কণ্ঠস্বর ও ভাষা
Readalix নয় ধরনের কণ্ঠস্বরে কথা বলে, তার একটি আপনার নিজের রেকর্ডিং থেকে বানানো। কথা কোথায় তৈরি হয়, আপনার কত খরচ হয়, আর শব্দের হাইলাইট কতটা নির্ভুল পড়ে, এসব দিকে সেগুলো আলাদা।
কণ্ঠস্বর কোথায় থাকে
তিনটি জায়গা, তিনটি আলাদা কাজের জন্য।
- টুলবারকণ্ঠস্বর বোতামে আপনি যে ভাষায় আছেন তার কণ্ঠস্বরগুলো উৎস অনুযায়ী সাজানো থাকে। সামনে চলা পড়ার জন্য কণ্ঠস্বর বদলান এখানেই, বাক্যের মাঝখানেও। মুকুটের চিহ্ন প্রিমিয়াম গ্রুপ বোঝায়, আর গ্রুপের শিরোনামের শেষে গিয়ার বোতাম ওই উৎসের সেটিংস খোলে।
- সেটিংস, ভাষা ও কণ্ঠস্বরপ্রতিটি ভাষার জন্য একটি সারি, আর প্রতিটি সারিতে একটি কণ্ঠস্বর বোতাম, যা ওই ভাষার পুরো তালিকা খোলে। এখান থেকে কণ্ঠস্বর ডাউনলোড করেন, যেগুলো কখনো ব্যবহার করেন না সেগুলো লুকান, আর বাকিগুলো টেনে নিজের পছন্দের ক্রমে সাজান।
- সেটিংস, API কীএখানে Gemini, OpenAI বা ElevenLabs কী পেস্ট করেন। কী সংরক্ষণ হলে ওই সেবার কণ্ঠস্বর সে যত ভাষায় কথা বলে তার প্রতিটির তালিকায় যোগ হয়।
নয়টি উৎস
কোনো ভাষার কণ্ঠস্বর তালিকার ওপরে উৎস বেছে নেওয়ার একটি মেনু থাকে: আপনার কণ্ঠস্বর, ব্রাউজার, Microsoft, Piper, Kokoro, Supertonic, Gemini, OpenAI ও ElevenLabs, প্রতিটির পাশে ওই ভাষায় তার কতগুলো কণ্ঠস্বর আছে সেই সংখ্যা। যে উৎসে দেওয়ার মতো কিছু নেই সেটিও তালিকায় থাকে, যাতে বোঝা যায় সেটি দেখা হয়েছে। মেনুর পাশে লম্বা তালিকার জন্য একটি সার্চ বক্স আর উৎসের বিবরণ খোলার একটি ছোট তথ্য বোতাম আছে। Microsoft Edge-এ Microsoft নামে কোনো উৎস নেই: Edge-এ একই Microsoft প্রাকৃতিক কণ্ঠস্বর ব্রাউজার-এর অধীনেই আছে, বিনামূল্যে এবং দৈনিক সীমা ছাড়া।
| উৎস | যা লাগে | কথা কোথায় তৈরি হয় | দৈনিক বরাদ্দে গণ্য হয় |
|---|---|---|---|
| আপনার কণ্ঠস্বর | আপনার কণ্ঠস্বরের একটি ছোট রেকর্ডিং বা একটি অডিও ফাইল, আর প্রতিটি ভাষার জন্য ১৪৬ MB-এর একবার মডেল ডাউনলোড। ইংরেজি ও জার্মান। | আপনার ডিভাইসে | হ্যাঁ |
| ব্রাউজার | কিছুই না। এগুলো আপনার অপারেটিং সিস্টেমে আগে থেকেই থাকা কণ্ঠস্বর। | আপনার ডিভাইসে | না, সবসময় বিনামূল্যে |
| Microsoft | কিছুই না, যতক্ষণ Microsoft এগুলো Chrome-এর সঙ্গে শেয়ার করে, যা সে যেকোনো সময় বন্ধ করতে পারে (তখন উৎসটি লুকানো থাকে)। Microsoft Edge-এ এগুলো বরং ব্রাউজার-এর অধীনে থাকে। | Microsoft-এর সেবায় | হ্যাঁ |
| Piper | প্রতি কণ্ঠস্বরের জন্য একবার ডাউনলোড, প্রতিটি কয়েক মেগাবাইট। ৩৫টি ভাষায় ১১৮টি কণ্ঠস্বর। | আপনার ডিভাইসে | হ্যাঁ |
| Kokoro | প্রতি ভাষায় একটি শেয়ার্ড মডেল: ২৮টি ইংরেজি কণ্ঠস্বরের জন্য ১৫৫ MB, ৬টি ম্যান্ডারিনের জন্য ১২৭ MB। | আপনার ডিভাইসে | হ্যাঁ |
| Supertonic | ৩৯৮ MB-এর একটি শেয়ার্ড মডেল, একবার ডাউনলোড। দশটি কণ্ঠস্বর, আর প্রতিটি সমর্থিত ৩১টি ভাষাতেই বলে। | আপনার ডিভাইসে | হ্যাঁ |
| Gemini | আপনার নিজের Google AI API কী। ৩০টি অভিব্যক্তিময় কণ্ঠস্বর। | Google-এর সেবায় | হ্যাঁ |
| OpenAI | আপনার নিজের OpenAI API কী। ১৩টি কণ্ঠস্বর। | OpenAI-এর সেবায় | হ্যাঁ |
| ElevenLabs | আপনার নিজের ElevenLabs API কী। এর জীবন্ত কণ্ঠস্বর, সঙ্গে আপনার ElevenLabs অ্যাকাউন্টে ক্লোন বা সংরক্ষণ করা যেকোনো কণ্ঠস্বর। | ElevenLabs-এর সেবায় | হ্যাঁ |
ব্রাউজার ট্যাবে Chrome-এর নিজস্ব Google … (Natural) কণ্ঠস্বরও থাকতে পারে। এগুলো আপনার সিস্টেমের নয়, Chrome-এর রিডিং মোডের, তাই Readalix চুপচাপ একটি চেষ্টা করে সাড়া পাওয়ার পরই এগুলো দেওয়া হয়। Chrome-এর নিজের রিডিং মোড প্রথমবার কিছু পড়লে ওই ইঞ্জিন লোড করে, তাই রিস্টার্টের ঠিক পরে কণ্ঠস্বরগুলো না থাকতে পারে আর একই সেশনে পরে দেখা দিতে পারে।
গোপনীয়তা, এক লাইনে। ব্রাউজার, Piper, Kokoro, Supertonic ও আপনার নিজের কণ্ঠস্বর আপনার নিজের ডিভাইসে তৈরি হয়, তাই লেখা কখনো ব্রাউজারের বাইরে যায় না। Microsoft, Gemini, OpenAI ও ElevenLabs ক্লাউড কণ্ঠস্বর: যে বাক্যটি পড়া হচ্ছে তা সেই প্রদানকারীর কাছে পাঠানো হয় যাতে সেটি বলা যায়। আপনার API কী ডিভাইসেই থাকে, কখনো সিঙ্ক হয় না, আর আমাদের কাছে কখনো পাঠানো হয় না। গোপনীয়তা নীতি-তে পুরোটা বলা আছে।
আগে একবার শুনে দেখুন
প্রতিটি কণ্ঠস্বরের সারিতে একটি ছোট চালান বোতাম আছে। চাপলে সেই কণ্ঠস্বর একটি নমুনা বলে, ফলে নাম দেখে নয়, কানে শুনে বাছতে পারেন। নমুনা বাজলে আপনার ঠিক করা কণ্ঠস্বর বদলায় না, আর একবারে একটি নমুনাই বাজে।
লোকাল কণ্ঠস্বর ডাউনলোড করা
Piper কণ্ঠস্বর একটি একটি করে ডাউনলোড হয়: সারিতে আকার দেখায়, চাপলে ডাউনলোড শুরু হয়ে শতাংশে বদলে যায়, আর ডিস্কে আসার পর সরান বোতাম হয়ে যায়। Kokoro ও Supertonic প্রতিটি একটি করে মডেল যা তাদের সব কণ্ঠস্বর ভাগ করে নেয়, তাই ওই ট্যাবে ডাউনলোডের একটিই নিয়ন্ত্রণ থাকে: Supertonic-এর জন্য ৩৯৮ MB, আর Kokoro-র জন্য প্রতি ভাষায় একটি মডেল, ইংরেজির জন্য ১৫৫ MB বা ম্যান্ডারিনের জন্য ১২৭ MB। ডাউনলোড চলার সময়ও তালিকা ব্যবহার করা যায়, তাই ততক্ষণ অন্য কণ্ঠস্বরে পড়া চালিয়ে যেতে পারেন।
লোকাল কণ্ঠস্বর একবার ডাউনলোড হয়ে গেলে তার কোনো নেটওয়ার্কই লাগে না, তাই বিমানে বা খারাপ সংযোগে এটিই ভরসা।
ডাউনলোড ব্যর্থ হলে সারি কারণ জানায়। সংযোগ করা যাচ্ছে না মানে আপনার নেটওয়ার্ক ডাউনলোড সার্ভারে পৌঁছাতে পারছে না, তাই পৌঁছানো পর্যন্ত আবার চেষ্টা করে লাভ নেই; ততক্ষণ আপনার অন্য কণ্ঠস্বরগুলো পড়তে থাকে। ডিস্ক পূর্ণ মানে যথেষ্ট খালি জায়গা নেই, আর নিচের নোট বলে দেয় কণ্ঠস্বরটির কতটা লাগে। ব্যর্থ · আবার চেষ্টা করুন মানে ডাউনলোড মাঝপথে কেটে গেছে, আর আবার চেষ্টা করলে সাধারণত শেষ হয়।
নিজের কণ্ঠস্বরে পড়ুন
আপনার কণ্ঠস্বর একটি ছোট রেকর্ডিংকে এমন একটি কণ্ঠস্বর বানায় যা ইংরেজি বা জার্মান যেকোনো পাতা পড়ে শোনায়। সেটি আপনার কম্পিউটারেই তৈরি হয় এবং সেখানেই থাকে। শুরু করতে সেটিংস, তারপর ভাষা ও কণ্ঠস্বর খুলুন, ইংরেজি বা জার্মানের কণ্ঠস্বর বোতাম চাপুন এবং আপনার কণ্ঠস্বর বেছে নিন, অথবা টুলবারের কণ্ঠস্বর তালিকার একদম ওপরে নিজের কণ্ঠস্বর তৈরি করুন বেছে নিন। কিছু ডাউনলোড করার আগেই একটি উদাহরণ শুনতে পারেন: একটি রেকর্ডিং, আর তা থেকে বানানো কণ্ঠস্বর।
- আমার কণ্ঠস্বর তৈরি করুন চাপুন। প্রথমবার এতে কণ্ঠস্বর মডেলের একবারের ১৪৬ MB ডাউনলোডও শুরু হয়, আর ডাউনলোড চলার সময়ই আপনি রেকর্ড করতে পারেন।
- শুধু নিজের কণ্ঠস্বর, অথবা যিনি অনুমতি দিয়েছেন তাঁর কণ্ঠস্বর ব্যবহার করার অঙ্গীকারে টিক দিন। এটি একবারই জিজ্ঞেস করা হয়।
- রেকর্ড করুন চাপুন এবং পর্দার লেখাটি স্বাভাবিক কণ্ঠে, কোনো শান্ত জায়গায় জোরে পড়ুন। রেকর্ডিং ১৫ সেকেন্ড পরে নিজে থেমে যায় আর অন্তত ৫ সেকেন্ড লাগে। মাইক্রোফোনের অনুমতি এখনো না দেওয়া থাকলে একটি ট্যাব তা চায় এবং আপনাকে সঙ্গে সঙ্গে ফিরিয়ে আনে। অথবা রেকর্ডিং ব্যবহার করুন চাপুন এবং যেকোনো দৈর্ঘ্যের একটি অডিও ফাইল বেছে নিন: Readalix তার প্রথম দশ মিনিট শোনে আর সবচেয়ে স্পষ্ট ১৫ সেকেন্ডের কথা রেখে দেয়।
- নতুন কণ্ঠস্বর আমার কণ্ঠস্বর ১ নামে তালিকায় যোগ হয় এবং সঙ্গে সঙ্গে বাজে, তাই আপনি তখনই শুনে বুঝে নেন সেটি ঠিক শোনাচ্ছে কি না। না শোনালে সরিয়ে আবার রেকর্ড করুন।
প্রতিটি কণ্ঠস্বরের নাম বদলানো বা তা সরানো যায় তার সারি থেকেই, আর কণ্ঠস্বর যোগ করুন আরেকটি বানায়, এক কম্পিউটারে দশটি পর্যন্ত। প্রতিটি কণ্ঠস্বর দুটি ভাষাই পড়ে: অন্য ভাষায় প্রথম পড়ার জন্য সেই ভাষার ডাউনলোডও লাগে। আপনার কণ্ঠস্বর অন্য প্রিমিয়াম কণ্ঠস্বরের মতোই দৈনিক বরাদ্দ থেকে খরচ হয়।
আপনার রেকর্ডিং এই কম্পিউটারেই থাকে। রেকর্ডিং আর তা থেকে বানানো কণ্ঠস্বর কখনো আপলোড বা সিঙ্ক হয় না, তাই অন্য কম্পিউটারে কণ্ঠস্বরটি সেখানেই বানাতে হয়। কণ্ঠস্বর সরালে তার রেকর্ডিংও মুছে যায়।
API কী যোগ করা
- সেটিংস খুলুন, তারপর API কী। এটি আপনার সর্বশেষ ব্যবহার করা সেবার ওপরেই খোলে। কোনো ভাষার কণ্ঠস্বর তালিকাও সেখানে নিয়ে যায়: যে সেবার কী এখনো নেই তার জন্য একটি কী যোগ করুন বোতাম দেখা যায়।
- Gemini, OpenAI বা ElevenLabs ট্যাব বেছে নিন। সেবাটির কী থাকলে ট্যাবের নামের পাশের বিন্দুটি সবুজ হয়ে যায়।
- সেই ট্যাবের ঘরে আপনার কী পেস্ট করুন। সংরক্ষণের আগে প্রদানকারীর কাছে সেটি যাচাই করা হয়, তাই ভুল থাকলে প্রথম পড়ার সময় নয়, সঙ্গে সঙ্গেই জানতে পারবেন।
সংরক্ষিত কী API কী সংরক্ষিত হয়েছে হিসেবে দেখায়, তার পাশে সরানোর জন্য একটি বিন বোতাম আর আপনি যে ভাষায় পড়ছেন সেই ভাষায় ওই সেবার কণ্ঠস্বর খোলার একটি কণ্ঠস্বর বোতাম থাকে। কী শুধু সেই ডিভাইসেই জমা থাকে। আপনার অন্য কম্পিউটারে সিঙ্ক হয় না, আর Readalix-এর কাছে কখনো পৌঁছায় না।
ElevenLabs-এ কিছু বাড়তি সুবিধা আছে। কী সংরক্ষণ করলেই আপনার ElevenLabs অ্যাকাউন্টের কণ্ঠস্বর তালিকায় যোগ হয়, আপনার ক্লোন করাগুলোও। মডেল মেনুতে মান আর ক্রেডিটের মধ্যে ভারসাম্য বেছে নেওয়া যায়, একটি রিং দেখায় এই মাসের ElevenLabs ক্রেডিটের কতটা খরচ হয়েছে, আর যে মডেলগুলো সমর্থন করে সেগুলোতে একটি বলার ভঙ্গি বক্স (যেমন শান্ত, উষ্ণ গল্পকার) ঠিক করে প্রতিটি বাক্য কোন মেজাজে পড়া হবে। ভঙ্গিটির নিজের দৈর্ঘ্যও প্রতিটি বাক্যের ক্রেডিটে যোগ হয়।
ভাষা বাছা
টুলবারের ভাষা বোতাম ঠিক করে লেখাটিকে কোন ভাষার ধরা হবে, আর তা থেকেই ঠিক হয় কোন কণ্ঠস্বর দেওয়া হবে এবং বাক্য কীভাবে ভাগ হবে। ভাষাগুলো তাদের নিজের নামে তালিকাভুক্ত, প্রতি ভাষায় একটি এন্ট্রি, আর সার্চ বক্স মাতৃভাষার নাম, ইংরেজি নাম বা দেশ ধরে মেলায়, তাই "Arabic", "Egypt" ও "مصر" সবই একই সারি খুঁজে দেয়।
তালিকাটিকে নিজের মতো করার দুটি উপায়, দুটিই সেটিংস, ভাষা ও কণ্ঠস্বরে:
- যা বলেন না তা লুকানভাষার সারির সুইচ সেটিকে টুলবারের মেনুর বাইরে রাখে। সারিটি সেটিংসে ম্লান হয়ে থেকে যায়, যাতে ফিরিয়ে আনা যায়।
- নিজে সাজানসারির গ্রিপ ধরে টানুন। টুলবারের ভাষা মেনুও সেই ক্রমই ব্যবহার করে। হাত না দিলে তালিকা একই ক্রমে থাকে, নিজে নিজে কখনো বদলায় না।
একই পেজে এক্সটেনশনের নিজস্ব ইন্টারফেসের ভাষা ঠিক করার টগল আছে, যেসব সারির ভাষায় Readalix অনুবাদ করা হয়েছে তাতে। এমন ভাষা ৫২টি।
একাধিক বর্ণমালায় লেখা পেজে এর কিছুই লাগে না। প্রতিটি বাক্য এমন কণ্ঠস্বরে পড়া হয় যা তার লেখ্যরীতি উচ্চারণ করতে পারে, তাই আরবি, গ্রিক, হিব্রু বা চীনা উদ্ধৃত করা একটি ইংরেজি লেখা পুরোটা পড়া হয়, আর শুধু অন্য লিপির অংশগুলোতে কণ্ঠস্বর বদলায়। সাইটের জন্য কোনো ভাষা পিন করা থাকলে সেই পিনই মূল কণ্ঠস্বর ঠিক করে।
কোন কণ্ঠস্বর নির্ভুল হাইলাইট করে
বাক্যের হাইলাইট সবসময় নির্ভুল। শব্দের হাইলাইট নির্ভর করে কণ্ঠস্বর তার অবস্থান জানায় কি না তার উপর:
- নির্ভুলMicrosoft, Kokoro ও ElevenLabs কণ্ঠস্বর প্রতিটি শব্দের শুরু জানায়, তাই হাইলাইট ঠিক বলা শব্দে পড়ে।
- কাছাকাছিPiper, Gemini ও OpenAI কণ্ঠস্বরের, আর আপনার নিজের কণ্ঠস্বরের, সময় মেলানো হয় তাদের তৈরি অডিওর আসল দৈর্ঘ্যের সঙ্গে, যা হাইলাইটকে ঘনিষ্ঠ রাখে।
- আনুমানিককিছু ব্রাউজার কণ্ঠস্বর কিছুই জানায় না, তাই হাইলাইট চলে পড়ার গতি ও প্রতিটি শব্দের দৈর্ঘ্য ধরে। লম্বা বাক্যে একটু সরে যায়।
কণ্ঠস্বরের তালিকা সারিতেই বলে দেয় সেটি কোন ধরনের, তাই বাছার আগে আপনাকে আন্দাজ করতে হয় না।