আপনার ডিভাইসেই চলে · আপনার ফাইল কখনও আপনার ডিভাইস ছেড়ে যায় না।
একটা ক্লিপ রেকর্ড করুন বা যেকোনো অডিও-ভিডিও ফাইল দিন, একটা কণ্ঠ বাছুন, আর ফল শুনে নিন: ভারী কণ্ঠ, কাঠবিড়ালি, দৈত্য, রোবট, ধাতব, রেডিও, মেগাফোন, প্রতিধ্বনি, স্লো মোশন — কিংবা পরিচয়হীন কণ্ঠ, যাতে যে ভয়েস নোট আপনার বলে চেনা যাক চান না, তাতে আপনাকে চেনা কঠিন হয়। এরপর দুটো স্লাইডার আলাদা আলাদাভাবে পিচ (সেমিটোনে) আর গতি একটু করে সরায়, তাই কণ্ঠ নিচু করলেই সেটা ধীর হয়ে যায় না।
ইফেক্ট ইঞ্জিনটা ওপেন-সোর্স Voicebox স্টুডিওর ইফেক্ট-চেইনের ব্রাউজার সংস্করণ — একই রিভার্ব (Freeverb), কমপ্রেসর, ফিল্টার আর ফ্ল্যাঞ্জার, একই প্রিসেট মানসহ — সঙ্গে সময় ঠিক রাখে এমন একটা পিচ শিফটার। সব চলে আপনার ফোন বা কম্পিউটারের নিজের প্রসেসরে; কিছু কোথাও পাঠানো হয় না, আর ইন্টারনেট বন্ধ থাকলেও কাজ করে। এখানে কথাটা অন্য অনেক জায়গার চেয়ে বেশি জরুরি: কণ্ঠ বায়োমেট্রিক তথ্য।
WhatsApp আর Telegram-এর ভয়েস নোট (OPUS, OGG, M4A), ফোনের রেকর্ডিং, MP3, আর যেকোনো MP4 বা MOV-এর অডিও — সবকিছুতেই চলে। ফল সাধারণ একটা MP3 বা WAV, যা সোজা যেকোনো চ্যাটে আবার পাঠানো যায়।
যার জন্য নয়: বাস্তব কোনো মানুষের কণ্ঠ ক্লোন বা নকল করা — এটা আপনার কণ্ঠ কেমন শোনায় তা বদলায়, আপনাকে অন্য কেউ বানায় না।
পিচ স্লাইডার রেকর্ডিংকে সময়ের দিক থেকে টেনে লম্বা বা ছোট করে, তারপর দ্রুত বা ধীরে বাজায়, তাতে দৈর্ঘ্য আগের জায়গায় ফেরে। এতে কণ্ঠের সবকিছু একই পরিমাণে সরে, গলা আর মুখের সেই অনুরণনও, যা শ্রোতাকে বলে দেয় বক্তা কত বড়। তাই −3 শোনায় একই মানুষের ভারী গলার মতো, আর −7 বা +6 শোনায় অনেক বড় বা অনেক ছোট কারও মতো। স্বাভাবিক ফল চাইলে তিন-চার সেমিটোনের মধ্যে থাকুন।
প্রতিটা কণ্ঠের নিজের শুরুর মান আছে: «ভারী কণ্ঠ» −3, «পরিচয়হীন» −4, «দৈত্য» −7 আর 0.95×, «কাঠবিড়ালি» +6, «স্লো মোশন» −2 আর 0.7×। বাকিগুলো পিচ আর গতিতে হাত দেয় না, শব্দ বদলায় ফিল্টার, কমপ্রেশন, কোরাস, রিং মডুলেশন, ডিস্টরশন বা রিভার্ব দিয়ে। স্লাইডারগুলো সরে সেই শুরুর মান থেকে, তাই «রেডিও»-তে পিচ −3 দিলে হয় ভারী রেডিও-কণ্ঠ। «রিসেট» দুটো স্লাইডারকেই বাছা কণ্ঠের মানে ফিরিয়ে দেয়।
«পরিচয়হীন» কণ্ঠকে চার সেমিটোন নামায়, মোটামুটি 200 থেকে 4,500 Hz-এর অংশটুকুই রাখে, হালকা কোরাস যোগ করে আর জোর সমান করে দেয়। আপনার কথা, উচ্চারণের টান, ছন্দ বা থামা বদলায় না, আপনার চারপাশের ঘর আর পেছনের শব্দও না।
সেটিংটা বাঁধা বলে যে জানে, সে পিচ উল্টো দিকে সরিয়ে বদলের অনেকটাই ফিরিয়ে আনতে পারে। পিচ স্লাইডার নিজের পছন্দের একটা মানে সরালে বদলটা আন্দাজ করা কঠিন হয়।
«10 সেকেন্ড শুনে নিন» শুধু ফাইলের প্রথম দশ সেকেন্ড প্রসেস করে, তাই যে রেকর্ডিং চুপচাপ শুরু হয় তার প্রিভিউও চুপচাপ। পাঁচ মিনিটের বেশি রেকর্ডিং মেমোরি বাঁচাতে মনোতে প্রসেস হয়, আর ফলে সেটা লেখা থাকে। ত্রিশ মিনিটের বেশি রেকর্ডিং নেওয়া হয় না; দরকারি অংশটা আগে /mp3-cutter দিয়ে কেটে নিন। সারাউন্ড সাউন্ডট্র্যাক সেন্টার চ্যানেলসহ ভাঁজ হয়ে স্টেরিও হয় — সংলাপ সাধারণত সেখানেই থাকে।
ফাইলে ছবি থাকলে তৃতীয় একটা আউটপুট, «নতুন কণ্ঠসহ ভিডিও», বদলানো শব্দ আসল ছবির নিচে বসিয়ে MP4 বানায়, শব্দ থাকে AAC হিসেবে। MP4 বইতে পারলে ছবি যেমন আছে তেমন কপি হয়, না পারলে H.264-এ নতুন করে এনকোড হয়। এই আউটপুটে গতি থাকে 1×-এ, «দৈত্য» আর «স্লো মোশন»-এও, যাতে কণ্ঠ ভিডিওর দৈর্ঘ্য ধরে রাখে আর ঠোঁটের সঙ্গে মেলে।
এই পাতা অন্য ভাষায়: English · العربية · Deutsch · Français · Español · Русский · Português · 中文 · हिन्दी · Türkçe · עברית · فارسی · اردو · Bahasa Indonesia