Minden AI videó egy szöveggel kezdődik, de azt, hogy ez a szöveg valóban hogyan hat, a hang dönti el. A hang adja az előadód akcentusát, korát, tónusát, energiáját és személyiségét — a tempó, a szünetek és az előadásmódot irányító jelzések pedig azt döntik el, hogy az eredmény embernek hangzik-e, vagy inkább egy gépnek, amely felolvas egy oldalt.
Röviden: úgy válassz AI hangot, hogy a nyelvet és a regionális akcentust a közönségedhez igazítod, a profilcímkék alapján összeállítasz egy szűkített listát, minden jelöltet a saját szövegeddel hallgatsz meg, majd generálás előtt a tempóval és a szünetekkel formálod meg az előadásmódot. Az útmutató további része lépésről lépésre végigvezet ezen a folyamaton a VisionStoryban, amelynek AI hangkönyvtára több mint 1000 hangot tartalmaz 88 nyelven.
Amit ez az útmutató lefed: a nyilvános Hangkönyvtár és a köré épülő előadásmód-vezérlők. A saját felvételedből készített hang külön munkafolyamat — lásd: hogyan klónozd a hangod AI-jal.
1. lépés: Nyisd meg a Hangkönyvtárat, és olvasd le a hangsor adatait
Nyisd meg az AI videó felületet, válaszd ki a használni kívánt avatárt, majd kattints a Szöveg mező alatti aktuális hangra. A Hangkönyvtár a szerkesztő fölött nyílik meg.
Minden sor négy jelzést hordoz, amelyekből már lejátszás előtt megjósolhatod, hogyan fog szólni az adott beszélő:
- Nyelvcímke — a nyelv, amelyen a hang beszél.
- Zászló — a regionális akcentus, nem pedig egy második nyelv. Az angol hangok mellett szerepelhet amerikai, brit, kanadai és egyéb zászló.
- Nem és életkor — a beszélő érzékelt identitása.
- Jellemzők és felhasználási eset — olyan leírások, mint tiszta, meleg tónusú, társalgási, narráció, oktatás vagy közösségi média.
A címkék alapján szűkítsd a listát, ne ezek alapján hozd meg a végső döntést. Két, szinte azonos címkékkel ellátott hang tempóban, tónusban és energiában így is jelentősen eltérhet.
2. lépés: Szűrj, keress, és hallgasd meg a szűkített listát
Indulj elég tágan ahhoz, hogy valódi különbségeket hallj, aztán szűkíts. Amíg még felfedezel, használd a Nyelv, Nem, Életkor és Felhasználási eset szűrőket. Ha már név szerint ismersz egy hangot, inkább írd be a keresőmezőbe.
- Állíts össze egy szűkített listát. Szűrj vagy keress addig, amíg a teljes katalógus helyett csak néhány jelölt marad.
- Hallgasd végig a szűkített listát. A hangsor jobb szélén lévő lejátszás gombra kattintva meghallgathatod a mintát.
- Állítsd meg és hasonlítsd össze. Ugyanarra a gombra kattintva állítsd le a lejátszást, mielőtt a következőt elindítod.
Arra figyelj, amire a videódnak valóban szüksége van: regionális akcentus, érthetőség, energia, melegség, tekintély, és hogy milyen gyorsan halad végig a hang egy mondaton. Egy önmagában remekül szóló hang még lehet rossz választás egy oktató, értékesítési, hírjellegű vagy karakterközpontú szöveghez.
3. lépés: Igazítsd a hangot a tartalmadhoz és a közönségedhez
A csalódást keltő AI hangalámondások mögött legtöbbször nem minőségi, hanem illeszkedési probléma áll. Mielőtt véglegesítenéd a döntést, tisztázd, mit kell megoldania ennek a hangnak ebben a konkrét videóban.
| Ha ilyet készítesz | Ezt keresd | Ezt kerüld |
|---|---|---|
| Oktatóanyagok, magyarázó videók, kurzusok | Tiszta artikuláció, egyenletes tempó, semleges melegség | Pörgős reklámhangok, amelyek elhadarják a szakkifejezéseket |
| Hirdetések, promók, rövid közösségi videók | Energia, lendület, magabiztos és fiatalabb karakter | Lassú, kimért narráció, amelyben elvész a figyelemfelkeltő nyitás |
| Hírek, vállalati tartalmak, termékfrissítések | Tekintélyt sugárzó hangvétel, egyenletes tempó, visszafogott hangszín | Laza vagy erősen karakteres, szerepjátékos hangok |
| Történetmesélés, interjúk, podcastok | Egyéniség és széles kifejezőkészség | Lapos, bemondós felolvasás mindenféle dinamika nélkül |
| Ugyanannak a videónak a lokalizált változatai | Minden piachoz anyanyelvi, helyi akcentus | Egyetlen angol hang, amely a lefordított szöveget olvassa fel |
Az akcentus az a beállítás, amit a legtöbben elrontanak. Ha a közönséged Londonban van, az előadód mellett viszont amerikai zászló szerepel, a hallgatók észreveszik — még akkor is, ha minden szó helyes. A zászlót a közönséghez válaszd, ne csak a nyelvhez.
4. lépés: Állítsd be a beszédsebességet, majd add hozzá a szüneteket
Kattints egy hang sorára, hogy alkalmazd az aktuális beállításra. Ezután nyisd meg a kiválasztott hang melletti sebességmenüt, és válaszd a Lassú, Normál vagy Gyors lehetőséget.
- A Lassú az elgondolkodtató magyarázatokhoz illik, és minden olyan tartalomhoz, ahol a megértés fontosabb a sürgetésnél.
- A Normál a biztonságos alapbeállítás a legtöbb oktatóanyaghoz, prezentációhoz és beszélő avatáros videóhoz.
- A Gyors energiát ad a rövid promóknak és a közösségi videóknak, de a sűrű szövegeket nehezebb követni.
A sebesség a teljes előadás tempóját határozza meg. A mondaton belüli szabályozáshoz vidd a kurzort oda, ahová a szünet kell, és kattints a Szünet gombra. Minden kattintás 0,5 másodpercet ad hozzá; kattints újra a hosszabb szünethez.
Jó tudni: oda tegyél szünetet, ahol egy valódi előadó levegőt venne, témát váltana, vagy hagyná leülepedni az elhangzottakat. A túl sok szünet széttördeli az előadásmódot, ezért szerkesztés után a teljes mondatot hallgasd meg, ne csak a módosított részt.
5. lépés: Irányítsd az előadásmódot a Hangjavítás funkcióval
Kattints a Hangjavítás gombra, ha a szavak már jók, de a kívánt előadásmód még nincs egyértelműen jelölve. A VisionStory érzelmi, tempóra és hangsúlyra vonatkozó jelöléseket ad hozzá, miközben az eredeti megfogalmazásod változatlan marad.
Mielőtt továbblépnél, nézd át a javított szöveget. Válaszd a Megtartás lehetőséget, ha a jelölések megfelelnek a szándékodnak, vagy a Visszavonás gombot az eredetihez való visszatéréshez. Akkor van igazán helye, ha a szövegnek egyértelmű érzelmi iránymutatásra van szüksége, de a megfogalmazását nem szabad megváltoztatni.
6. lépés: Hallgasd meg a tényleges szövegedet a generálás előtt
Kattints a Hang előnézet gombra, amint a hang, a sebesség, a szünetek és a Hangjavítás esetleges jelölései a helyükön vannak. Ne az első néhány szó alapján ítélj, hanem hallgasd végig a teljes felvételt, és ellenőrizd a kiejtést, az akcentust, a ritmust, a mondatvégeket, a szüneteket és az érzelmi illeszkedést.
Amíg még több jelöltet hasonlítasz össze, indulj egyetlen rövid, jellemző mondattal. Ha a lista már csak két-három hangra szűkült, olyan részletet hallgass meg előnézetben, amely a kész videó szempontjából legfontosabb neveket, számokat, szakkifejezéseket vagy érzelmi csúcspontokat tartalmazza — itt válnak el élesen egymástól a hangok.
Előnézeti keret: a hangelőnézethez ingyenes karakterkeret tartozik, amely gördülő 24 órás ciklusonként újratöltődik. Ha ezt felhasználtad, az előnézet generálása 500 karakterenként 1 kreditbe kerül. A teljes képért lásd: hogyan működnek a VisionStory Kreditek.
7. lépés: Generálj egyszer, hogy az avatár megjegyezze a hangot
A hang kiválasztása az aktuális szerkesztői beállítást módosítja, de önmagában a kiválasztás nem menti el a hangot az avatárhoz. Generálj egy videót a kiválasztott hanggal. A VisionStory ekkor megjegyzi a párosítást, és legközelebb, amikor ugyanazt az avatárt használod, visszaállítja.
Ezért érdemes körültekintően választani. Ha egy avatár és egy hang egyszer össze van párosítva, minden későbbi videó egy következetes előadóval indul, nem pedig egy újabb döntéssel.
Miért hangzanak robotikusan az AI hangok — és hogyan javíthatod ezt
Ha egy generált narráció mesterségesnek hat, az általában nem magára a hangmodellre vezethető vissza, hanem öt kijavítható ok valamelyikére.
- A szöveghez nem illő hang. Egy narrátorhang, amely reklámszöveget olvas fel, laposan szól. Mielőtt a minőséget hibáztatnád, szűkítsd újra a listát felhasználási eset szerint.
- Nincsenek szünetek. Az igazi beszélők levegőt vesznek. A tagolatlan szövegfal gépiesen hat, ezért illessz be fél másodperces szüneteket a gondolati egységek határán.
- A sebességet egyszer beállítod, aztán elfelejted. A Gyors beállítás elmossa a sűrű mondatokat, a Lassú pedig vontatottá tesz egy rövid promót. Igazítsd a tempót a tartalom típusához.
- Kétértelmű központozás. Az összefolyó mondatok, a hiányzó vesszők és a fel nem oldott rövidítések mind a monotonitás felé tolják a hangot. Előbb tisztítsd meg a szöveget.
- Nincs érzelmi instrukció. Ha a szándék nem szerepel a szövegben, a hang nem tudja kitalálni — pontosan erre való a Hangjavítás.
Javítsd ki ezt az ötöt, és a robotikus AI hangokkal kapcsolatos panaszok nagy része eltűnik anélkül, hogy egyáltalán hangot kellene váltanod.
Ha egy szolgáltató kivezet egy általad használt hangot
A VisionStory több szolgáltatótól szerzi be a hangokat, és egy szolgáltató bármikor eltávolíthat egy hangot a saját katalógusából. Ilyenkor a hangot már nem lehet visszaállítani a nyilvános Hangkönyvtárba.
Ha eltűnt egy hang, amelyre építettél, keress egy tiszta részletet egy korábbi videóból, amelyben csak az a hang hallható, és használd forrásanyagként a Hangklónozásban. A klón közeli helyettesítőt tud készíteni, de ne számíts arra, hogy pontosan ugyanúgy szól majd.
Engedély szükséges: csak olyan hanganyagot klónozz, amely a sajátod, vagy amelyre egyértelmű engedélyed van, és publikálás előtt hallgasd meg a helyettesítő hang előnézetét a valódi szövegeddel.
Ellenőrzőlista az AI hanghoz, mielőtt generálsz
- A közönséghez válaszd ki a regionális akcentust is, ne csak a nyelvet.
- A profilcímkékkel szűkítsd a listát, a végső döntést pedig bízd a füledre.
- A valódi szövegedből származó neveket, számokat és nehéz szakkifejezéseket hallgasd meg az előnézetben.
- Előbb állítsd be az általános sebességet, és csak utána illessz be helyi szüneteket.
- A Hangjavítást csak akkor használd, ha az előadásmódnak határozottabb irányra van szüksége.
- Teljes előnézetet hallgass meg, ne csak az első mondatot.
- Generálj egyszer, ha azt szeretnéd, hogy az avatár megjegyezze a hangot.
- Írd be a kiválasztott hang nevét a márka- vagy kampányjegyzeteidbe.
Ha a hang megvan, a többi már gyorsan megy. Vidd végig ugyanezt a beállítást egy kész videóig a hogyan készíts AI beszélő avatárt útmutatóval, vagy nyisd meg a szövegfelolvasást, ha csak a hangra van szükséged.
