क्या कोई ऐप मेरी अपनी आवाज़ में सोने की कहानी सुना सकता है?

माता-पिता यह सवाल बरसों से पूछते आ रहे हैं, और अक्सर सबसे ग़लत वक़्त पर — किसी लंबे दौरे पर निकलने से एक रात पहले, या जिस शाम दादा-दादी दूसरे शहर शिफ़्ट हो जाते हैं। इच्छा बहुत सीधी है। बच्चा चाहता है कि कहानी मैं सुनाऊँ। मैं वहाँ हो नहीं सकता। क्या कोई चीज़ मेरी आवाज़ में सुना सकती है?

कुछ साल पहले तक ईमानदार जवाब था — नहीं। आप ख़ुद एक किताब पढ़कर रिकॉर्ड कर सकते थे, और बहुत से माता-पिता ने किया भी, लेकिन उससे मिलती थी एक कहानी की एक रिकॉर्डिंग। जिस रात बच्चे ने कोई दूसरी कहानी माँगी, आप वहीं के वहीं।

अब यह बदल चुका है। वॉइस क्लोनिंग चुपचाप इतनी अच्छी — और इतनी सस्ती — हो गई है कि कोई ऐप आपकी आवाज़ का मॉडल रखकर अपनी पूरी लाइब्रेरी की कोई भी कहानी उसी आवाज़ में सुना सके। यह लेख बिना किसी चमक-दमक के बताता है कि यह व्यवहार में कैसे काम करता है।

"आपकी अपनी आवाज़" का यहाँ मतलब क्या है

इस वाक्य से लोग दो बिलकुल अलग चीज़ें समझते हैं, और दोनों आपस में गड्डमड्ड होती रहती हैं।

पहली है ख़ुद रिकॉर्ड करना। आप कोई किताब ज़ोर से पढ़ते हैं, ऐप ऑडियो सहेज लेता है, बच्चा उसे चला लेता है। सीधा-सादा, ईमानदार, और सीमित: हर किताब के लिए अलग रिकॉर्डिंग, और दोबारा रिकॉर्ड करना एक झंझट।

दूसरी है वॉइस क्लोनिंग। आप एक बार एक छोटा-सा अंश पढ़ते हैं — आमतौर पर तीस सेकंड से एक मिनट। सॉफ़्टवेयर उस रिकॉर्डिंग को परखकर आपकी आवाज़ का एक गणितीय मॉडल बनाता है: उसका सुर, रफ़्तार, और जिस ख़ास ढंग से आप व्यंजनों पर आकर रुकते हैं। इसके बाद ऐप उसी आवाज़ में नई आवाज़ें बना सकता है — ऐसे शब्दों की भी, जो आपने कभी ज़ोर से पढ़े ही नहीं।

पूरी बात को व्यावहारिक यही दूसरी चीज़ बनाती है। एक बार रिकॉर्ड कीजिए, और लाइब्रेरी की हर कहानी आपकी आवाज़ में उपलब्ध। कहानी बच्चा चुनता है, आप नहीं।

सुनने में यह कैसी लगती है

इस हिस्से पर साफ़-साफ़ बात करना ज़रूरी है, क्योंकि उम्मीदें मायने रखती हैं।

अच्छे नमूने से बना अच्छा क्लोन ऐसा लगता है जैसे आप ही थोड़े थके हुए दिन बोल रहे हों। लहजा सही होता है — जो आपको जानते हैं, वे तुरंत पहचान लेते हैं, और बच्चे तो लगभग हमेशा पहचान लेते हैं। जो छूट जाता है वह है अभिनय की ऊपरी परत: भेड़िये के लिए आप जो अजीब आवाज़ निकालते हैं, डरावने हिस्से से पहले जो चुप्पी छोड़ते हैं, और जब लगे कि बच्चा बस सोने ही वाला है तो जिस तरह रफ़्तार बढ़ा देते हैं।

आजकल की तकनीक ने यह फ़ासला काफ़ी कम कर दिया है। सुनाने में भाव भी दिया जा सकता है, इसलिए कहानी सपाट की जगह नरमी से पढ़ी जा सकती है। फिर भी, अगर आप ऐसी चीज़ की कल्पना कर रहे हैं जो आपके पूरे नाट्य-प्रदर्शन से अलग ही न पहचानी जाए, तो उम्मीद थोड़ी नीचे कर लीजिए। और अगर आप ऐसी चीज़ की कल्पना कर रहे हैं जिसे सुनकर चार साल का बच्चा कहे "यह तो पापा हैं" — वही आपको मिलता है।

असली फ़र्क़ नमूना डालता है

लगभग हर निराश करने वाला नतीजा ख़राब रिकॉर्डिंग से आता है, ख़राब सॉफ़्टवेयर से नहीं। तीन चीज़ें मायने रखती हैं, इसी क्रम में:

शांत कमरा। स्टूडियो नहीं — दरवाज़ा बंद करके एक कमरा काफ़ी है। नमूने की जान लेती है वह पृष्ठभूमि की आवाज़ जिसे मॉडल आपकी आवाज़ से अलग नहीं कर पाता: टीवी, पंखा, खुली खिड़की से आता ट्रैफ़िक। मॉडल आवाज़ के साथ-साथ कमरा भी सीख लेता है।

आपकी आम पढ़ने वाली आवाज़। माइक सामने आते ही लोग अनजाने में "परफ़ॉर्म" करने लगते हैं — असल से धीमा और भारी। फिर क्लोन आप जैसा नहीं, उस प्रदर्शन जैसा लगता है। वैसे ही पढ़िए जैसे रात नौ बजे अपने बच्चे को पढ़कर सुनाते हैं।

पर्याप्त ऑडियो। तीस सेकंड से काम चल जाता है। एक मिनट बेहतर है। मॉडल के पास सीखने को ज़्यादा होता है और नतीजा साफ़ तौर पर ज़्यादा ठहरा हुआ आता है।

इस पर हमने एक लंबा लेख लिखा है — आवाज़ का ऐसा नमूना कैसे रिकॉर्ड करें जो सचमुच आप जैसा लगे — क्योंकि पूरी प्रक्रिया में यही पाँच मिनट सबसे ज़्यादा असर डालते हैं।

रिकॉर्ड करने से पहले क्या पूछें

आवाज़ बायोमेट्रिक डेटा है। यह ईमेल पते जैसी चीज़ नहीं है, और जो भी ऐप इसे माँगे, उसे इन सवालों का सीधा जवाब देना आना चाहिए:

• रिकॉर्डिंग कहाँ जाती है, और उसे प्रोसेस कौन करता है? "क्लाउड में" कोई जवाब नहीं है। नाम लेकर बताया गया प्रदाता जवाब है।
• क्या आप उसे मिटा सकते हैं? "बंद" नहीं — मिटा सकते हैं, उससे बना वॉइस मॉडल भी, और सिर्फ़ ऐप से नहीं बल्कि उसे बनाने वाले के यहाँ से भी।
• क्या उससे कुछ प्रशिक्षित किया जाता है? आपकी आवाज़ से सिर्फ़ आपकी वॉइस प्रोफ़ाइल बननी चाहिए, और कुछ नहीं।
• क्या कोई और आपकी आवाज़ इस्तेमाल कर सकता है? जवाब होना चाहिए — नहीं, और ऐसा कोई शेयरिंग फ़ीचर भी न हो जिससे यह ग़लती से हो जाए।

अगर कोई ऐप इनमें से किसी पर गोल-मोल बात करे, तो वह गोल-मोल बात ही जवाब है। अपनी स्थिति हमने क्या AI वॉइस क्लोनिंग बच्चों के लिए सुरक्षित है? में लिखी है, उन बातों समेत जिनकी चिंता वाक़ई जायज़ है।

किसकी आवाज़ क्लोन करना ठीक है

एक नियम, और इस पर कोई मोलभाव नहीं: अपनी आवाज़ क्लोन कीजिए, या किसी ऐसे बड़े की जिसने साफ़-साफ़ हामी भरी हो।

वॉइस प्रोफ़ाइल बनाने के लिए किसी बच्चे की रिकॉर्डिंग मत कीजिए। किसी मशहूर हस्ती को क्लोन करके अपने बच्चे को मत सुनवाइए। किसी रिश्तेदार की आवाज़ सरप्राइज़ के तौर पर क्लोन मत कीजिए — पहले उनसे पूछिए, नीयत चाहे कितनी भी प्यारी हो। आवाज़ एक निजी चीज़ है — सोचने पर यह बात ज़ाहिर लगती है, और उत्साह में यही बात सबसे आसानी से भूल जाती है।

ख़र्च कितना आता है

इस तरह के ज़्यादातर ऐप मुफ़्त में आज़माए जा सकते हैं और उनका एक पेड प्लान होता है, जो आमतौर पर महीने के कुछ सौ रुपये के आसपास पड़ता है। Taletune मुफ़्त डाउनलोड होता है और सब्सक्रिप्शन आपकी मर्ज़ी पर है; बिना पैसे दिए भी आप वॉइस प्रोफ़ाइल बनाकर एक कहानी सुन सकते हैं।

शक जिस पर करना चाहिए वह है प्रति-मिनट ऑडियो के हिसाब से बिलिंग, जो डेवलपर के लिए बने वॉइस टूल्स में आम है और सोने की कहानियों के लिए बेतुकी। कहानी रोज़ रात होती है और उसकी कोई तय सीमा नहीं। अगर आप मिनट के हिसाब से पैसे दे रहे हैं, तो कहानी सुनते-सुनते आप हिसाब लगाने लगेंगे — और तब बात का मक़सद ही ख़त्म।

यह असल में किसके काम की है

तीन तरह के लोगों को इससे सबसे ज़्यादा फ़ायदा होता है:

बाहर रहने वाले माता-पिता। सबसे ज़ाहिर बात। दौरे के दौरान भी दिनचर्या टूटती नहीं, और बच्चे असल में दिनचर्या से ही जुड़ते हैं।

दूर रहने वाले दादा-दादी और नाना-नानी। अक्सर सबसे मज़बूत मामला। दूसरे देश में रहने वाले दादाजी एक बार रिकॉर्ड करके रोज़ रात कहानी के समय मौजूद रह सकते हैं, अपनी ही आवाज़ में, बिना किसी अजीब वक़्त पर तय की गई वीडियो कॉल के। इस बारे में हमने यहाँ लिखा है।

वे घर जहाँ सोने का पूरा काम एक ही थके हुए इंसान पर आ पड़ता है। शिफ़्ट की नौकरी, अकेले पालने वाले माता-पिता, या ऐसा साथी जो अक्सर बाहर रहता है। दूसरे अभिभावक की आवाज़ में कहानी चला देना उनकी जगह तो नहीं ले सकता, पर रात नौ बजे यह सचमुच बड़ी मदद है।

इसकी जगह कहाँ है, और कहाँ नहीं

यह साफ़ कहना बनता है: यह आपके ख़ुद कहानी सुनाने की जगह नहीं लेता। कोई चीज़ नहीं लेती। ज़ोर से पढ़ने पर जो कुछ जाना जाता है, वह शब्दों जितना ही उस मेल-जोल के बारे में है — उँगली से दिखाना, सवाल, और बीच में टोककर बच्चे का पूछना कि भेड़िया ऐसा क्यों है।

यह जिसकी जगह लेता है वह है अनुपस्थिति। वे रातें जब विकल्प आपका पढ़ना नहीं, बल्कि सन्नाटा है, या किसी अजनबी की आवाज़, या स्क्रीन। उस तुलना में यह बहुत अच्छा काम करता है।

आज़माना चाहें तो Taletune iOS और Android पर मुफ़्त है। एक बार रिकॉर्ड कीजिए, और देखिए कि कहानी शुरू होते ही आपका बच्चा क्या कहता है।