Workflow Workflow & Demos: ASMR-Hypno mit Dramabox TTS

MiraCue

Lurker
Registriert
23. Mär 2026
Beiträge
9
Reaktionswert
0
Also, da war some discussion darüber, wie man mit KI Hypno-Dateien erstellt, und das hat mich dazu inspiriert, die Technologie da draußen auszuprobieren und etwas Brauchbares zu bauen, das nicht größtenteils nur Glücksschüsse und Slot-Machine-Zufall wie bei 3-Minuten-Clips ist. Was wir wirklich brauchen, sind Leute, die transparente Demos abliefern und die Technik bis zum Anschlag ausreizen. Und Leute, die bestätigen, dass die Ergebnisse nicht auf Slot-Machine-Glück und zufälligen Ausgaben beruhen. Damit Leute echte Hypnotiseur-Personas + Skripte erstellen können, die genau zu dem passen, was sie vorgegeben haben, und nicht zu irgendeinem zufälligen Scheiß, den der Generator ihnen ins Gesicht geworfen hat. Außerdem wäre es verdammt wichtig zu erwähnen, wie viel Zeit man investiert hat.

Mit Dramabox kannst du vorgeben, wie Dinge gesagt werden, und Intonation und Sprachstil usw. ändern. Es macht außerdem Atemgeräusche, Flüstern, Keuchen, jede Menge neuartige Einbindungen von Nicht-Sprach-Elementen in den Trainingsdaten, zu denen ältere TTS einfach nicht fähig waren. Aber es macht keine Porno-Gestöhne, wobei das Flüstern meiner Meinung nach ziemlich erotisch und sinnlich klingt.

Ende dachte ich, ein lustiger Test wäre, ein Begleit-Audio zu einem ASMR-Video zu machen.

Du kannst das Ergebnis hier anhören: https://gofile.io/d/GovtMojx
Du sollst dieses Audio gleichzeitig und etwas lauter als das ASMR-Video abspielen, das es kommentiert: Gibi ASMR | Devilish Triggers

!!!BEIDE LINKS GLEICHZEITIG ABSPIELEN!!!

Es war eine Knopfdruck-Variante eines allgemeinen Konzepts, das ich davor so über 6 Stunden ausgearbeitet hatte, wie Hypnose-Dateien aufgebaut sind. Das Konzept ist nicht perfekt und nur ein Tag Arbeit, aber es funktioniert für viele zukünftige Zwecke, und der Aufwand für neue Dateien ist vergleichsweise minimal. Du musst mehr Zeug hinzufügen, wenn du mehr Dateien erstellen willst, damit es nicht repetitiv klingt.

Das ist die Zusammenfassung des Konzepts: dpaste.org/gXt2n/raw
Das Beispielergebnis des Konzepts: dpaste.org/1ahSL/raw

Ich habe dieses Konzept mit einer Probe derselben Sprecherin gemacht und festgestellt, dass andere Sprecherinnen auch funktionierten. Aber auch, dass das Konzept irgendwie organisch um die Natur der Stimme der Sprecherin herum gewachsen war (ASMR weich/geflüstert/tief). Also könnte etwas Anpassung nötig sein, wenn deine Sprecherin eher so «zickige Göre» oder «dominante Cougar» ist. Später habe ich dann insgesamt 30 Sekunden aus verschiedenen Stellen eines nicht genannten ASMR-Videos gesampelt (natürlich nicht von Gibi, aus rechtlichen Gründen ...) und es klang am Ende überraschend wie Gibi. Ich habe 3-5 Mal geerntet und bei jeder Clip-Zusammenstellung geprüft, wie gut sie für den Zweck funktionierte. Und es gibt manchmal einen bemerkenswerten Unterschied bei bestimmten Stimmungen und Sprachstilen, den man nicht vorhersehen kann. Ich habe auch tatsächlich Gibi-Videos für das TTS gesampelt (nur zum Testen, nicht zum Veröffentlichen), aber mir ist aufgefallen, dass die Ergebnisse etwas anders als Gibi klangen und trotzdem diese einzigartige Identität der Sprecherin entsteht. Das wäre also auch aus rechtlichen Gründen relevant: Man kann die Herkunft der Probe nicht zu 100 % identifizieren, und es ist rechtlich gesehen sehr transformativ, aber trotzdem nicht generisch.

Das Sammeln der Samples dauert vielleicht 10 Minuten pro Sample und dann noch ein paar mehr, um es in Dramabox auszuprobieren. Das sauber und ordentlich zu machen, ist am wichtigsten, und du solltest hier keine Abkürzungen nehmen und viel Mühe darauf verwenden zu verstehen, was du tust und was das TTS tut.

Um das Skript passend zum Video zu bekommen, habe ich Deepseek einfach gepromptet, dieses Konzept und das Beispielergebnis zu verwenden und es so umzuwandeln, dass es als Kommentar zum Video funktioniert. Das war so ein 5-Minuten-Aufwand, und dann waren die Timestamps nicht mehr synchron und der Inhalt war nicht so, wie ich ihn mochte. Also habe ich noch zwei Mal gesagt: mach dies länger, jenes länger. Nach 15 Minuten war das Skript fertig.

Hier ist das Skript, das Konzept + Beispiel anwendet, um ein neues Skript zu erzeugen: dpaste.org/iqZTq/raw

Um das Audio fertigzustellen, habe ich ein Hack-and-Slash-Skript von ChatGPT benutzt, das die beschissenen 500-ms-Stillelücken füllt, die Dramabox erzeugt, wenn es die 45-Sekunden-Segmente zusammensetzt. Diese Segmentierung ist auch ein Hauptgrund, warum du das nur mit einem anderen LLM prompten und niemals Skripte von Hand schreiben solltest. Das LLM wird (oder sollte es zumindest laut Konzeptzusammenfassung) das Skript aufblähen, indem es das ganze Voice-Set und die Einstellungen Zeile für Zeile wiederholt. Wenn es das nicht tut, ist dein LLM Scheiße.

Hier ist das Python-Skript, das die Stillelücken repariert: dpaste.org/o0Jxh/raw

Jetzt klingt die Datei an sich schon einigermaßen gut, aber wirklich brauchst du zweite Spuren wie das ASMR-Video, das sie kommentiert, damit es richtig gut wird. Wenn du ein eigenständiges Audio machst, könnten die anderen Spuren die binauralen Beats aus der Hypnose sein, plus eine geschichtete Hintergrundspur mit Anweisungen und/oder einfach generisches ASMR wie Lotion-Geräusche. Das wären noch ein paar Stunden Aufwand. Aber da es ein Kommentar zum Gibi-Video war, war das nicht nötig.

Allerdings ... habe ich trotzdem noch so 2 Stunden reingesteckt, weil ich bestimmte Trigger repariert habe, die vom TTS falsch ausgesprochen wurden, komisch klangen, und weil die Segmente nicht perfekt ausgerichtet waren und es die Anweisung nicht befolgt hat, nicht zu sagen «sie nimmt jetzt die Kerze in die Hand», denn wie zum Teufel soll das LLM anhand von Timestamps wissen, was sie wann und wo macht ... egal, dann war es spät und scheiß auf diesen Mist.

Ich fand es also ziemlich beeindruckend, man kann das für alle möglichen Zwecke nutzen. Das war nur so eine Duschgedanke-Sache, um sexualisierte Hypnose-Kommentare zu ASMR-Videos zu machen. Wenn jemand etwa 20 Stunden am Stück investiert, um dieses Konzept mit Variation universeller zu machen, könntest du es auch im Hintergrund hören und es ermutigt dich, während du arbeitest oder scheißt oder was auch immer. Ich habe noch nicht wirklich über alle Möglichkeiten nachgedacht. Das überlasse ich euch.

Da ich schon all diese Arbeit gemacht habe, schätze ich mal, wie lange du brauchst, um ein weiteres Audio in derselben Qualität zu erstellen:

* WSL2 installieren (Linux in Windows) mit CUDA usw.: 2 Stunden
* Dramabox installieren: 10 Minuten + 16 GB(?) Download
* Dramabox starten: 3-5 Minuten
* so 1000 Wörter schreiben, um dein Konzept mit Deepseek oder einem lokalen LLM zu personalisieren: 15 Minuten
* Audio mit 3-5x Geschwindigkeit generieren: 5 Minuten
* noch mal 500-1000 Wörter ans LLM schreiben, um das Ergebnis zu verfeinern: 10 Minuten
* die letzten 2 Schritte mehrmals wiederholen
* mehr Audio-Layer für ein A+-Ergebnis hinzufügen: 2-5 Stunden?

Voraussetzungen:

* 24 GB GPU-Speicher
* CUDA(?)

Die Einstellungen für Dramabox sind sehr einfach:

* STG Scale: Probier am Anfang 3 oder höher zum Experimentieren
* Duration: Etwa 1.4-1.5 für Hypnose, und so 1.1-1.2 wäre sehr schnell, etwa für ein Höhepunkt-Segment, das du separat generieren kannst
* Reference Duration: 30 s, um die maximale Audio-Probe zu bekommen
Hier ist das komplette Deepseek-Chatlog von diesem Tag für weitere Details: chat deepseek.com/share/bbdd4orgftol3hgu52

Ich hoffe, das hilft dir, einen Überblick darüber zu bekommen, wie viel Zeit dieser Scheiß braucht, wo die Grenzen der Technik liegen und was du damit machen kannst.
 
Zurück
Oben