वॉइस लाइब्रेरी

कहानियां सुनाना (नरेशन) एक ऐसा काम है जहां आवाज को सेकंडों के बजाय घंटों तक टिके रहना होता है। यहां 244 आवाजों में से 163 आवाजों पर नरेशन का टैग है, जो अंग्रेजी, हिंदी और नौ अन्य भारतीय भाषाओं में इस कैटलॉग का सबसे बड़ा समूह है।

समाचार वितरण का मूल्यांकन चरित्र से पहले स्पष्टता के आधार पर किया जाता है। ये छह उन आवाज़ों से आते हैं जिनमें वर्णन और शैक्षिक दोनों टैग होते हैं, यह एक ऐसा संयोजन है जो जानकारी को अभिनय के साथ पेश करने के बजाय उसे बोलकर पढ़ने के लिए अधिक उपयुक्त है।

वृत्तचित्र (डॉक्यूमेंट्री) का वर्णन पृष्ठभूमि में रहकर काम करता है। आवाज़ ऐसी जानकारी देती है जो चित्र नहीं दे पाते, और वह भी बिना इसके साथ प्रतिस्पर्धा किए। ये छह आवाज़ें उन 163 वर्णन-टैग वाली आवाज़ों में से चुनी गई हैं, जिन्हें उनके सहज और शांत अंदाज़ के लिए पसंद किया गया है।

कोर्स का ऑडियो मॉड्यूल दस में भी वैसा ही सुनाई देना चाहिए जैसा मॉड्यूल एक में सुनाई देता है। ये आवाजें सभी सेशन के दौरान एक जैसी बनी रहती हैं, उच्चारण शब्दकोशों (डिक्शनरी) के ज़रिए तकनीकी शब्दावली को संभालती हैं, और अंग्रेजी के साथ-साथ नौ भारतीय भाषाओं को कवर करती हैं।

एक्सप्लेनर (स्पष्टीकरण) स्क्रिप्ट को पहली कट के बाद फिर से लिखा जाता है। लाइन दर लाइन जेनरेट करने का मतलब है कि बाद में किए गए बदलाव पर पूरी री-रिकॉर्डिंग के बजाय केवल एक लाइन का खर्च आता है, और ऑडियो लगभग एक सेकंड में 44.1 kHz पर आ जाता है।

आईवीआर (IVR) प्रॉम्प्ट एक बार लिखे जाते हैं और हजारों बार सुने जाते हैं, इसलिए इन्हें सही ढंग से तैयार करना बेहद जरूरी होता है और दोबारा रिकॉर्ड करना काफी महंगा पड़ता है। इन्हें बनाने में लगभग एक सेकंड का समय लगता है और इनमें सुधार करने में कोई खर्च नहीं आता।

वॉइस एजेंट जवाब देने से पहले होने वाले ठहराव पर ही टिके होते हैं। सिंथेसिस लगभग 200 मिलीसेकंड में शुरू हो जाता है और वास्तविक समय से 3.3 गुना तेजी से चलता है, जिससे बजट वहीं बचता है जहां आमतौर पर इसकी जरूरत होती है: आपके मॉडल पर।

सपोर्ट कॉल उन लोगों तक पहुँचती हैं जो पहले से ही परेशान हैं, और अक्सर ख़राब नेटवर्क लाइन पर होते हैं। ये आवाज़ें चरित्र की तुलना में स्पष्टता को अधिक पसंद करती हैं, अलग-अलग रेंडर में स्थिर रहती हैं, और हिंदी और अंग्रेजी के बीच उसी तरह से बदलती हैं जैसे कॉल करने वाले वास्तव में करते हैं।

वेब चैट असामान्य है क्योंकि विज़िटर एक ही समय में पढ़ता और सुनता है। ये आवाज़ें इत्मीनान से बोलने के लिए उपयुक्त हैं, वेबसॉकेट (WebSocket) पर लगभग 200 मिलीसेकंड में चलना शुरू हो जाती हैं, और एक ही एकीकरण (integration) से बारह भाषाओं को कवर करती हैं।

हर ब्रांच को पहले से रेंडर करने का मतलब है हर ब्रांच को डिलीवर करना। इसके बजाय, वेबसॉकेट स्ट्रीमिंग से बातचीत खेल के दौरान ही जेनरेट होती है, जिससे कन्वर्सेशन ट्री की लागत केवल उसी की आती है जो खिलाड़ी वास्तव में सुनते हैं, न कि उसकी जो वे सुन सकते हैं।

एक उपन्यास हजारों अनुरोधों को आपस में सिलकर बनता है, और जहां ये जोड़ होते हैं वहीं से कहानी बिखरने लगती है। ये आवाजें पूरी किताब में एक जैसी बनी रहती हैं और नौ ऐसी भारतीय भाषाओं को कवर करती हैं जिन्हें अधिकांश विक्रेता उपलब्ध नहीं कराते हैं।

घोषणाएँ गूंजते हुए हॉलों में सुनी जाती हैं और हजारों बार दोहराई जाती हैं। उच्चारण शब्दकोश स्टेशनों और स्थानों के नामों को स्थायी रूप से तय करते हैं, यूलॉ (ulaw) और एलॉ (alaw) सीधे पब्लिक एड्रेस हार्डवेयर को फीड करते हैं, और एक ही आवाज पूरी बहुभाषी श्रृंखला को संभालती है।

पॉडकास्ट प्रोडक्शन पहले से ही सेगमेंट आधारित है, जो शॉर्ट कॉल्स में जनरेशन के लिए अनुकूल है। इंट्रो और विज्ञापन रीड़स एक बार जनरेट होते हैं और कैश हो जाते हैं, और अलग-अलग आवाज़ों को मिलाने से बिना दो लोगों को बुक किए एक टू-हैंडर (दो लोगों का शो) तैयार हो जाता है।

स्क्रीन रीडर का अनुभव रखने वाले यूज़र अक्सर इसे सामान्य से काफी अधिक गति पर चलाते हैं। इसकी गति को 0.5 से 2.0 तक एडजस्ट किया जा सकता है, और इसमें नौ भारतीय भाषाओं को शामिल किया गया है, जहाँ पूरे उद्योग में सहायक ऑडियो की उपलब्धता काफी कम है।

गाइडेड ऑडियो आवाज़ के चरित्र के बजाय पेसिंग पर निर्भर करता है। स्पीड को 0.5 तक कम किया जा सकता है, ठहराव इस बात से तय होते हैं कि आप स्क्रिप्ट कैसे लिखते हैं, और क्षेत्रीय वेलनेस कंटेंट के लिए नौ भारतीय भाषाएं उपलब्ध हैं।

शॉर्ट-फ़ॉर्म की सफलता तेज़ रफ़्तार पर निर्भर करती है, और इसकी गति 2.0 तक बढ़ाई जा सकती है। एडिटिंग के बाद स्क्रिप्ट बदल जाती हैं, इसलिए लाइन-दर-लाइन जनरेट करने का मतलब है कि किसी सेक्शन को रीटाइम करने पर पूरी ट्रैक के बजाय केवल एक लाइन का ही खर्च आता है।

कमर्शियल रीड्स छोटे, तेज़ होते हैं और इनके अलग-अलग वेरिएंट्स का परीक्षण करना फायदेमंद होता है। तीस सेकंड का एक विज्ञापन एक या दो रिक्वेस्ट्स का होता है, जिससे इसके चार वर्ज़न बनाना, एक सेशन बुक करने की तुलना में सस्ता हो जाता है।

जनरेशन रीयल टाइम से 3.3 गुना तेजी से चलती है, इसलिए ऑडियो इसके चलने की तुलना में तेजी से रेंडर होता है और बफ़र आगे रहता है। पहला ऑडियो SSE या WebSocket पर लगभग 200 मिलीसेकंड में आता है।

बड़े पैमाने पर काम करने पर लागत बढ़ने का मुख्य कारण डुप्लिकेशन (दोहराव) होता है, न कि जनरेशन (उत्पादन)। टेक्स्ट को हैश करने और जो पहले से मौजूद है उसे छोड़ने से इसमें से अधिकांश भाग हट जाता है, क्योंकि कैटलॉग और टेम्प्लेट के काम में लगातार एक ही वाक्यांश बार-बार दोहराए जाते हैं।

तेईस आवाज़ें करैक्टर और एनिमेशन श्रेणी से जुड़ी हैं, जो कैटलॉग में सबसे ज़्यादा विविधता वाला समूह है। इनमें से इन छह आवाज़ों को चुना गया है, जो डबिंग और मूल काम दोनों के लिए अमेरिकी, भारतीय और जापानी लहजे का मिश्रण पेश करती हैं।

फिल्म विज्ञापनों में ट्रेलर का वर्णन सबसे संक्षिप्त लेखन होता है: आठ या नौ लाइनें जो पूरे कथानक को बयां करती हैं। ये छह लाइनें नरेशन पूल से चुनी गई हैं, जिन्हें उनके प्रभाव और सहज प्रवाह के लिए चुना गया है।

एक सिंथेटिक आवाज़ वह भाषण है जो किसी व्यक्ति द्वारा रिकॉर्ड किए जाने के बजाय एक मॉडल द्वारा निर्मित किया जाता है। ये छह हमारी कैटलॉग के विभिन्न रूपों का प्रतिनिधित्व करते हैं: अलग-अलग लहजे, अलग-अलग भाषाएं, सभी उसी क्षण उत्पन्न होती हैं जब आप प्ले बटन दबाते हैं।

तेईस आवाज़ें करैक्टर और एनिमेशन टैग को प्रस्तुत करती हैं, जो कैटलॉग में सबसे व्यापक प्रस्तुति वाला समूह है। यह उस काम के लिए पैरेंट (मुख्य) पेज है; गेमिंग और एनिमे पेज इसके अंतर्गत आते हैं।

शॉर्ट-फॉर्म में गति और रीराइट (फिर से लिखने) को प्राथमिकता दी जाती है। ये छह स्क्रिप्ट छोटे और त्वरित रूप से पढ़ने के लिए सबसे उपयुक्त हैं, और चूँकि एक लाइन लगभग एक सेकंड में फिर से जनरेट हो जाती है, इसलिए आप बिना कुछ दोबारा बुक किए एडिटिंग के बाद भी स्क्रिप्ट में बदलाव कर सकते हैं।

डरावनी कहानियों का वर्णन प्रभाव दिखाने के बजाय संयम से काम लेने पर बेहतर काम करता है। इन छह कथावाचकों को उनकी आवाज़ की गंभीरता और इत्मीनान से सुनाने की शैली के कारण चुना गया है, क्योंकि किसी कहानी को डराने वाले दृश्यों (जंप स्केयर) के बजाय यही शैली आगे बढ़ाती है।

तीस सेकंड का रेडियो विज्ञापन एक या दो अनुरोधों और लगभग दो सेकंड के जनरेशन का होता है। ये छह विज्ञापन के लिए टैग की गई उन 57 आवाज़ों में से आते हैं, जिन्हें उनके प्रोजेक्शन और गति के लिए चुना गया है।

एक ऑटोमेटेड ऑपरेटर जवाब देता है, बात समझता है और कॉल ट्रांसफर करता है। यह काम किसी मेनू को पढ़कर सुनाने से बिल्कुल अलग है, और इसके लिए ऐसी आवाज़ की ज़रूरत होती है जो रिकॉर्डिंग जैसी न लगकर ऐसी लगे मानो किसी व्यक्ति ने खुद फोन उठाया हो।

स्टेशन की पहचान वह आवाज़ है जिससे किसी चैनल को पहचाना जाता है, जो कार्यक्रमों के दौरान नहीं बल्कि उनके बीच में सुनाई देती है। यह एक सीमित दायरा है: संक्षिप्त, नपा-तुला और हर बार एक जैसा।