AI से अपनी आवाज़ में वीडियो कैसे बनाएं
करीब एक मिनट साफ़ पढ़कर रिकॉर्ड करें, उससे कस्टम आवाज़ बनाएं, फिर उससे कोई भी स्क्रिप्ट नैरेट करवाएं। क्या रिकॉर्ड करें, रिसर्च क्या कहती है, और नियम।
Chasca टीम की ओर से पढ़ने में 7 मिनट
AI से अपनी आवाज़ में वीडियो बनाने के लिए, किसी शांत कमरे में करीब एक मिनट तक साफ़ पढ़कर रिकॉर्ड करें, टूल को उससे एक कस्टम आवाज़ बनाने दें, फिर अपनी स्क्रिप्ट के नैरेशन के लिए वही आवाज़ चुनें। Chasca में आप “My voices” खोलते हैं, स्क्रीन पर दी गई छोटी स्क्रिप्ट पढ़ते हैं, और करीब एक मिनट में आपकी आवाज़ तैयार हो जाती है। उसके बाद आपका बनाया कोई भी वीडियो आपकी आवाज़ में नैरेट हो सकता है, उसी भाषा में जिसमें आपने उसे रिकॉर्ड किया था। अगर आपने नैरेशन पहले ही रिकॉर्ड कर लिया है, तो क्लोन की ज़रूरत नहीं: उसी रिकॉर्डिंग को वीडियो का नैरेशन बना दें।
कस्टम AI आवाज़ क्या होती है?
कस्टम आवाज़, जिसे अक्सर वॉइस क्लोन कहा जाता है, आपकी रिकॉर्डिंग से बना एक वॉइस मॉडल है। आप एक छोटा-सा हिस्सा पढ़ते हैं, टूल आपकी आवाज़ की पिच, लहजा और लय सीख लेता है, और उसके बाद कोई भी नया टेक्स्ट ऐसी आवाज़ में पढ़ सकता है जो आप जैसी लगती है।
इससे स्क्रिप्ट का खर्च बदल जाता है। क्लोन के बिना, हर नए वीडियो के लिए, और किसी पुराने वीडियो में हर सुधार के लिए, माइक्रोफ़ोन लगाकर फिर से रिकॉर्ड करना पड़ता है। क्लोन के साथ आप शब्दों को टेक्स्ट की तरह एडिट करते हैं, और नैरेशन उनके साथ बदल जाता है।
वीडियो का नैरेशन अपनी आवाज़ में क्यों करें?
क्योंकि लोग आपकी आवाज़ पहचानते हैं। शिक्षक के छात्र, क्रिएटर के दर्शक और फ़ाउंडर के ग्राहक आपको पहले सुन चुके हैं, और जानी-पहचानी आवाज़ उस भरोसे का कुछ हिस्सा वीडियो तक ले आती है।
पहले सीखने से जुड़ी रिसर्च इसके पक्ष में और मज़बूत दलील देती थी। 2003 में Richard Mayer और उनके साथियों ने पाया कि जिन छात्रों ने इंसानी आवाज़ में नैरेट किया गया एनिमेशन सुना, उन्होंने प्रॉब्लम-सॉल्विंग टेस्ट में कंप्यूटर की आवाज़ सुनने वाले छात्रों से बेहतर किया, और असर बड़ा था। Mayer के बाद के रिव्यू में यह “वॉइस प्रिंसिपल” 6 में से 5 प्रायोगिक तुलनाओं में सही साबित हुआ, और मीडियन इफ़ेक्ट साइज़ d = 0.74 रहा।
तब से सिंथेटिक आवाज़ें बेहतर हुई हैं। जब Scotty Craig और Noah Schroeder ने यही तुलना एक आधुनिक टेक्स्ट-टू-स्पीच आवाज़ के साथ दोहराई, तो सीखने वालों ने उसे रिकॉर्ड की गई इंसानी आवाज़ जितना ही भरोसेमंद माना और उससे कम से कम उतना ही सीखा, और एक फ़ॉलो-अप स्टडी में ज़्यादातर पैमानों पर आधुनिक आवाज़ और इंसानी आवाज़ में सांख्यिकीय रूप से कोई अंतर नहीं मिला।
यानी अच्छी सिंथेटिक आवाज़ से अब आपके दर्शकों का कोई नुकसान नहीं होता। अपनी आवाज़ इस्तेमाल करने की वजह पहचान है: वीडियो उसी व्यक्ति की आवाज़ में होता है जिसने उसे बनाया।
कितना ऑडियो चाहिए?
ज़्यादातर लोगों की सोच से कम। इंस्टेंट वॉइस क्लोनिंग टूल आम तौर पर कुछ सेकंड से लेकर कुछ मिनट तक की साफ़ बोली मांगते हैं। किसी आवाज़ पर घंटों ट्रेन किए गए स्टूडियो-ग्रेड क्लोन भी होते हैं, लेकिन वे अलग प्रोडक्ट हैं, और उनकी कीमत भी अलग है।
सबसे ज़रूरी यह है कि सैंपल साफ़ हो:
- एक ही व्यक्ति। न इंटरव्यू लेने वाला, न को-होस्ट, न दर्शक।
- न म्यूज़िक, न बैकग्राउंड का शोर। पंखे, फ़्रिज या भीड़ भरी सड़क की आवाज़ भी क्लोन में पहुंच जाती है।
- आपकी स्वाभाविक रफ़्तार। वैसे पढ़ें जैसे आप कुछ समझाते हैं, वैसे नहीं जैसे कोई कानूनी नोटिस पढ़ते हैं।
Chasca में रिकॉर्डर एक मिनट मांगता है, उसे कम से कम 20 सेकंड चाहिए, और एक मिनट होते ही वह अपने-आप रुक जाता है। पूरे एक मिनट तक साफ़ पढ़ने से आवाज़ सबसे ज़्यादा आप जैसी लगती है।
अच्छा वॉइस सैंपल कैसे रिकॉर्ड करें?
इसके लिए स्टूडियो की ज़रूरत नहीं। एक शांत कमरा और कुछ आदतें आपका ज़्यादातर काम कर देती हैं:
- नरम सामान वाला छोटा कमरा चुनें। पर्दे, दरी और सोफ़ा गूंज सोख लेते हैं। खाली दीवारें और टाइल वाला फ़र्श उसे वापस माइक्रोफ़ोन में भेज देते हैं।
- अपने पास मौजूद सबसे अच्छा माइक्रोफ़ोन इस्तेमाल करें। USB माइक्रोफ़ोन या हेडसेट, लैपटॉप के बिल्ट-इन माइक्रोफ़ोन से बेहतर रहता है। फ़ोन के माइक्रोफ़ोन वाले ईयरफ़ोन भी आम तौर पर लैपटॉप से बेहतर होते हैं।
- दूरी एक जैसी रखें। माइक्रोफ़ोन से करीब एक हथेली की चौड़ाई जितनी दूरी, और पढ़ते हुए मुंह दूसरी तरफ़ न घुमाएं।
- पहले एक टेस्ट रिकॉर्डिंग करें। असली रिकॉर्डिंग से पहले उसे हेडफ़ोन पर सुनें। अगर कमरे की गूंज सुनाई दे, तो जगह बदल लें।
- ऐसे पढ़ें जैसे समझा रहे हों। हल्का-सा मुस्कुराएं, जोश बनाए रखें और वाक्यों को सहज ढंग से खत्म होने दें। क्लोन आपकी आवाज़ के साथ आपके बोलने का अंदाज़ भी कॉपी करता है।
Chasca से अपनी आवाज़ में वीडियो कैसे बनाएं?
- ऐप में “My voices” खोलें और “Add a voice” चुनें।
- वह भाषा चुनें जिसमें यह आवाज़ बोलेगी।
- स्क्रीन पर दी गई स्क्रिप्ट पढ़ें। इसकी शुरुआत एक छोटी लाइन से होती है कि यह आवाज़ आपकी है, जिससे आपकी सहमति रिकॉर्डिंग में ही दर्ज रहती है। एक मिनट होते ही रिकॉर्डर रुक जाता है।
- सुनकर देखें, चाहें तो फिर से रिकॉर्ड करें, फिर भेज दें। करीब एक मिनट में आपकी आवाज़ तैयार हो जाती है, साथ में जांचने के लिए एक मिनट का सैंपल भी।
- वीडियो बनाएं। कोई टॉपिक लिखें या डॉक्यूमेंट डालें, फिर नैरेशन के विकल्पों में, नैरेटरों के ऊपर, अपनी आवाज़ चुनें। Chasca स्क्रिप्ट लिखता है, हर सीन बनाता है और आपकी आवाज़ में उसका नैरेशन करता है।
हर प्लान में कस्टम आवाज़ें बिना किसी अतिरिक्त खर्च के मिलती हैं: Free और Solo में एक, Plus में 3, Pro में 5, Max में 10, और Team और Enterprise में 30। पूरी जानकारी कस्टम आवाज़ों वाले पेज पर है।
क्या आपकी आवाज़ दूसरी भाषाएं बोल सकती है?
Chasca में नहीं: हर कस्टम आवाज़ उसी भाषा में बोलती है जिसमें उसे रिकॉर्ड किया गया था, इसलिए उसके नैरेशन वाला वीडियो उसी भाषा में होता है। अगर आप दो भाषाओं में पढ़ाते या बेचते हैं, तो दोनों में एक-एक आवाज़ रिकॉर्ड करें। कुछ टूल क्लोन की गई आवाज़ से ऐसी भाषाएं भी बुलवा सकते हैं जो आप नहीं बोलते, लेकिन जो भाषा आप खुद नहीं बोलते, उसमें लहजे और उच्चारण को जांचना मुश्किल है।
अगर आपको कोई पाठ कई भाषाओं में चाहिए, तो Chasca के 30 नैरेटरों में से हर एक सभी 79 भाषाएं एक ही आवाज़ में बोलता है, इसलिए अंग्रेज़ी से लेकर अरबी तक, पूरे कोर्स में एक ही नैरेटर रह सकता है।
वॉइस क्लोनिंग के नियम क्या हैं?
छोटे में कहें तो: अपनी आवाज़ आप जैसे चाहें इस्तेमाल कर सकते हैं, और किसी और की आवाज़ के लिए उसकी अनुमति चाहिए।
- सहमति। मार्च 2024 में साइन हुए टेनेसी के ELVIS Act ने किसी व्यक्ति की आवाज़ को, उसकी नकल समेत, उन अधिकारों में जोड़ दिया जिनकी राज्य रक्षा करता है, और यह कानून बिना अनुमति आवाज़ प्रकाशित करने वालों पर भी लागू होता है और ऐसी आवाज़ बनाने के लिए बने टूल पर भी। दूसरी जगहों के अपने पब्लिसिटी और प्राइवेसी कानून हैं।
- EU में खुलासा। EU AI Act का आर्टिकल 50, जो 2 अगस्त 2026 से लागू है, सिंथेटिक ऑडियो बनाने वाले AI सिस्टम के प्रोवाइडरों से कहता है कि वे उसे मशीन से पढ़े जा सकने वाले तरीके से चिह्नित करें, और AI से बना ऐसा ऑडियो प्रकाशित करने वालों से, जो झूठे तौर पर किसी असली व्यक्ति का लगे, कहता है कि वे यह बात बताएं।
- धोखाधड़ी। अमेरिका के Federal Trade Commission ने 2024 में एक Voice Cloning Challenge चलाया, क्योंकि क्लोन की गई आवाज़ों का इस्तेमाल ठगी में होता है। किसी की नकल करने के लिए कभी किसी आवाज़ का इस्तेमाल न करें।
अपने एक्सप्लेनर वीडियो के लिए, डिस्क्रिप्शन में “मेरी अपनी आवाज़ से बनी AI आवाज़ में नैरेट किया गया” जैसी एक लाइन दर्शकों को जानकारी देती है, और इसमें कुछ खर्च नहीं होता।
नैरेशन खुद कब रिकॉर्ड करें?
कस्टम आवाज़ उन स्क्रिप्ट के लिए सबसे अच्छी है जिन्हें आप टेक्स्ट की तरह लिखेंगे और एडिट करेंगे: पाठ, प्रोडक्ट एक्सप्लेनर, अपडेट। अगर आपने पहले से कुछ ऐसा रिकॉर्ड किया है जिसे शब्दशः रखना चाहिए, जैसे कोई लेक्चर, टॉक या प्रोफ़ेशनल वॉइसओवर, तो उसी रिकॉर्डिंग का इस्तेमाल करें।
Chasca में Create पेज पर रिकॉर्डिंग जोड़ें और “Use as the narration” पर टिक करें। वीडियो में हर शब्द वैसा ही रहता है जैसा आपने कहा, और बोर्ड आपकी आवाज़ के साथ-साथ बनता है, Free पर 1 मिनट तक और पेड प्लान पर 30 मिनट तक। ऑडियो रिकॉर्डिंग को वीडियो में बदलने पर हमारी गाइड यही तरीका समझाती है।
आपके वॉइस सैंपल के लिए एक चेकलिस्ट
- एक शांत कमरा, जिसमें नरम सामान हो।
- आपके पास मौजूद सबसे अच्छा माइक्रोफ़ोन, एक जैसी दूरी पर।
- एक ही व्यक्ति, कोई म्यूज़िक नहीं।
- आपकी स्वाभाविक रफ़्तार में करीब एक मिनट की रीडिंग।
- एक टेस्ट रिकॉर्डिंग, हेडफ़ोन पर सुनकर जांची हुई।
- सिर्फ़ आपकी अपनी आवाज़, या ऐसी आवाज़ जिसकी आपके पास अनुमति हो।
स्रोत
- Mayer, R. E., Sobko, K., & Mautone, P. D. (2003). Social cues in multimedia learning: Role of speaker’s voice. Journal of Educational Psychology, 95(2), 419–425.
- Mayer, R. E. (2014). Principles based on social cues in multimedia learning: Personalization, voice, image, and embodiment principles. In The Cambridge Handbook of Multimedia Learning (2nd ed.). Cambridge University Press.
- Craig, S. D., & Schroeder, N. L. (2017). Reconsidering the voice effect when learning from a virtual human. Computers & Education, 114, 193–205.
- Craig, S. D., & Schroeder, N. L. (2019). Text-to-speech software and learning: Investigating the relevancy of the voice effect. Journal of Educational Computing Research, 57(6), 1534–1548.
- Office of the Governor of Tennessee (2024). Gov. Lee signs ELVIS Act into law.
- European Commission. Transparency obligations under Article 50 of the AI Act.
- US Federal Trade Commission (2024). Approaches to address AI-enabled voice cloning.
वीडियो की ट्रांसक्रिप्ट ऊपर दिए 0:58 के एक्सप्लेनर में नैरेटर की कही हर बात।
Picture a microphone that’s already set up whenever you change your script. How do you make a video in your own voice with AI? Record about a minute of clear reading in a quiet room, make a custom voice, then choose it to narrate your script.
In Chasca, open My voices and read the short script on screen. Your voice is ready in about a minute. A custom voice is a model made from your recording: it learns your pitch, accent and rhythm, then reads new text in a voice that sounds like yours.
Without it, every new video or fix means setting up the microphone and recording again. With it, you change the script as text instead. That's the difference. Do you record again to fix one line? No. Edit the text, and the narration follows.
लोग अक्सर पूछते हैं
हां। वॉइस क्लोनिंग टूल एक छोटी रिकॉर्डिंग से सीख लेता है कि आपकी आवाज़ कैसी है, फिर कोई भी नई स्क्रिप्ट उसी आवाज़ में पढ़ता है। Chasca में आप करीब एक मिनट तक एक छोटी स्क्रिप्ट ज़ोर से पढ़ते हैं, और फिर आपकी कस्टम आवाज़ आपके बनाए किसी भी वीडियो का नैरेशन कर सकती है, उसी भाषा में जिसमें आपने उसे रिकॉर्ड किया था।
टूल के हिसाब से, आम तौर पर कुछ सेकंड से लेकर कुछ मिनट तक की साफ़ बोली। लंबाई से ज़्यादा ज़रूरी है कि रिकॉर्डिंग साफ़ हो। Chasca एक मिनट की रीडिंग मांगता है और उसे कम से कम 20 सेकंड चाहिए।
अपने वीडियो के लिए अपनी ही आवाज़ क्लोन करना आम तौर पर ठीक है, लेकिन किसी और की आवाज़ बिना अनुमति क्लोन करना ठीक नहीं। 2024 में टेनेसी के ELVIS Act ने किसी व्यक्ति की आवाज़ को संरक्षित संपत्ति अधिकार बना दिया, और 2 अगस्त 2026 से EU AI Act के तहत किसी असली व्यक्ति की नकल करने वाले, AI से बने ऑडियो के बारे में बताना ज़रूरी है। सिर्फ़ अपनी आवाज़ रिकॉर्ड करें, या ऐसी आवाज़ जिसे इस्तेमाल करने की आपके पास लिखित अनुमति हो।
आज की आवाज़ों के साथ, स्टडीज़ में बहुत कम फ़र्क मिलता है। शुरुआती रिसर्च में पाया गया था कि लोग रोबोट जैसी कंप्यूटर आवाज़ के मुकाबले इंसानी आवाज़ से ज़्यादा सीखते हैं, लेकिन आधुनिक सिंथेटिक आवाज़ों वाली स्टडीज़ में ज़्यादातर पैमानों पर कोई खास अंतर नहीं मिला। इसलिए चुनाव ज़्यादातर भरोसे और पहचान का है, और यहीं आपकी अपनी आवाज़ काम आती है।
