Gujarati AI voice generator and voice cloning

• Reference clips for Gujarati are capped at 12 seconds.
• Roman-script Indian-language text and English words mixed into an Indian-language script are normalised before generation. Without that step, models trained only on native-script audio tend to skip Latin-script words silently rather than pronounce them.

These are the exact prompts Mayantar shows you in the recorder. Each one is timed to land inside the 12-second limit at a natural pace, and each covers something cloning models need: relaxed conversational prosody, spoken digits and dates, and a question with rising intonation. Read one aloud in a quiet room and you have a usable reference clip.

1. નમસ્તે, આ મારો અવાજ છે અને આજે હું એક નાનો નમૂનો રેકોર્ડ કરી રહ્યો છું. મને પુસ્તકો વાંચવા ગમે છે.
2. ચાલો થોડા આંકડા બોલીએ: 1, 2, 3, 4 અને 5. મારી મીટિંગ સવારે 9:30 વાગ્યે, 15 માર્ચે છે.
3. શું તમે ક્યારેય વિચાર્યું છે કે એક સામાન્ય રેકોર્ડિંગ કોઈના અવાજને કેવી રીતે પકડી રાખે છે?

More detail on what makes a clip pass or fail is in our guide to recording a reference clip.