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 लाइन के बाद एक अतिरिक्त ठहराव या लंबी खामोशी, उच्च-गुणवत्ता आउटपुट बनाने में अहम हो सकती है। 

सामान्य टेक्स्ट टू स्पीच टूल्स में पॉज़ का होना संयोग पर छोड़ दिया जाता है। एक जनरेशन में शायद आपको मनचाहा परिणाम मिल जाए, 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 लाइनों या वाक्यांशों को आसानी से फ़ाइन-ट्यून करें। 

शुरू से ही बेहतरीन स्क्रिप्ट बनाने के लिए, Eleven v4 आपको अपने टेक्स्ट में सीधे AI वॉइसओवर के पॉज़ जोड़ने के तीन तरीके देता है। जानें कि हर तरीका क्या करता है और आपको 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 बदलने से वाक्य की लय बदल सकती है। डैश, इलिप्सिस और छोटे वाक्य आपके TTS आउटपुट के सुनाई देने के तरीके को आकार देते हैं।
• प्रभावी पॉज़ लिखने के लिए, उन्हें वहाँ रखें जहाँ कोई इंसान स्वाभाविक रूप से रुकता।
• लॉन्ग-फ़ॉर्म ऑडियो लिखते समय, आउटपुट को एकरूप रखने के लिए पूरी स्क्रिप्ट में पॉज़ के एक जैसे नियम अपनाएं।

पहले के मॉडलों से क्या बदला है?

Multilingual v2 जैसे पुराने ElevenLabs मॉडल SSML सिंटैक्स को सपोर्ट करते थे। आप वाक्य के बीच <break time=”2.0s” /> जैसा स्ट्रक्चर लिखकर 2 सेकंड का पॉज़ जोड़ सकते थे। Eleven v4, Eleven v3 में शुरू किए गए तरीके को आगे बढ़ाते हुए SSML टैग्स की जगह एक अधिक सहज विकल्प, ऑडियो टैग्स, इस्तेमाल करता है।

लेखकों के लिए, यह बदलाव आपके AI वॉइसओवर में पॉज़ बनाना बहुत आसान करता है। कौन-सा सटीक SSML टैग इस्तेमाल करना है, यह जानने के बजाय आपको बस साधारण भाषा में लिखना होता है और [pause] व [long pause] आपके लिए काम कर देते हैं। ये टैग मॉडल के लिए निर्देश बन जाते हैं। मॉडल इन पर प्रतिक्रिया देता है और दृश्य के संदर्भ का उपयोग करके बारीकियों से भरी अंतिम परफ़ॉर्मेंस तैयार करता है। पॉज़ की सटीक अवधि पहले से तय, यांत्रिक खामोशी के बजाय उस पल के हिसाब से होती है।

हालाँकि यह इस लेख का मुख्य विषय नहीं है, आप ऑडियो टैग्स का इस्तेमाल भावनात्मक टेक्स्ट टू स्पीच आउटपुट बनाने के लिए भी कर सकते हैं—पैराग्राफ़ में भावनाएँ बदलकर। 

Eleven v4 में पॉज़ के तीन नियंत्रण

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

हमारे टेक्स्ट एडिटर में हम दिखाएंगे कि इनमें से हर तरीका व्यवहार में कैसे काम करता है और उदाहरण ऑडियो के साथ बताएंगे कि उनका असर कैसा लगता है।

[pause]

पॉज़ एक छोटा ठहराव है। यह लगभग साँस लेने या वाक्य जारी रखने से पहले वक्ता के स्वाभाविक रूप से रुकने जितना होता है। [pause] ऑडियो टैग इस्तेमाल करने की सबसे अच्छी जगह किसी शुरुआती लाइन के बाद, अलग रखना चाहने वाले दो विचारों के बीच, अतिरिक्त ज़ोर वाले वाक्यांश के बाद या जहाँ केवल पूर्ण विराम से बात बहुत जल्दबाज़ी वाली लगे, वहाँ है।

नीचे के उदाहरण में, हमने एक ही लाइन को [pause] ऑडियो टैग के साथ और 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 अधिक जानबूझकर लिया जाता है और आपकी ऑडियो क्लिप्स में खामोशी के पल बनाता है। इस खामोशी का इस्तेमाल नाटकीय तनाव पैदा करने, दृश्यों के बीच ब्रेक के दौरान, किसी खुलासे से पहले या जहाँ भी आप खामोशी पर ज़ोर देना चाहते हों, कर सकते हैं।

यहाँ एक दृश्य 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 की तरह इस्तेमाल करता है। इलिप्सिस जोड़ने से लाइन की डिलीवरी धीमी हो जाती है, जिससे आप हिचकिचाहट के पल बना सकते हैं। वाक्य संरचना बदलने से लंबे अंश की एकरसता टूट जाती है। छोटे। धारदार। सीधे।

आप अपनी पूरी स्क्रिप्ट में ऑडियो टैग्स इस्तेमाल कर सकते हैं (और परफ़ॉर्मेंस की डिलीवरी बेहतर करने के लिए करने भी चाहिए), लेकिन केवल विराम चिह्न भी बहुत असरदार हो सकते हैं।

अगले अंश में, आप देख सकते हैं कि ऑडियो टैग्स के बिना भी विराम चिह्न टेक्स्ट में जान कैसे डाल देते हैं।

इस ऑडियो सैंपल में जान Lauren B ने Eleven v4 में डाली।

लॉन्ग-फ़ॉर्म ऑडियो में पॉज़

लॉन्ग-फ़ॉर्म ऑडियो जनरेट करते समय सबसे अच्छे नतीजे तब मिलते हैं जब आप पूरी स्क्रिप्ट में एक जैसा तरीका अपनाते हैं। उदाहरण के लिए, अगर आप पहले 1,500 कैरेक्टर में सिर्फ़ विराम चिह्न इस्तेमाल करें और आखिरी 1,000 कैरेक्टर में [long pause] ऑडियो टैग्स जोड़ना शुरू कर दें, तो आउटपुट अजीब लग सकता है।

स्क्रिप्ट लिखने से पहले तय करें कि आप कौन-सा तरीका अपनाना चाहते हैं। या, अगर आप इसे पहले ही लिख चुके हैं, तो पूरी स्क्रिप्ट में ऑडियो टैग्स लगातार इस्तेमाल करना सुनिश्चित करें। ‘Generate speech’ के पास मौजूद ‘v4 Enhance’ बटन आपके लेखन में ऑडियो टैग्स अपने-आप जोड़ देगा।

ElevenCreative में Eleven v4 के साथ शुरुआत करें

Eleven v4 आपके दृश्यों में जान डाल देता है।

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

ज़्यादा जानकारी के लिए पूरी भावनात्मक टेक्स्ट टू स्पीच गाइड पढ़ें या साइन अप करें और आज ही अपनी पहली जनरेशन शुरू करें।

AI वॉइसओवर में पॉज़ जोड़ने के FAQ