Wala nang manu-manong paghihiwalay ng mga boses ng lalaki at babae? Awtomatiko na ba ang paggawa ng podcast video gamit ang Irodori-TTS at HeyGen.

本ページはプロモーション（広告）を含みます。

❓ Hindi ba mahirap gumawa ng mga video ng mga pag-uusap sa pagitan ng mga lalaki at babae?

Medyo mahirap gumawa ng mga podcast video kung saan dalawang tao ang nag-uusap. Dahil pinagsasama ng audio para sa pag-uusap ang mga boses ng lalaki at babae sa iisang track, ang paggawa ng lip-sync video ay nangangailangan ng manu-manong paghihiwalay ng mga boses ng lalaki at babae. Marami na akong ginawang ganitong mga video, ngunit ang prosesong ito ay palaging kumukuha ng maraming oras ko.

Ganoon ba talaga kahirap paghiwalayin ang mga boses? Base sa mga narinig ko, parang pinuputol mo lang ang mga ito. Pero kung babaguhin nang dose-dosenang beses ang speaker sa isang video, naiintindihan ko kung bakit nakakabagot ito. Wala na bang mas magandang paraan?

🎙️ Ang nauuso na Irodori-TTS at ang 30-segundong hadlang

Doon ko ibinaling ang aking atensyon sa pinag-uusapang Japanese TTS na "Irodori-TTS". Gumagana ito sa sarili kong PC, at natural ang Japanese. Gayunpaman, nang subukan ko ito, may nakita akong isang limitasyon: hanggang 30 segundo lang ang kaya nitong makabuo ng audio sa isang pagkakataon. Hindi nito kayang basahin ang isang buong 10 minutong podcast.

Teka, 30 segundo lang? Ibig sabihin, hindi ko ito magagamit para sa isang mahabang podcast video? Sayang naman, dahil natural lang ang boses nito. Kung gusto kong gumawa ng 10 minutong video, kailangan ko itong gupitin at gawin muli nang maraming beses.

💡 Para sa isang speech block, sapat na ang 30 segundo.

Akala ko rin noon. Pero tiningnan ko ulit ang script at may napagtanto ako. Ang usapan ay paulit-ulit lang na "nagsasalita si Kenny" at "sumagot si Erika," na ang bawat pagbigkas ay hindi hihigit sa 30 segundo. Kung gagawa ka ng boses para sa bawat pagbigkas, aayusin ang mga ito ayon sa pagkakasunod-sunod, at pupunan ang mga bahagi kung saan nagsasalita ang kausap nang tahimik, maaari kang magkaroon ng mga track na may mga lalaki lang o babae lang sa simula pa lang.

Nakikita ko, kaya kung gagawin mo ang mga ito nang hiwalay mula sa simula, hindi mo na kailangang paghiwalayin ang mga ito sa ibang pagkakataon. Nakakatuwa kung paano gumagana ang 30-segundong limitasyon bilang isang mahusay na linya ng paghahati. Kaya, paano mo gagawing isang video ang dalawang track na iyon?

🎬 Mula sa mga script hanggang sa mga video, lahat sa iisang app.

Sa pamamagitan ng paggalaw ng bibig ng avatar sa bawat track, makakagawa ka ng mga lip-sync video ng mga lalaki at babae. Ginamit namin ang HeyGen API para sa lip-syncing. Kinunsulta namin ang ChatGPT para sa disenyo at iniwan ang implementasyon sa Codex, kaya inilagay namin ang lahat mula sa pag-input ng script hanggang sa pag-export ng natapos na video sa isang desktop application. Maaari ka ring magdagdag ng mga sequence ng pagbubukas at pagsasara.

Napanood ko rin yung video na ginawa mo gamit ang app na 'yan. Sa simula, nang sabay kayong nagsalita, medyo mali ang tiyempo ninyo, pero sa pagtatapos, saktong-sakto ang pagkakatugma ninyo, na nakagaan ng loob. Pero nagtataka ako kung paano mo nagawa 'yon.

👉 Makikita ang mga detalye tungkol sa pagpili ng teknolohiya at mga hamon dito.

Ibinuod ko ang napiling teknolohiya, mga detalye, at mga hamong kinaharap ko sa pagbuo ng app sa isang artikulo. Isinulat ko nang detalyado kung bakit ko ito ginawang desktop app, kung bakit ko pinili ang isang editing screen na katulad ng Canva, at maging kung paano biglang ginawang parang boses ng matanda ang boses ko dahil sa Irodori-TTS. Mapapanood mo rin ang natapos na video sa artikulo.

Interesado talaga ako sa kwento tungkol sa boses ng lolo! Mukhang hindi kayang basahin nang maaasahan ng mga boses ng AI ang kahit anong natural na tunog. Kung interesado kang gumawa ng sarili mong mga podcast video o bumuo ng mga app gamit ang AI, basahin mo pa rin.

👉 Basahin ang orihinal na artikulo
[Irodori-TTS] Sinubukan naming gumawa ng ganap na awtomatikong lip-sync podcast video gamit ang nauuso ngayon na Japanese TTS at HeyGen-API.
https://note.com/gentle_hawk873/n/n3caaa9e760c4