تبدیل متن فارسی به صدا چیست و چگونه انجام می‌شود؟

تولید فایل صوتی از یک مقاله، گزارش، سناریوی ویدئو یا محتوای آموزشی در گذشته معمولاً به گوینده، استودیو، تجهیزات ضبط و تدوین نیاز داشت. امروز ابزارهای تبدیل متن به صدا می‌توانند نوشته را دریافت کنند و آن را با صدایی مصنوعی اما شبیه گفتار انسان بخوانند.

این فناوری با نام‌های مختلفی شناخته می‌شود:

• تبدیل متن به صدا
• تبدیل متن به گفتار
• متن‌خوان هوشمند
• صداسازی با هوش مصنوعی
• Text-to-Speech
• TTS
• Speech Synthesis

کاربر متن را وارد می‌کند، زبان و صدا را انتخاب می‌کند و سامانه یک فایل صوتی تولید می‌کند. در ابزارهای پیشرفته‌تر می‌توان سرعت خواندن، مکث، لحن، شدت، تلفظ نام‌ها و نحوه خواندن عددها را نیز تنظیم کرد.

بااین‌حال، تولید یک صدای طبیعی فقط با قراردادن متن در ابزار انجام نمی‌شود. متنی که برای خواندن روی صفحه نوشته شده، الزاماً برای شنیدن مناسب نیست. جمله‌های طولانی، عددها، نشانی‌های اینترنتی، نام‌های خاص و ترکیب فارسی و انگلیسی می‌توانند خروجی را غیرطبیعی کنند.

در این راهنما بررسی می‌کنیم:

• تبدیل متن به صدا چیست؛
• هوش مصنوعی چگونه از نوشته گفتار تولید می‌کند؛
• چگونه متن فارسی را برای صوت آماده کنیم؛
• چه عواملی بر طبیعی‌بودن خروجی اثر می‌گذارند؛
• چگونه تلفظ نام‌ها و عددها را اصلاح کنیم؛
• چه فرمتی برای خروجی مناسب است؛
• و از صدای تولیدشده در چه کاربردهایی می‌توان استفاده کرد.

متن فارسی خود را به فایل صوتی تبدیل کنید

متن را در سابچین وارد کنید، صدای مناسب را انتخاب کنید و خروجی صوتی قابل استفاده دریافت کنید.

شروع تبدیل متن فارسی به صدا

تبدیل متن به صدا چیست؟

تبدیل متن به صدا فرایندی است که در آن یک سامانه نرم‌افزاری، متن نوشته‌شده را به گفتار مصنوعی تبدیل می‌کند.

ورودی می‌تواند شامل این موارد باشد:

• یک جمله کوتاه
• مقاله
• خبر
• کتاب
• سناریوی ویدئو
• متن آموزشی
• پیام سامانه
• اعلان
• توضیح محصول
• محتوای پادکست
• متن راهنمای تلفنی

خروجی معمولاً یک فایل صوتی یا جریان قابل پخش است:

• MP3
• WAV
• OGG
• فایل صوتی مناسب ویدئو
• جریان صوتی برای اپلیکیشن
• صدای زنده برای دستیار مجازی
• صوت بخش‌بندی‌شده برای کتاب یا دوره

تفاوت تبدیل متن به صدا و ضبط با گوینده چیست؟

در ضبط انسانی، یک گوینده متن را می‌خواند و صدای او با میکروفون ثبت می‌شود. در تبدیل متن به صدا، مدل هوش مصنوعی گفتار را مستقیماً از روی متن تولید می‌کند.

| ویژگی | تبدیل متن به صدا | ضبط انسانی | |---|---|---| | سرعت تولید اولیه | بالا | پایین‌تر | | نیاز به استودیو | معمولاً ندارد | اغلب دارد | | اصلاح یک جمله | سریع | نیازمند ضبط مجدد | | تولید در مقیاس زیاد | آسان‌تر | زمان‌بر | | انعطاف احساسی | وابسته به مدل | معمولاً بیشتر | | ثبات صدا | بالا | وابسته به شرایط ضبط | | کنترل تلفظ | نیازمند تنظیم متن | در اختیار گوینده | | هزینه تولید انبوه | معمولاً کمتر | بیشتر | | اجرای نمایشی | محدودتر | طبیعی‌تر | | محتوای لحظه‌ای | مناسب | دشوارتر |

در بسیاری از پروژه‌ها، انتخاب میان این دو روش مطلق نیست. ممکن است بخش اصلی محتوا با هوش مصنوعی تولید شود و تبلیغ مهم، شخصیت اصلی یا بخش احساسی توسط گوینده انسانی ضبط شود.

تبدیل متن به گفتار چگونه کار می‌کند؟

فرایند فنی سامانه‌های مختلف یکسان نیست، اما مسیر کلی را می‌توان چنین خلاصه کرد:

متن ورودی
↓
پاک‌سازی و تحلیل متن
↓
تشخیص کلمات، عددها و علائم
↓
تبدیل نوشتار به تلفظ
↓
پیش‌بینی مکث، تأکید و آهنگ
↓
تولید نمایش صوتی
↓
ساخت موج صدا
↓
خروجی فایل صوتی

مرحله اول: پردازش و عادی‌سازی متن

متن خام ممکن است شامل عناصر مختلفی باشد:

• کلمه
• عدد
• تاریخ
• ساعت
• نشانی اینترنتی
• مخفف
• علامت نگارشی
• واژه انگلیسی
• ایموجی
• نماد پول
• واحد اندازه‌گیری

سامانه ابتدا باید تشخیص دهد هر عنصر چگونه خوانده شود.

برای مثال، عبارت زیر می‌تواند ابهام داشته باشد:

جلسه در تاریخ ۱۴۰۵/۰۴/۱۲ ساعت ۹:۳۰ برگزار می‌شود.

سامانه باید تصمیم بگیرد آن را چگونه بخواند:

جلسه در تاریخ دوازدهم تیرماه هزار و چهارصد و پنج،
ساعت نه و سی دقیقه برگزار می‌شود.

اگر متن پیش از پردازش برای گفتار آماده نشده باشد، ممکن است تاریخ یا ساعت به‌شکلی نامناسب خوانده شود.

مرحله دوم: تبدیل نوشتار به تلفظ

شکل نوشتاری یک واژه همیشه اطلاعات کامل تلفظ آن را نشان نمی‌دهد.

در فارسی، حروف صدادار کوتاه معمولاً نوشته نمی‌شوند. برای مثال، ممکن است یک کلمه بسته به بافت چند تلفظ احتمالی داشته باشد.

سامانه از اطلاعات زبانی و متن اطراف استفاده می‌کند تا تلفظ محتمل را انتخاب کند.

نام‌های خاص، واژه‌های تخصصی، مخفف‌ها و کلمات خارجی معمولاً دشوارترند؛ زیرا ممکن است:

• در داده‌های آموزشی کمتر دیده شده باشند؛
• چند شکل تلفظ داشته باشند؛
• با قواعد عمومی فارسی منطبق نباشند؛
• به زبان دیگری تعلق داشته باشند.

مرحله سوم: پیش‌بینی آهنگ و مکث

گوینده انسانی همه کلمات را با سرعت و شدت یکسان نمی‌خواند. او بر اساس ساختار جمله:

• مکث می‌کند؛
• بعضی واژه‌ها را برجسته می‌کند؛
• در سؤال آهنگ صدا را تغییر می‌دهد؛
• پایان جمله را مشخص می‌کند؛
• هنگام تغییر موضوع مکث طولانی‌تری دارد.

سامانه تبدیل متن به صدا باید این ویژگی‌ها را پیش‌بینی کند. به این بخش از گفتار معمولاً «نوای گفتار» یا Prosody گفته می‌شود.

نوای گفتار شامل مواردی مانند این است:

• سرعت
• ریتم
• زیر و بمی
• شدت
• طول مکث
• تأکید
• آهنگ جمله
• کشش هجاها

مرحله چهارم: تولید نمایش صوتی

مدل بر اساس متن، تلفظ و نوای پیش‌بینی‌شده، یک نمایش میانی از صدا تولید می‌کند. این نمایش می‌تواند نشان دهد انرژی و فرکانس صوت در طول زمان چگونه تغییر کند.

مرحله پنجم: ساخت موج صدا

در پایان، بخشی از سامانه که معمولاً Vocoder نامیده می‌شود، نمایش میانی را به موج صوتی قابل شنیدن تبدیل می‌کند.

خروجی می‌تواند فوراً پخش شود یا در قالب فایل ذخیره گردد.

تفاوت صدای مصنوعی قدیمی و صدای عصبی چیست؟

سامانه‌های قدیمی‌تر گاهی گفتار را با کنار هم قراردادن قطعه‌های ضبط‌شده یا قواعد ثابت تولید می‌کردند. این صداها معمولاً:

• ریتم یکنواخت داشتند؛
• مکث‌های غیرطبیعی ایجاد می‌کردند؛
• در جمله‌های بلند رباتیک به نظر می‌رسیدند؛
• امکان کنترل محدودی داشتند.

مدل‌های عصبی جدید می‌توانند الگوهای پیچیده‌تری از گفتار را یاد بگیرند و صدایی روان‌تر تولید کنند.

بااین‌حال، حتی یک صدای پیشرفته نیز ممکن است در این موارد دچار مشکل شود:

• نام ناآشنا
• متن پر از عدد
• جمله بسیار بلند
• واژه‌های چندزبانه
• لحن پیچیده
• کنایه و طنز
• متن تخصصی
• تغییر ناگهانی احساس

آیا تبدیل متن به صدا همان کلون‌کردن صداست؟

خیر.

تبدیل متن به صدا

سامانه از یک صدای آماده یا عمومی استفاده می‌کند و متن را با آن می‌خواند.

شبیه‌سازی یا کلون‌کردن صدا

مدل تلاش می‌کند ویژگی‌های صدای یک فرد مشخص را از روی نمونه صوتی بازسازی کند.

کلون صدا موضوع حساس‌تری است و باید فقط با اجازه روشن صاحب صدا انجام شود. استفاده بدون رضایت می‌تواند به جعل هویت، فریب، نقض حریم خصوصی و مشکلات حقوقی منجر شود.

برای بسیاری از پروژه‌های آموزشی، سازمانی و محتوایی، استفاده از یک صدای عمومی مناسب، ساده‌تر و کم‌ریسک‌تر از شبیه‌سازی صدای فرد است.

چگونه متن فارسی را به صدا تبدیل کنیم؟

۱. هدف فایل صوتی را مشخص کنید

پیش از انتخاب صدا، معلوم کنید فایل برای چه محیطی ساخته می‌شود:

• ویدئوی آموزشی
• کتاب صوتی
• پادکست
• معرفی محصول
• راهنمای نرم‌افزار
• اعلان تلفنی
• دستیار صوتی
• شبکه اجتماعی
• محتوای دسترس‌پذیر
• فایل سازمانی

هدف روی این تصمیم‌ها اثر می‌گذارد:

• نوع صدا
• سرعت خواندن
• رسمی یا محاوره‌ای‌بودن
• طول جمله‌ها
• میزان انرژی
• فرمت خروجی
• وجود موسیقی
• کیفیت نهایی

۲. متن را برای شنیدن بازنویسی کنید

متنی که برای خواندن نوشته شده، ممکن است برای شنیدن سنگین باشد.

نمونه نوشتاری:

با توجه به بررسی‌های انجام‌شده و با درنظرگرفتن مجموعه شرایط موجود، می‌توان نتیجه گرفت که استفاده از این روش در برخی کاربردها باعث کاهش زمان موردنیاز برای تولید محتوا خواهد شد.

نسخه مناسب‌تر برای گفتار:

بررسی‌ها نشان می‌دهد این روش می‌تواند زمان تولید محتوا را کاهش دهد؛ البته نتیجه به نوع کاربرد بستگی دارد.

متن صوتی بهتر است:

• جمله‌های کوتاه‌تری داشته باشد؛
• ساختار مستقیم‌تری داشته باشد؛
• عبارت‌های تو در تو نداشته باشد؛
• از فهرست‌های طولانی پرهیز کند؛
• تغییر موضوع را واضح بیان کند؛
• برای شنونده‌ای نوشته شود که امکان برگشت فوری به جمله قبل را ندارد.

۳. علائم نگارشی را اصلاح کنید

علائم نگارشی بر مکث و آهنگ صدا اثر می‌گذارند.

نقطه

معمولاً پایان روشن جمله و مکث بیشتر ایجاد می‌کند.

ویرگول

مکثی کوتاه‌تر درون جمله می‌سازد.

دو نقطه

می‌تواند مقدمه یک توضیح یا فهرست باشد.

علامت سؤال

به سامانه کمک می‌کند جمله پرسشی را تشخیص دهد.

پرانتز

ممکن است در گفتار طبیعی به‌درستی منتقل نشود. بهتر است محتوای پرانتز داخل ساختار جمله ادغام شود.

نمونه نامناسب:

سابچین، که در سال ۱۴۰۱ راه‌اندازی شد، خدمات مختلفی ارائه می‌کند.

نسخه روان‌تر:

سابچین در سال ۱۴۰۱ راه‌اندازی شد و خدمات مختلفی ارائه می‌کند.

۴. زبان و صدای مناسب را انتخاب کنید

در ابزار تبدیل متن به صدا باید زبان یا گویش متناسب انتخاب شود.

انتخاب نادرست می‌تواند باعث شود:

• واژه‌ها با تلفظ زبان دیگری خوانده شوند؛
• ریتم جمله غیرطبیعی شود؛
• «ی» و «ک» یا واژه‌های فارسی درست تحلیل نشوند؛
• اعداد نامناسب خوانده شوند.

بعد از انتخاب زبان، چند صدای مختلف را با متن واقعی پروژه آزمایش کنید.

فقط یک جمله کوتاه برای ارزیابی کافی نیست. نمونه باید شامل این موارد باشد:

• جمله خبری
• سؤال
• عدد
• نام خاص
• واژه انگلیسی
• جمله بلند
• عبارت احساسی
• اصطلاح تخصصی

۵. سرعت خواندن را تنظیم کنید

سرعت مناسب به نوع محتوا بستگی دارد.

محتوای آموزشی

سرعت متعادل و مکث کافی برای درک موضوع لازم است.

تبلیغ کوتاه

ممکن است سرعت و انرژی بیشتر مناسب باشد، اما نباید وضوح کلمات از بین برود.

کتاب صوتی

ریتم طبیعی، تنوع آهنگ و مکث میان پاراگراف‌ها اهمیت دارد.

اعلان تلفنی

سرعت باید به‌اندازه‌ای باشد که شنونده بتواند نام، عدد یا گزینه‌ها را ثبت کند.

سرعت خیلی زیاد باعث می‌شود:

• کلمات به هم نزدیک شوند؛
• فهم عددها دشوار شود؛
• شنونده خسته شود؛
• متن تبلیغاتی و عجولانه به نظر برسد.

سرعت خیلی کم نیز می‌تواند:

• صدا را مصنوعی کند؛
• حوصله مخاطب را کاهش دهد؛
• مکث‌های نامناسب بسازد.

۶. متن را به بخش‌های کوتاه تقسیم کنید

برای متن طولانی، بهتر است به‌جای تولید کل فایل در یک مرحله، آن را بخش‌بندی کنید.

نمونه:

• مقدمه
• بخش اول
• بخش دوم
• جمع‌بندی
• دعوت به اقدام

مزایا:

• اصلاح یک بخش آسان‌تر است؛
• تغییر صدا یا لحن امکان‌پذیر می‌شود؛
• خطای یک قسمت نیازمند تولید دوباره کل فایل نیست؛
• تدوین صدا ساده‌تر می‌شود؛
• کنترل مکث میان فصل‌ها بهتر است.

تقسیم متن نباید وسط جمله یا پاراگراف پیوسته انجام شود.

۷. پیش‌نمایش صوت را گوش کنید

هر بخش را بعد از تولید بررسی کنید.

به این موارد توجه کنید:

• آیا کلمات درست تلفظ شده‌اند؟
• سرعت مناسب است؟
• مکث‌ها طبیعی‌اند؟
• سؤال‌ها پرسشی شنیده می‌شوند؟
• عددها درست خوانده شده‌اند؟
• نام برند و محصول صحیح است؟
• متن انگلیسی قابل فهم است؟
• لحن با موضوع هماهنگ است؟
• بخشی از جمله جا نیفتاده است؟

۸. تلفظ‌های اشتباه را اصلاح کنید

برای اصلاح تلفظ می‌توان از چند روش استفاده کرد:

• تغییر شکل نوشتاری
• افزودن فاصله
• نوشتن شکل آوایی
• جداسازی هجاها
• استفاده از معادل فارسی
• بازنویسی جمله
• استفاده از SSML یا فرهنگ تلفظ، در صورت پشتیبانی

مثلاً ممکن است یک نام خارجی با شکل اصلی درست خوانده نشود، اما نوشتن تقریبی آن با حروف فارسی نتیجه بهتری بدهد.

نسخه اصلی:

OpenAI

نسخه مناسب برای بعضی صداها:

اوپن اِی‌آی

این راهکار باید روی صدای انتخاب‌شده آزمایش شود و قانون ثابت برای همه ابزارها نیست.

۹. فایل خروجی را انتخاب کنید

MP3

مزایا:

• حجم کم
• پشتیبانی گسترده
• مناسب انتشار عمومی
• مناسب پادکست و ویدئو

محدودیت:

• فشرده‌سازی با افت دارد.

WAV

مزایا:

• مناسب تدوین
• کیفیت بالا
• جلوگیری از افت بیشتر هنگام پردازش
• مناسب آرشیو یا میکس

محدودیت:

• حجم بیشتر

OGG یا قالب‌های دیگر

ممکن است برای وب، اپلیکیشن یا سیستم خاصی مناسب باشند. سازگاری مقصد باید بررسی شود.

برای تدوین حرفه‌ای، معمولاً بهتر است نسخه WAV دریافت و در پایان خروجی فشرده تولید شود.

۱۰. فایل را در محیط نهایی آزمایش کنید

خروجی را فقط با هدفون استودیویی بررسی نکنید.

آن را روی این دستگاه‌ها گوش کنید:

• موبایل
• لپ‌تاپ
• بلندگوی معمولی
• هدفون
• سیستم خودرو
• تلفن، اگر برای IVR است

ممکن است صدایی که با هدفون خوب است، روی بلندگوی موبایل:

• بیش‌ازحد بم باشد؛
• ضعیف شنیده شود؛
• صدای «س» تیز داشته باشد؛
• با موسیقی ترکیب نامناسبی بسازد.

متن فارسی را به صدای قابل استفاده تبدیل کنید

متن را وارد کنید، خروجی را گوش دهید و بخش‌های نیازمند اصلاح را پیش از انتشار بازتولید کنید.

تولید صدای فارسی در سابچین

چرا آماده‌سازی متن برای TTS مهم است؟

سامانه فقط متنی را می‌خواند که دریافت کرده است. اگر متن مبهم، متراکم یا نامناسب باشد، صدای طبیعی نیز نمی‌تواند همه مشکلات را برطرف کند.

متن مناسب گفتار باید برای گوش نوشته شود، نه فقط چشم.

جمله‌های کوتاه‌تر بنویسید

نمونه طولانی:

این سامانه با استفاده از مدل‌های هوش مصنوعی که بر مجموعه بزرگی از داده‌های صوتی آموزش دیده‌اند می‌تواند متن واردشده را تحلیل کرده و پس از تشخیص ساختار جمله و تلفظ کلمات، یک فایل صوتی تولید کند.

نسخه مناسب‌تر:

این سامانه از مدل‌های هوش مصنوعی استفاده می‌کند. مدل ابتدا ساختار جمله و تلفظ واژه‌ها را بررسی می‌کند. سپس فایل صوتی را می‌سازد.

ارجاع‌های مبهم را کاهش دهید

در متن نوشتاری، خواننده می‌تواند چند خط قبل را دوباره ببیند. شنونده چنین امکانی ندارد.

نمونه مبهم:

این موضوع باعث بهترشدن آن می‌شود.

نسخه روشن‌تر:

کاهش نویز، وضوح صدای خروجی را بیشتر می‌کند.

فهرست‌های بلند را تقسیم کنید

نمونه سنگین:

این ابزار برای کتاب صوتی، پادکست، آموزش، تبلیغات، دستیار صوتی، اپلیکیشن، تلفن گویا، شبکه اجتماعی و محتوای سازمانی استفاده می‌شود.

نسخه شنیداری:

این ابزار چند کاربرد اصلی دارد. می‌توان با آن کتاب صوتی و پادکست ساخت. همچنین برای آموزش، تبلیغات و سامانه‌های تلفنی قابل استفاده است.

عنوان‌ها را به جمله تبدیل کنید

اگر متن مقاله مستقیماً به صدا تبدیل شود، عنوانی مانند این ممکن است ناگهانی شنیده شود:

مزایای تبدیل متن به صدا

نسخه طبیعی‌تر:

حالا مزایای تبدیل متن به صدا را بررسی می‌کنیم.

لینک‌ها را بازنویسی کنید

خواندن کامل نشانی اینترنتی معمولاً تجربه خوبی ایجاد نمی‌کند.

به‌جای:

برای اطلاعات بیشتر به https://subchin.ir/blog/persian-text-to-speech مراجعه کنید.

بگویید:

برای اطلاعات بیشتر، مقاله مرتبط را در وب‌سایت سابچین بخوانید.

ایموجی و نشانه‌های غیرضروری را حذف کنید

برخی سامانه‌ها ایموجی را نمی‌خوانند و برخی نام آن را بیان می‌کنند. قبل از تولید، عناصر غیرضروری را پاک کنید.

نحوه خواندن عددها را مشخص کنید

عددها یکی از اصلی‌ترین منابع خطا هستند.

عدد شمارشی

۲۵ کاربر

خواندن:

بیست‌وپنج کاربر

عدد ترتیبی

فصل ۳

ممکن است منظور این باشد:

فصل سوم

سال

۱۴۰۵

بسته به متن می‌تواند چنین خوانده شود:

سال هزار و چهارصد و پنج

شماره

کد ۱۴۰۵

ممکن است لازم باشد رقم‌به‌رقم خوانده شود:

یک، چهار، صفر، پنج

اعشار

۳.۵

باید مشخص شود:

سه ممیز پنج

درصد

۲۰٪

خواندن مناسب:

بیست درصد

پول

۵۰۰,۰۰۰ تومان

بهتر است برای جلوگیری از ابهام به شکل کامل نوشته شود:

پانصد هزار تومان

شماره تلفن

شماره تلفن بهتر است به گروه‌های کوتاه تقسیم شود تا شنیدن و ثبت آن آسان‌تر شود.

تاریخ

عبارت زیر:

۱۴۰۵/۰۴/۱۲

ممکن است به شکل نامناسب یا رقم‌به‌رقم خوانده شود. برای اطمینان بنویسید:

دوازدهم تیرماه هزار و چهارصد و پنج

ساعت

به‌جای:

۹:۳۰

می‌توانید بنویسید:

ساعت نه و سی دقیقه

یا:

ساعت نه و نیم

انتخاب شکل مناسب به لحن محتوا بستگی دارد.

واحدهای اندازه‌گیری

به‌جای:

۵ GB

بنویسید:

پنج گیگابایت

مگر اینکه لازم باشد حروف جداگانه خوانده شوند.

چالش‌های تبدیل متن فارسی به صدا

حروف صدادار کوتاه نوشته نمی‌شوند

در فارسی بسیاری از حرکات در متن نوشته نمی‌شوند. سامانه باید از بافت جمله تلفظ درست را حدس بزند.

شکل رسمی و محاوره‌ای متفاوت است

متن رسمی:

می‌خواهم درباره این موضوع صحبت کنم.

نسخه محاوره‌ای:

می‌خوام درباره این موضوع صحبت کنم.

اگر هدف محتوای دوستانه است، نوشتن رسمی ممکن است صدایی بیش‌ازحد اداری ایجاد کند. در مقابل، متن کاملاً محاوره‌ای برای دوره رسمی یا گزارش مناسب نیست.

نیم‌فاصله

واژه‌هایی مانند این باید به‌شکل یکدست نوشته شوند:

• می‌شود
• می‌رود
• به‌کارگیری
• هم‌زمان

رفتار ابزارها نسبت به نیم‌فاصله متفاوت است. متن باید با صدای انتخاب‌شده آزمایش شود.

ترکیب فارسی و انگلیسی

جمله زیر می‌تواند دشوار باشد:

نسخه جدید API در Dashboard نمایش داده می‌شود.

راهکارها:

• استفاده از معادل فارسی
• نوشتن تلفظ فارسی
• جداکردن عبارت انگلیسی
• انتخاب صدایی که تغییر زبان را بهتر مدیریت کند
• استفاده از تنظیم زبان در SSML، در صورت پشتیبانی

نسخه بازنویسی‌شده:

نسخه جدید رابط برنامه‌نویسی، در داشبورد نمایش داده می‌شود.

یا:

نسخه جدید اِی‌پی‌آی، در دَشبورد نمایش داده می‌شود.

نام‌های خاص

نام افراد، شرکت‌ها و محصولات ممکن است با تلفظ موردنظر متفاوت خوانده شوند.

برای هر پروژه یک فرهنگ تلفظ تهیه کنید:

Subchin → سابچین
Ussistant → یوسیستنت
API → اِی‌پی‌آی
UI → یو‌آی

هم‌آواها و کلمات مبهم

برخی واژه‌ها بدون بافت کافی ممکن است اشتباه خوانده شوند. بازنویسی جمله می‌تواند ابهام را کاهش دهد.

علائم و اختصارها

عبارت‌هایی مانند این ممکن است رفتارهای متفاوتی داشته باشند:

• دکتر
• د.
• م.
• ق.
• شم.

برای فایل عمومی، نوشتن شکل کامل معمولاً قابل اعتمادتر است:

• دکتر
• مترمربع
• قبل از میلاد
• شماره

SSML چیست؟

SSML مخفف Speech Synthesis Markup Language است. این زبان نشانه‌گذاری برای کنترل نحوه خواندن متن در سامانه‌های سازگار استفاده می‌شود.

با SSML ممکن است بتوان این موارد را تنظیم کرد:

• مکث
• سرعت
• زیر و بمی
• شدت
• تلفظ
• هجی‌کردن
• نحوه خواندن تاریخ
• نحوه خواندن عدد
• انتخاب زبان
• انتخاب یا تغییر صدا

نمونه ساده:

<speak>
  سلام.
  <break time="700ms"/>
  به راهنمای تبدیل متن به صدا خوش آمدید.
</speak>

در این نمونه، میان دو جمله یک مکث مشخص ایجاد می‌شود.

تنظیم سرعت با SSML

نمونه مفهومی:

<speak>
  <prosody rate="slow">
    این بخش کمی آهسته‌تر خوانده می‌شود.
  </prosody>
</speak>

هجی‌کردن حروف

برای عبارت‌هایی مانند API ممکن است از تنظیم ویژه استفاده شود:

<speak>
  <say-as interpret-as="characters">API</say-as>
</speak>

پشتیبانی و نتیجه این تگ‌ها به سرویس، زبان و صدای انتخاب‌شده وابسته است.

تعریف تلفظ

در بعضی ابزارها می‌توان تلفظ را با نمادهای آوایی یا فرهنگ تلفظ تعیین کرد. این روش برای نام‌های خاص و اصطلاح‌های تخصصی مفید است، اما به دانش تلفظ و پشتیبانی سامانه نیاز دارد.

آیا همیشه باید از SSML استفاده کنیم؟

خیر. برای بسیاری از متن‌های ساده، بازنویسی درست و علائم نگارشی کافی است.

SSML زمانی مفیدتر است که:

• تلفظ خاص لازم باشد؛
• مکث دقیق اهمیت داشته باشد؛
• عددها و تاریخ‌ها اشتباه خوانده شوند؛
• سرعت بخش‌های مختلف متفاوت باشد؛
• خروجی برای سامانه تلفنی یا کاربرد حساس تولید شود.

تگ‌های زیاد و پیچیده نیز می‌توانند نگهداری متن را دشوار کنند. ابتدا متن را اصلاح کنید و بعد فقط برای موارد ضروری از کنترل فنی استفاده کنید.

چگونه صدای مناسب انتخاب کنیم؟

هیچ صدایی برای همه کاربردها بهترین نیست.

زبان و تلفظ

اول بررسی کنید صدا فارسی را درست و روان می‌خواند.

لحن

صدا باید با محتوای پروژه هماهنگ باشد:

• رسمی
• دوستانه
• آموزشی
• خبری
• تبلیغاتی
• داستانی
• آرام
• پرانرژی

سرعت طبیعی

بعضی صداها در سرعت پیش‌فرض تند یا کند به نظر می‌رسند.

پایداری در متن بلند

ممکن است یک صدا در جمله کوتاه خوب باشد، اما در متن طولانی:

• یکنواخت شود؛
• ریتم خود را از دست بدهد؛
• پایان جمله‌ها را اشتباه بخواند؛
• خستگی شنیداری ایجاد کند.

تلفظ اصطلاحات پروژه

صدای موردنظر را با نام‌ها و واژه‌های واقعی آزمایش کنید.

سازگاری میان بخش‌ها

اگر محتوای شما در طول ماه‌ها تولید می‌شود، بررسی کنید صدا و نسخه آن پایدار و قابل استفاده مجدد باشد.

مجوز استفاده

شرایط استفاده تجاری، انتشار، بازتوزیع و استفاده در محصول را بررسی کنید.

طبیعی‌بودن صدا را چگونه ارزیابی کنیم؟

طبیعی‌بودن فقط شبیه‌بودن جنس صدا به انسان نیست.

این عوامل را بررسی کنید:

• تلفظ صحیح
• مکث طبیعی
• ریتم مناسب
• تأکید درست
• آهنگ جمله
• ثبات حجم
• نبود صدای فلزی
• نبود شکست ناگهانی
• نبود کشش غیرعادی
• خستگی شنونده در متن بلند

آزمون شنیداری بسازید

چند نسخه از یک متن تولید و بدون نمایش نام صداها مقایسه کنید.

از شنوندگان بپرسید:

• کدام نسخه واضح‌تر بود؟
• کدام طبیعی‌تر بود؟
• کدام برای موضوع مناسب‌تر بود؟
• کدام تلفظ بهتری داشت؟
• کدام در متن بلند کمتر خسته‌کننده بود؟

فقط نظر تولیدکننده محتوا کافی نیست. مخاطب واقعی باید در ارزیابی حضور داشته باشد.

متن آزمایشی استاندارد

برای مقایسه صداها از متنی استفاده کنید که شامل موارد مختلف باشد:

سلام. در این راهنما، سه روش تولید محتوای صوتی را بررسی می‌کنیم.

اولین جلسه، روز دوازدهم تیرماه ساعت نه و سی دقیقه برگزار می‌شود.

هزینه اشتراک سالانه، پانصد هزار تومان است.

برای استفاده از API، وارد بخش تنظیمات شوید.

آیا برای شروع آماده‌اید؟

این متن موارد زیر را آزمایش می‌کند:

• جمله خبری
• عدد
• تاریخ
• ساعت
• مبلغ
• واژه انگلیسی
• سؤال
• مکث

کاربردهای تبدیل متن فارسی به صدا

تولید محتوای صوتی از مقاله

می‌توان نسخه صوتی مقاله را برای کاربرانی فراهم کرد که ترجیح می‌دهند محتوا را هنگام رانندگی، ورزش یا انجام کارهای دیگر بشنوند.

متن مقاله پیش از تبدیل باید برای گفتار بازنویسی شود. جدول، لینک، کد و فهرست‌های بلند باید تغییر کنند.

کتاب صوتی

تبدیل متن به صدا می‌تواند برای نمونه اولیه، کتاب‌های آموزشی یا پروژه‌های بزرگ استفاده شود.

برای کتاب صوتی باید این موارد بررسی شوند:

• حقوق انتشار
• کیفیت روایت
• شخصیت‌ها
• تغییر لحن
• فصل‌بندی
• تلفظ نام‌ها
• موسیقی و افکت
• خستگی شنیداری

برای آثار داستانی و نمایشی، گوینده انسانی ممکن است همچنان نتیجه بهتری ارائه دهد.

صداگذاری ویدئو

از صدای تولیدشده می‌توان برای موارد زیر استفاده کرد:

• ویدئوی آموزشی
• معرفی محصول
• موشن‌گرافیک
• ویدئوی شبکه اجتماعی
• راهنمای نرم‌افزار
• نسخه چندزبانه

برای جزئیات بیشتر، مقاله چگونه برای ویدئو صداگذاری هوش مصنوعی تولید کنیم؟ را بخوانید.

آموزش الکترونیکی

تبدیل متن به صدا برای تولید سریع‌تر درس‌ها و به‌روزرسانی محتوا مفید است.

مزایا:

• ثبات صدای دوره
• اصلاح سریع
• تولید در مقیاس زیاد
• نسخه صوتی متن
• پشتیبانی از چند زبان

بااین‌حال، درس طولانی با صدای یکنواخت می‌تواند خسته‌کننده باشد. ساختار محتوا و تنوع ریتم اهمیت دارد.

تلفن گویا و مرکز تماس

در IVR و اعلان‌های تلفنی می‌توان پیام‌ها را بدون ضبط مجدد تولید کرد.

نکات مهم:

• سرعت کمتر
• مکث واضح میان گزینه‌ها
• خواندن شمرده عدد
• تلفظ درست نام برند
• آزمایش روی خط تلفن
• پرهیز از جمله‌های طولانی

دستیار صوتی و ربات مکالمه

TTS پاسخ متنی سامانه را به گفتار تبدیل می‌کند.

در این کاربرد، زمان پاسخ اهمیت دارد و صوت ممکن است به‌صورت زنده تولید شود.

محتوای دسترس‌پذیر

نسخه صوتی می‌تواند مسیر دیگری برای دریافت محتوا فراهم کند، اما جایگزین کامل اصول دسترس‌پذیری وب و سازگاری با صفحه‌خوان نیست.

خبر و اطلاع‌رسانی

اخبار کوتاه، وضعیت سفارش، اعلان حمل‌ونقل یا پیام‌های سامانه می‌توانند سریع تولید و به‌روزرسانی شوند.

پادکست مبتنی بر متن

می‌توان متن آماده را به گفتار تبدیل و با موسیقی، افکت و تدوین به پادکست تبدیل کرد.

برای گفت‌وگوی چندنفره بهتر است:

• دیالوگ‌ها جدا تولید شوند؛
• صداهای متفاوت انتخاب شوند؛
• مکث و واکنش طبیعی اضافه شود؛
• یکپارچگی بلندی صدا کنترل شود.

تبدیل متن به صدا برای شبکه‌های اجتماعی

در ویدئوهای کوتاه، صدای مصنوعی می‌تواند برای روایت محتوا استفاده شود.

بهتر است:

• شروع سریع باشد؛
• جمله‌ها کوتاه باشند؛
• صدا با زیرنویس هماهنگ باشد؛
• موسیقی روی گفتار غالب نشود؛
• صدا با هویت برند هماهنگ باشد.

مقاله چگونه بازدید ویدئوهای اینستاگرام را افزایش دهیم؟ اصول انتشار ویدئو را توضیح می‌دهد.

آیا می‌توان متن طولانی را یک‌جا به صدا تبدیل کرد؟

از نظر فنی، محدودیت به ابزار بستگی دارد. از نظر تولید محتوا، بهتر است متن طولانی بخش‌بندی شود.

برای هر بخش این مراحل را انجام دهید:

• آماده‌سازی متن
• تولید پیش‌نمایش
• اصلاح تلفظ
• خروجی باکیفیت
• نام‌گذاری فایل
• تدوین نهایی

نمونه نام‌گذاری:

course-01-introduction.wav
course-02-first-topic.wav
course-03-example.wav
course-04-summary.wav

مزایای تبدیل متن به صدا

سرعت تولید

پیش‌نویس صوتی در زمان کوتاهی آماده می‌شود.

اصلاح آسان

برای تغییر یک تاریخ یا جمله، لازم نیست گوینده دوباره به استودیو برگردد.

مقیاس‌پذیری

می‌توان تعداد زیادی پیام، مقاله یا درس تولید کرد.

ثبات صدا

لحن و جنس صدا در بخش‌های مختلف ثابت می‌ماند.

تولید محتوای پویا

پیام‌های وابسته به نام، زمان یا وضعیت کاربر می‌توانند به‌صورت خودکار ساخته شوند.

دسترسی به چند صدا

می‌توان برای پروژه‌های مختلف صداهای متناسب انتخاب کرد.

کاهش وابستگی عملیاتی

برای تغییرات کوچک نیازی به هماهنگی دوباره با گوینده و استودیو نیست.

محدودیت‌های تبدیل متن به صدا

تلفظ اشتباه

نام‌ها و اصطلاح‌های خاص ممکن است غلط خوانده شوند.

لحن محدود

مدل ممکن است طعنه، شوخی، غم یا هیجان پیچیده را درست منتقل نکند.

یکنواختی در متن بلند

حتی صدای طبیعی می‌تواند بعد از چند دقیقه خسته‌کننده شود.

وابستگی به کیفیت متن

متن ضعیف، صوت ضعیف تولید می‌کند.

تفاوت میان صداها

همه صداها قابلیت‌ها و کیفیت یکسانی ندارند.

نیاز به بازبینی

خروجی باید کامل گوش داده شود؛ فقط دیدن متن کافی نیست.

محدودیت مجوز

بعضی صداها یا سرویس‌ها شرایط خاصی برای استفاده تجاری دارند.

امکان سوءاستفاده

تولید صدای مصنوعی می‌تواند برای جعل، فریب یا انتشار اطلاعات نادرست استفاده شود.

ملاحظات اخلاقی و حقوقی

شفافیت

در کاربردهایی که مخاطب ممکن است تصور کند صدای یک فرد واقعی را می‌شنود، شفافیت درباره مصنوعی‌بودن صدا می‌تواند ضروری باشد.

رضایت صاحب صدا

برای شبیه‌سازی صدای فرد، رضایت روشن و قابل اثبات لازم است.

حقوق متن

داشتن ابزار تبدیل متن به صدا به معنای داشتن حق تولید نسخه صوتی هر کتاب یا مقاله نیست.

پیش از تولید بررسی کنید:

• مالک متن چه کسی است؟
• حق ساخت نسخه صوتی وجود دارد؟
• انتشار عمومی مجاز است؟
• مجوز تجاری دارید؟
• شرایط سرویس اجازه کاربرد موردنظر را می‌دهد؟

جلوگیری از جعل هویت

صدای مصنوعی نباید برای نسبت‌دادن سخن جعلی به فرد واقعی استفاده شود.

اطلاعات شخصی

متن ورودی ممکن است اطلاعات محرمانه داشته باشد. سیاست ذخیره‌سازی و استفاده سرویس را بررسی کنید.

امنیت و حریم خصوصی

پیش از واردکردن متن سازمانی یا محرمانه در یک سرویس، بررسی کنید:

• متن در کجا پردازش می‌شود؛
• چه مدت نگهداری می‌شود؛
• آیا برای آموزش مدل استفاده می‌شود؛
• امکان حذف داده وجود دارد؛
• چه افرادی به اطلاعات دسترسی دارند؛
• انتقال و ذخیره رمزگذاری می‌شوند؛
• خروجی چه سطح دسترسی دارد.

برای متن‌های حقوقی، پزشکی، مالی یا منابع انسانی ممکن است پردازش داخلی یا قرارداد سازمانی مناسب‌تر باشد.

چگونه کیفیت خروجی را کنترل کنیم؟

بازبینی متنی

قبل از تولید:

• غلط املایی را اصلاح کنید.
• جمله‌ها را کوتاه کنید.
• عددها را به شکل قابل خواندن بنویسید.
• اختصارها را باز کنید.
• نام‌ها را مشخص کنید.
• لینک‌ها را حذف یا بازنویسی کنید.
• علائم نگارشی را اصلاح کنید.

بازبینی صوتی

بعد از تولید:

• تمام فایل را گوش کنید.
• تلفظ‌ها را بررسی کنید.
• سرعت را ارزیابی کنید.
• مکث‌های نامناسب را علامت بزنید.
• شکست یا قطع صدا را پیدا کنید.
• شدت بخش‌ها را مقایسه کنید.
• پایان جمله‌ها را کنترل کنید.

بازبینی محتوایی

• آیا عددها دقیق‌اند؟
• آیا تاریخ به‌درستی خوانده شده است؟
• آیا لحن با موضوع سازگار است؟
• آیا دعوت به اقدام واضح است؟
• آیا نام محصول درست تلفظ می‌شود؟
• آیا محتوا هنوز به‌روز است؟

بازبینی فنی

• فرمت مناسب است؟
• نرخ نمونه‌برداری با پروژه هماهنگ است؟
• فایل روی دستگاه مقصد پخش می‌شود؟
• بلندی صدا مناسب است؟
• ابتدا یا انتهای فایل قطع نشده است؟
• موسیقی باعث پوشاندن گفتار نمی‌شود؟

فرایند پیشنهادی برای تولید حرفه‌ای

متن اولیه
↓
بازنویسی برای گفتار
↓
اصلاح عدد و تلفظ
↓
انتخاب صدا
↓
تولید پیش‌نمایش
↓
بازبینی
↓
اصلاح متن یا SSML
↓
تولید نهایی
↓
تدوین و میکس
↓
آزمون روی دستگاه مقصد
↓
انتشار

چک‌لیست آماده‌سازی متن فارسی

• هدف مخاطب مشخص است.
• لحن رسمی یا محاوره‌ای تعیین شده است.
• جمله‌ها کوتاه‌اند.
• پاراگراف‌ها طولانی نیستند.
• علائم نگارشی صحیح‌اند.
• عنوان‌ها به جمله شنیداری تبدیل شده‌اند.
• عددها به شکل مناسب نوشته شده‌اند.
• تاریخ و ساعت واضح‌اند.
• نشانی‌های اینترنتی بازنویسی شده‌اند.
• مخفف‌ها تعیین تکلیف شده‌اند.
• واژه‌های انگلیسی آزمایش شده‌اند.
• فرهنگ تلفظ نام‌ها آماده است.
• بخش‌های طولانی تقسیم شده‌اند.

چک‌لیست انتخاب صدا

• زبان فارسی را درست پشتیبانی می‌کند.
• تلفظ عمومی واضح است.
• با لحن برند هماهنگ است.
• در متن طولانی یکنواخت نمی‌شود.
• عددها را مناسب می‌خواند.
• نام‌های پروژه قابل اصلاح‌اند.
• سرعت پیش‌فرض مناسب است.
• مجوز کاربرد تجاری بررسی شده است.
• صدا در آینده قابل دسترسی است.
• خروجی روی موبایل نیز واضح است.

چک‌لیست خروجی نهایی

• فایل کامل گوش داده شده است.
• تلفظ نام‌ها درست است.
• عددها صحیح‌اند.
• مکث‌ها طبیعی‌اند.
• جمله‌ای جا نیفتاده است.
• حجم صدا یکنواخت است.
• موسیقی روی گفتار قرار نگرفته است.
• فرمت مناسب مقصد است.
• نام‌گذاری فایل استاندارد است.
• نسخه متن و تنظیمات حفظ شده‌اند.
• حقوق انتشار بررسی شده است.
• در صورت لزوم مصنوعی‌بودن صدا اعلام شده است.

اشتباهات رایج در تبدیل متن به صدا

استفاده مستقیم از متن مقاله

ساختار نوشتاری معمولاً برای شنیدن سنگین است.

تولید کل متن بدون پیش‌نمایش

ممکن است بعد از تولید یک فایل طولانی متوجه تلفظ اشتباه نام اصلی شوید.

تکیه بر علائم نگارشی ضعیف

نبود نقطه و ویرگول باعث مکث‌های نامناسب می‌شود.

نوشتن عددها به شکل مبهم

سامانه ممکن است شماره را به‌صورت عدد شمارشی بخواند یا برعکس.

استفاده زیاد از واژه انگلیسی

تغییر مداوم زبان می‌تواند ریتم و تلفظ را به‌هم بزند.

انتخاب صدا فقط بر اساس یک جمله

صدای مناسب باید با متن بلند و واقعی آزمایش شود.

تغییر شدید سرعت

کاهش یا افزایش زیاد سرعت، طبیعی‌بودن صدا را از بین می‌برد.

استفاده افراطی از SSML

کنترل‌های زیاد ممکن است صدا را مصنوعی و متن را دشوار برای نگهداری کنند.

گوش‌نکردن به فایل کامل

خطا ممکن است فقط در میانه یا پایان متن ظاهر شود.

نادیده‌گرفتن مجوز

حقوق متن، صدای انتخابی و خروجی تجاری باید بررسی شوند.

استفاده بدون رضایت از صدای فرد

کلون یا تقلید صدا بدون اجازه قابل قبول نیست.

آیا صدای هوش مصنوعی جای گوینده انسانی را می‌گیرد؟

در بعضی کاربردها، صدای مصنوعی انتخاب بسیار مناسبی است:

• اعلان‌های متغیر
• نسخه صوتی مقاله
• محتوای پرتعداد
• نمونه اولیه
• آموزش‌های قابل به‌روزرسانی
• دستیارهای صوتی
• محتوای شخصی‌سازی‌شده

در برخی کاربردها، گوینده انسانی همچنان مزیت بیشتری دارد:

• داستان و نمایش
• تبلیغ احساسی
• آثار هنری
• روایت شخصیت‌محور
• محتوای حساس
• اجرای زنده
• پروژه‌ای که هویت گوینده بخشی از برند است

انتخاب باید بر اساس هدف، کیفیت موردنیاز، بودجه، زمان و انتظار مخاطب انجام شود.

تبدیل متن به صدا چه هزینه‌هایی دارد؟

مدل قیمت‌گذاری سرویس‌ها متفاوت است و ممکن است بر اساس این موارد باشد:

• تعداد کاراکتر
• مدت صوت
• نوع صدا
• کیفیت مدل
• استفاده هم‌زمان
• تولید زنده یا Batch
• صدای عمومی یا سفارشی
• حجم ماهانه
• کاربرد تجاری

هزینه نهایی فقط هزینه API یا سرویس نیست. این موارد را نیز در نظر بگیرید:

• آماده‌سازی متن
• بازبینی تلفظ
• تدوین
• موسیقی
• کنترل کیفیت
• ذخیره‌سازی
• تولید دوباره بخش‌های اصلاح‌شده

چگونه میان سرویس‌های تبدیل متن به صدا مقایسه کنیم؟

یک مجموعه متن ثابت بسازید و برای همه گزینه‌ها استفاده کنید.

معیارهای مقایسه:

• کیفیت تلفظ فارسی
• طبیعی‌بودن
• تنوع صدا
• کنترل سرعت و مکث
• تلفظ نام‌های خاص
• پشتیبانی از SSML
• کیفیت متن بلند
• سرعت تولید
• فرمت‌های خروجی
• مجوز تجاری
• امنیت
• قیمت
• API
• پایداری سرویس

نتیجه را فقط با یک جمله تبلیغاتی مقایسه نکنید.

نمونه پروژه آزمایشی

پنج متن کوتاه آماده کنید:

• متن عمومی
• متن تخصصی
• متن دارای عدد و تاریخ
• متن فارسی و انگلیسی
• متن احساسی یا پرسشی

برای هر صدا ثبت کنید:

| معیار | امتیاز | |---|---| | تلفظ فارسی | | | طبیعی‌بودن | | | عددها | | | نام‌ها | | | متن انگلیسی | | | ریتم | | | خستگی در متن بلند | | | قابلیت اصلاح | |

جمع‌بندی

تبدیل متن فارسی به صدا فرایندی است که در آن سامانه هوش مصنوعی، نوشته را تحلیل و به گفتار قابل شنیدن تبدیل می‌کند. این فناوری می‌تواند برای مقاله صوتی، ویدئو، آموزش، پادکست، تلفن گویا، اعلان و دستیار صوتی استفاده شود.

فرایند مناسب معمولاً شامل این مراحل است:

• مشخص‌کردن هدف و مخاطب
• بازنویسی متن برای شنیدن
• اصلاح علائم نگارشی
• آماده‌سازی عددها و تاریخ‌ها
• انتخاب زبان و صدا
• تقسیم متن طولانی
• تولید پیش‌نمایش
• اصلاح تلفظ
• دریافت خروجی مناسب
• کنترل کامل فایل

طبیعی‌بودن خروجی فقط به مدل وابسته نیست. کیفیت متن، انتخاب صدا، مکث، سرعت، تلفظ نام‌ها و بازبینی نهایی نیز نقش تعیین‌کننده دارند.

برای محتوای عمومی و پرتعداد، TTS می‌تواند زمان و هزینه تولید را کاهش دهد. برای محتوای احساسی، نمایشی یا بسیار حساس، بهتر است استفاده از گوینده انسانی یا روش ترکیبی نیز بررسی شود.

متن فارسی خود را به صدای قابل انتشار تبدیل کنید

متن را در سابچین وارد کنید، خروجی را گوش دهید و نسخه مناسب ویدئو، آموزش یا محتوای صوتی را دریافت کنید.

شروع تبدیل متن به صدا