टेक्स्ट प्रॉम्प्ट से अपने वीडियो और गेम के लिए साउंड लाइब्रेरी बनाएँ। देखें कि PicassoIA के कौन-से मॉडल एम्बिएंस, इम्पैक्ट, स्टिंगर और वॉइस लाइन बनाते हैं, Stable Audio 2.5 का चरण-दर-चरण वॉकथ्रू अपनाएँ, और डोर स्लैम, फ़ुटस्टेप, बारिश और इनके अलावा और भी इफ़ेक्ट के प्रॉम्प्ट कॉपी करें।
आपकी एडिट पूरी हो गई, गेम बिल्ड चल रहा है, और सब कुछ अजीब तरह से शांत है। फ़ुटस्टेप की आवाज़ नहीं आती, दरवाज़ा बिना किसी धमाके के बंद होता है, और तलवार का वार हवा को किसी भूत की तरह काटता है। एक मुफ़्त AI साउंड इफ़ेक्ट जनरेटर वीडियो और गेम के लिए इस कमी को मिनटों में पूरा कर देता है: आप टाइप करते हैं कि आपको क्या सुनना है, मॉडल उसे रेंडर करता है, और आप फ़ाइल को टाइमलाइन या इंजन में डाल देते हैं। न साउंड पैक ढूँढने की ज़रूरत, न माइक्रोफ़ोन, न फ़ोली स्टूडियो।
यह लेख बताता है कि PicassoIA पर अभी क्या काम करता है, कौन-से मॉडल असल में ऑडियो बनाते हैं, Stable Audio 2.5 के साथ पूरा वॉकथ्रू, ऐसे प्रॉम्प्ट जिन्हें आप आज ही पेस्ट कर सकते हैं, और वे गलतियाँ जिनसे जनरेट किया गया ऑडियो सस्ता लगता है। पहले ही एक ईमानदार चेतावनी: AI ऑडियो एम्बिएंस, ड्रोन, स्टिंगर और प्लेसहोल्डर के लिए बेहतरीन है, और बारीक फ़ोली के मामले में उतना अनुमानित नहीं। इस अंतर को समझने से घंटों की झुंझलाहट बच जाती है।
साउंड डिज़ाइन में "मुफ़्त" शब्द को बहुत खींचा जाता है। किसी इंडी प्रोजेक्ट के लिए इसके पीछे दो अलग सवाल छिपे होते हैं, और इन्हें आपस में मिला देने से लोग ऐसी फ़ाइल के साथ रह जाते हैं जिसे वे रिलीज़ नहीं कर सकते।
जेनरेट करना मुफ़्त का मतलब है कि आप हर क्लिप के लिए भुगतान किए बिना मॉडल चला सकते हैं, फ़्री टियर, ट्रायल क्रेडिट या उदार लिमिट वाले प्लान के ज़रिए। प्रकाशित करना मुफ़्त का मतलब है कि शर्तें आपको नतीजे को मॉनेटाइज़्ड वीडियो या कमर्शियल गेम में डालने की अनुमति देती हैं। ये दो अलग वादे हैं। किसी एक साउंड के आधार पर रिलीज़ बनाने से पहले हर मॉडल के पेज पर मौजूदा प्लान लिमिट और उपयोग की शर्तें ज़रूर पढ़ें।
💡 एक अच्छी आदत: हर उस साउंड के लिए मॉडल, प्रॉम्प्ट और तारीख लिख लें जो आप रिलीज़ करते हैं। अगर कभी स्टोर पेज या क्लाइंट पूछे कि कोई इफ़ेक्ट कहाँ से आया, तो जवाब एक लाइन में तैयार होगा।
भले ही जेनरेशन का खर्च शून्य हो, आपका समय तो खर्च होगा ही। जो हर साउंड आप रखते हैं, उसके लिए तीन से पाँच टेक तैयार रखने की उम्मीद करें, और एक भी प्रॉम्प्ट बॉक्स खोलने से पहले लिस्ट बना लें। 30 साउंड की एक कसी हुई लिस्ट जो पूरी हो जाए, उन 300 साउंड की फैली हुई इच्छा-सूची से बेहतर है जो कभी स्प्रेडशीट से बाहर न निकले।
साठ सेकंड के ट्रेलर के लिए पहला बैच कुछ ऐसा दिखता है:
यानी कुल तेरह एसेट्स, और यह रफ़ कट को पूरा-सा महसूस कराने के लिए काफ़ी है।
प्रॉम्प्ट लिखने से पहले प्रोजेक्ट को चार हिस्सों में बाँट लें। हर हिस्से को अलग लंबाई, अलग प्रॉम्प्ट शैली और अलग स्तर की सटीकता चाहिए। अगर आपने कभी स्टॉक साउंड इफ़ेक्ट लाइब्रेरी देखी है, तो ये श्रेणियाँ आपको जानी-पहचानी लगेंगी।
| श्रेणी | उदाहरण | आम लंबाई |
|---|---|---|
| इम्पैक्ट और इंटरफ़ेस | दरवाज़ा पटकना, बटन क्लिक, सिक्का उठाना, मेनू स्वूश | 2 सेकंड से कम |
| मूवमेंट | फ़ुटस्टेप, कपड़े की सरसराहट, तलवार के वार, बजरी पर पहिए | 1 से 3 सेकंड |
| एम्बिएंस | बारिश, हवा, भीड़, मशीन की गूंज, जंगल की हवा | 20 से 60 सेकंड, लूप करने योग्य |
| स्टिंगर और ड्रोन | जीत की धुनें, तनाव वाले बेड, लोगो हिट | 3 से 30 सेकंड |
मूवमेंट वह जगह है जहाँ पारंपरिक फ़ोली चमकती है। एक फ़ोली आर्टिस्ट सही जूतों में गिट्टी के डिब्बे पर कदम रखता है और एक ही टेक में परफ़ेक्ट कुरकुराहट पा लेता है। AI उस कुरकुराहट के करीब पहुँच सकता है, लेकिन स्क्रीन पर दिख रहे किरदार की चाल की लय बिल्कुल मिलाने में धैर्य लगता है, इसलिए मूवमेंट को उस श्रेणी के रूप में लें जिसे आप सबसे ज़्यादा दोबारा जेनरेट करेंगे।
छोटे साउंड पहले 50 मिलीसेकंड पर ही टिके होते हैं। जो बटन क्लिक धीरे-धीरे फ़ेड-इन से शुरू होता है, वह कमज़ोर लगता है, इसलिए "शार्प ट्रांज़िएंट" माँगें और शुरुआती खामोशी काट दें। मेनू के लिए एक ही सेशन में साउंड का एक परिवार माँगें (हॉवर, क्लिक, बैक, एरर), ताकि वे एक ही टोन साझा करें और चार अलग-अलग फ़ाइलों की जगह एक ही इंटरफ़ेस जैसे लगें।
एम्बिएंस वह जगह है जहाँ AI ऑडियो अपनी जगह बनाता है। जंगल का बेड, बारिश वाली सड़क या गूंजता हुआ गलियारा मिनटों की टेक्सचर माँगता है, एक परफ़ेक्ट हिट नहीं, और टेक्स्ट-टू-ऑडियो मॉडल इसी को अच्छी तरह संभालते हैं। 30 से 60 सेकंड की क्लिप जेनरेट करें, फिर आख़िरी हिस्से को सीधे शुरुआत से जोड़कर चलाकर लूप पॉइंट की जाँच करें।
जब संभव हो, असली फ़ील्ड रिकॉर्डिंग आज भी शानदार होती है। लेकिन जब आपके गेम में बारिश वाला लेवल हो और मौसम विभाग पूरे हफ़्ते धूप बताए, तो प्रॉम्प्ट हवाई टिकट बुक करने से भी तेज़ तरीका है।
PicassoIA ऑडियो को एक ही बटन के पीछे नहीं छिपाता। साउंड मॉडल के तीन परिवारों से आता है, और हर परिवार अलग काम के लिए ठीक बैठता है।
Stable Audio 2.5 सबसे सीधा विकल्प है। इसके मॉडल पेज पर पूरे म्यूज़िक ट्रैक, एम्बिएंट साउंड लेयर और छोटे वन-शॉट इफ़ेक्ट, सभी एक ही टेक्स्ट प्रॉम्प्ट से, आउटपुट के रूप में सूचीबद्ध हैं। स्टिंगर और स्कोर वाले पलों के लिए म्यूज़िक मॉडल भी आज़माने लायक हैं: ElevenLabs Music, MiniMax Music 2.6 और Lyria 3। ये पहले म्यूज़िक के लिए बने हैं, इसलिए इन्हें एक दरवाज़ा पटकने वाले इफ़ेक्ट की जगह बेड, ड्रोन और जिंगल के लिए इस्तेमाल करें।
कुछ वीडियो मॉडल तस्वीर के साथ साउंड भी बनाते हैं। Veo 3.1, Seedance 2.0 और Sora 2 सभी ऐसी क्लिप बनाते हैं जिनका ऑडियो स्क्रीन पर चल रही कार्रवाई के साथ चलता है, इसलिए शीशा टूटते समय वह शीशे जैसी ही आवाज़ करता है। पेच यह है कि साउंड क्लिप से बंधा है। अगर आपको ऑडियो का अलग टेक चाहिए, तो वीडियो को फिर से जेनरेट करना होगा। यह रास्ता तब चुनें जब आपको तस्वीर और साउंड एक साथ चाहिए, जैसे ट्रेलर का कोई शॉट, न कि तब जब आपको एक साफ़, अलग इफ़ेक्ट चाहिए।
गेम और वीडियो को इम्पैक्ट जितनी ही आवाज़ों की ज़रूरत होती है। Speech 2.8 HD और ElevenLabs V3 लिखी हुई लाइनों को दुकानदारों, ट्यूटोरियल प्रॉम्प्ट, काउंटडाउन और एनाउंसर के लिए बोली में बदलते हैं। ये स्पीच मॉडल हैं, इसलिए इनसे दहाड़ या धमाके की उम्मीद न रखें।
| तरीका | सबसे अच्छा किसके लिए | कमज़ोर पक्ष | आज़माने वाले मॉडल |
|---|---|---|---|
| टेक्स्ट से ऑडियो | एम्बिएंस, ड्रोन, स्टिंगर, वन-शॉट | बारीक फ़ोली डिटेल हर टेक में अलग हो सकती है | Stable Audio 2.5 |
| ऑडियो के साथ वीडियो | तस्वीर और साउंड एक साथ | ऑडियो को अकेले दोबारा जेनरेट नहीं किया जा सकता | Veo 3.1, Seedance 2.0 |
| टेक्स्ट से स्पीच | वॉइस लाइन, नैरेशन | गैर-बोली वाले इफ़ेक्ट के लिए नहीं बना | Speech 2.8 HD |
क्योंकि इसे सिर्फ़ टेक्स्ट प्रॉम्प्ट चाहिए, Stable Audio 2.5 विचार से ऑडियो फ़ाइल तक का सबसे तेज़ रास्ता है। इसके मॉडल पेज पर 190 सेकंड तक जेनरेशन और पाँच सेटिंग्स का दस्तावेज़ है:
| सेटिंग | डिफ़ॉल्ट | यह क्या करती है |
|---|---|---|
| Prompt | ज़रूरी | वह साउंड बताता है जो आप चाहते हैं |
| Duration | 190 सेकंड | क्लिप की लंबाई, सेकंड में |
| Steps | 8 | ज़्यादा steps गति की जगह बारीक डिटेल देते हैं |
| CFG scale | 1 | ज़्यादा मान प्रॉम्प्ट का ज़्यादा करीबी पालन करते हैं |
| Seed | रैंडम | किसी नतीजे को दोबारा पाने के लिए एक ही मान दोबारा इस्तेमाल करें |
Stable Audio 2.5 पेज खोलें और साउंड उसी तरह टाइप करें जैसे आप किसी फ़ोली आर्टिस्ट को समझाते हैं: कौन-सी चीज़ आवाज़ करती है, वह क्या करती है, वह किस सामग्री से टकराती है और वह किस कमरे में है। "खाली पत्थर के गलियारे में लकड़ी का दरवाज़ा ज़ोर से बंद होता है, छोटी गूंज" मॉडल को "दरवाज़े की आवाज़" से कहीं ज़्यादा काम का मसाला देता है।
डिफ़ॉल्ट अवधि 190 सेकंड है, जो दरवाज़ा पटकने के लिए बहुत ज़्यादा है। वन-शॉट के लिए कुछ सेकंड और एम्बिएंस के लिए 30 से 60 सेकंड सेट करें। आइडिया आज़माते समय steps को डिफ़ॉल्ट 8 पर रखें, फिर जिन टेक को आप रिलीज़ करना चाहते हैं उनके लिए बढ़ाएँ। अगर कोई नतीजा आपके प्रॉम्प्ट के आधे हिस्से को नज़रअंदाज़ कर दे, तो CFG scale थोड़ा बढ़ाएँ और फिर कोशिश करें।
जेनरेट करें, हेडफ़ोन पर सुनें, और जो टेक करीब लगे उसका seed नोट कर लें। शुरुआत की खामोशी काट दें, क्लिक से बचने के लिए आख़िरी कुछ मिलीसेकंड पर छोटा फ़ेड जोड़ें, और फ़ाइल को ऐसे नाम से सेव करें जो उसका वर्णन करे, जैसे door_slam_stone_hall_02। वही फ़ाइल अब बिना किसी कन्वर्ज़न झंझट के वीडियो एडिटर या गेम इंजन में चल जाती है।
💡 लगभग सही नतीजा? Seed को स्थिर रखें और प्रॉम्प्ट में सिर्फ़ एक शब्द बदलें, जैसे "wooden" को "metal" करें। Seed लॉक होने पर यह सुनना कहीं आसान होता है कि उस एक शब्द ने क्या बदला।
इन पाँच हिस्सों को इसी क्रम में इस्तेमाल करें: स्रोत, क्रिया, सामग्री, जगह, लंबाई। उदाहरण के लिए: "भारी लोहे का फाटक (स्रोत) चरमराते हुए खुलता है (क्रिया), जंग लगी कब्ज़ियाँ (सामग्री), गूंजते हुए बड़े खाली आँगन में (जगह), 3 सेकंड (लंबाई)।" लंबाई प्रॉम्प्ट में लिखें और अवधि वाले फ़ील्ड में भी सेट करें, ताकि दोनों एक-दूसरे से मेल खाएँ।
कुछ शब्द दूसरों से ज़्यादा नतीजों को दिशा देते हैं:
विशेषणों का ढेर न लगाएँ। दो-तीन सटीक शब्द दस धुंधले शब्दों से बेहतर होते हैं।
| साउंड | प्रॉम्प्ट |
|---|---|
| दरवाज़ा पटकना | Heavy wooden door slams shut in an empty stone hallway, short echo, 2 seconds |
| फ़ुटस्टेप | गीली बजरी पर धीमे जूते, स्थिर चाल, बाहर, शांत पृष्ठभूमि, 5 सेकंड |
| तलवार का वार | हवा को चीरता तेज़ स्टील तलवार का वार, शार्प स्वूश, कोई आवाज़ नहीं, 1 सेकंड |
| सिक्का उठाना | चमकदार धात्विक सिक्का चाइम, छोटा, साफ़, कैज़ुअल मोबाइल गेम, 1 सेकंड |
| बारिश एम्बिएंस | खिड़की पर लगातार बारिश, दूर का ट्रैफ़िक, शांत, लूप करने योग्य, 45 सेकंड |
| जंगल एम्बिएंस | शांत जंगली सुबह, दूर के पक्षी, पत्तियों में हल्की हवा, लूप करने योग्य, 60 सेकंड |
| तनाव वाला ड्रोन | धीमी गड़गड़ाहट वाला ड्रोन, धीरे-धीरे उठता, बेचैन, कोई धुन नहीं, 20 सेकंड |
| जीत का स्टिंगर | छोटी विजयी ब्रास और स्ट्रिंग्स फ़ैनफ़ेयर, उठता हुआ, साफ़ अंत, 4 सेकंड |
जो प्रॉम्प्ट अच्छे निकले, उन्हें उस seed के साथ प्रॉम्प्ट शीट में रखें जिसने उन्हें बनाया। एक हफ़्ते बाद आपके पास एक निजी साउंड पैक होगा, जिसे किसी भी प्रोजेक्ट की ज़रूरत पर दोबारा बनाया जा सकता है।
हर इफ़ेक्ट को उसके अपने ट्रैक पर रखें, उस फ़्रेम से मिलाकर जहाँ कार्रवाई उतरती है। हर महत्वपूर्ण पल के लिए दो-तीन साउंड लेयर करें: वज़न के लिए एक भारी थप, डिटेल के लिए एक तीखी परत और असलीपन के लिए थोड़ा रूम टोन। अगर आपका फ़ुटेज असली शूट से है, तो बूम ऑपरेटर ने पहले ही संवाद और कुछ प्राकृतिक आवाज़ रिकॉर्ड कर ली होगी, इसलिए जेनरेट किए गए इफ़ेक्ट को सब कुछ बदलने की जगह खाली जगह भरने के लिए इस्तेमाल करें।
टाइमिंग ज़्यादातर लोगों की उम्मीद से कहीं ज़्यादा मायने रखती है। कार्रवाई के सटीक फ़्रेम पर पहुँचें, साउंड का सबसे तेज़ हिस्सा वहीं रखें, और अगर फिर भी देर लगे, तो उसे एक-दो फ़्रेम पहले खिसकाएँ। थोड़ा पहले आने वाला साउंड प्राकृतिक लगता है, जबकि देर से आने वाला साउंड गलती जैसा लगता है।
गेम साउंड को सैकड़ों बार दोहराते हैं, और दोहराव ही ऑडियो को सस्ता महसूस कराता है। हर बार सुनाई देने वाले साउंड (फ़ुटस्टेप, हिट, पिकअप) के चार से छह वैरिएशन जेनरेट करें और इंजन को उनमें से एक को रैंडम चुनने दें, ऊपर से हल्का पिच शिफ़्ट के साथ। एम्बिएंस के लिए लूप को सिर्फ़ अपने एडिटर में नहीं, इंजन के भीतर भी टेस्ट करें। पहले दिन से जेनरेट किए गए प्लेसहोल्डर से शुरू करें, फिर सिर्फ़ वे साउंड बदलें जो खिलाड़ी सबसे ज़्यादा सुनते हैं।
फ़ोल्डर गंदा होने से पहले फ़ाइलें व्यवस्थित करें। श्रेणी के अनुसार समूह बनाएँ, एक ही नामकरण पैटर्न रखें (footstep_gravel_01, footstep_gravel_02) और हर साउंड की लाउडनेस लगभग एक-सी रखें, ताकि आपकी सेटिंग्स मेनू के वॉल्यूम स्लाइडर वैसे ही व्यवहार करें जैसे खिलाड़ी उम्मीद करते हैं।
संवाद और ज़रूरी गेमप्ले संकेत सबसे ऊपर रहते हैं, म्यूज़िक उनके नीचे और एम्बिएंस उसके भी नीचे। शुरुआती बिंदु के रूप में एम्बिएंस को संवाद से लगभग 12 से 18 dB नीचे रखें, फिर कान से समायोजित करें। मिक्स को लैपटॉप स्पीकर और हेडफ़ोन दोनों पर जाँचें, क्योंकि दोनों अलग-अलग समस्याएँ उजागर करते हैं।
इनमें से कोई भी समस्या AI की वजह से नहीं आती। ये तब आती हैं जब जेनरेट की गई फ़ाइल को तैयार मान लिया जाए, जबकि वह असल में कच्चा माल है, जिसे अब भी एक इंसानी कान, काट-छाँट और मिक्स में सही जगह चाहिए।
एक दृश्य चुनें, तीस सेकंड के ट्रेलर का शॉट हो या गेम का एक कमरा, और आज दोपहर उसका पूरा साउंडस्केप बनाएँ। लिस्ट लिखें, Stable Audio 2.5 खोलें, पाँच इफ़ेक्ट और एक एम्बिएंस बेड जेनरेट करें, और उन्हें अपने प्रोजेक्ट में डाल दें।
फिर दृश्य के बाकी हिस्से के लिए PicassoIA का इस्तेमाल करें। Seedream 4.5 जैसे टेक्स्ट-टू-इमेज मॉडल से स्टिल बनाएँ, Seedance 2.0 से उन्हें एनिमेट करें, और नतीजे पर MiniMax Music 2.6 से स्कोर बनाएँ। इमेज, वीडियो और ऑडियो एक ही जगह मौजूद हैं, इसलिए पाँच अलग-अलग टूल्स के बीच भागदौड़ किए बिना आप खुलकर प्रयोग कर सकते हैं। एक ही प्रॉम्प्ट से शुरू करें और देखें कि एक खामोश क्लिप कितनी जल्दी ऐसी चीज़ बन जाती है जिसे आप देखना चाहें।
अपनी भाषा चुनें
