পর্ব 2 — ইলেভেনল্যাবস ও ডেস্ক্রিপ্ট এআই দিয়ে নিখুঁত ভয়েসওভার ও ক্লোনিং

স্বাগতম AI-চালিত ভিডিও এডিটিং মাস্টারক্লাস: স্ক্রিপ্ট থেকে ভাইরাল রিলস ও ইউটিউব শর্টস সিরিজের দ্বিতীয় পর্বে!

আগের পর্বে আমরা দেখেছি কিভাবে এআইয়ের সাহায্যে ভাইরাল ভিডিও আইডিয়া খুঁজে বের করা যায় এবং সেই আইডিয়াগুলোকে এঙ্গেজিং স্ক্রিপ্টে রূপান্তর করা যায়। আমরা ChatGPT ব্যবহার করে আমাদের ভিডিওর মূল কাঠামো তৈরি করেছিলাম। যদি আপনি সেই পর্বটি মিস করে থাকেন, তবে এখানে ক্লিক করে দেখে নিতে পারেন: পর্ব 1: এআই দিয়ে ভাইরাল ভিডিও আইডিয়া ও এঙ্গেজিং স্ক্রিপ্ট রাইটিং।

আজকের পর্বে, আমরা আমাদের সেই চমৎকার স্ক্রিপ্টকে জীবন্ত করে তুলব! ভিডিওর একটি গুরুত্বপূর্ণ অংশ হলো ভয়েসওভার – এটি কন্টেন্টকে প্রাণবন্ত করে তোলে এবং দর্শককে শেষ পর্যন্ত ধরে রাখে। ম্যানুয়ালি ভয়েসওভার রেকর্ড করা সময়সাপেক্ষ ও ব্যয়বহুল হতে পারে, বিশেষ করে যখন পেশাদার কণ্ঠের প্রয়োজন হয়। কিন্তু ভয় নেই, কারণ এআই আমাদের পাশে আছে! এই পর্বে আমরা ElevenLabs এবং Descript এর মতো শক্তিশালী টুলস ব্যবহার করে কিভাবে নিখুঁত, প্রাকৃতিক এবং এমনকি ক্লোন করা ভয়েসওভার তৈরি করা যায়, তা হাতে-কলমে শিখব। চলুন শুরু করা যাক!

কেন এআই ভয়েসওভার এত গুরুত্বপূর্ণ?

এআই ভয়েসওভার দ্রুত, সাশ্রয়ী এবং পেশাদার মানের কণ্ঠ সরবরাহ করে, যা মানুষের ভয়েসওভারের সময় ও খরচ বাঁচায় এবং কন্টেন্ট ক্রিয়েশন প্রক্রিয়াকে অত্যন্ত কার্যকর করে তোলে।

প্রচলিত ভয়েসওভার রেকর্ডিং প্রক্রিয়ায় একজন পেশাদার ভয়েস আর্টিস্ট খুঁজে বের করা, তাদের শিডিউলের সাথে মানিয়ে নেওয়া, স্টুডিও ভাড়া করা এবং পরবর্তীতে এডিটিংয়ের জন্য অনেক সময় ও অর্থ ব্যয় করতে হয়। কিন্তু এআই ভয়েসওভার এই পুরো প্রক্রিয়াটিকে বিপ্লব ঘটিয়েছে। এটি আপনাকে মুহূর্তের মধ্যে বিভিন্ন অ্যাকসেন্ট, ভাষা ও অনুভূতি দিয়ে ভয়েসওভার তৈরি করতে সাহায্য করে। এর কিছু প্রধান সুবিধা হলো:

• গতি ও দক্ষতা: মিনিটের মধ্যে যেকোনো স্ক্রিপ্টকে ভয়েসে রূপান্তর করা যায়।
• সাশ্রয়ী: বারবার ভয়েস আর্টিস্ট নিয়োগের খরচ কমে যায়।
• বহুভাষিক সমর্থন: বিভিন্ন ভাষায় কন্টেন্ট তৈরির সুযোগ করে দেয়, যা বিশ্বব্যাপী দর্শকদের কাছে পৌঁছাতে সাহায্য করে।
• সংশোধন সহজ: স্ক্রিপ্টে যেকোনো পরিবর্তন এডিট করা সহজ।
• কণ্ঠস্বরের ধারাবাহিকতা: একটি নির্দিষ্ট কণ্ঠস্বর ব্যবহার করে সব কন্টেন্টে ধারাবাহিকতা বজায় রাখা যায়।

ElevenLabs দিয়ে প্রাকৃতিক ভয়েসওভার তৈরি: ধাপে ধাপে গাইড

ElevenLabs বিভিন্ন ধরনের কণ্ঠস্বর এবং ভাষা ব্যবহার করে আপনার স্ক্রিপ্টকে জীবন্ত, প্রাকৃতিক ভয়েসওভারে রূপান্তর করতে সাহায্য করে, যা আপনার কন্টেন্টকে আরও আকর্ষণীয় করে তোলে।

ElevenLabs বর্তমানে অন্যতম সেরা টেক্সট-টু-স্পিচ (TTS) এআই প্ল্যাটফর্ম। এর অত্যাধুনিক মডেলগুলি মানুষের কণ্ঠস্বরের সূক্ষ্মতা অনুকরণ করতে পারে, যার ফলে এআই-জেনারেটেড ভয়েসগুলো অত্যন্ত প্রাকৃতিক শোনায়।

১. ElevenLabs ওয়েবসাইটে প্রবেশ ও অ্যাকাউন্ট তৈরি:

• প্রথমে আপনার ব্রাউজারে elevenlabs.io টাইপ করে ওয়েবসাইটে যান।
• "Sign Up" অথবা "Get Started Free" বাটনে ক্লিক করে একটি বিনামূল্যে অ্যাকাউন্ট তৈরি করুন। গুগল বা ডিসকর্ড দিয়ে সহজেই সাইন আপ করা যায়।

২. "Speech Synthesis" ট্যাবে যাওয়া:

• লগইন করার পর, বাম পাশের মেনু থেকে "Speech Synthesis" অপশনটি নির্বাচন করুন। এটি আপনার টেক্সটকে ভয়েসে রূপান্তর করার প্রধান ইন্টারফেস।

৩. কণ্ঠস্বর নির্বাচন:

• "Voice Settings" এর নিচে "Voice" ড্রপডাউন মেনুতে ক্লিক করুন। এখানে আপনি বিভিন্ন পূর্বনির্ধারিত (pre-set) এআই ভয়েস দেখতে পাবেন। যেমন: "Adam," "Antoni," "Rachel," "Bella" ইত্যাদি।
• আপনার কন্টেন্টের ধরণ অনুযায়ী একটি উপযুক্ত কণ্ঠস্বর বেছে নিন। একটি মোটিভেশনাল ভিডিওর জন্য দৃঢ় কণ্ঠ (যেমন Adam) বা একটি ডকুমেন্টারির জন্য শান্ত ও স্পষ্ট কণ্ঠ (যেমন Rachel) বেছে নিতে পারেন।

৪. সেটিংস অ্যাডজাস্ট করা:

• "Voice Settings" এর নিচে আপনি Stability এবং Clarity + Style স্লাইডার দেখতে পাবেন।
• Stability: ভয়েসের আবেগ এবং ধারাবাহিকতা নিয়ন্ত্রণ করে। কম Stability ভয়েসে আরও বৈচিত্র্য যোগ করে, যা এটিকে আরও প্রাকৃতিক শোনাতে পারে।
• Clarity + Style: কণ্ঠস্বরের স্পষ্টতা এবং স্টাইল নির্ধারণ করে। উচ্চ Clarity + Style ভয়েসকে আরও স্পষ্ট এবং নির্দিষ্ট স্টাইলযুক্ত করে তোলে। এক্সপেরিমেন্ট করে দেখুন কোন কম্বিনেশন আপনার স্ক্রিপ্টের জন্য সেরা।
• Model: সাধারণত "Eleven Multilingual v2" সবচেয়ে ভালো কাজ করে, বিশেষ করে বাংলা বা অন্যান্য ভাষার জন্য।

৫. স্ক্রিপ্ট পেস্ট করা:

• টেক্সট বক্সটিতে আপনার প্রস্তুত করা স্ক্রিপ্টটি পেস্ট করুন। উদাহরণস্বরূপ, আমরা আগের পর্বে তৈরি একটি স্ক্রিপ্টের অংশ এখানে ব্যবহার করতে পারি:

ভ্রমণ আমাদের জীবনকে নতুন করে দেখতে শেখায়। অচেনা পথে হেঁটে যাওয়া, নতুন সংস্কৃতির সাথে পরিচিত হওয়া – এই অভিজ্ঞতাগুলো আমাদের মনকে প্রশস্ত করে। প্রতিটি ভ্রমণ এক নতুন গল্পের শুরু।

৬. ভাষা নির্বাচন:

• টেক্সট বক্সের নিচে ড্রপডাউন মেনু থেকে আপনার স্ক্রিপ্টের ভাষা নির্বাচন করুন। আমাদের ক্ষেত্রে, এটি হবে "Bengali"।

৭. "Generate" বাটনে ক্লিক:

• সবকিছু সেট করার পর, "Generate" বাটনে ক্লিক করুন। ElevenLabs কিছুক্ষণের মধ্যেই আপনার টেক্সটকে ভয়েসে রূপান্তর করবে।

৮. ডাউনলোড করা:

• ভয়েস জেনারেট হয়ে গেলে, আপনি একটি প্লে বাটন দেখতে পাবেন। প্লে করে শুনুন এবং আপনার পছন্দ হলে ডাউনলোড আইকনে ক্লিক করে MP3 ফরম্যাটে ফাইলটি ডাউনলোড করুন।

আপনার নিজের ভয়েস ক্লোন করা: ElevenLabs এর AI ভয়েস ল্যাব

ElevenLabs এর ভয়েস ক্লোনিং বৈশিষ্ট্য আপনাকে আপনার নিজের কণ্ঠস্বরের একটি ডিজিটাল সংস্করণ তৈরি করতে দেয়, যা আপনার অনুপস্থিতিতেও কন্টেন্ট তৈরি করতে সাহায্য করে এবং আপনার ব্র্যান্ডের ভয়েসকে ধারাবাহিক রাখে।

নিজের কণ্ঠস্বর দিয়ে ভয়েসওভার তৈরি করা কন্টেন্টের ব্যক্তিগতকরণ বাড়াতে পারে। ElevenLabs আপনাকে আপনার নিজের কণ্ঠস্বর ক্লোন করার সুযোগ দেয়, যা ভবিষ্যতে যেকোনো স্ক্রিপ্টকে আপনার নিজের ভয়েসে রূপান্তর করতে ব্যবহার করা যাবে।

১. "Voice Lab" এ যাওয়া:

• বাম পাশের মেনু থেকে "Voice Lab" অপশনটি নির্বাচন করুন।

২. ভয়েস অ্যাড করা:

• "Add Voice" বাটনে ক্লিক করুন। এখানে দুটি প্রধান অপশন পাবেন:
• Instant Voice Cloning (ইনস্ট্যান্ট ভয়েস ক্লোনিং): একটি ছোট (ন্যূনতম ১ মিনিটের) পরিষ্কার অডিও স্যাম্পল দিয়ে আপনার ভয়েস ক্লোন করতে পারেন। এটি দ্রুত এবং সহজে করা যায়।
• Professional Voice Cloning (প্রফেশনাল ভয়েস ক্লোনিং): আরও উচ্চ মানের এবং নির্ভুল ক্লোনিংয়ের জন্য, সাধারণত লম্বা (১৫-৩০ মিনিট) এবং বিভিন্ন মুডের অডিও স্যাম্পল প্রয়োজন হয়। এটি সাধারণত সাবস্ক্রিপশন প্ল্যানের অংশ। আমরা "Instant Voice Cloning" ব্যবহার করব।

৩. অডিও আপলোড:

• "Instant Voice Cloning" নির্বাচন করার পর, "Upload Samples" বাটনে ক্লিক করুন।
• আপনার কম্পিউটার থেকে একটি পরিষ্কার অডিও ফাইল (ন্যূনতম ১ মিনিট দীর্ঘ) আপলোড করুন যেখানে আপনি স্বাভাবিকভাবে কথা বলছেন। কোলাহলমুক্ত পরিবেশে রেকর্ড করা অডিও সবচেয়ে ভালো ফলাফল দেবে।
• টিপস: একটি গল্পের বই পড়ুন, বা আপনার নিজের স্ক্রিপ্ট জোরে পড়ুন।

৪. ভয়েসের নাম দেওয়া:

• আপনার ক্লোন করা ভয়েসের জন্য একটি নাম দিন (যেমন: "My Bengali Voice Clone")।

৫. "Add Voice" এ ক্লিক:

• সবকিছু ঠিক থাকলে "Add Voice" বাটনে ক্লিক করুন। ElevenLabs আপনার অডিও বিশ্লেষণ করবে এবং আপনার ভয়েসের একটি ডিজিটাল ক্লোন তৈরি করবে।

৬. নতুন ক্লোন করা ভয়েস দিয়ে টেক্সট টু স্পিচ পরীক্ষা:

• আপনার ভয়েস সফলভাবে ক্লোন হয়ে গেলে, আপনি "Speech Synthesis" ট্যাবে ফিরে যেতে পারেন। "Voice" ড্রপডাউন মেনুতে আপনার নতুন তৈরি করা ভয়েসটি দেখতে পাবেন।
• সেটিকে নির্বাচন করুন এবং আপনার স্ক্রিপ্ট পেস্ট করে "Generate" করুন। এখন আপনার ক্লোন করা ভয়েসে ভয়েসওভার তৈরি হবে!

মনে রাখবেন, ভয়েস ক্লোনিংয়ের ফলাফল অডিও স্যাম্পলের গুণমান এবং দৈর্ঘ্যের উপর নির্ভর করে। উচ্চ মানের, কোলাহলমুক্ত স্যাম্পল সেরা ফলাফল দেয়।

Descript এ এআই ভয়েসওভার ইম্পোর্ট ও এডিট করা

Descript একটি শক্তিশালী এডিটিং টুল যা ট্রান্সক্রিপশন-ভিত্তিক এডিটিংয়ের মাধ্যমে ভয়েসওভারকে ভিডিওতে seamlessly একত্রিত করতে এবং প্রয়োজনে AI-চালিত ওভারডাব ফিচার ব্যবহার করতে সাহায্য করে। Descript এর মতো টুলস কন্টেন্ট ক্রিয়েটরদের কাজকে অনেক সহজ করে তোলে। Descript শুধু একটি ভিডিও এডিটিং টুল নয়, এটি একটি সম্পূর্ণ প্রোডাকশন স্টুডিও যেখানে অডিও, ভিডিও, ট্রান্সক্রিপশন এবং এআই একীভূত করা হয়েছে। ছবি ও ডিজাইন সংক্রান্ত কাজও এখানে করা সহজ। এটি সেরা এআই টুলস গুলোর মধ্যে অন্যতম।

১. Descript ওপেন করা ও নতুন প্রজেক্ট তৈরি:

• আপনার কম্পিউটারে Descript অ্যাপ্লিকেশনটি খুলুন।
• "New Project" অথবা "New Drive" (আপনার Descript সেটআপ অনুযায়ী) ক্লিক করে একটি নতুন প্রজেক্ট তৈরি করুন এবং এর একটি নাম দিন।

২. ElevenLabs থেকে ডাউনলোড করা ভয়েসওভার ফাইল ইম্পোর্ট করা:

• আপনার তৈরি করা প্রজেক্টে, বাম পাশের "Media" প্যানেলে যান।
• "Add files" বাটনে ক্লিক করুন অথবা সরাসরি ElevenLabs থেকে ডাউনলোড করা MP3 ফাইলটি Descript এর উইন্ডোতে ড্র্যাগ করে আনুন।
• Descript স্বয়ংক্রিয়ভাবে অডিও ফাইলটি ট্রান্সক্রাইব করা শুরু করবে।

৩. ট্রান্সক্রিপশন যাচাই ও এডিট করা:

• Descript এর প্রধান সুবিধা হলো এটি আপনার অডিওকে টেক্সটে রূপান্তর করে দেখায়। আপনি যেমন একটি টেক্সট ডকুমেন্টে শব্দ এডিট করেন, ঠিক সেভাবে Descript এ অডিও এডিট করতে পারবেন।
• ট্রান্সক্রিপশনটি মনোযোগ দিয়ে পড়ুন এবং যেকোনো ভুল বানান বা শব্দ সংশোধন করুন। আপনি টেক্সট এডিট করলে, সংশ্লিষ্ট অডিও অংশটিও স্বয়ংক্রিয়ভাবে এডিট হয়ে যাবে।

৪. ভিডিও ফুটেজ ইম্পোর্ট করা (যদি থাকে):

• যদি আপনার কাছে ভিডিও ফুটেজ থাকে, তাহলে একই পদ্ধতিতে "Media" প্যানেলে ড্র্যাগ করে অথবা "Add files" এর মাধ্যমে ভিডিও ফাইল ইম্পোর্ট করুন।
• ভিডিও ফাইল ইম্পোর্ট হওয়ার পর, এটিকে আপনার অডিওর নিচে বা পাশে টাইমলাইনে ড্র্যাগ করে আনুন।

৫. ভয়েসওভারকে ভিডিওর সাথে সিঙ্ক করা:

• টাইমলাইনে আপনার ভয়েসওভার অডিও ট্র্যাক এবং ভিডিও ট্র্যাক সাজান।
• ভিডিওর ভিজ্যুয়াল কন্টেন্টের সাথে ভয়েসওভারের সিঙ্ক করার জন্য টেক্সট এডিটিং ব্যবহার করুন। কোনো বাক্য কেটে ফেললে, ভিডিওর সেই অংশটিও কমে যাবে। কোনো বাক্য যোগ করলে, সেই জায়গায় নীরবতা যোগ হবে।

৬. Descript এর নিজস্ব এআই ফিচার ব্যবহার:

• 'Remove Filler Words': Descript স্বয়ংক্রিয়ভাবে আপনার ভয়েসওভার থেকে "উম", "আহ" এর মতো ফিলার শব্দগুলো খুঁজে বের করে রিমুভ করার প্রস্তাব দেয়। "Remove Filler Words" বাটনে ক্লিক করে আপনি এই ফিলারগুলো একবারে মুছে ফেলতে পারেন, যা আপনার ভয়েসওভারকে আরও মসৃণ করে তোলে।
• 'Studio Sound': এই এআই ফিচারটি আপনার অডিও কোয়ালিটিকে উন্নত করে, ব্যাকগ্রাউন্ড নয়েজ কমায় এবং কণ্ঠকে আরও স্পষ্ট ও স্টুডিও কোয়ালিটির মতো করে তোলে। আপনার অডিও ট্র্যাকে ক্লিক করে "Effects" থেকে "Studio Sound" অপশনটি চালু করুন।
• Overdub (ওভারডাব) ফিচার: Descript এর নিজস্ব ভয়েস ক্লোনিং ফিচার হলো Overdub। যদি আপনার Descript এর Overdub ভয়েস তৈরি করা থাকে, তাহলে আপনি সরাসরি টেক্সট এডিট করে নতুন শব্দ বা বাক্য যোগ করতে পারবেন, এবং Descript আপনার ক্লোন করা ভয়েসে সেই নতুন অংশটি জেনারেট করে দেবে। এটি আপনার ভিডিওর স্ক্রিপ্টে শেষ মুহূর্তের পরিবর্তনের জন্য অত্যন্ত কার্যকর। Overdub ব্যবহার করতে, আপনাকে প্রথমে আপনার Descript অ্যাকাউন্টে আপনার ভয়েস ট্রেন করতে হবে (যেমনটা ElevenLabs এ করেছেন)।

পেশাদার মানের ভয়েসওভারের জন্য কিছু টিপস

সেরা এআই ভয়েসওভার পেতে সঠিক টুল নির্বাচন, স্ক্রিপ্ট ফাইন-টিউনিং, এবং বারবার পরীক্ষা করা অপরিহার্য, যা আপনার ভিডিওর মানকে অনেক উন্নত করবে।

এআই টুলস যতই শক্তিশালী হোক না কেন, আপনার ইনপুট এবং পর্যবেক্ষণের উপরই এর আউটপুট নির্ভর করে। কিছু টিপস যা আপনাকে পেশাদার মানের ভয়েসওভার তৈরি করতে সাহায্য করবে:

১. স্ক্রিপ্ট ফাইন-টিউনিং:

• এআই ভয়েসগুলো বিরামচিহ্নের উপর অত্যন্ত নির্ভরশীল। কমা, পিরিয়ড, প্রশ্নবোধক চিহ্ন – এই সবগুলি ভয়েসের গতি, বিরতি এবং অনুভূতিতে প্রভাব ফেলে।
• জটিল বাক্যগুলোকে ছোট ছোট বাক্যে ভাগ করুন।
• বিশেষ কোনো শব্দ বা বাক্যে জোর দিতে চাইলে, সেগুলোকে আলাদা করে উল্লেখ করুন (যেমন: "আমরা সত্যিই বিশ্বাস করি") অথবা একটু বিরতি যোগ করুন।

২. সঠিক কণ্ঠস্বর নির্বাচন:

• আপনার কন্টেন্টের ধরণ অনুযায়ী সঠিক এআই কণ্ঠস্বর বেছে নিন। একটি হালকা কমেডি ভিডিওর জন্য একটি উচ্ছল কণ্ঠ এবং একটি সিরিয়াস ডকুমেন্টারির জন্য একটি শান্ত, গভীর কণ্ঠ বেছে নেওয়া উচিত।
• বিভিন্ন কণ্ঠস্বর পরীক্ষা করে দেখুন কোনটি আপনার মেসেজের সাথে সবচেয়ে ভালো যায়।

৩. শুনুন এবং সংশোধন করুন:

• এআই দ্বারা উৎপন্ন ভয়েসওভারটি কমপক্ষে একবার মনোযোগ দিয়ে শুনুন। কোথাও কোনো অসঙ্গতি বা অস্বাভাবিকতা আছে কিনা খেয়াল করুন।
• যদি প্রয়োজন হয়, স্ক্রিপ্টে সামান্য পরিবর্তন করে (যেমন: বিরামচিহ্ন যোগ/বাদ দিয়ে) আবার জেনারেট করুন যতক্ষণ না আপনি সন্তুষ্ট হন।

৪. Descript এর টুলস ব্যবহার:

• Descript এ ইম্পোর্ট করার পর, 'Studio Sound' এবং 'Remove Filler Words' এর মতো এআই-চালিত এডিটিং টুলস ব্যবহার করুন। এগুলো আপনার ভয়েসওভারকে আরও পেশাদার ফিনিশিং দেবে।

৫. পরীক্ষা ও পুনরাবৃত্তি:

• বিভিন্ন ভয়েস সেটিংস, যেমন ElevenLabs এ Stability এবং Clarity + Style স্লাইডারগুলি নিয়ে পরীক্ষা করুন। ভিন্ন ভিন্ন সেটিংস ভিন্ন আউটপুট দিতে পারে।
• সর্বোত্তম ফলাফলের জন্য এই প্রক্রিয়াটি বারবার করুন।

পরের পর্বে যা আসছে

আজ আমরা আমাদের স্ক্রিপ্টকে জীবন্ত ভয়েসওভারে রূপান্তর করেছি। কিন্তু একটি ভিডিও সম্পূর্ণ করতে শুধু ভয়েসওভারই যথেষ্ট নয়, প্রয়োজন আকর্ষণীয় ভিজ্যুয়াল। পরের পর্বে, আমরা শিখব কিভাবে ক্যাপকাট দিয়ে ভিজ্যুয়াল ম্যাজিক তৈরি করা যায়। আমরা আমাদের ভয়েসওভারের সাথে সামঞ্জস্যপূর্ণ স্টক ফুটেজ, বি-রোল, টেক্সট অ্যানিমেশন এবং ব্যাকগ্রাউন্ড মিউজিক যোগ করে আমাদের ভিডিওটিকে একটি সম্পূর্ণ ভিজ্যুয়াল গল্পে রূপ দেব। তৈরি থাকুন একটি চমৎকার ভিজ্যুয়াল যাত্রার জন্য!