Então tinha some discussion sobre usar IA pra criar arquivos de hipno, e isso me inspirou a testar a tecnologia que existe por aí e criar algo viável que não fosse só, em sua maioria, tiros de sorte e slot machining tipo clipes de 3 minutos. Então o que a gente realmente precisa é de gente fazendo demos transparentes explorando a tecnologia ao máximo. E gente atestando que os resultados não são baseados em slot-machining e resultados aleatórios. Pra que as pessoas possam criar personas de hipnotizador de verdade + scripts consistentes exatamente com o que especificaram, não qualquer merda aleatória que o gerador jogou na cara delas. Também seria muito importante mencionar quanto tempo você passou.
Com o Dramabox você pode roteirizar como as coisas são ditas e mudar entonação, estilo de voz etc. E ele também faz sons de respiração, sussurros, suspiros, um monte de inclusões novas de elementos não verbais nos dados de treino que os TTS mais antigos simplesmente não eram capazes de fazer. Mas ele não faz gemidos de pornô, embora os sussurros soem decentemente eróticos e sensuais na minha opinião.
No fim, achei que um teste divertido seria fazer um áudio «companheiro» pra um vídeo de ASMR.
Você pode ouvir o resultado aqui: https://gofile.io/d/GovtMojx
Você deve tocar este áudio simultaneamente e um pouco mais alto que o vídeo de ASMR que ele comenta: Gibi ASMR | Devilish Triggers
!!!TOQUE OS DOIS LINKS SIMULTANEAMENTE!!!
Foi uma variação de apertar um botão de um conceito geral que eu tinha desenvolvido umas 6 horas antes, sobre como arquivos de hipnose são estruturados. Esse conceito não é perfeito e é só um dia de trabalho, mas funciona pra muitos propósitos futuros e o custo pra fazer arquivos novos é mínimo em comparação. Você precisa adicionar mais coisa nele se quiser criar mais arquivos, pra não soar repetitivo.
Esse é o resumo do conceito: dpaste.org/gXt2n/raw
O resultado de exemplo do conceito: dpaste.org/1ahSL/raw
Eu fiz esse conceito com uma amostra da mesma falante, e descobri que outras vozes funcionavam. Mas também que o conceito meio que cresceu organicamente em volta da natureza da voz da falante (ASMR suave/sussurrado/grave). Então alguma adaptação pode ser necessária se sua falante for tipo «adolescente pirracenta» ou «cougar dominadora». Depois eu peguei 30 segundos no total de vários pontos de um vídeo de ASMR não revelado (não da Gibi, óbvio, por questões legais...) e no final soou surpreendentemente como a Gibi. Eu colhi 3-5 vezes e conferi cada compilação de clipes pra ver quão bem funcionava pro propósito. E às vezes tem uma diferença notável com certos climas e estilos de voz que você não consegue prever. Também tentei realmente samplear vídeos da Gibi pro TTS (só pra testar, não pra publicar), mas notei que os resultados soavam meio diferentes da Gibi e ainda cria essa identidade única da falante. Então isso também seria relevante por questões legais: você não consegue identificar 100% a origem da amostra e é bem transformativo no sentido legal, mas ainda assim não é genérico.
Colher as amostras leva talvez 10 minutos por amostra e depois mais alguns pra testar no Dramabox. Fazer isso de forma limpa e correta é o mais importante, e você não deveria cortar caminho aqui e deve se esforçar bastante pra entender o que você está fazendo e o que o TTS está fazendo.
Então, pra encaixar o script no vídeo, eu só dei um prompt no Deepseek pra usar esse conceito e o resultado de exemplo e transformar pra funcionar como comentário do vídeo. Tipo, foi um esforço de 5 minutos, e aí os timestamps ficaram desalinhados e o conteúdo não era do jeito que eu gostava. Então mais duas vezes eu falei faz isso mais longo, aquilo mais longo. Em 15 minutos o script estava pronto.
Aqui está o script de aplicar conceito + exemplo pra gerar um novo script: dpaste.org/iqZTq/raw
Pra finalizar o áudio, usei um script hack-and-slash do ChatGPT que preenche os malditos buracos de 500 ms de silêncio que o Dramabox cria quando junta os segmentos de 45 s. Essa segmentação também é um motivo importante pra você só fazer prompt disso com outro LLM e nunca escrever scripts à mão. O LLM vai (ou pelo menos deveria, segundo o resumo do conceito) inchar o script repetindo todo o voice set e as configurações de novo e de novo a cada linha. Se ele não fizer isso, seu LLM é uma merda.
Aqui está o script Python que conserta os buracos de silêncio: dpaste.org/o0Jxh/raw
Agora, nesse ponto, o arquivo em si soa razoavelmente bem sozinho, mas você realmente precisa de segundas faixas tipo o vídeo de ASMR que ele comenta, pra ficar realmente bom. Se você fizesse um áudio independente, as outras faixas poderiam ser os batimentos binaurais da hipnose, mais uma faixa de fundo em camadas com instruções e/ou só ASMR genérico tipo sons de loção. Seriam mais algumas horas de esforço. Mas como era um comentário pro vídeo da Gibi, isso não era necessário.
Porém... eu ainda coloquei tipo mais 2 horas porque consertei certos triggers que o TTS falou errado, soaram estranhos, e os segmentos não se alinhavam perfeitamente e ele não seguiu as instruções de não dizer «ela está pegando a vela agora», porque como caralho o LLM vai saber pelos timestamps o que e onde ela realmente faz as coisas... que seja, aí já era tarde e foda-se essa merda.
Então achei bem impressionante, dá pra usar isso pra todo tipo de propósito. Esse foi só um pensamento de chuveiro, pra fazer comentários de hipnose sexualizados em vídeos de ASMR. Se alguém passar tipo 20 horas direto pra deixar esse conceito mais universal com variação, você também poderia ouvir isso de fundo e ele te dá uma encorajada enquanto trabalha ou caga ou sei lá. Eu realmente não pensei em todas as possibilidades aqui. Deixo isso pra você.
Então, como eu já fiz todo esse trabalho, vou estimar quanto tempo leva pra você criar outro áudio com a mesma qualidade:
* Instalar WSL2 (Linux dentro do Windows) com CUDA etc.: 2 horas
* instalar Dramabox: 10 minutos + download de 16 GB(?)
* iniciar Dramabox: 3-5 minutos
* escrever tipo 1000 palavras pra personalizar seu conceito com Deepseek ou LLM local: 15 minutos
* gerar áudio em velocidade 3-5x: 5 minutos
* escrever 500-1000 palavras de novo pro LLM refinar o resultado: 10 minutos
* repetir os últimos 2 passos várias vezes
* adicionar mais camadas de áudio pra um resultado A+: 2-5 horas?
Requisitos:
* 24 GB de memória de GPU
* CUDA(?)
As configurações do Dramabox são bem simples:
* STG Scale: tenta 3 pra começar ou mais pra experimentar
* Duration: uns 1.4-1.5 pra hipnose e algo tipo 1.1-1.2 seria bem rápido, tipo pra um segmento de clímax que você pode gerar separado
* Reference Duration: 30 s pra pegar a amostra máxima de áudio
Aqui está o chatlog completo do Deepseek que eu tive neste dia pra mais detalhes: chat deepseek.com/share/bbdd4orgftol3hgu52
Espero que isso ajude você a ter uma visão geral de quanto tempo essa merda precisa e onde estão os limites da tecnologia e o que dá pra fazer com ela.
Com o Dramabox você pode roteirizar como as coisas são ditas e mudar entonação, estilo de voz etc. E ele também faz sons de respiração, sussurros, suspiros, um monte de inclusões novas de elementos não verbais nos dados de treino que os TTS mais antigos simplesmente não eram capazes de fazer. Mas ele não faz gemidos de pornô, embora os sussurros soem decentemente eróticos e sensuais na minha opinião.
No fim, achei que um teste divertido seria fazer um áudio «companheiro» pra um vídeo de ASMR.
Você pode ouvir o resultado aqui: https://gofile.io/d/GovtMojx
Você deve tocar este áudio simultaneamente e um pouco mais alto que o vídeo de ASMR que ele comenta: Gibi ASMR | Devilish Triggers
!!!TOQUE OS DOIS LINKS SIMULTANEAMENTE!!!
Foi uma variação de apertar um botão de um conceito geral que eu tinha desenvolvido umas 6 horas antes, sobre como arquivos de hipnose são estruturados. Esse conceito não é perfeito e é só um dia de trabalho, mas funciona pra muitos propósitos futuros e o custo pra fazer arquivos novos é mínimo em comparação. Você precisa adicionar mais coisa nele se quiser criar mais arquivos, pra não soar repetitivo.
Esse é o resumo do conceito: dpaste.org/gXt2n/raw
O resultado de exemplo do conceito: dpaste.org/1ahSL/raw
Eu fiz esse conceito com uma amostra da mesma falante, e descobri que outras vozes funcionavam. Mas também que o conceito meio que cresceu organicamente em volta da natureza da voz da falante (ASMR suave/sussurrado/grave). Então alguma adaptação pode ser necessária se sua falante for tipo «adolescente pirracenta» ou «cougar dominadora». Depois eu peguei 30 segundos no total de vários pontos de um vídeo de ASMR não revelado (não da Gibi, óbvio, por questões legais...) e no final soou surpreendentemente como a Gibi. Eu colhi 3-5 vezes e conferi cada compilação de clipes pra ver quão bem funcionava pro propósito. E às vezes tem uma diferença notável com certos climas e estilos de voz que você não consegue prever. Também tentei realmente samplear vídeos da Gibi pro TTS (só pra testar, não pra publicar), mas notei que os resultados soavam meio diferentes da Gibi e ainda cria essa identidade única da falante. Então isso também seria relevante por questões legais: você não consegue identificar 100% a origem da amostra e é bem transformativo no sentido legal, mas ainda assim não é genérico.
Colher as amostras leva talvez 10 minutos por amostra e depois mais alguns pra testar no Dramabox. Fazer isso de forma limpa e correta é o mais importante, e você não deveria cortar caminho aqui e deve se esforçar bastante pra entender o que você está fazendo e o que o TTS está fazendo.
Então, pra encaixar o script no vídeo, eu só dei um prompt no Deepseek pra usar esse conceito e o resultado de exemplo e transformar pra funcionar como comentário do vídeo. Tipo, foi um esforço de 5 minutos, e aí os timestamps ficaram desalinhados e o conteúdo não era do jeito que eu gostava. Então mais duas vezes eu falei faz isso mais longo, aquilo mais longo. Em 15 minutos o script estava pronto.
Aqui está o script de aplicar conceito + exemplo pra gerar um novo script: dpaste.org/iqZTq/raw
Pra finalizar o áudio, usei um script hack-and-slash do ChatGPT que preenche os malditos buracos de 500 ms de silêncio que o Dramabox cria quando junta os segmentos de 45 s. Essa segmentação também é um motivo importante pra você só fazer prompt disso com outro LLM e nunca escrever scripts à mão. O LLM vai (ou pelo menos deveria, segundo o resumo do conceito) inchar o script repetindo todo o voice set e as configurações de novo e de novo a cada linha. Se ele não fizer isso, seu LLM é uma merda.
Aqui está o script Python que conserta os buracos de silêncio: dpaste.org/o0Jxh/raw
Agora, nesse ponto, o arquivo em si soa razoavelmente bem sozinho, mas você realmente precisa de segundas faixas tipo o vídeo de ASMR que ele comenta, pra ficar realmente bom. Se você fizesse um áudio independente, as outras faixas poderiam ser os batimentos binaurais da hipnose, mais uma faixa de fundo em camadas com instruções e/ou só ASMR genérico tipo sons de loção. Seriam mais algumas horas de esforço. Mas como era um comentário pro vídeo da Gibi, isso não era necessário.
Porém... eu ainda coloquei tipo mais 2 horas porque consertei certos triggers que o TTS falou errado, soaram estranhos, e os segmentos não se alinhavam perfeitamente e ele não seguiu as instruções de não dizer «ela está pegando a vela agora», porque como caralho o LLM vai saber pelos timestamps o que e onde ela realmente faz as coisas... que seja, aí já era tarde e foda-se essa merda.
Então achei bem impressionante, dá pra usar isso pra todo tipo de propósito. Esse foi só um pensamento de chuveiro, pra fazer comentários de hipnose sexualizados em vídeos de ASMR. Se alguém passar tipo 20 horas direto pra deixar esse conceito mais universal com variação, você também poderia ouvir isso de fundo e ele te dá uma encorajada enquanto trabalha ou caga ou sei lá. Eu realmente não pensei em todas as possibilidades aqui. Deixo isso pra você.
Então, como eu já fiz todo esse trabalho, vou estimar quanto tempo leva pra você criar outro áudio com a mesma qualidade:
* Instalar WSL2 (Linux dentro do Windows) com CUDA etc.: 2 horas
* instalar Dramabox: 10 minutos + download de 16 GB(?)
* iniciar Dramabox: 3-5 minutos
* escrever tipo 1000 palavras pra personalizar seu conceito com Deepseek ou LLM local: 15 minutos
* gerar áudio em velocidade 3-5x: 5 minutos
* escrever 500-1000 palavras de novo pro LLM refinar o resultado: 10 minutos
* repetir os últimos 2 passos várias vezes
* adicionar mais camadas de áudio pra um resultado A+: 2-5 horas?
Requisitos:
* 24 GB de memória de GPU
* CUDA(?)
As configurações do Dramabox são bem simples:
* STG Scale: tenta 3 pra começar ou mais pra experimentar
* Duration: uns 1.4-1.5 pra hipnose e algo tipo 1.1-1.2 seria bem rápido, tipo pra um segmento de clímax que você pode gerar separado
* Reference Duration: 30 s pra pegar a amostra máxima de áudio
Aqui está o chatlog completo do Deepseek que eu tive neste dia pra mais detalhes: chat deepseek.com/share/bbdd4orgftol3hgu52
Espero que isso ajude você a ter uma visão geral de quanto tempo essa merda precisa e onde estão os limites da tecnologia e o que dá pra fazer com ela.