জেমিনি টিটিএস বেস্ট প্র্যাকটিস: সবসময় সামঞ্জস্যপূর্ণ ও অভিব্যক্তিপূর্ণ অডিও তৈরি করুন

গুগলের জেমিনি টিটিএস মডেল এআই স্পিচ সিন্থেসিসের সম্ভাবনাকে নতুন করে সংজ্ঞায়িত করেছে। প্রথাগত টিটিএস ইঞ্জিনের মতো নয় যা শুধু টেক্সট উচ্চস্বরে পড়ে, জেমিনি টিটিএস মডেল একই লার্জ ল্যাঙ্গুয়েজ মডেল আর্কিটেকচারের ওপর নির্মিত যা জেমিনিকে শক্তি দেয় — এগুলো বোঝে কী বলতে হবে, কে বলছে এবং এটি কেমন শোনানো উচিত।

কিন্তু এই ক্ষমতার সাথে জটিলতাও আসে। যদি আপনি অসামঞ্জস্যপূর্ণ ফলাফল পেয়ে থাকেন — কখনো দারুণ, কখনো নিস্প্রভ — তবে এই গাইড আপনাকে দেখাবে কেন এমন হয় এবং এটি সমাধানের সঠিক উপায় কী।

প্রতিটি বেস্ট প্র্যাকটিসে যাওয়ার আগে, বুঝে নিন যে জেমিনি টিটিএস তিনটি পরস্পর সংযুক্ত লিভারের ওপর কাজ করে। অনুমানযোগ্য এবং উচ্চ-মানের আউটপুটের জন্য এই তিনটির সামঞ্জস্য থাকা প্রয়োজন:

Gemini TTS আউটপুট তিনটি লিভার দ্বারা চালিত হয় যা একসাথে কাজ করে। তিনটিকেই সারিবদ্ধ করা হল অনুমানযোগ্য ফলাফলের দ্রুততম উপায়:

অডিও প্রিসেট হলো পুনরায় ব্যবহারযোগ্য কনফিগারেশন ব্লক যা সংজ্ঞায়িত করে কে কথা বলছে, তারা কোথায় আছে, এবং তাদের কীভাবে পারফর্ম করা উচিত। এগুলোকে একটি সংরক্ষিত "পরিচালকের সেটআপ" হিসেবে ভাবুন যা নিশ্চিত করে যে একই স্ক্রিপ্ট থেকে প্রতিটি জেনারেশন যেন একই রেকর্ডিং সেশন থেকে এসেছে বলে মনে হয়।

# অডিও প্রোফাইল: নোভা ## "দ্য মর্নিং হোস্ট" ## দৃশ্য: লাইভ রেডিও ব্রডকাস্ট স্টুডিও [সকালের মৃদু আলোতে একটি উষ্ণ, আমন্ত্রিত স্টুডিও। নোভা রিল্যাক্সড, আত্মবিশ্বাসী এবং আকর্ষণীয় — সে বন্ধুর মতো সরাসরি শ্রোতার সাথে কথা বলে।] ### পরিচালকের নোট স্টাইল: উষ্ণ, কথোপকথনমূলক, কিছুটা প্রাণবন্ত গতি: মাঝারি — খুব দ্রুত নয়, ধীরও নয় উচ্চারণ: আমেরিকান ইংরেজি, নিরপেক্ষ সুর: বন্ধুত্বপূর্ণ এবং সহজবোধ্য, যেন কফির কাপে কাছের কোনো বন্ধুর সাথে কথা বলা

প্রো টিপ: Google Cloud TTS API (Vertex AI) ব্যবহার করার সময়, আপনি প্রতি ভয়েসে speaker নির্দিষ্ট করতে পারেন। পডকাস্ট এবং সাক্ষাৎকারে স্বয়ংক্রিয় স্পিকার ডায়ারাইজেশনের জন্য এটিকে মাল্টি-স্পিকার ডায়ালগ মোডের সাথে একত্রিত করুন।

Gemini TTS ইনলাইন মার্কআপ ট্যাগ সমর্থন করে — সরাসরি আপনার ট্রান্সক্রিপ্টে এমবেড করা বন্ধনীযুক্ত অ্যানোটেশন যা নির্দিষ্ট বাক্যাংশের ডেলিভারি পরিবর্তন করে। সূক্ষ্ম নিয়ন্ত্রণের জন্য এটি সবচেয়ে শক্তিশালী বৈশিষ্ট্য।

Google Cloud-এর গবেষণা দেখায় যে বন্ধনীযুক্ত ট্যাগ তিনটি ভিন্ন মোডে কাজ করে:

ট্যাগটি একটি শ্রবণযোগ্য, অ-ভাষণ ভোকালাইজেশন দ্বারা প্রতিস্থাপিত হয়। ট্যাগটি নিজে উচ্চারিত হয় না।

ট্যাগের উপর নির্ভর করে একই বাক্য সম্পূর্ণ ভিন্নভাবে বলা যেতে পারে:

ট্যাগটি পরবর্তী টেক্সট কীভাবে ডেলিভারি হবে তা পরিবর্তন করে — সুর, গতি, জোর।

ট্যাগ যা ডেলিভারির গতি এবং জোর নিয়ন্ত্রণ করে।

// ডিফল্ট — কোনো ট্যাগ নেই এই যে, আমি একটি নতুন টেক্সট টু স্পিচ মডেল। আজ আমি আপনাকে কীভাবে সাহায্য করতে পারি? // উত্তেজিত [excitedly] এই যে, আমি একটি নতুন টেক্সট টু স্পিচ মডেল! আজ আমি আপনাকে কীভাবে সাহায্য করতে পারি? // বিরক্ত [bored] এই যে, আমি একটি নতুন টেক্সট টু স্পিচ মডেল... আজ আমি আপনাকে কীভাবে সাহায্য করতে পারি? // বিরতি সহ ব্যঙ্গাত্মক [sighs] এই যে... [pause] আমি একটি নতুন টেক্সট টু স্পিচ মডেল। [pause] আজ আমি আপনাকে কীভাবে সাহায্য করতে পারি? // হাসির সাথে ফিসফিসানি [whispers] এই যে... [laughing] আমি একটি নতুন টেক্সট টু স্পিচ মডেল। আজ আমি আপনাকে কীভাবে সাহায্য করতে পারি?

সিস্টেম প্রম্পট (যাকে "স্টাইল প্রম্পট"ও বলা হয়) হলো সামগ্রিক ধারাবাহিকতার জন্য সবচেয়ে গুরুত্বপূর্ণ লিভার। এটি মডেলকে বলে কে কথা বলছে, তারা কোথায় আছে এবং তাদের কীভাবে বিষয়বস্তু সরবরাহ করা উচিত।