अपने अकाउंट में एक कुंजी बनाइए, वॉइस मॉडल चुनिए, अपना टेक्स्ट भेजिए और ऑडियो फ़ाइल वापस पाइए। कैटलॉग में कई प्रोवाइडर के 24 टेक्स्ट-टू-स्पीच मॉडल हैं, इसलिए ऐप का नैरेटर, फ़ोन मेन्यू और वॉइस एजेंट, सबको अपने लिए सही आवाज़ मिल सकती है। कोई भी स्क्रिप्ट आज ही toolkit में आज़माइए।
टेक्स्ट टू स्पीच की कोई एक सबसे अच्छी आवाज़ नहीं होती। एक मॉडल सोने से पहले की कहानी गर्मजोशी से पढ़ता है, दूसरा फ़ोन मेन्यू को साफ़ रखता है, तीसरा बातचीत के बीच जवाब देने के लिए बना है। Picasso IA की टेक्स्ट टू स्पीच API इन सबको एक कुंजी के पीछे रखती है: आप मॉडल का नाम बताते हैं, टेक्स्ट भेजते हैं और ऑडियो फ़ाइल वापस पाते हैं, हर वॉइस प्रोवाइडर के साथ अलग अकाउंट खोले बिना।
हर वॉइस प्रोवाइडर का अपना साइन-अप, अपनी बिलिंग और आवाज़ का वर्णन करने का अपना तरीका होता है। एक नैरेटर चाहिए तो यह सहन हो जाता है। लेकिन जब आपके ऐप को पाठों के लिए शांत पाठक, फ़ोन मेन्यू के लिए साफ़ आवाज़ और वॉइस एजेंट के लिए तेज़ आवाज़ चाहिए, तो यह थकाने लगता है, क्योंकि हर चुनाव का मतलब है एक और अकाउंट, एक और कुंजी और सीखने के लिए सेटिंग्स का एक और सेट।
Picasso IA की API उलटा रास्ता लेती है। आप अपने अकाउंट में एक कुंजी बनाते हैं, एक रिक्वेस्ट भेजते हैं जिसमें मॉडल और उसके इनपुट का नाम होता है, और नतीजा एक फ़ाइल के रूप में लौटता है जिसे आप डाउनलोड कर सकते हैं। कैटलॉग की टेक्स्ट-टू-स्पीच श्रेणी में elevenlabs, google, inworld, xai और minimax जैसे मालिकों के 24 मॉडल हैं, कुल 502 मॉडल में से। रिक्वेस्ट की रूपरेखा वही रहती है: एक मॉडल और उसके इनपुट। आवाज़ बदलना मॉडल का नाम बदलना बन जाता है, नया इंटीग्रेशन नहीं।
कीमत वैसे ही काम करती है जैसे toolkit में। हर जनरेशन क्रेडिट खर्च करता है, और कितने, यह मॉडल और आपकी चुनी सेटिंग्स पर निर्भर है, इसलिए प्लान के बारे में पढ़ने की जगह प्राइसिंग पेज है। toolkit वही कैटलॉग चलाता है, यानी आप हर आवाज़ आज ही सुन सकते हैं, उसके आसपास कुछ बनाने से पहले।
रिक्वेस्ट के चार हिस्से होते हैं। कुंजी साबित करती है कि रिक्वेस्ट आपके अकाउंट से आई है। मॉडल का नाम बताता है कि कौन सी आवाज़ बोलेगी। इनपुट में आपका टेक्स्ट और वे सेटिंग्स होती हैं जो वह मॉडल समझता है। और जवाब है तैयार ऑडियो, एक फ़ाइल के रूप में जिसे आप डाउनलोड करते हैं।
इनपुट में ही मॉडल अलग होते हैं, और यह परेशानी नहीं, फ़ायदा है। google/gemini-3.1-flash-tts 30 आवाज़ें देता है और सामान्य भाषा में स्टाइल निर्देश लेता है, जैसे धीरे और आत्मविश्वास से बोलो, साथ ही टेक्स्ट के भीतर whispering या laughing जैसे टैग भी। inworld/tts-1.5-max और inworld/realtime-tts-1.5-max happy या sad जैसे भावना टैग पढ़ते हैं और आपकी अपनी आवाज़ को उसकी आइडेंटिफ़ायर से स्वीकार करते हैं। elevenlabs/v3 में आप स्टेबिलिटी, स्पीड और प्रस्तुति कितनी नाटकीय हो, यह तय कर सकते हैं। xai/grok-text-to-speech में पाँच आवाज़ें हैं और यह फ़ोन सिस्टम के लिए बने फ़ॉर्मैट में एक्सपोर्ट कर सकता है।
इनमें से कुछ भी याद रखने की ज़रूरत नहीं है। कलेक्शन में हर मॉडल का पेज बताता है कि वह क्या स्वीकार करता है, और toolkit वही फ़ील्ड फ़ॉर्म की तरह दिखाता है, इसलिए रिक्वेस्ट लिखने से पहले ही क्लिक करके मॉडल सीखा जा सकता है।
सबसे ज़्यादा पूछे जाने वाले चार उपयोग हैं ऐप नैरेशन, फ़ोन मेन्यू, ऑडियोबुक और वॉइस एजेंट। नीचे की तालिका एक शुरुआती बिंदु है कि पहले क्या आज़माएँ और क्या सुनें। यह कोई रैंकिंग नहीं है: एक ही स्क्रिप्ट दो मॉडल से चलाइए और इस पेज से ज़्यादा अपने कानों पर भरोसा कीजिए।
| काम | पहले आज़माने का मॉडल | क्या सुनें |
|---|---|---|
| ऐप नैरेशन | elevenlabs/v3 | ऐसी आवाज़ जो पहली स्क्रीन से आख़िरी तक स्थिर रहे |
| फ़ोन मेन्यू | xai/grok-text-to-speech | साफ़ नंबर और ऐसा फ़ाइल फ़ॉर्मैट जो आपका फ़ोन सिस्टम स्वीकार करे |
| ऑडियोबुक | elevenlabs/v3 | अध्याय दर अध्याय वही नैरेटर और वही गति |
| वॉइस एजेंट | inworld/realtime-tts-1.5-max | छोटे जवाब जो बोले हुए लगें, पढ़े हुए नहीं |
| कई भाषाएँ | google/gemini-3.1-flash-tts | हर भाषा में लहजा और उच्चारण जिसमें आप प्रकाशित करें |
| आपकी अपनी आवाज़ | inworld/tts-1.5-max | आप जो भी बनाएँ उसमें वही टोन |
जो मॉडल किसी पाठ के लिए ठीक है वह फ़ोन मेन्यू में अटपटा लग सकता है, और उलटा भी उतना ही आम है। हर काम के लिए दो या तीन उम्मीदवार रखना और प्रोजेक्ट के हिसाब से उनमें से चुनना ठीक वही है जिसे प्रोवाइडरों के पार एक कुंजी सस्ता बना देती है। नैरेशन के प्रोडक्शन पक्ष के लिए वीडियो के लिए AI वॉइसओवर और ऑडियोबुक नैरेशन गति और अध्यायों पर और गहराई से बात करते हैं।
ज़्यादातर निराश करने वाला ऑडियो स्क्रिप्ट की समस्या होता है, मॉडल की नहीं। आवाज़ें ठीक वही पढ़ती हैं जो आप देते हैं, इसलिए कान के लिए लिखिए। छोटे वाक्य लंबे वाक्यों से बेहतर साँस लेते हैं। जो कुछ किसी ख़ास तरह से बोला जाना चाहिए, उसे वैसे ही लिखिए जैसा आप सुनना चाहते हैं: अजीब उच्चारण वाला प्रोडक्ट नाम, फ़ोन नंबर उसी समूह में जैसे लोग बोलते हैं, कोई संक्षिप्त रूप जिसे आप पूरा पढ़ा हुआ चाहते हैं।
हर रिक्वेस्ट में एक भाषा भेजिए और भाषा की सेटिंग को टेक्स्ट से मिलाइए। मिली-जुली भाषा वाली पंक्तियाँ वहीं हैं जहाँ आवाज़ें अंदाज़ा लगाती हैं, और अंदाज़ा लहजे की गलती जैसा सुनाई देता है। उन्हीं टैग का इस्तेमाल कीजिए जो चुना हुआ मॉडल बताता है, क्योंकि जो टैग एक मॉडल में काम करता है वह दूसरे में शब्द की तरह ज़ोर से पढ़ा जा सकता है।
भेजने से पहले अपनी स्क्रिप्ट एक बार ज़ोर से पढ़िए। जहाँ आप अटकेंगे, आवाज़ भी अटकेगी, और एक वाक्य ठीक करने में कुछ खर्च नहीं होता जबकि दोबारा जनरेट करने में क्रेडिट लगते हैं।
पूरे अध्याय से नहीं, एक अनुच्छेद से शुरू कीजिए। हर जनरेशन क्रेडिट खर्च करता है, इसलिए एक छोटा टेस्ट बता देता है कि आवाज़, भाषा और टैग सही हैं या नहीं, इससे पहले कि आप लंबी स्क्रिप्ट उस पर लगाएँ। मॉडल यह भी सीमित करते हैं कि एक रन में कितना टेक्स्ट स्वीकार हो, और सीमा मॉडल के हिसाब से बदलती है, इसलिए लंबी सामग्री को सेक्शन या अध्यायों में बाँटा जाता है और बाद में जोड़ा जाता है।
यह शून्य से हाथ में फ़ाइल तक का रास्ता है। पहले कदम से पहले, अपनी असली स्क्रिप्ट का एक अनुच्छेद toolkit में चलाइए: यह वही मॉडल इस्तेमाल करता है, इसलिए वहाँ आप जो आवाज़ चुनते हैं वही आपकी रिक्वेस्ट इस्तेमाल करेंगी।
अगर कोई कदम वैसा व्यवहार न करे जैसा यह पेज बताता है, तो सपोर्ट इस बारे में सवालों के जवाब देता है।
यह एक कुंजी, एक रिक्वेस्ट और एक फ़ाइल का वर्णन है। यह इससे ज़्यादा कुछ वादा नहीं करता, और पाँच जगहें हैं जहाँ बनाने वाले को धीमा पड़ना चाहिए:
फ़ोन मेन्यू और वॉइस एजेंट के लिए आख़िरी सावधानी भी ज़रूरी है। मेन्यू पढ़ने वाली सिंथेटिक आवाज़ ठीक है; पैसे, सेहत या कानूनी फ़ैसलों को सँभालने वाली सिंथेटिक आवाज़ के आसपास इंसानी प्रक्रिया चाहिए और हर उस स्क्रिप्ट की आपकी अपनी समीक्षा भी जो वह बोल सकती है।
टेक्स्ट टू स्पीच API किसी सॉफ़्टवेयर को लिखे हुए टेक्स्ट को बोले हुए ऑडियो में बदलने देती है, बिना किसी के रिकॉर्ड किए। Picasso IA में आप अपने अकाउंट में एक कुंजी बनाते हैं, एक रिक्वेस्ट भेजते हैं जिसमें वॉइस मॉडल और उसके इनपुट का नाम होता है, और नतीजा एक ऑडियो फ़ाइल के रूप में लौटता है जिसे आप डाउनलोड कर सकते हैं। इसकी ख़ासियत विविधता है: कैटलॉग के वॉइस मॉडल उसी कुंजी के पीछे हैं, इसलिए आप आवाज़ हर काम के लिए चुनते हैं, हर अकाउंट के लिए नहीं।
कैटलॉग की टेक्स्ट-टू-स्पीच श्रेणी में 24 मॉडल हैं, जिनमें elevenlabs/v3, google/gemini-3.1-flash-tts, inworld/tts-1.5-max, inworld/realtime-tts-1.5-max और xai/grok-text-to-speech शामिल हैं। हर मालिक के साथ अलग अकाउंट की ज़रूरत नहीं है: वही कुंजी और वही क्रेडिट सबको कवर करते हैं। पूरा कैटलॉग सभी मॉडल सूचीबद्ध करता है, और हर मॉडल का पेज बताता है कि वह कौन सी आवाज़ें और सेटिंग्स स्वीकार करता है।
उसे पासवर्ड की तरह रखिए। वह आपके अकाउंट की पहचान है और आपके क्रेडिट खर्च करती है, इसलिए जिसके पास भी वह होगी वह आपके खर्च पर ऑडियो जनरेट कर सकता है। उसे सार्वजनिक रिपॉज़िटरी, ऐसे फ़्रंट-एंड कोड जिसे विज़िटर जाँच सकते हैं, स्क्रीनशॉट और साझा चैट से दूर रखिए। अगर आपको लीक का शक हो, तो उसे अपने अकाउंट से हटाइए, नई कुंजी बनाइए और जहाँ आपका ऐप उसे रखता है वहाँ अपडेट कीजिए।
इसकी कीमत क्रेडिट में है, और मात्रा मॉडल और आपकी चुनी सेटिंग्स पर निर्भर करती है, ठीक वैसे ही जैसे toolkit में। यह पेज संख्याएँ नहीं बताता क्योंकि कोई भी आँकड़ा पुराना पड़ जाएगा; प्राइसिंग पेज वह जगह है जहाँ प्लान मिलते हैं, और नए अकाउंट को मुफ़्त क्रेडिट मिलते हैं। एक अच्छी आदत है पहले एक छोटे अनुच्छेद से टेस्ट करना, ताकि पूरी स्क्रिप्ट भेजने से पहले आपको आवाज़ की कीमत पता चल जाए।
आप उसके संदेश जनरेट कर सकते हैं। xai/grok-text-to-speech सामान्य फ़ॉर्मैट के साथ टेलीफ़ोनी के लिए बने फ़ॉर्मैट सूचीबद्ध करता है, और फ़ोन मेन्यू ज़्यादातर छोटे, साफ़ वाक्यों से बनता है जो सिंथेटिक आवाज़ों को जँचते हैं। आप अपने फ़ोन सिस्टम में क्या अपलोड करें और वह कौन से ऑडियो फ़ॉर्मैट स्वीकार करता है, यह उसी सिस्टम पर निर्भर है, इसलिए उसकी मौजूदा ज़रूरतें जाँचिए। लिखने वाले पक्ष के लिए AI फ़ोन ग्रीटिंग भी देखिए।
ऑडियो वाला आधा हिस्सा, हाँ। inworld/realtime-tts-1.5-max कैटलॉग का वह मॉडल है जिसे बातचीत वाले उपयोग के लिए बताया गया है, और यह भावना टैग के साथ छोटे जवाब पढ़ता है। लेकिन रिक्वेस्ट को अब भी तैयार होने में समय लगता है और क्रेडिट खर्च होते हैं, और यह पेज गति के बारे में कोई वादा नहीं करता, इसलिए तुरंत ऑडियो पर निर्भर अनुभव डिज़ाइन करने से पहले अपना फ़्लो toolkit में टेस्ट कीजिए।
उन्हें बाँट दीजिए। हर मॉडल एक रन में सीमित टेक्स्ट स्वीकार करता है, और सीमा मॉडल के हिसाब से बदलती है, इसलिए एक अध्याय कई सेक्शन के रूप में जाता है। हर सेक्शन के लिए वही मॉडल, वही आवाज़ और वही सेटिंग्स इस्तेमाल कीजिए ताकि नैरेटर बीच में न बदले, फिर फ़ाइलों को अपने ऑडियो एडिटर में जोड़िए। elevenlabs/v3 में स्टेबिलिटी सेटिंग्स हैं जो लंबे प्रोजेक्ट में आवाज़ को एक जैसा रखने में मदद करती हैं।
यह मॉडल पर निर्भर है। google/gemini-3.1-flash-tts 70 से ज़्यादा भाषा कोड सूचीबद्ध करता है, xai/grok-text-to-speech लगभग बीस कवर करता है, और inworld के मॉडल 15 कवर करते हैं। वह मॉडल चुनिए जिसकी सूची में आपकी भाषा हो, भाषा को अपने टेक्स्ट से मिलाइए और प्रकाशित करने से पहले लहजा और उच्चारण सुनिए। एक भाषा में शानदार आवाज़ दूसरी में सिर्फ़ ठीक-ठाक हो सकती है।
सिर्फ़ अपनी आवाज़ या किसी काल्पनिक किरदार की। कुछ मॉडल कस्टम आवाज़ को उसकी आइडेंटिफ़ायर से स्वीकार करते हैं, जो आपकी अपनी ब्रांड आवाज़ को एक जैसा रखने में काम आती है। किसी असली पहचाने जा सकने वाले व्यक्ति की आवाज़ उसकी अनुमति के बिना कभी इस्तेमाल न कीजिए, और ऐसा ऑडियो न बनाइए जो उस इंसान का लगे जिसने वह कहा ही नहीं। क्लोनिंग में सहमति वाले पक्ष के लिए AI वॉइस क्लोनिंग पढ़िए।
हाँ, और यही सबसे अच्छा पहला कदम है। toolkit वही कैटलॉग चलाता है: वॉइस मॉडल चुनिए, अपनी असली स्क्रिप्ट का एक अनुच्छेद चिपकाइए, जनरेट कीजिए और तुलना कीजिए। दो या तीन मॉडल के साथ ऐसा कीजिए और आपको पता चल जाएगा कि पहली रिक्वेस्ट में कौन सी आवाज़ का नाम लेना है। अगर कोई एक प्रोवाइडर आपका शुरुआती बिंदु है तो ElevenLabs से तुलना उपयोगी पढ़ाई है।
कुछ भी जोड़ने से पहले आवाज़ें ख़ुद सुनिए: toolkit खोलिए, अपनी असली स्क्रिप्ट का एक अनुच्छेद चिपकाइए और दो मॉडल की तुलना कीजिए। API के बारे में सवाल सपोर्ट के पास जाते हैं।
अपनी भाषा चुनें
