গান দিয়েই শুরু করুন: লিঙ্ক পেস্ট করুন বা MP3 আপলোড করুন, তারপর “প্রসেস করুন” চাপুন। কণ্ঠ ও ব্যান্ড আলাদা হয়ে কারাওকে স্টুডিও খোলে, আর “Add a track in your voice” (আপনার কণ্ঠে একটি ট্র্যাক যোগ করুন) আপনার ১০ থেকে ৩০ সেকেন্ডের কণ্ঠ থেকে মূল ভোকাল আবার গেয়ে দেয়। এরপর মিক্স করুন, তুলনা করুন এবং কভার ডাউনলোড করুন।
Pro-তে স্ট্যান্ডার্ডে 15 মিনিট · হাই কোয়ালিটিতে 6 মিনিট
AI সং কভার গানের সবকিছু রাখে, শুধু গায়কের কণ্ঠ ছাড়া। Mazmazika এটি বানায় দুই ধাপে। প্রথমে ভোকাল রিমুভার মূল ভোকালকে ব্যান্ড থেকে আলাদা করে। তারপর একটি সিঙ্গিং ভয়েস কনভার্শন মডেল সেই ভোকাল আপনার কণ্ঠের টিম্বারে আবার গায়, সুরে সুরে আর শব্দে শব্দে, এবং মূলটির পাশে একটি নতুন ট্র্যাকে রাখে।
আপনার লাগবে শুধু নিজের কণ্ঠের একটি ছোট নমুনা, গান গেয়ে বা কথা বলে। কভারটি তৈরি হয় কারাওকে স্টুডিওর ভেতরেই, তাই আপনি মূল গায়কের সঙ্গে তুলনা করতে, ব্যান্ডের সঙ্গে মিক্স করতে, নিজের রেকর্ড করা টেক যোগ করতে এবং ফলাফল ডাউনলোড করতে পারেন।
একটি রয়্যালটি-মুক্ত গানের 20 সেকেন্ড, এই পেজের আল্ট্রা ইঞ্জিনে আলাদা করা, তারপর তার মূল কণ্ঠ AI ভয়েস ক্লোনিং দিয়ে 20 সেকেন্ডের একটি কণ্ঠের নমুনা থেকে নতুন করে গাওয়া, প্রতিটি ইঞ্জিনে একবার করে। গান চলার সময় ট্র্যাক বদলান: কথা আর সুর গায়কেরই থাকে। প্রতিটি ট্র্যাক একই ভলিউমে বাজে।
গান: mahbubjoarder-এর “Eternal Light” (Pixabay Content License), এই সাইটে আলাদা করা; শুধু ভলিউম মেলানো হয়েছে। ক্লোন করা কণ্ঠটি Mazmazika টিমের একজন সদস্যের, তাঁর অনুমতি নিয়ে ব্যবহার করা হয়েছে।
বর্তমান প্ল্যান সেটিংস থেকে সরাসরি পড়া হয়, তাই এই অংশ সবসময় টুলটি আজ যা প্রয়োগ করে তার সঙ্গে মেলে।
ভয়েস কনভার্শন বদলায় কে গাইছে, কী গাওয়া হচ্ছে তা নয়। সুর, ছন্দ, ফ্রেজিং ও শব্দ, সবই আসে মূল ভোকাল থেকে; শুধু টিম্বার হয়ে যায় আপনার। এ কারণেই কভারটি যেকোনো ভাষার গানে কাজ করে, এবং এ কারণেই এটি এমন সুর ও রান গাইতে পারে যা আপনি কখনো অনুশীলন করেননি।
প্রতিটি কনভার্শন একটি নতুন ট্র্যাক হয়, গানপ্রতি সর্বোচ্চ আটটি ভয়েস ট্র্যাক পর্যন্ত (ক্লোন ও রেকর্ড করা টেক মিলিয়ে), তাই আপনি দুটি ইঞ্জিন, কয়েকটি অক্টেভ বা ভিন্ন ভিন্ন স্টেপ সংখ্যা চেষ্টা করে সেরাটি রাখতে পারেন। বেশি স্টেপ বেশি খুঁটিনাটি দেয় এবং আনুপাতিক হারে বেশি সময় নেয়।
নমুনাটি আপনার অ্যাকাউন্টে সংরক্ষিত হয় কেবল তখনই, যখন আপনি নিশ্চিত করেন যে এটি আপনার নিজের কণ্ঠ বা আপনার কাছে বক্তার অনুমতি আছে। এটি শুধু আপনার ভয়েস ট্র্যাক বানাতে ব্যবহৃত হয়, এবং আপনি যেকোনো সময় এটি বদলাতে বা মুছে ফেলতে পারেন। কোনো জবের জন্য GPU-তে পাঠানো কপিটি সেই জবের সঙ্গেই মুছে ফেলা হয়।
শুধু সেই ব্যক্তির অনুমতি নিয়ে। টুলটি আপনার নিজের কণ্ঠের জন্য তৈরি: নমুনা সংরক্ষণের আগে আপনি নিশ্চিত করেন যে সেটি আপনার, অথবা বক্তা সম্মতি দিয়েছেন।
যেকোনো ভাষা। কনভার্শন শুধু কণ্ঠ বদলায়, তাই শব্দগুলো ঠিক তেমনই থাকে যেমন মূল গায়ক গেয়েছিলেন। কোনো গানের শব্দ অস্পষ্ট শোনালে অন্য ইঞ্জিনটি চেষ্টা করুন: দুটি ইঞ্জিন ভিন্ন ভিন্ন ডেটা থেকে শিখেছে।
“আল্ট্রা”-তে চার মিনিটের একটি সাধারণ গান আলাদা করতে এক মিনিটেরও কম লাগে, আর প্রতিটি ভয়েস ট্র্যাকে আরও প্রায় আধা মিনিট থেকে এক মিনিট। SoulX-Singer-এ Seed-VC-এর প্রায় দ্বিগুণ সময় লাগে।
শুধু আপনার কণ্ঠের ১০ থেকে ৩০ সেকেন্ড, গান গেয়ে বা কথা বলে, শান্ত ঘরে সংগীত বা ইফেক্ট ছাড়া রেকর্ড করা।
গান ও তার রেকর্ডিংয়ের কপিরাইট বহাল থাকে, তাই কভার প্রকাশ বা স্ট্রিম করতে স্বত্বাধিকারীর অনুমতি লাগবে। শোনা, অনুশীলন এবং বন্ধুদের সঙ্গে ব্যক্তিগতভাবে শেয়ার করাই এর উদ্দিষ্ট ব্যবহার।
