فرض کنید برای نسخهٔ فارسی یک دورهٔ آموزشی انگلیسی سراغ دوبله فارسی با هوش مصنوعی رفته‌اید. دقیقهٔ اول غافلگیرتان می‌کند: صدا گرم است و حتی شبیه صدای خود مدرس. بعد ایرادها پیدا می‌شوند؛ مثلاً «API» عجیب خوانده می‌شود، جمله‌ای سؤالی با لحن خبری تمام می‌شود و در نمای نزدیک، لب‌ها با صدا جور درنمی‌آیند.
جواب کوتاه: دوبله فارسی با هوش مصنوعی تا شهریور ۱۴۰۵ برای ویدیوهای تک‌گوینده و بدون نمای نزدیک چهره، مثل آموزش با ضبط صفحه، نریشن و معرفی محصول، نتیجهٔ قابل‌انتشار می‌دهد؛ به شرطی که ترجمه برای گفتن بازنویسی شود و تلفظ اسم‌ها و عددها از قبل کنترل شود. هرجا نمای نزدیک، چند گوینده، شوخی، احساس تند یا آواز در کار باشد، دوبلهٔ خودکار هنوز لو می‌رود و زیرنویس یا دوبلهٔ انسانی انتخاب امن‌تری است.
در ادامه می‌خوانید فارسی کجای مسیر دوبله گیر می‌کند، کدام ابزارها واقعاً فارسی دارند، هر دقیقه چقدر خرج دارد و چه روالی نتیجه را باورپذیر می‌کند.
دوبله فارسی با هوش مصنوعی چطور کار می‌کند و کجای کار گیر می‌کند؟
هر ابزار دوبله، چه همه‌کاره باشد و چه چند ابزار جدا که خودتان کنار هم می‌گذارید، از شش ایستگاه می‌گذرد و خطای هر ایستگاه به ایستگاه بعد می‌رسد:
- پیاده‌سازی گفتار: صدای اصلی متن زمان‌دار می‌شود و گوینده‌ها از هم جدا می‌شوند؛ برای ویدیوی انگلیسیِ تمیز، کم‌دردسرترین مرحله است.
- ترجمه: بزرگ‌ترین شکاف فارسی همین‌جاست.
- صداسازی: با یک صدای آماده (TTS) یا صدای شبیه‌سازی‌شدهٔ خود گوینده.
- زمان‌بندی: هر جمله باید در بازهٔ جملهٔ اصلی جا شود.
- همگام‌سازی لب (لیپ‌سینک)، اختیاری: حرکت دهان گوینده با صدای تازه هماهنگ می‌شود.
- میکس: گفتار از موسیقی و افکت جدا می‌شود (Stem Separation) و صدای فارسی روی همان زمینه می‌نشیند.
ترجمه‌ای که در زمانش جا نمی‌شود
انگلیسی پر از کلمه‌های تک‌هجایی است و ترجمهٔ فارسی، مخصوصاً وقتی کتابی باشد، معمولاً بلندتر درمی‌آید:
- اصل انگلیسی: Click Save, and you're done. (پنج هجا)
- ترجمهٔ کتابی: «روی دکمهٔ ذخیره کلیک کنید و کار شما به پایان رسیده است.» (۲۳ هجا)
- ترجمهٔ گفتاری: «ذخیره رو بزنید؛ تمومه.» (۱۰ هجا)
متنی که از زمانش بلندتر باشد، یا تند خوانده می‌شود یا از تصویر عقب می‌افتد. ویرایشگر Dubbing Studio در ElevenLabs (الون‌لبز) به‌طور پیش‌فرض طول هر تکه را ثابت نگه می‌دارد و راهنمای خودش هشدار می‌دهد که گفتار ممکن است آشکارا تند یا کشدار شود. راه درست، کوتاه کردن متن است، نه تندتر خواندنش.
فارسی کتابی به گوش ترجمه می‌زند
فارسی نوشتاری وقتی بلند خوانده شود، خشک و ترجمه‌ای به گوش می‌رسد. مدرس سر کلاس نمی‌گوید «اجازه بدهید نشان دهم این ابزار چگونه کار می‌کند»؛ می‌گوید «ببینید این ابزار چطور کار می‌کنه». محاورهٔ خیلی شکسته هم برای آموزش و تبلیغ سبک است. راه میانه فارسی گفتاری معیار است: ساختار جملهٔ گفتاری، کلمه‌های رایج و شکستگی فعل به اندازه. چت‌بات‌ها اگر صریحاً نخواهید، معمولاً نوشتاری ترجمه می‌کنند؛ درمان این عادت را در مطلب ترجمه‌زدگی در فارسی هوش مصنوعی نوشته‌ایم.
جاهایی که موتور گفتار فارسی را غلط می‌خواند
- مصوت‌های نانوشته: «کرد» کَرد است یا کُرد؟ «مرد» مَرد یا مُرد؟ موتور حدس می‌زند و گاهی اشتباه می‌کند؛ اعراب‌گذاری همان کلمه ابهام را کم می‌کند.
- نیم‌فاصله و کسره: فاصلهٔ کامل وسط «می‌خواهم» ممکن است مکث بی‌جا بسازد و نبودن کسره در ترکیبی مثل «خانهٔ من» خواندن را به هم بزند.
- عدد و نماد: «۱۴۰۵» سال است یا عدد؟ «۲/۳» دوسوم است یا تاریخ؟ راهنمای ElevenLabs هم پیشنهاد می‌کند عدد و نماد پیش از ساخت صدا با حروف نوشته شوند.
- اسم خاص و اصطلاح انگلیسی: «API» شاید حرف‌به‌حرف خوانده شود، شاید نه؛ اسمی مثل Siobhan به حروف لاتین احتمالاً غلط خوانده می‌شود و املای آوایی («شیوان») تکلیف موتور را روشن می‌کند.
- علامت سؤال: سؤالی که جوابش بله یا نه است، در فارسی معمولاً فقط با لحن ساخته می‌شود («رسیدی؟»)؛ اگر علامت سؤال جا بیفتد، جمله خبری خوانده می‌شود.
احساس، هم‌پوشانی گوینده‌ها و موسیقی زمینه
صدای مصنوعی در جملهٔ خنثی خوب است و در شوخی، کنایه و بغض ضعیف‌تر. مدل Eleven v3 و مدل‌های صداسازی Gemini (جمینای) تگ لحن دارند، مثل [whispers] و [laughs] در ElevenLabs، اما جای درستشان را شما باید تعیین کنید. هم‌پوشانی صداها سخت‌تر است: HeyGen (هی‌جن) توصیه می‌کند در ویدیوی مبدأ هر لحظه فقط یک نفر حرف بزند، و گوگل در مستندات ترجمهٔ زندهٔ Gemini نوشته است که صدا ممکن است بعد از مکث طولانی عوض شود، جنسیت گوینده اشتباه گرفته شود یا در گفتگوی تند چندنفره روی یک صدا گیر کند. در میکس هم HeyGen موسیقی زمینه را نگه می‌دارد، اما طبق راهنمایش افکت‌هایی مثل پارس سگ و بوق ماشین را همیشه حذف می‌کند.
دوبله ویدیو به فارسی برای چه محتوایی باورپذیر است؟
قاعده ساده است: هرچه چهره کمتر دیده شود، گوینده‌ها کمتر باشند و لحن خنثی‌تر، دوبله کمتر لو می‌رود. جدول زیر جمع‌بندی همین منطق است، نه نتیجهٔ یک آزمون؛ اول یک قطعهٔ کوتاه از ویدیوی خودتان را امتحان کنید.
| نوع محتوا | باورپذیری | کجا لو می‌رود | پیشنهاد |
|---|---|---|---|
| آموزش با ضبط صفحه | بالا | اصطلاح فنی، منوهای انگلیسی روی تصویر، عقب افتادن گفتار از نشانگر | دوبله بدون لیپ‌سینک |
| نریشن بدون چهره | بالا | یکنواختی لحن در قطعه‌های طولانی | دوبله با یک صدای ثابت |
| معرفی محصول | بالا تا متوسط | نام برند، قیمت، نوشته‌های روی تصویر | دوبله با فهرست تلفظ |
| ولاگ رو به دوربین | متوسط | لب‌ها در نمای نزدیک، شوخی و شخصیت گوینده | لیپ‌سینک برای نمای نزدیک، یا زیرنویس |
| مصاحبه و گفتگوی چندنفره | پایین تا متوسط | حرف زدن هم‌زمان، جابه‌جا شدن صداها | زیرنویس |
| درام و کمدی | پایین | زمان‌بندی شوخی، دامنهٔ احساس، بازی با کلمات | دوبلهٔ انسانی یا زیرنویس |
| آهنگ | خیلی پایین | موتورهای دوبله برای گفتارند، نه آواز؛ ترانه باید از نو سروده شود | زیرنویس |
| کارتون کودک | متوسط | صدای متمایز هر شخصیت، هیجان و بازی صدا | صدای جدا برای هر شخصیت و بازبینی دقیق |
گوش مخاطب فارسی‌زبان با دوبلهٔ حرفه‌ای فیلم و سریال آشناست؛ صدایی که در آموزش اکسل پذیرفتنی است، در سکانس کمدی فوراً مصنوعی به گوش می‌آید. Vozo (ووزو) هم در مستنداتش برای ولاگ و سرگرمی مدل کلون VoiceREAL و برای آموزش و معرفی محصول مدل VoiceNATIVE را پیشنهاد می‌کند که لهجهٔ طبیعی‌تری در زبان مقصد دارد.
کدام ابزار برای دوبله فارسی مناسب‌تر است؟
ابزارهای ترجمه و دوبله خودکار ویدیو دو دسته‌اند: همه‌کاره‌ها که ویدیو را می‌گیرند و دوبله تحویل می‌دهند، و تک‌کاره‌ها که هر مرحله را جدا و با کنترل بیشتر انجام می‌دهند. داده‌های جدول از صفحه‌های رسمی و کاتالوگ هوش یاب است.
| ابزار | کار اصلی | فارسی | کلون و لیپ‌سینک | هزینه |
|---|---|---|---|---|
| ElevenLabs | دوبلهٔ خودکار و صداسازی باکیفیت | در زبان‌های دوبله و مدل Eleven v3 | کلون دارد؛ در دوبله لیپ‌سینک ندارد | رایگان با واترمارک؛ از ۶ دلار در ماه |
| HeyGen | ترجمهٔ ویدیو با صدای خود گوینده | «فارسی (ایران)» در فهرست رسمی | کلون و لیپ‌سینک (Speed و Precision) | Creator ماهی ۲۹ دلار |
| Vozo | دوبله و ترجمهٔ نوشته‌های روی تصویر | در فهرست مبدأ، مقصد و لیپ‌سینک | کلون و لیپ‌سینک | Creator ماهی ۲۹ دلار |
| Wavel AI (ویول) | دوبله، زیرنویس و صداگذاری | صدای فارسی دارد | کلون دارد؛ لیپ‌سینک ابزار جداست | Basic ماهی ۲۵ دلار |
| Google AI Studio (گوگل ای‌آی استودیو) | فقط صداسازی، از ترجمهٔ خودتان | فارسی (ایران) در Gemini 3.8 Flash TTS و 3.8 Flash-Lite TTS | صدای آماده؛ بدون لیپ‌سینک | سطح رایگان؛ API چند سنت در دقیقه |
| MiniMax Audio (مینی‌مکس) | صداسازی و کلون از نمونهٔ کوتاه | جزو زبان‌ها، بدون صدای آمادهٔ فارسی | کلون دارد؛ دوبلهٔ ویدیو ندارد | از ۵ دلار؛ API از ۶۰ دلار در میلیون نویسه |
| AI Dubbing (ای‌آی دابینگ) | دوبله و زیرنویس زندهٔ مرورگر، برای تماشا | بله، با Gemini Live Translate | صدای دوبله با جنسیت گوینده هماهنگ است؛ کلون ندارد | رایگان با کلید Gemini خودتان، بدون سقف روزانه |
| LivDub (لیوداب) | دوبلهٔ زندهٔ مرورگر، فقط برای تماشا | بله، با Gemini Live Translate | صدای گوینده همیشه حفظ نمی‌شود | رایگان با کلید Gemini خودتان؛ Plus ماهی ۵ دلار |
| نوا هوشمند شریف | صداسازی فارسی و ویدیوی لب‌خوانی از عکس | بومی | کلون صدا اعلام نشده | ۱۴ روز رایگان؛ پرداخت ریالی |
| ماینا | صداسازی و تقلید صدا | بیش از ۳۰۰ صدای فارسی | تقلید صدا دارد | اعتبار آزمایشی؛ اشتراک ریالی |
ویدیوی چهره‌دار: HeyGen و Vozo ترجمه، کلون و لیپ‌سینک فارسی را یک‌جا دارند و اجازه می‌دهند ترجمه را پیش از ساخت صدا ویرایش کنید (در HeyGen از پلن Pro). ElevenLabs صدای باکیفیت‌تری دارد، اما در بخش دوبله لیپ‌سینک نمی‌دهد. Wavel ارزان‌تر است، ولی طبق صفحه‌اش در هوش یاب کیفیت فارسی‌اش هم‌سطح زبان‌های اصلی نیست، و Captions (کپشنز) با همهٔ محبوبیتش فارسی را در زبان‌های دوبله‌اش ندارد.
ضبط صفحه و نریشن: مسیر خودساخته ارزان‌تر و قابل‌کنترل‌تر است: ترجمهٔ گفتاری را با یک چت‌بات و ویرایش خودتان بسازید، صدا را در Google AI Studio بگیرید و در یک تدوینگر روی تصویر بگذارید. برای صداگذاری فارسی با هوش مصنوعی، هوش یاب اول همین Google AI Studio را پیشنهاد می‌کند و برای کیفیت بالاتر، ElevenLabs را. اگر اینترنت پایدار ندارید، VoiceStudio نسخهٔ متن‌باز و آفلاین همین مسیر است، اما مدل پیش‌فرضش فقط مجوز استفادهٔ غیرتجاری دارد.
تماشا و ابزارهای ایرانی: LivDub برای تماشاست، نه انتشار؛ شرایط استفاده‌اش ساختن نسخهٔ ماندگار از محتوای دیگران را منع کرده است. «دوبله هوشمند» نوا هوشمند شریف در عمل از یک عکس و یک فایل صوتی ویدیوی لب‌خوانی می‌سازد و ترجمه نمی‌کند، و ایبو (Eboo) صداسازی ندارد و ابزار تبدیل گفتار و عکس به متن است. مزیت سرویس‌های ایرانی پرداخت ریالی است؛ مقایسهٔ کامل‌ترشان را در مطلب ابزارهای ایرانی هوش مصنوعی ببینید.
ابزارهای کمکی: برای جدا کردن گفتار از موسیقی و افکت، Lalal.ai (لالال) با اشتراک از حدود ۶٫۷۵ یورو در ماه و X-Minus با سهمیهٔ رایگان روزانه به کار می‌آیند، و برای زیرنویس و زمان‌بندی خط‌به‌خط، Subtitle Edit (ساب‌تایتل ادیت) رایگان و متن‌باز است.
نمی‌دانید کدام ترکیب به کار ویدیوی شما می‌آید؟ در هوش یاب بنویسید: «ویدیوی آموزشی انگلیسی را با صدای طبیعی به فارسی دوبله کن» تا ابزارهای مناسب و نقشهٔ راهی قدم‌به‌قدم، با پرامپت آمادهٔ هر مرحله، بگیرید.
چطور دوبله‌ای بسازیم که لو نرود؟
ابزار هرچه باشد، این هشت قدم بیشترین فرق را می‌سازد؛ در ابزار همه‌کاره، قدم‌های ۲ تا ۴ را در ویرایشگر ترجمهٔ خود ابزار انجام دهید.
- متن مبدأ را تمیز کنید. اسم یا اصطلاحی که در زیرنویس انگلیسی غلط ثبت شود، تا آخر غلط می‌ماند.
- ترجمه را برای گفتن بنویسید. فارسی گفتاری معیار، معنای اصطلاح به جای ترجمهٔ کلمه‌به‌کلمه، و زمان هر خط حداکثر ده درصد کمتر یا بیشتر از اصل. متن را یک بار بلند بخوانید.
- فهرست تلفظ بسازید. برای اسم، برند، مخفف و عدد املای آوایی فارسی بنویسید («کوبرنتیز»، «اِس‌کیواِل»، «هزار و چهارصد و پنج») و هم‌نویسه‌ها را اعراب بگذارید؛ HeyGen برای این کار Brand Glossary دارد و Vozo ابزار تلفظ.
- یک صدا انتخاب کنید و ثابت نگهش دارید. سه صدا را روی پاراگرافی سی‌ثانیه‌ای با عدد، اسم و یک سؤال امتحان کنید و تنظیمات برنده را برای همهٔ قسمت‌ها یادداشت کنید.
- ریتم را تنظیم کنید. خطی را که جا نمی‌شود اول کوتاه کنید، بعد سرعت را کمی بالا ببرید و جای مکث را مشخص کنید؛ مثلاً MiniMax نشانه‌ای برای مکث دارد که مدتش را به ثانیه تعیین می‌کند.
- موسیقی و افکت را نگه دارید. گفتار را از زمینه جدا کنید، صدای فارسی را روی همان زمینه بگذارید و بلندی گفتار را یکدست نگه دارید.
- لیپ‌سینک فقط برای نمای نزدیک. HeyGen حالت Speed را برای ویدیوی تقریباً رو به دوربین (تا حدود ۴۵ درجه) و Precision را برای نیم‌رخ، دهانِ پوشیده با دست یا میکروفون و گفتگوی چندنفره پیشنهاد می‌کند؛ Vozo هم می‌خواهد دهان کاملاً دیده شود و زیرنویس رویش نیفتد.
- یک دور گوش‌دادن نهایی با چک‌لیست. یک بار فقط با گوش، یک بار همراه تصویر: اسم‌ها و عددها درست‌اند؟ سؤال‌ها سؤالی تمام می‌شوند؟ گفتار جایی تند شده یا از کلیک‌های روی صفحه عقب مانده؟ ترفند کمکی: صدای نهایی را دوباره به متن تبدیل کنید (ابزارهایش در راهنمای تبدیل گفتار فارسی به متن آمده)؛ کلمه‌ای که ماشین تشخیص نمی‌دهد، احتمالاً شنونده را هم به زحمت می‌اندازد.
سه پرامپت آماده برای ترجمه، تلفظ و بازبینی
این پرامپت‌ها در هر چت‌بات قوی، مثل ChatGPT (چت جی پی تی)، Gemini یا Claude (کلود)، کار می‌کنند؛ بخش‌های داخل کروشه را با اطلاعات ویدیوی خودتان عوض کنید.
۱. ترجمهٔ مخصوص دوبله: تو مترجم دیالوگ دوبله هستی. زیرنویس انگلیسی زیر، با زمان هر خط، مال یک [ویدیوی آموزشی اکسل] برای [دانشجوهای فارسی‌زبان] است. آن را به فارسی گفتاری معیار برگردان. زمان گفتن هر خط فارسی حداکثر ده درصد کمتر یا بیشتر از خط اصلی باشد؛ سرعت گوینده را [دو و نیم کلمه در ثانیه] بگیر و اگر خطی جا نشد، کوتاهش کن. نه کتابی بنویس، نه کوچه‌بازاری؛ اصطلاح‌ها را معنا کن، نه کلمه‌به‌کلمه. اسم‌های خاص و اصطلاح‌های فنی را داخل آکولاد { } بگذار و عددها را با حروف بنویس. خروجی را در قالب SRT بده و کنار هر خطی که هنوز بلند است، بنویس «بلند».
برای ولاگ، «فارسی گفتاری معیار» را به «فارسی خودمانی و صمیمی» تغییر دهید و سرعت را با چند جمله از صدای انتخابی‌تان اندازه بگیرید.
۲. فهرست تلفظ: از متن فارسی زیر همهٔ اسم‌های خاص، برندها، اصطلاح‌های انگلیسی، مخفف‌ها و عددها را بیرون بکش و جدولی سه‌ستونی بساز: «شکل نوشته‌شده»، «املای آوایی فارسی برای موتور گفتار» و «توضیح». هم‌نویسه‌هایی را که دو جور خوانده می‌شوند (مثل کرد، مرد و شکر) هم با اعراب پیشنهادی بیاور و اگر کلمه‌ای دو تلفظ رایج دارد، هر دو را بنویس تا خودم انتخاب کنم. متن: [ترجمهٔ نهایی]
جدول را برای همهٔ قسمت‌های مجموعه نگه دارید و هر بار فقط اسم‌های تازه را اضافه کنید.
۳. بازبینی پیش از صداسازی: تو ویراستار صدای دوبله هستی. متن فارسی زیر قرار است با موتور تبدیل متن به گفتار خوانده شود. فقط خط‌هایی را فهرست کن که احتمالاً غیرطبیعی شنیده می‌شوند و دلیلش را در چند کلمه بگو: جملهٔ کتابی، جملهٔ بلند برای یک نفس، سؤال بی‌علامت، عدد یا مخفف مبهم، هم‌نویسهٔ بی‌اعراب، نیم‌فاصلهٔ جاافتاده و جایی که لحن احساسی لازم است. برای هر مورد یک بازنویسی گفتاری کوتاه‌تر پیشنهاد بده. متن: [متن فارسی]
این پرامپت جای گوش‌دادن نهایی را نمی‌گیرد؛ فقط خطاهای قابل‌پیش‌بینی را زودتر پیدا می‌کند.
صدای چه کسی، ویدیوی چه کسی؟ رضایت، حق نشر و قوانین یوتیوب
ابزارهای دوبله به‌طور پیش‌فرض صدای گوینده را شبیه‌سازی می‌کنند؛ یعنی دوبلهٔ ویدیوی کس دیگر، ساختن صدای یک آدم واقعی است. سه قاعده را جدی بگیرید:
- کلون صدا فقط با رضایت صاحب صدا. ElevenLabs برای کلون حرفه‌ای از شما می‌خواهد با خواندن جمله‌های تأیید ثابت کنید صدا مال خودتان است و می‌گوید حتی با رضایت کسی نمی‌توانید صدایش را کلون کنید؛ خود او باید بسازد و با شما به اشتراک بگذارد. کاتالوگ صدای چهره‌های مشهور در بعضی سرویس‌های ایرانی برای سرگرمی شخصی جذاب است، اما انتشار ویدیو با صدای کسی که رضایت نداده، اعتماد مخاطب را از بین می‌برد و ممکن است دردسر حقوقی داشته باشد.
- ویدیوی دیگران را بی‌اجازه دوبله و منتشر نکنید. در قانون حق نشر بیشتر کشورها، ترجمهٔ اثر حق انحصاری پدیدآورنده است (مادهٔ ۸ کنوانسیون برن). یوتیوب هم با درخواست قانونی صاحب اثر ویدیو را حذف می‌کند و به کانال اخطار کپی‌رایت می‌دهد؛ با سه اخطار فعال، کانال در معرض بسته شدن است.
- محتوای مصنوعی را اعلام کنید. طبق راهنمای یوتیوب دربارهٔ محتوای تغییریافته یا مصنوعی، کلون صدای خودتان برای ویس‌اور یا دوبله اعلام نمی‌خواهد، اما محتوای واقع‌نمایی را که با هوش مصنوعی ساخته یا به‌طور معنادار تغییر داده شده باید در YouTube Studio اعلام کنید؛ یوتیوب «ساختن مصنوعی صدای یک شخص برای روایت ویدیو» را صریحاً از این نمونه‌ها شمرده است.
برای یوتیوبرها: دوبلهٔ خودکار یوتیوب در زمان نوشتن این مطلب ویدیوی فارسی را فقط به انگلیسی دوبله می‌کند و ویدیوی انگلیسی را به فارسی نمی‌برد. نسخهٔ فارسی خودتان را هم می‌توانید ترک صوتی دوم همان ویدیو کنید، اما این امکان فعلاً فقط در اختیار کانال‌هایی است که به ویژگی‌های پیشرفتهٔ یوتیوب دسترسی دارند، و فقط از YouTube Studio روی کامپیوتر.
هزینهٔ هر دقیقه دوبله چقدر است و کی زیرنویس عاقلانه‌تر است؟
هزینه را برای هر دقیقهٔ ویدیوی مبدأ و هر زبان مقصد جدا حساب کنید؛ ElevenLabs صریحاً همین‌طور حساب می‌کند. برآوردهای زیر بر پایهٔ صفحه‌های رسمی قیمت تا شهریور ۱۴۰۵ است و فرض می‌کند همهٔ اعتبار پلن خرج دوبله شود:
- مسیر خودساخته: سطح رایگان Google AI Studio هزینه ندارد؛ در API پولی (Gemini 3.8 Flash TTS) هر دقیقه گفتار تا پایان ۲۰۲۶ حدود ۱٫۵ تا ۲ سنت می‌شود و از ژانویهٔ ۲۰۲۷ قیمتش دو برابر می‌شود و هزینهٔ اصلی وقت شماست.
- ElevenLabs: هر دقیقه دوبله، بسته به حالت و واترمارک، ۲ تا ۱۰ هزار اعتبار مصرف می‌کند؛ پلن Creator با ۲۲ دلار و ۱۲۱ هزار اعتبار یعنی حدود ۱۲ تا ۶۰ دقیقه. در API دقیقه‌ای ۰٫۳۳ تا ۰٫۵۰ دلار برای نسخهٔ قدیمی و ۲٫۲۰ دلار برای Dubbing v2.
- HeyGen: هر دقیقه ۴ اعتبار بدون لیپ‌سینک، ۶ با Speed و ۱۰ با Precision؛ پلن Creator با ۲۹ دلار و ۶۰۰ اعتبار یعنی ۶۰ تا ۱۵۰ دقیقه، حدود ۰٫۲ تا ۰٫۵ دلار برای هر دقیقه.
- Vozo: پلن Creator با ۲۹ دلار حدود ۵۰ دقیقه دوبله یا ۱۵ دقیقه لیپ‌سینک می‌دهد؛ یعنی حدود ۰٫۶ دلار برای هر دقیقه و با لیپ‌سینک نزدیک ۲ دلار.
- Wavel: هر دقیقه دوبله ۳ اعتبار است و پلن Basic با ۲۵ دلار و ۱۰۰ اعتبار حدود ۳۳ دقیقه می‌دهد، یعنی حدود ۰٫۷۵ دلار برای هر دقیقه.
خلاصه: دوبلهٔ خودکار آماده حدود ۰٫۲ تا ۲ دلار برای هر دقیقه خرج دارد و لیپ‌سینک شما را به بالای این بازه می‌برد؛ برای یک دورهٔ ده‌ساعته، یعنی ۶۰۰ دقیقه، از حدود ۱۲۰ دلار تا بیش از هزار دلار.
کی زیرنویس انتخاب بهتری است؟
- وقتی شخصیت و صدای خود گوینده بخشی از جذابیت ویدیوست: ولاگ، مصاحبه، کمدی.
- وقتی دقت از روانی مهم‌تر است: محتوای پزشکی، حقوقی یا فنیِ پر از اصطلاح.
- وقتی چند نفر هم‌زمان حرف می‌زنند یا آواز و موسیقی محور ویدیوست.
- وقتی بودجه کم و حجم کار زیاد است: زیرنویس را می‌شود ارزان ساخت و در Subtitle Edit خط‌به‌خط اصلاح کرد.
ترکیب هم ممکن است: دوبله برای درس‌ها و زیرنویس برای مصاحبه‌های همان دوره.
جمع‌بندی: از کجا شروع کنیم؟
دوبله فارسی با هوش مصنوعی برای ویدیوی تک‌گوینده و بدون نمای نزدیک، با کمی ویرایش قابل‌انتشار است؛ برای چهرهٔ نزدیک، چند گوینده و لحن احساسی، یا خرج لیپ‌سینک و بازبینی را بدهید یا زیرنویس بگذارید. فرق نتیجهٔ خوب و بد را بیشتر متن گفتاری، فهرست تلفظ و گوش‌دادن نهایی می‌سازد، نه اسم ابزار.
قدم بعدی: دو دقیقه از ویدیوی خودتان را جدا کنید، با پرامپت اول ترجمهٔ گفتاری بسازید و یک بار در Google AI Studio و یک بار با نسخهٔ آزمایشی HeyGen یا Vozo صدا بگیرید؛ بعد هر دو را با چک‌لیست قدم هشتم بسنجید.
پرسش‌های پرتکرار
آیا می‌شود ویدیوی یوتیوب را زنده به فارسی دوبله کرد؟
بله، برای تماشای شخصی. افزونهٔ کروم AI Dubbing (ای‌آی دابینگ) صدای تب را با مدل Gemini Live Translate و کلید API خود شما، چند ثانیه بعد از گوینده، به فارسی دوبله می‌کند؛ رایگان است، سقف روزانه ندارد و ترجمه را به‌صورت زیرنویس هم زیر ویدئو نشان می‌دهد. LivDub هم همین کار را با تأخیری حدود دو ثانیه می‌کند و نسخهٔ رایگانش در کروم روزانه ۴۵ دقیقه کار می‌کند. کیفیت به نویز صدا و تعداد گوینده‌ها بستگی دارد. خود یوتیوب فعلاً ویدیوی انگلیسی را به فارسی دوبلهٔ خودکار نمی‌کند.
بهترین ابزار رایگان دوبله فارسی کدام است؟
تا شهریور ۱۴۰۵ ابزار همه‌کارهٔ رایگانی نیست که دوبلهٔ فارسی بی‌واترمارک و قابل‌انتشار بدهد؛ نسخه‌های رایگان ElevenLabs، HeyGen و Vozo برای آزمایش‌اند و واترمارک دارند. ارزان‌ترین مسیر جدی، ترجمهٔ گفتاری با یک چت‌بات، صداسازی در سطح رایگان Google AI Studio و تدوین دستی است؛ پول نمی‌خواهد، اما وقت می‌خواهد.
آیا دوبلهٔ هوش مصنوعی صدای خود گوینده را حفظ می‌کند؟
ابزارهای همه‌کاره مثل HeyGen، ElevenLabs و Vozo به‌طور پیش‌فرض صدای گوینده را شبیه‌سازی می‌کنند تا نسخهٔ فارسی با همان صدا شنیده شود. نتیجه معمولاً شبیه است، اما ممکن است ته‌لهجهٔ زبان اصلی بماند؛ Vozo برای همین دو مدل جدا دارد، یکی برای حفظ احساس و یکی برای لهجهٔ طبیعی‌تر. شبیه‌سازی صدای کسی جز خودتان فقط با اجازهٔ او درست است.
برای دوبله و انتشار ویدیوی دیگران در یوتیوب اجازه لازم است؟
بله. دوبله ترجمهٔ اثر دیگری است و در قانون حق نشر بیشتر کشورها حق ترجمه با پدیدآورنده است. با درخواست حذف صاحب اثر، یوتیوب ویدیو را برمی‌دارد و به کانال اخطار کپی‌رایت می‌دهد و سه اخطار فعال ممکن است به بسته شدن کانال برسد. اگر صدای گوینده را هم شبیه‌سازی کرده باشید، باید محتوای مصنوعی را هم اعلام کنید.
لیپ‌سینک برای ویدیوی آموزشی لازم است؟
معمولاً نه. در ضبط صفحه، اسلاید و نمای باز، مخاطب دهان گوینده را دنبال نمی‌کند و لیپ‌سینک فقط هزینه را بالا می‌برد؛ در Vozo همان پلن ۲۹ دلاری حدود ۵۰ دقیقه دوبله یا فقط ۱۵ دقیقه لیپ‌سینک می‌دهد. لیپ‌سینک را برای نمای نزدیک مدرس نگه دارید، مثل مقدمه و جمع‌بندی هر درس.
چرا صدای فارسی هوش مصنوعی بعضی کلمه‌ها را غلط می‌خواند؟
چون خط فارسی بیشتر مصوت‌ها را نمی‌نویسد و موتور گفتار باید حدس بزند «کرد» کَرد است یا کُرد. نیم‌فاصلهٔ جاافتاده، عدد مبهم، مخفف و اصطلاح انگلیسی هم خطا را بیشتر می‌کنند. راه‌حل، فهرست تلفظ است: املای آوایی برای اسم‌ها و اصطلاح‌ها، اعراب برای هم‌نویسه‌ها و نوشتن عددها با حروف، پیش از آنکه متن به موتور صداسازی برسد.
