VoiceStudio: নিজের পিসিতেই ফ্রি ভয়েস ক্লোনিং (৬৪৬ ভাষা)

[tldr] কী: VoiceStudio একটি ওপেন সোর্স (AGPL-3.0) ডেস্কটপ অ্যাপ — ভয়েস ক্লোনিং, ভয়েস ডিজাইন, ভিডিও ডাবিং, ডিক্টেশন, ট্রান্সক্রিপশন ও অডিওবুক বানানো পুরোটা আপনার নিজের পিসিতেই চলে। কোনো মাসিক ফি নেই, অডিও কোথাও আপলোড হয় না, প্রতি অক্ষরে বিল আসে না। Windows 10/11, macOS (Apple Silicon) ও Linux-এ চলে; দাবি অনুযায়ী ৬৪৬ ভাষা সাপোর্ট করে। ইনস্টল এক কমান্ডে। [/tldr]

[howto_callout type="tip"] বুকমার্ক করে রাখুন (🔖): ইনস্টলার ঘন ঘন বদলায়; নিচের কমান্ড আর “প্রথম ৩ মিনিট” অংশটাই বারবার দরকার হবে। [/howto_callout]

কেন মানুষ ক্লাউড ভয়েস টুল ছাড়ছে

ক্লাউড সার্ভিস প্রতি অক্ষরে টাকা নেয়, আপনার অডিও তাদের সার্ভারে থাকে, আর কার্ডের মেয়াদ শেষ হলেই কাজ বন্ধ। লোকাল স্টুডিও তিনটাই উল্টে দেয় — ইনস্টলের পর ফ্রি, ডিফল্টেই প্রাইভেট, ইন্টারনেট ছাড়াই চলে।

আসলে কী কী করা যায়

যে মডেল দরকার শুধু সেটাই ডাউনলোড হয়, বড় কিছু নামানোর আগে অ্যাপ জিজ্ঞেস করে।

কী লাগবে (সৎ হিসাব)

• Windows: ১০/১১, ৬৪-বিট। NVIDIA CUDA সরাসরি চলে; AMD ROCm ঐচ্ছিক; CPU-তেও চলে, শুধু ধীর।
• macOS: Apple Silicon-এ ১৩.৩ বা নতুন (Metal)।
• Linux: ডেস্কটপ বিল্ড আছে; ইঞ্জিনভেদে CUDA বা Vulkan।
• ডিস্ক: কয়েক জিবি খালি রাখুন, লোকাল স্পিচ মডেল ছোট অ্যাপের সমান।
• RAM: ছোট ক্লিপে ৮ জিবি চলে; লম্বা ডাবিং/অডিওবুকে ১৬ জিবি ভালো।

GPU না থাকলেও চলবে, শুধু সময় বেশি লাগবে। তাই প্রথমে ছোট বাক্য দিয়ে শুরু করুন, সরাসরি ৪০ মিনিটের অডিওবুক নয়।

ইনস্টল, এক কমান্ডে

Windows (PowerShell)

irm https://voicestudio.sh/install.ps1 | iex

অথবা releases পেজ থেকে EXE নামিয়ে ইনস্টল করুন।

macOS (Homebrew)

brew tap debpalash/tap
brew trust --cask debpalash/tap/voicestudio
brew install --cask debpalash/tap/voicestudio

Homebrew না থাকলে:

curl -fsSL https://voicestudio.sh/install | sh

Linux / যেকোনো Unix

curl -fsSL https://voicestudio.sh/install | sh

আনইনস্টলে ডেটা মুছে যায় না:

curl -fsSL https://voicestudio.sh/install | sh -s -- --uninstall

সোর্স থেকে (ডেভেলপার)

git clone https://github.com/debpalash/VoiceStudio.git
cd VoiceStudio
bun run dev

প্রথম ৩ মিনিট

1. Voice cloning খুলে বান্ডল করা ডেমো ভয়েস বেছে নিন, অথবা নিজের ১০, ৩০ সেকেন্ডের পরিষ্কার রেকর্ডিং দিন (মিউজিক বা শব্দ নয়)।
2. যা বলাতে চান সেই লেখা টাইপ করুন, প্রথম পরীক্ষায় এক-দুই বাক্যই যথেষ্ট।
3. Generate চেপে শুনুন, দরকার হলে গতি/এক্সপ্রেশন বদলান।
4. পছন্দ হলে WAV এক্সপোর্ট করুন, বা লম্বা কাজের জন্য ব্যাচ কিউতে দিন।

যেসব কাজে সত্যিই কাজে লাগে

• ইউটিউব ও টিকটক: একই ভিডিও বাংলা, হিন্দি ও ইংরেজিতে নেরেট করুন, তিনজন ভয়েস আর্টিস্ট ছাড়াই।
• কোর্স ও অডিওবুক: লেখা লেসনকেই রাতে অডিওতে বদলে ফেলুন।
• অ্যাক্সেসিবিলিটি: হাত ছাড়া ডিক্টেশন, ইন্টারভিউয়ের লোকাল ট্রান্সক্রিপশন।
• লোকালাইজেশন: প্রোডাক্ট ডেমো অন্য বাজারের জন্য ডাব করুন, টাইমিং অটুট রেখে।

নৈতিকতা ও লাইসেন্স, ক্লোন করার আগে পড়ুন

• অ্যাপটি AGPL-3.0; শর্ত মেনে বাণিজ্যিক ব্যবহার চলে, তবে পরিবর্তন করে বিতরণ করলে সোর্স খোলা রাখতে হবে।
• মডেল ওয়েট আর কণ্ঠের নিজস্ব লাইসেন্স আছে, Model Manager প্রতিটির লাইসেন্স দেখায়।
• কণ্ঠ ক্লোন করুন শুধু বক্তার অনুমতি নিয়ে। টাকা আয়, প্রতারণা বা ভুয়া বক্তব্যের জন্য কারও কণ্ঠ নকল করাঅধিকাংশ দেশে অপরাধ।
• সোশ্যাল মিডিয়ায় প্রকাশ করলে ক্লোন করা কণ্ঠ যে কৃত্রিম, তা উল্লেখ করুন।

সাধারণ প্রশ্ন

সত্যিই ফ্রি?

হ্যাঁ, অ্যাপ ওপেন সোর্স এবং লোকালি চলে। প্রতি অক্ষরে কিছু লাগে না; খরচ শুধু নিজের বিদ্যুৎ আর ডিস্ক স্পেস।

GPU ছাড়া ল্যাপটপে চলবে?

চলবে, CPU-তে, শুধু ধীর। ছোট বাক্য ও ডিক্টেশন ঠিক আছে; লম্বা অডিওবুক রাতভর কাজ হয়ে যাবে।

ইন্টারনেট ছাড়া চলে?

মডেল একবার ডাউনলোড হয়ে গেলে হ্যাঁ। প্রথমবার পছন্দের মডেল নামাতে কানেকশন লাগবে।

ElevenLabs সাবস্ক্রিপশনের চেয়ে পার্থক্য কী?

ফলাফল একই ধরনের, বিনিময়টা ভিন্ন: মাসিক ফি নেই, আপলোড নেই, কিন্তু হার্ডওয়্যার আপনার, আর আপডেট নিজে করতে হবে।

সম্পর্কিত গাইড

একই বিষয়ের সংক্ষিপ্ত, যাচাই করা গাইড:

• কোন Gemini মডেল ব্যবহার করবেন? Flash-Lite, Flash নাকি Argon
• ধীর উইন্ডোজ ১১ ল্যাপটপ? ৭টি সেটিংস যা কাজ দেয়
• লিনাক্স ls কমান্ডের ১০টি ফ্ল্যাগ