Translate Audio সেটিংস: রিকগনিশন, অনুবাদ এবং ভয়েসওভার
Translate Audio সেটিংসের প্রতিটি অপশন কী কাজ করে, এর খরচ কত এবং কখন প্রযোজ্য হয়: স্পিচ রিকগনিশন, অনুবাদ মডেল, সাধারণ এবং ক্লোন করা ভয়েস।
আপডেট করা হয়েছে: ২ নভেম্বর, ২০২৬5 মিনিট পড়ার সময়
সেটিংস খুলতে, Translate Audio-এর ওপরের ডান কোণায় সেটিংস আইকনে (স্লাইডার) ট্যাপ করুন। এই শিটে তিনটি ট্যাব রয়েছে: রিকগনিশন, অনুবাদ এবং ভয়েসওভার। পরবর্তী রেকর্ডিংগুলোর জন্য অ্যাপটি আপনার পছন্দ মনে রাখে।
পরিবর্তন কখন কার্যকর হয়
প্রতিটি ট্যাব আলাদা সময়ে কার্যকর হয়, তাই কোনো পরিবর্তন সবসময় স্ক্রিনে ইতিমধ্যে থাকা ফলাফলে প্রভাব ফেলে না।
| ট্যাব | যে ক্ষেত্রে প্রযোজ্য |
|---|---|
| রিকগনিশন | আপনার বেছে নেওয়া পরবর্তী ফাইলে |
| অনুবাদ | কেবল পুনরায় অনুবাদের ক্ষেত্রে: যখন আপনি টার্গেট ভাষা পরিবর্তন করেন বা মূল টেক্সট এডিট করেন। নতুন ফাইলের প্রথম অনুবাদের জন্য সবসময় Gemini 3.8 Flash ব্যবহার করা হয় |
| ভয়েসওভার | পরের বার যখন আপনি প্লে বাটনে ট্যাপ করবেন |
রিকগনিশন: কে কথাকে টেক্সটে রূপান্তর করে
ElevenLabs Scribe হলো ডিফল্ট এবং সবচেয়ে সাশ্রয়ী অপশন। রেকর্ডিংয়ের ভাষা সবসময় স্বয়ংক্রিয়ভাবে শনাক্ত করা হয়।
| অপশন | অ্যাপ এতে যা উল্লেখ করে | সময় | মূল্য |
|---|---|---|---|
| ElevenLabs Scribe | উচ্চারণের টান এবং ব্যাকগ্রাউন্ড নয়েজের ক্ষেত্রেও নির্ভুল, 99টি ভাষা | ≈ 3 সেকেন্ড | প্রতি মিনিটে প্রায় 0.7 টোকেন |
| OpenAI Transcribe | প্রযুক্তিগত পরিভাষা এবং নামবাচক বিশেষ্যের ক্ষেত্রে তুলনামূলক ভালো | ≈ 5 সেকেন্ড | প্রতি মিনিটে প্রায় 1.2 টোকেন |
| OpenAI Whisper | দীর্ঘ রেকর্ডিংয়ের জন্য একটি অপশন | ≈ 10 সেকেন্ড | প্রতি মিনিটে প্রায় 1.2 টোকেন |
এখানে নির্বাচিত প্রোভাইডার Text Transcription-এর ক্ষেত্রেও ব্যবহৃত হয়, যার নিজস্ব কোনো সেটিংস নেই।
অনুবাদ: কোন মডেল অনুবাদ করে
মডেলের জন্য প্রতি 1,000 ক্যারেক্টারে টোকেনের সামান্য অংশ খরচ হয়, তাই এখানে মূলত গুণমান ও গতির ওপর ভিত্তি করে বেছে নিতে হবে।
| মডেল | যার জন্য উপযুক্ত |
|---|---|
| Gemini 3.8 Flash (ডিফল্ট) | সেরা গুণমান, অপভাষা, বাগধারা এবং জটিল টেক্সট ভালোভাবে সামলায় |
| Gemini Flash Lite | সবচেয়ে দ্রুত, তবে অপভাষা এবং আবেগপূর্ণ কথার ক্ষেত্রে কিছুটা কম নির্ভুল হতে পারে |
| GPT 6 Luna | বেশিরভাগ টেক্সটের জন্য একটি সাশ্রয়ী বিকল্প |
ক্লোনিং ছাড়া ভয়েসওভার
সাধারণ ভয়েসগুলো দ্রুত এবং সাশ্রয়ীভাবে অনুবাদ পড়ে শোনায়, তবে এগুলোর আওয়াজ মূল বক্তার মতো শোনায় না। Translate Audio-তে প্রতিটির জন্য একটি নির্দিষ্ট ভয়েস রয়েছে যা আপনি পরিবর্তন করতে পারবেন না।
| অপশন | বৈশিষ্ট্য | সময় | মূল্য |
|---|---|---|---|
| ElevenLabs | স্টক ভয়েসগুলোর মধ্যে সবচেয়ে বাস্তবসম্মত কণ্ঠস্বর | ≈ 2 সেকেন্ড | প্রতি 1,000 ক্যারেক্টারে 10 টোকেন, সর্বনিম্ন 1 টোকেন |
| OpenAI | তীব্র আবেগ ছাড়া নিরপেক্ষ কণ্ঠস্বর, সংবাদ এবং পাঠের জন্য উপযুক্ত | ≈ 5 সেকেন্ড | শুরু হওয়া প্রতি 150 শব্দের জন্য 1.8 টোকেন |
ক্লোনিং সহ ভয়েসওভার
ক্লোনিং অপশনগুলো আপনার রেকর্ডিংয়ের কণ্ঠস্বর দিয়েই অনুবাদটি ভয়েসওভার করে। MiniMax এবং Qwen 3 ফাইলের প্রথম 60 সেকেন্ড থেকে ভয়েস নেয়, তাই ওই কয়েক সেকেন্ডে একজন ব্যক্তির স্পষ্ট কথা থাকা উচিত।
| অপশন | সর্বনিম্ন রেকর্ডিং | ভাষা | সময় | মূল্য |
|---|---|---|---|---|
| MiniMax (সুপারিশকৃত হিসেবে চিহ্নিত) | 10 সেকেন্ড | 38 | ≈ 10 সেকেন্ড | ক্লোনিংয়ের জন্য 180 টোকেন এবং প্রতি 1,000 ক্যারেক্টারে 12 টোকেন |
| Qwen 3 | 3 সেকেন্ড | 10টি: ইংরেজি, রুশ, চীনা, জার্মান, ফরাসি, স্প্যানিশ, ইতালীয়, জাপানি, কোরিয়ান, পর্তুগিজ | ≈ 20 সেকেন্ড | প্রতি 1,000 ক্যারেক্টারে প্রায় 20 টোকেন, সর্বনিম্ন 5; সেভ করা ভয়েসের ক্ষেত্রে প্রায় 11 |
| ElevenLabs Dubbing v2 | কোনো সীমা নেই, 2.5 ঘণ্টা পর্যন্ত | 94 | ≈ অডিওর দৈর্ঘ্য | রেকর্ডিংয়ের প্রতি সেকেন্ডে 4.4 টোকেন |
MiniMax অপশনগুলো
ফাইল থেকে ক্লোন করুন: এই অনুবাদের জন্য একবারের ক্লোন। আমার MiniMax ভয়েস: আপনার সেভ করা ভয়েসগুলোর একটি, যেখানে 180-টোকেনের ক্লোনিং ফি লাগবে না।
গতি: 0.5x থেকে 2.0x পর্যন্ত। বেশি মানের অর্থ হলো দ্রুত কথা বলা।
আবেগ: স্বয়ংক্রিয় (সুপারিশকৃত), আনন্দিত, বিষণ্ণ, ক্রুদ্ধ, ভীত, বিস্মিত, শান্ত বা বিরক্ত।
অনুবাদটি সর্বোচ্চ 10,000 ক্যারেক্টার পর্যন্ত হতে হবে।
আপনি যদি গতি বা আবেগ পরিবর্তন করে একই ফলাফল পুনরায় ভয়েসওভার করেন, তবে দ্বিতীয়বার আর 180 টোকেন কাটা হবে না।
Qwen 3 অপশনগুলো
ফাইল থেকে ক্লোন করুন বা আমার Qwen ভয়েস।
কথার ধরন: স্বয়ংক্রিয়, ধীর, দ্রুত, শান্ত, উদ্যমী, পেশাদার, বন্ধুত্বপূর্ণ বা কোমল। এটি কেবল ফাইল থেকে ক্লোন করুন অপশনের সাথেই কাজ করে।
যদি Qwen ক্লোনিং ব্যর্থ হয়, অ্যাপটি একটি সাধারণ ভয়েস দিয়ে অনুবাদটি পড়ে শোনায় এবং দেখায় «Voice cloning is unavailable right now. A standard voice was used.»
ElevenLabs Dubbing v2
Dubbing v2 মূল রেকর্ডিংটিকেই ডাব করে এবং অনুবাদ ট্যাব থেকে টেক্সট পড়ে না। এটি কণ্ঠের গতি ও স্বর বজায় রাখে এবং প্রতিটি বক্তাকে আলাদাভাবে ভয়েস দেয়। সেই কারণে, অনুবাদে আপনার করা এডিটগুলো ব্যবহার করা হয় না: «Dubbing uses the original recording, so edited text is not applied.» সেভ করা ভয়েস Dubbing v2-এর সাথে কাজ করে না।
আপনি কোনো ভয়েস বেছে না নিলে কী হবে
যতক্ষণ না আপনি এই শিটে একটি ভয়েসওভার অপশন বেছে নিচ্ছেন, ততক্ষণ আপনি প্লে বাটনে ট্যাপ করলে অ্যাপটি নিজে থেকেই একটি অপশন বেছে নেয়।
Qwen 3-এর 10টি ভাষার জন্য এবং 3 সেকেন্ড বা তার বেশি রেকর্ডিংয়ের ক্ষেত্রে, কোনো জিজ্ঞাসা ছাড়াই Qwen 3 দিয়ে ভয়েস ক্লোন করা হয়।
অন্যান্য ভাষার জন্য, তুলনামূলক সাশ্রয়ী অপশন, MiniMax বা Dubbing v2-এর মূল্য দেখিয়ে অ্যাপটি জানতে চায় ভয়েস ক্লোন করবেন?। AI ভয়েস ব্যবহার করুন মানে হলো একটি সাধারণ ভয়েস। আর জিজ্ঞাসা করবেন না নির্বাচন করলে উত্তরটি মনে রাখা হয়।
শিটে আপনি যে অপশনেই ট্যাপ করুন না কেন, পরবর্তী ফাইলগুলোর ভাষা ও দৈর্ঘ্যের সাথে মানানসই হলে সেটি তাদের জন্য বহাল রাখা হয়।
বর্তমান রেকর্ডিংয়ের সাথে মানানসই নয় এমন অপশনগুলো ধূসর হয়ে থাকে এবং সাথে একটি ইঙ্গিত থাকে, যেমন «ভাষা সমর্থিত নয়» বা «≥ 10 সেকেন্ডের অডিও প্রয়োজন»। আপনি যদি এমন একটি ভাষায় পরিবর্তন করেন যা আপনার নির্বাচিত অপশন সমর্থন করে না, তবে অ্যাপটি ভয়েসওভার ElevenLabs-এ পরিবর্তন করে দেয়।
সেভ করা ভয়েস
রেকর্ডিংয়ে অন্য কেউ কথা বললেও, সেভ করা ভয়েসের মাধ্যমে আপনি নিজের কণ্ঠে অনুবাদ ভয়েসওভার করতে পারবেন। এটি পাওয়ার দুটি উপায় রয়েছে।
ফাইল থেকে ক্লোন করুন দিয়ে ভয়েসওভার করার পর, পরবর্তী পদক্ষেপ ব্লকে ভয়েস সেভ করুন-এ ট্যাপ করুন। এভাবে সেভ করা MiniMax ভয়েসে পরের বার 180 টোকেন কাটা হবে না।
সেটিংস → আমার ভয়েস-এ গিয়ে একটি ভয়েস যোগ করুন। দেখুন ভয়েসের নমুনা কীভাবে রেকর্ড বা আপলোড করবেন।
ভয়েসওভার ভুল শোনালে, এর লক্ষণ ও সমাধান পাওয়া যাবে অনুবাদ করা ভয়েস কেন রোবটের মতো শোনায় শীর্ষক আর্টিকেলে। বিভিন্ন ত্রুটি সম্পর্কে বিস্তারিত রয়েছে Translate Audio ভয়েসওভার ব্যর্থ হয়েছে বা আটকে গেছে আর্টিকেলে।
সাপোর্টে যোগাযোগ
সমস্যাটি বর্ণনা করুন এবং আমরা ইমেলের মাধ্যমে উত্তর দেব। ফাইল নেম বা জব আইডি থাকলে তা যোগ করুন।