VoiceStudio Plus वॉइस क्लोनिंग, वॉइस डिज़ाइन और वीडियो डबिंग को एक ही डेस्कटॉप वर्कस्पेस में लाता है। पाँच सेकंड का रेफ़रेंस ऑडियो किसी आवाज़ को क्लोन करने के लिए काफ़ी है — और सब कुछ आपके अपने GPU पर चलता है। केवल पहली मॉडल डाउनलोड के लिए नेटवर्क चाहिए।
क्लोनिंग, डिज़ाइन और डबिंग की अपनी-अपनी स्क्रीन है, जिसमें उस काम के ज़रूरी पैरामीटर रहते हैं। आवाज़ें, मॉडल और आउटपुट सब एक ही प्रोजेक्ट लाइब्रेरी में रहते हैं।
5–15 सेकंड का साफ़ भाषण दें और यह उस आवाज़ को क्लोन कर लेता है, फिर आप जो भी लिखेंगे वह बोलेगा।
किसी सैंपल की ज़रूरत नहीं: लिंग, उम्र, पिच, लहजा, बोली और शैली बताएँ, और इंजन शून्य से एक आवाज़ बनाता है।
वीडियो आयात करें: यह ट्रांसक्राइब करता है, वाक्यों में बाँटता है और हर पंक्ति को लक्ष्य भाषा में डब करता है, फिर समय-संरेखित परिणाम निर्यात करता है।
ज़्यादातर वॉइस टूल इंस्टॉल के चरण पर ही अटक जाते हैं। यहाँ रनटाइम, मॉडल और मिरर पहले से जोड़े हुए हैं।
क्लोनिंग और सिंथेसिस आपकी मशीन पर होते हैं। रेफ़रेंस ऑडियो, पांडुलिपियाँ और तैयार आउटपुट किसी सर्वर तक नहीं जाते — और यह ऑफ़लाइन भी चलता रहता है।
डिफ़ॉल्ट इंजन 646 भाषाएँ कवर करता है; भाषाओं के बीच डबिंग, ट्रांसक्रिप्शन और अनुवाद एक ही मॉडल आधार साझा करते हैं।
अध्याय-वार रेंडरिंग और बिना निगरानी चलने वाली बैच कतार, हर कार्य अपनी भाषा, आवाज़ और पृष्ठभूमि सेटिंग्स बनाए रखता है।
n8n, LiteLLM या अपनी स्क्रिप्ट को लोकल सेवा पर इंगित करें और /v1 एंडपॉइंट्स से भाषण, ट्रांसक्रिप्शन और अनुवाद चलाएँ।
बहु-वक्ता रिकॉर्डिंग स्वतः वक्ता के अनुसार अलग होती हैं, और एक फ़्लोटिंग डिक्टेशन विजेट किसी भी ऐप में भाषण को टेक्स्ट में बदलता है।
रनटाइम, सभी निर्भरताएँ और आवश्यक मॉडल हमारे अपने मिरर से आते हैं — huggingface.co या PyPI से सीधे कनेक्शन की ज़रूरत नहीं।
NVIDIA कार्ड के साथ यह CUDA स्वतः सक्षम करता है, और ज़्यादा VRAM का अर्थ तेज़ी है; हमारी अपनी मशीन पर 22 GB वाला RTX 2080 Ti सब कुछ चलाता है।
यह बिना NVIDIA GPU के भी चलता है — सेटअप इन्फ़रेंस लाइब्रेरी का CPU बिल्ड स्वतः इंस्टॉल करता है, बस बहुत धीमा। Apple Silicon और AMD कार्ड के लिए अभी अलग त्वरण पथ नहीं है।
लगभग 221 MB, केवल शेल। पहले लॉन्च पर यह पृष्ठभूमि में Python रनटाइम सेट करता है: CUDA के लिए लगभग 9.5 GB, CPU के लिए लगभग 5 GB।
आवश्यक मॉडल लगभग 3 GB जोड़ता है। इंस्टॉल के बाद 15 GB या अधिक खाली छोड़ें; रनटाइम फ़ोल्डर को सेटिंग्स से दूसरी ड्राइव पर ले जाया जा सकता है।
यह आपकी मशीन के अनुसार CPU या CUDA इन्फ़रेंस लाइब्रेरी इंस्टॉल करता है, फिर आवश्यक मॉडल लाता है, प्रगति ऐप में दिखती रहती है।
हर डाउनलोड फिर से शुरू होता है — बीच में ऐप बंद करें तो अगली बार वहीं से जारी रहेगा। आवश्यक मॉडल हमारे मिरर पर है, इसलिए मुख्य भूभाग से सीधा कनेक्ट होता है।
नहीं। क्लोनिंग, डिज़ाइन, डबिंग और ट्रांसक्रिप्शन सब लोकल चलते हैं; रेफ़रेंस ऑडियो और आउटपुट केवल आपकी डिस्क पर रहते हैं।
केवल पहली मॉडल डाउनलोड के लिए नेटवर्क चाहिए; उसके बाद यह ऑफ़लाइन चलता है। ऐप के भीतर उपयोग विश्लेषण डिफ़ॉल्ट रूप से बंद है और आपकी स्पष्ट सहमति चाहता है।
VoiceStudio, Palash Debnath और योगदानकर्ताओं का ओपन-सोर्स प्रोजेक्ट है (AGPL-3.0)। यह बिल्ड उसी पर आधारित है और चीनी भाषा के काम तथा मुख्य भूभाग के नेटवर्क के लिए अनुकूलित है।
मुफ़्त हिस्सा हर रचनात्मक सुविधा बनाए रखता है; अतिरिक्त प्रोडक्शन-वर्कफ़्लो टूल Plus संस्करण के साथ आते हैं। ऐप के भीतर Plus पेज पर ठीक-ठीक लिखा है कि क्या शामिल है।
डिफ़ॉल्ट इंजन 646 भाषाएँ कवर करता है, जिनमें चीनी, अंग्रेज़ी, जापानी, कोरियाई और प्रमुख यूरोपीय भाषाएँ शामिल हैं। वॉइस डिज़ाइन सिचुआनी जैसी चीनी बोलियाँ और कई अंग्रेज़ी लहजे भी देता है।
सेटिंग्स में रनटाइम लॉग और डायग्नोस्टिक्स हैं। सेटिंग्स → लॉग में त्रुटि के अंत से शुरू करें; मॉडल की समस्याएँ आमतौर पर मॉडल पेज पर गुम फ़ाइल के रूप में दिखती हैं।
अगर फिर भी हल न हो, तो लॉग का अंत और अपनी सिस्टम जानकारी साथ भेजें।
Windows 10 / 11 · 64-bit · इंस्टॉलर में केवल शेल है; रनटाइम पहले लॉन्च पर कॉन्फ़िगर होता है
इंस्टॉलर लगभग 221 MB · रनटाइम लगभग 9.5 GB · आवश्यक मॉडल लगभग 3 GB
इंस्टॉल करने के लिए डबल-क्लिक करें। मौजूदा संस्करण के ऊपर इंस्टॉल करने पर आपका डेटा फ़ोल्डर बना रहता है। SHA-256：d466bacc50e0c8aa993de638167e8560ec36b028601af799a2351713fd51c9a0