प्रोफेशनल वॉइस क्लोनिंग
जानें कि हमारे बेहतरीन मॉडल्स की मदद से अपनी आवाज़ को प्रोफेशनल तरीके से कैसे क्लोन करें।
प्रोफेशनल वॉइस क्लोन बनाना
किसी आवाज़ को क्लोन करते समय यह समझना ज़रूरी है कि AI को किस पर प्रशिक्षित किया गया है: कौन-सी भाषाओं और किस तरह के डेटासेट पर। हर मॉडल और उसकी खूबियों के बारे में मॉडल्स पेज पर और पढ़ें।
गाइड
अगर आपको कानूनी रूप से अनुमत चीज़ों के बारे में संदेह है, तो ज़्यादा जानकारी के लिए कृपया सेवा की शर्तें और हमारी AI सुरक्षा जानकारी देखें।
प्रोफेशनल वॉइस क्लोनिंग पेज पर जाएं
ElevenLabs साइडबार में Voices के पास प्लस बटन पर क्लिक करके वॉइस क्रिएशन पेज खोलें, फिर Professional Voice Clone के नीचे Create new पर क्लिक करें।
अपना ऑडियो अपलोड करें
प्रोफेशनल वॉइस क्लोन अभी गाने को सपोर्ट नहीं करते। ऑडियो रिकॉर्डिंग में केवल बोली गई आवाज़ होनी चाहिए।

Upload samples पर क्लिक करके अपने ऑडियो सैंपल अपलोड करें।
अगर आपके पास पहले से रिकॉर्ड किया हुआ ट्रेनिंग ऑडियो नहीं है, तो Record yourself चुनकर आप सीधे इंटरफ़ेस में रिकॉर्ड भी कर सकते हैं। हमने नैरेटिव, बातचीत और विज्ञापन के लिए सैंपल स्क्रिप्ट शामिल की हैं। आप अपनी स्क्रिप्ट भी अपलोड कर सकते हैं।
सैंपल की लंबाई पर फीडबैक देखें
ऑडियो अपलोड होने के बाद, आपको अपने सैंपल की लंबाई पर फीडबैक दिखेगा। बेहतरीन नतीजों के लिए, हम कम से कम एक घंटे का ट्रेनिंग ऑडियो अपलोड करने की सलाह देते हैं, और आदर्श रूप से इसे तीन घंटे के जितना करीब हो सके उतना रखें।

अपने ऑडियो को प्रोसेस करें
ऑडियो सैंपल अपलोड होने के बाद, आप गुणवत्ता बेहतर करने के लिए उन्हें प्रोसेस कर सकते हैं। आप बैकग्राउंड नॉइज़ हटा सकते हैं और अगर आपके ऑडियो में एक से ज़्यादा स्पीकर हैं, तो अलग-अलग स्पीकर को अलग भी कर सकते हैं। इन विकल्पों के लिए, जिस क्लिप को प्रोसेस करना है उसके पास Audio settings बटन पर क्लिक करें।

अपनी आवाज़ सत्यापित करें
जब सब कुछ रिकॉर्ड और अपलोड हो जाए, तो आपसे अपनी आवाज़ सत्यापित करने के लिए कहा जाएगा। बेहतर अनुभव के लिए, सैंपल रिकॉर्ड करने में इस्तेमाल किए गए उसी या मिलते-जुलते उपकरण से, और सैंपल के समान टोन व डिलीवरी में अपनी आवाज़ सत्यापित करने की कोशिश करें। अगर आपके पास वही उपकरण उपलब्ध नहीं है, तो जितना बेहतर हो सके सत्यापित करें। अगर यह विफल हो जाए, तो आप दोबारा सत्यापन की कोशिश करने के लिए 24 घंटे इंतज़ार कर सकते हैं या मदद के लिए सपोर्ट से संपर्क कर सकते हैं।
सैंपल अपलोड करने से पहले कुछ बातों का ध्यान रखना चाहिए और बेहतरीन नतीजे पाने के लिए कुछ कदम उठाने ज़रूरी हैं।
उच्च गुणवत्ता वाला ऑडियो रिकॉर्ड करें
प्रोफेशनल वॉइस क्लोनिंग अपने प्रशिक्षण में इस्तेमाल किए गए सैंपल को बहुत सटीकता से क्लोन करती है। यह सुनी गई आवाज़ की लगभग हूबहू क्लोन बनाएगी, जिसमें उस आवाज़ की सभी बारीकियां और विशेषताएं होंगी, लेकिन सैंपल में मौजूद आर्टिफैक्ट और अनचाहा ऑडियो भी शामिल होगा। इसका मतलब है कि अगर आप बैकग्राउंड नॉइज़, कमरे के रीवर्ब/इको या संगीत अथवा कई लोगों के बोलने जैसी अनचाही आवाज़ों वाले कम-गुणवत्ता के सैंपल अपलोड करते हैं, तो AI क्लोन में भी इन सभी तत्वों को दोहराने की कोशिश करेगा।
Eleven v4 पहले के मॉडल्स की तुलना में सोर्स रिकॉर्डिंग को ज़्यादा सटीकता से कैप्चर करता है, जिसमें बैकग्राउंड नॉइज़, डिस्टॉर्शन और दूसरी कमियां भी शामिल हैं। इस मॉडल के साथ साफ़ ट्रेनिंग ऑडियो और भी ज़रूरी है।
सुनिश्चित करें कि केवल एक ही बोलने वाली आवाज़ हो
सुनिश्चित करें कि पूरे ऑडियो में केवल एक ही बोलने वाली आवाज़ हो, क्योंकि एक से ज़्यादा स्पीकर, बहुत ज़्यादा नॉइज़ या ऊपर बताई गई कोई भी चीज़ AI को भ्रमित कर सकती है। इस भ्रम के कारण AI यह पहचान नहीं पाएगा कि किस आवाज़ को क्लोन करना है, या दूसरी आवाज़ों से ढकी होने के कारण आवाज़ वास्तव में कैसी है इसे गलत समझ सकता है, जिससे क्लोन बेहतर नहीं बन पाएगा।
पर्याप्त सामग्री दें
सुनिश्चित करें कि आपके पास आवाज़ को ठीक से क्लोन करने के लिए पर्याप्त सामग्री हो। हमारी सुझाई गई न्यूनतम मात्रा 30 मिनट का ऑडियो है, लेकिन सबसे अच्छे और सबसे सटीक क्लोन के लिए हम 2-3 घंटे के करीब ऑडियो की सलाह देते हैं। जितना ज़्यादा ऑडियो दिया जाएगा, तैयार क्लोन की गुणवत्ता उतनी ही बेहतर होगी।
स्टाइल एक जैसा रखें
आपके दिए गए सैंपल की बोलने की शैली आउटपुट में दोहराई जाएगी। इसलिए आप जैसी डिलीवरी चाहते हैं, ट्रेनिंग डेटा उसी शैली का होना चाहिए (जैसे, अगर आप अपनी आवाज़ के क्लोन से ऑडियोबुक बनाना चाहते हैं, तो ट्रेनिंग के लिए जमा किया गया ऑडियो उस टोन में किताब पढ़ते हुए आपकी रिकॉर्डिंग होना चाहिए जिसे आप इस्तेमाल करना चाहते हैं)। एकरूपता के लिए अपलोड किए गए सैंपल में केवल एक ही स्टाइल शामिल करना बेहतर है। Eleven v4 उस एकल बोलने की शैली को पहले के मॉडल्स की तुलना में ज़्यादा बारीकी से कैप्चर करता है।
जिस भाषा में PVC इस्तेमाल करना है, उसी भाषा में बोले गए सैंपल इस्तेमाल करें
ऐसे सैंपल इस्तेमाल करना सबसे अच्छा है जिनमें आप उस भाषा में बोल रहे हों जिसमें PVC का मुख्य रूप से इस्तेमाल किया जाएगा। बेशक, AI हमारी वर्तमान में समर्थित किसी भी भाषा में बोल सकता है। हालांकि, ध्यान रखें कि अगर आवाज़ खुद उस भाषा की मूल आवाज़ नहीं है जिसमें आप AI से बुलवाना चाहते हैं—यानी आपने किसी दूसरी भाषा बोलने वाली आवाज़ को क्लोन किया है—तो उसमें मूल भाषा का एक्सेंट हो सकता है और वह शब्दों व उतार-चढ़ाव का गलत उच्चारण कर सकती है। उदाहरण के लिए, अगर आप अंग्रेज़ी बोलने वाली आवाज़ को क्लोन करते हैं और फिर Eleven v4 से पहले के किसी मॉडल पर उससे स्पैनिश बुलवाना चाहते हैं, तो स्पैनिश बोलते समय उसमें अंग्रेज़ी एक्सेंट होने की बहुत संभावना है।
Eleven v4 के साथ, सैंपल वाली भाषा में जनरेट की गई स्पीच मूल एक्सेंट बनाए रखती है। दूसरी भाषा में जनरेट की गई स्पीच लक्ष्य भाषा में प्रवाहपूर्ण होती है। अगर आपको दूसरी भाषाओं में भी ट्रेनिंग एक्सेंट चाहिए, तो उस व्यवहार पर निर्भर होने से पहले Eleven v4 के साथ उसका परीक्षण करें।
हम केवल हमारी समर्थित भाषाओं में से किसी एक में रिकॉर्ड किए गए क्लोनिंग सैंपल को सपोर्ट करते हैं। अगर आपका सैंपल किसी असमर्थित भाषा में रिकॉर्ड किया गया है, तो एप्लिकेशन उसे अस्वीकार कर देगा।
अच्छी और खराब रिकॉर्डिंग से क्या उम्मीद करनी है, इसके लिए नीचे दिए गए उदाहरण देखें।
फिलहाल, हम आपको केवल अपनी आवाज़ क्लोन करने की अनुमति देते हैं। फाइन-ट्यूनिंग अनुरोध सबमिट करने से पहले आपको सत्यापन प्रक्रिया से गुज़रना होगा।
सुझाव
प्रोफेशनल रिकॉर्डिंग उपकरण
प्रोफेशनल रिकॉर्डिंग उपकरण
बेहतरीन नतीजों के लिए उच्च-गुणवत्ता वाले रिकॉर्डिंग उपकरण इस्तेमाल करें, क्योंकि AI ऑडियो की हर चीज़ क्लोन करेगा। उच्च-गुणवत्ता इनपुट = उच्च-गुणवत्ता आउटपुट। कोई भी माइक्रोफ़ोन काम करेगा, लेकिन हमारी सलाह है कि अलग ऑडियो इंटरफ़ेस से जुड़ा XLR माइक इस्तेमाल करें। कम बजट के लिए Audio Technica AT2020 या Rode NT1 जैसे माइक को Focusrite इंटरफ़ेस या समान उपकरण से जोड़ना अच्छा विकल्प है।
पॉप फ़िल्टर इस्तेमाल करें
पॉप फ़िल्टर इस्तेमाल करें
रिकॉर्डिंग करते समय पॉप फ़िल्टर इस्तेमाल करें। इससे रिकॉर्डिंग के दौरान प्लोसिव्स कम होंगे।
माइक्रोफ़ोन की दूरी
माइक्रोफ़ोन की दूरी
माइक्रोफ़ोन से सही दूरी पर रहें—माइक से लगभग दो मुट्ठी की दूरी रखने की सलाह दी जाती है, लेकिन यह इस पर भी निर्भर करता है कि आप किस तरह की रिकॉर्डिंग चाहते हैं।
नॉइज़-रहित रिकॉर्डिंग
नॉइज़-रहित रिकॉर्डिंग
सुनिश्चित करें कि ऑडियो इनपुट में बैकग्राउंड संगीत या नॉइज़ जैसी कोई रुकावट न हो। AI क्लोनिंग साफ़ और व्यवस्थित ऑडियो के साथ सबसे अच्छी तरह काम करती है।
कमरे की ध्वनिकी
कमरे की ध्वनिकी
संभव हो तो ध्वनिक रूप से ट्रीट किए गए कमरे में रिकॉर्ड करें। इससे अनचाहे इको और बैकग्राउंड नॉइज़ कम होते हैं, जिससे AI को ज़्यादा साफ़ ऑडियो इनपुट मिलता है। रिकॉर्डिंग की जगह की गूंज कम करने के लिए आप मोटे डुवेट या रजाई से अस्थायी व्यवस्था भी बना सकते हैं।
ऑडियो प्री-प्रोसेसिंग
ऑडियो प्री-प्रोसेसिंग
अगर आप चाहते हैं कि AI किसी खास तरह की आवाज़ आउटपुट करे, तो अपना ऑडियो पहले से एडिट करने पर विचार करें। उदाहरण के लिए, अगर आप पॉलिश्ड पॉडकास्ट जैसा आउटपुट चाहते हैं, तो अपने ऑडियो को उस गुणवत्ता के अनुसार प्री-प्रोसेस करें। साथ ही, अगर शब्दों के बीच लंबे पॉज़ या बहुत से “uhm” और “ahm” हों, तो उन्हें भी ध्यान में रखें, क्योंकि AI उनकी भी नकल करेगा।
वॉल्यूम नियंत्रण
वॉल्यूम नियंत्रण
एक समान वॉल्यूम रखें जो साफ़ सुनाई देने के लिए पर्याप्त तेज़ हो, लेकिन इतना तेज़ नहीं कि डिस्टॉर्शन हो। लक्ष्य संतुलित और स्थिर ऑडियो स्तर पाना है। आदर्श स्तर -23dB और -18dB RMS के बीच हो, जिसमें ट्रू पीक -3dB हो।
पर्याप्त ऑडियो लंबाई
पर्याप्त ऑडियो लंबाई
बेहतरीन नतीजों के लिए ऊपर दिए गए निर्देशों का पालन करने वाला कम से कम 30 मिनट का उच्च-गुणवत्ता ऑडियो दें—अधिमानतः 2+ घंटे के करीब। आप AI को जितना ज़्यादा गुणवत्ता वाला डेटा देंगे, वॉइस क्लोन उतना ही बेहतर होगा। सैंपल की संख्या मायने नहीं रखती; कुल अवधि महत्वपूर्ण है। हालांकि, अगर आप कई घंटों का ऑडियो अपलोड करने वाले हैं, तो उसे कई लगभग 30 मिनट के सैंपल में बांटना बेहतर है। इससे अपलोड करना आसान हो जाता है।
Eleven v4
प्रोफेशनल वॉइस क्लोन को Eleven v4 में पूरी तरह सपोर्ट किया जाता है। वे आवाज़ की सटीकता में उन्हीं सुधारों पर आधारित हैं और टिंबर, कैडेंस, एक्सेंट, डिलीवरी और लाउडनेस समेत सोर्स आवाज़ को पहले के मॉडल्स की तुलना में ज़्यादा सटीकता से दोहराते हैं। Eleven v4 पर एक क्लोन, Eleven v3 पर उसी क्लोन से काफ़ी अलग सुनाई दे सकता है। अपने कंटेंट के साथ दोनों की तुलना करें और अपने उपयोग के मामले के अनुसार सही वर्शन चुनें।
Eleven v4 के दो वेरिएंट हैं। दोनों प्रोफेशनल वॉइस क्लोन के साथ काम करते हैं:
- Eleven v4 (
eleven_v4) कंटेंट क्रिएशन, ऑडियोबुक और कैरेक्टर वॉइसओवर के लिए सबसे उच्च-गुणवत्ता वाला मॉडल है। - Eleven v4 Turbo (
eleven_v4_turbo) कन्वर्सेशनल एजेंट्स जैसे रियल-टाइम उपयोग के लिए कम लेटेंसी पर वही गुणवत्ता देता है।
दोनों वेरिएंट वॉइस सेटिंग्स Stability और Similarity को सपोर्ट करते हैं, लेकिन Eleven v4 में Style और Speed उपलब्ध नहीं हैं और SSML सपोर्टेड नहीं है।
ज़्यादातर प्रोफेशनल वॉइस क्लोन Eleven v4 पर अपने-आप फाइन ट्यून हो जाएंगे, लेकिन अगर यह मॉडल पहले से उपलब्ध नहीं है, तो आप फाइन ट्यूनिंग प्रक्रिया को मैन्युअल रूप से शुरू कर सकते हैं। किसी मौजूदा प्रोफेशनल वॉइस क्लोन को Eleven v4 पर प्रशिक्षित करने के लिए My Voices खोलें, आवाज़ ढूंढें और उस पर होवर करें। जिन मॉडल्स पर आवाज़ पहले से फाइन-ट्यून है, उन पर टिक दिखेगा और फाइन-ट्यूनिंग के लिए उपलब्ध मॉडल्स पर प्लस दिखेगा। फाइन-ट्यूनिंग शुरू करने के लिए Eleven v4 के पास प्लस बटन पर क्लिक करें। पूरा होने पर आपको ऐप और ईमेल से सूचना दी जाएगी।
क्लोन स्ट्रेंथ
जब आप प्रोफेशनल वॉइस क्लोन और Eleven v4 चुनते हैं, तो Voice settings में Clone Strength स्लाइडर शामिल होता है। क्लोन स्ट्रेंथ नियंत्रित करता है कि जनरेट की गई स्पीच क्लोन की ट्रेनिंग रिकॉर्डिंग को कितनी बारीकी से फ़ॉलो करे।
कम वैल्यू पर आवाज़ थोड़ी स्मूथ हो जाती है और डिलीवरी में परफ़ॉर्मेंस की ज़्यादा लचीलापन मिलता है। इससे अक्सर कुल मिलाकर बेहतर ध्वनि मिलती है, जबकि आवाज़ मूल आवाज़ जैसी ही रहती है। अधिक वैल्यू पर आउटपुट कम स्मूथिंग के साथ ट्रेनिंग रिकॉर्डिंग के ज़्यादा करीब रहता है और मूल आवाज़ की डिलीवरी व परफ़ॉर्मेंस की अधिक बारीकी से नकल करता है। अलग विशेषताओं या अनोखे एक्सेंट वाली आवाज़ों के लिए अधिक वैल्यू खास तौर पर उपयोगी हो सकती है।
ज़्यादातर उपयोग के मामलों में हम 0% की सलाह देते हैं, लेकिन अनोखे एक्सेंट या विशेषताओं के लिए ज़्यादा वैल्यू उपयोगी हो सकती है। ऐसे मामलों में, हम क्लोन स्ट्रेंथ को 50% तक बढ़ाने का सुझाव देते हैं।






