راهنمای مدل‌های صدا در چراغ: ElevenLabs و GPT Audio
مدل تبدیل متن به گفتار متن نوشته‌شده را به صدای انسانی تبدیل می‌کند؛ تو متن را می‌نویسی و فایل صدا را می‌گیری. در چراغ سه مدل صدا به‌صورت پیش‌فرض روشن است: ElevenLabs Multilingual v2 برای طبیعی‌ترین و احساسی‌ترین نریشن، GPT Audio برای گفتار باثبات با قیمت کمتر، و GPT Audio Mini برای کارهای پرتکرار و ارزان. قاعده‌ی سرانگشتی: پیش‌نویس را با GPT Audio Mini بساز و نسخه‌ی نهایی را با ElevenLabs یا GPT Audio.
مدل تبدیل متن به گفتار چیست و به چه دردی می‌خورد؟
مدل تبدیل متن به گفتار (Text to Speech) یک مدل هوش مصنوعی است که از روی متن، صدای گوینده می‌سازد؛ با لحن، مکث و تلفظ شبیه آدم. فرقش با گوینده‌ی واقعی این است که همین حالا آماده است، هر بار متن را عوض کنی دوباره می‌خواند و هزینه‌اش به اندازه‌ی یک قطعه است، نه یک روز استودیو.
کجا به کار می‌آید؟
- نریشن ریلز و استوری: متن پست را می‌نویسی، صدا را روی ویدیو می‌گذاری.
- پادکست: مقدمه، تیتراژ و بخش‌های ثابت هر قسمت، یا کل قسمت برای کسی که نمی‌خواهد خودش حرف بزند.
- کتاب صوتی و درس‌نامه: آموزشگاهی که جزوه‌هایش را صوتی می‌کند تا هنرجو در مسیر هم گوش بدهد.
- تیزر و تبلیغ: ده نسخه‌ی مختلف از یک شعار را می‌شنوی و بهترین را انتخاب می‌کنی.
- دوبله: متن ترجمه‌شده را به زبان دیگر می‌خوانی.
- پیام‌های صوتی تکراری: پیام خوشامد، راهنمای تلفنی، اعلان‌های داخل اپ.
صدا یکی از چهار نوع مدل در چراغ است؛ کنار چت، عکس و ویدیو. اگر هنوز نمی‌دانی مدل با اپ چه فرقی دارد، مدل هوش مصنوعی چیست را بخوان.
سه مدل صدای چراغ در یک جدول
قیمت هر مدل به اعتبار ثابت است و به ازای هر قطعه‌ی صدا حساب می‌شود؛ معادل تومانی با نرخ روز دلار تغییر می‌کند. قیمت‌ها تا ۱۹ مهر ۱۴۰۵ و با نرخ امروز، هر اعتبار حدود ۲٬۶۰۰ تومان.
| مدل | سازنده | رده | ≈ اعتبار/قطعه | با نرخ امروز | بهترین کاربرد | ضعف |
|---|---|---|---|---|---|---|
| ElevenLabs Multilingual v2 | ElevenLabs | پریمیوم | ۷٫۲ | حدود ۱۸٬۷۰۰ تومان | نریشن احساسی، پادکست، دوبله، کتاب صوتی، تیزر | لحن در جمله‌های پیچیده‌ی فارسی گاهی تنظیم می‌خواهد |
| GPT Audio | OpenAI | پریمیوم | ۳٫۱ | حدود ۸٬۱۰۰ تومان | نریشن و کتاب صوتی با صدای ثابت، دوبله | موسیقی نمی‌سازد |
| GPT Audio Mini | OpenAI | اقتصادی | ۰٫۷۴ | حدود ۱٬۹۰۰ تومان | پروژه‌های پرتکرار، محتوای صوتی شبکه‌های اجتماعی، تست متن | نسخه‌ی سبک‌تر GPT Audio |
ElevenLabs Multilingual v2
طبیعی‌ترین و احساسی‌ترین صدای این فهرست. چندزبانه است، ده‌ها صدای آماده دارد و سه تنظیم مهم به تو می‌دهد: ثبات، شباهت و سرعت. برای نریشنی که باید حس داشته باشد، تیزر برند، پادکست داستانی و کتاب صوتی انتخاب اول است. در جمله‌های پیچیده‌ی فارسی گاهی لحن را باید با کوتاه کردن جمله یا تغییر تنظیم ثبات درست کنی.
GPT Audio
گفتار طبیعی با ثبات صدا؛ یعنی قطعه‌ی دهم همان‌قدر شبیه قطعه‌ی اول است. هشت صدای آماده دارد: alloy، ash، ballad، coral، echo، sage، shimmer و verse. برای کتاب صوتی چندساعته، درس‌نامه و دوبله که یکدستی مهم‌تر از اوج احساس است، گزینه‌ی مطمئن و ارزان‌تری است. موسیقی نمی‌سازد؛ فقط گفتار.
GPT Audio Mini
نسخه‌ی ارزان و سریع GPT Audio برای کارهای پرتکرار: ریلز روزانه، استوری، پیام‌های کوتاه. GPT Audio Mini و GPT Audio یک خانواده‌اند و در انتخابگر چراغ یک ردیف دارند؛ با اسلایدر بین نسخه‌ی سبک‌تر و قوی‌تر جابه‌جا می‌شوی. قیمت هر مدل روی ردیفش نوشته شده و در صفحه‌ی مدل‌ها و قیمت‌ها هم هست.
کدام مدل صدا را کی انتخاب کنیم؟
جواب کوتاه: هر جا احساس می‌فروشی ElevenLabs، هر جا یکدستی می‌خواهی GPT Audio، هر جا تعداد بالا و بودجه‌ی کم داری GPT Audio Mini. سناریوها:
ریلز و استوری
متن کوتاه است و هر هفته چند تا می‌سازی. با GPT Audio Mini شروع کن؛ هر قطعه زیر یک اعتبار است و برای تست متن و ریتم کافی است. اگر ریلز تبلیغ محصول گران یا معرفی برند است، نسخه‌ی نهایی را با ElevenLabs بساز.
پادکست
صدای مجری باید در همه‌ی قسمت‌ها یکی باشد. GPT Audio با ثبات صدا برای همین ساخته شده؛ یک صدا را انتخاب کن و تا آخر فصل همان را نگه دار. برای قسمت‌های داستانی یا بخش‌هایی که باید حس داشته باشد، ElevenLabs را امتحان کن.
کتاب صوتی و درس‌نامه
متن طولانی است، پس قیمت و یکدستی مهم‌تر است: GPT Audio. آموزشگاه زبانی که ۳۰ درس را صوتی می‌کند، با یک صدا و تنظیم ثابت، نتیجه‌ی حرفه‌ای می‌گیرد. رمان یا متن ادبی را با ElevenLabs امتحان کن.
چت‌بات صوتی و پیام‌های تکراری
پیام خوشامد، راهنمای تلفنی، پاسخ‌های آماده: GPT Audio Mini. پرتکرار و ارزان، و برای متن‌های کوتاه و اطلاع‌رسانی کیفیتش کافی است.
دوبله و محتوای دوزبانه
ElevenLabs Multilingual v2 چندزبانه است و لحن طبیعی‌تری در زبان‌های مختلف دارد. برای ویدیویی که نسخه‌ی فارسی و انگلیسی می‌خواهد، گزینه‌ی اول است.
نکته‌های متن فارسی برای صدای طبیعی
کیفیت صدا نصفش به متن بستگی دارد. مدل همان چیزی را می‌خواند که تو نوشته‌ای، پس متن را برای شنیدن بنویس، نه برای خواندن.
- جمله‌ها را کوتاه کن. زیر ۱۵ کلمه. جمله‌ی بلند با چند «که» و «و» لحن را خراب می‌کند، به‌خصوص در ElevenLabs.
- علائم را درست بگذار. ویرگول یعنی مکث کوتاه، نقطه یعنی مکث بلندتر، علامت سؤال یعنی لحن پرسشی. متن بی‌علامت یک‌نفس خوانده می‌شود.
- اعداد را با حروف بنویس. «دو میلیون و پانصد هزار تومان» را درست می‌خواند؛ رقم ممکن است رقم به رقم خوانده شود. تاریخ و ساعت هم همین‌طور.
- اسم‌های خارجی را فارسی بنویس. «اینستاگرام» به‌جای Instagram، مگر این‌که بخواهی با لهجه‌ی انگلیسی خوانده شود.
- مخفف نگذار. «ساعت ده صبح» به‌جای «۱۰ ص».
- کلمه‌های دوپهلو را عوض کن. «کرم» یا «شکر» می‌تواند دو جور خوانده شود؛ اگر جمله روشن نمی‌کند، کلمه را تغییر بده.
- یک قطعه‌ی کوتاه را اول تست کن. با GPT Audio Mini. اگر تلفظ یا لحن جایی غلط بود، همان جمله را بازنویسی کن، نه کل متن را.
- در ElevenLabs با تنظیم‌ها بازی کن. ثبات بالاتر یعنی صدای یکدست‌تر و کم‌احساس‌تر؛ ثبات کمتر یعنی حس بیشتر و ریسک لحن غیرمنتظره.
هزینه‌ی یک پروژه‌ی نمونه
قیمت هر قطعه قبل از ساخت در چراغ نشان داده می‌شود و بعد از ساخت هزینه‌ی واقعی کسر می‌شود؛ کار ناموفق هم رایگان است. سه پروژه‌ی نمونه با نرخ امروز (هر اعتبار حدود ۲٬۶۰۰ تومان):
| پروژه | مدل | تعداد قطعه | ≈ اعتبار | با نرخ امروز |
|---|---|---|---|---|
| ۲۰ ریلز در ماه با نریشن کوتاه | GPT Audio Mini | ۲۰ | ۱۴٫۸ | حدود ۳۸٬۵۰۰ تومان |
| پادکست ۱۰ قسمتی، هر قسمت ۴ قطعه | GPT Audio | ۴۰ | ۱۲۴ | حدود ۳۲۲٬۰۰۰ تومان |
| تیزر برند، ۵ نسخه برای انتخاب | ElevenLabs Multilingual v2 | ۵ | ۳۶ | حدود ۹۴٬۰۰۰ تومان |
برای مقایسه: یک آژانس که هر ماه برای ۵ مشتری ریلز نریشن‌دار می‌سازد (۵ مشتری × ۸ ریلز = ۴۰ قطعه)، با GPT Audio Mini حدود ۳۰ اعتبار خرج می‌کند؛ با نرخ امروز حدود ۷۷٬۰۰۰ تومان در ماه. اگر همه را با ElevenLabs بسازد، ۲۸۸ اعتبار، حدود ۷۵۰٬۰۰۰ تومان. تفاوت ده‌برابری دلیل همان قاعده‌ی دو مرحله‌ای است.
اعتبار خریداری‌شده منقضی نمی‌شود، پس می‌توانی یک بار بخری و در طول فصل خرج کنی. سازوکار کامل در اعتبار چراغ چطور کار می‌کند توضیح داده شده.
صدا را به ویدیو وصل کن
صدای ساخته‌شده را در ادیتور خودت روی ویدیو بگذار، یا یک قدم جلوتر برو: مدل Avatar IV از HeyGen یک عکس و یک صدا می‌گیرد و آواتار سخنگو با لب‌خوانی می‌سازد، در 720p یا 1080p. یعنی عکس مدرس آموزشگاه به‌علاوه‌ی نریشن GPT Audio می‌شود ویدیوی آموزشی بدون فیلم‌برداری. مدل‌های ویدیویی چراغ و قیمت‌شان را در راهنمای مدل‌های ساخت ویدیو ببین.
سؤال‌های رایج
کدام مدل تبدیل متن به گفتار برای فارسی طبیعی‌تر است؟
ElevenLabs Multilingual v2 طبیعی‌ترین و احساسی‌ترین است و فارسی را می‌خواند؛ فقط در جمله‌های پیچیده گاهی لحن تنظیم می‌خواهد. GPT Audio یکدست‌تر و ارزان‌تر است.
قیمت ساخت صدا با هوش مصنوعی در چراغ چقدر است؟
به ازای هر قطعه: ElevenLabs Multilingual v2 حدود ۷٫۲ اعتبار، GPT Audio حدود ۳٫۱ و GPT Audio Mini حدود ۰٫۷۴. با نرخ امروز یعنی از حدود ۱٬۹۰۰ تا ۱۸٬۷۰۰ تومان برای هر قطعه؛ قیمت دقیق را قبل از ساخت می‌بینی.
اگر صدا خوب درنیامد، اعتبار برمی‌گردد؟
کار ناموفق (خطا) اعتبار کم نمی‌کند. خروجی موفقی که دوستش نداری هزینه دارد؛ برای همین اول با GPT Audio Mini تست کن.
با این مدل‌ها می‌شود موسیقی هم ساخت؟
نه. این سه مدل گفتار می‌سازند؛ GPT Audio به‌صراحت موسیقی نمی‌سازد. برای موسیقی زمینه از منبع دیگری استفاده کن.
چطور از صدا یک ویدیوی سخنگو بسازم؟
صدا را با یکی از این مدل‌ها بساز، بعد در حالت ویدیو مدل Avatar IV را انتخاب کن و عکس و صدا را به آن بده؛ خروجی آواتار سخنگو با لب‌خوانی است.
متن کوتاهی بنویس، GPT Audio Mini را انتخاب کن و در چند ثانیه بشنو.
