جلسهٔ دوساعته تمام شده و صورتجلسه باید تا فردا صبح آماده باشد. فایل را به اولین سایتی می‌دهید که پیدا کرده‌اید و متنی پس می‌گیرید پر از «می‌خوام» و «اونوقت»، که در آن آقای رضوی شده «رضایی»، «دیپلوی» شده «دیپلی» و هر جا دو نفر با هم حرف زده‌اند، جمله‌ای بی‌سروته نشسته است.
تبدیل صدا به متن فارسی با هوش مصنوعی حالا چند دقیقه طول می‌کشد، اما متن قابل‌اتکا از سه قدم می‌آید: ضبط تمیز، رونویسی با ابزاری که فارسی را خوب بشناسد و ویرایش با واژه‌نامه. برای کلاس و فایل طولانی، Gemini Notebook (جمنای نوت‌بوک) و ابزارهای ایرانی مثل ویرا و ایبو ساده‌ترین شروع‌اند؛ برای زیرنویس و حجم زیاد TurboScribe (توربوسکرایب)؛ و برای جلسهٔ محرمانه Whisper (ویسپر) روی کامپیوتر خودتان، که صدا را از دستگاهتان بیرون نمی‌برد.
در ادامه: مقایسهٔ ابزارها، سنجش دقت با فایل خودتان و سه پرامپت آماده برای صورتجلسه و جزوه.
چرا تبدیل صدا به متن فارسی این‌قدر خطا دارد؟
هر جا صدا مبهم یا ناآشنا باشد، موتور تشخیص گفتار حدس می‌زند، و فارسی دلیل‌های زیادی برای حدس دارد:
- گفتار با نوشتار فرق دارد: می‌گوییم «می‌خوام بهش بگم» و می‌نویسیم «می‌خواهم به او بگویم». بعضی ابزارها شکل شکسته را می‌نویسند، بعضی رسمی‌اش می‌کنند و بعضی هر دو را قاطی.
- واژهٔ انگلیسی وسط جمله: وقتی کسی می‌گوید «دیپلوی کردیم»، ابزار ممکن است deploy بنویسد، «دیپلوی» یا کلمه‌ای بی‌معنا.
- لهجه: سازندگان Whisper در کارت مدل نوشته‌اند دقت در لهجه‌های مختلف یک زبان یکسان نیست.
- حرف زدن هم‌زمان، نویز و اکو: ابزار معمولاً یکی از دو صدا را جا می‌اندازد و جای هجاهایی را که نویز پوشانده با حدس پر می‌کند.
- نیم‌فاصله و عدد: یک فعل گاهی با نیم‌فاصله می‌آید و گاهی بی‌آن، و «۱۴۰۵» گاهی با رقم لاتین یا به حروف؛ معنا درست است، اما متن نامرتب می‌شود.
- اسم خاص و اصطلاح تخصصی: ماشین اسم همکار شما را نشنیده و آن را به نزدیک‌ترین کلمهٔ آشنا تبدیل می‌کند.
ریشهٔ عمیق‌تر کمبود داده است. در دادهٔ آموزشی نسخهٔ اول Whisper (مقالهٔ ۲۰۲۲) فقط حدود ۲۴ ساعت گفتار فارسی همراه با متن فارسی بود، در برابر بیش از ۱۱ هزار ساعت اسپانیایی. در همان مقاله، خطای کلمهٔ مدل large-v2 روی آزمون FLEURS برای فارسی ۳۲٫۹ درصد است و برای انگلیسی ۴٫۲ درصد. کارت مدل هم هشدار می‌دهد که «توهم»، یعنی نوشتن جمله‌ای که گفته نشده، در زبان‌های کم‌داده احتمالاً بیشتر است.
کدام ابزار تبدیل صدا به متن فارسی به کار شما می‌آید؟
معیار انتخاب سه چیز است: محرمانه بودن فایل، روش پرداخت و نوع خروجی.
آفلاین: رایگان و خصوصی، کمی فنی
Whisper، مدل متن‌باز OpenAI، روی کامپیوتر خودتان رایگان اجرا می‌شود؛ فایل جایی نمی‌رود و قطعی اینترنت کار را متوقف نمی‌کند. هزینه‌اش سخت‌افزار است: طبق صفحهٔ رسمی پروژه، مدل large حدود ۱۰ گیگابایت حافظهٔ کارت گرافیک می‌خواهد و turbo، نسخهٔ سریع‌تر large-v3 با دقتی کمی پایین‌تر، حدود ۶ گیگابایت.
بدون خط فرمان هم می‌شود: Subtitle Edit (ساب‌تایتل ادیت)، برنامهٔ رایگان ویندوز، مک و لینوکس، در منوی Video گزینهٔ Speech to text را با چند موتور Whisper دارد. موتور Whisper CPP بدون کارت گرافیک هم کار می‌کند، کندتر، و مدل‌ها بار اول خودکار دانلود می‌شوند. زبان را دستی فارسی بگذارید؛ وگرنه Whisper آن را از ۳۰ ثانیهٔ اول فایل حدس می‌زند. تشخیص گوینده هم ندارد.
Vosk (وسک) سبک‌تر است و روی پردازندهٔ معمولی و حتی گوشی اجرا می‌شود (مدل کوچک فارسی ۵۳ مگابایت، مدل بزرگ ۱٫۶ گیگابایت)، اما بیشتر کتابخانه‌ای برای برنامه‌نویس‌هاست تا برنامه‌ای آماده.
سرویس‌های خارجی: سریع، با کارت بین‌المللی
نصب نمی‌خواهند و فایل یک‌ساعته را در چند دقیقه پس می‌دهند و پرداختشان با کارت بین‌المللی است. قیمت‌ها مربوط به شهریور ۱۴۰۵ است.
- TurboScribe: دقیق‌ترین حالتش Whisper large-v2 است و فارسی را جزو زبان‌های «دقت بالا» آورده. رایگان: روزی سه فایل تا ۳۰ دقیقه؛ نامحدود: حدود ۱۰ دلار در ماه با پرداخت سالانه. تشخیص گوینده و خروجی SRT و Word دارد.
- Good Tape (گودتیپ): تیمی دانمارکی آن را برای روزنامه‌نگارها و پژوهشگرها ساخته. یک ساعت آزمایش رایگان بدون کارت دارد؛ Pro با پرداخت سالانه حدود ۱۶ یورو در ماه است، با ۲۰ ساعت رونویسی و برچسب گوینده.
- Speechmatics (اسپیچ‌ماتیکس): موتوری برای برنامه‌نویس‌ها که فارسی را در فایل و پخش زنده پشتیبانی می‌کند؛ ۱۰۰ دلار اعتبار اولیه دارد و هر ساعت صوت حدود ۰٫۲۴ تا ۰٫۴۰ دلار است.
- ElevenLabs (الون‌لبز): موتور Scribe v2 تا ۳۲ گوینده را جدا می‌کند و فهرست اسم‌ها و اصطلاح‌های کلیدی را می‌پذیرد. خود شرکت خطای فارسی را ۵ تا ۱۰ درصد اعلام کرده، بی‌آنکه دادهٔ سنجش را بگوید. سهمیهٔ رایگانش کم است و هر ساعت از طریق API حدود ۰٫۲۲ دلار.
- Google AI Studio (گوگل ای‌آی استودیو): فایل را بارگذاری می‌کنید و از Gemini (جمنای) متن کلمه‌به‌کلمه با اسم گوینده و زمان می‌خواهید؛ تا ۹٫۵ ساعت صدا در یک درخواست. اما Gemini مدل زبانی است، نه موتور رونویسی، و ممکن است جمله‌ای را خلاصه کند یا جا بیندازد.
- Gemini Notebook (NotebookLM سابق): صدای کلاس را منبع دفترچه می‌کنید و هنگام بارگذاری به متن تبدیل می‌شود (فارسی پشتیبانی می‌شود، هر فایل تا ۲۰۰ مگابایت)؛ بعد جزوه و سؤال امتحانی می‌خواهید. زیرنویس زمان‌بندی‌شده نمی‌دهد؛ جزئیات در راهنمای تبدیل جزوهٔ PDF به پادکست و آزمون.
ایرانی: با پرداخت ریالی
بعضی سرویس‌های ایرانی فقط «متن به گفتار» دارند؛ این چهار مورد واقعاً گفتار را به متن تبدیل می‌کنند:
- ویرا: سرویس «آوانگار» آن ویس و فایل صوتی را به متن فارسی تبدیل می‌کند و به گفتهٔ سازنده محاوره و لهجه‌ها را می‌شناسد. نسخهٔ پایه رایگان است، اپ اندروید و نسخهٔ وب دارد و سرورهایش در ایران است.
- ایبو: صوت و ویدئو را به متن تبدیل می‌کند و دقیقهٔ اول هر فایل رایگان است. بسته‌ها دقیقه‌ای‌اند (هنگام نوشتن این مطلب، ۱۲۰ دقیقه ۳۹ هزار تومان) و تایپ انسانی هم سفارش می‌گیرد.
- نوا هوشمند شریف: پلتفرمی متمرکز بر فارسی و لهجه‌ها که تشخیص گوینده و محصولی برای صورتجلسه دارد؛ ۱۴ روز آزمایش رایگان بدون کارت بانکی می‌دهد و تعرفه‌اش سازمانی است.
- کپشنو (Captiono): اپ زیرنویس خودکار ویدئو با خروجی SRT و چهار ویدئوی رایگان آزمایشی.
مقایسهٔ سریع
| ابزار و کاربرد | فارسی، طبق منبع | رایگان | تشخیص گوینده | حریم خصوصی |
|---|---|---|---|---|
| Whisper جلسهٔ محرمانه | مقاله: ۳۲٫۹٪ خطا روی FLEURS (large-v2) | نامحدود | ندارد | آفلاین |
| Vosk برنامه‌نویس، سیستم ضعیف | ادعای سازنده: ۱۱٫۱٪ روی FLEURS | نامحدود | ندارد | آفلاین |
| TurboScribe حجم زیاد، SRT | پایهٔ Whisper large-v2؛ ردهٔ «دقت بالا» | روزی ۳ فایل ۳۰ دقیقه‌ای | دارد | رمزنگاری، قابل حذف |
| Good Tape مصاحبهٔ حساس | پشتیبانی می‌شود؛ بدون عدد | ۱ ساعت | دارد | سرور اروپا، بدون آموزش مدل |
| Speechmatics API سازمانی | فایل و پخش زنده | ۱۰۰ دلار اعتبار | دارد | حذف پس از ۷ روز |
| ElevenLabs جلسهٔ پرجمعیت | ادعای شرکت: ۵ تا ۱۰٪ خطا | کم | تا ۳۲ نفر | ابری |
| Google AI Studio رونویسی و خلاصه با هم | بدون عدد رسمی | سطح رایگان | با درخواست در پرامپت | سطح رایگان: بازبینی انسانی ممکن |
| Gemini Notebook کلاس و جزوه | فارسی در زبان‌های صوتی | تا ۵۰ منبع | اعلام نشده | بدون آموزش مستقیم مدل |
| ویرا شروع رایگان | ادعا: محاوره و لهجه | نسخهٔ پایه | اعلام نشده | سرور ایرانی |
| ایبو پرداخت دقیقه‌ای | بدون عدد مستقل | ۱ دقیقه از هر فایل | اعلام نشده | سرویس ایرانی |
| نوا هوشمند شریف صورتجلسهٔ سازمانی | تمرکز بر فارسی و لهجه | ۱۴ روز | دارد | نسخهٔ سازمانی روی زیرساخت خودتان |
| کپشنو زیرنویس ویدئوی کوتاه | ادعای پشتیبانی لهجه | ۴ ویدئو | اعلام نشده | آنلاین |
دقت تبدیل گفتار به متن را چطور خودتان بسنجید؟
معیار استاندارد نرخ خطای کلمه (WER) است: کلمه‌های عوض‌شده (S)، جاافتاده (D) و اضافه‌شده (I) را جمع می‌زنید و بر تعداد کلمه‌های متن درست (N) تقسیم می‌کنید: WER = (S + D + I) / N. در متنی ۲۰۰ کلمه‌ای، ۱۰ جایگزینی، ۴ جاافتاده و ۲ اضافه یعنی ۱۶ خطا، یا ۸ درصد.
عددهای منتشرشده را با احتیاط بخوانید؛ ادعایی مثل «۹۹٫۸ درصد دقت» روی صفحهٔ اول یک سرویس نمی‌گوید روی چه زبان و صدایی سنجیده شده. ۳۲٫۹ درصد مقالهٔ Whisper و ۱۱٫۱ درصدی که سازندهٔ Vosk بدون شرح روش برای مدل بزرگ فارسی‌اش روی همان FLEURS گزارش کرده، مستقیم قابل مقایسه نیستند (نمودار مخزن Whisper برای large-v3 حدود ۲۹ درصد نشان می‌دهد). این آزمون‌ها بیشتر جمله‌هایی‌اند که از روی متن خوانده شده‌اند، نه جلسه‌ای که در آن حرف هم را قطع می‌کنند.
آزمون ده‌دقیقه‌ای با فایل خودتان
- تکه‌ای ۲ تا ۳ دقیقه‌ای انتخاب کنید که نمونهٔ واقعی کارتان باشد: با یک اسم خاص، یک عدد، یک اصطلاح انگلیسی و کمی حرف زدن هم‌زمان.
- متن درست را خودتان کلمه‌به‌کلمه بنویسید. اگر خروجی یکی از ابزارها را اصلاح می‌کنید، دقیق گوش بدهید تا همان ابزار ناعادلانه برنده نشود.
- همان تکه را به دو یا سه ابزار بدهید و زبان را صریحاً فارسی بگذارید.
- یکدست کنید: علائم نگارشی را حذف کنید، ی و ک عربی را فارسی کنید و نیم‌فاصله و عددها را یک شکل کنید تا اختلاف املایی خطا حساب نشود.
- بشمارید: جایگزین، جاافتاده و اضافه را علامت بزنید، یا با کتابخانهٔ پایتونی jiwer حساب کنید.
- خطاهای مهم را جدا بشمارید: اسم، عدد و فعل منفی. ابزاری که «می‌شود» را «نمی‌شود» نوشته، با خطای کلی کمتر هم ممکن است بدتر باشد.
# pip install jiwer
import jiwer
ref = open('ref.txt', encoding='utf-8').read() # reference transcript
hyp = open('hyp.txt', encoding='utf-8').read() # tool output
print(round(jiwer.wer(ref, hyp) * 100, 1)) # WER in percent
نمونه: متن درست «فردا ساعت ده با آقای رضوی جلسه داریم» است و ابزار نوشته «فردا ساعت ۱۰ با آقای رضایی جلسه داریم». بدون یکدست‌سازی دو خطا در هشت کلمه، یعنی ۲۵ درصد؛ با یکدست کردن عدد، ۱۲٫۵ درصد. اما همان یک خطا اسم است، دقیقاً چیزی که در صورتجلسه نباید غلط باشد.
از ضبط تا صورتجلسه: گردش کار در هشت قدم
- درست ضبط کنید. گوشی را روی یک دستمال، وسط میز و نزدیک کسانی بگذارید که بیشتر حرف می‌زنند، و حالت هواپیما را روشن کنید. کولر و پنکهٔ نزدیک را خاموش کنید؛ اتاق کوچک با فرش و پرده از سالن خالی اکوی کمتری دارد. در مصاحبه و میزگرد، میکروفون یقه‌ای جدا برای هر نفر تشخیص گوینده را بسیار ساده‌تر می‌کند. فرمت فایل مهم نیست، چون Whisper صدا را به ۱۶ کیلوهرتز تبدیل می‌کند و Gemini هم آن را فشرده و تک‌کاناله می‌کند؛ فاصلهٔ میکروفون تا دهان مهم است.
- اگر لازم است، صدا را تمیز کنید. Enhance Speech در Adobe Podcast (ادوبی پادکست) نویز و اکو را با یک کلیک می‌گیرد، به زبان وابسته نیست و رایگان روزی یک ساعت (هر فایل تا ۳۰ دقیقه) کار می‌کند. Auphonic (آفونیک) ماهی دو ساعت رایگان دارد، با جینگل آفونیک روی خروجی. تمیزکاری همیشه کمک نمی‌کند؛ خود TurboScribe بازسازی صدا را فقط به‌عنوان آخرین راه توصیه می‌کند.
- رونویسی کنید. زبان را دستی فارسی بگذارید، فایل خیلی طولانی را اگر لازم شد تکه کنید و دو خروجی بگیرید: متن ساده برای ویرایش و SRT اگر زمان‌بندی می‌خواهید.
- گوینده‌ها را برچسب بزنید. «گوینده ۱» و «گوینده ۲» را با گوش دادن به چند خط اول و با جست‌وجو و جایگزینی به اسم واقعی تبدیل کنید. از مدل زبانی نخواهید گوینده‌ها را حدس بزند؛ حدسش از روی محتواست.
- با واژه‌نامه اصلاح کنید. اسم حاضران، نام محصول‌ها و اصطلاح‌های انگلیسی را با املای درست فهرست کنید و متن را همراه آن به ChatGPT (چت جی پی تی)، Claude (کلود) یا Gemini بدهید (پرامپت ۱)، هر بار متن ۱۵ تا ۲۰ دقیقه. بعد فقط جاهای علامت‌خورده با [؟] را با صدا چک کنید.
- محاوره را رسمی کنید و اصل را نگه دارید. نسخهٔ کلمه‌به‌کلمه مرجع اختلاف‌های بعدی است. نمونه:
قبل: «اگه تا آخر هفته سرور رو نگیریم، لانچ می‌افته واسه ماه بعد. علی، تو پیگیری می‌کنی دیگه؟ — آره، تا چهارشنبه.»
بعد: «مقرر شد سرور تا پایان هفته تهیه شود؛ در غیر این صورت راه‌اندازی به ماه آینده موکول می‌شود. پیگیری: علی، تا چهارشنبه.» - تصمیم‌ها و کارها را بیرون بکشید. صورتجلسهٔ خوب می‌گوید چه تصمیمی گرفته شد، چه کسی چه کاری را تا کی انجام می‌دهد و چه چیزی باز ماند (پرامپت ۲). اگر این کار هفتگی است، خودکارش کنید؛ نمونه در مطلب خودکارسازی کارهای تکراری هفته.
- برای ویدئو، SRT بسازید. زیرنویس را از TurboScribe یا Whisper بگیرید و در Subtitle Edit مرتب کنید. اگر SRT را به مدل زبانی می‌دهید، بخواهید شماره و زمان هیچ خطی عوض نشود.
نمی‌دانید از کدام ابزار شروع کنید؟ در هوش یاب بنویسید: «از فایل صوتی جلسه صورتجلسه بساز» تا ابزارهای مناسب و نقشهٔ راه قدم‌به‌قدم را بگیرید؛ با حساب رایگان، پرامپت هر مرحله را هم می‌بینید.
سه پرامپت آماده برای اصلاح متن، صورتجلسه و جزوه
این پرامپت‌ها در هر مدل زبانی فارسی‌دان کار می‌کنند؛ بخش‌های داخل کروشه را پر کنید.
۱. اصلاح متن با واژه‌نامه، بدون تغییر معنا
تو ویراستار متن پیاده‌شده از صوت هستی. متن زیر خروجی خودکار یک جلسهٔ فارسی است. فقط این کارها را بکن:
۱. اسم‌ها و اصطلاح‌ها را دقیقاً مطابق واژه‌نامه بنویس.
۲. نیم‌فاصله، علائم نگارشی و املا را درست کن و عددها را با رقم فارسی بنویس.
۳. هیچ جمله‌ای را حذف، خلاصه یا جابه‌جا نکن و لحن محاوره را رسمی نکن.
۴. هر جا مطمئن نیستی، حدس نزن: [؟] بگذار و پیشنهادت را داخل کروشه بنویس.
۵. در پایان، تغییرهایی را که به واژه‌نامه ربطی نداشت فهرست کن.
واژه‌نامه: [مثلاً: رضوی (نه رضایی)؛ دیپلوی؛ CRM]
متن: [هر بار حداکثر ۱۵ تا ۲۰ دقیقه]
واژه‌نامه را برای جلسه‌های بعدی نگه دارید. برای فایل SRT اضافه کنید: «شماره و زمان خط‌ها را تغییر نده».
۲. از متن جلسه تا صورتجلسهٔ رسمی
متن زیر پیاده‌شدهٔ جلسهٔ [موضوع] در تاریخ [تاریخ] با حضور [نام و سمت حاضران] است. یک صورتجلسهٔ رسمی به فارسی معیار بنویس، با این بخش‌ها:
۱. مشخصات جلسه
۲. خلاصهٔ بحث‌ها، برای هر موضوع یک بند
۳. تصمیم‌ها: فقط آنچه صریحاً تصویب شد
۴. جدول کارها با ستون‌های «کار»، «مسئول» و «مهلت»
۵. موارد باز
چیزی را که در متن نیست اضافه نکن؛ اگر مسئول یا مهلتی گفته نشده، بنویس «تعیین نشده». لحن را رسمی کن، اما معنا، عددها و اسم‌ها را تغییر نده.
متن: [متن اصلاح‌شده با پرامپت ۱]
عنوان بخش‌ها را با قالب صورتجلسهٔ سازمانتان هماهنگ کنید.
۳. از صدای کلاس تا جزوهٔ مرتب
متن زیر پیاده‌شدهٔ جلسهٔ [شماره] درس [نام درس] است و متن اسلایدهای همان جلسه را بعد از آن گذاشته‌ام. از این دو، جزوهٔ مطالعه بساز:
۱. سرفصل‌ها به ترتیب تدریس، با تیتر و زیرتیتر
۲. تعریف‌ها، فرمول‌ها و مثال‌های استاد، به نثر نوشتاری ساده
۳. هر جا استاد گفت مهم است یا در امتحان می‌آید، با ★ علامت بزن
۴. واژه‌نامهٔ اصطلاح‌ها با معادل انگلیسی
۵. پنج سؤال مروری با جواب کوتاه
جایی که صدا نامفهوم است از اسلاید کمک بگیر؛ اگر باز معلوم نبود، بنویس [نامفهوم] و چیزی از خودت اضافه نکن.
متن کلاس: [...]
متن اسلایدها: [...]
اسلایدها واژه‌نامهٔ آماده‌اند. در Gemini Notebook می‌توانید صدای کلاس و PDF اسلایدها را دو منبع یک دفترچه کنید و همین پرامپت را بنویسید.
فایل صوتی جلسه کجا می‌رود؟ حریم خصوصی و ضبط‌های حساس
در سرویس آنلاین، صدای جلسه روی سرور دیگری می‌رود، با سیاست‌های متفاوت:
- Good Tape: پردازش فقط روی سرورهای اروپاست، فایل صوتی به‌طور پیش‌فرض پس از ساخت متن پاک می‌شود و برای آموزش هوش مصنوعی به کار نمی‌رود.
- Speechmatics: فایل‌ها حداکثر ۷ روز می‌مانند و فقط با رضایت خودتان برای بهبود مدل استفاده می‌شوند.
- Google AI Studio: در سطح رایگان، ورودی و خروجی برای بهبود محصولات گوگل به کار می‌رود و ممکن است بازبین انسانی آن را بخواند؛ خود گوگل می‌گوید اطلاعات محرمانه را آنجا وارد نکنید.
- Gemini Notebook: محتوای شما مستقیماً برای آموزش مدل‌های پایه استفاده نمی‌شود، مگر اینکه بازخورد بفرستید.
«سرور ایرانی» هم یعنی داده از کشور خارج نمی‌شود، نه اینکه کسی جز شما به آن دسترسی ندارد؛ شرایط استفادهٔ سرویس‌های ایرانی را هم بخوانید.
کی آفلاین بمانید؟ جلسهٔ هیئت‌مدیره، جلسهٔ منابع انسانی، مشاورهٔ پزشکی یا حقوقی و مصاحبه با منبعی که قول ناشناس‌ماندن گرفته را با Whisper روی کامپیوتر خودتان پیاده کنید و پیش از دادن متن به چت‌بات، اسم‌ها و عددهای حساس را با برچسب‌هایی مثل [نفر الف] عوض کنید. و همیشه به حاضران بگویید جلسه ضبط می‌شود.
تماس تلفنی، جلسهٔ آنلاین و مصاحبهٔ لهجه‌دار
تماس تلفنی
صدای تلفن پهنای باند محدودی دارد و خطا در آن بیشتر است. با اجازهٔ طرف مقابل ضبط کنید و ضبط مستقیم تماس را به ضبط از بلندگو ترجیح دهید.
Zoom، Google Meet و اسکای‌روم
ضبط را از خود پلتفرم بگیرید، نه با گوشی کنار بلندگو. در Zoom ضبط روی کامپیوتر باید در تنظیمات حساب فعال باشد؛ در Google Meet ضبط فقط در بعضی پلن‌های پولی است و فایل به گوگل‌درایو برگزارکننده می‌رود؛ در اسکای‌روم، برگزارکننده ضبط محلی دارد (هر ۳۰ دقیقه یک فایل در پوشهٔ دانلودها) یا ضبط ابری در پنل مدیریت. بیشتر ابزارهای این مطلب MP4 را مستقیم می‌پذیرند.
مصاحبه با لهجه یا گویش
فارسی با لهجهٔ اصفهانی یا مشهدی را ابزارها کم‌وبیش می‌فهمند، با خطای بیشتر. اما فهرست صدزبانهٔ Whisper کردی، گیلکی، مازندرانی و لری را ندارد و گفتار این زبان‌ها را ناچار با یکی از زبان‌های فهرستش می‌نویسد. ElevenLabs کردی را در ردهٔ دقت «میانه» آورده و ویرا، نوا و کپشنو از پشتیبانی لهجه حرف می‌زنند؛ بسنجیدشان. در پژوهشی که هر کلمه‌اش مهم است، پیش‌نویس ماشینی را به یک گویشور بومی بسپارید.
جمع‌بندی: متن دقیق از ضبط خوب شروع می‌شود
هیچ ابزاری صدای بد را به متن خوب تبدیل نمی‌کند یا اسم همکار شما را از قبل نمی‌داند. میکروفون را نزدیک ببرید، زبان را فارسی بگذارید، با واژه‌نامه اصلاح کنید و نسخهٔ کلمه‌به‌کلمه را نگه دارید. ابزار را با محرمانه بودن فایل و روش پرداختی که دارید انتخاب کنید، اما داور آخر، آزمون سه‌دقیقه‌ای با فایل خودتان است.
قدم بعدی: در هوش یاب بنویسید «صدای ضبط‌شدهٔ کلاس را به جزوه تبدیل کن» تا نقشهٔ راهش را با ابزار و پرامپت هر مرحله بگیرید.
پرسش‌های پرتکرار
بهترین برنامهٔ رایگان تبدیل صدا به متن فارسی کدام است؟
به کارتان بستگی دارد. Whisper رایگان و آفلاین است و با Subtitle Edit بدون خط فرمان هم اجرا می‌شود، اگر کامپیوترتان توانش را دارد. برای شروع آنلاین، TurboScribe روزی سه فایل ۳۰ دقیقه‌ای را رایگان رونویسی می‌کند و نسخهٔ پایهٔ ویرا رایگان است. گزینهٔ بهتر را آزمون با تکه‌ای از فایل خودتان معلوم می‌کند.
ویس تلگرام یا واتس‌اپ را چطور به متن تبدیل کنم؟
پیام صوتی را از گفت‌وگو ذخیره کنید؛ معمولاً فایلی با پسوند OGG یا OPUS است. TurboScribe هر دو را می‌پذیرد، ایبو OGG را قبول می‌کند و در اپ ویرا هم می‌توانید فایل را بارگذاری یا همان‌جا ضبط کنید. ویس حساس را با Whisper روی کامپیوتر خودتان پیاده کنید.
آیا تبدیل گفتار به متن فارسی بدون اینترنت ممکن است؟
بله. Whisper و Vosk کاملاً روی دستگاه خودتان اجرا می‌شوند و اینترنت فقط برای دانلود اولیهٔ برنامه و مدل لازم است. ساده‌ترین راه برای کاربر غیرفنی، گزینهٔ Speech to text در منوی Video برنامهٔ Subtitle Edit است. مدل بزرگ Whisper با کارت گرافیک قوی سریع است و روی پردازندهٔ معمولی کند؛ Vosk روی سیستم ضعیف هم کار می‌کند.
چرا متن خروجی پر از کلمه‌های شکسته است و چطور رسمی‌اش کنم؟
ابزار همان را می‌نویسد که می‌شنود و ما شکسته حرف می‌زنیم؛ «می‌خوام» خطا نیست، اما به صورتجلسه نمی‌خورد. اول اسم‌ها را با واژه‌نامه اصلاح کنید، بعد از یک مدل زبانی بخواهید متن را بدون حذف یا افزودن مطلب به فارسی معیار برگرداند. نسخهٔ کلمه‌به‌کلمه را نگه دارید تا اگر رسمی‌سازی معنایی را عوض کرد، مرجع داشته باشید.
دقت تبدیل صدا به متن فارسی چقدر است؟
عدد ثابتی ندارد. در مقالهٔ Whisper، خطای کلمهٔ مدل large-v2 روی جمله‌های خوانده‌شدهٔ فارسی ۳۲٫۹ درصد بود و برای انگلیسی ۴٫۲ درصد. شرکت‌ها برای موتورهای تازه‌تر عددهای بهتری اعلام می‌کنند، اما معمولاً نمی‌گویند روی چه صدایی سنجیده‌اند، و جلسهٔ واقعی با نویز و هم‌صحبتی سخت‌تر است. عدد قابل‌اتکا را خودتان روی تکه‌ای از فایلتان بگیرید.
منابع
- مقالهٔ Whisper: خطای کلمه و دادهٔ آموزشی به تفکیک زبان
- مخزن رسمی Whisper و کارت مدل
- مدل‌های Vosk و خطای گزارش‌شدهٔ فارسی
- راهنمای Speech to text در Subtitle Edit
- مستندات تبدیل گفتار به متن ElevenLabs
- پرسش‌های متداول Good Tape دربارهٔ نگهداری فایل
- قیمت و سیاست دادهٔ Speechmatics
- شرایط استفادهٔ Gemini API و Google AI Studio
