टेक्स्ट-टू-स्पीच क्या है? आसान भाषा में गाइड

टेक्स्ट-टू-स्पीच (TTS), जिसे स्पीच सिंथेसिस भी कहा जाता है, ऐसा सॉफ़्टवेयर है जो टेक्स्ट को ज़ोर से पढ़कर सुनाता है। आप उसे एक वाक्य देते हैं, और वह आपको उस वाक्य को बोलती आवाज़ की ऑडियो फ़ाइल या लाइव स्ट्रीम लौटा देता है। यह आवाज़ किसी व्यक्ति द्वारा आपके शब्दों को पढ़ने की रिकॉर्डिंग नहीं होती। इसे एक कंप्यूटर मॉडल उसी पल तैयार करता है, जिसने सीखा है कि कोई ख़ास आवाज़ ध्वनियों, शब्दों और वाक्यों का उच्चारण कैसे करती है।

आपने लगभग निश्चित रूप से TTS पहले ही सुना होगा: GPS के रास्ते बताने में, फ़ोन मेन्यू में, नेत्रहीन और कम दृष्टि वाले लोगों के स्क्रीन रीडर में, ई-बुक के "ज़ोर से पढ़ें" फ़ीचर में, और अब तेज़ी से YouTube नैरेशन और छोटे वीडियो में।

आजकल के ज़्यादातर सिस्टम मोटे तौर पर तीन चरणों में काम करते हैं। आप इन्हें कभी देखते नहीं, लेकिन इन्हें जानने से समझ आता है कि कुछ टेक्स्ट से दिक़्क़त क्यों होती है।

1. टेक्स्ट को पढ़ना और सामान्य रूप में लाना

पहले सिस्टम तय करता है कि असल में क्या बोला जाना चाहिए। "डॉ." का मतलब "डॉक्टर" भी हो सकता है और "डॉलर" भी; "2026" आम तौर पर "दो हज़ार छब्बीस" पढ़ा जाता है, लेकिन फ़ोन नंबर में वही अंक "दो शून्य दो छह" पढ़े जाते हैं; "₹5" बन जाता है "पाँच रुपये"। सिस्टम टेक्स्ट को वाक्यों में भी बाँटता है और तय करता है कि हर लिखा हुआ शब्द कैसे बोला जाए, जो सुनने में जितना आसान लगता है उतना है नहीं: अंग्रेज़ी का "read" शब्द "I read books" और "I read it yesterday" में अलग-अलग बोला जाता है।

2. ध्वनि की योजना बनाना

इसके बाद एक न्यूरल नेटवर्क अनुमान लगाता है कि वाक्य कैसा सुनाई देना चाहिए: किन अक्षरों पर ज़ोर हो, सुर कहाँ ऊपर-नीचे जाए, हर ध्वनि कितनी देर चले और छोटी साँसें कहाँ आएँ। इस लय और सुर को प्रोसोडी कहते हैं, और यही इंसान जैसी लगने वाली आवाज़ और किसी सूची को पढ़ती मशीन के बीच मुख्य अंतर है।

3. ऑडियो तैयार करना

आख़िर में एक और मॉडल (जिसे अक्सर वोकोडर कहा जाता है) उस योजना को असली ध्वनि तरंग में बदल देता है जिसे आप चला सकते हैं। पुराने सिस्टम पहले से रिकॉर्ड किए गए बोली के छोटे-छोटे टुकड़ों को जोड़ते थे, इसलिए वे टूटे-टूटे लगते थे। न्यूरल सिस्टम सीधे वेवफ़ॉर्म बनाते हैं, इसलिए आज की आवाज़ें सहज सुनाई देती हैं।

• प्रोसोडी। स्वाभाविक लय और उतार-चढ़ाव, ऑडियो की कच्ची गुणवत्ता से ज़्यादा मायने रखते हैं। साफ़ लेकिन सपाट आवाज़ भी बनावटी ही लगती है।
• भाषा और लहजे का मेल। एक भाषा के लिए बनी आवाज़ को आम तौर पर दूसरी भाषा के शब्दों में मुश्किल होती है। ऐसी आवाज़ चुनें जो आपके टेक्स्ट की भाषा से मेल खाए, और हो सके तो उस लहजे से भी जिसकी आपके श्रोता उम्मीद करते हैं।
• ख़ुद टेक्स्ट। संक्षिप्त रूप, अनोखे नाम, छूटे हुए विराम चिह्न और बहुत लंबे वाक्य अजीब नतीजों की सबसे आम वजहें हैं। टेक्स्ट-टू-स्पीच के लिए स्क्रिप्ट लिखने पर हमारी गाइड बताती है कि इन्हें कैसे ठीक करें।
• गति और पिच की सेटिंग। छोटे बदलाव बहुत मदद करते हैं; बहुत ज़्यादा बदलाव किसी भी आवाज़ को अजीब बना देते हैं।

• सुलभता। पढ़ने के बजाय सुनना कम दृष्टि, डिस्लेक्सिया, थकान या पढ़ने की अन्य कठिनाइयों वाले लोगों की मदद करता है। देखें सुलभता के लिए टेक्स्ट-टू-स्पीच।
• वीडियो नैरेशन। क्रिएटर्स YouTube एक्सप्लेनर, ट्यूटोरियल और छोटे वीडियो के लिए TTS का इस्तेमाल करते हैं, जब वे अपनी आवाज़ रिकॉर्ड नहीं कर सकते या करना नहीं चाहते। देखें YouTube वॉइसओवर बनाना।
• भाषाएँ सीखना। किसी वाक्य को मूल लहजे वाली आवाज़ में धीमी गति से सुनना उच्चारण सुधारने में मदद करता है। देखें भाषा सीखने के लिए टेक्स्ट-टू-स्पीच।
• प्रूफ़रीडिंग। अपना लिखा हुआ सुनना अटपटे वाक्य और छूटे शब्द पकड़ने के सबसे तेज़ तरीक़ों में से एक है।
• ऑडियोबुक और लंबा कंटेंट सुनना। देखें TTS से ऑडियोबुक नैरेट करना।

अच्छी AI आवाज़ें भी दुर्लभ नामों, ब्रांड नामों और दूसरी भाषाओं से लिए गए शब्दों का ग़लत उच्चारण कर सकती हैं। वे आपके टेक्स्ट को किसी इंसानी नैरेटर की तरह नहीं समझतीं, इसलिए मज़ाक़, व्यंग्य और तीव्र भावनाएँ अक्सर सपाट निकलती हैं। और क्योंकि सिंथेटिक आवाज़ें अब बहुत असली लगती हैं, इनका इस्तेमाल कभी भी किसी असली व्यक्ति की नकल करने या श्रोताओं को धोखा देने के लिए नहीं किया जाना चाहिए।

इनमें से ज़्यादातर सीमाओं का व्यावहारिक हल आवाज़ से जूझना नहीं, बल्कि टेक्स्ट को बदलना है: कठिन नामों को वैसे लिखें जैसे वे बोले जाते हैं, लंबे वाक्यों को तोड़ें और जहाँ ठहराव चाहिए वहाँ विराम चिह्न लगाएँ।

स्टूडियो में आप एक बार में 2,000 वर्णों तक का टेक्स्ट पेस्ट कर सकते हैं, 76 भाषाओं की 583 आवाज़ों में से चुन सकते हैं, गति और पिच बदल सकते हैं, सुन सकते हैं और नतीजा डाउनलोड कर सकते हैं। किसी अकाउंट की ज़रूरत नहीं है। अगर आप तय नहीं कर पा रहे कि किस आवाज़ से शुरू करें, तो पढ़ें सही AI आवाज़ कैसे चुनें।