पुरुष र महिला आवाजहरूको म्यानुअल विभाजन अब आवश्यक छैन? इरोडोरी-टीटीएस र हेजेनसँग स्वचालित पोडकास्ट भिडियो सिर्जना।

本ページはプロモーション（広告）を含みます。

❓ के पुरुष र महिला बीचको कुराकानीको भिडियो बनाउन गाह्रो छैन र?

दुई जनाले कुरा गरिरहेको पोडकास्ट भिडियोहरू बनाउनु एकदमै गाह्रो छ। कुराकानीको अडियोले पुरुष र महिला आवाजहरूलाई एउटै ट्र्याकमा मिलाउने भएकोले, लिप-सिंक भिडियो सिर्जना गर्न पुरुष र महिला आवाजहरूलाई म्यानुअल रूपमा अलग गर्नुपर्छ। मैले यस्ता धेरै भिडियोहरू बनाएको छु, तर यो प्रक्रियाले सधैं मेरो धेरै समय लिएको छ।

के साँच्चै आवाजहरू छुट्याउन त्यति गाह्रो छ? मैले सुनेको कुराबाट, तपाईंले तिनीहरूलाई काट्दै हुनुहुन्छ जस्तो लाग्छ। तर यदि एउटै भिडियोमा स्पिकर दर्जनौं पटक परिवर्तन हुन्छ भने, म बुझ्न सक्छु कि यो किन यति थकाइलाग्दो हुन्छ। के यो भन्दा राम्रो तरिका थिएन र?

🎙️ ट्रेन्डिङ इरोडोरी-टीटीएस र ३०-सेकेन्डको अवरोध

त्यतिबेला मैले धेरै चर्चामा रहेको जापानी TTS "Irodori-TTS" तिर ध्यान केन्द्रित गरें। यो मेरो आफ्नै पीसीमा चल्छ, र जापानी भाषा धेरै स्वाभाविक छ। यद्यपि, जब मैले यसलाई प्रयास गरें, मैले एउटा सीमा भेट्टाएँ: यसले एक पटकमा ३० सेकेन्डसम्म मात्र अडियो उत्पन्न गर्न सक्छ। यसले १० मिनेटको पूरै पोडकास्ट पढ्न सक्दैन।

पर्खनुहोस्, केवल ३० सेकेन्ड? यसको मतलब म यसलाई लामो पोडकास्ट भिडियोको लागि प्रयोग गर्न सक्दिन? यो लाजमर्दो कुरा हो, किनकि यो यति प्राकृतिक आवाज हो। यदि म १० मिनेटको भिडियो बनाउन चाहन्छु भने, मैले यसलाई काटेर धेरै पटक रिमेक गर्नुपर्नेछ।

💡 स्पीच ब्लकको लागि, ३० सेकेन्ड पर्याप्त थियो।

सुरुमा मलाई पनि त्यस्तै लागेको थियो। तर त्यसपछि मैले फेरि स्क्रिप्ट हेरेँ र केही महसुस गरें। कुराकानी केवल "केनी बोल्छिन्" र "एरिका जवाफ दिन्छिन्" को दोहोरिने मात्र हो, प्रत्येक उच्चारण ३० सेकेन्ड भन्दा बढी टिक्दैन। यदि तपाईंले प्रत्येक उच्चारणको लागि आवाज सिर्जना गर्नुभयो, तिनीहरूलाई क्रमबद्ध गर्नुहोस्, र अर्को व्यक्तिले मौनताका साथ बोल्ने भागहरू भर्नुभयो भने, तपाईं सुरुदेखि नै पुरुष वा महिलाहरूसँग मात्र ट्र्याकहरू राख्न सक्नुहुन्छ।

मलाई थाहा छ, यदि तपाईंले सुरुदेखि नै तिनीहरूलाई छुट्टाछुट्टै सिर्जना गर्नुभयो भने, तपाईंले तिनीहरूलाई पछि अलग गर्नु पर्दैन। ३०-सेकेन्डको सीमाले वास्तवमा राम्रो विभाजन रेखाको रूपमा कसरी काम गर्छ भन्ने कुरा रोचक छ। त्यसोभए, तपाईं ती दुई ट्र्याकहरूलाई भिडियोमा कसरी परिणत गर्नुहुन्छ?

🎬 स्क्रिप्टदेखि भिडियोसम्म, सबै एउटै एपमा।

प्रत्येक ट्र्याकमा अवतारको मुख सारेर, तपाईंले पुरुष र महिलाको लिप-सिंक भिडियोहरू सिर्जना गर्न सक्नुहुन्छ। हामीले लिप-सिंकिङको लागि HeyGen API प्रयोग गर्यौं। हामीले डिजाइनको लागि ChatGPT लाई परामर्श गर्यौं र कार्यान्वयन कोडेक्समा छोड्यौं, त्यसैले हामीले स्क्रिप्ट इनपुटदेखि समाप्त भिडियोलाई एकल डेस्कटप अनुप्रयोगमा निर्यात गर्ने सबै कुरा राखेका छौं। तपाईं खोल्ने र बन्द गर्ने अनुक्रमहरू पनि थप्न सक्नुहुन्छ।

मैले त्यो एप प्रयोग गरेर तपाईंले बनाएको भिडियो पनि हेरेँ। उद्घाटनमा, जब तपाईंहरू दुवैले एकै समयमा बोल्नुभयो, तपाईंको समय एकदमै फरक थियो, तर अन्त्यमा, तपाईंहरू पूर्ण रूपमा तालमेलमा हुनुहुन्थ्यो, जुन राहतको कुरा थियो। तर म उत्सुक छु कि तपाईंले यो कसरी बनाउनुभयो।

👉 प्रविधि छनोट र हामीले सामना गरेका चुनौतीहरूको बारेमा विवरणहरू नोटमा उपलब्ध छन्।

मैले एउटा नोट लेखमा एपको प्रविधि छनोट, विशिष्टताहरू, र विकासको क्रममा मैले सामना गरेका चुनौतीहरूको सारांश प्रस्तुत गरेको छु। मैले यसलाई डेस्कटप एप किन बनाएँ, मैले क्यानभा जस्तै सम्पादन स्क्रिन किन रोजें, र इरोडोरी-टीटीएसले अचानक मेरो आवाज कसरी बूढो मान्छेको जस्तो बनायो भन्ने बारेमा पनि विस्तृत रूपमा लेखेको छु। तपाईंले लेखमा समाप्त भिडियो पनि हेर्न सक्नुहुन्छ।

हजुरबुबाको आवाजको कथाले मलाई साँच्चै उत्सुक बनाएको छ! यस्तो देखिन्छ कि एआई आवाजहरूले प्राकृतिक सुनिने कुनै पनि कुरालाई विश्वसनीय रूपमा पढ्न सक्दैनन्। यदि तपाईं आफ्नै पोडकास्ट भिडियोहरू सिर्जना गर्न वा एआई मार्फत एपहरू विकास गर्न इच्छुक हुनुहुन्छ भने, पढ्न नबिर्सनुहोस्।

👉 मूल लेख पढ्नुहोस्
[इरोडोरी-टीटीएस] हामीले ट्रेन्डिङ जापानी टीटीएस र हेजेन-एपीआई प्रयोग गरेर पूर्ण स्वचालित लिप-सिंक पोडकास्ट भिडियो सिर्जना गर्ने प्रयास गर्यौं।
https://note.com/gentle_hawk873/n/n3caaa9e760c4