متن درس، مقاله یا معرفی محصولتان آماده است و فقط گوینده کم دارید؛ آن را در یک سایت تبدیل متن به صدا فارسی می‌چسبانید و صدایی می‌گیرید که مثلاً «۱۴۰۵» را رقم‌به‌رقم می‌خواند، «کُشتی» را «کِشتی» می‌گوید و سؤال را خبری تمام می‌کند؛ مثل خارجی‌ای که فارسی یاد گرفته. این راهنما می‌گوید برای نریشن، پادکست، کتاب صوتی و تیزر محصول کدام ابزار را بردارید و متن را چطور بنویسید که صدا فارسی‌زبان به گوش برسد.
جواب کوتاه: انتخاب هوش یاب برای تبدیل متن به گفتار فارسی اول Google AI Studio (گوگل ای‌آی استودیو) است: مدل Gemini 3.8 Flash TTS «فارسی ایران» دارد، دو گوینده را در یک فایل می‌سازد و استفادهٔ رایگان دارد. بعد ElevenLabs (الون‌لبز) است، اگر اشتراک پولی دارید و کلون صدا می‌خواهید. سرویس‌های ریالی و ابزارهای آفلاین هم گزینه‌اند. و ابزار هرچه باشد، طبیعی بودن صدا تا حد زیادی به متنی برمی‌گردد که به آن می‌دهید.
تبدیل متن به صدا فارسی: برای هر کار کدام ابزار؟
جدول بر پایهٔ صفحه‌های رسمی ابزارها و کاتالوگ هوش یاب تا مهر ۱۴۰۵ است؛ «نویسه» یعنی کاراکتر.
| کار | ابزار | فارسی | رایگان | استفادهٔ تجاری |
|---|---|---|---|---|
| نریشن ویدئو و دوره | Google AI Studio | فارسی ایران | بله | گوگل ادعای مالکیت خروجی ندارد |
| پادکست دونفره از متن خودتان | AI Studio، حالت دوگوینده | بله | بله | مثل ردیف بالا |
| تیزر محصول و نریشن حرفه‌ای | ElevenLabs | در Eleven v3 و v4 | حدود ۱۰ دقیقه در ماه، غیرتجاری | از پلن ماهی ۶ دلار |
| گویندهٔ فارسی با پرداخت ریالی | نوا هوشمند شریف | بومی | ۱۴ روز؛ بعد ۸۵ تومان هر ۳۰ کلمه | بپرسید |
| صدای خاص یا صدای خودتان، ریالی | ماینا | بله | آزمایش رایگان | حق صدا با شماست |
| کار فوری، بی‌ثبت‌نام | TTSMaker (تی‌تی‌اس میکر) | زهرا و رضا | ۲۰ هزار نویسه در هفته | آزاد |
| کتاب صوتی بدون اینترنت | Piper (پایپر) | پنج صدا | بله | مجوز هر صدا جداست |
| صدای خودتان روی کامپیوتر خودتان | VoiceStudio (ویس‌استودیو) | بله | بله | مدل پیش‌فرض غیرتجاری |
- دوبله کار دیگری است: روال فارسی کردن ویدئوی انگلیسی در راهنمای دوبله فارسی با هوش مصنوعی آمده و کار برعکس، صدا به متن، در راهنمای تبدیل گفتار فارسی به متن.
- اپ‌های «برایم بخوان»: طبق کاتالوگ هوش یاب، ElevenReader فارسی ندارد و Speechify فارسی را ضعیف می‌خواند.
- برنامه‌نویس‌ها: لیارا و AvalAI مدل‌های گفتار Gemini و OpenAI را با API و پرداخت ریالی می‌دهند؛ در API گفتار AvalAI مدل‌های ElevenLabs، مثل Eleven v3، هم هست.
همین حالا: ردیف کارتان را پیدا کنید و پیش از هر خرید، پاراگراف آزمون بخش بعد را در دو سه ابزار امتحان کنید.
چرا صدای فارسی «خارجی» درمی‌آید؟ متن را خواندنی کنید
موتور گفتار متن را همان‌طور که نوشته شده می‌خواند و خط فارسی دام‌هایی دارد که در انگلیسی نیست: مصوت کوتاه و کسرهٔ اضافه نوشته نمی‌شوند و عدد چند جور خوانده می‌شود. درمان‌ها:
- عدد، تاریخ و پول را با حروف بنویسید: «۱۴۰۵/۷/۱۹» ← «نوزدهم مهر هزار و چهارصد و پنج»، «۱۶:۳۰» ← «چهار و نیم بعدازظهر»، «۱۵٪» ← «پانزده درصد». «۲/۵ میلیون» از همه مبهم‌تر است: دو و نیم یا دو پنجم؟ راهنمای ElevenLabs هم می‌گوید عدد، پول، تاریخ و مخفف را پیش از ساخت صدا به کلمه تبدیل کنید.
- مخفف و نماد را باز کنید: «ص ۴۵» ← «صفحهٔ چهل و پنج»، «PDF» ← «پی‌دی‌اف».
- کلمهٔ انگلیسی را فارسی بنویسید: مدل‌های گفتار Gemini زبان متن را خودشان تشخیص می‌دهند و کلمهٔ لاتینِ وسط جملهٔ فارسی ممکن است با لهجهٔ دیگری خوانده شود. «Excel» را «اکسل» بنویسید و اگر برندی باید انگلیسی شنیده شود، هر دو شکل را امتحان کنید.
- کسرهٔ اضافه فقط جایی که موتور می‌لغزد: اگر در «کتاب درسی ریاضی پایه دوم» مکث بی‌جا شنیدید، همان‌جا اعراب بگذارید: «کتابِ درسیِ ریاضیِ پایهٔ دوم».
- هم‌نویسه را روشن کنید: «کشتی» هم کُشتی است هم کِشتی، «مهر» هم ماه است هم مُهر. فقط کلمه‌ای را که غلط خوانده شد اعراب بگذارید و اگر جواب نداد، بنویسید «مسابقهٔ کُشتی».
- نیم‌فاصله را درست بزنید: «می خواهم» با فاصلهٔ کامل ممکن است دو تکه خوانده شود.
- مکث را با نشانه بسازید: ویرگول مکث کوتاه است و نقطه مکث کامل. جملهٔ بلندتر از حدود بیست کلمه را بشکنید و سؤال بله‌وخیر («حل کردید؟») را حتماً با علامت سؤال تمام کنید. نشانهٔ <short pause> هم در Gemini 3.8 Flash TTS مکث کوتاه می‌سازد.
پرامپت آماده: متن خواندنی بسازید
این پرامپت را در هر چت‌باتی، مثلاً ChatGPT یا Gemini، بچسبانید:
تو ویراستار متن برای گویندگی هستی. متن زیر را برای موتور تبدیل متن به صدا به «متن خواندنی» تبدیل کن، بی‌آنکه معنا یا لحنش عوض شود:
۱. عدد، تاریخ، ساعت، درصد و مبلغ را همان‌طور که گفته می‌شود با حروف بنویس.
۲. مخفف‌ها و نمادها را کامل کن و کلمه‌های انگلیسی را با املای فارسیِ تلفظ رایجشان بنویس.
۳. جمله‌های بلندتر از بیست کلمه را بشکن و مکث‌ها را با ویرگول و نقطه نشان بده.
۴. نیم‌فاصله‌ها را درست کن و پرسش‌ها را با «؟» تمام کن.
۵. فقط روی هم‌نویسه‌ها و زنجیره‌های اضافهٔ طولانی اعراب بگذار.
۶. لحن [رسمی و گرم] بماند و چیزی اضافه یا حذف نشود.
خروجی: متن خواندنی، بعد جدولی با ستون‌های «شکل اصلی»، «شکل خواندنی» و «دلیل».
متن: [متن شما]
جدول تغییرها را نگه دارید تا در قسمت‌های بعد یک اسم دو جور خوانده نشود.
پاراگراف آزمون: صداها را خودتان مقایسه کنید
این پاراگراف نیم‌دقیقه‌ای همهٔ دام‌های بالا را دارد و عمداً همان‌طور نوشته شده که بیشتر ما تایپ می‌کنیم:
سلام! من مریم هستم و این یک آزمون کوتاه صداست. جلسه بعدی کلاس یکشنبه ۱۹ مهر ۱۴۰۵ ساعت ۱۶:۳۰ برگزار می‌شود. شهریه دوره ۲/۵ میلیون تومان است و تا آخر هفته ۱۵٪ تخفیف دارد. جزوه‌ها را در Google Drive گذاشته‌ام و تمرین‌ها را با Excel حل می‌کنیم. کتاب درسی ریاضی پایه دوم دبیرستان را هم بیاورید. موضوع جلسه کشتی است؛ نه ورزش کشتی، بلکه کشتی‌های باری که از بندرعباس راه می‌افتند. راستی، تمرین‌های هفته قبل را حل کردید؟
با هر صدا به این شش سؤال بله یا نه بدهید:
- تاریخ و ساعت طبیعی خوانده شد؟
- «۲/۵ میلیون» دو و نیم میلیون شد و «۱۵٪» پانزده درصد؟
- Google Drive و Excel مثل یک فارسی‌زبان گفته شد؟
- «کتاب درسی ریاضی پایه دوم» یک‌نفس و با کسره خوانده شد؟
- کُشتی و کِشتی از هم جدا شدند؟
- جملهٔ آخر سؤالی تمام شد؟
اول نسخهٔ خام را بدهید، بعد خروجی پرامپت بالا را. نوا مثلاً می‌گوید عدد، تاریخ، سرواژه و کلمهٔ دخیل را خودکار درست تلفظ می‌کند؛ نسخهٔ خام همین را می‌سنجد. هر سؤالی که فقط بار دوم درست شد، یعنی با آن ابزار باید متن را ویرایش کنید.
همین حالا: پاراگراف را در دو ابزار بچسبانید و صدایی را نگه دارید که هم امتیاز بیشتری گرفت و هم گوشتان را خسته نمی‌کند.
تبدیل متن به گفتار فارسی در Google AI Studio، قدم‌به‌قدم
AI Studio محیط آزمایش Gemini برای برنامه‌نویس‌هاست، اما ساخت گفتار در آن ساده است. حساب گوگل و سن دست‌کم ۱۸ سال لازم است. در سطح رایگان، گوگل ورودی و خروجی را برای بهبود محصولاتش به کار می‌برد و بازبین انسانی ممکن است آن‌ها را بخواند؛ متن محرمانه نچسبانید. سقف درخواست‌های رایگان را صفحهٔ Rate limit خود AI Studio نشان می‌دهد.
- صفحهٔ ساخت گفتار را باز کنید: aistudio.google.com/generate-speech.
- مدل: Gemini 3.8 Flash TTS برای کیفیت و اجرای پرحس، Gemini 3.8 Flash-Lite TTS برای کار سریع و پرحجم. گوگل هر دو را ۱ مهر ۱۴۰۵ معرفی کرد و هر دو فارسی ایران دارند.
- حالت: یک‌گوینده برای نریشن، دوگوینده برای گفتگو.
- صدا را با گوش انتخاب کنید، نه با اسم. ۳۰ صدای آماده هست، مثل Kore «محکم» و Sulafat «گرم». راهنمای گوگل می‌گوید لهجه، سن و جنسیت را در دستور سبک ننویسید؛ صدایی با لهجهٔ مناسب بردارید یا با «طراحی صدا» (Voice design) یکی بسازید و ویژگی‌های ثابتش را توصیف کنید، مثلاً:
A warm, calm female narrator in her thirties, a native Iranian Persian speaker with a standard Tehran accent, clear and friendly, like a good teacher.
- دستور سبک کوتاه: گوگل توصیه می‌کند اول بی‌دستور امتحان کنید و بعد فقط یک اصلاح کوتاه بنویسید، مثل
warm and calm, medium pace. نمونه‌های گوگل انگلیسی‌اند؛ فارسی («گرم و آرام، شمرده») را هم امتحان کنید و اگر اثر نکرد، انگلیسی بنویسید. - متن خواندنی را بچسبانید، بسازید و گوش بدهید. برای هر خطا فقط همان جمله را دوباره بسازید.
- دانلود کنید و تنظیمات را یادداشت کنید: مدل، صدا و دستور سبک را بنویسید تا قسمت بعد با همین‌ها ساخته شود.
همین حالا: پاراگراف آزمون را با سه صدای مختلف بسازید و صدای برنده را برای همهٔ کارهایتان ثابت نگه دارید.
کار شما با این مسیرها جور نیست؟ در هوش یاب بنویسید: «می‌خواهم متن مقاله‌ام با صدای طبیعی فارسی خوانده شود» تا ابزارهای مناسب و نقشهٔ راه را با پرامپت آمادهٔ هر مرحله بگیرید.
کتاب صوتی، متن بلند و پادکست دونفره: تکه بسازید، یکدست بچسبانید
متن بلند را یک‌جا به هیچ ابزار متن به صوتی ندهید. هر سرویس برای هر بار ساختن سقف دارد (ElevenLabs در Eleven v4 ده هزار نویسه، TTSMaker برای فارسی سه هزار و نوا هزار) و اگر دقیقهٔ نهم خراب شود، فقط همان تکه را دوباره می‌سازید. گوگل هم هشدار می‌دهد که توصیف بلندِ شخصیت و سبک رایج‌ترین علت عوض شدن صداست.
- در مرز فصل یا پاراگراف ببرید، نه وسط جمله.
- همه را با یک تنظیم بسازید: همان مدل، همان صدا و همان دستور سبکِ کوتاه.
- فایل‌ها را ۰۱، ۰۲، ۰۳ نام‌گذاری کنید و سر و ته هر تکه را گوش کنید.
- در Audacity بچسبانید. Audacity (اوداسیتی) رایگان است و روی ویندوز، مک و لینوکس کار می‌کند. فایل‌ها را با هم به برنامه بکشید تا هر کدام یک ترک شود، تکه‌ها را با ماوس پشت سر هم بچینید، با جلوهٔ Loudness Normalization بلندی همه را یکسان کنید و خروجی MP3 بگیرید.
پادکست دونفره
حالت دوگویندهٔ AI Studio گفتگوی نوشتهٔ شما را در یک فایل می‌سازد، اما فقط با دو صدا از میان صداهای آماده؛ صدای طراحی‌شده یا بازسازی‌شده را باید برای هر گوینده جدا ساخت. پس اگر یکی از مجری‌ها خودتان هستید، خط‌های هر نفر را جدا بسازید و در Audacity بچینید. متن گفتگو را می‌توانید از چت‌بات بخواهید، به این شرط که هر خط با نام گوینده و دونقطه شروع شود و چیزی بیرون از متن اصلی اضافه نشود.
اگر می‌خواهید خود هوش مصنوعی از روی جزوه گفتگو را بنویسد و بسازد، Audio Overview در Gemini Notebook فارسی هم دارد؛ روالش در از PDF درسی تا پادکست و پرسش‌وپاسخ آمده است.
همین حالا: یک فصل را در سه تکه بسازید و بچسبانید؛ اگر محل اتصال‌ها شنیده نشد، روال برای کل کتاب آماده است.
صدای خودم را بسازم؟ کلون صدا، رضایت و خطرش
قاعده ساده است: فقط صدای خودتان، یا صدای کسی که کتبی اجازه داده است؛ صدای چهرهٔ مشهور را برای انتشار به کار نبرید، حتی اگر سرویسی آماده‌اش را داشته باشد. پلتفرم‌ها هم همین را می‌خواهند:
- Google AI Studio: «بازسازی صدا» (Voice replication) نمونهٔ ۱۰ تا ۳۰ ثانیه‌ای گفتار تمیز و یک ضبط رضایت می‌خواهد که همان گویندهٔ بزرگسال می‌خواند. فارسی جزو زبان‌های ضبط رضایت نیست؛ جمله را مثلاً انگلیسی بخوانید. گوگل در معرفی این مدل‌ها از واترمارک نامرئی SynthID روی گفتار ساختگی هم نام برده است.
- ElevenLabs: کلون فوری از پلن Starter، با یکی دو دقیقه صدا و تأیید اینکه حق و رضایت لازم را دارید؛ کلون حرفه‌ای از پلن Creator، با دست‌کم ۳۰ دقیقه صدا و آزمون تأیید. به گفتهٔ ElevenLabs کلون حرفه‌ای فقط از صدای خود شماست و حتی با رضایت دیگری هم نمی‌شود صدای او را ساخت؛ خودش باید بسازد و به اشتراک بگذارد.
- ماینا: کلون در کامل‌ترین پلن ریالی‌اش (سیمرغ) است و قوانینش مسئولیت صدا و گرفتن اجازهٔ لازم را با کاربر می‌داند.
- بدون اینترنت: VoiceStudio روی کامپیوتر خودتان کلون می‌کند و صدا جایی نمی‌رود، اما مدل پیش‌فرضش غیرتجاری است؛ نصبش در راهنمای هوش مصنوعی آفلاین روی لپ‌تاپ آمده.
خطرش هم همین‌جاست: این فناوری با چند ثانیهٔ صدای شما از یک استوری هم کار می‌کند (VoiceStudio با حدود سه ثانیه)؛ برای درخواست پول با پیام صوتی، با خانواده یک سؤال توافقی بگذارید.
همین حالا: اگر کلون می‌خواهید، در اتاقی ساکت و بی‌پژواک یک دقیقه متن معمولی ضبط کنید؛ برای AI Studio سی ثانیه‌اش را جدا کنید.
در دورهٔ پولی، تبلیغ یا یوتیوب مجاز است؟ مجوز هر ابزار
- Google AI Studio: طبق شرایط Gemini API، گوگل مالکیت محتوای ساخته‌شده را ادعا نمی‌کند و AI Studio را برای کار حرفه‌ای و کسب‌وکار می‌داند؛ شرطش استفاده از منطقه‌های پشتیبانی‌شده است.
- ElevenLabs: پلن رایگان مجوز تجاری ندارد و در انتشار، «elevenlabs.io» یا «11.ai» باید در عنوان باشد. خروجی رایگان بعد از خرید اشتراک هم تجاری نمی‌شود؛ دورهٔ پولی را از اول با پلن پولی بسازید. پلن‌های پولی مجوز تجاری دارند، جز برای سرویس‌های آزمایشی (Beta).
- TTSMaker: استفادهٔ تجاری رایگان و حق کامل خروجی را می‌دهد، با رعایت قانون محل شما.
- OpenAI و دموی رایگانش OpenAI.fm: فارسی دارد، اما باید به شنونده بگویید صدا ساختهٔ هوش مصنوعی است.
- نوا و ماینا: در صفحه‌های رسمی‌شان شرط روشنی دربارهٔ استفادهٔ تجاری پیدا نشد؛ پیش از کار تجاری کتبی بپرسید.
- آفلاین: در Piper چهار صدای فارسی دادهٔ آزاد (CC0) دارند و مجوز صدای gyro روشن نیست؛ مدل پیش‌فرض VoiceStudio هم غیرتجاری است.
یوتیوب: صدای هوش مصنوعی به‌خودی‌خود مانع درآمدزایی نیست؛ سیاست «محتوای غیراصیل» یوتیوب (از تیر ۱۴۰۴) محتوای انبوه و قالبی را از درآمد کنار می‌گذارد. کلون صدای خودتان برای ویس‌اور یا دوبله اعلام نمی‌خواهد، اما اگر به نظر برسد آدمی واقعی چیزی گفته که نگفته، باید در YouTube Studio اعلامش کنید.
همین حالا: روزی که صدا را برای کار پولی می‌سازید، از صفحهٔ پلن و شرایط سرویس عکس بگیرید و کنار فایل‌ها نگه دارید.
جمع‌بندی: اول متن، بعد صدا
صدای فارسی طبیعی از سه قدم درمی‌آید: متن را خواندنی کنید، با پاراگراف آزمون دو سه ابزار را بسنجید و کار بلند را تکه‌تکه با تنظیم ثابت بسازید. نوا، ماینا، TTSMaker و Piper هم، مثل Google AI Studio و ElevenLabs، همین روال را می‌پذیرند.
قدم بعد: کارتان را در هوش یاب بنویسید، مثلاً «تبدیل متن فارسی به گفتار طبیعی برای ویدئوی آموزشی»، تا ابزارها و نقشهٔ راه را با پرامپت هر مرحله بگیرید.
پرسش‌های پرتکرار
بهترین سایت رایگان تبدیل متن به صدا فارسی کدام است؟
Google AI Studio در سطح رایگان دو گوینده و کنترل لحن دارد. TTSMaker بی‌ثبت‌نام است، هفته‌ای ۲۰ هزار نویسه رایگان و استفادهٔ تجاری آزاد می‌دهد و دو صدای فارسی دارد. نوا ۱۴ روز آزمایش رایگان دارد و Piper بدون اینترنت و بی‌هزینه کار می‌کند. انتخاب نهایی با پاراگراف آزمون همین مطلب و گوش خودتان است.
تبدیل متن به صدا فارسی بدون اینترنت ممکن است؟
بله. Piper پنج صدای فارسی دارد، هر صدا حدود ۶۳ مگابایت است و روی پردازندهٔ معمولی، بی‌کارت گرافیک، کار می‌کند؛ اما نصبش با پایتون و خط فرمان است و صداهایش به طبیعی بودن مدل‌های بزرگ نمی‌رسند. VoiceStudio برنامهٔ گرافیکی دارد و کلون هم می‌کند، ولی دست‌کم ۸ گیگابایت رم (حافظهٔ موقت کامپیوتر) و حدود ۱۰ گیگابایت فضا می‌خواهد.
ElevenLabs فارسی دارد و پلن رایگانش چه می‌دهد؟
فارسی در فهرست زبان‌های Eleven v3 و Eleven v4 هست؛ v4 روز ۶ مهر ۱۴۰۵ عرضه شد. پلن رایگانش حدود ۱۰ دقیقه صدا در ماه و فقط برای کار غیرتجاری است.
می‌توانم متن فارسی را با صدای خودم بسازم؟
بله، اگر صدا مال خودتان باشد یا صاحبش کتبی اجازه داده باشد. Google AI Studio با نمونهٔ ۱۰ تا ۳۰ ثانیه‌ای و یک ضبط رضایت صدا را بازسازی می‌کند، ElevenLabs از پلن ماهی ۶ دلاری کلون فوری دارد، ماینا کلون را در کامل‌ترین پلن ریالی‌اش دارد و VoiceStudio بدون اینترنت کلون می‌کند. کیفیت کلون به نمونه بستگی دارد؛ در اتاق ساکت ضبطش کنید.
