چطور با هوش مصنوعی صدای خود را شبیه‌سازی کنیم

کلون‌کردن صدا از یک ضبط واقعی، یک صدای مصنوعیِ قابل‌استفاده مجدد می‌سازد. VisionStory نمونه منبع را تحلیل می‌کند، فایل صوتی را آماده‌سازی می‌کند، زبان و ویژگی‌های آوایی آن را تشخیص می‌دهد، کلون را می‌سازد و یک پیش‌نمایش تولید می‌کند تا قبل از استفاده در ویدیو بتوانید آن را ارزیابی کنید.

آپلود فقط بخش مکانیکی کار است. این ضبطِ منبع است که تعیین می‌کند نتیجه چقدر نزدیک و چقدر پایدار به نظر برسد. معمولاً یک دقیقه صدای تمیز و یکنواخت از چند دقیقه‌ای که با میکروفون‌های مختلف یا در اتاق‌های متفاوت ضبط شده باشد، کاربردی‌تر است.

مسئولانه از صداها استفاده کنید. فقط صدای خودتان یا صدایی را کلون کنید که برای استفاده از آن اجازه روشن و مشخص دارید. از کلون‌کردن صدا برای جعل هویت دیگران، دور زدن رضایت، یا گمراه‌کردن مخاطب استفاده نکنید.

• بهترین منبع: 1–2 دقیقه صدای تمیزِ تک‌گوینده.
• ضبط سریع: تا 15 ثانیه داخل پنجره Clone.
• دسترسی: پلن اشتراک Pro و بالاتر.

مرحله 1: Voice Clone را در AI Video باز کنید

AI Video را باز کنید و آواتاری را که قصد دارید استفاده کنید انتخاب کنید. در ردیف صدا زیر کادر Script، روی Clone کنار صدای فعلی کلیک کنید. پنجره Clone بدون تغییر دادن صدای فعلیِ آواتار باز می‌شود.

مرحله 2: Upload یا Record را انتخاب کنید

این پنجره دو روش برای منبع ارائه می‌دهد. بسته به اینکه می‌خواهید فقط روند کار را تست کنید یا به دنبال نزدیک‌ترین تطابقِ عملی هستید، انتخاب کنید.

• آپلود صدا: برای کیفیت بهتر، گزینه ترجیحی است. اگر امکانش هست از نمونه‌ای تمیز بین 1 تا 2 دقیقه استفاده کنید.
• Record: برای یک تست سریع مفید است. ضبط‌کننده داخل برنامه فعلاً تا 15 ثانیه را ضبط می‌کند.

فایل‌های آپلودی می‌توانند .avi، .mp3، .mp4، .m4a، .wav یا .mov باشند. بخش صوتیِ انتخاب‌شده باید حداقل 3 ثانیه باشد و می‌تواند تا 120 ثانیه هم باشد.

مرحله 3: آماده‌سازی صوت برای تطابق دقیق‌تر

کلون صدا فقط هویت صوتی را کپی نمی‌کند. می‌تواند سرعت، لحن و تکیه‌ها، نفس‌کشیدن، صدای محیط اتاق، رنگِ میکروفون و آرتیفکت‌های ناخواسته را هم بازتولید کند. فایل منبع را با همان سبکی ضبط کنید که می‌خواهید کلون بعداً از آن استفاده کند.

• از یک گوینده استفاده کنید. موسیقی، هم‌پوشانی صداها و مکالمه‌های پس‌زمینه را حذف کنید.
• 1–2 دقیقه تمیز ضبط کنید. تنوع طبیعی کافی بدهید، بدون اینکه سشن‌های ناسازگار را با هم قاطی کنید.
• یک اتاق ساکت و بدون پژواک انتخاب کنید. وسایل نرم به کاهش ریورب کمک می‌کنند؛ از پنکه، ترافیک و صدای کولر گازی دوری کنید.
• میکروفون را ثابت نگه دارید. در کل نمونه، همان فاصله، زاویه، سطح ورودی و اتاق را حفظ کنید.
• طبیعی و یکنواخت صحبت کنید. لهجه، بلندی صدا، سرعت و سبک اجرا را ثابت نگه دارید.
• از سکوت‌های طولانی پرهیز کنید. به‌جای پُر کردن فایل با سکوت، گفتارِ پیوسته و مفید ارائه دهید.

نکته: اگر کلون اول ضعیف به نظر می‌رسد، قبل از اینکه سراغ ضبط خیلی طولانی‌تر بروید، منبع را با صدایی تمیزتر و یکنواخت‌تر جایگزین کنید. محتوای با کیفیتِ ترکیبی، اغلب همان ناهماهنگی‌هایی را به کلون یاد می‌دهد که می‌خواستید حذفشان کنید.

مرحله 4: آپلود، بازبینی و نام‌گذاری نمونه

فایل را داخل Import Audio بکشید یا روی ناحیه رها کردن کلیک کنید تا انتخابش کنید. بعد از ظاهر شدن شکل موج، بخش انتخاب‌شده را پخش کنید و به دنبال گوینده دیگر، موسیقی، کلیپینگ، پژواک، برش‌های ناگهانی یا سکوت طولانی باشید. اگر این مشکلات واضح هستند، منبع را جایگزین کنید.

یک نام توصیفی تا 20 کاراکتر وارد کنید. یک پسوندِ لوکال، تفکیک چند صدای آموزشی یا کمپین را آسان می‌کند؛ مثلاً Tutorial Voice-en.

مرحله 5: کلون را بسازید و بگذارید VisionStory زبان را تشخیص دهد

روی Clone Now کلیک کنید. VisionStory نمونه را به‌صورت ناهمگام پردازش می‌کند و تب Cloned Voice را باز می‌کند. آیتم هنگام پردازش رفرش می‌شود و وقتی پیش‌نمایش آماده شد، قابل پخش خواهد بود.

لازم نیست زبان منبع را دستی انتخاب کنید. VisionStory ضبط را تحلیل می‌کند و زبان تشخیص‌داده‌شده را به‌صورت خودکار اختصاص می‌دهد. در نمونه منبع، فقط از یک زبان به‌طور ثابت استفاده کنید تا قضاوت درباره لوکال تشخیص‌داده‌شده، لهجه و پیش‌نمایش آسان‌تر باشد.

مرحله 6: پیش‌نمایش، انتخاب و تست کلون

قبل از انتخاب، از دکمه پخش در ردیف کلون استفاده کنید. به هویت صدا، لهجه، ریتم، تلفظ، پژواک محیط، نویز و تغییرات ناپایدار در تُن گوش دهید. اگر پیش‌نمایش آرتیفکت‌های واضح دارد، همین حالا منبع را بهبود دهید تا بعداً در یک ویدیوی نهایی با مشکل غافلگیر نشوید.

صدای کلون‌شده را انتخاب کنید، یک جمله کوتاه در کادر Script وارد کنید و روی Preview Audio کلیک کنید. یک تست کوتاه مقایسه را آسان‌تر می‌کند و به شما کمک می‌کند مطمئن شوید این کلون با نوع محتوایی که می‌خواهید بسازید هم‌خوان است.

پلن‌های Voice Clone و محدودیت اسلات‌ها

Voice Clone در پلن Pro و پلن‌های بالاتر در دسترس است. هر صدای کلون‌شده‌ای که ذخیره می‌کنید تا زمانی که حذف نشود، یک اسلات را اشغال می‌کند.

وقتی دیگر به یک کلون نیاز ندارید، Cloned Voice را باز کنید، آن صدا را حذف کنید و اقدام را تأیید کنید. حذف یک کلون، اسلات آن را آزاد می‌کند. اگر صدای حذف‌شده در ادیتور انتخاب شده بود، VisionStory به یک صدای پیش‌فرضِ در دسترس برمی‌گردد.

88 زبان پشتیبانی‌شده

88 زبان منحصربه‌فرد. VisionStory زبانِ نمونه‌ی کلون را به‌صورت خودکار تشخیص می‌دهد؛ گزینه‌های صدا و ویژگی‌های خروجیِ موجود می‌تواند بسته به زبان متفاوت باشد. فهرست زیر پس از ادغام گونه‌های منطقه‌ای و نام‌های معادل، برای هر زبان فقط یک مورد را حساب می‌کند.

• 🇿🇦 آفریکانس
• 🇦🇱 آلبانیایی
• 🇪🇹 امهری
• 🇸🇦 عربی
• 🇦🇲 ارمنی
• 🇮🇳 آسامی
• 🇦🇿 آذربایجانی
• 🇪🇸 باسکی
• 🇧🇾 بلاروسی
• 🇧🇩 بنگالی (Bangla)
• 🇧🇦 بوسنیایی
• 🇧🇬 بلغاری
• 🇲🇲 برمه‌ای
• 🇭🇰 کانتونی
• 🇪🇸 کاتالان
• 🇵🇭 سبوانو
• 🇲🇼 چیچوا
• 🇨🇳 چینی (Mandarin)
• 🇭🇷 کرواتی
• 🇨🇿 چکی
• 🇩🇰 دانمارکی
• 🇳🇱 هلندی
• 🇬🇧 انگلیسی
• 🇪🇪 استونیایی
• 🇵🇭 فیلیپینی
• 🇫🇮 فنلاندی
• 🇫🇷 فرانسوی
• 🇪🇸 گالیسیایی
• 🇬🇪 گرجی
• 🇩🇪 آلمانی
• 🇬🇷 یونانی
• 🇮🇳 گجراتی
• 🇭🇹 کرئول هائیتی
• 🇳🇬 هوسا
• 🇮🇱 عبری
• 🇮🇳 هندی
• 🇭🇺 مجاری
• 🇮🇸 ایسلندی
• 🇮🇩 اندونزیایی
• 🇮🇪 ایرلندی
• 🇮🇹 ایتالیایی
• 🇯🇵 ژاپنی
• 🇮🇩 جاوه‌ای
• 🇮🇳 کانارا
• 🇰🇿 قزاقی
• 🇮🇳 کونکانی
• 🇰🇷 کره‌ای
• 🇰🇬 قرقیزی
• 🇱🇦 لائوسی
• 🇻🇦 لاتین
• 🇱🇻 لتونیایی
• 🇨🇩 لینگالا
• 🇱🇹 لیتوانیایی
• 🇱🇺 لوکزامبورگی
• 🇲🇰 مقدونی
• 🇮🇳 میتهیلی
• 🇲🇬 مالاگاسی
• 🇲🇾 مالایی
• 🇮🇳 مالایالام
• 🇮🇳 مراتی
• 🇲🇳 مغولی
• 🇳🇵 نپالی
• 🇳🇴 نروژی
• 🇮🇳 اودیا
• 🇦🇫 پشتو
• 🇮🇷 فارسی
• 🇵🇱 لهستانی
• 🇵🇹 پرتغالی
• 🇮🇳 پنجابی
• 🇷🇴 رومانیایی
• 🇷🇺 روسی
• 🇷🇸 صربی
• 🇵🇰 سندی
• 🇱🇰 سینهالی
• 🇸🇰 اسلواکی
• 🇸🇮 اسلوونیایی
• 🇸🇴 سومالیایی
• 🇪🇸 اسپانیایی
• 🇰🇪 سواحیلی
• 🇸🇪 سوئدی
• 🇮🇳 تامیل
• 🇮🇳 تلوگو
• 🇹🇭 تایلندی
• 🇹🇷 ترکی
• 🇺🇦 اوکراینی
• 🇵🇰 اردو
• 🇻🇳 ویتنامی
• 🇬🇧 ولزی

روش شمارش: برای هر زبان یک مورد، نه برای هر لوکال — برای مثال، گونه‌های منطقه‌ای انگلیسی یک‌بار حساب می‌شوند، Bokmål و Nynorsk نروژی یک‌بار حساب می‌شوند، و Bengali/Bangla هم یک‌بار حساب می‌شود.

رفع اشکالِ کلون صدا وقتی به‌اندازه کافی شبیه نیست

هویت صدا ضعیف به نظر می‌رسد

منبع را با یک نمونه‌ی تمیزترِ 1 تا 2 دقیقه‌ای از یک ضبطِ یک‌سره و بدون وقفه جایگزین کنید. میکروفون، اتاق، ریتم و اجرای گویندگی را ثابت نگه دارید.

کلون پرنویز یا فلزی به نظر می‌رسد

با هدفون به فایل منبع گوش دهید. موسیقی پس‌زمینه، اکو، صدای فن، ترافیک، حذف نویزِ تهاجمی، کلیپ‌شدن و خروجی‌گرفتن‌های مکرر با افت کیفیت را حذف کنید. معمولاً نسخه‌ی اصلیِ تمیزتر بیشتر از پردازش اضافه کمک می‌کند.

سرعت یا احساسات درست نیست

کلون این انتخاب‌های اجرای گفتار را از نمونه یاد گرفته است. منبع را با همان لحن، انرژی، سرعت و سبک گفتاری که می‌خواهید بعداً بشنوید ضبط کنید.

زبان یا لهجه غیرمنتظره است

در تمام نمونه از یک زبان استفاده کنید و هنگام ضبط برای کلون‌کردن از جابه‌جا کردن زبان‌ها خودداری کنید. برای بهترین تطابقِ تلفظ و لهجه، با زبانی که قصد انتشار دارید کلون کنید و تست بگیرید.

کلون صدای خود را بسازید

یک ضبطِ منبعِ تمیز آماده کنید، ویدیوی هوش مصنوعی را باز کنید و پیش از استفاده در تولیدهای طولانی‌تر، نتیجه را پیش‌نمایش کنید. برای اطلاعات بیشتر درباره صداهای سفارشی و چندزبانه، قابلیت کلون‌کردن صدای VisionStory را ببینید.