Chapter 6 — AI Ovoz: TTS, Musiqa, SFX, Transkripsiya va Subtitr

Kino maqoli: "Tomoshabin yomon rasmni kechiradi, yomon ovozni — yo'q." 15 yilda ko'rganim: yomon ovozli chiroyli video — ko'rilmaydi. Shuning uchun AI'ni eng avval ovozda ishlating.

---

6.1 Voiceover (TTS) va Ovoz Etikasi

Simple Explanation

TTS (Text-to-Speech) — matndan tabiiy ovoz yaratadi. Zamonaviy modellar juda tabiiy, lekin ohang, pauza va urg'u sizning qo'lingizda bo'lishi kerak.

Ssenariyni TTS uchun tayyorlash

code.text
TEXTNusxalash
01❌ "Biz 2024-yilda 15% o'sishga erishdik."
02✅ "Biz ikki ming yigirma to'rtinchi yilda, o'n besh foiz o'sishga erishdik."
03   (raqam, qisqartma, ingliz so'zlar — talaffuz bo'yicha yoziladi; pauza uchun vergul)

⚠️ Common Mistake
Boshqa odamning ovozini ruxsatsiz klonlash. Bu huquqiy va axloqiy jihatdan xavfli. Faqat o'z ovozingiz yoki yozma roziligi bor shaxs ovozidan foydalaning (PART 15).

6.2 Musiqa va SFX

Simple Explanation

AI musiqa generatorlari mavzu va kayfiyat bo'yicha trek yaratadi. SFX (ovoz effektlari) ham matn tavsifidan olinadi.

Musiqa uchun prompt anatomiyasi

code.text
TEXTNusxalash
01[JANR] + [KAYFIYAT] + [TEMP/BPM] + [ASBOBLAR] + [STRUKTURA] + [UZUNLIK]
02Namuna: "Elektron lo-fi, kulgili va yengil, 95 BPM, sintezator va yumshoq baraban,
03         qisqa intro, 30 soniya, tugashida aniq yakun"

💬 Tajriba maslahati: Musiqa vizual ritmga mos bo'lishi kerak: kesishlar musiqaning urg'usiga (beat) tushsa, montaj "professional" ko'rinadi.

⚠️ Litsenziya: Generatsiya qilingan musiqaning tijorat huquqlarini vosita shartlaridan tekshiring — rejalarga qarab farqlanadi.

6.3 Transkripsiya va Subtitr (Whisper)

Simple Explanation

STT (Speech-to-Text) — nutqdan matn. Ochiq manbali Whisper keng qo'llaniladi. O'zbek tilida aniqlik ingliz tilidagidan pastroq bo'lishi mumkin — natijani albatta o'qib chiqing.

Amaliy buyruqlar

terminal.sh
BashNusxalash
01# 1) videodan audio ajratish (16 kHz mono — STT uchun qulay)
02ffmpeg -i video.mp4 -vn -acodec pcm_s16le -ar 16000 -ac 1 audio.wav
03 
04# 2) Whisper bilan transkripsiya va SRT subtitr olish
05whisper audio.wav --model medium --language Uzbek --output_format srt

SRT formati

code.text
TEXTNusxalash
011
0200:00:01,000 --> 00:00:03,500
03Bilaman dedingmi?
04 
052
0600:00:03,600 --> 00:00:06,000
07Mana shu savol meni to'xtatdi.

Subtitr qoidalari (taxminiy)

code.text
TEXTNusxalash
01Qator: ≈ 42 belgigacha | Qatorlar: ko'pi bilan 2 | Tezlik: ≈ 17–21 belgi/soniya
02Ma'no bo'yicha bo'ling (gap o'rtasida emas)

6.4 Ovozni Tozalash va Loudness (LUFS)

Simple Explanation

Platformalar ovozni LUFS (yaxlit balandlik birligi) bo'yicha normallashtiradi. Maqsad: haddan tashqari baland ham, past ham bo'lmaslik.

code.text
TEXTNusxalash
01Taxminiy maqsadlar:
02YouTube / ijtimoiy tarmoq: ≈ -14 LUFS, True Peak ≤ -1 dBTP
03Podkast (odatda):          ≈ -16 LUFS

(Aniq talablarni platforma hujjatidan tekshiring — ular o'zgarishi mumkin.)

ffmpeg bilan normallashtirish

terminal.sh
BashNusxalash
01ffmpeg -i in.mp4 -af loudnorm=I=-14:TP=-1.5:LRA=11 -c:v copy out.mp4

💡 Key Idea
Musiqa nutq ustida past bo'lishi kerak (ducking): nutq boshlanganda musiqa avtomatik pasayadi, tugaganda ko'tariladi.

📝 Practice Exercises

🟢 Exercise 1 — Easy

Task: 30 soniyalik ssenariyni TTS uchun tayyorlang (raqam va qisqartmalarni talaffuz bo'yicha yozing).

🟡 Exercise 2 — Medium

Task: Videongizdan audio ajrating, Whisper bilan SRT oling va 10 ta xatoni qo'lda tuzating.

🐛 Debugging Challenge

Stsenariy: Videoni YouTube'ga yuklaganingizda ovoz juda past eshitilmoqda, musiqa esa nutqni bosib ketyapti.

Your Task: Ikkita muammoni va tuzatishni toping.

<details> <summary>Solution</summary> 1) Umumiy balandlik past — loudness normallashtirish (≈ -14 LUFS, `loudnorm`) qo'llanmagan. 2) Musiqa/nutq balansi buzilgan — musiqani nutq ostida pasaytirish (ducking yoki qo'lda -18…-24 dB atrofida boshlab sinash). Avval nutq darajasini to'g'rilang, keyin musiqani unga moslab qo'ying, oxirida umumiy loudnorm. </details>

📌 Chapter Summary

Ovoz — sifatning yarmi. TTS — to'g'ri tayyorlangan matn bilan; musiqa — vizual ritmga mos va litsenziyasi tekshirilgan; Whisper — qoralama, inson tekshiruvi bilan; yakuniy bosqich — LUFS normallashtirish va ducking.

🎯 Key Takeaways

• Matnni TTS uchun talaffuz bo'yicha yozing
• Ovozni klonlash — faqat rozilik bilan
• STT natijasini har doim tekshiring
• Nutq → musiqa → umumiy loudnorm

⚡ Quick Cheat Sheet

terminal.sh
BashNusxalash
01ffmpeg -i v.mp4 -vn -acodec pcm_s16le -ar 16000 -ac 1 a.wav
02whisper a.wav --model medium --language Uzbek --output_format srt
03ffmpeg -i in.mp4 -af loudnorm=I=-14:TP=-1.5:LRA=11 -c:v copy out.mp4

---