Kloning Suara AI

Kloning suara menghasilkan ucapan baru dengan bunyi satu suara tertentu: nada, tekstur, aksen, dan cara suara itu membentuk kata. Sistem terdahulu biasanya membutuhkan rekaman studio yang panjang dan proses pelatihan. Banyak model saat ini bekerja dari klip referensi singkat: model mendengarkan beberapa detik suara itu, lalu mengucapkan teks baru dengan suara yang mirip.

Di Mage, suara kloning berawal dari referensi audio. Kamu mengunggah MP3 atau WAV, memilih hasil karya atau suara tersimpan, atau menempelkan tautan audio atau media sosial, menentukan titik mulai klip, dan Mage menyimpan hingga 15 detik dengan sebuah @handle. Sebut handle itu di prompt Seed Audio, dan teksmu akan diucapkan dengan suara tersebut dalam MP3 dengan durasi persis sesuai yang kamu atur. Tidak ada tahap pelatihan: klip dibaca setiap kali kamu menggunakannya.

Suara yang sama juga terbawa ke video. Simpan klip sebagai suara karakter, dan Cherry, Raspberry, Plum, Lemon, dan MiniMax-H3 akan memakainya setiap kali karakter itu berbicara; Cherry, Plum, Lemon, MiniMax-H3, dan Blueberry juga menerima referensi audio di prompt video. Kloning hanya suaramu sendiri, atau suara yang jelas kamu punya izin untuk memakainya.

Model meniru apa yang didengarnya, termasuk suasana ruangan. Klip yang direkam di dapur yang bergema akan terdengar seperti di dapur. Rekamlah di ruangan kecil dengan perabot empuk, sekitar sejengkal atau dua jengkal dari mikrofon, tanpa musik, televisi, atau suara lain di latar belakang. Rekaman memo suara di ponsel di dalam lemari yang sepi sering kali lebih bagus daripada mikrofon bagus di ruangan kosong.

Berbicaralah dengan gaya yang kamu inginkan untuk suara itu nanti. Bacaan yang tenang dan stabil akan menghasilkan narasi yang tenang; bacaan yang bersemangat akan menghasilkan suara yang penuh energi. Gunakan sepuluh sampai lima belas detik ucapan yang tidak terputus dengan beberapa kalimat berbeda, supaya model mendengar beragam bunyi, dan hindari jeda panjang, batuk, dan tawa.

Kalau bagian terbaikmu ada di dalam rekaman yang lebih panjang, unggah seluruh file dan atur waktu mulai ke 15 detik yang paling bagus. Suara karakter hanya menyimpan 10 detik, jadi untuk karakter, pilih 10 detik yang paling mirip dengan karakternya.

• Satu pembicara, ruangan tenang, tanpa musik.
• Sepuluh sampai lima belas detik ucapan tanpa putus.
• Bacakan dengan nada yang kamu inginkan.
• Gunakan waktu mulai untuk memilih bagian terbaik.
• Jaga volume tetap stabil: jangan sampai pecah, jangan berbisik.

Di Seed Audio, sebut suara itu lewat @handle-nya, taruh kata-kata persisnya di dalam tanda kutip, dan jelaskan cara penyampaian serta suasana ruangannya: "@ana-voice, hangat dan santai, dekat dengan mikrofon di ruangan yang tenang, berkata: …". Handle membawa karakter suaranya; deskripsi membentuk performanya.

Tentukan durasi sebelum menulis. Seed Audio menghasilkan durasi persis seperti pilihanmu, yaitu 5, 10, 30, 60, atau 120 detik, dengan menambah atau memotong agar pas, jadi sesuaikan jumlah katanya. Orang berbicara dua sampai tiga kata per detik dengan tempo natural, sehingga kalimat 10 detik berisi sekitar 20 sampai 30 kata. Kecepatan bicara, volume, dan nada adalah pengaturan tersendiri kalau bacaannya perlu sedikit disesuaikan.

Satu kali proses di Seed Audio menerima maksimal tiga referensi audio atau satu referensi gambar, tidak bisa keduanya. Untuk membuat musik latar bagi suatu adegan dari gambar, jalankan tanpa suara, lalu tambahkan suaranya di klip terpisah.

• Sebut @handle sebelum kalimatnya.
• Taruh kata-kata persisnya di dalam tanda kutip.
• Jelaskan cara penyampaian dan ruangannya.
• Pilih durasi dulu, baru sesuaikan kata-katanya.

Cara paling mudah adalah suara karakter. Saat membuat atau mengedit karakter, buka Suara Karakter lalu unggah file MP3 atau WAV (10 detik pertama dari waktu mulaimu yang disimpan), atau buat dari gambar karakter dengan deskripsi opsional, dengan harga dalam Gems yang tertera di tombol. Setelah itu, Cherry, Raspberry, Plum, Lemon, dan MiniMax-H3 akan memakainya setiap kali karakter itu berbicara, kecuali kamu menonaktifkan Suara Karakter. Panduan generator karakter AI membahas cara menyimpan karakter.

Kamu juga bisa menyebut referensi audio langsung di prompt video. Cherry, Plum, dan MiniMax-H3 menerima hingga tiga, Lemon hingga lima, dan Blueberry satu, dan suara karakter dihitung dalam batas yang sama. Cherry membutuhkan setidaknya satu gambar di prompt, seperti karakter atau referensi, saat kamu melampirkan audio.

Untuk kalimat yang harus persis, buat dengan suara hasil kloning di Seed Audio, lalu buka Lipsync dengan potret atau karakter tersimpan dan audio tersebut hingga 15 detik. Panduan foto bicara AI menunjukkan seluruh alurnya.

Kloning hanya suaramu sendiri atau suara yang jelas-jelas sudah kamu dapatkan izin pemakaiannya. Meniru orang sungguhan tanpa persetujuan mereka tidak diperbolehkan di Mage, dan pedoman komunitas melarang menyamar sebagai teman, selebritas, tokoh publik, atau merek untuk tujuan yang merugikan, serta konten apa pun yang ilegal di tempat tinggalmu. Kalau seseorang meminta kamu menghapus kreasi yang menampilkan dirinya, hapuslah.

Minta izin secara tertulis, dan buat spesifik: suara siapa, apa yang akan diucapkan, di mana akan ditampilkan, apakah pemakaiannya komersial, dan untuk berapa lama. Perjanjian dengan pengisi suara sebaiknya menyebut pemakaian suara sintetis secara eksplisit; surat izin rekaman umum sering kali tidak mencakupnya.

Hukum pun mengarah ke hal yang sama. Di AS, FCC memutuskan pada Februari 2024 bahwa suara buatan AI termasuk "buatan" menurut undang-undang robocall, sehingga menggunakannya dalam robocall tanpa persetujuan adalah ilegal, dan ELVIS Act di Tennessee, yang berlaku sejak Juli 2024, melarang penggunaan AI untuk meniru suara seseorang tanpa izin. Halaman ini bukan nasihat hukum; periksa aturan di tempat kamu memublikasikan.

Penyedia model video juga menyaring audio. Sebuah proses bisa ditolak karena klip berisi musik berhak cipta atau suara orang sungguhan, dan proses yang ditolak akan dikembalikan dananya.

• Suaramu sendiri: silakan.
• Suara orang lain: izin tertulis dulu.
• Tokoh publik dan selebritas: tidak boleh tanpa lisensi.
• Jangan pernah untuk menipu: tidak ada panggilan, dukungan, atau pernyataan palsu.
• Beri label pada ucapan sintetis yang realistis jika platform memintanya.

Kloning suara kalau pembicaranya harus orang tertentu: kamu sendiri, pengisi suara yang sudah menyetujuinya, atau karakter yang suaranya sudah kamu buat. Kalau suara bagus apa pun boleh, suara preset lebih cepat: text to speech AI membacakan hingga 5.000 karakter dengan salah satu dari 16 suara ElevenLabs, dan generator suara AI membahas cara mengarahkan bacaan dengan tag audio dan mendeskripsikan suara baru lewat prompt.

Eleven Speech tidak mengkloning suara di Mage: model ini hanya berbicara dengan suara presetnya. Kloning berjalan di Seed Audio dan di model video yang membaca referensi audio dan suara karakter. Developer bisa melakukan semuanya lewat API pembuatan audio.