শর্ট ভিডিও ডাবিংয়ের জন্য এখনও টাকা দিয়ে লোক খুঁজছেন? দশবার রেকর্ড করে গলা বসে গেছে? নিজের কণ্ঠস্বরের একটি "ডিজিটাল ক্লোন" বানিয়ে ব্যাচে কনটেন্ট বের করতে চান?মোয়িন ফ্যাক্টরি(MOSS-TTS-Nano v0.1.0) একটি সত্যিকারের বিনামূল্যে, সম্পূর্ণ অফলাইন, CPU-তেই চলা স্থানীয় ভয়েস সিন্থেসিস টুল। আপনাকে শুধু একটি টেক্সট ইনপুট করতে হবে, একটি রেফারেন্স অডিও দিতে হবে, এটি একই টিমব্রের ভয়েস ফাইল তৈরি করতে পারবে। আজকের এই আর্টিকেলে মোয়িন ফ্যাক্টরি ডাউনলোড ও ইনস্টলেশন টিউটোরিয়াল, ৩টি বাস্তব পরীক্ষার কেস এবং সাধারণ প্রশ্নের উত্তর নিয়ে আসছি, যা আপনাকে ৩ মিনিটে প্রথম AI ডাবিং পাইপলাইন চালু করতে সাহায্য করবে।
মোয়িন ফ্যাক্টরি MOSS-TTS-Nano একটি বিনামূল্যে স্থানীয় অফলাইন ভয়েস সিন্থেসিস টুল, যা ওপেন সোর্স প্রকল্প OpenMOSS MOSS-TTS-Nano (Apache 2.0) এর উপর ভিত্তি করে পুনঃপ্যাকেজ করা, দেশীয় ডেভেলপারদের দ্বারা চীনা ইন্টারফেস অভিযোজন ও এক-ক্লিক স্টার্ট প্যাকেজিং করা হয়েছে, বক্স খুললেই ব্যবহারযোগ্য।
সহজ কথায়:টেক্সটকে শব্দে রূপান্তর করুন, ইন্টারনেট সংযোগ ছাড়াই, অর্থপ্রদান ছাড়াই, CPU-তেই চলে, আর একটি রেফারেন্স অডিও দিয়ে ভয়েস ক্লোনও করা যায়।
যেকোনো টেক্সট ইনপুট করুন, ভয়েস টিমব্রে নির্বাচন করুন, এক ক্লিকে 48kHz স্টেরিও WAV অডিও তৈরি করুন, সাউন্ড কোয়ালিটি প্রায় বাস্তব মানুষের কণ্ঠের মতো।
অপারেশনের উদাহরণ:টেক্সট বক্সে "হ্যালো, আমার চ্যানেল ফলো করতে স্বাগতম" লিখুন, জেনারেট ক্লিক করুন
৫-১০ সেকেন্ডের একটি রেফারেন্স অডিও দিন, AI কণ্ঠের বৈশিষ্ট্য শিখে নেবে এবং রেফারেন্স কণ্ঠের সাথে মিলে এমন ভয়েস তৈরি করবে।
অপারেশনের উদাহরণ:নিজের পড়া অডিও আপলোড করুন → "ভয়েস ক্লোনিং" টিক দিন → টেক্সট লিখে একই ধরনের ভয়েস তৈরি করুন
চীনা, ইংরেজি, জাপানি, কোরিয়ান, ফরাসি, জার্মানসহ ২০টি ভাষা সমর্থিত, স্বাধীনভাবে পরিবর্তন করে বহুভাষিক ডাবিং তৈরি করা যায়।
অপারেশনের উদাহরণ:ভাষার ড্রপডাউন বক্সে "English" নির্বাচন করুন, ইংরেজি টেক্সট লিখে ইংরেজি ভয়েসওভার তৈরি করুন
মডেল ফাইল লোকালে ডাউনলোড করার পর, ইন্টারনেট সংযোগ ছাড়াই চালানো যায়, API কোটা খরচ হয় না, সাবস্ক্রিপশন ফি লাগে না।
অপারেশনের উদাহরণ:প্রথমবার চালু করার পর এয়ারপ্লেন মোডে গেলেও স্বাভাবিকভাবে ভয়েস তৈরি করা যায়
CPU-র জন্য গভীরভাবে অপ্টিমাইজ করা, ৪GB RAM-এই স্মুথভাবে চলে, GPU অ্যাক্সিলারেশনের উপর নির্ভর করে না।
অপারেশনের উদাহরণ:পুরনো অফিস ল্যাপটপেও সরাসরি চালানো যায়, আলাদা গ্রাফিক্স কার্ডের প্রয়োজন নেই

| কেস দৃশ্যপট | ইনপুট কন্টেন্ট | আউটপুটের বিশেষত্ব ও মূল্যায়ন | তৈরি সময়/ব্যবহারযোগ্যতা |
|---|---|---|---|
| শর্ট ভিডিও ডাবিং | ৮ সেকেন্ডের ড্রাই ভয়েস + ৩০ শব্দের ভয়েসওভার স্ক্রিপ্ট | রেফারেন্স অডিওর কণ্ঠস্বর ও সুর নিখুঁতভাবে পুনরুৎপাদন করে, এমনকি শ্বাস-প্রশ্বাসের ছন্দও মানুষের মতো। নলেজ ভয়েসওভার চ্যানেলের জন্য ৩টি ভিডিও তৈরি করেছি, একবারেই পাস, পোস্ট-প্রোডাকশনের প্রয়োজন হয়নি। মূল্যায়ন: সম্পূর্ণভাবে মানুষের ভয়েসওভার প্রতিস্থাপন করতে পারে। | ৭ সেকেন্ড/টি ★★★★★ |
| বহুভাষিক কন্টেন্ট প্রোডাকশন | চীনা কপি ৫০ অক্ষর, ইংরেজি কণ্ঠস্বর নির্বাচন করুন | ইংরেজি উচ্চারণ স্বাভাবিক ও সাবলীল, স্পষ্ট মেশিন-ভাব নেই, সরাসরি দ্বিভাষিক অ্যাকাউন্টের ইংরেজি সংস্করণ ভিডিওতে ব্যবহার করা যায়। মূল্যায়ন: বহুভাষিক পরিবর্তন খুবই সুবিধাজনক, আবার রেকর্ডিংয়ের ঝামেলা বাঁচে। | ৪ সেকেন্ড/টি ★★★★☆ |
| অডিওবুক / দীর্ঘ টেক্সট পাঠ | ৫০০ শব্দের একটি উপন্যাস অধ্যায় | বাক্য অনুযায়ী ভাগ করে তৈরি করুন, জোড়া লাগানোর পর শোনার অনুভূতি স্বাভাবিক, বিরতি ও থামা তুলনামূলকভাবে যুক্তিসঙ্গত। মূল্যায়ন: ব্যাচ অডিও কন্টেন্ট তৈরির জন্য উপযুক্ত, তবে দীর্ঘ টেক্সট ৩-৫ বাক্য প্রতি অংশে ভাগ করে তৈরি করে পরে জোড়া লাগালে ফলাফল আরও স্থিতিশীল হয়। | প্রায় ২০ সেকেন্ড/অংশ ★★★★☆ |
প্রজেক্টের Release পেজ থেকে মোয়িন ফ্যাক্টরির কম্প্রেসড প্যাকেজ ডাউনলোড করুন, সম্পূর্ণ ইংরেজি পাথে আনজিপ করুন, যেমন D:\moss\। চীনা ফোল্ডার নামের কারণে স্টার্টআপ সমস্যা এড়ান। কম্প্রেসড প্যাকেজে সম্পূর্ণ মডেল ফাইল রয়েছে (প্রথমবার প্রায় 728MB), 2GB ডিস্ক স্পেস সংরক্ষণ করার পরামর্শ দেওয়া হয়।
আনজিপ করার পর রুট ডিরেক্টরির 启动.bat-এ ডাবল ক্লিক করুন, প্রোগ্রামটি লোকাল সার্ভিস চালু করবে এবং স্বয়ংক্রিয়ভাবে ব্রাউজার অপারেশন ইন্টারফেস খুলবে। তখন একটি কালো কমান্ড লাইন উইন্ডো থাকবে,এটি বন্ধ করবেন না, বন্ধ করলেই প্রোগ্রাম থেকে বেরিয়ে যাবে।
ব্রাউজার ইন্টারফেসে সিন্থেসিস করার টেক্সট পেস্ট/লিখুন, ভাষা ও কণ্ঠস্বর নির্বাচন করুন (অথবা রেফারেন্স অডিও আপলোড করে ভয়েস ক্লোনিং চালু করুন), ”জেনারেট” বাটনে ক্লিক করুন। কয়েক সেকেন্ড অপেক্ষা করার পর, 48kHz WAV ফাইল শুনতে ও ডাউনলোড করতে পারবেন। অ্যাডভান্সড অপশনে একবারে জেনারেট করার দৈর্ঘ্য ৬০ সেকেন্ড বা তার বেশি করা যায়।
💡 ব্যবহারের টিপস:সেরা ভয়েস ক্লোনিং ফলাফলের জন্য, রেফারেন্স অডিও হিসেবে ৫-১০ সেকেন্ডের পরিষ্কার কণ্ঠস্বর (ব্যাকগ্রাউন্ড মিউজিক ছাড়া, রিভার্ব ছাড়া) ব্যবহার করার পরামর্শ দেওয়া হয়। দীর্ঘ টেক্সট জেনারেট করলে, প্রথমে অ্যাডভান্সড অপশনে সাইলেন্স ডিটেকশন বন্ধ করুন, তারপর একাধিক অংশে জেনারেট করুন, শেষে এডিটিং সফটওয়্যার দিয়ে জোড়া লাগান।
| তুলনার মাত্রা | মোয়িন ফ্যাক্টরি | মাইক্রোসফট Azure TTS | OpenAI TTS |
|---|---|---|---|
| পেমেন্ট পদ্ধতি | বিনামূল্যে ও ওপেন সোর্স | ¥50-200/মাস | ¥15-100/মাস |
| নেটওয়ার্ক প্রয়োজন | সম্পূর্ণ অফলাইন | ইন্টারনেট সংযোগ আবশ্যক | ইন্টারনেট সংযোগ আবশ্যক |
| ভয়েস ক্লোনিং | সমর্থন করে | শুধুমাত্র এন্টারপ্রাইজ সংস্করণে পাওয়া যায় | সমর্থন করে |
| আউটপুট স্পেসিফিকেশন | 48kHz স্টেরিও WAV | 48kHz | 24kHz |
| হার্ডওয়্যার প্রয়োজনীয়তা | CPU-ই যথেষ্ট, 4GB RAM | কোনো বিশেষ প্রয়োজনীয়তা নেই (ক্লাউড) | কোনো বিশেষ প্রয়োজনীয়তা নেই (ক্লাউড) |
সম্পূর্ণ বিনামূল্যে, রেজিস্ট্রেশনেরও প্রয়োজন নেই। Apache 2.0 ওপেন সোর্স লাইসেন্সের অধীনে পুনঃবিকাশিত, কোনো ফিচার কাটছাঁট বা গোপন চার্জ থাকবে না।
ডিফল্টভাবে একবারে প্রায় 30 সেকেন্ড তৈরি হয়। অ্যাডভান্সড অপশনে 60 সেকেন্ড বা তারও বেশি করা যায়, তবে দীর্ঘ টেক্সটের ক্ষেত্রে ভাগ করে তৈরি করে পরে জোড়া লাগানো বাঞ্ছনীয়, স্থিতিশীলতা বেশি হয়।
হ্যাঁ। তৈরি করা অডিওর কপিরাইট আপনারই, বাণিজ্যিক ভিডিও, বিজ্ঞাপন, অডিও কন্টেন্ট ইত্যাদি ক্ষেত্রে অবাধে ব্যবহার করা যায়, কোনো ওয়াটারমার্ক বা সীমাবদ্ধতা নেই।
Windows 10/11, 4GB RAM-ই যথেষ্ট, আলাদা গ্রাফিক্স কার্ডের প্রয়োজন নেই। প্রথমবার চালু করলে প্রায় 728MB মডেল ফাইল ডাউনলোড হবে, এরপর সম্পূর্ণ অফলাইনে ব্যবহার করা যাবে।
কম্প্রেসড প্যাকেজের সাথে বিস্তারিত ব্যবহার নির্দেশিকা দেওয়া আছে, ইন্টারফেস সম্পূর্ণ চীনা ভাষায়, নির্দেশনা অনুযায়ী চালালেই হবে। এই আর্টিকেলের 3-ধাপের টিউটোরিয়ালও দেখতে পারেন, মূলত 3 মিনিটেই শিখে ফেলা যাবে।
মোয়িন ফ্যাক্টরি যে মূল সমস্যার সমাধান করে তা হলো“ভয়েসওভারের খরচ বেশি, প্রক্রিয়া জটিল”। এটি টেক্সট-টু-স্পিচ, ভয়েস ক্লোনিং, বহুভাষিক জেনারেশন—এই কয়েকটি কাজকে সংকুচিত করে একটি ইন্টারনেট-নির্ভর নয়, গ্রাফিক্স কার্ড-নির্ভর নয়, টাকা-নির্ভর নয় এমন লোকাল টুলে পরিণত করেছে। এটি বিশেষভাবে উপযুক্ত শর্ট ভিডিও নির্মাতা, সেলফ-মিডিয়া অপারেটর, অডিওবুক প্রযোজক, এবং যারা প্রচুর ভয়েস উপাদান প্রয়োজন কিন্তু নিজের কণ্ঠ প্রকাশ করতে চান না তাদের জন্য। পরামর্শ হলো প্রথমে 3 মিনিটে প্রথম ভয়েসওভারটি সম্পন্ন করুন, তারপর নিজের কণ্ঠ দিয়ে একটি ”ডিজিটাল ক্লোন” তৈরি করার চেষ্টা করুন, সেটাই আসল উৎপাদনশীলতার উড্ডয়ন মুহূর্ত।
🎙️ এখনই মোয়িন ফ্যাক্টরি MOSS-TTS-Nano ডাউনলোড করুন, আপনার লোকাল ভয়েস সিন্থেসিস পাইপলাইন শুরু করুন!