Воркфлоу Воркфлоу и демо: ASMR Hypno с Dramabox TTS

  • Автор темы Автор темы MiraCue
  • Дата начала Дата начала

MiraCue

Лёркер
Регистрация
23.03.2026
Сообщения
9
Реакции
0
Короче, там был some discussion про использование ИИ для создания гипно-файлов, и это вдохновило меня испытать эту технологию и сделать что-то жизнеспособное, а не просто в основном удачные выстрелы и слот-машину типа трёхминутных клипов. Так что нам реально нужны люди, которые делают прозрачные демо, выжимая технологию по максимуму. И люди, которые подтверждают, что результаты не основаны на слот-машине и случайных исходах. Чтобы люди могли создавать настоящих гипнотизёрских персонажей + скрипты, которые точно соответствуют тому, что они задали, а не какой-то случайной хуйне, которую генератор им бросил в лицо. Ещё было бы пиздец как важно указывать, сколько времени ты потратил.

С Dramabox ты можешь прописывать, как вещи произносятся, менять интонацию и стиль голоса и т.д. И он ещё делает звуки дыхания, шёпот, вздохи, кучу новых включений неречевых элементов в тренировочных данных, на которые старые TTS просто не были способны. Но он не делает порно-стоны, хотя шёпот, на мой взгляд, звучит достаточно эротично и чувственно.

В итоге я подумал, что весёлым тестом будет сделать «компаньонское» аудио к ASMR-видео.

Результат можно послушать здесь: https://gofile.io/d/GovtMojx
Ты должен запустить это аудио одновременно и чуть громче, чем ASMR-видео, которое оно комментирует: Gibi ASMR | Devilish Triggers

!!!ЗАПУСКАЙ ОБЕ ССЫЛКИ ОДНОВРЕМЕННО!!!

Это была вариация по нажатию кнопки на общую концепцию, которую я до этого где-то за 6 часов проработал, о том, как устроены файлы гипноза. Концепция не идеальна и это всего один день работы, но она работает для многих будущих целей, а накладные расходы на создание новых файлов по сравнению с этим минимальны. Тебе нужно добавлять в неё больше всякого, если хочешь делать больше файлов, чтобы не звучало повторно.

Вот краткое описание концепции: dpaste.org/gXt2n/raw
Пример результата концепции: dpaste.org/1ahSL/raw

Я сделал эту концепцию с семплом того же спикера и обнаружил, что другие спикеры тоже работают. Но ещё и то, что концепция как бы органично выросла вокруг природы голоса спикера (ASMR мягкий/шёпот/низкий). Так что может понадобиться адаптация, если твой спикер типа «дерзкий подросток» или «доминирующая кугар». Потом я позже набрал 30 секунд суммарно из разных мест нераскрытого ASMR-видео (не из Gibi, очевидно, по юридическим причинам...) и в итоге это звучало на удивление как Gibi. Я собирал семплы 3-5 раз и проверял каждую компиляцию клипов, насколько хорошо она работает для цели. И иногда есть заметная разница с определёнными настроениями и стилями голоса, которую не предугадаешь. Я также пробовал реально семплить видео Gibi для TTS (только для теста, не для публикации), но заметил, что результаты звучали несколько иначе, чем Gibi, и всё равно создаётся эта уникальная идентичность спикера. Так что это тоже было бы актуально по юридическим причинам: ты не можешь на 100% определить происхождение семпла, и это очень трансформативно в юридическом смысле, но при этом не генерик.

Сбор семплов занимает, может, 10 минут на семпл, а потом ещё пару минут, чтобы попробовать его в Dramabox. Делать это чисто и правильно — самое важное, и тут не стоит срезать углы, надо вкладывать много усилий в понимание того, что ты делаешь и что делает TTS.

Чтобы получить скрипт для видео, я просто дал промпт Deepseek использовать эту концепцию и пример результата и преобразовать их так, чтобы это работало как комментарий к видео. Типа, это заняло минут 5, а потом таймстемпы разъехались и контент был не таким, как мне нравится. Так что ещё два раза я сказал ему сделать это длиннее, то длиннее. За 15 минут скрипт был готов.

Вот скрипт применения концепции + примера для получения нового скрипта: dpaste.org/iqZTq/raw

Чтобы довести аудио до конца, я использовал немного хакерский скрипт от ChatGPT, который заполняет эти тупые 500-мс паузы тишины, которые Dramabox создаёт, когда склеивает 45-секундные сегменты. Эта сегментация — ещё одна важная причина, почему это надо прогонять только через другую LLM и никогда не писать скрипты руками. LLM (или, по крайней мере, должна, согласно описанию концепции) раздует скрипт, повторяя весь voice set и настройки снова и снова в каждой строке. Если она этого не делает, твоя LLM — говно.

Вот Python-скрипт, исправляющий паузы тишины: dpaste.org/o0Jxh/raw

Теперь на этом этапе сам файл звучит довольно неплохо отдельно, но реально нужны вторые дорожки типа ASMR-видео, которое он комментирует, чтобы стало действительно хорошо. Если бы ты делал самостоятельное аудио, другими дорожками могли бы быть бинауральные биты из гипноза плюс слоистый фоновый трек с инструкциями и/или просто генерик ASMR типа звуков лосьона. Это было бы ещё несколько часов работы. Но поскольку это был комментарий к видео Gibi, этого не требовалось.

Однако... я всё равно потратил ещё где-то 2 часа, потому что чинил определённые триггеры, которые TTS произнёс неправильно и которые звучали странно, а сегменты не выравнивались идеально, и он не следовал инструкции не говорить «она сейчас берёт свечу», потому что как, блядь, LLM должна по таймстемпам знать, что и где она реально делает... как-то так, потом было поздно, и нахуй этот пиздец.

Так что я нашёл это довольно впечатляющим, можно использовать для самых разных целей. Это была просто мысль в душе, сделать сексуализированные гипно-комментарии к ASMR-видео. Если кто-то потратит типа 20 часов подряд, чтобы сделать эту концепцию более универсальной с вариациями, её можно будет слушать на фоне, и она будет тебя подбадривать, пока ты работаешь или срёшь или что угодно. Я реально не продумывал все возможности. Это я оставляю вам.

Так что, поскольку я уже всю эту работу сделал, я прикину, сколько времени нужно, чтобы создать ещё одно аудио такого же качества:

* Установить WSL2 (Linux внутри Windows) с CUDA и т.д.: 2 часа
* установить Dramabox: 10 минут + скачать 16 ГБ(?)
* запустить Dramabox: 3-5 минут
* написать типа 1000 слов, чтобы персонализировать концепцию с Deepseek или локальной LLM: 15 минут
* сгенерировать аудио на скорости 3-5x: 5 минут
* написать ещё 500-1000 слов LLM для доработки результата: 10 минут
* повторить последние 2 шага несколько раз
* добавить больше аудиослоёв для результата A+: 2-5 часов?

Требования:

* 24 ГБ памяти GPU
* CUDA(?)

Настройки Dramabox очень простые:

* STG Scale: попробуй начать с 3 или выше для эксперимента
* Duration: около 1.4-1.5 для гипноза, а что-то типа 1.1-1.2 будет очень быстро, например для кульминационного сегмента, который можно сгенерировать отдельно
* Reference Duration: 30 с, чтобы получить максимальный аудиосемпл
Вот полный лог чата с Deepseek, который у меня был в этот день, на случай дополнительных деталей: chat deepseek.com/share/bbdd4orgftol3hgu52

Надеюсь, это поможет тебе понять, сколько времени эта хуйня требует, где пределы технологии и что с ней можно делать.
 
Назад
Верх