Quindi c'era some discussion sull'usare l'IA per creare file hypno, e questo mi ha ispirato a provare la tecnologia là fuori e creare qualcosa di valido che non fosse solo per lo più colpi di fortuna e slot machining tipo clip da 3 minuti. Quindi quello che ci serve davvero sono persone che forniscano demo trasparenti spingendo la tecnologia al massimo. E persone che attestino che i risultati non si basano su slot-machining e risultati casuali. Così le persone possono creare delle vere personas da ipnotizzatore + script coerenti esattamente con quello che hanno specificato, non qualunque cazzo casuale che il generatore gli ha buttato in faccia. Inoltre sarebbe importantissimo menzionare quanto tempo hai passato.
Con Dramabox puoi scriptare come vengono dette le cose e cambiare intonazione e stile della voce ecc. E fa anche suoni di respirazione, sussurri, ansimi, un sacco di inclusioni nuove di elementi non verbali nei dati di addestramento che i TTS più vecchi semplicemente non erano capaci di fare. Però non fa gemiti porno, anche se i sussurri suonano decentemente erotici e sensuali secondo me.
Alla fine ho pensato che un test divertente sarebbe stato fare un audio «compagno» per un video ASMR.
Puoi ascoltare il risultato qui: https://gofile.io/d/GovtMojx
Dovresti riprodurre questo audio contemporaneamente e un po' più forte del video ASMR che commenta: Gibi ASMR | Devilish Triggers
!!!RIPRODUCI ENTRAMBI I LINK SIMULTANEAMENTE!!!
Era una variazione tipo «premi un pulsante» di un concetto generale che avevo sviluppato per tipo 6 ore prima, su come sono strutturati i file di ipnosi. Questo concetto non è perfetto ed è solo un giorno di lavoro, ma funziona per molti scopi futuri e il costo per fare nuovi file è minimo in confronto. Devi aggiungerci più roba se vuoi creare più file, così non suona ripetitivo.
Questo è il riassunto del concetto: dpaste.org/gXt2n/raw
Il risultato d'esempio del concetto: dpaste.org/1ahSL/raw
Ho fatto questo concetto con un campione della stessa speaker, e ho scoperto che altre speaker funzionavano. Ma anche che il concetto era in qualche modo cresciuto organicamente intorno alla natura della voce della speaker (ASMR morbida/sussurrata/profonda). Quindi potrebbe servire un po' di adattamento se la tua speaker è tipo «adolescente stronzetta» o «cougar dominante». Poi più tardi ho campionato 30 secondi in totale da vari punti di un video ASMR non divulgato (non di Gibi, ovviamente, per ragioni legali...) e alla fine suonava sorprendentemente come Gibi. Ho raccolto 3-5 volte e ho controllato per ogni compilation di clip quanto funzionava per lo scopo. E a volte c'è una differenza notevole con certi umori e stili di voce che non puoi prevedere. Ho anche provato a campionare davvero video di Gibi per il TTS (solo per testare, non per pubblicare), ma ho notato che i risultati suonavano un po' diversi da Gibi e comunque crea questa identità unica della speaker. Quindi questo sarebbe rilevante anche per ragioni legali: non puoi identificare al 100% l'origine del campione ed è molto trasformativo in senso legale, ma comunque non generico.
La raccolta dei campioni, ci vogliono forse 10 minuti per campione e poi un paio d'altri per provarlo in Dramabox. Farlo in modo pulito e corretto è la cosa più importante e non dovresti tagliare gli angoli qui e dovresti metterci molto impegno per capire cosa stai facendo e cosa sta facendo il TTS.
Quindi per far combaciare lo script con il video, ho semplicemente promptato Deepseek per usare questo concetto e il risultato d'esempio e trasformarli per farlo funzionare come commento al video. Tipo è stato uno sforzo di 5 minuti, e poi i timestamp erano disallineati e il contenuto non era come piaceva a me. Quindi di nuovo 2 volte gli ho detto fai questo più lungo, quello più lungo. In 15 minuti lo script era pronto.
Ecco lo script che applica concetto + esempio per ottenere un nuovo script: dpaste.org/iqZTq/raw
Per finalizzare l'audio, ho usato uno script hack-and-slash da ChatGPT che riempie gli stupidi buchi di 500 ms di silenzio che Dramabox crea quando unisce i segmenti da 45 s. Questa segmentazione è anche un motivo importante per cui dovresti fare prompt di questo solo con un altro LLM e mai scrivere script a mano. L'LLM (o almeno dovrebbe, secondo il riassunto del concetto) gonfierà lo script ripetendo tutto il voice set e le impostazioni ancora e ancora a ogni riga. Se non lo fa, il tuo LLM è una merda.
Ecco lo script Python che sistema i buchi di silenzio: dpaste.org/o0Jxh/raw
Ora, a questo punto, il file in sé suona ragionevolmente bene da solo, ma davvero ti servono seconde tracce come il video ASMR che commenta, perché diventi davvero buono. Se facessi un audio autonomo, le altre tracce potrebbero essere i battiti binaurali dell'ipnosi, più una traccia di sottofondo a strati con istruzioni e/o solo ASMR generico tipo suoni di lozione. Sarebbero un paio d'ore di lavoro in più. Ma siccome era un commento al video di Gibi, non serviva.
Però... ho comunque messo tipo altre 2 ore perché ho riparato certi trigger che il TTS aveva pronunciato male, che suonavano strani, e i segmenti non si allineavano perfettamente e non seguiva le istruzioni di non dire «lei sta prendendo la candela ora», perché cazzo dovrebbe saperlo l'LLM dai timestamp cosa e dove lei fa davvero le cose... vabbè, poi era tardi e fanculo questa merda.
Quindi l'ho trovato piuttosto impressionante, puoi usarlo per tutti i tipi di scopi. Questo era solo un pensiero fatto sotto la doccia, per fare commenti di ipnosi sessualizzati su video ASMR. Se qualcuno passa tipo 20 ore di fila a rendere questo concetto più universale con variazione, potresti anche ascoltarlo in sottofondo e ti incoraggia mentre lavori o caghi o quel che sia. Non ho davvero pensato a tutte le possibilità qui. Quella la lascio a te.
Quindi, dato che ho già fatto tutto questo lavoro, stimo quanto tempo ci vuole per creare un altro audio della stessa qualità:
* Installare WSL2 (Linux dentro Windows) con CUDA ecc.: 2 ore
* installare Dramabox: 10 minuti + download da 16 GB(?)
* avviare Dramabox: 3-5 minuti
* scrivere tipo 1000 parole per personalizzare il tuo concetto con Deepseek o un LLM locale: 15 minuti
* generare audio a velocità 3-5x: 5 minuti
* scrivere di nuovo 500-1000 parole all'LLM per rifinire il risultato: 10 minuti
* ripetere gli ultimi 2 passaggi più volte
* aggiungere più livelli audio per un risultato A+: 2-5 ore?
Requisiti:
* 24 GB di memoria GPU
* CUDA(?)
Le impostazioni per Dramabox sono molto semplici:
* STG Scale: prova 3 per iniziare o più per sperimentare
* Duration: circa 1.4-1.5 per l'ipnosi e qualcosa tipo 1.1-1.2 sarebbe molto veloce, tipo per un segmento di climax che puoi generare separatamente
* Reference Duration: 30 s per ottenere il massimo campione audio
Ecco il chatlog completo di Deepseek che ho avuto questo giorno per più dettagli: chat deepseek.com/share/bbdd4orgftol3hgu52
Spero che questo ti aiuti a farti un'idea di quanto tempo questa merda richiede e dove sono i limiti della tecnologia e cosa puoi farci.
Con Dramabox puoi scriptare come vengono dette le cose e cambiare intonazione e stile della voce ecc. E fa anche suoni di respirazione, sussurri, ansimi, un sacco di inclusioni nuove di elementi non verbali nei dati di addestramento che i TTS più vecchi semplicemente non erano capaci di fare. Però non fa gemiti porno, anche se i sussurri suonano decentemente erotici e sensuali secondo me.
Alla fine ho pensato che un test divertente sarebbe stato fare un audio «compagno» per un video ASMR.
Puoi ascoltare il risultato qui: https://gofile.io/d/GovtMojx
Dovresti riprodurre questo audio contemporaneamente e un po' più forte del video ASMR che commenta: Gibi ASMR | Devilish Triggers
!!!RIPRODUCI ENTRAMBI I LINK SIMULTANEAMENTE!!!
Era una variazione tipo «premi un pulsante» di un concetto generale che avevo sviluppato per tipo 6 ore prima, su come sono strutturati i file di ipnosi. Questo concetto non è perfetto ed è solo un giorno di lavoro, ma funziona per molti scopi futuri e il costo per fare nuovi file è minimo in confronto. Devi aggiungerci più roba se vuoi creare più file, così non suona ripetitivo.
Questo è il riassunto del concetto: dpaste.org/gXt2n/raw
Il risultato d'esempio del concetto: dpaste.org/1ahSL/raw
Ho fatto questo concetto con un campione della stessa speaker, e ho scoperto che altre speaker funzionavano. Ma anche che il concetto era in qualche modo cresciuto organicamente intorno alla natura della voce della speaker (ASMR morbida/sussurrata/profonda). Quindi potrebbe servire un po' di adattamento se la tua speaker è tipo «adolescente stronzetta» o «cougar dominante». Poi più tardi ho campionato 30 secondi in totale da vari punti di un video ASMR non divulgato (non di Gibi, ovviamente, per ragioni legali...) e alla fine suonava sorprendentemente come Gibi. Ho raccolto 3-5 volte e ho controllato per ogni compilation di clip quanto funzionava per lo scopo. E a volte c'è una differenza notevole con certi umori e stili di voce che non puoi prevedere. Ho anche provato a campionare davvero video di Gibi per il TTS (solo per testare, non per pubblicare), ma ho notato che i risultati suonavano un po' diversi da Gibi e comunque crea questa identità unica della speaker. Quindi questo sarebbe rilevante anche per ragioni legali: non puoi identificare al 100% l'origine del campione ed è molto trasformativo in senso legale, ma comunque non generico.
La raccolta dei campioni, ci vogliono forse 10 minuti per campione e poi un paio d'altri per provarlo in Dramabox. Farlo in modo pulito e corretto è la cosa più importante e non dovresti tagliare gli angoli qui e dovresti metterci molto impegno per capire cosa stai facendo e cosa sta facendo il TTS.
Quindi per far combaciare lo script con il video, ho semplicemente promptato Deepseek per usare questo concetto e il risultato d'esempio e trasformarli per farlo funzionare come commento al video. Tipo è stato uno sforzo di 5 minuti, e poi i timestamp erano disallineati e il contenuto non era come piaceva a me. Quindi di nuovo 2 volte gli ho detto fai questo più lungo, quello più lungo. In 15 minuti lo script era pronto.
Ecco lo script che applica concetto + esempio per ottenere un nuovo script: dpaste.org/iqZTq/raw
Per finalizzare l'audio, ho usato uno script hack-and-slash da ChatGPT che riempie gli stupidi buchi di 500 ms di silenzio che Dramabox crea quando unisce i segmenti da 45 s. Questa segmentazione è anche un motivo importante per cui dovresti fare prompt di questo solo con un altro LLM e mai scrivere script a mano. L'LLM (o almeno dovrebbe, secondo il riassunto del concetto) gonfierà lo script ripetendo tutto il voice set e le impostazioni ancora e ancora a ogni riga. Se non lo fa, il tuo LLM è una merda.
Ecco lo script Python che sistema i buchi di silenzio: dpaste.org/o0Jxh/raw
Ora, a questo punto, il file in sé suona ragionevolmente bene da solo, ma davvero ti servono seconde tracce come il video ASMR che commenta, perché diventi davvero buono. Se facessi un audio autonomo, le altre tracce potrebbero essere i battiti binaurali dell'ipnosi, più una traccia di sottofondo a strati con istruzioni e/o solo ASMR generico tipo suoni di lozione. Sarebbero un paio d'ore di lavoro in più. Ma siccome era un commento al video di Gibi, non serviva.
Però... ho comunque messo tipo altre 2 ore perché ho riparato certi trigger che il TTS aveva pronunciato male, che suonavano strani, e i segmenti non si allineavano perfettamente e non seguiva le istruzioni di non dire «lei sta prendendo la candela ora», perché cazzo dovrebbe saperlo l'LLM dai timestamp cosa e dove lei fa davvero le cose... vabbè, poi era tardi e fanculo questa merda.
Quindi l'ho trovato piuttosto impressionante, puoi usarlo per tutti i tipi di scopi. Questo era solo un pensiero fatto sotto la doccia, per fare commenti di ipnosi sessualizzati su video ASMR. Se qualcuno passa tipo 20 ore di fila a rendere questo concetto più universale con variazione, potresti anche ascoltarlo in sottofondo e ti incoraggia mentre lavori o caghi o quel che sia. Non ho davvero pensato a tutte le possibilità qui. Quella la lascio a te.
Quindi, dato che ho già fatto tutto questo lavoro, stimo quanto tempo ci vuole per creare un altro audio della stessa qualità:
* Installare WSL2 (Linux dentro Windows) con CUDA ecc.: 2 ore
* installare Dramabox: 10 minuti + download da 16 GB(?)
* avviare Dramabox: 3-5 minuti
* scrivere tipo 1000 parole per personalizzare il tuo concetto con Deepseek o un LLM locale: 15 minuti
* generare audio a velocità 3-5x: 5 minuti
* scrivere di nuovo 500-1000 parole all'LLM per rifinire il risultato: 10 minuti
* ripetere gli ultimi 2 passaggi più volte
* aggiungere più livelli audio per un risultato A+: 2-5 ore?
Requisiti:
* 24 GB di memoria GPU
* CUDA(?)
Le impostazioni per Dramabox sono molto semplici:
* STG Scale: prova 3 per iniziare o più per sperimentare
* Duration: circa 1.4-1.5 per l'ipnosi e qualcosa tipo 1.1-1.2 sarebbe molto veloce, tipo per un segmento di climax che puoi generare separatamente
* Reference Duration: 30 s per ottenere il massimo campione audio
Ecco il chatlog completo di Deepseek che ho avuto questo giorno per più dettagli: chat deepseek.com/share/bbdd4orgftol3hgu52
Spero che questo ti aiuti a farti un'idea di quanto tempo questa merda richiede e dove sono i limiti della tecnologia e cosa puoi farci.