نریشن و صداگذاری با هوش مصنوعی: ElevenLabs یا GPT Audio

نریشن با هوش مصنوعی در چراغ سه قدم دارد: متن را برای شنیدن می‌نویسی، در حالت «صدا» مدل و صدا را انتخاب می‌کنی و فایل صدا را در ابزار تدوین خودت روی ویدیو می‌گذاری. برای تیزر احساسی ElevenLabs Multilingual v2 (حدود ۷٫۲ اعتبار هر قطعه)، برای آموزش و پادکست یکدست GPT Audio (حدود ۳٫۱) و برای تست و ریلز روزانه GPT Audio Mini (حدود ۰٫۷۴). صدای یک ویدیوی ۶۰ ثانیه‌ای با نرخ امروز بین حدود ۱٬۹۰۰ تا ۱۸٬۷۰۰ تومان تمام می‌شود؛ گران‌ترین بخش، خود ویدیوست نه نریشن.

چهار نوع مدل هوش مصنوعی در چراغ: چت، عکس، ویدیو و صدا با یک مثال برای هر کدام — نریشن کار مدل‌های صداست؛ چهارمین حالت استودیوی چراغ

قدم ۱: متن نریشن را برای شنیدن بنویس، نه خواندن

نصف کیفیت نریشن با هوش مصنوعی به متن بستگی دارد، چون مدل دقیقاً همان چیزی را می‌خواند که نوشته‌ای. متنی که روی کاغذ خوب است، در گوش لزوماً خوب نیست. قبل از انتخاب مدل، این شش قاعده را روی متن اجرا کن:

جمله‌های کوتاه. زیر ۱۲ کلمه. هر «که» و «و» اضافه، لحن را خراب می‌کند و گوینده‌ی مصنوعی جای نفس گرفتن پیدا نمی‌کند.
اعداد با حروف. «دو میلیون و پانصد هزار تومان»، نه «۲٬۵۰۰٬۰۰۰». تاریخ، ساعت و درصد هم همین‌طور: «ساعت ده صبح»، «بیست درصد تخفیف».
علائم یعنی مکث. ویرگول مکث کوتاه است، نقطه مکث بلندتر، سه‌نقطه مکث کشیده. علامت سؤال لحن پرسشی می‌دهد. متن بی‌علامت یک‌نفس خوانده می‌شود.
یک پاراگراف برای هر صحنه. هر خط جدید یک مکث طبیعی است؛ متن را هم‌شکل پرده‌های ویدیو تکه کن تا بعداً راحت هم‌زمان شود.
مخفف و نماد نگذار. «کیلومتر» نه «km»، «و» نه «&»، «درصد» نه «٪».
بلند بخوانش. هر جا زبانت گیر کرد، مدل هم گیر می‌کند. همان جمله را کوتاه‌تر کن.

طول متن را هم با ثانیه‌های ویدیو هماهنگ کن. گفتار فارسی روان حدود دو کلمه در ثانیه است، پس یک ویدیوی ۶۰ ثانیه‌ای حدود ۱۱۰ تا ۱۳۰ کلمه جا دارد و ریلز ۱۵ ثانیه‌ای ۳۰ تا ۴۰ کلمه. بیشتر از این، نریشن تند و نفس‌گیر می‌شود.

مقایسه کن. متن نوشتاری: «محصول جدید ما که با همکاری ۳ کارگاه تولید شده و از ۱۵ مهر با ۲۰٪ تخفیف عرضه می‌شود را از دست ندهید.» همان متن برای گفتار:

محصول جدیدمون رسید. کار سه کارگاه، کنار هم.
از پونزده مهر، با بیست درصد تخفیف.
همین هفته سر بزن.

قدم ۲: ElevenLabs یا GPT Audio؟ مدل و صدا را انتخاب کن

جواب کوتاه: هر جا حس می‌فروشی ElevenLabs، هر جا یکدستی و تعداد مهم است GPT Audio، هر جا تست می‌کنی GPT Audio Mini. در چراغ سه مدل صدا به‌صورت پیش‌فرض روشن است و قیمت هر کدام به اعتبار ثابت است؛ تومان با نرخ روز دلار حساب می‌شود. قیمت‌ها تا ۲۶ مهر ۱۴۰۵ و هر اعتبار امروز حدود ۲٬۶۰۰ تومان.

مدل	سازنده	≈ اعتبار/قطعه	با نرخ امروز	برای نریشن	صداها	ضعف
ElevenLabs Multilingual v2	ElevenLabs	۷٫۲	حدود ۱۸٬۷۰۰ تومان	تیزر، دوبله، پادکست داستانی، کتاب صوتی	ده‌ها صدای آماده؛ تنظیم ثبات، شباهت و سرعت	لحن در جمله‌های پیچیده‌ی فارسی گاهی تنظیم می‌خواهد
GPT Audio	OpenAI	۳٫۱	حدود ۸٬۱۰۰ تومان	آموزش، پادکست، کتاب صوتی با صدای ثابت	۸ صدا: alloy، ash، ballad، coral، echo، sage، shimmer، verse	موسیقی نمی‌سازد
GPT Audio Mini	OpenAI	۰٫۷۴	حدود ۱٬۹۰۰ تومان	تست متن، ریلز و استوری روزانه	همان ۸ صدا	نسخه‌ی سبک‌تر GPT Audio

کدام صدا؟

در GPT Audio هشت صدای آماده داری و منوی «صدا» در استودیو کنار هر کدام یک توضیح کوتاه نشان می‌دهد: مثلاً coral و sage زنانه، ash و echo مردانه و verse پرانرژی. برای آموزش صدای آرام و خنثی انتخاب کن، برای تیزر صدای پرانرژی. مهم‌تر از انتخاب اول، ثابت ماندن است: برای یک برند یا یک پادکست همیشه همان صدا را نگه دار تا مخاطب آن را بشناسد.

در ElevenLabs Multilingual v2 ده‌ها صدای آماده داری و سه تنظیم: ثبات، شباهت و سرعت. ثبات بالاتر یعنی صدای یکدست‌تر و کم‌احساس‌تر؛ ثبات پایین‌تر یعنی حس بیشتر و ریسک لحن غیرمنتظره. برای نریشن آموزشی ثبات را بالا بگذار و برای تیزر پایین‌تر. GPT Audio Mini و GPT Audio یک خانواده‌اند و در انتخابگر یک ردیف دارند؛ با اسلایدر بین نسخه‌ی سبک‌تر و قوی‌تر جابه‌جا می‌شوی. مقایسه‌ی کامل‌تر سه مدل را در راهنمای مدل‌های صدای چراغ بخوان.

صفحه‌ی مدل‌ها و قیمت‌های چراغ با مدل‌های صدا و قیمت هر قطعه به اعتبار — قیمت هر مدل صدا به اعتبار ثابت است؛ عدد به‌روز در صفحه‌ی مدل‌ها

قدم ۳: قطعه را در حالت «صدا» بساز

وارد استودیوی چراغ شو و حالت «صدا» را بزن؛ همان کادری که برای عکس و ویدیو داری، این‌جا متن نریشن را می‌گیرد. مسیر:

متن را در کادر بچسبان، یا از ۲۴ مهر با دکمه‌ی میکروفون کنار کادر تا دو دقیقه بگو تا خودش متن شود؛ بعد متن را با قاعده‌های قدم ۱ تمیز کن.
از انتخابگر مدل، GPT Audio Mini را بردار و از منوی «صدا» یک صدا انتخاب کن.
قیمت تقریبی را قبل از ساخت می‌بینی. Ctrl+Enter را بزن و قطعه را بشنو.
هر جمله‌ای که لحن یا تلفظش غلط بود، همان جمله را بازنویسی کن، نه کل متن را. دوباره بساز؛ هر تست زیر یک اعتبار است.
وقتی متن تأیید شد، مدل را روی ElevenLabs Multilingual v2 یا GPT Audio بگذار و نسخه‌ی نهایی را بساز. بعد از ساخت، هزینه‌ی واقعی کسر می‌شود و کار ناموفق رایگان است.

برای ویدیوی ۶۰ ثانیه‌ای، متن را یک‌جا نده. هر پرده را یک قطعه‌ی جدا بساز؛ هم‌زمان‌کردن چهار فایل ۱۵ ثانیه‌ای در تدوین خیلی راحت‌تر از بریدن یک فایل یک‌دقیقه‌ای است و اگر یک پرده عوض شد فقط همان را دوباره می‌سازی. فایل‌ها تا یک سال در گالری می‌مانند.

قاعده‌ی دو مرحله‌ای: متن را با GPT Audio Mini صاف کن، نسخه‌ی نهایی را با مدل پریمیوم بساز. پنج تست با Mini و یک نسخه‌ی نهایی با ElevenLabs جمعاً حدود ۱۱ اعتبار است، با نرخ امروز حدود ۲۹ هزار تومان؛ همان شش بار با ElevenLabs ۴۳ اعتبار می‌شد.

قدم ۴: صدا را در ابزار تدوین خودت روی ویدیو بگذار

چراغ فایل صدا را می‌دهد و ترکیب نهایی در ابزار تدوین خودت انجام می‌شود؛ CapCut روی موبایل یا Premiere و DaVinci روی کامپیوتر فرقی ندارد. ترتیب کار:

اول صدا، بعد تصویر. قطعه‌های نریشن را روی خط زمان بچین و بین‌شان نیم‌ثانیه فاصله بگذار. بعد کلیپ‌های ویدیو را روی صدا سوار کن، نه برعکس؛ ریتم ویدیو را نریشن تعیین می‌کند.
صدای خود مدل ویدیو. Veo 3.1 و Veo 3.1 Fast صدای همگام می‌سازند؛ اگر نریشن جدا داری، صدای محیط آن‌ها را کم کن تا با گفتار قاطی نشود. Kling 3.0 و Grok Imagine Video 1.5 بی‌صدا هستند و نریشن تنها صدای ویدیوست.
موسیقی زیر نریشن. موسیقی زمینه را خیلی پایین‌تر از گفتار بگذار و هر جا گوینده حرف می‌زند، باز هم پایین‌تر. این سه مدل موسیقی نمی‌سازند؛ موسیقی را از منبع خودت بیاور.
زیرنویس. بیشتر ریلزها بی‌صدا دیده می‌شوند. همان متن نریشن را زیرنویس کن؛ چون جمله‌ها کوتاه‌اند، زیرنویس هم خوانا می‌شود.

اگر ویدیو را هم با هوش مصنوعی می‌سازی، مسیر کامل سه‌پرده‌ای و «ادامه‌ی همین ویدیو» را در آموزش ساخت ریلز با هوش مصنوعی ببین و مدل‌ها را از راهنمای مدل‌های ساخت ویدیو انتخاب کن.

آواتار سخنگو با Avatar IV برای ویدیوی معرفی

اگر ویدیوی معرفی می‌خواهی که یک نفر رو به دوربین حرف بزند، فیلم‌برداری لازم نیست. مدل Avatar IV از HeyGen یک عکس و یک فایل صدا می‌گیرد و آواتار سخنگو با لب‌خوانی می‌سازد، در 720p یا 1080p. یعنی عکس مدیر آموزشگاه یا یک کاراکتر ساخته‌شده به‌علاوه‌ی نریشن GPT Audio می‌شود ویدیوی معرفی. مسیر:

نریشن را طبق قدم‌های بالا بساز و فایلش را دانلود کن.
در حالت «ویدیو» مدل Avatar IV را انتخاب کن (اگر در فهرستت نیست با سوئیچ کنارش روشنش کن).
عکس روبه‌رو و واضح از چهره را به‌عنوان مرجع بده، فایل صدا را ضمیمه کن و بساز.

هزینه‌ی Avatar IV حدود ۱۰ اعتبار برای هر ثانیه است، پس یک معرفی ۶۰ ثانیه‌ای حدود ۶۰۰ اعتبار می‌شود؛ با نرخ امروز حدود ۱٫۵۶ میلیون تومان. برای معرفی ۳۰ ثانیه‌ای نصف این. عکس را روبه‌رو، با نور یکدست و بدون عینک آفتابی بگیر؛ لب‌خوانی روی چهره‌ی واضح بهتر می‌نشیند.

هزینه‌ی یک ویدیوی ۶۰ ثانیه‌ای با نریشن

نریشن ارزان‌ترین بخش کار است؛ تصویر تعیین می‌کند چقدر خرج می‌کنی. چهار ترکیب واقعی برای یک ویدیوی یک‌دقیقه‌ای، با چهار قطعه‌ی ۱۵ ثانیه‌ای صدا و تست با GPT Audio Mini:

ترکیب	تصویر	نریشن (۴ قطعه)	تست	جمع (اعتبار)	با نرخ امروز حدود
ویدیوی واقعی خودت + ElevenLabs	—	۴ × ۷٫۲ = ۲۸٫۸	۴ × ۰٫۷۴ ≈ ۳	≈ ۳۲	۸۳ هزار تومان
اقتصادی: Grok Imagine Video 1.5 + GPT Audio Mini	۶۰ ثانیه × ۲٫۴ = ۱۴۴	۴ × ۰٫۷۴ ≈ ۳	—	≈ ۱۴۷	۳۸۲ هزار تومان
معرفی با آواتار: Avatar IV + GPT Audio	۶۰ ثانیه × ۱۰ = ۶۰۰	۴ × ۳٫۱ ≈ ۱۲٫۴	≈ ۳	≈ ۶۱۵	۱٫۶ میلیون تومان
تیزر: Kling 3.0 Standard + ElevenLabs	۶۰ ثانیه × ۱۶٫۸ = ۱٬۰۰۸	۴ × ۷٫۲ = ۲۸٫۸	≈ ۳	≈ ۱٬۰۴۰	۲٫۷ میلیون تومان

Kling 3.0 و Grok Imagine Video 1.5 از ۲۵ مهر تا ۱۵ ثانیه در هر ساخت می‌دهند، پس ویدیوی ۶۰ ثانیه‌ای چهار کلیپ است که با «ادامه‌ی همین ویدیو» به هم وصل می‌شوند. قیمت هر ساخت را قبل از زدن دکمه می‌بینی، کار ناموفق اعتبار کم نمی‌کند و اعتبار خریداری‌شده منقضی نمی‌شود. عدد به‌روز هر مدل در مدل‌ها و قیمت‌ها و خرید اعتبار در صفحه‌ی اعتبار است.

نکته‌های لحن و تلفظ اسم‌های خارجی

بیشتر خطاهای نریشن مصنوعی در فارسی دو جا رخ می‌دهد: اسم خارجی و جمله‌ی بلند. راه‌حل هر دو در متن است، نه در مدل.

اسم خارجی را فارسی بنویس. «اینستاگرام»، «یوتیوب»، «آیفون»؛ نه Instagram. اگر Instagram بنویسی، ممکن است با لهجه‌ی انگلیسی و با ریتم متفاوت خوانده شود.
اسم برند خودت را آن‌طور که می‌خواهی شنیده شود بنویس. اگر «نان ماه» باید «نانِ ماه» خوانده شود، کسره را بگذار: «نانِ ماه». یک بار با GPT Audio Mini تست کن و املای درست را نگه دار.
کلمه‌های دوپهلو. «کرم»، «شکر»، «مرد» چند جور خوانده می‌شوند. یا حرکت بگذار یا کلمه را عوض کن.
مکث قبل از عدد و اسم مهم. «قیمت؟ فقط دویست هزار تومان.» علامت سؤال و نقطه برای گوش بیننده همان کار تأکید را می‌کنند.
لحن را با جمله بساز، نه با علامت تعجب. چند علامت تعجب پشت هم لحن را مصنوعی می‌کند. جمله‌ی کوتاه و فعل قوی کافی است.
محاوره یا رسمی، یکی را انتخاب کن. تیزر و ریلز محاوره («می‌خوای»، «بزن»)، آموزش و پادکست تخصصی رسمی‌تر. قاطی‌کردن دو لحن در یک قطعه، گوش را اذیت می‌کند.
در ElevenLabs ثبات را دست بزن. اگر جمله‌ای با لحن عجیب خوانده شد، قبل از بازنویسی یک بار ثبات را بالاتر ببر.

سه نمونه متن نریشن: تیزر، آموزش، پادکست

سه متن آماده با همان قاعده‌ها؛ اسم‌ها و اعداد را عوض کن و بساز. مدت تقریبی هر کدام برای ریتم عادی گفتار نوشته شده.

تیزر ۱۵ ثانیه‌ای (کافه)، ElevenLabs Multilingual v2 با ثبات پایین

صبح‌ها یه چیزی کم داری.
دانه‌ی تازه، شیر خنک، یخ درشت.
قهوه‌ی سرد کافه‌ی ما... از امروز.
بیا، منتظرتیم.

آموزش ۴۵ ثانیه‌ای (آموزشگاه زبان)، GPT Audio با صدای آرام

امروز سه راه ساده برای حفظ لغت یاد می‌گیریم.
راه اول: هر لغت را در یک جمله‌ی خودت بنویس. نه جمله‌ی کتاب، جمله‌ی خودت.
راه دوم: لغت‌های جدید را روی کارت بنویس و هر روز پنج دقیقه مرور کن.
راه سوم: یک لغت را به یک تصویر وصل کن. مغز، تصویر را زودتر از کلمه به یاد می‌آورد.
همین سه راه را یک هفته امتحان کن. نتیجه‌اش را خودت می‌بینی.

مقدمه‌ی پادکست ۳۰ ثانیه‌ای، GPT Audio با صدای ثابت

سلام. به قسمت دوازدهم «کسب‌وکار کوچک» خوش اومدی.
این قسمت درباره‌ی قیمت‌گذاریه. این‌که چطور قیمتی بدی که هم مشتری بمونه، هم خودت.
مهمون این هفته، صاحب یه فروشگاه اینستاگرامیه که سه سال پیش با ده تا محصول شروع کرد.
بریم سراغ گفت‌وگو.

برای پادکست، همین مقدمه و تیتراژ پایانی را یک بار با یک صدای GPT Audio بساز و در همه‌ی قسمت‌ها همان را نگه دار؛ ثبات صدای این مدل برای همین است. برای دوبله، متن ترجمه‌شده را با همین قاعده‌ها تکه کن و با ElevenLabs Multilingual v2 که چندزبانه است بساز.

سؤال‌های رایج

نریشن با هوش مصنوعی برای فارسی طبیعی درمی‌آید؟

بله، اگر متن برای گفتار نوشته شده باشد: جمله‌ی کوتاه، عدد با حروف، علائم مکث. ElevenLabs Multilingual v2 طبیعی‌ترین و احساسی‌ترین است و GPT Audio یکدست‌تر و ارزان‌تر؛ در جمله‌های پیچیده‌ی فارسی گاهی لحن تنظیم می‌خواهد.

هزینه‌ی نریشن یک ویدیوی ۶۰ ثانیه‌ای چقدر است؟

چهار قطعه‌ی ۱۵ ثانیه‌ای با GPT Audio Mini حدود ۳ اعتبار، با GPT Audio حدود ۱۲٫۴ و با ElevenLabs Multilingual v2 حدود ۲۸٫۸ اعتبار؛ با نرخ امروز از حدود ۸ هزار تا ۷۵ هزار تومان. قیمت دقیق را قبل از ساخت می‌بینی.

می‌شود صدای خودم را کلون کنم؟

این آموزش با صداهای آماده‌ی مدل‌ها کار می‌کند: ده‌ها صدا در ElevenLabs و هشت صدا در GPT Audio. برای برند، یکی را انتخاب کن و همیشه همان را نگه دار.

کدام مدل ویدیو خودش صدا می‌سازد؟

Veo 3.1 و Veo 3.1 Fast صدای همگام دارند. Kling 3.0، Grok Imagine Video 1.5 و Avatar IV صدا نمی‌سازند؛ برای آن‌ها نریشن را جدا بساز. Avatar IV خودش فایل صدای تو را می‌گیرد و لب‌خوانی می‌کند.

اگر صدا بد درآمد، اعتبار برمی‌گردد؟

کار ناموفق (خطا) اعتبار کم نمی‌کند. قطعه‌ای که ساخته شده ولی لحنش را دوست نداری، کار موفق است و هزینه دارد؛ برای همین اول با GPT Audio Mini تست کن.

یکی از سه نمونه متن را کپی کن، در حالت «صدا» GPT Audio Mini را انتخاب کن و در چند ثانیه بشنو.

اولین نریشنت را بساز