गेमिंग और कैरेक्टर आवाज़ों के लिए AI वॉइसेस

इसमें कोई भावना पैरामीटर नहीं है, इसलिए इसकी रेंज आवाज़ से और लाइन कैसे लिखी गई है, उससे तय होती है। चौदह आवाज़ों में कैरेक्टर टैग होता है, और उनमें सबसे विस्तृत डिलीवरी उपलब्ध 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।

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।

एक सौ छियालीस आवाजों को युवा के रूप में टैग किया गया है, जो हर लहजे और सभी बारह अनुशंसित भाषाओं में कैटलॉग का 63 प्रतिशत है। टोन के विपरीत, उम्र एक वास्तविक टैग किया गया फ़ील्ड है, न कि कोई अनुमान।

साफ़ तौर पर यह कहना ज़रूरी है: कैटलॉग में कुछ भी पिच को रिकॉर्ड नहीं करता है, इसलिए इन छह को फ़िल्टर करने के बजाय कान से सुनकर चुना गया था। इसमें कोई पिच नियंत्रण भी नहीं है, इसलिए गहराई पूरी तरह से कास्टिंग का निर्णय है।

सात ब्रिटिश आवाज़ें, जिन्हें चुनने के बजाय पूरा सूचीबद्ध किया गया है। इस्ला, जूलिया और पॉपी महिला आवाज़ें हैं, जबकि एलिस्टेयर, एडवर्ड और नूह पुरुष आवाज़ें हैं। अधिकांश परियोजनाओं के लिए पर्याप्त, और इतनी कम कि पांच मिनट में इनका ऑडिशन लिया जा सके।

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।

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।

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।

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।