متن به گفتار با هوش مصنوعی

تبدیل متن به صدا با هوش مصنوعی؛ دو صدای فارسی واقعی

تبدیل متن به صدا یعنی متنی را می‌نویسید و مدل هوش مصنوعی آن را بلند می‌خواند و فایل صوتی می‌دهد. در کارینای (KarinAI) از داخل ایران متن فارسی را می‌دهید و با Eleven v4، Eleven v3 یا Gemini 3.1 Flash TTS Preview صدا می‌گیرید؛ دو نمونهٔ واقعی از یک متن را پایین‌تر می‌شنوید.

ثبت‌نام و امتحان صدادیدن همهٔ مدل‌ها

• صدای فارسی
• بدون فیلترشکن
• پرداخت به تومان

آخرین به‌روزرسانی: ۹ آبان ۱۴۰۵

• متن فارسی

  متن را بنویسید، زبان را «فارسی» بگذارید

• ۳ مدل صدا

  Eleven v4، Eleven v3 و Gemini 3.1 Flash TTS Preview

• چند ثانیه

  در اجرای ما: ۷ و ۱۱ ثانیه برای ۲۶۰ کاراکتر

• بدون فیلترشکن

  ورود با شمارهٔ موبایل

منبع: فهرست عمومی مدل‌های کارینای؛ خروجی‌های واقعی همین صفحه — تاریخ: ۹ آبان ۱۴۰۵

دو صدای فارسی از یک متن

این دو فایل واقعی‌اند، نه ساختگی. در آبان ۱۴۰۵ یک بند فارسی ۲۶۰ کاراکتری را، که خودمان برای این آزمایش نوشتیم، یک بار با Eleven v4 و یک بار با Gemini 3.1 Flash TTS Preview در کارینای به صدا تبدیل کردیم. هر دو مدل را خودمان از فهرست انتخاب کردیم، نه «خودکار». زبان را روی «فارسی (fa)» گذاشتیم، نه خودکار، و صدا همان صدای پیش‌فرض برنامه برای هر مدل بود: George برای Eleven v4 و Kore برای Gemini.

در پخش‌کننده‌های زیر «پرامپت» همان متنی است که خوانده شد. هر دو را از اول تا آخر گوش بدهید و کنار هم بسنجید.

Eleven v4فارسی، صدای George؛ فایل حدود ۲۴ ثانیه، ساخته‌شده در حدود ۷ ثانیه

Gemini 3.1 Flash TTS Previewفارسی، صدای Kore؛ فایل حدود ۲۷ ثانیه، ساخته‌شده در حدود ۱۱ ثانیه

خروجی Gemini در کارینای فایل WAV است؛ برای پخش‌کنندهٔ همین صفحه آن را به MP3 تبدیل کردیم. خروجی Eleven v4 از اول MP3 است.

آنچه از این دو فایل می‌دانیم

به هر دو فایل گوش دادیم و فارسی هر دو خوب بود. دربارهٔ اینکه کدام را بیشتر می‌پسندید حکم نمی‌دهیم؛ این را گوش شما تعیین می‌کند.

چیزی که اندازه گرفتیم این است: همان متن با Eleven v4 حدود ۲۴ ثانیه شد و با Gemini حدود ۲۷ ثانیه، و ساختن هر کدام حدود ۷ و ۱۱ ثانیه طول کشید. هر فایل نتیجهٔ همان یک بار اجراست.

زندگی در همین چیزهای ساده جریان دارد؛ فقط باید آرام‌تر نگاه کرد.

چهار انتخاب

این دو نمونه را چطور ساختیم

برای هر دو نمونه فقط چهار انتخاب داشتیم. اگر نمونهٔ خودتان را می‌خواهید، از همین چهار شروع کنید و هرکدام را عوض کنید:

• متن: ۲۶۰ کاراکتر فارسی که خودمان نوشتیم
• مدل: Eleven v4 و Gemini 3.1 Flash TTS Preview، با انتخاب دستی
• صدا: پیش‌فرض برنامه برای هر مدل، George و Kore
• زبان: «فارسی (fa)» به‌جای خودکار

فیلم کوتاه زیر دربارهٔ تبدیل متن فارسی به صدا در کارینای است؛ متن کنار «پرامپت» همان بریفی است که به تیزرچی فرستادیم.

تبدیل متن به صدا در کارینای: مراحل

مراحل زیر همان کاری است که برای دو نمونهٔ این صفحه کردیم.

1. با شمارهٔ موبایل وارد شوید

   شمارهٔ موبایل خود را بنویسید و «ادامه» را بزنید؛ با این کار شرایط استفاده را می‌پذیرید. کدی به همان شماره پیامک می‌شود؛ آن را وارد کنید تا حساب شما ساخته شود.

   

2. بخش ساخت صدا را باز کنید

   در برنامه بخشی برای ساخت صدا از متن هست. فایل‌های ساخته‌شده را بعداً در «تاریخچهٔ گفتار» دوباره پیدا می‌کنید.

3. مدل را انتخاب کنید

   از فهرست مدل‌ها یکی را بردارید: Eleven v4، Eleven v3 یا Gemini 3.1 Flash TTS Preview. در فهرست برنامه، Gemini با نام کوتاه‌تر «Gemini 3.1 Flash» دیده می‌شود.

4. صدا و زبان را انتخاب کنید

   هر مدل صدای پیش‌فرضی دارد؛ ما همان را نگه داشتیم. فهرست صداها می‌نویسد: «پیش از انتخاب، نمونهٔ فارسی هر صدا را رایگان بشنوید». زبان را «فارسی (fa)» بگذارید، نه خودکار.

5. متن را بنویسید و هزینه را ببینید

   متن فارسی را بنویسید. برنامه پیش از ارسال هزینهٔ درخواست را به اعتبار نشان می‌دهد و همان مقدار از اعتبارتان کم می‌شود.

6. بفرستید و گوش بدهید

   در اجرای ما فایل ظرف حدود ۷ ثانیه (Eleven v4) و ۱۱ ثانیه (Gemini) در پخش‌کنندهٔ برنامه آماده شد.

متن را بدهید، صدا بگیرید

تبدیل متن به صدا به چه کاری می‌آید؟

نمونهٔ ما یک بند روایی بود. چهار کاربرد زیر ایده‌اند، نه آزمایش ما؛ هر فایل را پیش از انتشار یک بار گوش بدهید.

• روایت

  متن ویدیو، پادکست یا اسلاید را بنویسید و فایل صدا را روی تصویر بگذارید.

• تبلیغ

  متن آگهی یا تیزر را بشنوید؛ پیش از انتشار، نام برند و عددها را یک بار با گوش بررسی کنید.

• قصه

  قصهٔ کودک یا داستان کوتاه را به فایل صوتی تبدیل کنید تا بشود پیش از خواب گوش داد.

• درس

  خلاصهٔ درس یا یادداشت‌های مطالعه را بشنوید، مثلاً در مسیر رفت‌وآمد.

تبدیل متن به صدا با احساس: خنده، نجوا و هیجان

ElevenLabs برای Eleven v3 «تگ» دارد: کلمه‌ای انگلیسی داخل کروشه که وسط متن می‌گذارید تا حالت همان بخش عوض شود، مثلاً [whispers] برای نجوا. سه کلیپ زیر را با همین کار در کارینای ساختیم و به هر سه گوش دادیم: تگ‌ها کار کرد. متن‌ها را خودمان برای آزمایش نوشتیم، هرکدام یک بار اجرا شد و «پرامپت» زیر هر پخش‌کننده همان متنی است که فرستادیم، با تگ‌ها. مدل را از فهرست انتخاب کردیم، نه «خودکار»، و زبان را «فارسی (fa)» گذاشتیم.

Eleven v3خنده وسط حرف، صدای Anjali؛ فایل حدود ۱۲ ثانیه

Eleven v3نجوای یک راز، صدای Ivanna؛ فایل حدود ۱۵ ثانیه

Eleven v3خبر خوش، صدای Adam؛ فایل حدود ۹ ثانیه

هر کلیپ نتیجهٔ یک متن، یک صدا و یک بار اجرا است، نه تضمین برای هر متن. چهار کلیپ دیگر (گریه، آسودگی، کنایه و لحن تبلیغ)، فهرست تگ‌ها و راهنمای نوشتن تگ در متن فارسی در صفحهٔ ElevenLabs است.

مدل‌های صدای کارینای کنار هم

این جدول فقط ویژگی‌های فهرست کارینای و اندازه‌های همین دو نمونه را کنار هم می‌گذارد و دربارهٔ کیفیت صدا حکمی نمی‌دهد. همان بند را روی Eleven v3 نفرستاده‌ایم، پس ستونش در ردیف‌های «نمونهٔ بند» خالی است؛ سه کلیپ Eleven v3 با تگ‌های حالت در بخش «تبدیل متن به صدا با احساس» بالاتر است.

• Eleven v4
• Eleven v3
• Gemini 3.1 Flash TTS Preview

مقایسه	Eleven v4	Eleven v3	Gemini 3.1 Flash TTS Preview
سازنده	ElevenLabs	ElevenLabs	Google
فرمت خروجی در فهرست	MP3	MP3	WAV
صدا در نمونهٔ بند	George	—نامشخص	Kore
مدت فایل نمونهٔ بند	حدود ۲۴ ثانیه	—نامشخص	حدود ۲۷ ثانیه
زمان ساخت نمونهٔ بند	حدود ۷ ثانیه	—نامشخص	حدود ۱۱ ثانیه

کارینای به ElevenLabs و Google وابسته نیست؛ نام این شرکت‌ها و مدل‌ها فقط برای معرفی مدل‌هایی آمده که در کارینای هست.

پرداخت و هدیهٔ حساب تازه

کارینای اشتراک ماهانه ندارد. بستهٔ اعتبار می‌خرید، به تومان و با کارت بانکی ایرانی از راه درگاه زرین‌پال، و هر درخواست صدا از همان اعتبار کم می‌شود. هزینه به تعداد کاراکترهای متن بستگی دارد و پیش از ارسال در برنامه دیده می‌شود. هر حساب تازه ۵۰ اعتبار هدیه می‌گیرد که روی مدل‌هایی که خودتان انتخاب می‌کنید خرج می‌کنید؛ این اعتبار روی ساخت صدا هم خرج می‌شود. قیمت به‌روز هر مدل در صفحهٔ مدل‌ها است؛ قوانین بازپرداخت را در شرایط استفاده بخوانید.

کنار صدا

برای موسیقی ساخت آهنگ با هوش مصنوعی و برای تصویر متحرک ساخت ویدیو با هوش مصنوعی را ببینید. اگر متن شما انگلیسی است، پیش از خواندن ترجمه‌اش کنید.