Text to Speech যেভাবে কাজ করে: ভয়েস, সীমা এবং খরচ
সর্বোচ্চ 10,000 অক্ষর লিখুন, MiniMax, Qwen 3, OpenAI, ElevenLabs বা আপনার নিজস্ব ভয়েস বেছে নিন এবং অডিও ফাইল তৈরি করুন। প্রতি মিনিট কথার জন্য 2 থেকে 18 টোকেন খরচ হয়।
আপডেট করা হয়েছে: ২ নভেম্বর, ২০২৬4 মিনিট পড়ার সময়
Text to Speech লিখিত লেখাকে কথ্য অডিও ফাইলে রূপান্তর করে। স্লাইড বা ভিডিওর জন্য ভয়েস-ওভার দিতে, পড়ার পরিবর্তে কোনো লেখা শুনতে, বিদেশি কোনো বাক্যের উচ্চারণ জানতে অথবা নিজের ক্লোন করা ভয়েসে কোনো বার্তা পাঠাতে মানুষ এটি ব্যবহার করে। এটি web.vocalingo.app, iOS এবং Android-এ কাজ করে।
আপনি কেমন লেখা দিতে পারেন
একবারে সর্বোচ্চ 10,000 অক্ষর ব্যবহার করা যায়, যা স্বাভাবিক গতিতে প্রায় 11 মিনিটের কথ্য রূপ। ঘরের নিচে থাকা কাউন্টার দেখায় আপনি কতগুলি অক্ষর লিখেছেন।
লেখাটি টাইপ করুন অথবা ক্লিপবোর্ড থেকে যুক্ত করতে Paste-এ ট্যাপ করুন।
মাইক্রোফোন বোতাম ব্যবহার করে ডিক্টেশন দিন: অ্যাপ আপনার কথাকে লেখায় রূপান্তর করবে।
অন্য কোনো টুল থেকে পাঠান: Speech to Text বা Video to Text ব্যবহারের পর What next?-এর নিচে Text to speech-এ ট্যাপ করুন।
লেখাটি বেশি দীর্ঘ হলে অ্যাপে "Text is too long. Maximum 10000 characters." দেখাবে। লেখাটি কয়েকটি ভাগে ভাগ করে নিয়ে একে একে ভয়েস তৈরি করুন।
লেখাকে যেভাবে ভয়েসে রূপান্তর করবেন
Tools ট্যাবে গিয়ে Text to Speech খুলুন।
Text ট্যাবে লেখাটি লিখুন এবং Continue-এ ট্যাপ করুন।
Voice ট্যাবে একটি ভয়েস বেছে নিন। ভয়েসের পাশের প্লে বোতামটি দিয়ে নমুনা শুনতে পারবেন। ডিফল্টভাবে MiniMax-এর Expressive Narrator ভয়েসটি নির্বাচিত থাকে।
প্রয়োজনে তালিকার নিচ থেকে ভয়েস সেট আপ করুন: OpenAI ভয়েসের জন্য নির্দেশনা, MiniMax-এর জন্য আবেগ, গতি ও পিচ, এবং ElevenLabs-এর জন্য স্থিতিশীলতা, সাদৃশ্য ও স্টাইল। তারপর Continue-এ ট্যাপ করুন।
Result ট্যাবে আনুমানিক খরচ দেখে নিন এবং Generate-এ ট্যাপ করুন।
অডিও তৈরির সময় বোতামটিতে শতাংশ সহ "Generating audio..." দেখাবে এবং এর নিচে Cancel বিকল্পটি আসবে।
আপনি যেসব ভয়েস বেছে নিতে পারেন
ভয়েস পিকারটিতে সাতটি ট্যাব রয়েছে: Favorites, Recent, My voices, MiniMax, Qwen 3, OpenAI এবং ElevenLabs। দীর্ঘ লেখার জন্য MiniMax এবং ElevenLabs সবচেয়ে স্বাভাবিক শোনায়, OpenAI ভয়েসকে নির্দেশনা দিয়ে পরিচালনা করা যায়, এবং My voices ট্যাবে আপনার রেকর্ডিং থেকে ক্লোন করা ভয়েসগুলো সংরক্ষিত থাকে। মূল্যসহ সব গ্রুপের তুলনা: কোন Text to Speech ভয়েসটি বেছে নেবেন। ভয়েস খোঁজা, প্রিভিউ করা এবং Favorites-এ সংরক্ষণ করার উপায়: ভয়েস নির্বাচন করা।
হাসি, বিরতি এবং সঠিক জোর যেভাবে যোগ করবেন
MiniMax এবং ElevenLabs ভয়েসের ক্ষেত্রে Text ট্যাবে কিছু ট্যাগ দেখতে পাবেন। কোনো ট্যাগ কপি করতে সেটিতে ট্যাপ করুন এবং লেখার যেখানে সেটি প্রয়োজন সেখানে পেস্ট করুন।
MiniMax: (laughs), (sighs), (coughs), (crying), (gasps), (groans), এবং এক সেকেন্ডের বিরতির জন্য <#1#>।
ElevenLabs: [excited], [sad], [angry], [curious], [whispers], [laughs], [sighs], [crying], এবং বিরতির জন্য একটি এলিপসিস (...)। পরপর অনেকগুলো ট্যাগ দিলে শব্দে সমস্যা হতে পারে।
যদি কোনো শব্দের ভুল অংশে জোর পড়ে, তবে জোর দেওয়া অংশটি বড় হাতের অক্ষরে লিখুন, উদাহরণস্বরূপ REcord (অ্যালবাম) এবং reCORD (রেকর্ড করা)।
আপনি কী পাবেন এবং তা কোথায় খুঁজে পাবেন
Result ট্যাবে অডিও সহ একটি প্লেয়ার দেখা যাবে। প্লেয়ারের পাশে একটি বোতাম থাকে: অ্যাপে এটি শেয়ার মেনু খোলে, যার মাধ্যমে আপনি ফাইলটি পাঠাতে বা ডিভাইসে সংরক্ষণ করতে পারেন; ওয়েবে এটি ফাইলটি ডাউনলোড করে। কিছু পরিবর্তন করতে চাইলে লেখা বা ভয়েস সম্পাদনা করে Generate again-এ ট্যাপ করুন।
প্রতিটি ফলাফল History-তে জমা হয়: ওপরের ঘড়ির আইকনে ট্যাপ করুন। Premium ছাড়া শেষ 3টি ফলাফল থাকে, এবং Premium থাকলে সবগুলোই সংরক্ষিত হয়। বিস্তারিত: History: ফলাফল সংরক্ষণ, পুনরুদ্ধার এবং মুছে ফেলা।
কত খরচ হয়
খরচ নির্ভর করে ভয়েস এবং লেখার দৈর্ঘ্যের ওপর। সম্পূর্ণ ফাইলের জন্যই কেবল টোকেন কাটা হয়: যদি রূপান্তর ব্যর্থ হয়, তবে কোনো টোকেন কাটা হয় না বা টোকেন ফেরত দেওয়া হয়।
| ভয়েস | মূল্য | এক মিনিটের কথ্য রূপ (প্রায় 150 শব্দ) |
|---|---|---|
| OpenAI | প্রতি শুরু হওয়া 150 শব্দের জন্য 1.8 টোকেন, যা পূর্ণসংখ্যায় গণনা করা হয় | প্রায় 2 টোকেন |
| MiniMax | প্রতি 1,000 অক্ষরে 12 টোকেন | প্রায় 11 টোকেন |
| ElevenLabs | প্রতি 1,000 অক্ষরে 12 টোকেন | প্রায় 11 টোকেন |
| Qwen 3 | প্রতি 1,000 অক্ষরে প্রায় 20 টোকেন | প্রায় 18 টোকেন |
| আপনার MiniMax ভয়েস | প্রতি 1,000 অক্ষরে 12 টোকেন | প্রায় 11 টোকেন |
| আপনার Qwen 3 ভয়েস | প্রতি 1,000 অক্ষরে প্রায় 11 টোকেন | প্রায় 10 টোকেন |
প্রতিটি রূপান্তরের জন্য সর্বনিম্ন খরচ 1 টোকেন। নির্দেশনা, আবেগ বা অন্যান্য সেটিংসের কারণে খরচের কোনো পরিবর্তন হয় না। অন্যান্য টুলের খরচ: প্রতিটি টুলের জন্য টোকেন মূল্য তালিকা।
Text to Speech যা করতে পারে না
এটি অনুবাদ করে না। লেখাটি যে ভাষায় লেখা, ভয়েস সেই ভাষাতেই পড়বে। অন্য ভাষায় অডিও পেতে প্রথমে Text Translation-এ লেখাটি অনুবাদ করে নিন।
এটি বিদ্যমান কোনো রেকর্ডিংয়ের ভয়েস পরিবর্তন করতে পারে না। এর জন্য রয়েছে Voice Changer।
ফলাফলে কোনো What next? ব্লক থাকে না, তাই অডিওটি স্বয়ংক্রিয়ভাবে অন্য টুলে পাঠানো যায় না।
ভয়েস তৈরি হতে খুব বেশি সময় লাগলে অ্যাপে "Voice generation took too long. Please try again." দেখাবে। Try again-এ ট্যাপ করুন, এবং আবার ব্যর্থ হলে অন্য একটি ভয়েস বেছে নিন।
সাপোর্টে যোগাযোগ
সমস্যাটি বর্ণনা করুন এবং আমরা ইমেলের মাধ্যমে উত্তর দেব। ফাইল নেম বা জব আইডি থাকলে তা যোগ করুন।