Try AI Narrator Free
Sign up free — no credit card required. Turn your documents into natural-sounding audio in minutes.
Sign Up FreeTry AI Narrator Free
Experience the voices mentioned in this article. Install the Google Docs add-on and generate audio from any document in seconds.
Browse All VoicesGemini TTS सर्वोत्तम अभ्यास: हर बार सुसंगत, अभिव्यंजक ऑडियो उत्पन्न करें
Tip
त्वरित सारांश: Gemini TTS मॉडल (2.5 Flash, 2.5 Pro, और 3.1 Flash) पारंपरिक TTS से मौलिक रूप से भिन्न हैं — वे बड़े भाषा मॉडल हैं जो ऑडियो उत्पन्न करते हैं। इसका मतलब है कि आपके प्रॉम्प्ट, आवाज़ का चयन, और इनलाइन टैग का आउटपुट गुणवत्ता पर बहुत बड़ा प्रभाव पड़ता है। यह गाइड सुसंगत ऑडियो पीढ़ी के पांच स्तंभों को कवर करती है: प्रीसेट, आवाज़ चयन, इमोशन टैग, सिस्टम प्रॉम्प्ट, और गार्ड रेल।
Google के Gemini TTS मॉडलों ने AI स्पीच सिंथेसिस के साथ जो संभव है उसे फिर से परिभाषित किया है। पारंपरिक टेक्स्ट-टू-स्पीच इंजनों के विपरीत जो केवल टेक्स्ट को ज़ोर से पढ़ते हैं, Gemini TTS मॉडल उसी बड़े भाषा मॉडल आर्किटेक्चर पर बने हैं जो Gemini को शक्ति प्रदान करते हैं — वे समझते हैं कि क्या कहना है, कौन कह रहा है, और यह कैसा सुनाई देना चाहिए।
लेकिन यह शक्ति जटिलता के साथ आती है। यदि आपको असंगत परिणाम मिल रहे हैं — कभी-कभी शानदार, कभी-कभी सपाट — तो यह गाइड आपको दिखाएगी कि क्यों, और इसे ठीक करने का सटीक तरीका क्या है।
प्रत्येक सर्वोत्तम अभ्यास में गोता लगाने से पहले, समझें कि Gemini TTS तीन परस्पर जुड़े लीवर पर काम करता है। अनुमानित, उच्च-गुणवत्ता वाले आउटपुट के लिए तीनों को संरेखित किया जाना चाहिए:
Gemini TTS आउटपुट तीन लीवरों द्वारा संचालित होता है जो एक साथ काम करते हैं। तीनों को संरेखित करना अनुमानित परिणामों का सबसे तेज़ तरीका है:
शैली संकेत (सिस्टम निर्देश)
समग्र भावनात्मक स्वर और डिलीवरी शैली का मुख्य चालक। पूरे खंड के लिए संदर्भ सेट करता है।पाठ सामग्री (प्रतिलेख)
शब्दों का अपना अर्थ। भावनात्मक रूप से समृद्ध पाठ मॉडल को तटस्थ पाठ की तुलना में काम करने के लिए अधिक देता है।इनलाइन टैग (मार्अप)
शैली संकेत के साथ काम करते हुए विशिष्ट वाक्यांशों पर स्थानीयकृत नियंत्रण के लिए [whispers] या [laughs] जैसे ब्रैकेट किए गए संशोधक।
Warning
1. ऑडियो प्रीसेट — आपकी स्थिरता नींव
ऑडियो प्रीसेट पुन: प्रयोज्य कॉन्फ़िगरेशन ब्लॉक हैं जो परिभाषित करते हैं कि कौन बोल रहा है, वे कहाँ हैं, और उन्हें कैसा प्रदर्शन करना चाहिए। उन्हें एक सहेजे गए "निर्देशक के सेटअप" के रूप में सोचें जो यह सुनिश्चित करता है कि एक ही स्क्रिप्ट से प्रत्येक पीढ़ी ऐसी लगे जैसे वह एक ही रिकॉर्डिंग सत्र से आई हो।
Gemini TTS प्रीसेट की शारीरिक रचना
# ऑडियो प्रोफ़ाइल: नोवा
## "द मॉर्निंग होस्ट"
## दृश्य: लाइव रेडियो प्रसारण स्टूडियो
[एक गर्म, आमंत्रित स्टूडियो सुबह की हल्की रोशनी के साथ।
नोवा रिलैक्स्ड, आत्मविश्वासी और आकर्षक है — वह
सीधे श्रोता से एक दोस्त की तरह बात करती है।]
### निर्देशक के नोट्स
शैली: गर्म, संवादात्मक, थोड़ी उत्साही
गति: मध्यम — न जल्दबाजी में, न धीमी
लहज़ा: अमेरिकी अंग्रेजी, तटस्थ
टोन: मैत्रीपूर्ण और मिलनसार, जैसे कॉफी पर
एक करीबी दोस्त से बात करना
- पुनरुत्पादकता: विभिन्न ट्रांसक्रिप्ट पर लागू एक ही प्रीसेट ऐसा ऑडियो उत्पन्न करता है जो एक ही सत्र में एक ही वक्ता जैसा लगता है।
- बहु-वक्ता वर्कफ़्लो: एपिसोड में अलग-अलग आवाज़ें रखने के लिए प्रति वक्ता (साक्षात्कारकर्ता, अतिथि, कथावाचक) एक प्रीसेट परिभाषित करें।
- घटा हुआ प्रॉम्प्ट बहाव: प्रीसेट के बिना, मॉडल अकेले पाठ से शैली का अनुमान लगाता है, जो एक लंबी परियोजना में बह जाता है।
- तेज़ पुनरावृत्ति: एक बार जब प्रीसेट सही लगने लगता है, तो आप केवल ट्रांसक्रिप्ट को समायोजित करते हैं, हर बार आवाज़ को फिर से नहीं बनाते हैं।
प्रीसेट सर्वोत्तम अभ्यास
- पात्र को एक नाम दें। नाम ("Nova", "Dr. Claire", "Marcus") के साथ मॉडल को ग्राउंड करना प्रदर्शन को एक साथ बांधता है।
- केवल स्वर नहीं, पहचान को परिभाषित करें। "रेडियो डीजे" या "वृत्तचित्र कथावाचक" मॉडल को लंगर डालने के लिए एक प्रदर्शन archetype देता है।
- वातावरण के बारे में विशिष्ट रहें। "व्यस्त सुबह की कॉफी शॉप" बनाम "शांत स्टूडियो" अलग-अलग ध्वस्टिक प्रोफाइल उत्पन्न करते हैं।
- निर्देशक के नोट शामिल करें। उन्हें मौके पर छोड़ने के बजाय शैली, गति, लहजे और स्वर को स्पष्ट रूप से संबोधित करें।
- प्रीसेट को संक्षिप्त रखें। एक केंद्रित प्रीसेट के लिए मॉडल का लगातार पालन करना आसान होता है।
2. आवाज़ चयन — चरित्र के साथ आवाज़ का मिलान
क्या आप स्वयं ये आवाजें सुनना चाहते हैं?
अभी हमारे AI नैरेटर को निःशुल्क आज़माएँ। कोई साइन-अप आवश्यक नहीं है.
2. वॉयस चयन — चरित्र के साथ आवाज का मिलान
| आवाज़ का नाम | लिंग | इसके लिए सबसे अच्छा | विशेषताएं |
|---|---|---|---|
| कोरे | महिला | गर्म जोशी से वर्णन, पॉडकास्ट | मित्रवत, गर्मजोशी से भरा, सुलभ |
| पक | पुरुष | उत्साही सामग्री, प्रोमो | ऊर्जावान, आश्वस्त |
| एन्सेलेडस | पुरुष | शांत वर्णन, ऑडियोबुक | सांसों की आवाज वाला, आत्मनिरीक्षण करने वाला |
| आओडे | महिला | पेशेवर प्रस्तुतियां | स्पष्ट, पॉलिश किया हुआ |
| फेनरिआर | पुरुष | नाटकीय वर्णन | शक्तिशाली, तीव्र |
| ोरस | पुरुष | तकनीकी सामग्री | सटीक, नपा-तुला |
उपलब्ध वॉयस विकल्प (Gemini TTS)
- पूर्व निर्धारित शैली के साथ आवाज़ का मिलान करें। यदि आपका प्रीसेट थके हुए, आत्मनिरीक्षण करने वाले चरित्र का वर्णन करता है, तो उत्साहित आवाज़ के बजाय एन्सेलेडस जैसी सांसों वाली आवाज़ चुनें।
- प्लेग्राउंड में आवाज़ों का परीक्षण करें। प्रतिबद्ध होने से पहले सुनें कि प्रत्येक आवाज़ विभिन्न प्रकार के संकेतों को कैसे संभालती है।
- आवाज़ + संकेत तालमेल का उपयोग करें। एक गहरी, आधिकारिक आवाज़ को आधिकारिक शैली के संकेत के साथ मिलाने से प्रभाव और मजबूत होता है।
- बेमेल उम्र या स्वर संकेतों से बचें। एक गहरी आवाज़ को छोटे बच्चे की तरह सुनाने के लिए कहने पर अजीब परिणाम मिलते हैं।
- প্রতিটি চরিত্রের জন্য একটি করে কণ্ঠস্বর নির্দিষ্ট করুন। বহু-বক্তার কন্টেন্টে, প্রতিটি বক্তার জন্য একটি করে কণ্ঠস্বর নির্ধারণ করুন এবং প্রজেক্টের মাঝপথে তা পরিবর্তন করবেন না।
Info
वॉयस चयन सर्वोत्तम अभ्यास
3. इनलाइन भावना टैग — [ब्रैकेट] प्रणाली
प्रो टिप: Google Cloud TTS API (Vertex AI) का उपयोग करते समय, आप प्रति वॉयस
speaker भी निर्दिष्ट कर सकते हैं। पॉडकास्ट और साक्षात्कार में स्वचालित वक्ता डायराइजेशन के लिए इसे मल्टी-स्पीकर संवाद मोड के साथ मिलाएं।3. इनलाइन इमोशन टैग — [Bracket] सिस्टम
Gemini TTS इनलाइन मार्कअप टैग का समर्थन करता है — आपके ट्रांसक्रिप्ट में सीधे एम्बेडेड ब्रैकेटेड एनोटेशन जो विशिष्ट वाक्यांशों की डिलीवरी को संशोधित करते हैं। दानेदार नियंत्रण के लिए यह सबसे शक्तिशाली एकल विशेषता है।
| टैग | प्रभाव | विश्वसनीयता |
|---|---|---|
| [आह] | एक आह की ध्वनि जोड़ता है | उच्च |
| [हंसते हुए] | एक हँसी जोड़ता है | उच्च |
| [उम] | एक हिचकिचाहट जोड़ता है | उच्च |
| [हाँफते हुए] | एक हाँp जोड़ता है | उच्च |
| [खांसते हुए] | एक खाँसी की आवाज़ जोड़ता है | मध्यम |
Google Cloud का शोध दिखाता है कि ब्रैकेटेड टैग तीन अलग-अलग मोड में काम करते हैं:
| टैग | प्रभाव | विश्वसनीयता |
|---|---|---|
| [फुसफुसाते हुए] | फुसफुसाकर बोलना | उच्च |
| [उत्साहित होकर] | उत्साहित, ऊर्जावान स्वर | उच्च |
| [उबाऊ] | सपाट, अरुचिकर प्रस्तुति | उच्च |
| [शांत भाव से] | शांत, नपा-तुला स्वर | उच्च |
| [धीरे-धीरे] | धीमी गति | उच्च |
| [जल्दी से] | तेज़ गति | उच्च |
| [रुको] | जारी रखने से पहले संक्षिप्त विराम | उच्च |
टैग को एक श्रव्य, गैर-भाषण मुखरता द्वारा प्रतिस्थापित किया जाता है। टैग स्वयं बोला नहीं जाता है।
टैग के आधार पर एक ही वाक्य को बहुत अलग तरीके से बोला जा सकता है:
मोड 2: शैली संशोधक
टैग बदलता है कि निम्नलिखित टेक्स्ट कैसे वितरित किया जाता है — टोन, गति, जोर।
AI Narrator को आज़माने के लिए तैयार हैं?
आज से अपने Google Docs को पेशेवर ऑडियो में बदलना शुरू करें। हमेशा के लिए मुफ्त!
Doc में जोड़ें - यह मुफ़्त है- स्थानीय पलों के लिए टैग का उपयोग करें, समग्र स्वर के लिए नहीं। सिस्टम प्रॉम्प्ट के साथ समग्र स्वर सेट करें; यहाँ एक हँसी और वहाँ एक फुसफुसाहट के लिए टैग का उपयोग करें।
- टैग का अत्यधिक उपयोग न करें। एक छोटे गद्यांश में बहुत सारे टैग अप्राकृतिक लगते हैं। प्रति पैराग्राफ एक या दो का लक्ष्य रखें।
- टैग को प्रॉम्प्ट और टेक्स्ट के साथ संरेखित रखें। जिस दृश्य को प्रॉम्प्ट में गंभीर बताया गया है, उसमें [cheerful] टैग आउटपुट से टकराएगा।
- पहले नए टैग का परीक्षण करें। जिस टैग के बारे में आपको लगता है कि वह स्टाइल मॉडिफायर होगा, उसे शाब्दिक पाठ के रूप में बोला जा सकता है। उत्पादन में उपयोग करने से पहले इसे प्लेग्राउंड में परीक्षण करें।
मोड 3: पेसिंग और ज़ोर (Emphasis)
टैग जो वितरण की गति और ज़ोर को नियंत्रित करते हैं।
आप एक पटकथा लेखक और ऑडियो डायरेक्टर हैं।
मेरे पास संदर्भ है लेकिन कोई ट्रांसक्रिप्ट नहीं है।
टास्क:
1. संदर्भ के आधार पर एक आकर्षक स्क्रिप्ट लिखें।
2. आउटपुट को एक संरचित TTS प्रॉम्प्ट के रूप में प्रारूपित करें।
आउटपुट प्रारूप:
# ऑडियो प्रोफाइल: [नाम]
## "[शीर्षक]"
## दृश्य: [दृश्य]
[विवरण]
### डायरेक्टर के नोट्स
शैली: [शैली]
गति: [गति]
उच्चारण: [उच्चारण]
वास्तविक दुनिया के टैग उदाहरण
- सामान्य नहीं, विशिष्ट बनें। "1940 के दशक के रेडियो उद्घोषक की तरह बोलें" "पुराने तरीके से बोलें" से बेहतर है।
- दृश्य सेट करें। पर्यावरण का संदर्भ (व्यस्त हवाई अड्डा, शांत स्टूडियो) ध्वनिक व्याख्या का मार्गदर्शन करता है।
- पात्र की भावनात्मक स्थिति को परिभाषित करें। "नोवा शांत और आत्मविश्वासी है" मॉडल को हर पंक्ति के लिए एक बेसलाइन देता है।
- डिलिवरी विवरण शामिल करें। गति, विराम और स्वर की बनावट का उल्लेख करें। "शांत" की तुलना में "थोड़ा सांस लेते हुए, मापी गई गति" अधिक व्यावहारिक है।
- एक श्रृंखला में प्रॉम्प्ट को एक समान रखें। पॉडकास्ट के लिए, हर एपिसोड के लिए एक ही सिस्टम प्रॉम्प्ट का उपयोग करें।
// डिफ़ॉल्ट — कोई टैग नहीं
नमस्ते, मैं एक नया टेक्स्ट टू स्पीच मॉडल हूं। मैं आज आपकी कैसे
मदद कर सकता हूं?
// उत्साहित
[excitedly] नमस्ते, मैं एक नया टेक्स्ट टू स्पीच मॉडल हूं!
मैं आज आपकी कैसे मदद कर सकता हूं?
// ऊब गया
[bored] नमस्ते, मैं एक नया टेक्स्ट टू स्पीच मॉडल हूं...
मैं आज आपकी कैसे मदद कर सकता हूं?
// विराम के साथ व्यंग्यात्मक
[sighs] नमस्ते... [pause] मैं एक नया टेक्स्ट टू स्पीच
मॉडल हूं। [pause] मैं आज आपकी कैसे मदद कर सकता हूं?
// हंसी के साथ फुसफुसाहट
[whispers] नमस्ते... [laughing] मैं एक नया टेक्स्ट टू
स्पीच मॉडल हूं। मैं आज आपकी कैसे मदद कर सकता हूं?
टैग के लिए सर्वोत्तम अभ्यास
| विचार | प्रभाव | शमन |
|---|---|---|
| लंबे आउटपुट | बहुत लंबी एकल पीढ़ियों के दौरान गुणवत्ता में बदलाव आ सकता है | प्राकृतिक विराम बिंदुओं पर ट्रांसक्रिप्ट को विभाजित करें और पोस्ट में ऑडियो को जोड़ें |
| प्रॉम्प्ट के साथ आवाज़ का मेल न खाना | ऑडियो इच्छित वक्ता से मेल नहीं खा सकता है | प्रीसेट, आवाज़ और प्रॉम्प्ट को संरेखित रखें |
| स्वर को टैग करें | कुछ टैग को शाब्दिक पाठ के रूप में बोला जा सकता है | प्रोडक्शन से पहले प्लेग्राउंड में टैग का परीक्षण करें |
| दर सीमाएं और कोटा | उच्च-वॉल्यूम उपयोग पर API थ्रॉटलिंग | सही मॉडल टियर का उपयोग करें और अनुरोधों को कतार में रखें |
4. सिस्टम प्रॉम्प्ट — प्रदर्शन का निर्देशन
सिस्टम प्रॉम्प्ट (जिसे "स्टाइल प्रॉम्प्ट" भी कहा जाता है) समग्र निरंतरता के लिए सबसे महत्वपूर्ण लीवर है। यह मॉडल को बताता है कि कौन बोल रहा है, वे कहां हैं, और उन्हें सामग्री को कैसे वितरित करना चाहिए।
सिस्टम प्रॉम्प्ट संरचना
- प्रीसेट — परिभाषित करें कौन, कहाँ और कैसे (प्रति वक्ता पुन: प्रयोज्य)
- आवाज़ चयन — अपने चरित्र के साथ आवाज़ की विशेषताओं का मिलान करें
- इनलाइन टैग — दानेदार, प्रति-वाक्यांश नियंत्रण (कम ही उपयोग करें, पहले परीक्षण करें)
- सिस्टम प्रॉम्प्ट — समग्र स्वर, दृश्य और प्रदर्शन शैली सेट करें
- गार्ड रेल — लंबी सामग्री को विभाजित करें, टैग का परीक्षण करें, प्रॉम्प्ट के साथ आवाज़ को संरेखित करें
Note
सिस्टम प्रॉम्प्ट सर्वोत्तम अभ्यास
संबंधित मार्गदर्शिकाएँ
- 2026 में सर्वश्रेष्ठ AI वॉइस API — प्रत्येक TTS API प्रदाता की पूर्ण तुलना
- AI वॉइस क्लोनिंग गाइड — चरण-दर-चरण निर्देशों के साथ किसी भी आवाज़ को क्लोन करें
- AI Narrator बनाम ElevenLabs — आमने-सामने गुणवत्ता और मूल्य निर्धारण की तुलना
अपने खुद के पाठ को जोर से पढ़ा हुआ सुनें — निःशुल्क, यहीं पर
कोई भी पाठ चिपकाएँ और 50+ प्राकृतिक AI आवाज़ों में सुनें। कोई डाउनलोड और साइन-अप आवश्यक नहीं है।
निःशुल्क TTS टूल खोलेंDisclosure
Some of the tools compared on this site — including AI Narrator — are our own products. We review them on the same footing as competitors, on current pricing and hands-on testing, and always tell you when a product is ours.