इमोशन TTS मूवी: अपने कथानकों को अधिक भावनात्मक बनाएं

साधारण कथानकों को भावनात्मक उत्कृष्ट कृतियों में बदलें

क्या होगा अगर आपकी वीडियो नैरेशन केवल जानकारी नहीं, बल्कि वास्तविक भावना भी व्यक्त कर सके? हमारा इमोशन-एन्हांस्ड TTS टूल मौजूदा वीडियो सामग्री को लेता है और इसे उच्च-ऊर्जा, भावनात्मक रूप से अभिव्यक्तिपूर्ण आवाज़ संश्लेषण के साथ सुपरचार्ज करता है। Azure Cognitive Services के उन्नत SSML मार्कअप और ElevenLabs ट्रांसक्रिप्शन का उपयोग करते हुए, यह टूल सपाट, एकरूप नैरेशन को आकर्षक, भावनात्मक रूप से गूंजने वाले प्रदर्शनों में बदलता है जो दर्शकों को मोहित कर देता है।

यह इमोशन एन्हांसमेंट टूल क्या करता है

यह पायथन टूल ऑडियो पोस्ट-प्रोडक्शन में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है - यह मौजूदा वीडियो से ऑडियो निकालता है, इसे सटीकता के साथ ट्रांसक्राइब करता है, फिर प्रत्येक खंड को भावनात्मक बुद्धिमत्ता के साथ फिर से संश्लेषित करता है। परिणाम एक नया ऑडियो ट्रैक है जो मूल लिप-सिंक को बनाए रखते हुए नाटकीय अभिव्यक्ति, ऊर्जा और भावनात्मक बारीकियाँ जोड़ता है जो पारंपरिक TTS सिस्टम के साथ असंभव था।

भावना पाइपलाइन कैसे काम करती है

यह टूल एक जटिल छह-चरणीय प्रक्रिया का पालन करता है जो सपाट नैरेशन को भावनात्मक रूप से आकर्षक प्रदर्शनों में बदलता है जबकि तकनीकी समन्वय को सही बनाए रखता है।

clip = VideoFileClip(video_path)
clip.audio.write_audiofile(audio_path, codec='pcm_s16le', logger=None)

resp = requests.post(ELEVENLABS_URL, headers={'xi-api-key': ELEVENLABS_KEY}, files={'file': ('audio.wav', f, 'audio/wav')}, data={'model_id': 'scribe_v1'})

def build_emotional_ssml(text: str) -> str:
    return f'''<speak version='1.0' xmlns='http://www.w3.org/2001/10/synthesis' xmlns:mstts='https://www.w3.org/2001/mstts' xml:lang='en-US'>
  <voice name='{voice}'>
    <mstts:express-as style='advertisement_upbeat' styledegree='2'>
      <prosody rate='+15%' pitch='+8%' volume='+15%'>
        {escaped}
      </prosody>
    </mstts:express-as>
  </voice>
</speak>'''

headers = {'Ocp-Apim-Subscription-Key': AZURE_API_KEY, 'Content-Type': 'application/ssml+xml', 'X-Microsoft-OutputFormat': 'riff-24khz-16bit-mono-pcm'}
resp = requests.post(AZURE_TTS_URL, headers=headers, data=ssml.encode('utf-8'), timeout=30)

def concat_wavs(wav_paths: list[str], out_path: str) -> None:
    params = None
    frames = []
    for p in wav_paths:
        if not os.path.exists(p):
            continue
        with wave.open(p, 'rb') as wf:
            if params is None:
                params = wf.getparams()
            frames.append(wf.readframes(wf.getnframes()))
    if not frames:
        logger.warning('कोई WAV फ्रेम संयोजित करने के लिए नहीं हैं।')
        return
    with wave.open(out_path, 'wb') as out_wf:
        out_wf.setparams(params)
        for f in frames:
            out_wf.writeframes(f)

cmd = ['ffmpeg', '-y', '-i', video_path, '-i', audio_path, '-map', '0:v:0', '-map', '1:a:0', '-c:v', 'copy', '-c:a', 'aac', '-b:a', '192k', '-shortest', out_path]

भावनात्मक भाषण का विज्ञान

पारंपरिक TTS सिस्टम सपाट, एकरस भाषण उत्पन्न करते हैं जो दर्शकों को आकर्षित करने में असफल होते हैं। हमारा भावनात्मक संवर्धन अत्याधुनिक SSML मार्कअप और Azure के न्यूरल TTS का उपयोग करके प्राकृतिक भावनात्मक भिन्नता, गतिशील रेंज, और पेशेवर आवाज अभिनय के साथ मेल खाने वाली अभिव्यक्तिपूर्ण प्रस्तुति बनाता है।

<speak version='1.0' xmlns='http://www.w3.org/2001/10/synthesis' xmlns:mstts='https://www.w3.org/2001/mstts' xml:lang='en-US'>
  <voice name='en-US-AndrewNeural'>
    <mstts:express-as style='advertisement_upbeat' styledegree='2'>
      <prosody rate='+15%' pitch='+8%' volume='+15%'>
        आपका भावनात्मक पाठ यहाँ
      </prosody>
    </mstts:express-as>
  </voice>
</speak>

तकनीकी आर्किटेक्चर

वास्तविक-विश्व अनुप्रयोग

कोर कार्यान्वयन उदाहरण

def main():
    if not AZURE_API_KEY:
        logger.error('AZURE_AI_API_KEY not set. Check curify_background/.env')
        sys.exit(1)

    # Step 1: Extract audio
    if not os.path.exists(AUDIO_PATH):
        if not extract_audio(VIDEO_PATH, AUDIO_PATH):
            sys.exit(1)

    # Step 2: Transcribe
    segments = transcribe(AUDIO_PATH)

    # Step 3: TTS per segment
    wav_paths: list[str] = []
    for i, seg in enumerate(segments):
        text = seg['text'].strip()
        if not text:
            continue
        out_path = os.path.join(OUTPUT_DIR, f'segment_{i:03d}.wav')
        if os.path.exists(out_path):
            logger.info('[%02d] Segment WAV already exists, skipping TTS.', i)
            wav_paths.append(out_path)
            continue
        ssml = build_emotional_ssml(text)
        logger.info('[%02d] Generating TTS: %s…', i, text[:60])
        if azure_tts(ssml, out_path):
            wav_paths.append(out_path)

    # Step 4: Concatenate
    if not wav_paths:
        logger.error('No segments synthesised.')
        sys.exit(1)
    concat_wavs(wav_paths, FULL_WAV)

    # Step 5: Mux onto original video
    if not mux_audio_video(VIDEO_PATH, FULL_WAV, OUTPUT_MP4):
        sys.exit(1)

    logger.info('All done!')

भावनात्मक संवर्धन क्यों काम करता है

शुरू करना

अपेक्षित परिणाम

भावनात्मक संवर्धन का भविष्य

हम उन्नत आवाज प्रोफाइल, वास्तविक समय की भावना पहचान, और सामग्री निर्माण के लिए निर्बाध वीडियो संपादन कार्यप्रवाह के साथ भावनात्मक क्षमताओं का विस्तार कर रहे हैं।