F5-TTS একটি শক্তিশালী টেক্সট-টু-স্পিচ (TTS) সিস্টেম, যা ব্যবহারকারীদের প্রাকৃতিক ও সাবলীল কণ্ঠস্বর তৈরির অভিজ্ঞতা দিতে পারে. এটি ভাষা পরিবর্তন, কণ্ঠের গতি নিয়ন্ত্রণ ও আবেগ প্রকাশ সমর্থন করে এবং এতে অনন্য জিরো-শট জেনারেশন ক্ষমতা ও বৃহৎ পরিসরের ভাষা প্রশিক্ষণের সুবিধা রয়েছে. নতুন দ্বি-ব্যক্তি কথোপকথন ফিচার এর ব্যবহারের পরিধি আরও বিস্তৃত করেছে, যা বিশ্বায়িত যোগাযোগ ও সৃষ্টির জন্য একটি আদর্শ হাতিয়ার.

1. ভাষা পরিবর্তন
একাধিক ভাষার মধ্যে নিরবচ্ছিন্ন পরিবর্তন সমর্থন করে, জটিল ভাষা ইনপুট চাহিদা সহজেই পূরণ করে.
2. জিরো-শট জেনারেশন ক্ষমতা
নির্দিষ্ট প্রশিক্ষণ নমুনা ছাড়াই উচ্চ মানের কণ্ঠস্বর তৈরি করা যায়, নতুন ভাষা বা আগে না দেখা কণ্ঠশৈলীর সাথে খাপ খায়.
3. কণ্ঠের গতি নিয়ন্ত্রণ
কণ্ঠের গতি নিয়ন্ত্রণের সুবিধা দেয়, ব্যবহারকারীরা প্রয়োজন অনুযায়ী কণ্ঠের ছন্দ সমন্বয় করতে পারেন, বিভিন্ন পরিস্থিতির সাথে মানানসই.
4. দ্বি-ব্যক্তি কথোপকথন ফিচার
দুটি চরিত্র সেট করে কথোপকথন করার সুযোগ দেয়, কথোপকথনভিত্তিক কনটেন্ট তৈরি করা সহজ করে.
F5-TTS স্মার্ট অ্যাসিস্ট্যান্ট, অনলাইন শিক্ষা ও কনটেন্ট ক্রিয়েশনের মতো ক্ষেত্রে ব্যাপকভাবে ব্যবহার করা যায়. প্রাকৃতিক ও সাবলীল কণ্ঠ আউটপুট হোক বা সমৃদ্ধ আবেগ প্রকাশ, এই হাতিয়ারটি প্রয়োজন পূরণ করতে পারে, যা উচ্চ মানের কণ্ঠস্বর তৈরি ও ভাষা সমর্থন প্রয়োজন এমন ব্যবহারকারীদের জন্য উপযুক্ত.
– অপারেটিং সিস্টেম: Windows 10/11 64-বিট
– গ্রাফিক্স কার্ড: 8GB বা তার বেশি VRAM সহ NVIDIA গ্রাফিক্স কার্ড ব্যবহারের পরামর্শ দেওয়া হয়, CUDA >= 11.8 সমর্থিত
– হার্ড ডিস্ক স্পেস: ডিকম্প্রেস করার পরে প্রায় 10.1GB প্রয়োজন, হার্ড ডিস্কে পর্যাপ্ত জায়গা আছে কি না নিশ্চিত করুন
– গ্রাফিক্স কার্ডের ব্র্যান্ড ও VRAM দেখার পদ্ধতি:
1. টাস্ক ম্যানেজার খুলুন
2. "পারফরম্যান্স" ট্যাবে ক্লিক করুন
3. "GPU" নির্বাচন করুন, ডান উপরের কোণে গ্রাফিক্স কার্ডের মডেল দেখা যাবে, নিচে VRAM-এর আকার দেখানো হয়

CUDA ইনস্টলেশন টিউটোরিয়াল:টিউটোরিয়াল দেখতে ক্লিক করুন
1. ইন্টিগ্রেটেড প্যাকেজ আনজিপ করুন
ডিকম্প্রেস পাথ এবং ফাইলের নামে চীনা অক্ষর নেই তা নিশ্চিত করুন, সফটওয়্যার চালানোর সময় ত্রুটি এড়াতে.

2. অডিও উপাদান প্রস্তুতি
উপাদানের দৈর্ঘ্য 15 সেকেন্ডের মধ্যে রাখার পরামর্শ দেওয়া হয়, কণ্ঠস্বর হবে ড্রাই ভোকাল (ব্যাকগ্রাউন্ড সাউন্ড ও নয়েজ ছাড়া). ব্যাকগ্রাউন্ড সাউন্ড থাকলে ব্যবহার করা যেতে পারে [UVR]প্রসেসিং.
3. অপারেশন ইন্টারফেস চালু করুন
"এক-ক্লিক স্টার্ট.exe" ডাবল ক্লিক করুন, কিছুক্ষণ অপেক্ষা করলে ব্রাউজারে অপারেশন ইন্টারফেস খুলে যাবে.

4. একক চরিত্রের কণ্ঠস্বর তৈরি
– অডিও আপলোড করুন
– রেফারেন্স অডিও টেক্সট লিখুন (অর্থাৎ অডিওতে থাকা সংলাপের বিষয়বস্তু)
– "নীরবতা মুছুন" চেক করুন
– যে টেক্সট তৈরি করতে চান তা লিখুন, বাক্যের শেষে দাঁড়ি দিন, জেনারেটে ক্লিক করুন

জেনারেশন ফলাফল পেজের নিচে দেখানো হবে, প্রিভিউ শোনা ও ডাউনলোড সমর্থিত.

[আসল অডিও]
[জেনারেশন ফলাফল]
5. দ্বৈত চরিত্রের কথোপকথন তৈরি
– "Podcast" মোড নির্বাচন করুন, দুটি চরিত্রের নাম দিন এবং প্রত্যেকের অডিও আপলোড করুন, সংশ্লিষ্ট রেফারেন্স টেক্সট লিখুন
– কথোপকথনের স্ক্রিপ্ট লিখুন, ফরম্যাটে মনোযোগ দিন: চরিত্রের নামের পরে কোলন দিয়ে সংলাপ লিখুন, বাক্যের শেষে দাঁড়ি দিতে হবে
– "নীরবতা মুছুন" চেক করুন, জেনারেটে ক্লিক করুন

জেনারেশন ফলাফল নিচে দেখানো হবে, শোনা বা ডাউনলোড করা যাবে.

[আসল অডিও-A]
[আসল অডিও-B]
[জেনারেশন ফলাফল]
PS: টুলটি আবেগ জেনারেশনও সমর্থন করে, তবে পরীক্ষা করে দেখা গেছে ফলাফল সাধারণ, আগ্রহ থাকলে নিজে পরীক্ষা করে দেখতে পারেন!

ওপেন সোর্স ঠিকানা:https://github.com/SWivid/F5-TTS