صدای هوش مصنوعی، TTS و دوبله
تبدیل متن به گفتار یعنی مدلی متن شما را می خواند و دوبله یعنی صدای یک ویدیوی موجود با صدای تازه ای در زبانی دیگر جایگزین می شود. برای فارسی، تنها چیزی که واقعا تصمیم را می گیرد این است که مدل انتخابی تان فارسی را در فهرست زبان هایش آورده باشد، و در یک سازنده مشهور، مدلی که همه اول سراغش می روند این کار را نکرده است.
- درس ۹ از ۱۰
- میانی
- رایگان، بدون ثبت نام
سقف کاراکتر در یک درخواست، از صفحه خود سازنده
ستون، سقف کاراکتر است. سه نشان پایین، سه مدل تبدیل متن به گفتار یک سازنده اند.
- الون وی۳، فارسی داردفهرست زبانش فارسی را با کد fas نوشته. متن ده دقیقه ای اینجا چند فایل می شود.
- مالتیلینگوال وی۲، ۲۹ زبانهر ۲۹ زبان روی صفحه اسم برده شده اند و فارسی بینشان نیست.
- فلش ۲.۵، ۳۲ زبانهمان ۲۹ زبان به اضافه مجاری و نروژی و ویتنامی. سریع ترین و ارزان ترین، و بی فارسی.
این ستون سقف طول را می سنجد و نه کیفیت را: بلندترین ردیف همین فهرست همان مدلی است که فارسی ندارد. عددها سقف یک درخواست اند و نه سقف پروژه؛ متن بلندتر را خودتان روی مرز جمله می برید.
آخرین بررسی: فکت ها و نام ابزارهای این درس در همین تاریخ با منابعشان بازبینی شده اند.
TTS و دوبله دو کار متفاوتند
تبدیل متن به گفتار یک ورودی دارد: متن. شما جمله می دهید و فایل صوتی می گیرید. زمان بندی، مکث، و اینکه این صدا زیر کدام نما بنشیند، هیچ کدام مساله مدل نیست.
دوبله یک کار دیگر است و سه مرحله دارد که فقط یکیشان تبدیل متن به گفتار است: پیاده سازی گفتار اصلی، ترجمه آن با در نظر گرفتن طول جمله، و بعد ساخت صدای تازه ای که در همان بازه زمانی جا شود. مرحله سوم همان جایی است که کار سخت می شود، چون ترجمه فارسی یک جمله انگلیسی معمولا بلندتر از خودش در می آید و صدا باید در قابی جا شود که دهان گوینده اصلی تعیین کرده.
پس اگر ویدیوی خودتان را می سازید و متن را خودتان نوشته اید، دوبله نمی خواهید و تبدیل متن به گفتار کافی است، با یک مزیت مهم: متن را می توانید برای گوش بازنویسی کنید و طولش را خودتان تعیین کنید. اگر ویدیوی کسی دیگر را به فارسی برمی گردانید، آن وقت دوبله است و باید انتظار داشته باشید که جمله ها را برای جا شدن کوتاه کنید. این یک تصمیم ترجمه است و نه یک تنظیم نرم افزاری.
یک کار سوم هم هست که اسمش را هم صداگذاری می گذارند و نباید: تغییر صدا، یعنی گرفتن ضبط یک آدم و پوشاندنش با صدای دیگری. آن سومی ورودی اش صداست و نه متن، و بحث رضایت را زودتر از دو تای دیگر پیش می آورد.

گفتار تازه یا دوبله؟ جواب به این بستگی دارد که متن مال کیست
هر دو مسیر درست اند، ولی برای دو موقعیت متفاوت. انتخاب اشتباه یعنی جنگیدن با زمان بندی ای که لازم نبود.
متن مال کس دیگری است: دوبله
- سه مرحله: پیاده سازی، ترجمه، ساخت صدا
- ترجمه فارسی معمولا بلندتر از جمله اصلی در می آید
- باید برای جا شدن در همان بازه، جمله ها را کوتاه کنید
- اگر صدای گوینده اصلی بازسازی شود، بحث رضایت پیش می آید
متن مال خودتان است: گفتار تازه
- طول جمله را خودتان تعیین می کنید و با تصویر جورش می کنید
- متن را می شود پیش از تولید برای گوش بازنویسی کرد
- همان متن بعدا متن زیرنویس هم هست
- یک مرحله کمتر: پیاده سازی لازم نیست
هیچ کدام از این دو مسیر مشکل نبود صدای فارسی را حل نمی کند. آن یک محدودیت مدل است و در بخش بعد باز می شود.
تله ای که کاربر فارسی را زمین می زند
الون لبز چند مدل تبدیل متن به گفتار دارد. فارسی فقط در فهرست یکی از خانواده هاست.
روز نوشتن این درس هر دو صفحه خود سازنده را دوباره خواندیم و شاهد از این تمیزتر نمی شود. صفحه قابلیت تبدیل متن به گفتار می نویسد مدل های مالتیلینگوال وی۲ از ۲۹ زبان پشتیبانی می کنند و بعد هر ۲۹ تا را اسم می برد: انگلیسی، ژاپنی، چینی، آلمانی، هندی، فرانسوی، کره ای، پرتغالی، ایتالیایی، اسپانیایی، اندونزیایی، هلندی، ترکی، فیلیپینی، لهستانی، سوئدی، بلغاری، رومانیایی، عربی، چکی، یونانی، فنلاندی، کرواتی، مالایی، اسلواکی، دانمارکی، تامیل، اوکراینی و روسی. فارسی در آن فهرست نیست. جمله بعدی همان صفحه می گوید فلش ۲.۵ از ۳۲ زبان پشتیبانی می کند، یعنی همه زبان های مدل های وی۲ به اضافه مجاری و نروژی و ویتنامی. سه زبان اضافه شده اند و هیچ کدام فارسی نیست، پس فارسی در فهرست فلش هم نیست و این را نه از حدس، بلکه از تعریف خود فهرست می دانیم.
در مقابل، فهرست زبان های الون وی۳ فارسی را با کد fas صریح نوشته است. لایه داده بخش هوش مصنوعی همین سایت این را از ۲۸ اوت ثبت کرده و امروز دوباره سر جایش بود.
حالا چرا این یک تله است و نه یک تفاوت ساده. صفحه مدل های همان سازنده، فلش ۲.۵ را با سه صفت معرفی می کند که هر سه برای یک تدوینگر جذاب اند: تاخیر بسیار کم در حدود ۷۵ میلی ثانیه، سقف ۴۰۰۰۰ کاراکتر در یک درخواست، و قیمت هر کاراکتر پنجاه درصد کمتر روی واسط برنامه نویسی. مدلی که فارسی دارد در برابر این سه، سقف ۵۰۰۰ کاراکتری دارد، یعنی یک هشتم. پس کسی که ثبت نام می کند، منطقی ترین انتخاب را می کند، متن فارسی می دهد و خروجی بدی می گیرد، و بعد نتیجه می گیرد که این سازنده فارسی بلد نیست. جمله درست این است: آن مدلش بلد نیست.
موضع ما، و درسی که فراتر از این یک سازنده است: مدل را از روی فهرست زبانش انتخاب کنید و نه از روی نشان سرعت یا قیمت. در هیچ دسته دیگری این قاعده به این شدت لازم نیست، چون در ترجمه یا کدنویسی خروجی بد بلافاصله بد به نظر می رسد؛ اینجا خروجی یک صدای روان است که کلمه ها را اشتباه می خواند، و تشخیصش برای کسی که زبان را نمی داند سخت است.
فهرست زبان چه چیزی را نمی گوید
فهرست زبان یک ادعای سازنده است و نه یک اندازه گیری. می گوید ما این زبان را پشتیبانی می کنیم و درباره اینکه لهجه اش چطور در می آید هیچ نمی گوید. این تفاوت را باید صریح گفت، چون هر جدولی که این ستون را داشته باشد وسوسه می شود که آن را کیفیت بخواند.
دو چیز مشخص را از فهرست زبان نمی شود فهمید. اول، اینکه صدایی مخصوص فارسی وجود دارد یا نه. رتبه بندی صدا در بخش هوش مصنوعی همین سایت برای فارسی سه پله دارد و پله دوم یعنی سازنده صدای مخصوص فارسی هم اعلام کرده باشد؛ هیچ نامزدی به آن پله نرسیده. یعنی حتی مدلی که فارسی را در فهرستش آورده، آن را با صدایی می خواند که برای زبان دیگری ساخته شده. راهنمای خود سازنده هم می گوید برای طبیعی ترین نتیجه، صدایی انتخاب کنید که لهجه اش با زبان و منطقه هدف شما جور باشد، و همین جمله وقتی صدای فارسی وجود ندارد، خودش جواب سوال است.
دوم، اسم ها و اعداد. هیچ فهرست زبانی نمی گوید مدل اسم یک شهر ایرانی یا یک نام خانوادگی را درست می خواند یا نه. اینجا یک نکته عملی هست که در مستندات همان سازنده نوشته شده و کمتر کسی می خواندش: مدل مالتیلینگوال وی۲ در نرمال سازی اعداد بهتر عمل می کند، و توصیه خودشان برای کاربردهای کم تاخیر این است که متن را پیش از فرستادن به مدل، با یک مدل زبانی نرمال کنید. ترجمه عملی اش برای فارسی: عدد و تاریخ و مخفف را خودتان به حروف بنویسید و بعد بفرستید. این یک خط کار است و بیشتر از هر تنظیمی خروجی را نجات می دهد.
و یک چیزی که ما نمی دانیم و نمی گوییم که می دانیم: کیفیت شنیداری. هیچ کدام از این مدل ها را روی یک متن فارسی یکسان اجرا و مقایسه نکرده ایم. وقتی کردیم، عددش را با روش می نویسیم.
کلون صدا: رضایت، پروانه و مرزی که جابه جا نمی شود
ساخت صدای تازه از روی ضبط یک آدم، از نظر فنی امروز آسان است و از نظر اخلاقی و حقوقی همان قدر سنگین. موضع ما یک جمله است و قابل مذاکره نیست: صدای هیچ کس را بدون رضایت صریح و کتبی خودش کلون نکنید، حتی اگر صدا در دسترس عموم باشد و حتی اگر کار داخلی باشد.
دلیلش فقط قانون نیست. صدا، مثل چهره، هویت است و بر خلاف چهره، در تلفن و پیام صوتی به عنوان تایید هویت هم کار می کند. یک نمونه صوتی کوتاه که برای یک پروژه ساخته شده، بعد از تحویل پروژه هم وجود دارد و شما کنترلش را ندارید. اگر کاری می کنید که در آن صدای یک آدم واقعی تولید می شود، رضایتش را بگیرید، دامنه استفاده را در همان رضایت بنویسید، و فایل ها را بعد از پروژه پاک کنید.
و یک تناقض که باید صریح گفت. مدلی که در رتبه بندی صدای بخش هوش مصنوعی همین سایت اول شده، شرایط استفاده خودش ایران را با اسم آورده: بند کنترل صادرات الون لبز می خواهد کاربر تعهد بدهد که در کشوری زیر تحریم اقتصادی آمریکا نیست و ایران در همان فهرست نوشته شده. این را می نویسیم چون واقعیت است و پنهان کردنش به کسی کمک نمی کند. چیزی که نمی نویسیم راه دور زدنش است. ما اکانت نمی فروشیم، واسطه معرفی نمی کنیم و روش دور زدن تحریم را توضیح نمی دهیم.
مسیر جایگزینی هم هست که باید با قیدش گفته شود: وکسترال تیتیاس از میسترال وزن باز دارد، یعنی می شود روی سخت افزار خودتان اجرایش کرد و هیچ فهرست کشوری جلویش نیست. پروانه اش اما سی سی بای ان سی ۴.۰ است و ان سی یعنی استفاده تجاری ممنوع. پس در کاری که ذاتش صداگذاری سفارشی برای مشتری است، مدلی که از نظر دسترسی بهترین گزینه است، از نظر پروانه بی فایده ترین است. برای تمرین و پروژه شخصی بله؛ برای فاکتور، نه.
پیش از ساختن یک صدای تازه، این برگه را پر کنید
قبل از شروع باید داشته باشید
- رضایت کتبی صاحب صدا، با اسم پروژه
- دامنه استفاده، صریح: کجا، چه مدت، کدام زبان ها
- پروانه مدلی که استفاده می کنید، خوانده شده و نه فرض شده
- تصمیم درباره اینکه فایل های نمونه کی پاک می شوند
چیزهایی که رضایت به حساب نمی آیند
- صدا در اینترنت در دسترس بود
- کار داخلی است و منتشر نمی شود
- شفاهی گفت اشکالی ندارد
- فقط برای نمونه است و در نسخه نهایی نمی ماند
این برگه مشاوره حقوقی نیست و جای قرارداد را نمی گیرد. کاری که می کند این است که نگذارد تصمیم های تحویل ناپذیر را در لحظه و بدون فکر بگیرید.
صداگذاری یک ویدیو، به ترتیبی که کار را نجات می دهد
ترتیب اینجا از انتخاب مدل مهم تر است، و اشتباه رایج همیشه یکی است: اول ویدیو تدوین می شود و بعد دنبال صدا می گردند.
متن را برای گوش بنویسید و نه برای چشم. جمله های کوتاه، یک ایده در هر جمله، و بدون پرانتز و بدون جمله معترضه. متنی که خوانده می شود و متنی که شنیده می شود دو چیزند، و مدل هیچ کدام از این دو را برایتان تشخیص نمی دهد.
بعد متن را نرمال کنید: عددها و تاریخ ها و مخفف ها را با حروف بنویسید. «۱۴۰۴» و «۲۵٪» و «RGB» سه چیزی هستند که مدل ممکن است هر بار جور دیگری بخواند، و شما با ده دقیقه کار این را از دست شانس در می آورید.
حالا متن را به تکه هایی ببرید که زیر سقف کاراکتر مدلتان جا شوند و برش را روی مرز جمله بگذارید و نه وسط جمله. با سقف ۵۰۰۰ کاراکتری، یک متن ده دقیقه ای چند فایل می شود، و اگر برش وسط جمله بیفتد آهنگ جمله در محل اتصال می شکند. این تنها جایی است که سقف کاراکتر واقعا به شما ضربه می زند، و راه حلش تکنیکی نیست، تصمیم ویرایشی است.
تولید کنید، بعد گوش کنید، و فقط جمله هایی را دوباره بسازید که غلط خوانده شده اند. تولید دوباره کل متن به امید نتیجه بهتر، همان اشتباهی است که در تصویر هم رایج است و اینجا هم جواب نمی دهد.
و در آخر روی تصویر بنشانید. اگر ویدیو با هوش مصنوعی ساخته شده، نماها را بی صدا نگه دارید و کل باند صدا را یکجا بچینید؛ درس تولید ویدیو با هوش مصنوعی دلیلش را گفته. و اگر خروجی قرار است زیرنویس هم داشته باشد، همان متن نرمال شده متن زیرنویس شماست و دیگر لازم نیست پیاده سازی کنید؛ درس زیرنویس و کپشن از همین نقطه شروع می کند.
مسیر سریع با هوش مصنوعی
مسیر سریع اینجا «مدل بهتر» نیست. دو حرکت است که تقریبا در هیچ آموزش فارسی ای نمی بینید: متن را پیش از رسیدن به مدل صدا، با یک مدل متنی برای گوش بازنویسی و نرمال کنید، و همان جا برش های زیر سقف کاراکتر را روی مرز جمله بگذارید. حرکت دوم همان است که فایل های چندتکه را به یک روایت پیوسته تبدیل می کند. برای این کار یک مدل متنی سریع و ارزان کافی است؛ انتخاب فعلی ما در <a class="text-link" href="/ai/">بخش هوش مصنوعی</a> هست و مدل صدا را از <a class="text-link" href="/ai/audio/">رتبه بندی صداگذاری</a> بردارید.
- اول مدل را از روی فهرست زبانش انتخاب کنید و نه از روی نشان سرعت. سقف کاراکتر همان مدل را یادداشت کنید؛ بقیه مسیر روی همین عدد ساخته می شود.
- نسخه پایین را با متن و سقف خودتان به یک مدل متنی بدهید. خروجی بخش دوم، یعنی فهرست چیزهایی که مدل ممکن است غلط بخواند، مهم ترین چیزی است که می گیرید.
- تکه ها را به ترتیب تولید کنید، همه با یک صدا و یک تنظیم. صدا را وسط کار عوض نکنید؛ دو تکه با دو صدای نزدیک بدتر از دو تکه با دو صدای کاملا متفاوت به گوش می آید.
- گوش کنید و فقط جمله های غلط خوانده شده را دوباره بسازید. اگر یک اسم دو بار غلط خوانده شد، املای آوایی اش را در متن بنویسید و نه اینکه دوباره تولید کنید.
- در پایان دو چیز را خودتان چک کنید: اسم ها و عددها درست خوانده شده اند، و اگر صدای یک آدم واقعی در کار است رضایت کتبی اش را دارید.
نسخه آماده کپی
نقش: ویراستار متن گفتاری که متن را برای مدل تبدیل متن به گفتار آماده می کند.
زبان متن: فارسی
سقف کاراکتر مدل من: {مثلا ۵۰۰۰}
لحن: {مثلا آرام و توضیحی، یا پرانرژی و کوتاه}
متن خام:
{متن خودتان را اینجا بگذارید}
خروجی را دقیقا در این چهار بخش بده:
۱. متن بازنویسی شده برای گوش. جمله های بلند را بشکن، جمله معترضه و پرانتز را
حذف کن، و هر عدد و تاریخ و مخفف را با حروف بنویس. معنی را عوض نکن و چیزی
به متن اضافه نکن.
۲. فهرست چیزهایی که مدل احتمالا غلط می خواند: اسم خاص، نام شهر، واژه
انگلیسی داخل جمله فارسی، عدد. برای هر کدام یک املای آوایی پیشنهاد بده و
بگو چرا خطرناک است.
۳. متن بازنویسی شده را به تکه هایی ببر که هر کدام زیر سقف کاراکتر بالا
بمانند. هر برش باید دقیقا روی پایان یک جمله باشد. شماره تکه و تعداد
کاراکتر هر تکه را بنویس.
۴. یک جمله: کدام قسمت این متن را یک آدم باید قبل از تولید صدا بخواند و چرا.
هیچ ادعایی درباره کیفیت یا لهجه هیچ مدلی ننویس.قبل از اعتماد به خروجی: این مسیر سه چیز را حل نمی کند و هر سه کار یک آدم است. اول، لهجه: نرمال کردن متن جلوی غلط خواندن عدد و اسم را می گیرد و لهجه را درست نمی کند، چون صدای مخصوص فارسی امروز وجود ندارد. دوم، مرز رضایت: هیچ نسخه ای اجازه استفاده از صدای یک آدم را جایگزین نمی کند. سوم، پروانه: مدلی که وزنش باز است لزوما اجازه کار تجاری نمی دهد و باید پروانه اش را خودتان بخوانید. سریع بودن این مسیر به معنی بی نظارت بودنش نیست.
هوش مصنوعی در این کار
کل این درس درباره کار با هوش مصنوعی است، پس این بخش همان چیزی را جمع می کند که در متن پراکنده است: کدام مدل چه چیزی را اعلام کرده و از ایران چه وضعی دارد. موضع ما در یک جمله: <strong>در این دسته، فهرست زبان مهم ترین ستون است و هر معیار دیگری بعد از آن می آید، چون مدلی که فارسی ندارد برای متن فارسی صفر است و نه کمی ضعیف تر.</strong>
ابزارهایی که واقعا کمک می کنند
- Eleven v3 تنها مدل رده بالای این فهرست که فارسی را با کد fas در فهرست زبان هایش نوشته، به اضافه ساخت صدای تازه با پروانه تجاری روی پلن های پولی. سقف یک درخواستش ۵۰۰۰ کاراکتر است، یعنی یک هشتم مدل سریع همان سازنده. شرایط استفاده الون لبز ایران را در بند کنترل صادراتش با اسم آورده و ما راه دور زدنش را توضیح نمی دهیم.
- Eleven Flash v2.5 اینجاست چون انتخاب اشتباه رایج است: سریع ترین با حدود ۷۵ میلی ثانیه تاخیر، سقف ۴۰۰۰۰ کاراکتر و پنجاه درصد ارزان تر برای هر کاراکتر روی واسط برنامه نویسی. فهرست ۳۲ زبانه اش خودش را «فهرست وی۲ به اضافه مجاری و نروژی و ویتنامی» تعریف می کند، پس فارسی در آن نیست. برای کار انگلیسی انتخاب خوبی است و برای فارسی اصلا انتخاب نیست.
- Voxtral TTS تنها مدل این فهرست که وزنش منتشر شده، پس روی سخت افزار خودتان اجرا می شود و هیچ فهرست کشوری جلویش نیست. پروانه اش سی سی بای ان سی ۴.۰ است و ان سی یعنی کار تجاری ممنوع، که دقیقا همان کاری است که یک صداگذار می خواهد بکند. میسترال برایش فهرست زبان هم منتشر نکرده، پس درباره فارسی اش هیچ ادعایی نداریم.
- ElevenLabs صفحه سازنده، برای وقتی که می خواهید کل خانواده مدل هایش را کنار هم ببینید و بفهمید کدام مدل کدام قابلیت را دارد. همان جایی است که یافته این درس اول بار ثبت شد، در ۲۸ اوت، و امروز دوباره خواندیمش و سر جایش بود.
کجا نتیجه معکوس می دهد
سه خطر مشخص این کار، و فقط یکیشان فنی است.
اول، خطای بی صدا. مدلی که زبان شما را در فهرستش ندارد، پیغام خطا نمی دهد؛ یک صدای روان تحویلتان می دهد که کلمه ها را اشتباه می خواند. اگر خودتان زبان را ندانید، این خطا را نمی بینید. تنها دفاع، خواندن فهرست زبان پیش از انتخاب مدل است.
دوم، رضایت. ساخت صدای یک آدم بدون اجازه صریح او، حتی برای نمونه و حتی داخلی، خط قرمز است. صدا در پیام صوتی و تماس تلفنی به عنوان تایید هویت کار می کند و یک نمونه ساخته شده بعد از پروژه هم وجود دارد.
سوم، پروانه ای که نخوانده اید. وزن باز یعنی می توانید اجرایش کنید و نه اینکه می توانید بفروشیدش. وکسترال تیتیاس نمونه صریح همین است. پیش از فاکتور کردن هر کاری، پروانه مدل را خودتان بخوانید.
و درباره دسترسی از ایران هیچ راه دور زدنی پیشنهاد نمی کنیم. برای دیدن وضعیت هر ابزار، هوش مصنوعی در ایران و راهنمای خرید را ببینید.
منبع ها: ElevenLabs: models, character limits and latency ElevenLabs: text to speech supported languages ElevenLabs: terms of use, export control Mistral: models overview, Voxtral TTS licence
حد این توصیه
این درس هیچ کدام از این مدل ها را روی یک متن فارسی یکسان اجرا نکرده و هیچ عددی از تست شنیداری ما نیست؛ هر چه خوانده اید از فهرست ها و مستندات خود سازنده هاست. سه چیز را هم عمدا نیاورده ایم. هیچ داوری ای درباره کیفیت لهجه فارسی، چون هیچ سازنده ای عددش را منتشر نکرده و ما هم اندازه نگرفته ایم. هیچ ستونی برای قیمت، چون واحدهای این سازنده ها قابل مقایسه نیستند: یکی اعتبار ماهانه می فروشد، یکی توکنی حساب می کند و یکی فقط وزن را می دهد. و هیچ راهی برای دسترسی از ایران. یک مرز دیگر هم بگوییم: این درس درباره تولید گفتار است و نه پیاده سازی صوت به متن؛ اگر کار شما رونویسی است، درس زیرنویس جواب شماست و نه این یکی.
از تجربه خود ما
این یافته اول بار در لایه داده بخش هوش مصنوعی همین سایت ثبت شد و نه در یک بلاگ: در دسته صداگذاری، معیار «فارسی می خواند یا نه» ۳۵ وزن از ۱۰۰ گرفت، که بیشترین وزن آن جدول است و در هیچ دسته دیگری چنین چیزی نیست. دلیلش هم روی همان صفحه نوشته شده: در کدنویسی یا تصویر، زبان خروجی مساله نیست؛ اینجا خروجی خودش زبان دارد. روز نوشتن این درس هر دو صفحه سازنده را دوباره خواندیم و یافته سر جایش بود، با یک شاهد که در آن ثبت اولیه نبود و امروز پیدایش کردیم: فهرست ۳۲ زبانه فلش ۲.۵ خودش را به صورت «همه زبان های مدل های وی۲ به اضافه مجاری و نروژی و ویتنامی» تعریف کرده. یعنی نبودن فارسی در آن فهرست، دیگر نتیجه شمردن یک فهرست بلند نیست، از خود تعریف فهرست در می آید. همین بررسی برای هر ابزار دیگری یک دقیقه وقت می برد: صفحه زبان های پشتیبانی شده اش را باز کنید و دنبال اسم زبان خودتان بگردید، نه دنبال عدد کل زبان ها.
سوال هایی که واقعا پرسیده می شوند
بهترین هوش مصنوعی برای صداگذاری فارسی کدام است؟
در رتبه بندی صداگذاری بخش هوش مصنوعی همین سایت، الون وی۳ بالاترین امتیاز را دارد، چون تنها مدل رده بالایی است که هم فارسی را در فهرست زبان هایش آورده و هم ساخت صدای تازه با پروانه تجاری می دهد. فقط حواستان باشد مدل را دستی روی همین بگذارید؛ پیش فرض سریع تر همان چیزی است که فارسی ندارد.
چرا خروجی فارسی من بد در آمد؟
اول مدل را چک کنید و نه تنظیمات را. اگر مدلی که انتخاب کرده اید فارسی را در فهرست زبان هایش ندارد، هیچ تنظیمی نجاتش نمی دهد و همان مدل با هر تنظیمی همین را می دهد. اگر مدل درست بود و باز هم اسم ها و عددها غلط خوانده شدند، متن را نرمال کنید: عدد و تاریخ و مخفف را با حروف بنویسید.
می شود صدای یک گوینده مشهور را کلون کرد؟
نه، و این جواب به در دسترس بودن نمونه صوتی ربطی ندارد. صدا هویت است و بدون رضایت صریح و کتبی صاحبش نباید بازسازی شود، حتی برای نمونه و حتی وقتی منتشر نمی شود. اگر صدای شبیه می خواهید، از صداهای آماده استفاده کنید و صریح بنویسید که این صدا مصنوعی است.
برای یک ویدیوی ده دقیقه ای چند فایل صوتی می گیرم؟
به سقف کاراکتر مدلتان بستگی دارد و نه به طول ویدیو. با سقف ۵۰۰۰ کاراکتری، یک متن ده دقیقه ای چند فایل می شود و شما باید برش ها را روی مرز جمله بگذارید. با سقف ۴۰۰۰۰ کاراکتری همان متن یک فایل است، ولی آن مدل فارسی ندارد؛ همین تناقض موضوع اصلی این درس است.