अपने TTS क्रेडिट सुरक्षित रखें और ऑडियो निखारें: कंटेंट स्कोरिंग और टेक्स्ट नॉर्मलाइज़ेशन

किसी वेबसाइट में सेल्फ़-सर्व TTS बनाते समय चुपचाप दो ऐसी समस्याएँ सामने आती हैं जिनका आवाज़ों, मॉडल्स या API से लगभग कोई लेना-देना नहीं है। पहली यह कि कच्चा टेक्स्ट स्पीकर से शायद ही कभी वैसा सुनाई देता है जैसा आप चाहते हैं। दूसरी यह कि जैसे ही आप किसी पब्लिक पेज पर TTS एंडपॉइंट लगाते हैं, अनजान लोग उसे कॉल कर सकते हैं। TTS2Go दो ख़ास सिस्टम्स से दोनों को हल करता है: एक टेक्स्ट नॉर्मलाइज़ेशन पाइपलाइन जो सिंथेसिस से पहले अटपटे इनपुट को दोबारा लिखती है, और एक AI कंटेंट स्कोरिंग लेयर जो सिर्फ़ उन्हीं रिक्वेस्ट को अपने-आप अप्रूव करती है जो सच में आपकी साइट से जुड़ी हैं। यह पोस्ट दोनों को समझाती है — वे क्यों हैं, और उनका साथ होना क्यों मायने रखता है।

ब्राउज़र SDK को यह पता होना चाहिए कि वह किस प्रोजेक्ट से जुड़ा है, और यह आइडेंटिफ़ायर ऐसे कोड में रहता है जिसे यूज़र्स देख सकते हैं। आप डोमेन allowlist और रेट लिमिट से इसे सुरक्षित कर सकते हैं, लेकिन आइडेंटिफ़ायर कोई सीक्रेट नहीं है। अगर किसी को एंडपॉइंट मिल जाए, तो वह रिक्वेस्ट भेज सकता है। इनमें से हर रिक्वेस्ट, अगर सिंथेसिस तक पहुँच जाए, तो आपके प्रोवाइडर क्रेडिट ख़र्च कर सकती है।

स्वाभाविक सोच यह है कि जनरेशन से पहले हर रिक्वेस्ट को कोई इंसान अप्रूव करे। यह सही है — और TTS2Go डिफ़ॉल्ट रूप से यही करता है। लेकिन यह ऐसा काम है जो इसे करने वाली टीम से तेज़ी से बढ़ता है। जब तक आपके पास असली ट्रैफ़िक आता है, मैन्युअल अप्रूवल एक फ़ुल-टाइम रुकावट बन चुका होता है।

क्वालिटी के मामले में, TTS प्रोवाइडर्स आम पैटर्न्स के उच्चारण पर एकमत नहीं हैं। "2026-04-21" जैसी तारीख़ एक इंजन पर "April twenty-first, twenty twenty-six" और दूसरे पर "twenty twenty-six dash oh four dash twenty-one" सुनाई दे सकती है। करेंसी, समय, संक्षिप्त रूप और बड़ी संख्याएँ, सब अप्रत्याशित ढंग से बर्ताव करते हैं। आपके लेखकों का प्रोवाइडर के अंदरूनी सिस्टम पर कोई नियंत्रण नहीं है, और आपके प्रोवाइडर को आपके कंटेंट के बारे में कुछ पता नहीं है।

हर TTS2Go प्रोजेक्ट मैन्युअल अप्रूवल से शुरू होता है। जब SDK कोई जनरेशन रिक्वेस्ट भेजता है, तो वह डैशबोर्ड की एक क्यू में आती है। आप उसे देखते हैं, अप्रूव या रिजेक्ट करते हैं, और सिर्फ़ अप्रूव हुई रिक्वेस्ट ही क्रेडिट ख़र्च करती हैं। यह सुरक्षित डिफ़ॉल्ट है और काम करता है — जो टीमें अपनी आवाज़ में जाने वाले हर ऑडियो की परवाह करती हैं, उन्हें पूरा नियंत्रण मिलता है।

लेकिन यह धीमा भी है। पर्याप्त ट्रैफ़िक आने पर यह ऐसा वर्कफ़्लो बन जाता है जिसे आप चाहने लगते हैं कि किसी मशीन को सौंप दें।

AI कंटेंट स्कोरिंग वही मशीन है। हर प्रोजेक्ट के लिए आप एक छोटी कंटेंट प्रोफ़ाइल कॉन्फ़िगर करते हैं: आपकी साइट किस बारे में है, उसका प्रकार, उसकी भाषा, और कुछ उदाहरण स्निपेट्स। जब कोई जनरेशन रिक्वेस्ट आती है, तो TTS2Go रिक्वेस्ट का टेक्स्ट और प्रोफ़ाइल एक लैंग्वेज मॉडल को भेजता है, जो एक छोटे कारण के साथ एक से दस तक का स्कोर लौटाता है।

आप एक थ्रेशोल्ड चुनते हैं। उस थ्रेशोल्ड के बराबर या उससे ऊपर वाली रिक्वेस्ट अपने-आप अप्रूव होकर सिंथेसिस के लिए भेज दी जाती हैं। उससे नीचे वाली रिक्वेस्ट या तो मैन्युअल क्यू में वापस जा सकती हैं या सीधे रिजेक्ट हो सकती हैं, यह इस पर निर्भर करता है कि आपकी साइट के लिए क्या सही है। स्केल सिर्फ़ हाँ-या-ना वाला नहीं है — इसके स्तर सबसे नीचे "स्पैम या दुरुपयोग" से शुरू होकर "थोड़ा-बहुत संबंधित", "संभावित मेल", "अच्छा मेल" और सबसे ऊपर "पूरी तरह मेल" तक जाते हैं। आप अपने कंटेंट के हिसाब से जितना चाहें उतना सख़्त या उदार रह सकते हैं।

नतीजा यह होता है कि जो अनजान लोग आपका एंडपॉइंट ढूँढकर असंबंधित टेक्स्ट जनरेट करने की कोशिश करते हैं, उन्हें कम स्कोर मिलता है और वे कभी सिंथेसिस तक नहीं पहुँचते। आपके अपने पेजों का असली कंटेंट ऊँचा स्कोर पाता है और आपके दख़ल के बिना सुनाया जाता है। आपको सिर्फ़ बीच वाले हिस्से को देखना होता है, और वह भी तभी जब आप चाहें।

स्कोरिंग नॉर्मलाइज़ किए गए वर्ज़न पर नहीं, बल्कि मूल टेक्स्ट पर चलती है, क्योंकि स्कोरिंग कंटेंट की उपयुक्तता के बारे में है, न कि इस बारे में कि ऑडियो आख़िर में कैसा सुनाई देगा।

जब कंटेंट जनरेशन के लिए अप्रूव हो जाता है, तो अगला सवाल यह है कि वह कैसा सुनाई देगा। TTS2Go हर अप्रूव हुई रिक्वेस्ट को प्रोवाइडर तक पहुँचने से पहले नियम-आधारित नॉर्मलाइज़ेशन पाइपलाइन से गुज़ारता है। यह पाइपलाइन कच्चे टेक्स्ट के उन हिस्सों को दोबारा लिखती है जिन्हें प्रोवाइडर्स असंगत ढंग से संभालते हैं: पूर्णांक और दशमलव संख्याएँ, तारीख़ और समय, कई फ़ॉर्मेट में करेंसी, प्रतिशत, रोमन अंक, और "Dr.", "Mr." और "etc." जैसे आम संक्षिप्त रूप।

"The invoice of $1,234.56 is due on 2026-04-21" बदलकर "The invoice of one thousand two hundred thirty-four dollars and fifty-six cents is due on April twenty-first, twenty twenty-six." बन जाता है। "Chapter IV has 5 sections" बदलकर "Chapter four has five sections." बन जाता है। हर बदलाव डिटरमिनिस्टिक है, उसके लिए एक यूनिट टेस्ट है, और रनटाइम पर उसकी कोई लागत नहीं है — यह सब लोकल प्रोसेसिंग है, सिंथेसिस के रास्ते में कोई अतिरिक्त API कॉल नहीं।

एक और AI लेयर की जगह नियम-आधारित तरीका सोच-समझकर चुना गया है। नियम अनुमान लगाने लायक होते हैं: आप उन्हें दोहरा सकते हैं, समझा सकते हैं और उनका diff देख सकते हैं। अगर किसी यूज़र को कुछ अजीब सुनाई दे, तो आप ठीक-ठीक पता लगा सकते हैं कि क्यों, और उस ख़ास नियम को ठीक कर सकते हैं जिसकी वजह से ऐसा हुआ। ऑडियो एक परफ़ॉर्मेंस है, और परफ़ॉर्मेंस के लिए दोहराई जा सकने वाली स्क्रिप्ट चाहिए।

दोनों सिस्टम पाइपलाइन के अलग-अलग छोर पर काम करते हैं। स्कोरिंग तय करती है कि सिंथेसिस तक क्या पहुँचेगा। नॉर्मलाइज़ेशन तय करता है कि वह कैसा सुनाई देगा। एक आपके बजट की रखवाली करता है, दूसरा आपके आउटपुट की क्वालिटी की। स्कोरिंग हटा दें तो आपके क्रेडिट जोखिम में पड़ जाते हैं; नॉर्मलाइज़ेशन हटा दें तो आपका ऑडियो असंगत हो जाता है। साथ मिलकर ये TTS इंटीग्रेशन को ऐसे प्रोजेक्ट से, जिसके लिए एक कंटेंट मॉडरेटर और एक भाषाविद् चाहिए, SDK कोड की बस एक लाइन में बदल देते हैं।

दोनों सिस्टम्स के लाइव डेमो डैशबोर्ड के साइडबार में हैं। AI Content Scoring पेज पर आप सैंपल टेक्स्ट पेस्ट करके अपने किसी भी प्रोजेक्ट की कंटेंट प्रोफ़ाइल के हिसाब से सटीक स्कोर, कारण और ऑटो-अप्रूव का फ़ैसला देख सकते हैं। Speech Formatting पेज पर एक Try-It बॉक्स है जो आपके टाइप किए गए किसी भी टेक्स्ट का नॉर्मलाइज़ किया हुआ वर्ज़न, पहले-और-बाद के उदाहरणों के साथ, अगल-बगल दिखाता है। दोनों पर रेट लिमिट है, किसी में क्रेडिट ख़र्च नहीं होते, और दोनों ठीक वही दिखाते हैं जो असली रिक्वेस्ट आने पर प्रोडक्शन में होता है।

अगर आपके पास पहले से TTS2Go प्रोजेक्ट है, तो डैशबोर्ड खोलें और दोनों को आज़माएँ। अगर आप शुरुआत कर रहे हैं, तो एक प्रोजेक्ट बनाएँ, किसी पेज पर React SDK लगाएँ, और पहली कुछ रिक्वेस्ट को मैन्युअल क्यू में आने दें — आप पूरी पाइपलाइन को शुरू से अंत तक काम करते देखेंगे।