Voice Kit: আপনার নিজের কণ্ঠে বা স্টক কণ্ঠে ভয়েসওভার

Voice Kit একটি ভয়েস সার্ভিসের মাধ্যমে পড়ে। ওই সার্ভিস বন্ধ থাকলে পেজের উপরে একটি হলুদ নোট তা জানায়, এবং প্রতিটি পড়ার জন্য নমুনা শব্দ ব্যবহার করা হয়: কথার গতিতে বাজানো নরম সুর, প্রতি শব্দাংশের গোষ্ঠীতে একটি করে, এবং কমা, দাঁড়ি ও [pause] চিহ্নে সত্যিকারের বিরতি। এটি আপনাকে প্রতিটি ধাপ চেষ্টা করতে এবং স্ক্রিপ্টের সময় ও দৈর্ঘ্য যাচাই করতে দেয়, কিন্তু এটি কোনো কণ্ঠ নয়। যেখানেই এটি দেখা যায়, সেখানে Sample sound লেখা থাকে, স্টক কণ্ঠগুলোর নাম Warm (sample) ও Clear (sample), এবং MP3 ডাউনলোড বন্ধ থাকে (নমুনাটি WAV হিসেবে ডাউনলোড হয়)।

ভয়েসওভার শুরু করুন (বাঁয়ে): Language বেছে নিন, তারপর চারটি ট্যাব দিয়ে শব্দগুলো কোথা থেকে আসবে তা ঠিক করুন। টাইপ করুন বা পেস্ট করুন: পুরো স্ক্রিপ্টের জন্য একটি বক্স (প্রতিটি অনুচ্ছেদ একটি লাইন হয়ে যায়; মাইক্রোফোন বোতাম আপনি যা বলেন তা টাইপ করে), তারপর Start with this script, অথবা Start blank, যা একটি খালি স্ক্রিপ্ট খোলে এবং AI-কে একটি লিখতে বলার সুযোগ দেয়। একটি ফাইল: Word (.docx), PDF, টেক্সট, Markdown, বা 8 MB পর্যন্ত HTML। একটি ওয়েব পেজ: একটি ঠিকানা লিখুন এবং Bring it in চাপুন; পেজের পড়ার যোগ্য শব্দগুলো চলে আসে। Writing Pack: আপনার Writing Pack খসড়াগুলোর তালিকা; একটিতে ক্লিক করলে তার শব্দ আসে। খুব দীর্ঘ উৎস সর্বোচ্চ 6,000 অক্ষর পর্যন্ত আসে, এবং একটি নোট তা জানায়।

আপনার ভয়েসওভার তালিকায় আপনার তৈরি প্রতিটি স্ক্রিপ্ট তার শব্দসংখ্যা, আনুমানিক দৈর্ঘ্য, ভাষা ও তারিখসহ দেখায়; একটিতে ক্লিক করে খুলুন (প্রতিটির নিজস্ব ঠিকানা আছে, তাই বুকমার্ক করতে বা লিংক নিজেকে পাঠাতে পারবেন)। চারটির বেশি হলে একটি খোঁজার বাক্স আসে।

Voices (ডানে) আপনার নিজের কণ্ঠ ও স্টক কণ্ঠ দেখায়। একটি স্ক্রিপ্ট খোলা থাকলে কে সেটি পড়বে তা বেছে নিন।

উপরের নামটি ভয়েসওভারের নাম: নাম বদলাতে এতে ক্লিক করুন। এর পাশের Saved / Saving… দেখায় যে টাইপ করা থামানোর একটু পরেই প্রতিটি পরিবর্তন নিজে থেকে সেভ হয়।

Language ঠিক করে স্ক্রিপ্টটি কোন ভাষায় লেখা ও পড়া হবে (ইংরেজি, স্প্যানিশ, ফরাসি, জার্মান, পর্তুগিজ, ইতালীয়, ডাচ, পোলিশ, জাপানি, চীনা, কোরীয়, হিন্দি)। Length হলো লক্ষ্য: 15, 30, 60 বা 90 সেকেন্ড (মুছতে আবার চাপুন), অথবা Other বাক্সে 5 থেকে 600 সেকেন্ডের যেকোনো দৈর্ঘ্য লিখুন। ডানে অনুমান দেখায় (≈ সেকেন্ড ও শব্দ, প্রতি মিনিটে প্রায় 150 শব্দ ধরে বিরতিসহ) এবং একটি লক্ষ্য বাছাই করা থাকলে On target বা কত সেকেন্ড বেশি বা কম তা দেখায়।

Your script পুরো লেখাটি একটি বক্সে দেখায়, যেভাবে পড়া হবে সেভাবে, অনুচ্ছেদের মাঝে একটি ফাঁকা লাইন সহ। এখানে টাইপ করুন, পেস্ট করুন, অথবা মাইক্রোফোন বোতাম ব্যবহার করুন। প্রতিটি অনুচ্ছেদ একটি অংশ: পড়ার পর কোনো অনুচ্ছেদ বদলালে শুধু সেই অংশটি আবার পড়া হয়, এবং বাক্সের নিচের একটি নোট বলে কয়টি অংশ বদলেছে।

Part by part (স্ক্রিপ্টের উপরের সুইচ) প্রতিটি অনুচ্ছেদ আলাদা করে দেখায়। তার শব্দের নিচে: Feeling (Natural, Happy, Excited, Confident, Warm, Calm, Serious, Curious, Surprised, Sad), Pace (Slower, Normal, Faster), এবং Voice (Main voice, অথবা আপনার যেকোনো কণ্ঠ বা স্টক কণ্ঠ, যাতে একটি স্ক্রিপ্টে দুই বা তার বেশি বক্তা থাকতে পারে, যেমন একজন উপস্থাপক ও একজন অতিথি), এবং Fix a word। পড়া হয়ে গেলে তারপর দৈর্ঘ্য ও একটি প্লে বোতাম আসে, সঙ্গে Read this part again, 3 takes এবং একটি ট্র্যাশ বোতাম। কোনো অংশের feeling, pace বা voice বদলালে সেটি আবার পড়ার জন্য চিহ্নিত হয়। Cartesia ইঞ্জিন এই feeling গুলোকে আসল আবেগ হিসেবে পড়ে, আর ElevenLabs এগুলোকে কম বা বেশি অভিব্যক্তিপূর্ণ উপস্থাপনা হিসেবে পড়ে।

3 takes অংশটিকে সামান্য ভিন্ন উপস্থাপনায় আরও দুইবার পড়ায়; তিনটি Take 1, Take 2, Take 3 হিসেবে দেখায়, প্রতিটির সঙ্গে একটি প্লে বোতাম থাকে, এবং Keep চাপলে সেই টেকটি পুরো পড়ায় ব্যবহার হয় (Kept চিহ্ন দেয়)। 3 new takes টেক 2 ও 3 বদলে দেয়। Whole script আবার ফিরিয়ে আনে। Add words from… (একই চারটি উৎস) শেষে শব্দ যোগ করে, এবং Delete (আগে জিজ্ঞেস করে) ভয়েসওভার ও তার সব পড়া মুছে দেয়।

একটি শব্দ কীভাবে বলা হবে তা ঠিক করুন: Whole script-এ একটি শব্দ বা নাম হাইলাইট করে Fix how it's said চাপুন (অথবা Part by part-এর কোনো অংশে Fix a word চেপে শব্দটি লিখুন)। প্যানেলে শব্দটি দেখায়, সঙ্গে Hear it now (যে বাক্যে আছে সেটি Who reads it-এ বেছে নেওয়া কণ্ঠে পড়ে শোনায়)। What's wrong? এর নিচে যেকোনোটি বাছাই করুন: Says it wrong, Wrong syllable stressed, Spells it out letter by letter, Too fast or mumbled, Sounds like a different word, এবং নিজের ভাষায়ও বলুন (টাইপ করে বা মাইক্রোফোনে), তারপর Find fixes চাপুন। AI তিনটি বা চারটি বানান সুপারিশ করে যা কণ্ঠ ঠিকভাবে বলবে (যেমন in-FIN-ih-tee, অথবা Nguyen-এর জন্য Win), প্রতিটির কারণসহ; যেকোনোটি রাখার আগে বাক্যে শুনতে Hear চাপুন। Use everywhere এটি আপনার Pronunciation তালিকায় সেভ করে এবং শব্দটি ব্যবহার করা প্রতিটি অংশ আবার পড়ে; Just in this script শুধু এই স্ক্রিপ্টে নতুন বানান লেখে। অথবা Or type how it should sound-এর নিচে নিজের বানান লিখে Hear it দিয়ে শুনুন। Find other fixes আবার জিজ্ঞেস করে।

উচ্চারণের তালিকা (স্ক্রিপ্টের নিচে): আপনার সংরক্ষিত প্রতিটি শব্দ এবং তা কীভাবে বলা হয়, আপনার অ্যাকাউন্টের প্রতিটি পড়ায় ও প্রতিটি ভয়েসওভারে। প্রতিটির পাশে Hear আর একটি ট্র্যাশ ক্যান আছে, এবং Add দিয়ে একটি শব্দ ও সেটি কীভাবে বলতে হবে তা নিজে হাতে যোগ করা যায়। লেখা স্ক্রিপ্ট কখনও বদলায় না: শব্দগুলো পড়ার সময় তালিকাটি প্রয়োগ হয়।

থামার জন্য [pause] বা [pause 1.5s] লিখুন। কোনো নাম বা শব্দ ভুলভাবে উচ্চারিত হলে, যেভাবে শোনাতে চান সেভাবে বানান লিখুন এবং শুধু সেই লাইনটি আবার পড়ান।

AI লেখক (বেগুনি বক্সটি) লেখা ও পরিবর্তনের জন্য একটিই বক্স। নতুন স্ক্রিপ্টে, এতে কী বলা উচিত তা টাইপ করুন বা বলুন (আপনার ব্যবসার নাম, অফার, ফোন নম্বর বা ওয়েবসাইট, যা অবশ্যই থাকতে হবে সেকিছু), অথবা ফাঁকা রাখুন। তারপর For থেকে বেছে নিন (Social video or reel, Ad or radio spot, Phone greeting or on-hold, Product or service explainer, Event, sale, or announcement, বা Something else) এবং একটি টোন (Friendly, Professional, Energetic, Calm, Funny), তারপর Write it চাপুন। আপনার সেট করা Length অনুযায়ী লেখা হয় (কিছু না থাকলে ৩০ সেকেন্ড), এবং Use my Brand Voice টিক দেওয়া থাকলে আপনার Brand Voice অনুযায়ী, স্বাভাবিকভাবে পড়া যায় এমন অনুচ্ছেদে।

স্ক্রিপ্ট থাকলে, একই বক্সে আপনার নিজের ভাষায় যেকোনো পরিবর্তন করা যায়, টাইপ করে বা বলে ("শুরুটা আরও জোরালো করুন", "আমাদের শনিবারের সময় যোগ করুন", "স্প্যানিশে অনুবাদ করুন"): Make the change চাপুন (বা ⌘/Ctrl+Enter)। Improve the copy বলার সময় আরও সুন্দর এবং লেখাটি আরও গুছানো করে, প্রতিটি তথ্য, নাম, সংখ্যা ও অফার অক্ষুণ্ন রেখে। Write a new version আপনার লেখা থেকে, For, টোন ও দৈর্ঘ্য অনুযায়ী একটি নতুন স্ক্রিপ্ট লেখে। এর নিচের বোতামগুলো এক ক্লিকের পরিবর্তন, সীমা নয়: Fit to the length, Make it friendlier, Easier to say, Stronger ending। আপনি যা চাননি এমন লাইন ও তথ্য যেমন ছিল তেমনই থাকে, এবং AI কখনও দাম বা ফোন নম্বর বানায় না: বরং [your phone number] এর মতো একটি placeholder লেখে এবং Not done yet এর অধীনে তালিকাভুক্ত করে।

Writing Pack: একটি দীর্ঘ লেখা তার একজন লেখকের সাহায্যে লিখতে Writing Pack খুলুন (নতুন ট্যাবে), তারপর খসড়াটি এই স্ক্রিপ্টে যোগ করতে bring the draft in here চাপুন।

প্রতিটি পরিবর্তনের পর একটি নোট দেখায় কী Done হয়েছে এবং প্রথমে, কী Not done yet তার কারণসহ, আর নিচের স্ক্রিপ্টটি কিছুক্ষণের জন্য রূপরেখায় দেখানো হয়, যাতে বোঝা যায় পরিবর্তনটি কোথায় পড়ল। Undo চাপলে সেই পরিবর্তনের আগে স্ক্রিপ্ট যেমন ছিল তেমন ফিরে আসে।

Make your own voice একটি বড় প্যানেল খোলে। উপরে, How to record a voice that sounds like you (ডিফল্টভাবে খোলা) তালিকা দেখায় কী করতে হবে (একটি শান্ত, নরম ঘর; মাইক্রোফোন থেকে এক হাতের দূরত্বে; আপনার স্বাভাবিক বিজ্ঞাপনের কণ্ঠ; প্রশ্ন, সংখ্যা ও নাম মিশিয়ে; মোট ১ থেকে ২ মিনিট, সবটুকু একই জায়গায়) এবং কী করা উচিত নয় (সংগীত, টিভি, পাখা বা অন্য মানুষ; প্রতিধ্বনিময় ঘর বা গাড়ি; আপনার কণ্ঠের নিচে সংগীতসহ বিজ্ঞাপন বা ভিডিও; ব্লুটুথ হেডসেট বা স্পিকারফোন; ফিসফিস, চিৎকার, তাড়াহুড়ো বা একঘেয়ে পড়া; দীর্ঘ নীরবতা ও কাশি)। Close প্যানেলটি বন্ধ করে।

Make your own voice তিনটি ধাপে নিয়ে যায়। ১, Your name: যেভাবে আপনি বলবেন সেভাবে আপনার নাম। ২, Read this sentence aloud: Record the sentence চাপুন, স্ক্রিনের বাক্যটি পড়ুন ("I, your name, agree to aiKit making an AI voice from my recordings, and I will only use it for my own work."), তারপর Stop চাপুন। রেকর্ডের সময় একটি লাল বিন্দু, সময় এবং একটি লেভেল মিটার দেখা যায়। ৩, ১ থেকে ২ মিনিট আপনার কথা: Record (বা Upload a recording: MP3, M4A, WAV, WebM, বা OGG), যতবার খুশি, সর্বোচ্চ ছয়টি রেকর্ডিং; একটি বার দুই মিনিটের দিকে ভরে ওঠে, কমপক্ষে ৩০ সেকেন্ড লাগে এবং এক মিনিট বা তার বেশি সবচেয়ে ভালো শোনায়। বোতামের উপরে পড়ার জন্য তিনটি অংশ থাকে, প্রতিটি একটি ট্যাব: Your business; A story; এবং Numbers & names (তিনটিই প্রায় দুই মিনিট ধরে পড়ুন, অথবা শুধু আপনার কাজ নিয়ে কথা বলুন)। প্রতিটি রেকর্ডিং তার দৈর্ঘ্যসহ তালিকাভুক্ত হয়, সেটি শোনার জন্য একটি প্লেয়ার (শুধু এই ভিজিটে করা রেকর্ডিং), আপনার ব্রাউজারে মাপা একটি মান পরীক্ষা (Sounds clean, অথবা Quiet: move closer, Too loud in places, Background noise, বা Lots of silence এর মতো একটি পরামর্শ), এবং একটি ট্র্যাশ ক্যান। সম্মতি রেকর্ডিংটিতে একই প্লেয়ার ও মান পরীক্ষা থাকে।

Make my voice পরীক্ষাগুলো চালায়, তারপর কণ্ঠ তৈরি করে। সম্মতির বাক্যটিকে লিখিত পাঠে রূপান্তর করে বাক্যের সাথে তুলনা করা হয় (আপনার নাম বাদ দেওয়া হয়, কারণ নাম নানাভাবে বানান করা হয়); এর কমপক্ষে ৭০% শব্দ শোনা যেতে হবে। একটি মৌলিক একই-কণ্ঠ পরীক্ষা সম্মতি রেকর্ডিং ও আপনার নমুনার পিচ ও সুর তুলনা করে; তাদের মিলতে হবে, অর্থাৎ নমুনার মতোই একই ব্যক্তিকে বাক্যটি পড়তে হবে। এটি একটি মৌলিক পরীক্ষা, আঙুলের ছাপ নয়। ফলাফলে প্রতিটি পরীক্ষা টিক বা ক্রস চিহ্নসহ দেখানো হয়; কোনোটি ব্যর্থ হলে কণ্ঠ তৈরি হয় না এবং Fix the recordings আপনাকে ফিরিয়ে নিয়ে যায়।

আপনার রেকর্ডিং ও কণ্ঠ আপনার অ্যাকাউন্টের জন্য ব্যক্তিগত। কোনো কণ্ঠের পাশের ট্র্যাশ ক্যান আগে জিজ্ঞেস করে, তারপর সেটি কণ্ঠ-সেবাতেও এবং এখানেও মুছে ফেলে। এটি দিয়ে ইতিমধ্যে পড়া ভয়েসওভার আপনারই থাকে। প্রতি অ্যাকাউন্টে সর্বোচ্চ পাঁচটি কণ্ঠ। শুধু আপনার নিজের কণ্ঠ: অন্য মানুষের রেকর্ডিং অনুমোদিত নয়। aiKit হাউস ভয়েস: একজন aiKit অ্যাডমিন তার নিজের তৈরি সম্পূর্ণ কণ্ঠ (একই সম্মতি প্রবাহে তৈরি) Offer as house voice দিয়ে সবার অ্যাকাউন্টে অফার করতে পারেন; তখন সেটি Stock voices এর আগে aiKit house voice লেবেলসহ দেখায়, এবং যাদের নিজের কণ্ঠ নেই তাদের জন্য পড়ে। এটি কেবল তখনই দেখায় যখন একটি প্রকৃত ভয়েস ইঞ্জিন চালু থাকে। House voice ✓ (বন্ধ করুন), বা সেই কণ্ঠ মুছলে অফার বন্ধ হয়ে যায়। চূড়ান্ত আইনি পর্যালোচনা পর্যন্ত নিজের কণ্ঠ তৈরি শুধু অ্যাডমিনদের জন্য খোলা; স্টক ভয়েস এখনই সবার জন্য কাজ করে।

ভয়েস রেসিপি (স্ক্রিপ্টের উপরের বার) একটি কণ্ঠ, একটি অনুভূতি, একটি গতি ও সংগীত একটি নামের অধীনে সংরক্ষণ করে, যেমন Northwind ads বা Bakery phone line। ব্যবহার করতে একটি রেসিপি চাপুন: কণ্ঠ বেছে নেওয়া হয়, যে অংশগুলোর নিজস্ব অনুভূতি বা গতি নেই সেগুলো রেসিপির মান পায়, এবং তার সংগীত প্লেয়ারের নিচে সেট হয়। Save as a recipe একটি ছোট ফর্ম খোলে: Name, Feeling ও Pace (আপনার বেশির ভাগ অংশ যা ব্যবহার করে তা দিয়ে শুরু হয়), Who reads it থেকে কণ্ঠ এবং প্লেয়ারের নিচে সেট করা সংগীতসহ; আগে ব্যবহার করা নামে সংরক্ষণ করলে সেই রেসিপিটি বদলে যায়। ট্র্যাশ ক্যান একটি রেসিপি মুছে ফেলে। সর্বোচ্চ ৫০টি রেসিপি।

রেসিপি aiKit জুড়ে কাজ করে: অন্য কোনো টুল যখন কণ্ঠে পড়ে শোনায় (যেমন Video Kit-এর বর্ণনা), তখন সে একটি রেসিপি ব্যবহার করতে পারে, এবং আপনার Pronunciation তালিকাও সেখানে প্রযোজ্য হয়, তাই নামগুলো সব জায়গায় একইভাবে উচ্চারিত হয়।

Who reads it তালিকায় প্রথমে আপনার তৈরি কণ্ঠগুলো দেখানো হয়, তারপর স্টক কণ্ঠগুলো (শুরুতে ছয়টি; All stock voices-এ বাকিগুলো দেখুন)। নির্বাচিত কণ্ঠের চারপাশে রঙিন রেখা থাকে, এবং সেটি পেজের ঠিকানায় সংরক্ষিত থাকে। প্রতিটি কণ্ঠের পাশে Hear বোতাম আছে, যা সেই কণ্ঠের একটি ছোট নমুনা চালায় (একবার তৈরি হয়ে সংরক্ষিত থাকে, তাই পরের বার সঙ্গে সঙ্গে চলে); থামাতে Stop চাপুন, অথবা অন্য কোনো কণ্ঠের Hear চাপুন।

শুনে দেখুন: বড় বোতামটি বলে দেয় এটি কী করবে: Read it with <voice>, Read the N changed lines, অথবা Read it all again। শুধু নতুন বা বদলানো লাইনগুলো আবার পড়া হয়, তাই একটি শব্দ ঠিক করলে কেবল একটি লাইনের খরচ হয়। কাজ চলার সময় প্যানেলে দেখা যায় কতগুলো লাইন পড়া হচ্ছে; দীর্ঘ স্ক্রিপ্ট কয়েকটি ধাপে পড়া হয় এবং সংখ্যাটি আপডেট হতে থাকে। কোনো লাইন পড়া না গেলে Not done yet বলে দেয় কতগুলো এবং কেন, আর বোতাম আবার চাপলে শুধু সেগুলোই পড়া হয়।

সব লাইন পড়া হয়ে গেলে প্লেয়ারে পুরো ভয়েসওভারের একটি ওয়েভফর্ম দেখা যায়: গোল বোতাম চাপলে চলে বা থামে, ওয়েভফর্মে ক্লিক করলে (বা তাতে থাকা তীর কী ব্যবহার করলে) সেখানে যাওয়া যায়, এবং যে লাইনটি এখন বলা হচ্ছে তা নিচে দেখানো হয়। লাইনগুলোর মাঝে একটি ছোট নীরবতার বিরতি থাকে।

প্লেয়ারের নিচের শব্দগুলো বলার সময় আলো জ্বলে ওঠে। কোনো শব্দে ক্লিক করলে সেখানে যাওয়া যায়। এক থেকে তিনটি শব্দ সিলেক্ট করে Fix how it's said চাপুন (এটি স্ক্রিপ্টের ফিক্স প্যানেল খোলে), অথবা যেকোনো শব্দ সিলেক্ট করে Direct these words চাপুন, যাতে কণ্ঠকে বলে দেওয়া যায় সেগুলো কীভাবে বলতে হবে। শব্দের সময় দৈর্ঘ্য অনুযায়ী প্রতিটি অংশে ভাগ করা হয়, তাই সেগুলো প্রায় ঠিক, হুবহু নয়।

Direct the read (প্লেয়ারের নিচে): আপনার নিজের ভাষায় বলুন এটি কেমন শোনাতে হবে, লিখে বা বলে, যেমন 'this weekend'-এ আরও জোর, দামের জায়গায় ধীরে, অথবা হাসিমুখে বলার মতো শোনাক। তারপর Direct it চাপুন, অথবা কোনো শর্টকাট চাপুন (More energy, Sound like you're smiling, Slow down on numbers and the phone number, Calmer and more trusting, Punchier opening, More pause before the call to action)। AI অনুভূতি, গতি বদলায়, এবং যেখানে সাহায্য করে সেখানে যে অংশগুলোর জন্য নির্দেশ তার কয়েকটি শব্দও বদলায় (একটি শব্দে জোর দেওয়ার চিহ্ন কণ্ঠ নিতে পারে না, তাই সে যা অনুসরণ করে তা ব্যবহার করা হয়: শব্দের আগে ছোট বিরতি, একটি বিস্ময়চিহ্ন, বা ছোট বাক্য)। তারপর স্ক্রিপ্ট সংরক্ষিত হয় এবং শুধু সেই অংশগুলো আবার পড়া হয়। Done প্রতিটি পরিবর্তন তালিকাভুক্ত করে, আর Not done yet বলে কণ্ঠ কী পারে না এবং কেন। Undo সেই অংশগুলো আগের অবস্থায় ফিরিয়ে আবার পড়ে।

AI কোচ দিয়ে যাচাই করুন: এটি পড়াটি শোনে (speech-to-text) এবং প্রতি মিনিটে সময় ও শব্দসংখ্যা দেখায়, তারপর Pace (বেশিরভাগ বিজ্ঞাপনের জন্য প্রতি মিনিটে ১৫০ থেকে ১৭০ শব্দ উপযুক্ত), Clarity, Opening (প্রথম বাক্য কি ৩ সেকেন্ডে মনোযোগ টানে), এবং Names and words (শোনার যাচাইয়ে ধরা না পড়া দীর্ঘ শব্দ, প্রায়ই ভুলভাবে বলা নাম)। প্রতিটি পরামর্শের একটি সমাধান থাকে: কোনো শব্দের জন্য Fix how it's said, অথবা Fix it, যা Direct the read-এ একটি নির্দেশ বসায় এবং আপনি চাপতে পারেন। পরিবর্তনের পর Check again আবার শোনে। নমুনা শব্দ কথ্য নয়, তাই শব্দ যাচাই শুধু আসল কণ্ঠে চলে।

কণ্ঠের নিচে সংগীত (প্রতিটি অংশ পড়া হওয়ার পর প্লেয়ারের নিচে): একটি aiKit Original বেছে নিন, Music (কতটা জোরে) ঠিক করুন, Hear it with music চাপুন, এবং চূড়ান্ত মিশ্রণের জন্য Download with music (WAV) চাপুন। সংগীত কণ্ঠের একটু আগে শুরু হয়, কণ্ঠ বলার সময় নিচু হয়, আর শেষে ধীরে মিলিয়ে যায়। Captions: পড়া থেকে সময় ধরে তৈরি .srt ও .vtt ফাইল, প্রতি বারে কয়েকটি শব্দ করে, রিলস, YouTube ও ভিডিও প্লেয়ারের জন্য।

ডাউনলোড ও আরও: MP3 (আসল কণ্ঠ), WAV (যেকোনো পড়া), Save to Graphics Library (Voice Kit ফোল্ডারে, Voiceover ক্যাটাগরিতে), এবং Use in Motion Maker, যা আপনার লাইব্রেরিতে সেভ করে এবং Motion Maker খোলে, কণ্ঠ Music ট্যাবে থাকে, সংগীত তার নিচে নিচু হয়ে থাকে। তার নিচে থাম্বস আপ বা ডাউন দিয়ে পড়াটিকে রেট করুন; থাম্বস ডাউন দিলে জিজ্ঞেস করা হয় কী ভুল হয়েছে, এবং তা aiKit টিমের কাছে যায়। প্যানেলের উপরের AI voice / Sample sound ট্যাগ বলে দেয় আপনি কোনটি শুনছেন।

নতুন লাইন পড়ার আগে একটি দ্রুত AI পরীক্ষা সেগুলো ছদ্মবেশের জন্য দেখে। নিজের পরিচয় ও নিজের ব্যবসার কথা বলা ঠিক আছে ("Hi, I'm Sam, the owner of Sam's Bikes"): যে ব্যক্তি বা ব্যবসা খুব পরিচিত নয়, তাকে আপনি বলেই ধরা হয়। যা পড়া হয় না: কোনো বিখ্যাত ব্যক্তির প্রথম পুরুষে বলা বা সমর্থন, কোনো পরিচিত কোম্পানি, ব্যাংক বা সরকারি দপ্তরের নিজের নামে কথা বলা ("this is your bank calling"), অথবা এদের কারো ভান করে অর্থ বা ব্যক্তিগত তথ্য চাওয়া কোনো বার্তা। প্যানেল কারণ জানায়। প্রকৃত মানুষ ও কোম্পানির উল্লেখ বা পর্যালোচনা, আপনার নিজের ব্যবসার বিজ্ঞাপন, এবং কাল্পনিক চরিত্র ঠিক আছে। প্রতিটি লাইন একবার যাচাই হয়; বদলালে আবার যাচাই হয়।

Voice Kit আপনার অ্যাকাউন্টের টোকেন ব্যবহার করে, কণ্ঠ-সেবার প্রকৃত খরচে: পড়ার খরচ অক্ষর অনুযায়ী হয় (কণ্ঠ-সেবার ওপর নির্ভর করে ৩০ সেকেন্ডের পড়ায় প্রায় ৩ থেকে ৯ সেন্ট), সঙ্গে প্রতিটি AI স্ক্রিপ্ট পরিবর্তন ও নিরাপত্তা যাচাইয়ের ছোট খরচ। শুধু বদলানো লাইন পড়লে খরচ কম থাকে। কোনো অনুরোধ আপনার প্ল্যানে বাকি থাকার চেয়ে বেশি হলে তা শুরু হয় না, এবং বার্তায় তা জানানো হয়। অ্যাডমিনরা প্লেয়ারের নিচে প্রতিটি পড়ার খরচ সেন্টে দেখেন।

অ্যাডমিনরা প্লেয়ারের নিচে Side-by-side engine test দেখেন। দুটি কণ্ঠ-সেবা চালু থাকলে Read on both খোলা স্ক্রিপ্টটি প্রতিটি সেবায় নির্বাচিত কণ্ঠে পড়ে, প্রতিটির জন্য একটি প্লেয়ার ও খরচ দেখায়, এবং Use this engine চাপলে সেই সেবায় তখন থেকে সব ভয়েসওভার তৈরি হয় (আপনার নিজের কণ্ঠ তৈরির সময় দুই সেবাতেই তৈরি হয়)। একটি বা কোনোটিই চালু না থাকলে কোনটি চালু তা জানানো হয়।

অন্য aiKit টুলগুলো একইভাবে Voice Kit-এর কাছে বর্ণনা চায়: লেখা পাঠানো হয়, আর প্রতিটি লাইনের শুরু ও শেষের সময়সহ একটি ভয়েসওভার ফেরত আসে, যাতে ক্যাপশন কণ্ঠের সঙ্গে মেলে। এটি আপনার সবচেয়ে নতুন কণ্ঠ দিয়ে (বা প্রথম স্টক কণ্ঠ দিয়ে) পড়া হয়, আপনার টোকেন থেকে গণনা হয়, এবং আসল কণ্ঠ বন্ধ থাকলে সবসময় নমুনা শব্দ হিসেবে চিহ্নিত হয়।