از ۸ صدای بچه، ۴ تا ماند؛ تبدیل متن به صدای کودک با هوش مصنوعی

هوش مصنوعی واقعاً صدای بچه دارد؟

برای کلیپ آموزشی بچه‌ها، تیزر اسباب‌بازی‌فروشی یا یک شخصیت کارتونی در ریلز، صدای بزرگسال هر چقدر هم گرم باشد، صدای بچه نیست. ساختن صدای کودک با هوش مصنوعی سخت‌تر از چیزی است که به نظر می‌رسد: گاهی مدل به‌جای بچه، یک بزرگسال با صدای زیرتر تحویل می‌دهد.

ما در خوش‌خوان هشت صدای کودک و نوجوان ساختیم و بعد همه را گوش دادیم. چهار تا (تینا، نیلا، ملیکا و امیرعلی) بچگانه شنیده نمی‌شدند و خاموش شدند. چهار صدایی که ماند این‌هاست:

• لیلی: دختربچه سرزنده و شاد؛ برای محتوای کودک و تبلیغ. با کیفیت «سریع» و «استاندارد».

• ساغر: دختربچه دلنشین و مهربان؛ برای قصه و پیام تبریک. با کیفیت «سریع» و «استاندارد».

• آرین: پسربچه ۸ ساله، کنجکاو و پرانرژی. با کیفیت «طبیعی‌ترین»؛ آزمایشی.

• فسقلی (کارتونی): شخصیت کارتونی بامزه، اغراق‌شده و پرحرکت؛ برای کلیپ و محتوای بچه‌های کوچک. با کیفیت «طبیعی‌ترین»؛ آزمایشی.

فرق این دو گروه مهم است: لیلی و ساغر صدای آماده یک مدل‌اند که خودش کودکانه است؛ آرین و فسقلی از یک گوینده پایه ساخته می‌شوند که به مدل گفته شده نقش بچه یا کارتون را بازی کند. برای همین نشان «آزمایشی» دارند و ممکن است یک جمله را کمی بزرگ‌تر از سن بچه بخوانند. در هر دو حالت کلمه‌ها همان است که تو نوشته‌ای.

صدای بچه کجا بهتر از صدای بزرگسال کار می‌کند؟

• کلیپ آموزشی کودک: شمردن، رنگ‌ها، حروف الفبا؛ وقتی راوی هم‌سن بیننده است، کلیپ حس بازی دارد، نه کلاس.

• صدای کارتونی برای ریلز: یک شخصیت ثابت (مثلاً عروسک یا میوه سخنگو) که هر هفته با همان صدا برمی‌گردد.

• تبلیغ محصول کودک: اسباب‌بازی، لباس بچه، کتاب کودک، کلاس نقاشی؛ جمله‌ای که بچه می‌گوید «من اینو می‌خوام!».

• گفت‌وگو در قصه: راوی بزرگسال است و جمله‌های شخصیت بچه را جدا با صدای بچه می‌سازی و کنار هم می‌گذاری.

• پیام تبریک خانوادگی: تبریک تولد پدربزرگ یا روز پدر از زبان نوه؛ با این شرط که شنونده بداند صدا ساختگی است.

متن را به زبان بچه بنویس، نه به زبان بزرگسال

یک دلیل مهم مصنوعی شنیده شدن صدای بچه، خود متن است. بچه هشت‌ساله نمی‌گوید «لازم به ذکر است». این چند قاعده را رعایت کن:

1. محاوره بنویس: «می‌خوام»، «بریم»، «اینو ببین». متن کتابی با صدای بچه مثل انشای سر کلاس شنیده می‌شود.

2. جمله کوتاه: هر جمله یک فکر. جمله‌های بلند با چند ویرگول حتی برای گوینده بزرگسال سخت است.

3. عدد کوچک و ساده: «۳ تا سیب» خوب خوانده می‌شود؛ قیمت، درصد و تاریخ کامل را در دهان بچه نگذار. اگر تبلیغ است، قیمت را گوینده بزرگسال بگوید.

4. سؤال و هیجان: «حدس بزن چی شد؟» و «آفرین!» به صدای بچه جان می‌دهد؛ اما در هر پاراگراف حداکثر یکی دو علامت تعجب.

5. بدون اسم سخت: اسم خاص کمیاب را یک بار امتحان کن؛ اگر بد خوانده شد، تلفظش را در واژه‌نامه بنویس (تلفظ و واژه‌نامه).

نمونه: کلیپ «بازی رنگ‌ها» با صدای بچه

این همان متنی است که لینک پایین در فرم می‌گذارد؛ یک کلیپ کوتاه کودکانه با یک سؤال برای بیننده:

این مدت‌ها تخمین است: در آزمون‌های خودمان هر نویسه با گوینده‌های «سریع/استاندارد» حدود ۰٫۰۸۵ ثانیه و با «طبیعی‌ترین» حدود ۰٫۱۲ ثانیه صدا شده است. مکث بین پاراگراف‌ها (پیش‌فرض ۰٫۶ ثانیه) هم اضافه می‌شود.

صدای بچه ساختگی؛ کجا نباید از آن استفاده کرد؟

صدای کودک خوش‌خوان صدای هیچ بچه واقعی نیست و ساختن صدا از روی صدای یک کودک (کلون صدا) در خوش‌خوان وجود ندارد. با این حال، استفاده فریبنده از صدای ساخته هوش مصنوعی ممنوع است. صدای بچه را برای «رضایت مشتری» ساختگی، پیام‌هایی که وانمود می‌کنند یک کودک واقعی حرف می‌زند یا هر چیزی که شنونده را درباره گوینده گول بزند به کار نبر. شخصیت کارتونی، راوی کلیپ آموزشی و نقش در قصه، کاربردهای درست این صداها هستند.

صدای کودک خودت را بساز

1. لینک پایین خوش‌خوان را با متن «بازی رنگ‌ها» و لحن «شاد» (لبخند در صدا) باز می‌کند. متن خودت را جایش بنویس.

2. در بخش گوینده، تب «بچه‌ها» را بزن، نمونه چهار صدا را گوش بده و یکی را انتخاب کن؛ با فیلتر «دختر» و «پسر» زودتر پیدا می‌کنی. کیفیت متناسب با گوینده خودکار انتخاب می‌شود (انتخاب گوینده).

3. پیش‌نمایش خوانش را چک کن، سرعت را اگر لازم بود کمی پایین بیاور و «ساخت صدا» را بزن. هزینه پیش از پرداخت نشان داده می‌شود؛ خروجی MP3، WAV و زیرنویس SRT است.

برای قصه خواب، صدای آرام بزرگسال بهتر جواب می‌دهد: قصه صوتی کودکانه برای خواب. اگر صدای بچه را روی ویدیو می‌گذاری، صداگذاری روی ریلز اینستاگرام را ببین.