আপনার পিসিতে বিনামূল্যে এআই ভয়েস জেনারেটর (যে কোনো ভয়েস ক্লোন করে)

ভিডিওটি কেভিনের আসল এবং এআই ক্লোন করা ভয়েসের মধ্যে তুলনা দিয়ে শুরু হয়, যেখানে তিনি দাবি করেন যে 30 সেকেন্ডেরও কম সময়ে তাঁর ভয়েস ক্লোন করা হয়েছে। তিনি ভয়েসবক্স নামের একটি বিনামূল্যে ও ওপেন-সোর্স অ্যাপ ব্যবহার করে কীভাবে যেকোনো ভয়েস ক্লোন করা যায় তা দেখান। এই অ্যাপটি Qwen 3 এবং Chatterbox-এর মতো সেরা এআই ভয়েস মডেল ব্যবহার করে। ভিডিওতে ডাউনলোড এবং ইনস্টলেশন প্রক্রিয়া দেখানো হয়েছে।

ইনস্টল করার পর, ব্যবহারকারী ভয়েসবক্সের মূল ইন্টারফেসে প্রবেশ করেন। ভিডিওতে “ক্রিয়েট ভয়েস” বাটনে ক্লিক করে একটি নতুন ভয়েস তৈরি করার প্রক্রিয়া বর্ণনা করা হয়েছে। ব্যবহারকারী সরাসরি অ্যাপে নিজের ভয়েস রেকর্ড করে (সর্বোচ্চ 30 সেকেন্ড) এবং তারপর এটিকে প্রতিলিপি করে। ভয়েসটিকে একটি নাম দেওয়া হয় এবং একটি প্রোফাইল তৈরি করা হয়।

ভয়েস প্রোফাইল তৈরি হওয়ার পর, ভিডিওতে দেখানো হয়েছে কীভাবে টেক্সটকে স্পিচে রূপান্তর করা যায়। ব্যবহারকারী তাঁর তৈরি করা ভয়েস নির্বাচন করেন, টেক্সট টাইপ করেন এবং Qwen 3 TTS মডেল ব্যবহার করে স্পিচ জেনারেট করেন। এরপর অডিওটি প্লেব্যাক করা হয় এবং পছন্দ হলে এক্সপোর্ট করা যায়।

পরবর্তী অংশে, ভিডিওতে একটি অডিও ফাইল আপলোড করে নতুন ভয়েস তৈরি করার আরেকটি পদ্ধতি দেখানো হয়েছে। আপলোড করা অডিও প্রতিলিপি করা হয় এবং নতুন ভয়েসটিকে “বর্ণনাকারী” নাম দেওয়া হয়। এরপর এই নতুন ভয়েস ব্যবহার করে টেক্সট থেকে স্পিচ জেনারেট করে শোনানো হয়।

ভয়েসবক্সের “স্টোরি” বৈশিষ্ট্যটি ব্যাখ্যা করা হয়েছে, যা ব্যবহারকারীদের বিভিন্ন স্পিকারের সাথে সংলাপ তৈরি করতে এবং অডিওর সময়কাল সামঞ্জস্য করতে দেয়। ভিডিওতে দেখানো হয়েছে কিভাবে একটি গল্প তৈরি করা হয়, লাইন ইনপুট করা হয়, এবং প্রতিটি লাইনের জন্য স্পিকার নির্বাচন করা হয়। সবশেষে সামগ্রিক কথোপকথনটি প্লেব্যাক করা হয় এবং একটি একক ফাইলে এক্সপোর্ট করা যায়।

ভিডিওতে ভয়েস ইফেক্টস যেমন রোবোটিক, রেডিও এবং ইকো চেম্বার ব্যবহার করার ক্ষমতা দেখানো হয়েছে। অডিও ডিভাইস সেটিংস এবং ব্যবহৃত এআই মডেলগুলিও উল্লেখ করা হয়েছে। দ্রুত প্রক্রিয়াকরণের জন্য জিপিইউ ব্যবহারের মতো উন্নত সেটিংস ব্যাখ্যা করা হয়েছে।

সেরা ফলাফলের জন্য কিছু দ্রুত টিপস দেওয়া হয়েছে: পরিষ্কার অডিও নমুনা ব্যবহার করা, শান্ত পরিবেশে রেকর্ড করা, স্পষ্ট কথা বলা এবং দীর্ঘ নমুনা ব্যবহার করা (20-30 সেকেন্ড)। যদি আউটপুট ঠিক না হয়, তবে পুনরায় জেনারেট করার বা ইনপুট টেক্সট সামঞ্জস্য করার পরামর্শ দেওয়া হয়েছে। ভিডিওটি এই বলে শেষ হয় যে ব্যবহারকারীদের শুধুমাত্র অনুমোদিত ভয়েস ব্যবহার করা উচিত।