पर कुछ बनाएँ। अगर वह ख़राब दिन वाले आपकी तरह सुनाई दे, तो सैंपल दोबारा बनाएँ। अगर किसी अजनबी जैसी लगे, तो कम बैकग्राउंड शोर और ज़्यादा स्थिर रफ़्तार के साथ दोबारा बनाएँ।
रिकॉर्डिंग तैयार होने के बाद यही लूप आप हर प्रॉस्पेक्ट के लिए दोहराएँगे। यह पूरा toolkit में चलता है, जहाँ इमेज, वीडियो, वॉइस और लिपसिंक मॉडल एक ही जगह हैं।
हर प्रॉस्पेक्ट इन स्टेप से एक बार गुज़रता है। ऐसी कोई कतार नहीं है जो स्प्रेडशीट लेकर वीडियो का फ़ोल्डर लौटा दे, और इस पेज की किसी बात को ऐसा मानकर न पढ़ें कि ऐसा है।
पर्सनलाइज़ करने का मतलब यही है कि प्रॉस्पेक्ट को लगे कि आपने उसे देखा है। इसलिए अपनी एडिटिंग वहीं लगाएँ, और बाक़ी सब तय रखें ताकि आप हर बार अलग वीडियो की समीक्षा न कर रहे हों।
पहला वाक्य और ख़ास अवलोकन बदलें: उनका लॉन्च किया हुआ प्रोडक्ट, हाल में शुरू की हुई भूमिका, उनकी किसी पोस्ट की कोई बात जो आपने सचमुच पढ़ी हो। ऑफ़र वाला वाक्य और अंतिम सवाल वैसा ही रखें, या बहुत क़रीब। इससे आपके पास एक स्थिर हिस्सा रहता है जिसे आप पहले जाँच चुके हैं, और एक छोटा, साफ़ तौर पर निजी हिस्सा जिसे आप हर बार जाँचते हैं।
वीडियो इतना छोटा रखें कि कोई आगे न खिसकाए। कान के लिए लिखें, छोटे वाक्य और सरल शब्दों के साथ, क्योंकि ज़ुबान उलझाने वाला कंपनी का नाम वॉइस मॉडल को वैसे ही अटकाएगा जैसे किसी इंसान को। अगर कोई नाम असामान्य है, तो स्क्रिप्ट में उसे वैसे लिखें जैसे वह बोला जाता है और फिर से सुनें। अगर लंबा प्रोडक्ट पिच जोड़ने का मन करे, तो बेहतर है ईमेल में एक लिंक और ऐसा वीडियो जो सिर्फ़ दरवाज़ा खोले। लंबे डेमो के लिए AI प्रोडक्ट डेमो वीडियो पेज से शुरू करना ठीक रहेगा।
आप फ़ॉलो-अप रिकॉर्ड करने के लिए भी वही आवाज़ दोबारा इस्तेमाल कर सकते हैं। एक हफ़्ते बाद उसी चेहरे और उसी आवाज़ में दूसरा छोटा वीडियो टेक्स्ट वाली याद दिलाने से बेहतर पहुँचता है, बशर्ते उसमें कुछ नया हो।
बहुत-सी आउटरीच को इसकी ज़रूरत नहीं होती, और कुछ तो इससे और बिगड़ जाती है। व्यवहार में जो सीमाएँ मायने रखती हैं वे ये हैं:
जिन संपर्कों तक आप पहले से पहुँच सकते हैं, उनके लिए कभी-कभी आपका ख़ुद लिखा सादा ईमेल बेहतर संदेश होता है। वीडियो तब अपनी जगह कमाता है जब वह कुछ ऐसा जोड़े जो टेक्स्ट नहीं जोड़ सकता: आपकी आवाज़, आपके हाव-भाव, और लिखने वाले कौन हैं इसका तीस सेकंड का एहसास।
हाँ, यही इसका इच्छित उपयोग है। आप एक बार ख़ुद को रिकॉर्ड करते हैं, उस सैंपल से अपनी आवाज़ क्लोन करते हैं, फिर हर बार नई स्क्रिप्ट के साथ अपनी फ़ोटो या क्लिप से बोलते वीडियो जनरेट करते हैं। मॉडल Picasso IA के toolkit में चलते हैं। सीमा चेहरे-आवाज़ पर है: वह आप होने चाहिए, या आपका बनाया काल्पनिक किरदार, किसी और असली व्यक्ति की अनुमति के बिना कभी नहीं।
आवाज़ के लिए minimax voice-cloning और resemble-ai का Chatterbox, दोनों सैंपल से आवाज़ क्लोन करते हैं। चेहरे के लिए Kling Avatar v2 आपके ऑडियो के साथ फ़ोटो को एनिमेट करता है, और Lipsync 2 आपकी अपनी रिकॉर्ड की हुई क्लिप को नई बोली के हिसाब से दोबारा सिंक करता है। heygen का Avatar IV अवतार ID और वॉइस ID से स्क्रिप्ट वाला प्रेज़ेंटर बनाता है। मॉडलों की उपलब्धता बदलती रहती है, इसलिए योजना बनाने से पहले हर मॉडल को कैटलॉग में जाँच लें।
आज नहीं। toolkit एक बार में एक जनरेशन चलाता है, और ऐसा कोई फ़ीचर नहीं जो प्रॉस्पेक्ट की स्प्रेडशीट लेकर हर एक के लिए वीडियो रेंडर कर दे। आप अपनी क्लोन की हुई आवाज़ और फ़ोटो जितनी बार चाहें दोबारा इस्तेमाल कर सकते हैं, लेकिन हर वीडियो अपना अलग रन है जिसे आप लिखते, जनरेट करते और जाँचते हैं। अगर आपकी योजना सैकड़ों पूरी तरह स्वचालित भेजों पर टिकी है, तो उस हिस्से के लिए यह सही टूल नहीं है।
यह सबसे सुरक्षित चुनाव है, और कुछ जगहों पर यह ज़रूरी भी हो सकता है, इसलिए अपने ऊपर लागू नियम जाँच लें। ईमेल में एक छोटी पंक्ति, जैसे "मैंने यह वीडियो अपनी एक रिकॉर्डिंग से AI की मदद से बनाया है", आपको ज़्यादा महँगी नहीं पड़ती। विकल्प, यानी किसी को यह मानने देना कि आपने उसके लिए लाइव शूट किया, अक्सर उलटा पड़ता है जैसे ही वह आपके हाव-भाव में दोहराव या थोड़ा अजीब ठहराव नोटिस करता है।
हाँ। बिन माँगे संदेश, सहमति, ऑप्ट-आउट और डेटा के इस्तेमाल के नियम देश और चैनल के हिसाब से अलग होते हैं, और उनका पालन भेजने वाले को करना है, वीडियो बनाने वाले मॉडल को नहीं। यह पेज सामान्य जानकारी है, क़ानूनी सलाह नहीं। अगर आप किसी भी मात्रा में भेजते हैं, तो अपनी प्रक्रिया किसी योग्य पेशेवर से देखवा लें, और पोस्ट या संदेश भेजने से पहले हर प्लेटफ़ॉर्म की मौजूदा ज़रूरतें जाँचें।
minimax voice-cloning मॉडल 10 सेकंड से 5 मिनट की रिकॉर्डिंग MP3, M4A या WAV में स्वीकार करता है, 20 MB से कम, और शोर घटाने की वैकल्पिक सेटिंग के साथ। Chatterbox कुछ सेकंड के रेफ़रेंस ऑडियो से काम करता है। ज़्यादा अपने-आप बेहतर नहीं होता: शांत कमरे में एक साफ़ मिनट अक्सर पीछे पंखा चलते हुए पाँच मिनट से बेहतर रहता है।
Kling Avatar v2 से फ़ोटो एनिमेशन में सिर्फ़ एक स्थिर इमेज और एक ऑडियो फ़ाइल चाहिए, इसलिए यह तेज़ है, लेकिन हरकत जनरेट की हुई होती है। Lipsync 2 आपके असली वीडियो से शुरू करता है और मुँह को नए ऑडियो के हिसाब से ढालता है, इसलिए सिर और शरीर की हरकत सचमुच आपकी रहती है। दूसरे रास्ते में शुरू में थोड़ी ज़्यादा रिकॉर्डिंग लगती है और वह आम तौर पर ज़्यादा निजी लगता है।
नहीं। अपना चेहरा और अपनी आवाज़ इस्तेमाल करें, या काल्पनिक किरदार। किसी असली व्यक्ति को उसकी अनुमति के बिना क्लोन करना पहले भरोसे की समस्या है और अक्सर उसके बाद क़ानूनी, और यह किसी प्रॉस्पेक्ट के आपकी रिपोर्ट करने का सबसे तेज़ रास्ता भी है। अगर कोई टीम यह करना चाहती है, तो दिखने वाले हर व्यक्ति को अपना सैंपल ख़ुद रिकॉर्ड करना और सहमत होना चाहिए।
कुछ स्पीच मॉडल बहुभाषी आउटपुट बताते हैं, और मॉडल पेज क्लोन की हुई आवाज़ के साथ दूसरी भाषा में स्क्रिप्ट लिखने का ज़िक्र करते हैं। गुणवत्ता भाषा और आवाज़ के हिसाब से बदलती है, इसलिए पहले छोटी पंक्ति से परखें और किसी असली प्रॉस्पेक्ट को कुछ भी भेजने से पहले किसी मूल वक्ता से सुनवाएँ, ख़ासकर नामों और तकनीकी शब्दों के लिए।
जनरेशन क्रेडिट से चुकाए जाते हैं, और लागत इस पर निर्भर करती है कि आप कौन सा मॉडल और कौन सी सेटिंग चुनते हैं, इसलिए यहाँ लिखा कोई भी आँकड़ा पुराना पड़ जाएगा। वीडियो ऑडियो या इमेज से महँगा पड़ता है। नए अकाउंट को कुछ प्रॉस्पेक्ट पर यह वर्कफ़्लो आज़माने के लिए मुफ़्त क्रेडिट मिलते हैं, और मौजूदा प्लान प्राइसिंग पेज पर सूचीबद्ध हैं।
पहले एक असली प्रॉस्पेक्ट पर आज़माने के लिए तैयार हैं? Picasso IA का toolkit खोलें, अपना सैंपल रिकॉर्ड करें और यह तय करने से पहले एक वीडियो बनाएँ कि इसे कितनी दूर तक ले जाना है।
अपनी भाषा चुनें
