स्क्रिप्ट लिखिए, एक प्रेजेंटर और वॉइस चुनिए, और कुछ ही मिनटों में लिप-सिंक टॉकिंग वीडियो पाइए, न कैमरा, न स्टूडियो, न कोई स्क्रीन के सामने। ऑनबोर्डिंग मॉड्यूल, कंप्लायंस रिफ्रेशर और हर तिमाही बदलने वाले प्रोसेस अपडेट के लिए बना।
कॉरपोरेट ट्रेनिंग को न कैमरा क्रू चाहिए, न पूरे दिन के लिए बुक किया कमरा, न ऐसा प्रेजेंटर जो चौदहवीं टेक इसलिए दोबारा दे क्योंकि फोन बीच वाक्य में बज उठा। स्क्रिप्ट लिखिए, एक प्रेजेंटर और वॉइस चुनिए, और Picasso IA सादे टेक्स्ट को ऐसा प्रेजेंटर वीडियो बना देता है जो रिकॉर्ड किया हुआ लगता और सुनाई देता है, बिना किसी को रिकॉर्ड किए। यही तरीका ऑनबोर्डिंग मॉड्यूल, कंप्लायंस रिफ्रेशर और उस प्रोसेस अपडेट को कवर करता है जिसे किसी के पास दो बार फिल्माने का समय नहीं होता।
ज़्यादातर इंटरनल ट्रेनिंग वीडियो स्क्रिप्ट स्टेज पर ही अटक जाते हैं, इसलिए नहीं कि कंटेंट समझाना मुश्किल है, बल्कि इसलिए कि उसे बनाना उसे देखे जाने की असल संख्या के मुकाबले कहीं ज़्यादा भारी पड़ता है। पाँच मिनट के ऑनबोर्डिंग क्लिप के लिए कमरा बुक करना, कैमरे के सामने आने को तैयार किसी को ढूँढना, और जिस हिस्से में वह प्रोडक्ट का नाम अटका दे उसे दोबारा शूट करना पड़ता है। जब प्रोसेस हर तिमाही बदलता है, या जब एक ही पाठ को तीन अलग रीजनल टीमों के लिए अलग वर्ज़न चाहिए, तो यह सब स्केल नहीं करता।
एक AI प्रेजेंटर मॉडल प्रेजेंटर को हटाए बिना प्रोडक्शन की रुकावट हटा देता है। Avatar V और Avatar IV, दोनों HeyGen द्वारा पब्लिश किए गए और पूरे मॉडल कैटलॉग में सूचीबद्ध, एक लिखी हुई स्क्रिप्ट और चुनी हुई वॉइस लेकर कुछ ही मिनटों में लिप-सिंक प्रेजेंटर वीडियो लौटाते हैं। किसी को कैमरे के सामने बैठना नहीं पड़ता, किसी अटकाव की वजह से कुछ दोबारा शूट नहीं होता, और अगली तिमाही के लिए वीडियो अपडेट करने का मतलब सिर्फ स्क्रिप्ट का टेक्स्ट बदलना है, दोबारा कमरा और प्रेजेंटर का कैलेंडर बुक करना नहीं।
दोनों एवतार मॉडल यह फैसला साफ तरीके से बाँटते हैं। Avatar V एक स्क्रिप्ट और HeyGen वॉइस आईडी लेता है, 4K तक रेंडर करता है, और ऑप्शनल बर्न-इन कैप्शन ट्रैक के साथ 16:9 या 9:16 में आउटपुट देता है, एक ही रन में पाँच हज़ार करैक्टर तक की स्क्रिप्ट लेते हुए। Avatar IV में एवतार स्टाइल की सेटिंग जुड़ जाती है, फुल फ्रेम, क्लोज-अप, या स्लाइड के पास बैठने वाला सर्कल ओवरले, साथ ही Excited, Friendly, Serious, Soothing और Broadcaster प्रीसेट वाला वॉइस इमोशन कंट्रोल, ताकि सेफ्टी ब्रीफिंग और प्रोडक्ट लॉन्च की घोषणा एक जैसी न सुनाई दें।
दोनों मॉडलों में वॉइस स्पीड सामान्य की आधी से लेकर डेढ़ गुनी तक जाती है, और यह मार्केटिंग से ज़्यादा ट्रेनिंग में मायने रखता है: 0.9x पर पढ़ा गया कंप्लायंस मॉड्यूल गैर-मातृभाषी दर्शकों को साथ बने रहने का समय देता है, जबकि दो मिनट का टिप्स क्लिप बिना स्पष्टता खोए तेज़ चल सकता है।
स्क्रिप्ट वैसे ही लिखिए जैसे आप उसे ज़ोर से बोलते, छोटे वाक्य, एक वाक्य में एक ही बात, और जनरेट करने से पहले एक बार उसे ज़ोर से पढ़ लीजिए। जो लाइन आपकी अपनी ज़ुबान पर अटके वही एवतार के लिप-सिंक को भी ठीक उसी जगह अटका देगी।
अगर अभी कोई स्क्रिप्ट तैयार नहीं है, तो Video Agent यह पूरा स्टेप ही छोड़ देता है: विषय बताने वाला एक पैराग्राफ दीजिए और वह स्क्रिप्ट लिख देता है, प्रेजेंटर चुनता है, वॉइसओवर रिकॉर्ड करता है, और लैंडस्केप या पोर्ट्रेट में सिर्फ पाँच सेकंड से शुरू होकर एक ही रन में फाइनल क्लिप एडिट कर देता है। नतीजे को एक तेज़ पहला ड्राफ्ट मानिए, तैयार मॉड्यूल नहीं; ज़्यादातर टीमें पब्लिश करने से पहले भी जनरेट हुई स्क्रिप्ट को कसती हैं।
कौन सी सेटिंग सबसे ज़्यादा ध्यान खींचती है यह इस पर निर्भर करता है कि वीडियो को असल में क्या काम करना है। फॉर्मेट और काम के बीच यह सीधा नक्शा है:
| प्रेजेंटर स्टाइल | क्या सेट करें | किसके लिए सबसे अच्छा |
|---|---|---|
| फुल फ्रेम, औपचारिक वॉइस | Avatar V, 16:9, कैप्शन ऑन, स्पीड 0.9x | कंप्लायंस और पॉलिसी मॉड्यूल |
| क्लोज-अप, दोस्ताना टोन | Avatar IV, closeUp स्टाइल, Friendly इमोशन | कल्चर और ऑनबोर्डिंग वेलकम |
| स्लाइड पर सर्कल ओवरले | Avatar IV, circle स्टाइल, Serious इमोशन | डेक के ऊपर सॉफ्टवेयर वॉकथ्रू |
| वर्टिकल, तेज़ रफ्तार | Avatar V, 9:16, स्पीड 1.2x | दो मिनट के मोबाइल रिफ्रेशर |
| एक-प्रॉम्प्ट ड्राफ्ट | Video Agent, पोर्ट्रेट या लैंडस्केप | स्क्रिप्ट बनने से पहले का पहला कट |
नीचे दिया वर्कफ़्लो एक तैयार स्क्रिप्ट को पब्लिश करने लायक वीडियो तक ले जाता है, और इसके लिए एक विषय और लगभग पंद्रह मिनट की सेटिंग के अलावा कुछ नहीं चाहिए।
एक अकेला ट्रेनिंग वीडियो कम ही एक अकेले ऑफिस के काम आता है। अंग्रेज़ी वर्ज़न अप्रूव होने के बाद, डबिंग लोकलाइज़ेशन के सबसे मुश्किल आधे हिस्से को संभाल लेती है: बिना दोबारा शूट किए या दूसरी वॉइस हायर किए प्रेजेंटर के टोन, इमोशन और टाइमिंग को नई भाषा में मिलाना। डबिंग मॉडल नब्बे से ज़्यादा भाषाओं और बोलियों को कवर करता है, सोर्स भाषा को खुद पहचान लेता है, और क्लोनिंग स्ट्रेंथ सेटिंग देता है जिससे आप ओरिजिनल प्रेजेंटर की वॉइस को पहचान लायक रख सकते हैं या टारगेट भाषा में ज़्यादा नैचुरल डिलीवरी के लिए उसे ढीला छोड़ सकते हैं।
जो टीमें एक ही मॉड्यूल को कई रीजन में बाँटती हैं, वे मास्टर फाइल को अंग्रेज़ी में एक बार जनरेट करके, फिर हर टारगेट भाषा के लिए एक बार डबिंग से गुज़ारें, न कि हर मार्केट के लिए स्क्रिप्ट दोबारा लिखें और शुरू से रिकॉर्ड करें। इसे ऑटोमैटिक कैप्शन के साथ जोड़ें उन दर्शकों के लिए जो साउंड बंद करके देखते हैं, जो ओपन-प्लान ऑफिस में ज़्यादातर ट्रेनिंग प्लान के अंदाज़े से कहीं ज़्यादा मायने रखता है।
जो टीमें यह तय कर रही हैं कि इसे इन-हाउस बनाएं या किसी डेडिकेटेड कॉरपोरेट वीडियो प्लेटफॉर्म की सब्सक्रिप्शन लें, वे दोनों विकल्प सीधे कंपेयर कर सकती हैं: Picasso IA बनाम Synthesia और Picasso IA बनाम HeyGen दोनों बताते हैं कि एक ट्रेनिंग-फोकस्ड टूल क्या देता है उस कैटलॉग के मुकाबले जो उसी सब्सक्रिप्शन में इमेज, ऑडियो और 3D भी कवर करता है।
एक ईमानदार पेज बताता है कि टूल कहाँ रुक जाता है। इंटरनल ट्रेनिंग वीडियो के लिए पाँच असली सीमाएं हैं:
इनमें से कोई भी इस वर्कफ़्लो को खारिज नहीं करता। यही वजहें हैं कि ट्रेनिंग टीम अब भी स्क्रिप्ट, स्क्रीन रिकॉर्डिंग और फाइनल रिव्यू की मालिक बनी रहती है, जबकि एवतार उस हिस्से को संभालता है जो पहले पूरी शाम खा जाता था।
Avatar V और Avatar IV के लिए, हाँ, दोनों को वॉइस और एवतार चुनने के साथ एक लिखी हुई स्क्रिप्ट ज़रूरी इनपुट के तौर पर चाहिए, इसलिए स्क्रीन पर शब्द बिल्कुल वही होते हैं जो आपने टाइप किए। अगर अभी स्क्रिप्ट नहीं है, तो Video Agent एक छोटे प्रॉम्प्ट से काम करता है और उसे आपके लिए लिख देता है, साथ ही प्रेजेंटर और वॉइसओवर खुद चुन लेता है। ज़्यादातर टीमें पब्लिश करने से पहले भी उस ड्राफ्ट को पढ़ती हैं, जैसे किसी साथी की लिखी स्क्रिप्ट को पढ़ती हैं।
Avatar V आसान विकल्प है: स्क्रिप्ट, वॉइस, 4K तक रेज़ोल्यूशन, कैप्शन, बस। Avatar IV वह कंट्रोल जोड़ता है जो ट्रेनिंग में असल में काम आता है, फुल फ्रेम, क्लोज-अप या सर्कल ओवरले के लिए एवतार स्टाइल सेटिंग, और एक वॉइस इमोशन प्रीसेट ताकि सेफ्टी मॉड्यूल और वेलकम वीडियो एक जैसे न सुनाई दें। अगर सिर्फ एक साफ टेक चाहिए, तो Avatar V से शुरू करें; अगर फ्रेमिंग और टोन संदेश के लिए मायने रखते हैं, तो Avatar IV वह एक्स्ट्रा सेटिंग सही ठहराता है।
हाँ। Avatar V या Avatar IV से अंग्रेज़ी मास्टर जनरेट करें, फिर फाइनल फाइल को हर टारगेट भाषा के लिए डबिंग मॉडल से गुज़ारें। यह सोर्स भाषा को खुद पहचान लेता है, ओरिजिनल प्रेजेंटर का इमोशनल टोन और टाइमिंग बचाए रखता है, और क्लोनिंग स्ट्रेंथ सेटिंग देता है जो कंट्रोल करती है कि नई वॉइस असली बोलने वाले से कितनी मिलती-जुलती है। यह हर मार्केट के लिए स्क्रिप्ट दोबारा लिखने और रिकॉर्ड करने की जगह हर भाषा के लिए एक डबिंग पास लेता है।
Picasso IA पर नए अकाउंट मुफ्त क्रेडिट के साथ शुरू होते हैं, जो एक छोटा एवतार क्लिप जनरेट करके यह जाँचने के लिए काफी हैं कि पेसिंग, वॉइस और फ्रेमिंग ज़्यादा खर्च करने से पहले आपके ट्रेनिंग कंटेंट पर फिट बैठते हैं या नहीं। बोलने वाला एवतार वीडियो एक स्थिर इमेज के मुकाबले जनरेशन कॉस्ट के ज़्यादा भारी हिस्से में आता है, क्योंकि यह समय के साथ मूवमेंट और लिप-सिंक रेंडर करता है, इसलिए पहले छोटी स्क्रिप्ट से टेस्ट करें। मौजूदा प्लान और क्रेडिट अलाउंस प्राइसिंग पेज पर हैं, क्योंकि वे इतनी बार बदलते हैं कि यहाँ लिखा कोई नंबर हफ्तों में गलत हो जाएगा।
सीधे तौर पर नहीं। एवतार मॉडल द्वारा दी गई प्रीसेट प्रेजेंटर्स की लाइब्रेरी से आता है, आपके असली साथी की फोटो से बनी शक्ल नहीं, इसलिए आप टोन के हिसाब से एवतार चुनते हैं, किसी खास इंसान को कास्ट नहीं करते। अगर पूरी ट्रेनिंग सीरीज़ में एक पहचानने लायक, स्थिर चेहरा आपके ब्रांड के लिए ज़रूरी है, तो चुने गए एवतार को हाउस प्रेजेंटर की तरह मानें और हर मॉड्यूल में वही एवतार और वॉइस आईडी दोबारा इस्तेमाल करें, हर बार बदलने की जगह।
हर जनरेशन पाँच हज़ार करैक्टर तक की स्क्रिप्ट लेता है, जो वॉइस स्पीड के हिसाब से लगभग कुछ मिनट की बोली गई डिलीवरी बनता है। लंबे सेशन के लिए, सामग्री को लॉजिकल मॉड्यूल में बाँटें, हर एक को अपने क्लिप के तौर पर जनरेट करें, और उन्हें नंबर वाली सीरीज़ की तरह पब्लिश करें या बाद में अपने एडिटिंग टूल में जोड़ें। छोटे मॉड्यूल भी बिना ब्रेक वाले एक लंबे क्लिप से ट्रेनिंग के संदर्भ में ध्यान ज़्यादा अच्छे से बनाए रखते हैं।
हाँ, दोनों एवतार मॉडल एक ही टॉगल से बर्न-इन कैप्शन सपोर्ट करते हैं, जो आपके दिए स्क्रिप्ट टेक्स्ट से अपने आप जनरेट होते हैं, बिना किसी अलग ट्रांसक्रिप्शन स्टेप के। जिन टीमों को वीडियो के अंदर पके कैप्शन की जगह डाउनलोड करने लायक सबटाइटल फाइल चाहिए, उनके लिए तैयार क्लिप पर ऑटोमैटिक सबटाइटल का एक अलग पास उसे अलग फाइल के तौर पर बना देता है, जो कुछ लर्निंग प्लेटफॉर्म एक्सेसिबिलिटी कंप्लायंस के लिए माँगते हैं।
अकेले नहीं। एवतार बोलकर समझाता है और स्क्रीन पर दिखता है, लेकिन आपके प्रोडक्ट का असली इंटरफेस कैप्चर नहीं करता, क्योंकि उसकी आपके सॉफ्टवेयर तक कोई पहुँच नहीं होती। असल तरीका यह है कि अपना स्क्रीन वॉकथ्रू अलग से रिकॉर्ड करें, फिर सर्कल ओवरले एवतार स्टाइल इस्तेमाल करके उस रिकॉर्डिंग के एक कोने में प्रेजेंटर की छोटी विंडो रखें, जो बताता चलता है कि दर्शक स्क्रीन पर क्या होते देख रहा है।
एक डेडिकेटेड एवतार-वीडियो प्लेटफॉर्म और Picasso IA एक ही मूल समस्या हल करते हैं, बिना फिल्माए प्रेजेंटर वीडियो, लेकिन कैटलॉग वाला तरीका मतलब है कि जिस अकाउंट से एवतार क्लिप जनरेट होता है वही वॉइसओवर, लोकलाइज़्ड डब, सबटाइटल फाइल और किसी भी सपोर्टिंग ग्राफिक को भी हर चीज़ के लिए अलग सब्सक्रिप्शन के बिना कवर करता है। कल्चर-हैवी कंटेंट के लिए, जहाँ दर्शक कोई जाना-पहचाना असली चेहरा देखना चाहते हैं, वहाँ असली प्रेजेंटर को फिल्माना अब भी असलियत में आगे रहता है। Picasso IA बनाम Synthesia कंपैरिजन इसे और तफसील से समझाता है।
जनरेशन क्रेडिट में पे होते हैं, और असली रकम मॉडल, रेज़ोल्यूशन और स्क्रिप्ट की लंबाई पर निर्भर करती है, क्योंकि लंबा 4K वीडियो छोटे 720p क्लिप से रेंडर करने में ज़्यादा खर्च करता है। नए अकाउंट कुछ भी खर्च करने से पहले वर्कफ़्लो टेस्ट करने के लिए मुफ्त क्रेडिट पाते हैं। मौजूदा प्लान की प्राइसिंग और क्रेडिट अलाउंस प्राइसिंग पेज पर हैं, और इतनी बार बदलते हैं कि यहाँ लिखा कोई खास नंबर हफ्तों में गलत हो जाएगा।
आपके अगले ट्रेनिंग मॉड्यूल को न बुक किए कमरे की ज़रूरत है, न दूसरे टेक की। Toolkit खोलिए, स्क्रिप्ट पेस्ट कीजिए, और जितने समय में कैमरा लगता उतने ही समय में पहला ड्राफ्ट देखिए।
