অনূদিত ভয়েস কেন রোবোটিক, খুব দ্রুত বা আপনার মতো শোনাচ্ছে না

এই নিবন্ধটি Translate Audio-এর ভয়েসওভার সম্পর্কিত, যেখানে Translate Video-এর জন্য একটি আলাদা বিভাগ রয়েছে। সমস্ত ভয়েসওভার অপশন সেটিংসে পরিবর্তন করা হয়: উপরের ডানদিকের কোণায় সেটিংস আইকনে (স্লাইডার) ট্যাপ করুন এবং ভয়েসওভার ট্যাবটি খুলুন।

দ্রুত যাচাই: লক্ষণ, কারণ, সমাধান

বেশিরভাগ অভিযোগ দুটি কারণে আসে: অনুবাদটি একটি স্ট্যান্ডার্ড ভয়েস দ্বারা পড়া হয়েছে, অথবা ভয়েসটি মূল অডিও অনুসরণ না করে নিজস্ব গতিতে অনূদিত টেক্সট পড়ে।

ভয়েস যদি রোবোটিক বা আবেগহীন শোনায়

রোবোটিক শব্দ সাধারণত বোঝায় যে অনুবাদটি একটি স্ট্যান্ডার্ড ElevenLabs বা OpenAI ভয়েস দ্বারা পড়া হয়েছে। এই ভয়েসগুলো সবার জন্য একই এবং বক্তাকে অনুকরণ করে না। OpenAI ভয়েস মূলত নিরপেক্ষভাবে ডিজাইন করা হয়েছে।

• ভয়েসওভার ট্যাবটি খুলুন এবং ক্লোনিং সহ এর অধীনে একটি বিকল্প বেছে নিন: MiniMax (অ্যাপ এটিকে গলার স্বর এবং আবেগে সবচেয়ে নিখুঁত হিসেবে বর্ণনা করে) বা Qwen 3। তারপর আবার প্লে বাটনে ট্যাপ করুন।

• সবচেয়ে স্বাভাবিক ফলাফলের জন্য ElevenLabs Dubbing v2 বেছে নিন। এটি মূল রেকর্ডিংটিকেই ডাব করে, এর গতি এবং গলার স্বর অক্ষুণ্ণ রাখে। এর জন্য প্রতি সেকেন্ডে 4.4 টোকেন খরচ হয়, তাই এক মিনিটের মেসেজের খরচ প্রায় 264 টোকেন।

• সঙ্গীত, রাস্তার কোলাহল বা একাধিক কণ্ঠস্বর থাকা কোনো রেকর্ডিং থেকে তৈরি ক্লোনও কৃত্রিম শোনায়। এমন একটি রেকর্ডিং ব্যবহার করুন যেখানে প্রথম এক মিনিটে একজন ব্যক্তি স্পষ্টভাবে কথা বলেছেন।

অনুবাদ যদি খুব দ্রুত বা খুব ধীর হয়

ভয়েসওভার অনূদিত টেক্সটটি ভয়েসের নিজস্ব গতিতে পড়ে। এটি বক্তৃতাকে মূলের দৈর্ঘ্য অনুযায়ী টেনে বড় বা ছোট করে না, তাই অনুবাদটি মূলের চেয়ে আগে বা পরে শেষ হতে পারে।

• MiniMax: MiniMax ব্লকে সেটিংস খুলুন এবং গতি 1.0x-এর নিচে নামিয়ে আনুন। এর পরিসীমা 0.5x থেকে 2.0x পর্যন্ত।

• Qwen 3: কথা বলার ধরন-এ ধীর বেছে নিন। কথা বলার ধরন শুধুমাত্র Clone from file-এর সাথে কাজ করে, সংরক্ষিত ভয়েসের সাথে নয়।

• Translate Audio-তে ElevenLabs এবং OpenAI স্ট্যান্ডার্ড ভয়েসের কোনো গতি সেটিংস নেই।

• মূল রেকর্ডিংয়ের গতি বজায় রাখতে ElevenLabs Dubbing v2 বেছে নিন।

গতি বা ধরন পরিবর্তন করার পর, আবার প্লে বাটনে ট্যাপ করুন। MiniMax-এর ক্ষেত্রে একই ফলাফলের পুনরাবৃত্ত ভয়েসওভারের জন্য ক্লোনিংয়ের 180 টোকেন আবার কাটা হয় না।

যদি আপনার বা বক্তার মতো না শোনায়

Clone from file রেকর্ডিংয়ে কথা বলা ব্যক্তির ভয়েস কপি করে। ফলাফল যদি সেই ব্যক্তির মতো না শোনায়, তবে ক্রমানুসারে এই কারণগুলো যাচাই করুন।

1. একটি স্ট্যান্ডার্ড ভয়েস ব্যবহার করা হয়েছিল। এটি ঘটে যদি আপনি Clone voice? ডায়ালগে AI ভয়েস ব্যবহার করুন উত্তর দেন (আর জিজ্ঞাসা করবেন না নির্বাচিত থাকলে অ্যাপ এটি করতেই থাকে), সেটিংসে ElevenLabs বা OpenAI বেছে নেন, অথবা এমন কোনো ভাষা নির্বাচন করেন যা কোনো ক্লোনিং অপশন সমর্থন করে না। ভয়েসওভার ট্যাবে MiniMax বা Qwen 3 বেছে নিন।

2. রেকর্ডিংটি খুব ছোট ছিল: Qwen 3-এর জন্য কমপক্ষে 3 সেকেন্ড, MiniMax-এর জন্য কমপক্ষে 10 সেকেন্ড প্রয়োজন। অন্যথায় অ্যাপটি একটি স্ট্যান্ডার্ড ভয়েস ব্যবহার করে এবং জানায় «Audio too short for voice cloning, standard voice was used»।

3. ক্লোনিং ব্যর্থ হয়েছে এবং অ্যাপটি বার্তা দেখিয়েছে «Voice cloning is unavailable right now. A standard voice was used.»। পরে আবার প্লে বাটনে ট্যাপ করুন অথবা MiniMax বেছে নিন।

4. রেকর্ডিংয়ের পরিবর্তে একটি সংরক্ষিত ভয়েস নির্বাচন করা হয়েছিল। যদি আমার MiniMax ভয়েস বা আমার Qwen ভয়েস সক্রিয় থাকে, তবে অনুবাদটি সেই সংরক্ষিত ভয়েসে পড়া হয়। ফাইল থেকে ক্লোন করুন নির্বাচন করুন।

5. প্রথম 60 সেকেন্ড কোলাহলপূর্ণ ছিল। MiniMax এবং Qwen 3 ফাইলের প্রথম এক মিনিট থেকেই ভয়েস গ্রহণ করে। সেখানে সঙ্গীত, অন্য কোনো ব্যক্তি বা উচ্চ পটভূমির শব্দ থাকলে ক্লোনের সাদৃশ্য কমে যায়।

আপনি যদি অন্যের মেসেজে আপনার ভয়েস ব্যবহার করতে চান, উদাহরণস্বরূপ উত্তর দেওয়ার জন্য, সেটিংস → আমার ভয়েস-এ একবার আপনার ভয়েস সংরক্ষণ করুন এবং এটিকে আমার MiniMax ভয়েস বা আমার Qwen ভয়েস হিসেবে নির্বাচন করুন। একটি ভালো স্যাম্পলের জন্য পরামর্শগুলো পাবেন সেরা ভয়েস ক্লোন কোয়ালিটির জন্য পরামর্শ-তে।

উচ্চারণভঙ্গি বা উপভাষা ভুল হলে

Translate Audio কোনো উচ্চারণভঙ্গি বা আঞ্চলিক রূপ নির্ধারণ করতে পারে না। ভাষার তালিকায় প্রতি ভাষার জন্য একটি করে ভুক্তি রয়েছে: ব্রাজিল বা পর্তুগাল বাছাইয়ের সুযোগ ছাড়া Portuguese, US বা UK ছাড়া English।

• একটি ক্লোন বক্তার স্বরের প্রকৃতি এবং প্রায়শই তাদের নিজস্ব উচ্চারণভঙ্গি ধরে রাখে। ইংরেজি বলা একজন ব্যক্তি অনুবাদ সঠিক হলেও সাধারণত পর্তুগিজ ভাষায় একজন বিদেশির মতো শোনাবেন।

• প্রতিটি ভাষার জন্য স্ট্যান্ডার্ড ভয়েসটি অপরিবর্তনীয় এবং একই, এবং আপনি Translate Audio-তে অন্য কোনোটি বেছে নিতে পারবেন না।

আপনি যা করতে পারেন:

• অনুবাদটি কপি করুন, Text to Speech খুলুন এবং ভাষা ও উচ্চারণভঙ্গির ফিল্টার ব্যবহার করে একটি ElevenLabs ভয়েস বেছে নিন। ভয়েসটি অন্য কারো হবে, তবে আপনার প্রয়োজনীয় উচ্চারণ সহ পাওয়া যাবে।

• ভিডিওর জন্য, Translate Video ব্যবহার করুন: এর ভাষা তালিকায় Portuguese (Brazil) এবং English (United States)-এর মতো আঞ্চলিক রূপ রয়েছে।

আবেগ হারিয়ে গেলে

MiniMax এবং Qwen 3 গলার স্বর কপি করে, কিন্তু তারা অনূদিত টেক্সটকে ভয়েস দেয়, তাই প্রতিটি বাক্যাংশের স্বরভঙ্গি মূল থেকে নেওয়া হয় না। আপনি নির্ধারণ করে না দিলে মডেলটি টেক্সট থেকেই এটি নির্ধারণ করে।

• MiniMax: আবেগ হ্যাপি, স্যাড, অ্যাংরি, ফিয়ারফুল, সারপ্রাইজড, কাম বা ডিসগাস্টিং-এ সেট করুন। একটি আবেগ পুরো অনুবাদের ক্ষেত্রে প্রযোজ্য হয়। স্বয়ংক্রিয় (প্রস্তাবিত) মডেলটিকে নিজে সিদ্ধান্ত নিতে দেয়।

• Qwen 3: কথা বলার ধরন কাম, এনার্জেটিক, ফ্রেন্ডলি, সফট বা প্রফেশনাল।

• ElevenLabs Dubbing v2 মূল রেকর্ডিং থেকে কাজ করে এবং এর স্বাভাবিক ভঙ্গির সবচেয়ে কাছাকাছি থাকে।

দুই ব্যক্তি যদি এক ভয়েসে কথা বলেন

Translate Audio-তে, Dubbing v2 ছাড়া প্রতিটি অপশন সম্পূর্ণ অনুবাদটি একটি ভয়েস দিয়ে পড়ে। MiniMax এবং Qwen 3 ফাইলের শুরু থেকে একটি মাত্র ক্লোন তৈরি করে, তাই কথোপকথনে উভয় ব্যক্তিই একই ভয়েস পান, যা রেকর্ডিংয়ের প্রথম এক মিনিট থেকে তৈরি করা হয়।

প্রতিটি বক্তাকে তাদের নিজস্ব ভয়েস দিতে, ElevenLabs Dubbing v2 বেছে নিন। এটি বক্তাদের শনাক্ত করে এবং তাদের প্রত্যেককে আলাদাভাবে ক্লোন করে।

বিরতিগুলো অক্ষুণ্ণ না থাকলে

MiniMax, Qwen 3 এবং স্ট্যান্ডার্ড ভয়েসগুলো অনুবাদটিকে একটানা টেক্সট হিসেবে পড়ে, ফলে মূলের দীর্ঘ বিরতিগুলো অদৃশ্য হয়ে যায়। এগুলো ধরে রাখার মতো কোনো সেটিংস Translate Audio-তে নেই। ElevenLabs Dubbing v2 মূল টাইমলাইন ডাব করে এবং টাইমিং বজায় রাখে।

Translate Video-তে

Translate Video-এর নিজস্ব সেটিংস রয়েছে: শুরু করার আগে Translate Video-এর উপরের ডানদিকের কোণায় সেটিংস আইকনে ট্যাপ করুন।

• একজন ব্যক্তির কণ্ঠ দুটি ভয়েসে ডাব করা হয়েছে, উদাহরণস্বরূপ পুরুষ এবং নারী। HeyGen এবং বক্তার সংখ্যা অটো-তে সেট থাকলে, HeyGen নিজেই নির্ধারণ করে কতজন কথা বলছেন এবং দুজনকে খুঁজে পেতে পারে। বক্তার সংখ্যা ১-এ সেট করুন এবং আবার অনুবাদ করুন।

• ভয়েসটি রোবোটিক বা মূল থেকে অনেক দূরে শোনায়: HeyGen-এর সাথে উন্নত ক্লোনিং চালু করুন (দ্বিগুণ খরচ), অথবা ElevenLabs বেছে নিন, যা প্রতিটি বক্তাকে ক্লোন করে এবং তাদের টাইমিং বজায় রাখে। মূল অডিওতে কোলাহল থাকলে বক্তৃতার গুণমান বৃদ্ধি করুন চালু করুন।

• ভুল উপভাষা: ভাষার তালিকায় আঞ্চলিক রূপটি বেছে নিন, উদাহরণস্বরূপ Portuguese (Brazil)।

সমস্ত Translate Video অপশন Translate Video কীভাবে কাজ করে-তে বর্ণনা করা হয়েছে।

কখন সাপোর্টে যোগাযোগ করবেন

যদি এগুলোর কোনোটিই কাজে না আসে, তবে ফলাফলের নিচে ফিডব্যাক ব্লকে ফলাফলে সন্তুষ্ট নন? বাটনে ট্যাপ করুন এবং আপনি কী শুনছেন তা বর্ণনা করুন। ফর্মটি এই কাজের সাথে যুক্ত থাকে, ফলে সাপোর্ট টিম একই রেকর্ডিং শুনতে পারে। সাধারণ ফর্মটি পাবেন vocalingo.app/support-এ।