Workflow Flujo de trabajo y demos: ASMR Hypno con Dramabox TTS

  • Iniciador del tema Iniciador del tema MiraCue
  • Fecha de inicio Fecha de inicio

MiraCue

Lurker
Registrado
23 Mar 2026
Mensajes
9
Puntos de reacción
0
Entonces había some discussion sobre usar IA para crear archivos de hipno, y eso me inspiró a probar la tecnología que hay por ahí y crear algo viable que no fuera solo, en su mayoría, tiros de suerte y tiradas de tragaperras tipo clips de 3 minutos. Así que lo que de verdad necesitamos es gente que haga demos transparentes exprimiendo la tecnología al máximo. Y gente que dé fe de que los resultados no se basan en tirar de la palanca y quedarse con resultados aleatorios. Para que la gente pueda crear auténticos personajes de hipnotizador + guiones coherentes exactamente con lo que especificaron, no con cualquier mierda aleatoria que el generador les escupiera a la cara. Además sería importantísimo mencionar cuánto tiempo has invertido.

Con Dramabox puedes guionizar cómo se dicen las cosas y cambiar entonación y estilo de voz, etc. También hace sonidos de respiración, susurros, jadeos, un montón de inclusiones novedosas de elementos no verbales en los datos de entrenamiento que los TTS antiguos no eran capaces de hacer. Pero no hace gemidos porno, aunque los susurros suenan decentemente eróticos y sensuales en mi opinión.

Al final pensé que una prueba divertida sería hacer un audio «compañero» para un vídeo ASMR.

Puedes escuchar el resultado aquí: https://gofile.io/d/GovtMojx
Se supone que reproduces este audio a la vez y un poco más alto que el vídeo ASMR al que comenta: Gibi ASMR | Devilish Triggers

¡¡¡REPRODUCE AMBOS ENLACES SIMULTÁNEAMENTE!!!

Era una variación a base de pulsar un botón de un concepto general que había desarrollado durante unas 6 horas antes, sobre cómo se estructuran los archivos de hipnosis. El concepto no es perfecto y es solo un día de trabajo, pero sirve para muchos propósitos futuros y el coste de hacer archivos nuevos es mínimo en comparación. Tienes que añadirle más cosas si quieres crear más archivos, para que no suene repetitivo.

Este es el resumen del concepto: dpaste.org/gXt2n/raw
El resultado de ejemplo del concepto: dpaste.org/1ahSL/raw

Hice este concepto con una muestra de la misma hablante, y descubrí que otras voces sí funcionaban. Pero también que el concepto había crecido un poco de forma orgánica alrededor de la naturaleza de la voz de la hablante (ASMR suave/susurrado/profundo). Así que puede hacer falta algo de adaptación si tu voz es tipo «adolescente mimada» o «cougar dominante». Luego, más tarde, tomé 30 segundos en total de varios momentos de un vídeo ASMR no revelado (no de Gibi, obviamente, por razones legales...) y al final sonaba sorprendentemente como Gibi. Coseché 3-5 veces, y revisé cada compilación de clips para ver qué tan bien funcionaba para el propósito. Y a veces hay una diferencia notable con ciertos estados de ánimo y estilos de voz que no puedes prever. También probé a muestrear de verdad vídeos de Gibi para el TTS (solo para probar, no para publicar), pero noté que los resultados sonaban algo distintos a Gibi y que aún se crea una identidad única de hablante. Así que esto también sería relevante por razones legales: no puedes identificar al 100% el origen de la muestra y es muy transformativo en sentido legal, pero aún así no es genérico.

La recolección de muestras tarda quizá 10 minutos por muestra y luego un par más para probarla en Dramabox. Hacer esto limpio y bien es lo más importante; no deberías cortar por lo sano aquí y poner mucho esfuerzo en entender qué estás haciendo y qué está haciendo el TTS.

Entonces, para sacar el guion del vídeo, simplemente le pedí a Deepseek que usara este concepto y el resultado de ejemplo y los transformara para que sirviera para comentar el vídeo. Fue un esfuerzo de 5 minutos, y luego las marcas de tiempo no cuadraban y el contenido no era como me gustaba. Así que otra vez, dos veces, le dije: haz esto más largo, aquello más largo. En 15 minutos el guion estaba listo.

Aquí está el guion de aplicar concepto + ejemplo para producir un guion nuevo: dpaste.org/iqZTq/raw

Para finalizar el audio, usé un script de hack-and-slash de ChatGPT que rellena los estúpidos huecos de 500 ms de silencio que Dramabox crea al empalmar los segmentos de 45 s. Esta segmentación también es una razón importante por la que solo deberías pedirle esto a otro LLM y nunca escribir guiones a mano. El LLM (o al menos debería, según el resumen del concepto) inflará el guion repitiendo todo el set de voz y los ajustes una y otra vez en cada línea. Si no lo hace, tu LLM es una mierda.

Aquí está el script de Python que arregla los huecos de silencio: dpaste.org/o0Jxh/raw

Ahora, en este punto, el archivo suena razonablemente bien por sí solo, pero de verdad necesitas pistas secundarias como el vídeo ASMR al que comenta, para que quede realmente bueno. Si hicieras un audio independiente, las otras pistas podrían ser los latidos binaurales de la hipnosis, más una pista de fondo por capas con instrucciones y/o ASMR genérico tipo sonidos de loción. Serían algunas horas más de esfuerzo. Pero como era un comentario para el vídeo de Gibi, no hacía falta.

Sin embargo... aún metí como 2 horas más o así porque reparé ciertos triggers que el TTS pronunció mal, que sonaban raros, y los segmentos no se alineaban perfectamente y no seguía las instrucciones de no decir «ella está agarrando la vela ahora», porque ¿cómo coño va a saber el LLM por las marcas de tiempo qué hace ella y dónde... lo que sea, luego se hizo tarde y a la mierda todo.

Así que me pareció bastante impresionante, puedes usar esto para todo tipo de propósitos. Esto era solo una idea de ducha, hacer comentarios de hipnosis sexualizados sobre vídeos ASMR. Si alguien se pasa como 20 horas seguidas haciendo este concepto más universal con variación, también podrías escucharlo de fondo y que te anime mientras trabajas o cagas o lo que sea. No he pensado realmente en todas las posibilidades. Eso lo dejo a ustedes.

Así que, como ya hice todo este trabajo, voy a estimar cuánto tiempo te lleva crear otro audio de la misma calidad:

* Instalar WSL2 (Linux dentro de Windows) con CUDA, etc.: 2 horas
* instalar Dramabox: 10 minutos + descarga de 16 GB(?)
* Iniciar Dramabox: 3-5 minutos
* escribir como 1000 palabras para personalizar tu concepto con Deepseek o un LLM local: 15 minutos
* generar audio a 3-5x de velocidad: 5 minutos
* escribir 500-1000 palabras otra vez al LLM para refinar el resultado: 10 minutos
* repetir los últimos 2 pasos varias veces
* añadir más capas de audio para un resultado A+: ¿2-5 horas?

Requisitos:

* 24 GB de memoria de GPU
* CUDA(?)

Los ajustes de Dramabox son muy simples:

* STG Scale: prueba con 3 para empezar o más para experimentar
* Duration: alrededor de 1.4-1.5 para hipnosis y algo como 1.1-1.2 sería muy rápido, como para un segmento de clímax que puedes generar por separado
* Reference Duration: 30 s para conseguir la muestra de audio máxima
Aquí está el registro completo del chat de Deepseek que tuve este día por si quieres más detalles: chat deepseek.com/share/bbdd4orgftol3hgu52

Espero que esto te ayude a hacerte una idea de cuánto tiempo necesita esta mierda y dónde están los límites de la tecnología y qué puedes hacer con ella.
 
Atrás
Arriba