संक्षेप में
टेक्स्ट-टू-स्पीच आवाज़ तब स्वाभाविक लगती है जब वह तीन चीज़ें सही करती है: प्रोसोडी (वाक्य का सुर और बलाघात), लय और ठहराव, और नाम, संख्याएँ और संक्षिप्त रूप जैसे पेचीदा हिस्सों का उच्चारण। आधुनिक न्यूरल आवाज़ें ये तीनों पुरानी रोबोटिक आवाज़ों से कहीं बेहतर संभालती हैं, और इनमें से बहुत-सी अब पूरी तरह iPhone पर चलती हैं। डिवाइस पर चलने वाली आवाज़ें आपके टेक्स्ट को निजी रखती हैं, बिना कनेक्शन के काम करती हैं और उन पर प्रति-अक्षर कोई सीमा नहीं होती; बदले में एक बार का डाउनलोड और थोड़ी स्टोरेज लगती है।
आवाज़ को स्वाभाविक क्या बनाता है
ज़्यादातर लोग किसी आवाज़ को पहले दस सेकंड में परख लेते हैं। यह ग़लती है: लगभग हर आधुनिक आवाज़ का पहला वाक्य अच्छा लगता है। किताब के लिए जो मायने रखता है, वह यह है कि आवाज़ पेज 80 पर कैसी टिकती है, और यह कुछ ख़ास बातों पर निर्भर करता है।
प्रोसोडी: वाक्य का सुर
इंसानी वाचक सवाल के अंत में सुर ऊँचा करता है, उस शब्द पर ज़ोर देता है जिसमें अर्थ है ("मैंने यह नहीं कहा कि उसने लिया") और कथन के अंत में आवाज़ नीचे आने देता है। सपाट या ग़लत जगह पड़ा सुर सबसे पहले कान को थकाता है, भले ही हर शब्द सही बोला गया हो।
लय और ठहराव
अल्पविराम, पूर्णविराम, पैराग्राफ़ का अंतर और संवाद, हर एक को अलग ठहराव चाहिए। जो आवाज़ हर जगह एक जैसा छोटा अंतराल देती है, वह हड़बड़ाई हुई लगती है; जो हर अल्पविराम पर बहुत देर रुकती है, वह झिझकती हुई लगती है। अच्छी आवाज़ें जाने-पहचाने वाक्यांशों पर थोड़ी तेज़ और लंबे, असामान्य शब्दों पर धीमी भी होती हैं, और यही बोली को मेट्रोनोम जैसा नहीं, जीवंत बनाता है।
कठिन मामलों का उच्चारण
एक भी ध्वनि बनने से पहले टेक्स्ट को ऐसे शब्दों में बदलना पड़ता है जिन्हें बोला जा सके। यही वह चरण है जहाँ डेमो में प्यारी लगने वाली कई आवाज़ें असली किताबों पर लड़खड़ाती हैं:
- संख्याएँ और तारीख़ें: "1984" एक वाक्य में साल है और अगले में मात्रा। "3/4" भिन्न भी हो सकता है और तारीख़ भी।
- संक्षिप्त रूप: अंग्रेज़ी में "St." Saint भी है और Street भी, "Dr." Doctor भी और Drive भी।
- एक जैसी वर्तनी पर अलग उच्चारण वाले शब्द: अंग्रेज़ी में "I read it yesterday" बनाम "I read every day"; धातु वाला "lead" बनाम टीम का नेतृत्व करने वाला "lead"।
- नाम: पात्र, जगहें और गढ़े गए शब्द, जो किसी डिक्शनरी में नहीं होते।
कोई भी आवाज़ इन सबको हर बार सही नहीं करती, इसीलिए उच्चारण सुधारने का तरीक़ा उतना ही मायने रखता है जितनी ख़ुद आवाज़ (इस पर नीचे और)।
रोबोटिक बनाम न्यूरल आवाज़ें
ज़्यादातर लोगों को याद रहने वाली "रोबोट आवाज़" पुराने सिंथेसिस तरीक़ों से आती है। नियम-आधारित आवाज़ें स्वर-तंत्र के एक मॉडल से ध्वनि बनाती हैं: बहुत साफ़ समझ में आने वाली, ऊँची गति पर भी, इसीलिए कुछ स्क्रीन रीडर उपयोगकर्ता अब भी उन्हें पसंद करते हैं, लेकिन साफ़ तौर पर कृत्रिम। बाद की आवाज़ें किसी असली वक्ता की छोटी-छोटी रिकॉर्डिंग को जोड़कर बनाई गईं, जो क़रीब से इंसानी लगती हैं लेकिन जहाँ टुकड़े जुड़ते हैं वहाँ सुनाई देने वाले जोड़ छोड़ जाती हैं।
न्यूरल आवाज़ें अलग तरह से काम करती हैं। कई घंटों की रिकॉर्ड की गई बोली पर प्रशिक्षित एक मॉडल पूरे वाक्य की ध्वनि उसके टेक्स्ट से अनुमानित करता है, उसके सुर और समय समेत। नतीजा ज़्यादा सहज और पढ़ते हुए इंसान के कहीं ज़्यादा क़रीब होता है। वे पूर्ण नहीं हैं: न्यूरल आवाज़ कभी-कभी ग़लत शब्द पर ज़ोर दे सकती है या किसी दुर्लभ नाम पर झिझक सकती है। लेकिन लंबे समय तक सुनने में थकान का फ़र्क़ बड़ा है।
आपके iPhone में पहले से सिस्टम आवाज़ें आती हैं, और कुछ के बड़े Enhanced या Premium संस्करण सेटिंग्स › एक्सेसिबिलिटी › Spoken Content › Voices में डाउनलोड किए जा सकते हैं। वे छोटे टेक्स्ट के लिए उपयुक्त हैं; अपने iPhone से टेक्स्ट पढ़वाने पर हमारी गाइड उन्हें और उनकी सीमाओं को कवर करती है।
ऑन-डिवाइस बनाम क्लाउड टेक्स्ट-टू-स्पीच
न्यूरल आवाज़ें किसी रिमोट सर्वर पर भी चल सकती हैं और सीधे आपके फ़ोन पर भी। दोनों तरीक़े जायज़ हैं; दोनों अलग-अलग चीज़ों का सौदा करते हैं।
| क्लाउड आवाज़ें | ऑन-डिवाइस आवाज़ें | |
|---|---|---|
| आपका टेक्स्ट कहाँ जाता है | बदलने के लिए सर्वर पर भेजा जाता है | iPhone पर ही रहता है |
| कनेक्शन | सुनते समय, या ऑडियो बनाने के लिए ज़रूरी | सिर्फ़ एक बार आवाज़ डाउनलोड करने के लिए |
| सीमाएँ | अक्सर अक्षरों या मिनटों के हिसाब से नापी जाती हैं | प्रति-अक्षर कोई कोटा नहीं |
| मोबाइल डेटा | सुनते समय ख़र्च होता है | आवाज़ इंस्टॉल होने के बाद बिल्कुल नहीं |
| स्टोरेज | फ़ोन पर थोड़ी-सी | हर आवाज़ जगह लेती है |
| बैटरी | नेटवर्क का इस्तेमाल | बोली फ़ोन पर गणना होती है |
| भावाभिव्यक्ति | सबसे बड़े मॉडल बहुत भावपूर्ण हो सकते हैं | वाचन के लिए क़रीब, फ़ोन की क्षमता से सीमित |
गोपनीयता वह पहलू है जिसे लोग कम आँकते हैं। अगर आप काम की रिपोर्ट, अनुबंध, मेडिकल पत्र या अपना अप्रकाशित लेखन सुनते हैं, तो ऑन-डिवाइस सिंथेसिस का मतलब है कि उसका कोई भी टेक्स्ट फ़ोन से बाहर नहीं जाता। व्यावहारिक पहलू दूसरा आश्चर्य है: हवाई जहाज़, मेट्रो, बिना सिग्नल वाला कोई पहाड़ी ठिकाना, या रोमिंग का बिल जिससे आप बचना चाहें। ऑन-डिवाइस आवाज़ बस पढ़ती रहती है।
क़ीमतें भी असली हैं। आवाज़ें डाउनलोड करनी पड़ती हैं, बेहतर हो Wi-Fi पर, और वे स्टोरेज लेती हैं, इसलिए वही इंस्टॉल करें जो आप सचमुच इस्तेमाल करेंगे और बाक़ी हटा दें। बोली बनाने में प्रोसेसर लगता है, इसलिए लंबा सत्र किसी ऑडियो फ़ाइल को चलाने से ज़्यादा बैटरी खाता है; iPhone में Apple Neural Engine होता है, जो ठीक इसी तरह के काम के लिए बना है।
VocaRead इसे कैसे संभालता है
VocaRead अपनी सारी आवाज़ें डिवाइस पर चलाता है। आप एक बार आवाज़ डाउनलोड करते हैं, फिर सब कुछ ऑफ़लाइन काम करता है: कोई खाता नहीं, कोई क्लाउड प्रोसेसिंग नहीं, और आपकी किताबें कभी iPhone से बाहर नहीं जातीं। 30+ भाषाओं में 200 से ज़्यादा आवाज़ें हैं, जिनमें 144 प्रीमियम न्यूरल आवाज़ें शामिल हैं, और न्यूरल इंजन Apple Neural Engine से तेज़ किए गए हैं। एक नया रीडिंग इंजन सेटिंग्स › आवाज़ें में वैकल्पिक बीटा के रूप में उपलब्ध है; यह गाइड बताती है कि इसे कैसे आज़माएँ और वापस कैसे जाएँ। पूरा आवाज़ कैटलॉग देखें।
कोई प्रति-अक्षर मीटर नहीं है। एकमात्र सीमा व्यावसायिक है और पहले से बताई गई है: हर किताब पर 90 मिनट का मुफ़्त सुनना, फिर असीमित सुनने के लिए एक बार की प्रीमियम ख़रीद। यह ऐप के अंदर चलता है; MP3 फ़ाइलें एक्सपोर्ट नहीं करता।
किताब के लिए आवाज़ कैसे चुनें
पहले भाषा मिलाएँ
किताब की भाषा के लिए हमेशा मूल आवाज़ इस्तेमाल करें। फ़्रेंच उपन्यास पढ़ती अंग्रेज़ी आवाज़ हर नाम और ज़्यादातर वाक्यों का कचूमर निकाल देगी। अगर आप कई भाषाओं में पढ़ते हैं, तो सब कुछ के लिए एक आवाज़ के बजाय हर भाषा के लिए एक अच्छी आवाज़ इंस्टॉल करें।
वाचक को किताब से मिलाएँ
गर्मजोशी भरी, इत्मीनान वाली आवाज़ उपन्यास या संस्मरण के लिए ठीक बैठती है। स्पष्ट, तटस्थ आवाज़ किसी तकनीकी किताब या रिपोर्ट के लिए, जहाँ चरित्र से ज़्यादा स्पष्टता मायने रखती है। संवाद-प्रधान फ़िक्शन को साफ़ सुर-बदलाव वाली आवाज़ चाहिए, क्योंकि एक ही वाचक हर पात्र को आवाज़ देता है।
सही पन्नों पर परखें
पहले अध्याय का पहला पैराग्राफ़ छोड़ दें। उसकी जगह संवाद वाला एक पन्ना, संख्याओं या तारीख़ों वाला एक पन्ना, और मुख्य पात्रों के नामों वाला एक पन्ना चलाएँ। फिर फ़ैसला करने से पहले दस मिनट सुनें। जो छोटी-छोटी अदाएँ नमूने में लुभाती हैं, वे एक घंटे बाद खटक सकती हैं, और उल्टा भी सच है।
हर किताब के लिए गति सेट करें
VocaRead आपको 0.5x से 2.0x तक गति सेट करने देता है, और यह हर किताब के लिए याद रखी जाती है। 1.0x से शुरू करें और छोटे क़दमों में बदलें। घना नॉन-फ़िक्शन अक्सर सामान्य गति पर या उससे थोड़ा नीचे सबसे अच्छा चलता है; जानी-पहचानी विधा या दोबारा पढ़ी जा रही किताब 1.3x या उससे ऊपर जा सकती है। अगर आप दूसरी भाषा में पढ़ रहे हैं, तो लगभग 0.8x तक धीमा करने से आवाज़ स्वाभाविक रहती है और आपको साथ चलने का समय मिलता है।
कस्टम उच्चारण से नाम और शब्द ठीक करना
सबसे अच्छी आवाज़ भी किसी गढ़े गए नाम पर ग़लत अंदाज़ा लगाएगी, और हर पन्ने पर वही ग़लती दोहराएगी। VocaRead में शब्द को देर तक दबाएँ, लिखें कि उसे कैसे बोला जाना चाहिए, और नियम उस भाषा के लिए सहेजा जाकर iCloud से आपके iPad पर सिंक हो जाता है। एक सुधार पूरी किताब ठीक कर देता है। ग़लत बोले गए नाम ठीक करने की हमारी गाइड में काम करने वाले नियम लिखने के सुझाव हैं।
सिंथेटिक आवाज़ें अब भी क्या कम अच्छा करती हैं
यहाँ ईमानदारी काम आती है। सिंथेटिक वाचक कविता को किसी अच्छे अभिनेता से ज़्यादा सपाट पढ़ता है, पात्रों के लिए अलग आवाज़ें नहीं निकालता, और वह व्यंग्य चूक सकता है जिसे इंसान अपने लहजे में ले आता। तालिकाएँ, फ़ुटनोट और संदर्भों की लंबी सूचियाँ किसी भी आवाज़ के लिए अटपटी हैं। अभिनय-प्रधान उपन्यास के लिए इंसान द्वारा पढ़ी गई ऑडियोबुक अब भी बेहतर अनुभव हो सकती है; उन हज़ारों किताबों, शोध-पत्रों और दस्तावेज़ों के लिए जिन्हें कभी ऐसी ऑडियोबुक नहीं मिलेगी, एक स्वाभाविक ऑन-डिवाइस आवाज़ ही सुनना संभव बनाती है। हम दोनों की तुलना टेक्स्ट-टू-स्पीच बनाम ऑडियोबुक में करते हैं।
अक्सर पूछे जाने वाले सवाल
क्या ऑन-डिवाइस आवाज़ें क्लाउड आवाज़ों जितनी अच्छी हैं?
वाचन के लिए, सबसे अच्छी ऑन-डिवाइस न्यूरल आवाज़ें क़रीब हैं, और गोपनीयता, ऑफ़लाइन उपयोग और इस्तेमाल की सीमा न होने में वे आगे हैं। सबसे बड़े क्लाउड मॉडल ज़्यादा भावपूर्ण हो सकते हैं, लेकिन इसकी क़ीमत है आपका टेक्स्ट बाहर भेजना और इस्तेमाल के हिसाब से भुगतान करना।
क्या सुनते समय मेरा टेक्स्ट कहीं भेजा जाता है?
ऑन-डिवाइस सिंथेसिस के साथ नहीं। VocaRead में ऑडियो iPhone पर बनता है और किताबें कभी उससे बाहर नहीं जातीं। कनेक्शन सिर्फ़ कोई आवाज़, कोई मुफ़्त किताब या कोई वेब पेज डाउनलोड करने के लिए चाहिए।
क्या ऑफ़लाइन आवाज़ें बहुत स्टोरेज लेती हैं?
हर आवाज़ एक डाउनलोड है जो फ़ोन पर रहता है। वही आवाज़ें इंस्टॉल करें जो आप सचमुच सुनते हैं, हर भाषा के लिए एक या दो, और जिन्हें आज़माकर नहीं रखा उन्हें हटा दें।
मुझे कौन-सी गति इस्तेमाल करनी चाहिए?
1.0x से शुरू करें और छोटे क़दमों में तब तक बदलें जब तक आवाज़ पर आपका ध्यान जाना बंद न हो जाए। ज़्यादातर श्रोता 1.0x और 1.5x के बीच कहीं टिकते हैं, और घनी सामग्री या दूसरी भाषा के लिए धीमी सेटिंग रखते हैं।
किसी आवाज़ को परखने का सबसे अच्छा तरीक़ा है ऐसी किताब के साथ जिसे आप जानते हों। VocaRead डाउनलोड करें, अपनी कोई फ़ाइल इम्पोर्ट करें और कुछ आवाज़ें आज़माएँ: हर किताब में 90 मिनट का मुफ़्त सुनना शामिल है, और प्रीमियम एक बार की ख़रीद है, सदस्यता नहीं।