सबटाइटल को आवाज़ में सुनाएँ
पहले चलाने पर आवाज़ मॉडल और फ़ोनिमाइज़र डाउनलोड होते हैं — दोनों मिलाकर लगभग 98 MB, यह साइट परोसती है और ब्राउज़र उन्हें बाद में कैश कर लेता है। आपकी छोड़ी सबटाइटल या टेक्स्ट फ़ाइल इस टैब से कभी बाहर नहीं जाती। MP3 या M4A चुनने पर 31 MB का एनकोडर और डाउनलोड होता है, इसीलिए WAV डिफ़ॉल्ट है।
विकल्प
आवाज़ लहजा और मिट्ठास तय करती है, और — कम स्पष्ट रूप से — यह भी कि टेक्स्ट किस ध्वनि-प्रणाली से पढ़ा जाएगा। स्पेनिश आवाज़ को अंग्रेज़ी वाक्य के साथ जोड़ना विफल नहीं होता: वह अंग्रेज़ी शब्दों को स्पेनिश ध्वनियों से पढ़ता है, जो त्रुटि संदेश से बुरा है। सात भाषाएँ दी गई हैं, बारह नहीं, क्योंकि इस पेज के साथ आने वाले फ़ोनिमाइज़र के पास जापानी या चीनी के लिए आवाज़ नहीं है। लंबी फ़ाइल पर रुकने से पहले छोटी फ़ाइल सुनें; हर आवाज़ वही मॉडल ले जाती है, इसलिए बदलने पर एक सिंथेसिस लगती है, एक डाउनलोड नहीं।
आवाज़ कितनी तेज़ पढ़ती है, जो मॉडल के स्वाभाविक माने जाने वाले ठहराव के ऊपर लगता है। Slow 0.8× है और fast 1.2× — जानबूझकर हल्का, क्योंकि लगभग 1.5× के आगे मॉडल अक्षर निगलने लगता है और नतीजा तेज़ बोलने वाले के बजाय जल्दबाज़ी करने वाले जैसा सुनाई देता है। जब कोई सबटाइटल क्यू अपनी पंक्ति के लिए बहुत छोटा हो, यह पेज काटने से पहले खुद गति को 1.4× तक बढ़ाता है, और वह बढ़ोतरी यहाँ चुनी सेटिंग से गुणा होती है।
WAV बिना संपीड़न वाला 24 kHz मोनो है, यहाँ बिना किसी एनकोडर के लिखा जाता है — इसीलिए यह डिफ़ॉल्ट है और इसके लिए कुछ अतिरिक्त डाउनलोड नहीं होता। MP3 और M4A को संपीड़ित करने के लिए 31 MB का वीडियो इंजन चाहिए, पर वे लगभग दस गुना छोटे निकलते हैं: दस मिनट की बोली WAV में लगभग 28 MB और MP3 में लगभग 2.8 MB होती है। आवाज़ सुनकर जाँचने के लिए WAV चुनें, फ़ाइल किसी को भेजने के लिए MP3।
यह पेज सबटाइटल को आवाज़ में बदलता है और हर cue को उसके शुरू होने के क्षण पर बिठाता है, ताकि जब वीडियो में वह पंक्ति आए तब वह सुनाई दे। नतीजा एक ऑडियो फ़ाइल है जिसमें बोली के बीच की खामोशी भी उतनी ही है जितनी स्रोत में थी — यह कोई लगातार वाचन नहीं, बल्कि समय के साथ बँधी हुई आवाज़ है। डिफ़ॉल्ट रूप से WAV मिलता है; MP3 या M4A चुनने पर ffmpeg का कोडेक लोड होता है, इसलिए वह पहली बार लगभग 31 MB डाउनलोड करता है।
आवाज़ स्थानीय Kokoro मॉडल से बनती है, जिसमें वक्ता की पहचान और उच्चारण की योजना दोनों इसी मशीन पर चलती हैं। मॉडल और उसका फ़ोनेमाइज़र मिलाकर लगभग 98 MB हैं और पहली बार “शुरू करें” दबाने पर ही लाए जाते हैं; उसके बाद वे ब्राउज़र में सहेजे रहते हैं। दस आवाज़ें सात भाषाओं में हैं — अमेरिकी और ब्रिटिश अंग्रेज़ी, स्पेनिश, फ़्रेंच, इतालवी, हिंदी और ब्राज़ीली पुर्तगाली। जो भाषा सूची में नहीं है, उसे यह पेज नहीं बोलता; जापानी और चीनी जैसी भाषाओं को यहाँ जानबूझकर नहीं जोड़ा गया।
समय की सीमा असली है: कोई cue अपने अंत से आगे नहीं बोल सकता। अगर बोल उस अवधि में स्वाभाविक गति से नहीं समाता तो पेज उसे अधिकतम 1.4 गुना तक तेज़ करता है और फिर भी न समाए तो उसे काटता है — और यह कटाव रिपोर्ट में दर्ज होता है, चुपचाप नहीं होता। सारा काम ब्राउज़र में होता है, सबटाइटल और बनी आवाज़ दोनों कहीं अपलोड नहीं होते, और काम बीच में रोका जा सकता है।
अक्सर पूछे जाने वाले सवाल
सबटाइटल से समय के साथ आवाज़ कैसे बनती है?
हर cue का पाठ स्थानीय Kokoro मॉडल से बोला जाता है और उसका ऑडियो उसी cue के शुरू होने के क्षण पर रखा जाता है; बीच की खामोशी स्रोत के समय से आती है। इसलिए नतीजा लगातार वाचन नहीं, बल्कि वीडियो के साथ मेल खाती आवाज़ है। WAV डिफ़ॉल्ट है, और MP3 तथा M4A के लिए ffmpeg कोडेक पहली बार लगभग 31 MB डाउनलोड करता है।
मॉडल कितना बड़ा है और कब डाउनलोड होता है?
Kokoro मॉडल और उसका फ़ोनेमाइज़र मिलाकर लगभग 98 MB हैं। ये “शुरू करें” दबाने पर ही डाउनलोड होते हैं, पेज खुलने पर नहीं, और उसके बाद ब्राउज़र में सहेजे रहते हैं। पहली बार इंटरनेट चाहिए; उसके बाद वही आवाज़ें बिना नेटवर्क के भी चलती हैं, बशर्ते ब्राउज़र का सहेजा डेटा मिटाया न गया हो।
कौन-सी भाषाएँ और आवाज़ें उपलब्ध हैं?
दस आवाज़ें सात भाषाओं में: अमेरिकी अंग्रेज़ी, ब्रिटिश अंग्रेज़ी, स्पेनिश, फ़्रेंच, इतालवी, हिंदी और ब्राज़ीली पुर्तगाली। सूची में जो है वही बोला जा सकता है; जापानी, चीनी, कोरियाई और अन्य भाषाएँ इस मॉडल में नहीं हैं और पेज उन्हें दिखाता भी नहीं। सबटाइटल की भाषा और चुनी आवाज़ की भाषा एक रखें, वरना उच्चारण ग़लत होगा।
अगर बोल cue की अवधि में न समाए तो क्या होता है?
पेज पहले गति बढ़ाता है, अधिकतम 1.4 गुना तक, क्योंकि इससे तेज़ करने पर आवाज़ अस्वाभाविक लगती है। इतने में भी न समाने पर पाठ काटा जाता है और यह कटाव रिपोर्ट में दर्ज होता है — कौन-सी cue काटी गई, यह आपको दिखता है। यह जानबूझकर है: अगली cue पर चढ़ जाना या समय बदलना स्रोत के ताल को तोड़ देता।
क्या काम बीच में रोका जा सकता है?
हाँ। ध्वनि-संश्लेषण एक अलग थ्रेड में चलता है, इसलिए रोकने पर वह थ्रेड बंद हो जाता है और नियंत्रण तुरंत लौटता है — मॉडल के अंदर चल रही लंबी गणना का इंतज़ार नहीं करना पड़ता। यह उस स्थिति से अलग है जहाँ काम अगले चरण से पहले रुकता है; यहाँ रोकना तुरंत असर करता है।
क्या मेरे सबटाइटल या आवाज़ अपलोड होते हैं?
नहीं। सबटाइटल इस टैब में पढ़ा जाता है, मॉडल स्थानीय रूप से चलता है और बनी ऑडियो फ़ाइल यहीं से डाउनलोड होती है। नेटवर्क पर केवल मॉडल और कोडेक का डाउनलोड दिख सकता है, कभी आपकी सामग्री नहीं। इसलिए यह उन स्क्रिप्टों के लिए भी सुरक्षित है जिन्हें बाहर नहीं भेजा जा सकता।