Yksi työkalu, jolla saat oman äänesi puhumaan saksaa
Voice-Pro on Gradio-pohjainen verkkokäyttöliittymä, joka pakkaa yhteen kaiken mitä YouTube-videon dubbaaminen vaatii. yt-dlp lataa videon, Demucs erottaa puheen taustamusiikista, Whisper kirjoittaa puheen tekstiksi, Deep-Translator kääntää tekstin yli sadalle kielelle, ja lopuksi F5-TTS tai CosyVoice kloonaa kohdeäänen muutamasta sekunnista näytettä ja syntetisoi käännöksen.
AlphaSignalin viikkokirje nosti työkalun esiin tällä viikolla, ja GitHubissa tähtiä on kertynyt nopeasti. Lisenssi on GPL-3.0, eli koodi ja mallit pyörivät omalla koneella ilman API-avaimia tai kuukausimaksuja. Tähän asti vastaava prosessi on vaatinut joko ElevenLabsin tai HeyGenin tilauksen, joiden Studio-tason hinnat alkavat noin sadasta dollarista kuussa.
Mitä rauta vaatii
Käytännössä Voice-Pro vaatii NVIDIA:n näytönohjaimen ja CUDA 12.4 -tuen. Vähimmäisvaatimus on neljä gigatavua näytönohjaimen muistia, sujuvaan käyttöön kahdeksan tai enemmän. Koneelta pitää löytyä 20 gigatavua vapaata levytilaa ja neljä gigatavua keskusmuistia. Sovellus on kirjoitettu Pythonilla (3.10), Torchilla (2.5.1+cu124) ja Gradiolla (5.14), ja se toimii Windowsissa, Linuxissa ja Macissä.
Kehittäjä ilmoittaa, että ilmaisversio käsittelee enintään 60 sekunnin pätkiä kerrallaan. Pidemmät videot vaativat joko maksullisen lisenssin tai pätkimisen erillisiin osiin. GPL:n nojalla rajoitetta voi periaatteessa kiertää omassa fork-versiossa, joten avoin yhteisö löytänee tähän pian oman ratkaisunsa.
Suomi-kulma: tubettajat ja Areena
Suomenkieliselle YouTube-tekijälle laskelma on yksinkertainen. Saman videon dubbaaminen viidelle kielelle SaaS-palvelussa maksaa viikoittaisella tahdilla satoja euroja kuussa. Paikallisella GPU:lla kustannus on sähkölasku ja näytönohjaimen poistot. Tavalliselle katsojalle tämä tarkoittaa, että suomenkielisten kanavien on yhtäkkiä kannattavaa puhutella myös saksalaista, espanjalaista tai japanilaista yleisöä, ja siksi suomenkielisen sisällön tarjonta saattaa kasvaa, kun kotimaisen 5,5 miljoonan yleisön lisäksi tavoiteltavissa on satoja miljoonia.
Suurempi kysymys koskee Yleä. Areenan arkistossa on tuhansia tunteja kotimaista draamaa, dokumentteja ja lastenohjelmia, jotka eivät käytännössä tavoita rajojen yli ketään. Whisper tunnistaa suomea kohtuullisen tarkasti, ja CosyVoicen kaltainen nolla-shot-kloonaus voi säilyttää alkuperäisten näyttelijöiden ääni-identiteetin myös käännöksessä. Tekninen alusta on kaikkien saatavilla; kysymys on enää tekijänoikeuksista, näyttelijäliiton sopimuksista ja toimituksellisesta tahdosta.
