اگر فقط یک جواب کوتاه می‌خواهی، برای بیشتر تولیدکنندههای محتوای فارسی اول ElevenLabs را امتحان کن؛ چون محیط آماده، صدای احساسی، دوبله و ابزارهای تولید محتوا را یک‌جا دارد. اگر کنترل لحن با دستور ساده و تست رایگان برایت مهم‌تر است، Gemini TTS را ببین. برای اپ و تلفن گویا Azure، برای ساخت سریع گویندگی از فایل و اسلاید Narakeet و برای آزمایش یک مدل تازه و فنی MiniMax گزینه‌های منطقی‌تری‌اند. اما قول مادربزرگانه‌مان این است: قبل از خرید، همان متن واقعی خودت را با همه گزینه‌های نهایی امتحان کن؛ فارسی با اسم، عدد و واژه انگلیسی زود دست ابزار را رو میکند.
اول هدف را روشن کنیم؛ دقیقاً چه چیزی را مقایسه می‌کنیم؟
«صدای قشنگ» به‌تنهایی معیار خوبی نیست. صدایی که در دموی ده‌ثانیه‌ای دلنشین است ممکن است وسط یک ویدیوی ده‌دقیقه‌ای یکنواخت شود، اسم برند را اشتباه بخواند یا برای تبلیغ تجاری مجوز نداشته باشد. پس این مقایسه را بر اساس کاری که واقعاً می‌خواهی انجام بدهی چیده‌ایم.
برای مقایسه منصفانه، یک متن یکسان را به ابزارها بده: «سلام! سفارش شماره ۱۲۳۴ شما، پنج‌شنبه ۲۲ مهر ساعت ۱۸:۳۰ آماده است. برای پروژه AI PremiX، نسخه Pro را فعال کنید.» همین دو خط، خواندن عدد، تاریخ، ساعت، واژه انگلیسی و مکث را با هم امتحان میکند.
بعد یک جمله احساسی هم اضافه کن: «باران آرام می‌بارید و کوچه بوی خاک تازه گرفته بود.» اگر برای تبلیغ صدا می‌سازی، این را هم تست کن: «دوست داری در کمتر از پنج دقیقه، صدای حرفهای برای ویدیوت بسازی؟» بهترین ابزار تو همان است که هر سه جنس متن را با کمترین اصلاح بخواند.
- تلفظ فارسی: اسمها، اعداد، تاریخ، نیم‌فاصله و واژه‌های انگلیسی را درست می‌خواند؟
- حس و ریتم: سؤال، هیجان، مکث و جمله آرام را طبیعی اجرا میکند؟
- کار طولانی: بعد از چند دقیقه هنوز لحن و بلندی صدا یکدست می‌ماند؟
- کنترل و ویرایش: می‌توانی فقط یک جمله بد را دوباره بسازی یا باید همه فایل را از نو بگیری؟
- خرید امن: سقف کاراکتر، کیفیت خروجی، مجوز تجاری و قانون کلون صدا روشن است؟
اگر عجله داری، جواب کوتاه همین‌جاست
هیچ‌کدام در همه کارها برنده نیستند. این جدول قرار نیست حکم قطعی بدهد؛ فقط کمک میکند از بین پنج گزینه، دو تای مناسب کارت را برای تست نهایی جدا کنی.
| اگر بیشتر این کار را می‌کنی | اول این ابزار را ببین | چرا؟ |
|---|---|---|
| ویدیو، پادکست و تبلیغ با لحن طبیعی | ElevenLabs | محیط تولید کامل، صدای احساسی و ویرایش بخشبهبخش |
| دیالوگ دو نفره و کنترل لحن با جمله معمولی | Gemini TTS | می‌توانی سبک، سرعت و حال صدا را با دستور توضیح بدهی |
| اپ، تلفن گویا و کار سازمانی | Azure Speech | دو صدای مشخص fa-IR و ابزارهای توسعه پایدار |
| گویندگی سریع اسلاید، Word یا زیرنویس | Narakeet | ساده است و مستقیم با فایل‌های محتوایی کار میکند |
| آزمایش مدل تازه، API و کتاب خیلی بلند | MiniMax Speech 2.8 | صداهای احساسی، کلون و مسیر جدا برای متن طولانی دارد |
ElevenLabs؛ انتخاب اول برای بیشتر تولیدکنندههای محتوا
ElevenLabs فقط یک کادر «متن را بچسبان و صدا بگیر» نیست؛ برای ساخت گویندگی، گفت‌وگوی چندنفره، دوبله و مدیریت پروژه صوتی ابزارهای جدا دارد. مدل Eleven v3 فارسی را در فهرست زبانهایش آورده و با نشانه‌های ساده داخل متن می‌شود حال اجرا را هدایت کرد. مثلاً برای شروع آرام بنویسی [softly] و برای بخش پرانرژی [excited]؛ البته نتیجه هر برچسب به صدایی که انتخاب کرده‌ای هم بستگی دارد.
برای یک کانال یوتیوب، می‌توانی هر قسمت را با یک صدای ثابت بسازی و فقط جمله‌ای را که تلفظش بد شده دوباره تولید کنی. برای تبلیغ فروشگاه، یک نسخه آرام و مطمئن و یک نسخه پرانرژی از همان متن بگیر و روی تصویر امتحان کن. برای دوبله ویدیو هم سرویس دوبله فارسی را می‌شناسد و زمان‌بندی و حس گوینده اصلی را تا حد ممکن نگه می‌دارد.
یک نکته مهم و صادقانه: پشتیبانی فارسی در مدل v3 به معنی پشتیبانی کامل همه مدلهای کلون حرفهای نیست. فهرست رسمی Professional Voice Cloning در حال حاضر فارسی را بین زبان‌های اصلی اعلام‌شده ندارد. اگر کلون فارسی دلیل اصلی خرید توست، حتماً اول با صدای خودت نمونه بگیر و روی چند متن سخت آزمایش کن.
- عالی برای ویدیوی بدون چهره: مثلاً روایت یک ویدیوی آموزشی ۸ دقیقه‌ای با لحن ثابت
- خوب برای تبلیغ: مثلاً اجرای یک متن ۳۰ ثانیهای در حالت آرام، هیجان‌زده و صمیمی
- مناسب برای پادکست داستانی: چند شخصیت با صدای جدا و واکنش‌هایی مثل مکث یا خنده
- به‌دردبخور برای دوبله: تبدیل گفت‌وگوی ویدیوی خارجی به فارسی با حفظ زمان تقریبی جمله‌ها
- حواست باشد: اعتبار همه ابزارها از یک موجودی کم می‌شود؛ قبل از پروژه طولانی مصرف تقریبی را حساب کن
Gemini TTS؛ وقتی می‌خواهی لحن را با زبان ساده کارگردانی کنی
Gemini TTS فارسی را پشتیبانی میکند و به‌جای اینکه فقط چند دکمه سرعت و زیروبمی بدهد، دستور طبیعی می‌فهمد. مثلاً می‌گویی: «این متن را مثل یک مربی مهربان، کمی آهسته و با لبخند بخوان؛ روی کلمه تخفیف تأکید کن.» برای گفت‌وگوی دو نفره هم می‌توانی برای هر نقش صدا و شخصیت جدا تعریف کنی.
فرض کن یک ویدیوی مقایسه موبایل می‌سازی. گوینده اول سؤال‌ها را کنجکاوانه می‌پرسد و گوینده دوم جواب‌ها را آرام و مطمئن می‌دهد. یا برای آموزش کودک می‌گویی جمله‌ها کوتاه، واضح و شاد باشند. این مدل برای کسانی جذاب است که دوست دارند نتیجه را با توضیح‌دادن هدایت کنند، نه با تنظیمات فنی زیاد.
اما روی عبارت Preview مکث کن: مدلهای TTS جدید Gemini هنوز ممکن است تغییر کنند. برای پروژه‌ای که هر هفته باید دقیقاً همان جنس صدا را تحویل بدهد، چند نمونه طولانی ذخیره کن و ثبات را بسنج. AI Studio برای تست در دسترس است، ولی شرایط منطقه، حساب و سقف مصرف می‌تواند روی دسترسی تو اثر بگذارد.
- عالی برای دیالوگ: مثلاً گفت‌وگوی مجری و کارشناس در یک پادکست کوتاه
- خوب برای آموزش: مثلاً خواندن درس با لحن آرام و مکث بعد از هر نکته
- مناسب برای نسخه‌های مختلف: همان تبلیغ را رسمی، خودمانی و هیجان‌زده بساز
- مناسب توسعه‌دهنده: صدا را از API داخل اپ یا جریان تولید خودکار ببر
- حواست باشد: Preview بودن یعنی قبل از وابسته‌کردن کسب‌وکار، تغییرات مدل و قیمت را زیر نظر بگیر
Azure Speech؛ انتخاب حساب‌شده برای اپ و تلفن گویا
Azure برای فارسی ایران دو صدای مشخص دارد: Dilara با صدای زن و Farid با صدای مرد. این تنوع از سرویس‌های خلاقانه کمتر است، اما برای برنامه‌ای که باید هر روز خروجی قابل پیش‌بینی بدهد، همین مشخص‌بودن مزیت است. از راه API و ابزارهای Azure می‌شود آن را به اپ، سامانه اعلان یا مرکز تماس وصل کرد.
مثلاً فروشگاهت بعد از ثبت سفارش بگوید «سفارش شماره ۱۲۳۴ ثبت شد» یا سامانه نوبت‌دهی اسم پزشک، روز و ساعت را بخواند. برای تلفن گویا، خبرخوان ساده و قابلیت دسترس‌پذیری داخل اپ انتخاب خوبی است. فقط انتظار بازی احساسی یک راوی داستانی را از دو صدای استاندارد فارسی نداشته باش.
در جدول رسمی Microsoft، صداهای fa-IR پشتیبانی سبک‌های نمایشی و Voice Conversion ندارند. یعنی اگر هدفت ساخت چند شخصیت، کلون صدا یا تبلیغ خیلی بازیگرانه است، Azure احتمالاً انتخاب اولت نیست؛ ولی برای محصول نرم‌افزاری و خروجی منظم، ارزش تست جدی دارد.
- عالی برای تلفن گویا: خواندن شماره سفارش، زمان نوبت و پیام‌های تکرارشونده
- خوب برای اپ: دکمه «شنیدن متن» در خبر، آموزش یا محتوای دسترس‌پذیر
- مناسب سازمان: مدیریت مصرف، API و اتصال به بقیه سرویس‌های Azure
- محدود برای کار خلاقانه: فقط دو صدای fa-IR و بدون Style/Role رسمی در جدول فعلی
Narakeet؛ ساده و بی‌دردسر برای اسلاید، فایل و زیرنویس
Narakeet دو صدای فارسی Reza و Shohreh دارد و نقطه قوتش راحتی کار است. فایل Word، متن، زیرنویس SRT یا حتی ارائه را می‌دهی و گویندگی تحویل می‌گیری. اگر حوصله API و تنظیمات پیچیده نداری و می‌خواهی یک آموزش پاورپوینتی سریع صدا داشته باشد، این سادگی دوست‌داشتنی است.
مثلاً مدرس می‌تواند هر اسلاید را با متن خودش بخواند، سازنده ویدیو فایل زیرنویس را به گویندگی تبدیل کند و نویسنده یک فصل نمونه از کتابش را بشنود. سرعت و زیروبمی هم قابل تنظیم است. در عوض، تنوع صدای فارسی کم است و برای کلون‌کردن صدای خودت یا اجرای بازیگرانه، گزینه‌های بهتری وجود دارد.
نسخه رایگان برای آزمایش است و مجوز استفاده تجاری ندارد. در حساب تجاری، هزینه بر اساس مدت صدای ساخته‌شده حساب می‌شود و اعتبار خریداری‌شده تاریخ انقضا ندارد. پس برای پروژه‌های گاه‌به‌گاه که اشتراک ماهانه نمی‌خواهی، مدل پرداختش می‌تواند ساده‌تر باشد.
- عالی برای مدرس: تبدیل PowerPoint یا Word به ویدیوی آموزشی گویندگی‌شده
- خوب برای زیرنویس: تبدیل فایل SRT به صدایی که با بخش‌های ویدیو جلو می‌رود
- مناسب کار گاه‌به‌گاه: خرید دقیقه به‌جای تعهد به اشتراک ماهانه
- حواست باشد: برای انتشار تجاری باید حساب تجاری داشته باشی
MiniMax Speech 2.8؛ گزینه تازه برای اهل آزمایش و API
MiniMax Speech 2.8 در مستندات رسمی، فارسی را بین ۴۰ زبان پشتیبانی‌شده آورده است. نسخه HD روی کیفیت و نشانه‌های صوتی تمرکز دارد و نسخه Turbo برای سرعت ساخته شده. تنظیم سرعت، بلندی، زیروبمی، خروجی MP3 یا WAV، کلون صدا و ساخت غیرهم‌زمان متن‌های خیلی بلند هم در API آن دیده می‌شود.
مثلاً برای یک بازی می‌توانی چند شخصیت با مکث و نفس متفاوت بسازی، برای دستیار صوتی از Turbo استفاده کنی یا یک کتاب بلند را به کار غیرهم‌زمان بسپاری. این امکانات روی کاغذ جذاب‌اند، اما برای فارسی ایران حتماً نمونه واقعی بگیر؛ پشتیبانی زبان با طبیعی‌بودن لهجه تهرانی یکی نیست.
این گزینه را بیشتر به توسعه‌دهنده و کاربر کنجکاو پیشنهاد می‌کنیم، نه کسی که امشب فقط یک فایل صوتی ساده می‌خواهد. رابط، قیمت و رفتار مدل تازه‌تر است و ممکن است سریع تغییر کند. اگر ثبات تولید هفتگی برایت مهم است، یک پروژه کوچک آزمایشی قبل از مهاجرت کامل بساز.
- عالی برای آزمایش فنی: مقایسه HD و Turbo روی همان متن فارسی
- خوب برای کتاب بلند: مسیر Async برای کارهای طولانی طراحی شده است
- مناسب اپ صوتی: خروجی streaming و تنظیم‌های صدا در API دارد
- حواست باشد: فارسی را با واژه انگلیسی، عدد و لهجه مدنظر خودت جداگانه تست کن
برای کار من دقیقاً کدام بهتر است؟
بیا از اسم برندها فاصله بگیریم و خود پروژه را نگاه کنیم. اگر بین دو ابزار مانده‌ای، همین جدول را به‌عنوان مرحله نیمه‌نهایی در نظر بگیر و بعد متن نمونه بخش اول را روی هر دو اجرا کن.
| کار تو | انتخاب پیشنهادی | چطور امتحانش کنی؟ |
|---|---|---|
| ریلز و تبلیغ محصول | ElevenLabs یا Gemini | یک متن ۳۰ ثانیهای را آرام و پرانرژی بگیر و روی ویدیو ببین |
| ویدیوی آموزشی یوتیوب | ElevenLabs | ۸ دقیقه خروجی بگیر و یکنواختی، تلفظ و امکان اصلاح یک جمله را بسنج |
| پادکست دو نفره | Gemini یا ElevenLabs | دو شخصیت با سرعت و حس متفاوت بساز و رفت‌وبرگشت را گوش کن |
| کتاب صوتی | ElevenLabs یا MiniMax | یک فصل کامل را تست کن؛ خستگی گوش و تغییر لحن مهم‌تر از دموی کوتاه است |
| پاورپوینت و دوره ساده | Narakeet | یک فایل واقعی را وارد کن و زمان اصلاح و خروجی را حساب کن |
| تلفن گویا و اعلان اپ | Azure | اسم، شماره، تاریخ و ساعت را با داده‌های واقعی سامانه بخوان |
| دوبله ویدیوی خارجی به فارسی | ElevenLabs | یک کلیپ با دو گوینده و جملههای کوتاه و بلند را امتحان کن |
| دستیار صوتی سریع | Azure، MiniMax Turbo یا Gemini Flash | تأخیر اولین صدا و هزینه هر دقیقه را در نمونه عملی اندازه بگیر |
چطور متن فارسی را بنویسیم که طبیعی‌تر خوانده شود؟
گاهی مشکل از مدل نیست؛ متن برای چشم نوشته شده، نه برای گوش. جملههای بلند را نصف کن، جای مکث ویرگول بگذار و مخفف‌ها را همان‌طور بنویس که باید شنیده شوند. به‌جای «در تاریخ ۱۴۰۵/۰۶/۲۲» بنویس «بیست‌ودوم شهریور هزار و چهارصد و پنج».
اسم برند و کلمه انگلیسی را هم بی‌هوا رها نکن. اگر AI PremiX غلط خوانده می‌شود، یک نسخه آوایی مثل «اِی‌آی پریمیکس» را امتحان کن. برای شماره تلفن یا کد سفارش تصمیم بگیر باید رقم‌به‌رقم خوانده شود یا یک عدد کامل؛ بعد همان شکل را در متن بنویس.
برای کار طولانی، متن را به تکه‌های منطقی تقسیم کن. هر پاراگراف یک حس داشته باشد و جمله مهم در انتهای تکه نصف نشود. ابتدا فقط سی ثانیه بساز؛ وقتی تلفظ و لحن درست شد، سراغ کل فصل برو تا اعتبارت برای آزمون‌وخطای بی‌هدف خرج نشود.
- بد: «تخفیف VIP تا 1405/07/01 فعاله»؛ بهتر: «تخفیف وی‌آی‌پی تا اول مهر هزار و چهارصد و پنج فعال است.»
- بد: یک جمله پنج‌خطی؛ بهتر: دو یا سه جمله کوتاه با ویرگول و نقطه روشن
- برای تبلیغ: کلمه مهم را در جمله کوتاه جدا بگذار تا تأکید طبیعی‌تر شود
- برای آموزش: بعد از تعریف یا عدد مهم، مکث کوتاه بده تا شنونده جا نماند
- برای اسم خاص: تلفظ درست را در واژه‌نامه یا شکل آوایی ثابت نگه دار
قبل از خرید این چهار چیز را حتماً چک کن
اول مصرف را حساب کن. یک دقیقه گفتار معمولی حدود ۱۳۰ تا ۱۶۰ واژه است، اما سرویسها ممکن است با کاراکتر، اعتبار، توکن یا دقیقه حساب کنند. یک متن یک‌دقیقه‌ای واقعی بساز و ببین دقیقاً چقدر از موجودی کم می‌شود؛ این عدد از هر جدول تبلیغاتی برای بودجه تو واقعی‌تر است.
دوم، مجوز تجاری را جدی بگیر. در ElevenLabs محتوای پلن پولی حق استفاده تجاری دارد و Narakeet هم این حق را برای حساب تجاری می‌دهد؛ نسخه‌های رایگان را برای تست ببین، نه لزوماً انتشار تبلیغ. سوم، کلون صدا فقط با اجازه روشن صاحب صدا. شبیه‌سازی صدای دوست، بازیگر یا مشتری بدون رضایت، هم غیراخلاقی است و هم می‌تواند دردسر حقوقی بسازد.
چهارم، شیوه تحویل و دسترسی را بخوان. اگر حس کردی ElevenLabs برای کارت مناسب است، صفحه محصول AI PremiX مقدار کردیت، نوع اکانت، قیمت تومانی و شرایط فعال‌سازی را یک‌جا نشان می‌دهد. اگر هنوز مطمئن نیستی، اول پیام بده و کاربرد و حجم تقریبی کارت را بگو؛ خرید نکردنِ ابزار اشتباه بهتر از خرید عجولانه است.
- حجم: برای چند دقیقه صوت در هفته یا ماه اعتبار می‌خواهی؟
- کیفیت: MP3 معمولی کافی است یا WAV و کیفیت بالاتر لازم داری؟
- مجوز: خروجی برای تمرین شخصی است یا تبلیغ، دوره و کانال درآمدزا؟
- مالکیت صدا: برای کلون، رضایت و فایل تمیز همان گوینده را داری؟
- دسترسی: محدودیت منطقه، روش ورود و نوع تحویل اکانت را قبل از پرداخت ببین
سؤال‌هایی که شاید تو هم داشته باشی
بالاخره بهترین هوش مصنوعی تبدیل متن فارسی به صدا کدام است؟
برای بیشتر تولیدکنندههای ویدیو، پادکست و تبلیغ، ElevenLabs بهترین گزینه برای شروع آزمایش است. برای کنترل لحن با دستور و دیالوگ دو نفره Gemini TTS، برای اپ و تلفن گویا Azure، برای فایل و اسلاید Narakeet و برای کار فنی تازه MiniMax را هم ببین. انتخاب نهایی را با متن واقعی خودت انجام بده.
آیا ElevenLabs فارسی را پشتیبانی میکند؟
بله، مدل Eleven v3 فارسی را در فهرست رسمی زبانهایش دارد و سرویس Dubbing هم فارسی را پشتیبانی میکند. با این حال پشتیبانی فارسی در همه مدلهای کلون حرفهای یکسان نیست؛ اگر کلون فارسی هدف اصلی توست، حتماً قبل از خرید نمونه بگیر.
برای تبدیل متن فارسی به صدا بهصورت رایگان چه چیزی خوب است؟
Gemini TTS در AI Studio و پلنهای آزمایشی بعضی سرویسها برای تست مناسباند، اما سقف مصرف و شرایط منطقه ممکن است عوض شود. نسخه رایگان را برای مقایسه تلفظ و لحن استفاده کن؛ قبل از انتشار تجاری حتماً مجوز همان پلن را بخوان.
برای ساخت صدای فارسی اینستاگرام و یوتیوب چه ابزاری بهتر است؟
ElevenLabs برای صدای ثابت کانال، اجرای احساسی و اصلاح بخشبهبخش انتخاب خوبی است. Gemini هم برای ساخت چند نسخه با لحن متفاوت جذاب است. یک متن ۳۰ ثانیهای را روی تصویر واقعی امتحان کن؛ صدایی که تنها خوب به نظر میرسد ممکن است کنار موسیقی و ویدیو شلوغ شود.
برای کتاب صوتی فارسی کدام ابزار مناسبتر است؟
ElevenLabs و MiniMax مسیرهای مناسبتری برای متن طولانی دارند، اما تصمیم را با یک فصل کامل بگیر، نه نمونه کوتاه. ثبات صدا، خستگی گوش، تلفظ اسمها و هزینه بازسازی جملههای خراب را بررسی کن.
چطور تلفظ اعداد و کلمات انگلیسی را درست کنیم؟
عدد و تاریخ را به شکل گفتاری بنویس، مخفف را هجی کن و برای اسم برند شکل آوایی ثابت بساز. جمله را کوتاه‌تر کن و ویرگول و نقطه را جدی بگیر. همان تلفظ اصلاح‌شده را در تمام قسمت‌های پروژه یکسان نگه دار.
آیا می‌توانم صدای هرکسی را کلون کنم؟
نه؛ فقط وقتی صاحب صدا آگاهانه اجازه داده است. برای صدای برند یا گوینده قراردادی، رضایت و حدود استفاده را مکتوب کن. صدای افراد مشهور، مشتری یا آشنا را بدون اجازه شبیه‌سازی و منتشر نکن.
قبل از خرید اشتراک ElevenLabs چه چیزی را حساب کنم؟
مدت صوت ماهانه، تعداد دفعات بازسازی، نیاز به دوبله یا کلون، کیفیت خروجی و مجوز تجاری را مشخص کن. بعد یک متن واقعی را در نسخه آزمایشی بساز و مقدار مصرف را ببین. صفحه محصول AI PremiX مقدار کردیت و شرایط تحویل را نشان می‌دهد.
منابع رسمی این راهنما
اطلاعات ابزارها را از صفحه‌های رسمی خودشان بررسی کرده‌ایم. فقط یادت باشد امکانات و محدودیت‌ها ممکن است با گذشت زمان تغییر کنند.
