IVR और फ़ोन प्रॉम्प्ट बनाने के लिए पहले रिकॉर्डिंग सेशन बुक करने, वॉइस टैलेंट को हायर करने और फ़ाइलों का दिनों तक इंतज़ार करने की ज़रूरत पड़ती थी। AI टेक्स्ट-टू-स्पीच ने इसे पूरी तरह बदल दिया है। यह लेख बताता है कि किसी भी बिज़नेस सिस्टम के लिए, किसी भी भाषा में, प्रोफ़ेशनल फ़ोन ऑडियो कैसे लिखें, बनाएँ और लागू करें।
एक ऐसा प्रोफ़ेशनल फ़ोन सिस्टम, जो सचमुच इंसानी लगे, पहले किसी रिकॉर्डिंग स्टूडियो, किसी हायर किए गए वॉइस आर्टिस्ट और हफ़्तों तक खिंचने वाले प्रोडक्शन शेड्यूल की माँग करता था। AI ने इस प्रक्रिया को अप्रचलित कर दिया है। आज सही टेक्स्ट-टू-स्पीच टूल्स से आप टोन, पेस और भाषा पर पूरे नियंत्रण के साथ मिनटों में परिष्कृत IVR (Interactive Voice Response) प्रॉम्प्ट बना सकते हैं। अब गुणवत्ता से समझौता नहीं करना पड़ता।
IVR का मतलब है Interactive Voice Response। यह वह ऑडियो लेयर है जो कॉल करने वालों का स्वागत करती है, उन्हें मेनू विकल्पों से होकर आगे भेजती है, उन्हें होल्ड पर रखती है और रिकॉर्ड की गई जानकारी सुनाती है। उस सिस्टम का हर प्रॉम्प्ट एक छोटी ऑडियो फ़ाइल है, जो आमतौर पर 3 से 30 सेकंड लंबी होती है और कॉल करने वाले के इनपुट से ट्रिगर होती है।
एक सामान्य IVR सेटअप में कई तरह के प्रॉम्प्ट होते हैं:
हर फ़ाइल में सभी रिकॉर्डिंग में एक जैसी आवाज़, टोन और पेसिंग होनी चाहिए। यही निरंतरता AI को घूमते हुए वॉइस टैलेंट से बेहतर समाधान बनाती है।
कॉल करने वाला जो पहली ऑडियो सुनता है, वही आगे की हर चीज़ की उसकी उम्मीदें तय करती है। खराब गुणवत्ता की रिकॉर्डिंग, रोबोट जैसी आवाज़ या ऐसी स्क्रिप्ट जो किसी कानूनी दस्तावेज़ जैसी पढ़ी जाए, ये सभी एक ही बात का संकेत देते हैं: यह कंपनी अपने अनुभव की परवाह नहीं करती। वहीं एक अच्छी तरह बना IVR प्रॉम्प्ट किसी इंसानी एजेंट के जवाब देने से पहले ही भरोसा बना देता है।
💡 टिप: औसत कॉल करने वाला पहले 8 सेकंड के भीतर तय कर लेता है कि होल्ड पर रुकना है या कॉल काट देना है। आपकी अभिवादन स्क्रिप्ट और आवाज़ की गुणवत्ता वे दो चीज़ें हैं जिन्हें आप पूरी तरह नियंत्रित कर सकते हैं।
IVR प्रॉम्प्ट पैकेज के लिए प्रोफ़ेशनल वॉइस-ओवर दरें आमतौर पर प्रति प्रोजेक्ट $200 से $1,500 तक होती हैं, जो फ़ाइलों की संख्या, भाषा की ज़रूरतों और रिवीज़न राउंड पर निर्भर करती है। यह स्टूडियो फ़ीस, फ़ाइल प्रोसेसिंग और शेड्यूलिंग में लगने वाली देरी से पहले की बात है। जिस बिज़नेस को मौसमी संदेश अपडेट करने, नए मेनू विकल्प जोड़ने या कई भाषाओं में लोकलाइज़ करने की ज़रूरत होती है, उसके लिए ये लागतें तेज़ी से बढ़ती हैं।
पारंपरिक रिकॉर्डिंग आपको उसी वर्ज़न से बाँध देती हैं जिसे आपने मंज़ूरी दी थी। किसी एक प्रॉम्प्ट में फ़ोन नंबर बदलने का मतलब है सेशन दोबारा बुक करना या ऐसी पैच रिकॉर्डिंग के लिए पैसे देना जो मूल टोन से कभी पूरी तरह मेल नहीं खाती। AI इस बाधा को पूरी तरह हटा देता है। आप स्क्रिप्ट बदलते हैं, दोबारा जनरेट करते हैं, बस हो गया।
जो बिज़नेस अपने दूसरे बैच के प्रॉम्प्ट के लिए नया वॉइस टैलेंट हायर करता है, उसका IVR सिस्टम दो अलग-अलग कंपनियों जैसा सुनाई देने लगता है। AI पूरी तरह एक जैसी निरंतरता बनाए रखता है: वही आवाज़, वही प्रोसोडी, वही स्टाइल, चाहे अपडेट के बीच कितने भी महीने बीत जाएँ।
सबसे प्रभावी फ़ोन प्रॉम्प्ट में एक गुण साझा होता है: वे एक भी शब्द बर्बाद नहीं करते। कॉल करने वाले पढ़ने के मूड में नहीं होते। वे काम के मूड में होते हैं। वे किसी खास वजह से कॉल करते हैं और जितनी जल्दी हो सके वहाँ पहुँचना चाहते हैं। हर अतिरिक्त शब्द रुकावट है।
| प्रॉम्प्ट प्रकार | आदर्श लंबाई | अधिकतम लंबाई |
|---|---|---|
| स्वागत अभिवादन | 8 से 12 सेकंड | 15 सेकंड |
| मेनू विकल्प सेट | 15 से 20 सेकंड | 25 सेकंड |
| होल्ड संदेश | 20 से 30 सेकंड | 45 सेकंड |
| पुष्टि | 5 से 10 सेकंड | 15 सेकंड |
| त्रुटि/पुनः प्रयास | 5 से 8 सेकंड | 10 सेकंड |
कागज़ पर जो पाठ अच्छा पढ़ा जाता है, वह ज़ोर से बोलने पर अक्सर गलत लगता है। IVR स्क्रिप्ट ऐसे लिखें जैसे आप बातचीत में बोलते हैं। छोटे वाक्य रखें। नेस्टेड क्लॉज़ से बचें। संख्याएँ और संक्षिप्त शब्द पूरे लिखें।
खराब उदाहरण: "हमारे अत्यंत प्रशिक्षित ग्राहक सहायता प्रतिनिधियों में से किसी एक से जुड़ने के लिए, जो बिलिंग से संबंधित किसी भी पूछताछ में आपकी सहायता कर सकते हैं, कृपया अभी अपने कीपैड पर नंबर एक दबाएँ।"
अच्छा उदाहरण: "बिलिंग के लिए 1 दबाएँ। तकनीकी सहायता के लिए 2 दबाएँ। किसी एजेंट से बात करने के लिए 0 दबाएँ।"
इंसानी वर्किंग मेमोरी लगभग 5 से 7 आइटम भरोसेमंद तरीके से रख पाती है। जो IVR सिस्टम एक ही मेनू में 9 या 10 विकल्प देते हैं, वे फ़ैसले की उलझन और कॉल छोड़ने का कारण बनते हैं। किसी एक मेनू को अधिकतम 4 विकल्पों तक रखें। अगर आपका सिस्टम अधिक जटिल है, तो साफ़ लेबल वाले सब-मेनू इस्तेमाल करें।
💡 टिप: सबसे आम वजह वाला विकल्प हमेशा विकल्प 1 पर रखें। मेनू को आंतरिक विभाग संरचना के हिसाब से न सजाएँ। कॉल करने वालों के व्यवहार के हिसाब से सजाएँ।
IVR प्रोडक्शन के लिए आधुनिक AI TTS वर्कफ़्लो सीधा है। आप अपनी स्क्रिप्ट लिखते हैं, उसे टूल में चिपकाते हैं, आवाज़ चुनते हैं और एक्सपोर्ट करते हैं। जिस प्रक्रिया में कभी दिन लगते थे, उसमें अब मिनट लगते हैं। इससे भी ज़रूरी बात यह है कि आप उसी सेशन में रीयल टाइम में बदलाव कर सकते हैं, पेसिंग, ज़ोर और टोन को समायोजित करते हुए।
AI आवाज़ों के खराब दिन नहीं होते। उन्हें ज़ुकाम नहीं होता, सेशन के बीच उनकी डिलीवरी स्टाइल नहीं बदलती और रश टर्नअराउंड के लिए वे आपसे ज़्यादा शुल्क नहीं लेतीं। एक बार आवाज़ चुनने और सेटिंग्स तय करने के बाद, उस आवाज़ से बना हर प्रॉम्प्ट एक ही रिकॉर्डिंग सेशन से आया लगता है।
कई क्षेत्रों में सेवा देने वाले बिज़नेस को पहले हर भाषा के लिए अलग वॉइस टैलेंट चाहिए होता था। AI टेक्स्ट-टू-स्पीच एक ही इंटरफ़ेस से दर्जनों भाषाएँ और लहजे संभालता है। ElevenLabs v2 Multilingual 30 से अधिक भाषाओं को मूल रूप से सपोर्ट करता है, और Gemini 3.1 Flash TTS 70 से अधिक भाषाएँ कवर करता है। वही वर्कफ़्लो आपके पूरे IVR के स्पेनिश, फ़्रेंच, पुर्तगाली और जर्मन संस्करण एक ही दोपहर में तैयार कर देता है।
Picasso IA आपको ElevenLabs V3 तक सीधी पहुँच देता है, जो उपलब्ध सबसे प्राकृतिक लगने वाले वॉइस सिंथेसिस मॉडल में से एक है। IVR प्रॉम्प्ट बनाने की चरण-दर-चरण प्रक्रिया यह रही।
चरण 1: मॉडल खोलें
Picasso IA पर ElevenLabs V3 पर जाएँ। इंटरफ़ेस में टेक्स्ट इनपुट फ़ील्ड और दाईं ओर वॉइस सिलेक्टर पैनल लोड होता है।
चरण 2: अपनी स्क्रिप्ट चिपकाएँ
अपना प्रॉम्प्ट टेक्स्ट ठीक उसी रूप में दर्ज करें जैसे आप चाहते हैं कि वह बोला जाए। IVR के लिए इसका मतलब है छोटे, साफ़ वाक्य। उदाहरण:
"कॉल करने के लिए धन्यवाद। सेल्स के लिए 1 दबाएँ। सपोर्ट के लिए 2 दबाएँ। अगले उपलब्ध एजेंट से बात करने के लिए 0 दबाएँ।"
चरण 3: अपनी आवाज़ चुनें
V3 में कई आवाज़ें हैं, जिनमें बिज़नेस टेलीफ़ोनी के लिए आदर्श न्यूट्रल प्रोफ़ेशनल टोन शामिल हैं। मध्यम पिच और मध्यम बोलने की गति वाली आवाज़ चुनें। IVR के लिए बहुत गर्म या नाटकीय आवाज़ों से बचें, क्योंकि वे कॉल करने वालों की उम्मीदों से मेल नहीं खातीं।
चरण 4: मुख्य पैरामीटर समायोजित करें
चरण 5: जनरेट करें और एक्सपोर्ट करें
जनरेट पर क्लिक करें। आउटपुट एक साफ़ ऑडियो फ़ाइल होगी, जिसे आप अपने IVR प्लेटफ़ॉर्म पर अपलोड करने के लिए तैयार रख सकते हैं। ज़्यादातर फ़ोन सिस्टम के लिए WAV में 8kHz या 16kHz मोनो, या क्लाउड-आधारित सिस्टम के लिए 64kbps पर MP3 में एक्सपोर्ट करें।
💡 टिप: सभी प्रॉम्प्ट एक ही सेशन में जनरेट करें। फ़ाइलों के बीच आवाज़ न बदलें और प्लेटफ़ॉर्म को दोबारा शुरू न करें। सेशन-स्तर की निरंतरता आपकी पूरी प्रॉम्प्ट लाइब्रेरी में सबसे अच्छे मिलते-जुलते नतीजे देती है।
अलग-अलग प्लेटफ़ॉर्म की अलग-अलग ताकतें हैं। यहाँ IVR उपयोग के मामलों के लिए मुख्य विकल्पों की तुलना है।
जिन बिज़नेस को प्रॉम्प्ट जल्दी और बड़े पैमाने पर बनाने हैं, उनके लिए ElevenLabs Flash v2.5 ठोस आउटपुट गुणवत्ता के साथ तेज़ जनरेशन देता है। Speech 2.8 HD by Minimax ऑडियो फ़िडेलिटी को प्राथमिकता देता है, इसलिए यह उन ब्रांड-महत्वपूर्ण रिकॉर्डिंग के लिए बेहतर है जहाँ गुणवत्ता से समझौता नहीं हो सकता।
| मॉडल | सबसे उपयुक्त | भाषाएँ | गति |
|---|---|---|---|
| ElevenLabs V3 | प्राकृतिक फ़्रेज़िंग, प्रोफ़ेशनल टोन | 30+ | मध्यम |
| ElevenLabs Flash v2.5 | बल्क प्रॉम्प्ट प्रोडक्शन | 32 | तेज़ |
| Speech 2.8 HD | हाई-फ़िडेलिटी आउटपुट | 10+ | मध्यम |
| Gemini 3.1 Flash TTS | बहुभाषी सिस्टम | 70+ | तेज़ |
| Qwen3 TTS | वॉइस क्लोनिंग और कस्टम आवाज़ें | 10+ | मध्यम |
| Chatterbox | भावना-नियंत्रित प्रॉम्प्ट | अंग्रेज़ी | मध्यम |
अगर आपके बिज़नेस की पहले की रिकॉर्डिंग से पहचानी जाने वाली आवाज़ पहले से है, तो Minimax Voice Cloning और Qwen3 TTS मौजूदा ऑडियो सैंपल से एक कस्टम AI आवाज़ बनाने देते हैं। इससे ब्रांड की निरंतरता बनी रहती है और आगे AI जनरेशन का पूरा लचीलापन भी मिलता है। स्क्रिप्ट बदलने पर मूल वॉइस टैलेंट को हर बार ढूँढने की ज़रूरत नहीं पड़ती।
कुछ IVR सिस्टम में बातचीत जैसे फ़्लो होते हैं, जिनमें दो आवाज़ें बारी-बारी बोलती हैं। PlayHT Play Dialog इसी के लिए बना है: यह एक ही स्क्रिप्ट इनपुट से प्राकृतिक दो-वक्ता डायलॉग ऑडियो बनाता है, इसलिए डेमो प्रॉम्प्ट या स्वागत अनुक्रमों के लिए उपयोगी है जो बातचीत का अनुकरण करते हैं।
फ़ोन नेटवर्क ऑडियो को बहुत ज़्यादा कंप्रेस करते हैं। ज़्यादातर PSTN और VoIP सिस्टम में इस्तेमाल होने वाला मानक G.711 कोडेक 8kHz पर चलता है, जो 4kHz से ऊपर की किसी भी ऑडियो फ़्रीक्वेंसी को काट देता है। इसका मतलब है कि स्टूडियो-गुणवत्ता वाली AI आवाज़ रिकॉर्डिंग की समृद्ध डिटेल ट्रांसमिशन में आंशिक रूप से खो जाती है। समाधान सरल है: शुरुआत से ही अपने प्रॉम्प्ट लक्षित सैंपल रेट पर जनरेट करें।
पारंपरिक टेलीफ़ोनी के लिए:
VoIP और क्लाउड सिस्टम (Twilio, Vonage, Amazon Connect) के लिए:
💡 टिप: प्रोडक्शन में लगाने से पहले जनरेट किए गए प्रॉम्प्ट को असली फ़ोन कॉल पर ज़रूर परखें। स्मार्टफ़ोन के स्पीकर की गुणवत्ता वह नहीं दिखाती जो कॉल करने वाले टेलीफ़ोन कोडेक के ज़रिए सुनते हैं।
AI-जनरेटेड ऑडियो में फ़ाइलों के बीच अक्सर लाउडनेस का स्तर असंगत होता है। अपने IVR प्लेटफ़ॉर्म पर अपलोड करने से पहले सारे ऑडियो को -16 LUFS पर नॉर्मलाइज़ करें (भाषण के लिए ब्रॉडकास्टिंग मानक)। Audacity जैसा कोई भी मुफ़्त ऑडियो एडिटर एक मिनट से कम समय में आपकी फ़ाइलों को बैच-नॉर्मलाइज़ कर सकता है। यह एक कदम उन झटकेदार वॉल्यूम बदलावों को खत्म कर देता है जो कॉल करने वाले आपके अभिवादन और मेनू विकल्पों के बीच महसूस करते हैं।
IVR प्रॉम्प्ट में विनम्रता का फ़ायदा घटता जाता है। स्वागत संदेश में एक "कृपया" उचित है। "कृपया 1 दबाएँ, कृपया होल्ड करें, कृपया निम्नलिखित विकल्पों को ध्यान से सुनें" कहने से वह बेकार समय जुड़ता है जिससे कॉल करने वाले चिढ़ते हैं। पहले के बाद हर अनावश्यक "कृपया" हटा दें।
अगर 70 प्रतिशत कॉल करने वाले विकल्प 3 चाहते हैं, तो उसे पहले रखें। ज़्यादातर बिज़नेस IVR मेनू को आंतरिक पदानुक्रम से सजाते हैं (सेल्स पहले, क्योंकि कंपनी के भीतर सेल्स सबसे अहम है), न कि असली कॉल करने वालों के व्यवहार से। अपने कॉल लॉग की जाँच करें और हर विकल्प पर कॉल वॉल्यूम के हिसाब से क्रम बदलें। आपके कॉल करने वाले इसे नोटिस करेंगे, भले ही वे न समझा पाएँ कि सिस्टम तेज़ क्यों लगता है।
"हमारी क्लाइंट सक्सेस टीम के लिए 1 दबाएँ" उस कॉल करने वाले के लिए कुछ नहीं कहता जिसे सिर्फ़ बिलिंग की गड़बड़ी में मदद चाहिए। सरल भाषा इस्तेमाल करें: "बिलिंग से जुड़े सवालों के लिए 1 दबाएँ।" आंतरिक विभाग के नाम कॉल करने वालों के सामने वाले ऑडियो में जगह नहीं पाते।
हर IVR मेनू को उन कॉल करने वालों के लिए टाइमआउट संदेश चाहिए जो तय समय के भीतर कुछ नहीं दबाते। अच्छा टाइमआउट प्रॉम्प्ट विकल्पों को एक बार फिर सुनाता है, फिर किसी लाइव एजेंट या वॉइसमेल पर भेजता है। इसके बिना कॉल करने वाले सन्नाटा और फिर डिस्कनेक्ट का अनुभव करते हैं, और यह उस ब्रांड की छवि को नष्ट कर देता है जिसे बनाने में आपने पैसे लगाए हैं।
फ़ोन ऑडियो की पुरानी प्रोडक्शन प्रक्रिया में असली रुकावटें थीं: वॉइस टैलेंट बुक करना, फ़ाइलों का इंतज़ार करना, रिवीज़न का भुगतान करना। AI प्लेटफ़ॉर्म पर उपलब्ध टूल्स यह सारी परेशानी हटा देते हैं। आप सुबह पूरी IVR स्क्रिप्ट लिख सकते हैं और दोपहर तक प्रोडक्शन-तैयार ऑडियो फ़ाइलें पा सकते हैं, उन सभी भाषाओं में जिनमें आपका बिज़नेस काम करता है, ऐसी आवाज़ के साथ जो सालों तक एक जैसी रहती है।
Picasso IA आपको एक ही जगह पर सबसे सक्षम टेक्स्ट-टू-स्पीच मॉडल की सुविधा देता है, जिनमें ElevenLabs V3, Speech 2.8 HD, Gemini 3.1 Flash TTS और तेज़ बहुभाषी आउटपुट के लिए Turbo v2.5 शामिल हैं। आपको हर प्लेटफ़ॉर्म की अलग सब्सक्रिप्शन लेने की ज़रूरत नहीं है। अगर AI आवाज़ों से दोबारा बनाने से पहले मौजूदा रिकॉर्डिंग को ट्रांसक्राइब करना हो, तो आपके पास speech-to-text टूल्स भी हैं।
एक मॉडल चुनें, अपनी पहली प्रॉम्प्ट स्क्रिप्ट लिखें और जनरेट करें। जो फ़ोन सिस्टम असली कंपनी जैसा सुनाई देता है और जो बाद में जोड़ा हुआ ख़याल लगता है, उनके बीच का फ़र्क एक दोपहर के केंद्रित काम जितना है।
अपनी भाषा चुनें
