जेमिनी ने अधिक यथार्थवादी आवाज़ क्लोनिंग और नाटकीय भाषण क्षमताएँ जोड़ी

Friday 25 September 2026 - 09:42

गूगल अपने जेमिनी आर्टिफिशियल इंटेलिजेंस मॉडलों की क्षमताओं को नए टेक्स्ट-टू-स्पीच तकनीक के साथ बढ़ा रहा है, जो अधिक अभिव्यक्तिशील और प्राकृतिक ध्वनि वाली आवाज़ें उत्पन्न करने के लिए डिज़ाइन की गई है। नवीनतम सिस्टम एक व्यापक श्रृंखला की आवाज़ीय विशेषताओं को पुन: प्रस्तुत कर सकते हैं, जिससे उत्पन्न भाषण स्वर, उच्चारण, लय और भावना में बदलाव को दर्शा सकता है।

यह अपडेट गूगल के जेमिनी परिवार के व्यापक विकास का हिस्सा है, क्योंकि कंपनी मूल टेक्स्ट जनरेशन से आगे बढ़कर मल्टीमॉडल एआई सिस्टम की ओर बढ़ रही है, जो आवाज़, चित्र, वीडियो और अन्य प्रकार की सामग्री के साथ काम कर सकते हैं।

नए प्रस्तावों में जेमिनी फ्लैश टीटीएस और फ्लैश-लाइट टीटीएस शामिल हैं, जो उपयोगकर्ताओं और डेवलपर्स को उत्पन्न भाषण के वितरण पर अधिक नियंत्रण प्रदान करते हैं। यह केवल लिखित पाठ को बोले गए शब्दों में परिवर्तित करने के बजाय, मॉडल विस्तृत निर्देशों का पालन कर सकते हैं, जो बताते हैं कि एक विशेष पंक्ति को कैसे सुनाई देनी चाहिए, जिसमें गति, तीव्रता, विराम, फुसफुसाहट, हंसी और अन्य आवाज़ संकेतों में परिवर्तन शामिल हैं।

गूगल का कहना है कि इसकी तकनीक प्राकृतिक भाषा विवरणों से मूल आवाज़ें उत्पन्न कर सकती है और 100 से अधिक भाषाओं और उपभाषाओं का समर्थन करती है। कंपनी उत्पादन उद्देश्यों के लिए उपयोग करने के लिए तैयार आवाज़ों का एक बड़ा पुस्तकालय भी उपलब्ध करा रही है, जबकि एक छोटी आवाज़ का नमूना उपयोगकर्ता के पास आवश्यक अनुमति होने पर एक सुसंगत सिंथेटिक आवाज़ बनाने के लिए उपयोग किया जा सकता है।

यह तकनीक विशेष रूप से संवाद और पात्र-आधारित प्रदर्शन से संबंधित स्थितियों के लिए उपयुक्त है। एकल स्क्रिप्ट को विभिन्न आवाज़ों के साथ बातचीत में परिवर्तित किया जा सकता है, जिसमें सिस्टम लंबे रिकॉर्डिंग में पात्रों के बीच स्थिरता बनाए रखता है। ऐसी क्षमताएँ पॉडकास्ट, ऑडियोबुक, डबिंग, वर्णित वीडियो और आवाज़-आधारित अनुप्रयोगों के लिए उपयोगी हो सकती हैं।

सुधारों से यह भी दर्शाता है कि एआई-जनित आवाज़ों के बाजार में बढ़ती प्रतिस्पर्धा है, जहाँ कंपनियाँ सिंथेटिक भाषण को अधिक प्राकृतिक और अभिव्यक्तिशील बनाने का प्रयास कर रही हैं। गूगल के अपने परीक्षणों ने कई आवाज़ गुणवत्ता मूल्यांकन में मजबूत परिणाम दिखाए हैं, हालांकि प्रतिस्पर्धी सेवाएँ भी आवाज़ीय यथार्थता और विविधता से संबंधित विशिष्ट श्रेणियों में अच्छा प्रदर्शन कर रही हैं।

नई तकनीक केवल डेवलपर्स तक सीमित नहीं है। गूगल ने अपने आवाज़ मॉडलों को नोटबुकएलएम जैसे उत्पादों में एकीकृत करना शुरू कर दिया है, जबकि फ्लैश-लाइट टीटीएस को गूगल वीड्स में भी पेश किया जा रहा है। डेवलपर्स गूगल के एआई विकास उपकरणों और एपीआई के माध्यम से मॉडलों तक पहुँच प्राप्त कर सकते हैं, जिससे तकनीक को व्यापक अनुप्रयोगों के लिए खोला जा रहा है।

आवाज़ क्लोनिंग भी सहमति, अनुकरण और सिंथेटिक आवाज़ों के संभावित दुरुपयोग के बारे में महत्वपूर्ण प्रश्न उठाती है। इसलिए गूगल ने किसी व्यक्ति की आवाज़ को पुन: उत्पन्न करने के लिए स्वीकृति की आवश्यकता वाले सुरक्षा उपाय पेश किए हैं और एआई-जनित सामग्री की पहचान में मदद करने के लिए सिंथआईडी और सी2पीए क्रेडेंशियल्स जैसी तकनीकों का उपयोग कर रहा है।

कुछ आवाज़-क्लोनिंग कार्यों की उपलब्धता भी क्षेत्रीय प्रतिबंधों के अधीन है, जो सिंथेटिक मीडिया के चारों ओर विभिन्न नियामक और कानूनी वातावरण को दर्शाता है।

इन विकासों के साथ, जेमिनी की भाषण तकनीक एक अधिक प्रदर्शन-उन्मुख दृष्टिकोण की ओर बढ़ रही है जिसमें एआई-जनित आवाज़ें केवल शब्दों को नहीं बल्कि प्रस्तुति और भावना के तत्वों को भी व्यक्त कर सकती हैं। यह बदलाव दर्शाता है कि जनरेटिव एआई धीरे-धीरे रचनात्मक उत्पादन में एकीकृत हो रहा है, जबकि सहमति, पारदर्शिता और जिम्मेदार उपयोग के सवाल आवाज़ क्लोनिंग तकनीक के विकास में केंद्रीय बने हुए हैं।