এআই দিয়ে বাংলা অডিওবুক তৈরি: উচ্চারণ, বিরতি ও অধিকার যাচাই

এআই বা টেক্সট-টু-স্পিচ (TTS) প্রযুক্তি ব্যবহার করে বাংলা অডিওবুক প্রকাশের কথা ভাবলে নির্মাতারা সাধারণত দুটি বড় বাধার মুখে পড়েন। প্রথমত, ভয়েসের যান্ত্রিক স্বর ও বাংলা যুক্তাক্ষরের ভুল উচ্চারণ। দ্বিতীয়ত, অন্যের বই ব্যবহার এবং এআই জেনারেটেড অডিওর বাণিজ্যিক স্বত্ব বা কপিরাইট নিয়ে আইনি ধোঁয়াশা।

ইংরেজির তুলনায় বাংলার AI ভয়েস মডেলগুলো যথেষ্ট উন্নত হলেও এখনো পুরোপুরি নিখুঁত নয়। তাই শুধু বইয়ের টেক্সট কপি-পেস্ট করে অডিও নামিয়ে নিলে তা শ্রোতার কানকে আরাম দেবে না। মানসম্মত অডিওবুক তৈরি করতে চাইলে আপনাকে ভয়েস ডিরেকশনের কারিগরি কৌশলগুলো বুঝতে হবে। এআই টুলের সীমাবদ্ধতা কাটিয়ে কীভাবে মানুষের কাছাকাছি উচ্চারণের একটি বাংলা অডিওবুক তৈরি করা যায় এবং এর কপিরাইটের খুঁটিনাটি কী—তা নিয়েই আমাদের এই নির্দেশিকা।

বাংলা অডিওবুকের জন্য সঠিক AI টুল নির্বাচন (২০২৬ আপডেট)

সব Text-to-Speech ইঞ্জিন বাংলার জন্য সমানভাবে কাজ করে না। বিশেষ করে অডিওবুকের মতো দীর্ঘ বর্ণনায় আবেগ বা ‘ইমোশন’ ধরে রাখার সক্ষমতা হাতে গোনা কয়েকটি টুলেরই রয়েছে। আপনার প্রকল্পের ধরন অনুযায়ী সঠিক টুলটি বেছে নেওয়া অত্যন্ত জরুরি:

• ElevenLabs: বর্তমানে এদের ‘Multilingual v2’ এবং নতুন ‘Turbo v2.5’ মডেলগুলো বাংলা উচ্চারণে সবচেয়ে বেশি আবেগ ও স্বাভাবিকতা দিতে সক্ষম। দীর্ঘ বর্ণনায় ভয়েসের ওঠানামা বা ইমোশন ধরে রাখার ক্ষেত্রে এটি বাজারের অন্যতম সেরা বিকল্প।
• Murf.ai: এই টুলের সবচেয়ে বড় সুবিধা হলো এরা ‘বাংলাদেশি বাংলা’ এবং ‘পশ্চিমবঙ্গের বাংলা’—এই দুটি উপভাষাকে (Dialect) আলাদাভাবে শনাক্ত করে। আপনি যদি নির্দিষ্টভাবে বাংলাদেশের শ্রোতাদের জন্য অডিওবুক বানান, তবে Murf-এর বাংলাদেশি ভয়েসগুলো আপনাকে অনেক বেশি স্থানীয় ও সাবলীল উচ্চারণ দেবে।
• BuliAI ও Narakeet: এগুলো মূলত নির্দিষ্ট ভয়েস ভ্যারিয়েশনের জন্য জনপ্রিয়। BuliAI সরাসরি বাংলা কনটেন্ট ক্রিয়েটরদের লক্ষ্য করে তৈরি, যেখানে নির্দিষ্ট পুরুষ ও নারী কণ্ঠ (যেমন- সাবিনা, করিম) পাওয়া যায়। অন্যদিকে Narakeet-এ প্রচুর সংখ্যক বাংলা ভয়েস রয়েছে, যা ই-লার্নিং বা বড় প্রজেক্টের জন্য সাশ্রয়ী।

টুল নির্বাচনের আগে যা দেখবেন: টুলটি পুরো একটি বইয়ের অধ্যায় (যেমন ১০,০০০ থেকে ৪০,০০০ ক্যারেক্টার) একসঙ্গে প্রসেস করতে পারে কি না, তা যাচাই করে নিন। কারণ বিনামূল্যে ছোট টেক্সট প্রসেস করা গেলেও দীর্ঘ টেক্সট রেন্ডার করার সময় অনেক টুল আটকে যায় বা ভলিউম লেভেল নষ্ট করে ফেলে।

আরও পড়ুনঃ একই চরিত্র ধরে AI Image Series তৈরি করার Consistency Workflow

উচ্চারণ ও যুক্তাক্ষরের সমস্যা সমাধান

সরাসরি বাংলা বইয়ের পাণ্ডুলিপি এআই টুলে দিলে প্রায়ই শব্দের বিকৃত উচ্চারণ শোনা যায়। বিশেষ করে ‘জ্ঞ’, ‘ক্ষ’, ‘হ্ব’, ‘হ্ম’-এর মতো যুক্তাক্ষরগুলো এআই ইঞ্জিনকে সহজেই বিভ্রান্ত করে। এর সবচেয়ে কার্যকর সমাধান হলো ‘ফোনেটিক স্পেলিং’ বা উচ্চারিত বানান লিখে দেওয়া।

মনে রাখবেন, শ্রোতা আপনার লেখা টেক্সট দেখবে না, কেবল অডিও শুনবে। তাই প্রম্পট দেওয়ার সময় মূল বানান ভেঙে এআইয়ের বোধগম্য করে লিখতে হয়।

বাস্তব প্রয়োগের উদাহরণ:

• বিজ্ঞান ➔ বিগ্গান
• উজ্জ্বল ➔ উজ্জল
• ব্রাহ্মণবাড়িয়া ➔ ব্রাম্মনবাড়িয়া
• আহ্বান ➔ আওভান

বিদেশি শব্দ বা ব্র্যান্ডের নাম বাংলায় লিখলে অনেক সময় এআই হোঁচট খায়। ‘ফেসবুক’ বা ‘গুগল’ লিখে কাঙ্ক্ষিত উচ্চারণ না পেলে, সরাসরি ইংরেজি হরফে ‘Facebook’ বা ‘Google’ লিখে দিলে এআই নিখুঁত উচ্চারণ করে নেয়।

আবেগ ও স্বাভাবিক বিরতি (Pacing) নিয়ন্ত্রণ

মানুষ যখন বই পড়ে, তখন শ্বাস নেওয়ার জন্য থামে বা রহস্যময় কোনো লাইনের পর কয়েক সেকেন্ড নীরব থাকে। একটি যান্ত্রিক অডিওকে মানুষের কাছাকাছি নিয়ে যেতে এআই-কেও এই বিরতি বা ‘প্যাসিং’ (Pacing) নির্দেশ দিয়ে বোঝাতে হয়।

যতিচিহ্নের কৌশলগত ব্যবহার:

আধুনিক টিটিএস ইঞ্জিনগুলো সাধারণত যতিচিহ্ন দেখেই বিরতির হিসাব করে।

• কমা (,) – খুব ছোট বিরতির জন্য।
• দাঁড়ি (।) বা পূর্ণচ্ছেদ (.) – বাক্য শেষের স্বাভাবিক বিরতির জন্য।
• ড্যাশ (—) – বাক্যের মাঝে নাটকীয় বিরতি বা নতুন চিন্তা বোঝাতে।
• উপবৃত্ত বা ইলিপসিস (…) – কোনো কথা অসম্পূর্ণ রাখা বা ধীরে ধীরে থেমে যাওয়ার প্রভাব তৈরি করতে।

যদি দেখেন এআই কোনো দীর্ঘ বাক্যে না থেমে একটানা পড়ে যাচ্ছে, তবে বাক্যের অর্থ ঠিক রেখে মাঝখানে কৃত্রিমভাবে কমা (,) বসিয়ে দিন।

SSML ট্যাগের ব্যবহার:

যেসব প্ল্যাটফর্ম Speech Synthesis Markup Language (SSML) সাপোর্ট করে, সেখানে বিরতির সময় সেকেন্ডের হিসাবে নির্দিষ্ট করে দেওয়া যায়। যেমন, ভৌতিক উপন্যাসের কোনো বিশেষ অধ্যায়ের শুরুতে ৩ সেকেন্ডের পিনপতন নীরবতা চাইলে টেক্সটের মাঝে <break time=”3s”/> ট্যাগটি বসিয়ে দিন। এআই ঠিক ৩ সেকেন্ড বিরতি নিয়ে পরের লাইন পড়া শুরু করবে।

অডিওবুক কপিরাইট আইন ও কমার্শিয়াল রাইটস

আইনি ঝামেলা এড়াতে অডিওবুক তৈরির ক্ষেত্রে প্রধানত দুটি দিকের অধিকার নিশ্চিত করতে হয়: মূল বইয়ের কপিরাইট এবং ব্যবহৃত এআই ভয়েসের বাণিজ্যিক লাইসেন্স (Commercial License)।

১. মূল বই বা টেক্সটের কপিরাইট

যেকোনো বিখ্যাত লেখকের বই দিয়ে অডিওবুক বানিয়ে প্রকাশ করে দিলেই তা আইনিভাবে বৈধ হয় না।

• পাবলিক ডোমেইন (Public Domain): বাংলাদেশ কপিরাইট আইন ২০২৩ অনুসারে, লেখকের মৃত্যুর পর ৬০ বছর পার হলে তার কাজ পাবলিক ডোমেইনের অন্তর্ভুক্ত হয়। অর্থাৎ, রবীন্দ্রনাথ ঠাকুর, শরৎচন্দ্র চট্টোপাধ্যায়, কাজী নজরুল ইসলাম বা স্বামী বিবেকানন্দের মূল রচনাসমগ্র এখন যে কেউ স্বাধীনভাবে ব্যবহার করতে পারেন। এসব বইয়ের অডিওবুক তৈরি করে সম্পূর্ণ বৈধভাবে আয় করা সম্ভব।
• কপিরাইটযুক্ত বই: জীবিত লেখক বা ৬০ বছর পার হয়নি এমন কোনো লেখকের বইয়ের অডিওবুক বানাতে চাইলে লেখক বা প্রকাশকের কাছ থেকে লিখিতভাবে ‘অডিও ডেরিভেটিভ রাইটস’ (Audio Derivative Rights) সংগ্রহ করা বাধ্যতামূলক।

২. এআই ভয়েসের বাণিজ্যিক ব্যবহার

অধিকাংশ এআই টুলের বিনামূল্যের অ্যাকাউন্টে কেবল ‘নন-কমার্শিয়াল’ বা ব্যক্তিগত ব্যবহারের লাইসেন্স দেওয়া থাকে। আপনার তৈরি অডিওবুকটি ইউটিউব, স্পটিফাই বা অন্য কোনো প্ল্যাটফর্মে বিক্রি করে আয় করতে চাইলে সংশ্লিষ্ট এআই টুলের পেইড সাবস্ক্রিপশন (যেমন- ElevenLabs-এর Creator বা Pro প্ল্যান) থাকা আবশ্যক।

৩. প্ল্যাটফর্ম পলিসি: Amazon ACX বনাম অন্যান্য (২০২৬ আপডেট)

অডিওবুক বিক্রির সবচেয়ে বড় প্ল্যাটফর্ম Amazon ACX-এর এআই নীতি অত্যন্ত কড়া। ২০২৬ সালের হালনাগাদ নিয়ম অনুযায়ী, তারা সাধারণ সাবমিশনে থার্ড-পার্টি এআই টুল (যেমন- ElevenLabs বা Murf) দিয়ে তৈরি অডিওবুক সম্পূর্ণ নিষিদ্ধ রেখেছে। তারা কেবল মানুষের কণ্ঠ অথবা অনুমোদিত ‘Voice Replica’ (ন্যারেটরের নিজস্ব ক্লোন করা ভয়েস) গ্রহণ করে।

তাই থার্ড-পার্টি এআই দিয়ে তৈরি অডিওবুক বিক্রির ক্ষেত্রে ACX-এর বদলে Spotify (Findaway Voices) বা Google Play Books-এর মতো ডিস্ট্রিবিউশন প্ল্যাটফর্ম বেছে নেওয়া বেশি বাস্তবসম্মত। এসব প্ল্যাটফর্মে নির্দিষ্ট নীতিমালার আওতায় মেটাডেটায় ‘AI-generated’ লেবেল যুক্ত করে বৈধভাবেই অডিওবুক প্রকাশ ও বিক্রি করা যায়।

চূড়ান্ত প্রকাশের আগে অডিও মাস্টার ও যাচাই

পাবলিক বা ডিস্ট্রিবিউশন প্ল্যাটফর্মে অডিও ফাইল আপলোড করার আগে এর কারিগরি মান পরীক্ষা করে নেওয়া একজন পেশাদার নির্মাতার কাজ:

• ভলিউমের ধারাবাহিকতা (LUFS): বইয়ের বিভিন্ন অধ্যায় আলাদাভাবে জেনারেট করলে অডিওর ভলিউম ওঠানামা করতে পারে। Audacity বা Adobe Audition-এর মতো সফটওয়্যার ব্যবহার করে পুরো ফাইলের ভলিউম লেভেল সমান করে নিন। অডিওবুকের স্ট্যান্ডার্ড লেভেল সাধারণত -23 LUFS থেকে -18 LUFS-এর মধ্যে রাখা হয়।
• অস্বাভাবিক শ্বাস-প্রশ্বাসের শব্দ: মানুষের মতো শোনানোর জন্য অনেক এআই ইঞ্জিন কৃত্রিম নিশ্বাসের শব্দ (Breathing artifacts) যুক্ত করে। অনেক সময় বাক্যের ভুল জায়গায় বা অতিরিক্ত জোরে এই শব্দগুলো চলে আসে, যা এডিটিং প্যানেল থেকে কেটে বাদ দেওয়া উচিত।
• নয়েজ রিডাকশন: অডিওর পেছনে সামান্য যান্ত্রিক হিসহিস শব্দ থাকলে তা নয়েজ রিডাকশন টুলের সাহায্যে পরিষ্কার করে নিন।

প্রকাশনার আগে শেষ সতর্কতা

বইয়ের কপিরাইট স্থিতি যাচাই না করে অডিও জেনারেশনের পেছনে সময় ও শ্রম ব্যয় করা একেবারেই অনুচিত। নির্দিষ্ট লেখকের বই নিয়ে কাজ করতে চাইলে কপিরাইট আইনের মেয়াদের বাধ্যবাধকতাটি অবশ্যই মাথায় রাখুন। বাণিজ্যিক উদ্দেশ্যে কাজ শুরু করার আগেই আপনার নির্বাচিত এআই টুলের পেইড লাইসেন্স নিশ্চিত করুন এবং যে প্ল্যাটফর্মে বই আপলোড করবেন, তাদের সর্বশেষ এআই পলিসিগুলো একবার চোখ বুলিয়ে নিন। সঠিক টুল, উচ্চারণের কৌশল এবং আইনি সচেতনতা—এই তিনটি বিষয় নিশ্চিত করতে পারলেই আপনার বাংলা অডিওবুক প্রকাশের যাত্রাটি অনেক বেশি মসৃণ ও লাভজনক হবে।

শেষ কথা

এআই প্রযুক্তি দ্রুত এগোচ্ছে, আর এর সঙ্গে বাংলা ভয়েস মডেলগুলোও সময়ের সাথে আরও নিখুঁত হবে। তবে একটি কথা সব সময় মনে রাখবেন—প্রযুক্তি কেবল আপনার কাজকে সহজ করার একটি মাধ্যম মাত্র। শ্রোতাকে গল্পের গভীরে টেনে নেওয়ার আসল জাদুকর আপনি নিজেই। আপনার সম্পাদনা, সঠিক প্রম্পটিং এবং শৈল্পিক নির্দেশনাই একটি যান্ত্রিক স্বরকে জীবন্ত করে তুলতে পারে। তাই এআই-এর ওপর অন্ধভাবে নির্ভর না করে, চূড়ান্ত আউটপুটের ক্ষেত্রে নিজের কানকেই সবচেয়ে বড় বিচারক হিসেবে গুরুত্ব দিন। মানসম্পন্ন কাজ দিয়ে বাংলা অডিওবুক শিল্পে নিজের একটি শক্ত অবস্থান তৈরি করার এখনই সেরা সময়।

প্রায়শই জিজ্ঞাসিত প্রশ্ন 

১. বিনামূল্যে এআই টুল ব্যবহার করে কি ইউটিউব থেকে আয় করা সম্ভব?

বেশির ভাগ প্রথম সারির এআই টুলের (যেমন- ElevenLabs, Murf) ফ্রি প্ল্যানে বাণিজ্যিক ব্যবহারের (Commercial Rights) অনুমতি থাকে না। ইউটিউব থেকে অ্যাডসেন্সের মাধ্যমে আয় করতে বা স্পটিফাইয়ের মতো প্ল্যাটফর্মে অডিওবুকটি বিক্রি করতে চাইলে আপনাকে অবশ্যই সেসব টুলের পেইড সাবস্ক্রিপশন (Creator বা Pro প্ল্যান) নিতে হবে।

২. অডিওবুকের জন্য কপিরাইট-মুক্ত (পাবলিক ডোমেইন) বাংলা বই কোথায় পাব?

যেসন লেখকের মৃত্যুর পর ৬০ বছর পার হয়েছে (যেমন- বঙ্কিমচন্দ্র চট্টোপাধ্যায়, বেগম রোকেয়া, মীর মশাররফ হোসেন), তাঁদের মূল লেখাগুলো পাবলিক ডোমেইনের অন্তর্ভুক্ত। ‘উইকিসংকলন’ (Wikisource) বা ‘প্রজেক্ট গুটেনবার্গ’-এর মতো ওয়েবসাইট থেকে এসব বইয়ের মূল টেক্সট বা পাণ্ডুলিপি বিনামূল্যে ও সম্পূর্ণ বৈধভাবে সংগ্রহ করতে পারেন।

৩. আমাজন অডিবল (Audible/ACX) কি সত্যিই এআই ভয়েস বাতিল করে দিচ্ছে?

হ্যাঁ, সাধারণ সাবমিশনে থার্ড-পার্টি এআই টুল (যেমন ElevenLabs বা অন্য কোনো এক্সটার্নাল টুল) দিয়ে তৈরি অডিওবুকের ক্ষেত্রে ACX অত্যন্ত কঠোর এবং এগুলো সাধারণত বাতিল করে দেয়। তারা কেবল মানুষের কণ্ঠ অথবা তাদের নিজস্ব ‘Virtual Voice‘ প্রোগ্রাম সমর্থন করে। এআই অডিওবুক বিক্রির জন্য Google Play Books বা Findaway Voices (Spotify) বেশি সুবিধাজনক।

৪. বাংলা যুক্তাক্ষর ঠিক করতে ‘ফোনেটিক স্পেলিং’ ছাড়া আর কোনো উপায় আছে কি?

বর্তমানে ফোনেটিক বা উচ্চারিত বানান লিখে দেওয়াই সবচেয়ে কার্যকর উপায়। তবে অনেক টুলে ‘Pronunciation Library’ বা ডিকশনারি ফিচার থাকে। সেখানে একবার কোনো কঠিন শব্দের সঠিক উচ্চারণ (যেমন: ‘বিজ্ঞান’ = ‘বিগ্গান’) সেট করে দিলে, পুরো বইয়ে পরবর্তীতে যতবার শব্দটি আসবে, এআই স্বয়ংক্রিয়ভাবে সেটি ঠিক উচ্চারণ করবে।

৫. অডিওবুক এডিটিং করার জন্য সবচেয়ে সহজ ও ভালো সফটওয়্যার কোনটি?

ভলিউম ঠিক করা (LUFS স্ট্যান্ডার্ড), নয়েজ রিমুভ করা এবং এআইয়ের ভুল শ্বাস-প্রশ্বাসের শব্দ কাটার জন্য ‘Audacity’ সবচেয়ে জনপ্রিয় এবং এটি সম্পূর্ণ বিনামূল্যের একটি ওপেন-সোর্স সফটওয়্যার। এর বাইরে পেশাদার কাজের জন্য Adobe Audition ব্যবহার করতে পারেন।