শব্দ ক্লোনিং

AI শব্দ ক্লোনিং একটি সংক্ষিপ্ত অডিও নমুনা থেকে একজন ব্যক্তির শব্দের অনুরূপ তৈরি করতে গভীর শিক্ষা ব্যবহার করে। একবার ক্লোন করা হলে, আপনি নতুন শব্দ তৈরি করতে পারেন যা মূল স্পিকারের মতো শোনায়। আধুনিক মডেলের জন্য ৫ সেকেন্ডের রেফারেন্স অডিও প্রয়োজন।

চ্যাটবক্স আবেগ নিয়ন্ত্রণ সহ সবচেয়ে ভাল শূন্য-শট ক্লোনিং প্রদান করে। কোসিভয়েস ২ বহুভাষিক ক্লোনিং (৮টি ভাষা) এর জন্য খুবই উপযোগী। জিপিটি-সোভিটস মাত্র ৫ সেকেন্ডের অডিও সহ অনন্য। ওপেনভয়েস বীজগাণিতিক স্টাইল নিয়ন্ত্রণ প্রদান করে।

বেশিরভাগ মডেল ৫-৩০ সেকেন্ডের পরিষ্কার অডিও সহযোগে কাজ করে। দীর্ঘতর নমুনা (৬০ সেকেন্ড পর্যন্ত) সাধারণত ভাল ফলাফল প্রদান করে। অডিওটি পরিষ্কার, একক স্পিকার, কোন পটভূমি সঙ্গীত বা শব্দহীন হওয়া উচিত।

আপনি কেবলমাত্র সেই শব্দগুলো ক্লোন করবেন যা ব্যবহারের অনুমতি রয়েছে। এর মধ্যে আপনার নিজের শব্দ, অনুমতিপ্রাপ্ত ব্যক্তির শব্দ, অথবা সঠিক লাইসেন্সপ্রাপ্ত উৎস থেকে আগত শব্দ অন্তর্ভুক্ত। অনুমোদনহীন শব্দ ক্লোন করা আপনার এলাকার আইন লঙ্ঘন করতে পারে।

হ্যাঁ! Cross-language voice cloning মডেল যেমন CosyVoice2এবং GPT-SoVITS ক্লোন করা শব্দের পরিচয় বজায় রেখে বিভিন্ন ভাষায় কথা বলতে পারে। এটি ডাবিং এবং স্থানীয়করণের জন্য উপযোগী।

একটি স্পিকারের মাধ্যমে পরিষ্কার রেকর্ডিং ব্যবহার করুন, কোন পটভূমির সঙ্গীত বা ধ্বনি নেই, এবং স্বাভাবিক ভলিউমে স্বাভাবিক কথাবার্তা। চুপচাপ কথা বলা, চিৎকার করা, বা প্রচুর পরিমাণে প্রক্রিয়াকৃত অডিও এড়িয়ে চলুন। WAV বা FLAC ফরম্যাটে ১৬kHz অথবা তার বেশি সর্বোত্তম ফলাফল প্রদান করে।

কণ্ঠস্বর ক্লোন করা বৈধ যখন আপনি কণ্ঠস্বর মালিকের অনুমতি পান অথবা আপনার নিজের কণ্ঠস্বর ব্যবহার করেন। অনেক এলাকায় কণ্ঠস্বর সদৃশ অধিকার সংরক্ষণের জন্য আইন আছে। কখনোই অন্য কাউকে অনুকরণ করার জন্য কণ্ঠস্বর ক্লোন করবেন না, deepfakes তৈরি করবেন না, অথবা প্রতারণা করবেন না। অন্য কারো কণ্ঠস্বর ক্লোন করার আগে সর্বদা সঠিক অনুমতি পান।

Yes, on a paid plan, as long as you have the rights to the reference voice. This includes your own voice, hired voice actors who consent, or properly licensed voice samples. Audio generated on a paid plan can be used in products, videos and applications, and upgrading also covers audio you made earlier on the free tier; free-tier audio is for personal, non-commercial use. On every plan, cloning models marked "Personal and non-commercial use only" in the model picker, such as Spark TTS, are excluded: their authors allow non-commercial use only.

হ্যাঁ, নিবন্ধিত ব্যবহারকারীরা তাদের অ্যাকাউন্টে ক্লোন করা ভয়েস প্রোফাইল সংরক্ষণ করতে পারেন। সংরক্ষণ করার পর, আপনি রেফারেন্স অডিও পুনরায় আপলোড না করে ভবিষ্যৎ প্রজন্মের জন্য ক্লোন করা ভয়েস পুনরায় ব্যবহার করতে পারবেন। এটি আপনার অ্যাকাউন্টের "আমার ভয়েস" বিভাগে পাওয়া যাবে।

Chatterbox এর মত মডেল ক্লোন করা কণ্ঠস্বরের মাধ্যমে স্পষ্টভাবে আবেগ নিয়ন্ত্রণ (আনন্দ, দুঃখ, ক্ষোভ, ইত্যাদি) প্রদান করে। অন্য মডেলগুলি আপনার রেফারেন্স অডিও থেকে সাধারণ টোন এবং শৈলী ধরে রাখে। সবচেয়ে ভাল আবেগ স্থানান্তরের জন্য, আপনার রেফারেন্স নমুনায় প্রকাশ্য কথা বলা অন্তর্ভুক্ত করুন।

মডেল এবং টেক্সটের দৈর্ঘ্যের উপর নির্ভর করে ভয়েস ক্লোন করতে সাধারণত ৩-১০ সেকেন্ড সময় লাগে। Chatterbox এবং GPT-SoVITS দ্রুত ক্লোন করার জন্য অনুকূলিত। মডেল রেফারেন্স অডিও প্রসেস করার কারণে প্রথম প্রজন্মে কিছুটা সময় লাগতে পারে।

Voice Cloning-এ Chatterbox এবং Tortoise-এর মত মডেলের জন্য ৪x অক্ষর ব্যবহার করে প্রাইম-ট্রিম মূল্য নির্ধারণ করা হয়। নিবন্ধনের সময় ফ্রি অ্যাকাউন্ট ১৫,০০০ অক্ষর পাবে। CosyVoice2-এর মত স্ট্যান্ডার্ড-ট্রিম Cloning মডেল ২x অক্ষর ব্যবহার করে।