वॉइस डिज़ाइन

ओवरव्यू

वॉइस डिज़ाइन क्रिएटर्स को तब विकल्प देता है, जब उन्हें चाहिए वाली सटीक वॉइस वॉइस लाइब्रेरी में उपलब्ध नहीं होती। अगर आपको अपने प्रोजेक्ट के लिए सही वॉइस नहीं मिलती, तो आप एक नई वॉइस बना सकते हैं। वॉइस डिज़ाइन तेज़ी से एक्सप्लोर करने और बदलाव आज़माने के लिए सबसे अच्छा है, और आउटपुट की क्वालिटी आपके प्रॉम्प्ट और इस्तेमाल के मामले के अनुसार अलग-अलग हो सकती है। अगर आपको सबसे एक जैसी, प्रोडक्शन-रेडी क्वालिटी चाहिए, तो प्रोफेशनल वॉइस क्लोन्स (PVC) फ़िलहाल हमारे प्लेटफ़ॉर्म पर सबसे उच्च क्वालिटी की वॉइस हैं — इसलिए अगर हमारी लाइब्रेरी में आपकी ज़रूरतों के मुताबिक PVC उपलब्ध है, तो हम उसे इस्तेमाल करने की सलाह देते हैं।

आप ElevenLabs ऐप में Voices -> My Voices -> Add a new voice -> Voice Design पर जाकर या API के ज़रिए वॉइस डिज़ाइन पा सकते हैं।

जब आप जेनरेट पर क्लिक करते हैं, तो हम आपके लिए वॉइस के तीन विकल्प बनाते हैं। वॉइस डिज़ाइन इस्तेमाल करने का एकमात्र शुल्क आपके प्रीव्यू टेक्स्ट को जेनरेट करने में लगने वाले क्रेडिट्स हैं। हम आपके लिए तीन सैंपल बनाते हैं, फिर भी यह शुल्क सिर्फ़ एक बार लगता है। “Text to preview” टेक्स्ट बॉक्स में आप देख सकते हैं कि कितने कैरेक्टर्स काटे जाएंगे।

जेनरेट करने के बाद, आप किसी एक जनरेशन को चुनकर सेव कर सकते हैं, जो आपके वॉइस स्लॉट्स में से एक स्लॉट लेगी।

प्रॉम्प्टिंग गाइड

प्रॉम्प्ट आपकी वॉइस की नींव है। यह मॉडल को बताता है कि आप किस तरह की वॉइस बनाना चाहते हैं — एक्सेंट और कैरेक्टर टाइप से लेकर वॉइस के जेंडर और वाइब तक सब कुछ। अच्छी तरह से बनाया गया प्रॉम्प्ट एक सामान्य वॉइस और आपकी कल्पना के बिल्कुल अनुकूल वॉइस के बीच फर्क पैदा कर सकता है। आम तौर पर, ज़्यादा वर्णनात्मक और बारीक प्रॉम्प्ट ज़्यादा सटीक और सूक्ष्म नतीजे देते हैं। आप जितनी ज़्यादा जानकारी देंगे — जैसे उम्र, जेंडर, टोन, एक्सेंट, गति, भावना, स्टाइल और बहुत कुछ — मॉडल उतना बेहतर समझकर ऐसी वॉइस दे पाएगा जो सोच-समझकर बनाई और आपकी ज़रूरत के मुताबिक लगे।

हालांकि, कभी-कभी छोटे और आसान प्रॉम्प्ट भी काम कर सकते हैं, खासकर जब आप ज़्यादा न्यूट्रल या व्यापक रूप से इस्तेमाल होने वाली वॉइस चाहते हैं। उदाहरण के लिए, “एक शांत पुरुष नैरेटर” बिना विस्तार में जाए आपको बिल्कुल वही दे सकता है जो चाहिए — खासकर तब, जब आप बहुत खास कैरेक्टर या स्टाइल नहीं बनाना चाहते। कितनी जानकारी चाहिए, यह आपके इस्तेमाल के मामले पर निर्भर करता है। क्या आप एक फ़ैंटेसी कैरेक्टर बना रहे हैं? एक वर्चुअल असिस्टेंट? सूखे हास्यबोध वाली 60 की उम्र की थकी हुई न्यू यॉर्कर? आप अपने प्रॉम्प्ट में इसे जितनी स्पष्टता से बताएंगे, आउटपुट आपकी कल्पना के उतना ही करीब होगा।

सुझाया गया प्रॉम्प्ट फ़ॉर्मैट

एक जैसे नतीजों के लिए, अपने प्रॉम्प्ट को इस फ़ॉर्मैट में लिखें:

Native <Language>. <Gender>, <Age range>. <Quality level>.
Persona: <2–5 words>. Emotion: <2–3 adjectives>.
<1–2 sentences about timbre, pacing, delivery>

उदाहरण:

Native Spanish, español europeo (sin rasgos de español latinoamericano). Female, 35–40. Ok quality. Persona: operadora de soporte confiable. Emotion: reassuring, attentive, confident. Smooth, natural timbre with gentle intonation, forward proximity, and a noise-free signal. Delivers updates at a relaxed pace with clear emphasis on helpful information, projecting empathy and professionalism.

इन आम गलतियों से बचें

• जब आपका मतलब इंटोनेशन हो, तो “accent” का इस्तेमाल न करें — इससे अनचाहे डायलेक्ट बदलाव हो सकते हैं। इसके बजाय इंटोनेशन, ज़ोर देने के तरीके या डिलीवरी पैटर्न का वर्णन करें।
• FX शब्दों से बचें — “reverb,” “echo,” “phone,” या “tape” जैसे शब्द आउटपुट क्वालिटी को खराब कर सकते हैं।
• भाषा और डायलेक्ट के बारे में स्पष्ट रहें — भटकाव रोकने के लिए हमेशा पहले वाक्य में भाषा और क्षेत्रीय वैरिएंट बताएं।

ऑडियो क्वालिटी

ऑडियो क्वालिटी से मतलब जेनरेट की गई वॉइस की स्पष्टता, सफ़ाई और कुल फ़िडेलिटी से है। डिफ़ॉल्ट रूप से, ElevenLabs साफ़ और प्राकृतिक लगने वाला ऑडियो बनाने की कोशिश करता है — लेकिन अगर आपके प्रोजेक्ट को खास स्तर की क्वालिटी चाहिए, तो इसे अपने प्रॉम्प्ट में साफ़ तौर पर शामिल करना सबसे अच्छा है।

उच्च क्वालिटी के नतीजों के लिए, आप अपनी वॉइस के विवरण में “perfect audio quality” या “studio-quality recording” जैसा वाक्यांश जोड़कर मॉडल की मदद कर सकते हैं। इससे यह सुनिश्चित करने में मदद मिलती है कि वॉइस अधिकतम स्पष्टता, कम से कम विकृति और निखरे हुए फ़िनिश के साथ रेंडर हो।

आप खास क्वालिटी डिस्क्रिप्टर्स भी इस्तेमाल कर सकते हैं, जो एक जैसे नतीजे देते हैं:

• ठीक क्वालिटी
• अच्छी क्वालिटी
• बहुत अच्छी क्वालिटी
• बेहतरीन क्वालिटी
• स्टूडियो क्वालिटी
• ब्रॉडकास्ट क्वालिटी

प्रॉम्प्ट में शामिल करने पर ये डिस्क्रिप्टर्स सबसे उच्च ऑडियो क्वालिटी पाने में मदद करते हैं।

कुछ क्रिएटिव मामलों में कम ऑडियो क्वालिटी जानबूझकर चाहिए हो सकती है, जैसे फ़ोन कॉल, पुराने रेडियो ब्रॉडकास्ट या मिली हुई फ़ुटेज का सिमुलेशन करते समय। ऐसे मामलों में क्वालिटी डिस्क्रिप्टर्स को पूरी तरह छोड़ दें या स्पष्ट रूप से ये वाक्यांश शामिल करें:

• “लो-फ़िडेलिटी ऑडियो”
• “खराब ऑडियो क्वालिटी”
• “वॉइसमेल जैसा सुनाई देता है”
• “पुराने टेप रिकॉर्डर की तरह दबा हुआ और दूर का”

आपके प्रॉम्प्ट में इस वाक्यांश की जगह लचीली है — यह शुरुआत या अंत में हो सकता है, हालांकि हमने पाया है कि दोनों जगह यह अच्छी तरह काम करता है।

उम्र, टोन/टिम्बर और जेंडर

ये तीन विशेषताएं वॉइस डिज़ाइन की नींव हैं और वॉइस की पूरी पहचान व भावनात्मक प्रभाव तय करती हैं। आप जितनी ज़्यादा जानकारी देंगे, AI के लिए आपकी क्रिएटिव सोच के मुताबिक वॉइस बनाना उतना आसान होगा — चाहे आप भरोसेमंद कैरेक्टर बना रहे हों, आकर्षक नैरेटर तैयार कर रहे हों या वर्चुअल असिस्टेंट डिज़ाइन कर रहे हों।

उम्र

वॉइस की महसूस होने वाली उम्र बताने से उसकी परिपक्वता, वोकल टेक्सचर और ऊर्जा तय करने में मदद मिलती है। AI को सही वोकल क्वालिटी की ओर ले जाने के लिए खास शब्दों का इस्तेमाल करें।

उपयोगी डिस्क्रिप्टर्स:

• “बूढ़ा आदमी” / “बूढ़ी औरत”
• “युवा वयस्क” / “20 की उम्र में” / “30 की शुरुआती उम्र में”
• “मध्यम उम्र का आदमी” / “40 की उम्र की महिला”
• “बुज़ुर्ग आदमी” / “उम्रदराज़ महिला” / “80 की उम्र का आदमी”

टोन/टिम्बर

यह वॉइस की भौतिक क्वालिटी को दर्शाता है, जो पिच, रेज़ोनेंस और वोकल टेक्सचर से बनती है। यह भावनात्मक डिलीवरी या रवैये से अलग है।

आम टोन/टिम्बर डिस्क्रिप्टर्स:

• “गहरी” / “लो-पिच्ड”
• “मुलायम” / “समृद्ध”
• “खुरदरी” / “कर्कश”
• “नासिक” / “तीखी”
• “हवादार” / “सांस भरी”
• “गूंजती हुई” / “रेज़ोनेंट”
• “हल्की” / “पतली”
• “गरमाहट वाली” / “कोमल”
• “टिन जैसी” / “धात्विक”

जेंडर

जेंडर अक्सर पिच, वोकल वेट और टोनल प्रेज़ेंस को प्रभावित करता है — लेकिन आप पहचान के बजाय ध्वनि का वर्णन करके सरल श्रेणियों से आगे जा सकते हैं।

उदाहरण:

• “लो-पिच्ड, भारी महिला वॉइस”
• “मर्दाना पुरुष वॉइस, गहरी और रेज़ोनेंट”
• “न्यूट्रल जेंडर — मुलायम और मिड-पिच्ड”

एक्सेंट

एक्सेंट वॉइस की क्षेत्रीय, सांस्कृतिक और भावनात्मक पहचान तय करने में अहम भूमिका निभाता है। अगर आपका प्रोजेक्ट प्रामाणिक ध्वनि पर निर्भर है — चाहे वह यथार्थ पर आधारित हो या कैरेक्टर के लिए स्टाइलाइज़्ड — तो चाहिए वाले एक्सेंट के बारे में स्पष्ट और सोच-समझकर बताना ज़रूरी है।

वाक्यांशों का चुनाव मायने रखता है — कुछ शब्द ज़्यादा एक जैसे नतीजे देते हैं। उदाहरण के लिए, एक्सेंट कितना प्रमुख होना चाहिए, इसका वर्णन करते समय “strong” की तुलना में “thick” अक्सर बेहतर नतीजे देता है। इसमें काफ़ी ट्रायल और एरर होती है, और हम आपको शब्दों के साथ प्रयोग करने तथा जितना हो सके उतना रचनात्मक और वर्णनात्मक बनने के लिए प्रोत्साहित करते हैं।

• स्पष्ट एक्सेंट प्रॉम्प्ट के उदाहरण:
  • “गाढ़े फ़्रेंच एक्सेंट वाला मध्यम उम्र का आदमी”
  • “हल्के सदर्न ड्रॉल वाली युवा महिला”
  • “भारी ईस्टर्न यूरोपियन एक्सेंट वाला बूढ़ा आदमी”
  • “स्पष्ट ब्रिटिश एक्सेंट में बोलने वाली खुशमिज़ाज महिला”
  • “हल्की आयरिश लय वाला युवा पुरुष”
  • “न्यूट्रल अमेरिकन एक्सेंट वाली अधिकारपूर्ण वॉइस”
  • “क्षेत्रीय ऑस्ट्रेलियन एक्सेंट वाला आदमी, आरामदेह और नासिक”

“foreign” या “exotic” जैसे बहुत अस्पष्ट डिस्क्रिप्टर्स से बचें — वे सटीक नहीं होते और असंगत नतीजे दे सकते हैं।

बेहतर नियंत्रण के लिए एक्सेंट को टोन, उम्र या गति जैसे अन्य गुणों के साथ मिलाएं। जैसे, “गाढ़े न्यू यॉर्क एक्सेंट वाली व्यंग्यात्मक बूढ़ी महिला, जो धीरे बोलती है।”

फ़ैंटेसी या काल्पनिक वॉइस के लिए, आप प्रेरणा के रूप में वास्तविक दुनिया के एक्सेंट सुझा सकते हैं:

• “सही गाढ़े ब्रिटिश एक्सेंट वाला एल्फ़। वह शाही और गीतात्मक है।”
• “कर्कश ईस्टर्न यूरोपियन एक्सेंट वाला गॉब्लिन।”

गति

गति से मतलब उस स्पीड और रिदम से है, जिस पर कोई वॉइस बोलती है। यह वॉइस के व्यक्तित्व, भावनात्मक टोन और स्पष्टता को आकार देने का अहम हिस्सा है। गति के बारे में स्पष्ट होना ज़रूरी है, खासकर स्टोरीटेलिंग, विज्ञापन, कैरेक्टर डायलॉग या निर्देशात्मक कंटेंट जैसे खास इस्तेमाल के मामलों के लिए वॉइस डिज़ाइन करते समय।

वॉइस को कितनी तेज़ या धीमी बोलना चाहिए, यह बताने के लिए साफ़ भाषा इस्तेमाल करें। आप यह भी बता सकते हैं कि गति कैसी महसूस होती है — स्थिर, अनियमित, सोच-समझकर रखी गई या सहज। अगर गति बदलती है, तो यह ज़रूर बताएं कि कहां और क्यों।

गति डिस्क्रिप्टर्स के उदाहरण:

• “तेज़ी से बोलते हुए” / “तेज़ गति से”
• “सामान्य गति से” / “सामान्य रूप से बोलते हुए”
• “धीरे बोलते हुए” / “धीमी रिदम के साथ”
• “सोच-समझकर और नियंत्रित गति”
• “खींचकर, जैसे हर शब्द का आनंद ले रहे हों”
• “जल्दबाज़ी वाली लय के साथ, जैसे उन्हें जल्दी हो”
• “आरामदेह और बातचीत वाली गति”
• “गति में लयबद्ध और संगीतात्मक”
• “अचानक विरामों और तेज़ हिस्सों वाली अनियमित गति”
• “शब्दों के बीच एक जैसे समय वाली समान गति”
• “स्टैकैटो डिलीवरी”

प्रीव्यू के लिए टेक्स्ट

जब आप एक अच्छा वॉइस प्रॉम्प्ट लिख लेते हैं, तो उस वॉइस का प्रीव्यू लेने के लिए इस्तेमाल किया गया टेक्स्ट उसके असली साउंड को तय करने में अहम भूमिका निभाता है। प्रीव्यू टेक्स्ट परफ़ॉर्मेंस स्क्रिप्ट की तरह काम करता है — यह टोन, गति और भावनात्मक डिलीवरी तय करता है, जिससे मैच करने की कोशिश वॉइस करेगी।

सबसे अच्छे नतीजों के लिए, आपका प्रीव्यू टेक्स्ट वॉइस के विवरण के अनुरूप होना चाहिए, उसके उलट नहीं। उदाहरण के लिए, अगर आपका प्रॉम्प्ट “हल्के जापानी एक्सेंट वाली शांत और विचारशील युवा महिला वॉइस” का वर्णन करता है, तो “अरे! तुमने इस बेकार जगह का जो हाल किया है, वह मुझसे बर्दाश्त नहीं होता!!!” जैसे वाक्य का इस्तेमाल उस इरादे से टकराएगा। मॉडल इस बेमेल को मिलाने की कोशिश करेगा, जिससे अक्सर अप्राकृतिक या असंगत नतीजे मिलेंगे।

इसके बजाय, ऐसा सैंपल टेक्स्ट इस्तेमाल करें जो वॉइस के चाही गई व्यक्तित्व और भावनात्मक टोन को दर्शाता हो। ऊपर दिए गए उदाहरण के लिए, “हाल में बहुत शांति रही है… मुझे सोचने का समय मिला, और शायद मुझे सबसे ज़्यादा उसी की ज़रूरत थी।” जैसा कुछ प्रॉम्प्ट का समर्थन करता है और ज़्यादा प्राकृतिक, सुसंगत वॉइस बनाने में मदद करता है।

इसके अलावा, हमने पाया है कि लंबे प्रीव्यू टेक्स्ट ज़्यादा स्थिर और अभिव्यक्तिपूर्ण नतीजे देते हैं। छोटे वाक्यांश कभी-कभी अचानक या असंगत लग सकते हैं, खासकर टोन या गति जैसी सूक्ष्म खूबियों को टेस्ट करते समय। मॉडल को ज़्यादा संदर्भ देना — पूरा वाक्य या छोटा पैराग्राफ भी — उसे वॉइस का ज़्यादा सहज और सटीक प्रतिनिधित्व देने देता है।

पैरामीटर्स

लाउडनेस

टेक्स्ट टू प्रीव्यू जनरेशन का वॉल्यूम, और आखिर में सेव की गई वॉइस का वॉल्यूम नियंत्रित करता है।

गाइडेंस स्केल

यह तय करता है कि प्रॉम्प्ट का कितनी बारीकी से पालन किया जाए। ज़्यादा वैल्यू प्रॉम्प्ट का ज़्यादा सख्ती से पालन करेगी, लेकिन अगर प्रॉम्प्ट बहुत खास है तो ऑडियो क्वालिटी खराब हो सकती है। वहीं, कम वैल्यू मॉडल को प्रॉम्प्ट की सटीकता की कीमत पर ज़्यादा रचनात्मक होने देगी। अगर प्रॉम्प्ट को बिल्कुल सटीक बनाना कम और परफ़ॉर्मेंस व ऑडियो क्वालिटी आम तौर पर ज़्यादा अहम हैं, तो कम वैल्यू इस्तेमाल करें। एक्सेंट या टोन की सटीकता बहुत महत्वपूर्ण होने पर ज़्यादा वैल्यू की सलाह दी जाती है।

विशेषताएं और उदाहरण

उदाहरण प्रॉम्प्ट और टेक्स्ट प्रीव्यू

अक्सर पूछे जाने वाले सवाल