Bengali AI voice generator and voice cloning

• Reference clips for Bengali 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. নমস্কার, এটি আমার কণ্ঠস্বর এবং আজ আমি একটি ছোট নমুনা রেকর্ড করছি। আমি বই পড়তে ভালোবাসি।
2. চলুন কয়েকটি সংখ্যা বলি: 1, 2, 3, 4 এবং 5। আমার মিটিং সকাল 9:30 টায়, 15 মার্চ তারিখে।
3. আপনি কি কখনও ভেবেছেন একটি সাধারণ রেকর্ডিং কীভাবে কারও কণ্ঠস্বর ধরে রাখে? আমার কাছে এটি খুব আকর্ষণীয় লাগে।

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