Eleven v4 के साथ AI वॉइसओवर में पॉज़ कैसे जोड़ें

AI टेक्स्ट टू स्पीच मॉडल में बोलने का अंदाज़ ही सब कुछ है। वॉइस की गुणवत्ता और प्रोसोडी की समझ बहुत मायने रखती है, लेकिन सही टाइमिंग के बिना वाक्य बिखर जाता है। किसी पंक्ति के बाद का एक अतिरिक्त ठहराव या लंबी चुप्पी, उच्च-गुणवत्ता वाला आउटपुट बनाने में अहम हो सकती है। 

सामान्य टेक्स्ट टू स्पीच टूल्स में पॉज़ संयोग पर छोड़ दिए जाते हैं। एक जनरेशन में आपको मनचाहा नतीजा मिल सकता है, लेकिन अगली बार रीजनरेट करने पर वह गायब हो सकता है। Eleven v4 बेहतर रीजनरेशन वर्कफ़्लो देता है, जिससे यह समस्या बीते समय की बात हो जाती है। अपनी स्क्रिप्ट में अलग-अलग पंक्तियों या वाक्यांशों को आसानी से फाइन-ट्यून करें। 

शुरुआत से ही बेहतरीन स्क्रिप्ट बनाने के लिए, Eleven v4 आपको अपने टेक्स्ट में सीधे AI वॉइसओवर के लिए पॉज़ जोड़ने के तीन तरीके देता है। जानें कि हर तरीका क्या करता है और उसे कब इस्तेमाल करना चाहिए।

सारांश

• SSML टैग Eleven v4 में काम नहीं करते। सिस्टम ऑडियो टैग्स का इस्तेमाल करता है, जिनमें आप [long pause] या [whispers] जैसे स्टेज निर्देश सीधे अपनी स्क्रिप्ट में लिखते हैं।
• विराम चिह्न बदलकर आप वाक्य की लय बदल सकते हैं। डैश, एलिप्सिस और छोटे वाक्य आपके TTS आउटपुट की आवाज़ को आकार देते हैं।
• प्रभावी पॉज़ लिखने के लिए, उन्हें वहाँ रखें जहाँ कोई इंसान स्वाभाविक रूप से रुकता है।
• लंबे-फ़ॉर्मेट का ऑडियो लिखते समय, पूरे टेक्स्ट में पॉज़ के एक जैसे नियम अपनाएं, ताकि आउटपुट एकरूप रहे।

पहले के मॉडल्स से क्या बदला है?

Multilingual v2 जैसे पुराने ElevenLabs मॉडल्स SSML सिंटैक्स को सपोर्ट करते थे। आप वाक्य के बीच <break time=”2.0s” /> जैसी संरचना लिखकर 2 सेकंड का पॉज़ जोड़ सकते थे। Eleven v4, Eleven v3 में शुरू किए गए तरीके को आगे बढ़ाता है और SSML टैग्स की जगह अधिक सहज विकल्प, Audio Tags, इस्तेमाल करता है।

लेखकों के लिए, इस बदलाव से AI वॉइसओवर में पॉज़ बनाना बहुत आसान हो जाता है। किस SSML टैग का इस्तेमाल करना है, यह जानने की ज़रूरत नहीं—बस सामान्य भाषा में लिखें, और [pause] व [long pause] आपके लिए काम करेंगे। ये टैग मॉडल के लिए निर्देश बन जाते हैं, जो उन पर प्रतिक्रिया देता है और सीन के संदर्भ से बारीक अंतिम परफ़ॉर्मेंस तैयार करता है। पॉज़ की सटीक लंबाई पल के अनुसार होती है, न कि पहले से तय, यांत्रिक चुप्पी की तरह।

हालाँकि यह इस लेख का मुख्य विषय नहीं है, आप Audio Tags का इस्तेमाल भावनात्मक टेक्स्ट टू स्पीच बनाने के लिए भी कर सकते हैं, ताकि पैराग्राफ में अलग-अलग भावनाएँ जोड़ी जा सकें। 

Eleven v4 में पॉज़ नियंत्रित करने के तीन तरीके

Eleven v4 आपको AI वॉइसओवर में पॉज़ जोड़ने के तीन तरीके देता है। 

हमारे टेक्स्ट एडिटर में हम दिखाएंगे कि ये तरीके व्यवहार में कैसे काम करते हैं और उदाहरण ऑडियो से बताएंगे कि इनका असर कैसा लगता है।

[pause]

पॉज़ एक छोटा ठहराव है। यह लगभग सांस लेने या वाक्य जारी रखने से पहले स्पीकर द्वारा ली जाने वाली स्वाभाविक जगह के बराबर होता है। [pause] Audio Tag इस्तेमाल करने की सबसे अच्छी जगह किसी शुरुआती पंक्ति के बाद, दो विचारों के बीच जिन्हें आप अलग रखना चाहते हैं, अतिरिक्त ज़ोर वाले वाक्यांश के बाद, या जहाँ सिर्फ़ पूर्ण विराम बहुत जल्दी लगे, वहाँ है।

नीचे दिए उदाहरण में, हमने एक ही पंक्ति को [pause] Audio Tag के साथ और उसके बिना इस्तेमाल किया है। ऑडियो क्लिप सुने बिना भी आप देखेंगे कि एक चार सेकंड की है और दूसरी छह सेकंड की। [pause] से मिलने वाले अतिरिक्त ठहराव अंतिम क्लिप्स में जुड़ जाते हैं।

ऊपर की क्लिप्स Flint के साथ Eleven v4 पर जनरेट की गई थीं।

[long pause]

लंबा पॉज़ ज़्यादा जानबूझकर दिया जाता है और आपकी ऑडियो क्लिप्स में चुप्पी के पल बनाता है। आप इस चुप्पी का इस्तेमाल नाटकीय तनाव पैदा करने के लिए, दृश्यों के बीच के अंतराल में, किसी खुलासे से पहले, या जहाँ भी चुप्पी पर ज़ोर देना हो, कर सकते हैं।

यहाँ एक सीन में [long pause] का उदाहरण है।

इस ऑडियो क्लिप को Spuds Oxley ने Eleven v4 पर आवाज़ दी है।

विराम चिह्न

Eleven v4 विराम चिह्नों को गति के निर्देश के रूप में इस्तेमाल करता है। एलिप्सिस जोड़ने से पंक्ति का बोलने का अंदाज़ धीमा हो जाता है, जिससे आप हिचकिचाहट के पल बना सकते हैं। वाक्य संरचना बदलने से लंबे अंश की एकरसता टूटती है। छोटा। धारदार। सीधा।

आप अपनी स्क्रिप्ट में Audio Tags का इस्तेमाल कर सकते हैं—और परफ़ॉर्मेंस की डिलीवरी बेहतर बनाने के लिए करना भी चाहिए—लेकिन सिर्फ़ विराम चिह्न भी काफी असरदार हो सकते हैं।

नीचे दिए अंश में आप देख सकते हैं कि Audio Tags के बिना भी विराम चिह्न टेक्स्ट में कैसे जान डाल देते हैं।

इस ऑडियो सैंपल को Lauren B ने Eleven v4 में जीवंत बनाया है।

लंबे-फ़ॉर्मेट ऑडियो में पॉज़

लंबे-फ़ॉर्मेट का ऑडियो जनरेट करते समय, अपनी पूरी स्क्रिप्ट में एक जैसा तरीका अपनाना सबसे अच्छा रहता है। उदाहरण के लिए, अगर आप पहले 1,500 कैरेक्टर में केवल विराम चिह्न इस्तेमाल करते हैं और फिर आखिरी 1,000 कैरेक्टर में [long pause] Audio Tags जोड़ना शुरू करते हैं, तो आउटपुट अजीब लग सकता है।

अपनी स्क्रिप्ट लिखने से पहले तय करें कि आप कौन सा तरीका अपनाना चाहते हैं। या अगर आप उसे पहले ही लिख चुके हैं, तो पूरे टेक्स्ट में Audio Tags एक जैसे लागू करें। ‘Generate speech’ के बगल में दिया गया ‘v4 Enhance’ बटन आपके लेखन में अपने-आप Audio Tags जोड़ देगा।

ElevenCreative में Eleven v4 के साथ शुरू करें

Eleven v4 आपके दृश्यों में जान डालता है।

अपने टेक्स्ट की गति नियंत्रित करके और Audio Tags जोड़कर, आप हमारी वॉइस लाइब्रेरी की 17,500 से ज़्यादा वॉइसेज़ के साथ समृद्ध वोकल परफ़ॉर्मेंस बना सकते हैं।

और जानकारी के लिए पूरी भावनात्मक टेक्स्ट टू स्पीच गाइड पढ़ें, या साइन अप करें और आज ही अपना पहला जनरेशन शुरू करें।

AI वॉइसओवर में पॉज़ जोड़ने के बारे में अक्सर पूछे जाने वाले सवाल