تبدیل متن به صدا (TTS): راهنمای جامع ساخت صدای طبیعی با هوش مصنوعی (۱۴۰۵)
تبدیل متن به صدا در چند سال از صدای رباتیک به صدایی نزدیک به انسان رسیده است. در این راهنما میخوانید TTS چطور کار میکند، به چه دردی میخورد، متن را چطور آماده کنید که طبیعی شنیده شود، چطور مسئولانه از صدای هوش مصنوعی استفاده کنید و چطور هر متنی را در چند ثانیه به پیام صوتی تبدیل کنید.
جواب کوتاه: تبدیل متن به صدا (TTS) متن نوشتهشده را به صدای گفتاری تبدیل میکند. چند سال پیش صدایش رباتیک بود؛ صداهای هوش مصنوعی امروز مثل یک آدم نفس میکشند، مکث میکنند و لحنشان را عوض میکنند. میتوانید بهجای خواندن گوش کنید، روی ویدیو صداگذاری کنید، زبان تمرین کنید یا بدون ضبط صدای خودتان ویس بفرستید. با یک ربات تلگرام مثل هِیمِس متن فارسی را میفرستید و در چند ثانیه یک پیام صوتی طبیعی تحویل میگیرید.
در این راهنما میخوانید
TTS چیست و صدای هوش مصنوعی چطور ساخته میشود
شش کاربرد روزمره
هشت نکته برای نتیجه طبیعی، با نکتههای مخصوص فارسی
چطور ابزار مناسب را انتخاب کنیم
استفاده مسئولانه از صدای هوش مصنوعی
تبدیل متن به پیام صوتی داخل تلگرام
تبدیل متن به صدا چیست؟
تبدیل متن به صدا نرمافزاری است که متن نوشتهشده را با یک صدای مصنوعی بلند میخواند. به آن سنتز گفتار یا تبدیل متن به گفتار هم میگویند و در اپلیکیشنها با نامهایی مثل «خواندن متن»، «گوینده هوش مصنوعی» یا «ساخت صدا» دیده میشود.
دو فناوری نزدیک به آن را نباید با هم قاطی کرد:
تبدیل صدا به متن (تایپ صوتی یا تشخیص گفتار) برعکس کار میکند: حرف زدن را به متن تبدیل میکند.
شبیهسازی صدا (Voice Cloning) از روی صدای ضبطشده یک فرد مشخص، کپی صدای همان فرد را میسازد. TTS معمولی بهجای آن از صداهای آماده استفاده میکند.
این اصطلاحها و دهها اصطلاح دیگر را در واژهنامه هوش مصنوعی توضیح دادهایم.
تبدیل متن به صدا چطور کار میکند: از رباتیک تا طبیعی
TTS سه نسل بزرگ را پشت سر گذاشته است:
روش اتصالی صدای ضبطشده یک گوینده را به تکههای خیلی کوچک میبرید و دوباره کنار هم میچسباند. صدا میتوانست واضح باشد، اما محل اتصالها شنیده میشد و برای عوض کردن صدا یا احساس باید یک بانک صدای کامل دوباره ضبط میشد.
روش پارامتریک گفتار را از روی یک مدل آماری میساخت. انعطاف داشت، اما صدایش وزوزی و یکنواخت بود.
روش عصبی همه چیز را عوض کرد. در سال ۲۰۱۶ مدل WaveNet از شرکت DeepMind موج صدا را مستقیم و نمونهبهنمونه ساخت و در آزمونهای شنیداری کور، فاصله بهترین سیستمهای آن زمان با صدای انسان را بیش از نصف کم کرد. در سال ۲۰۱۷ مدل Tacotron 2 گوگل یک شبکه که ویژگیهای صدا را از روی متن پیشبینی میکرد با یک «وکودر» شبیه WaveNet ترکیب کرد و به طبیعی بودنی همسطح صدای ضبطشده حرفهای رسید.

بیشتر سیستمهای امروزی هنوز سه مرحله دارند:
تحلیل متن. متن تمیز و باز میشود: «دکتر» از «دکتر.» درمیآید، «۱۴۰۵» به «هزار و چهارصد و پنج» تبدیل میشود و سیستم تلفظ کلمهها و جای جملهها و مکثها را مشخص میکند.
مدل صوتی. یک شبکه عصبی پیشبینی میکند گفتار چطور باید شنیده شود: زیر و بمی، سرعت، تأکید و لحن؛ معمولاً به شکل یک طیفنگاره (تصویری از صدا).
وکودر. شبکه دوم این تصویر را به موج صوتی واقعیای که میشنوید تبدیل میکند.
جدیدترین صداها روی همان فناوری مدلهای زبانی بزرگ ساخته شدهاند که چتباتها را میسازد (مقاله هوش مصنوعی چیست و چطور کار میکند؟ را ببینید)؛ برای همین زمینه جمله را بهتر میفهمند: سؤال واقعاً مثل سؤال خوانده میشود و فهرست مثل فهرست.
تبدیل متن به صدا به چه دردی میخورد؟

دسترسپذیری. به گفته Understood، سازمانی که درباره تفاوتهای یادگیری کار میکند، برای کسانی که نارساخوانی (دیسلکسیا)، ضعف بینایی یا خستگی خواندن دارند، شنیدن متن همزمان با دیدنش خواندن را خیلی راحتتر میکند.
گوش دادن بهجای خواندن. مقالههای طولانی، جزوه و یادداشتها را برای مسیر رفتوآمد، باشگاه یا آشپزخانه صوتی کنید.
صداگذاری ویدیو. ریلز، شورتس، آموزش و ویدیوی محصول بدون میکروفون و اتاق ساکت، نریشن تمیز میگیرند.
یادگیری زبان. بشنوید یک جمله چطور تلفظ میشود، تکرار کنید و تلفظ خودتان را مقایسه کنید.
کسبوکار و اطلاعرسانی. منوی تلفنی، اعلان فروشگاه، ویدیوی آموزشی و معرفی محصول با یک صدای ثابت.
پیامهایی که نمیتوانید ضبط کنید. وقتی جای شلوغی هستید، از صدای خودتان خجالت میکشید یا به زبانی مینویسید که روان صحبتش نمیکنید، یک ویس مرتب بفرستید.
هشت نکته برای صدایی طبیعی
صدای خوب فقط نصف کار است؛ نصف دیگر متنی است که به آن میدهید. متنی که روی صفحه خوب خوانده میشود، همیشه بلند خوب شنیده نمیشود.

برای گوش بنویسید. جملههای کوتاه و کلمههای ساده. شنونده نمیتواند به عقب برگردد.
با علامتگذاری مکث را کنترل کنید. ویرگول مکث کوتاه میدهد و نقطه مکث بلندتر. علامت سؤال لحن را عوض میکند؛ فقط برای سؤال واقعی بگذارید.
عدد، تاریخ و واحد را همانطور بنویسید که باید خوانده شود. «۳/۴» مبهم است؛ «سوم فروردین» نه. «۵ km» را بنویسید «پنج کیلومتر».
اختصار و نماد را باز کنید. «ج.ا.»، «&» یا «٪» ممکن است عجیب خوانده شوند؛ بنویسید «جمهوری اسلامی»، «و»، «درصد».
به کلمههای دوتلفظی کمک کنید. در فارسی بدون اِعراب، کلمههایی مثل «کرم» (کِرم یا کَرَم) یا «مهر» (مِهر یا مُهر) دو تلفظ دارند. اِعراب بگذارید یا جمله را طوری بنویسید که معنی روشن باشد.
نیمفاصله را رعایت کنید و در هر متن یک زبان بنویسید. «میروم» با نیمفاصله درستتر خوانده میشود تا «میروم». جابهجا شدن بین فارسی و انگلیسی وسط جمله ممکن است لهجه را عوض کند؛ نامهای خارجی را ساده و ترجیحاً به فارسی بنویسید.
صدا را با محتوا هماهنگ کنید. صدای آرام و بم برای مدیتیشن یا مستند، صدای پرانرژی و شاد برای تبلیغ یا تبریک تولد.
قبل از انتشار گوش دهید و متن طولانی را تکه کنید. یک نسخه بسازید، گوش کنید، جملههایی را که خوب نشدهاند اصلاح کنید و دوباره بسازید. تکههای کوتاهتر راحتتر اصلاح میشوند.
استودیوهای حرفهای با SSML، زبان نشانهگذاری W3C برای تعیین دقیق مکث، تأکید و تلفظ، یک قدم جلوتر میروند. برای کارهای روزمره، همین نکتهها بیشتر راه را میروند. برای نوشتن دستورهای روشن برای هوش مصنوعی، آموزش جامع پرامپتنویسی را هم بخوانید.
چطور ابزار تبدیل متن به صدا را انتخاب کنیم؟
| گزینه | کیفیت صدا | چه چیزی میگیرید | هزینه و دردسر |
|---|---|---|---|
| خواننده داخلی (گوشی، کامپیوتر، مرورگر) | واضح، اما اغلب ماشینی | متن صفحه را میخواند؛ معمولاً فایل صوتی نمیدهد | رایگان؛ بدون نصب |
| سرویسهای ابری برای برنامهنویسها | خیلی طبیعی | فایل صوتی از طریق API | پرداخت بر اساس کاراکتر؛ برنامهنویسی و کارت بانکی بینالمللی لازم است |
| استودیوهای آنلاین صدا | خیلی طبیعی، با امکانات زیاد | فایل، ابزار ویرایش، کتابخانه صدا | معمولاً اشتراک ماهانه |
| هِیمِس در تلگرام | صدای طبیعی هوش مصنوعی، ۱۰ صدا | پیام صوتی تلگرام، آماده فوروارد یا ذخیره | ۰٫۰۳ تون برای هر پیام، بدون اشتراک و بدون نصب |
انتخاب درست به حجم کار بستگی دارد. اگر هر هفته ساعتها صدا تولید میکنید، اشتراک یک استودیو ممکن است بیرزد. اگر گاهی یک ویس و گاهی یک صداگذاری لازم دارید، پرداخت برای هر پیام داخل اپلیکیشنی که همیشه باز است سادهتر است.
استفاده مسئولانه از صدای هوش مصنوعی
صدای هوش مصنوعی قدرتمند است، پس چند قانون مهم است:
هرگز صدای یک آدم واقعی را بدون اجازهاش شبیهسازی یا تقلید نکنید. کمیسیون تجارت فدرال آمریکا (FTC) هشدار میدهد کلاهبردارها با شبیهسازی صدا، تماسهای جعلی از طرف اعضای خانوادهای که «در دردسر افتادهاند» میگیرند. اگر تماس فوریای گرفتید که پول میخواست، قطع کنید و با شمارهای که خودتان دارید به همان فرد زنگ بزنید.
به مخاطب بگویید صدا ساخته هوش مصنوعی است. برای مثال سیاستهای استفاده OpenAI لازم میداند به شنونده بهروشنی گفته شود صدایی که میشنود با هوش مصنوعی ساخته شده است.
قوانین محتوا را رعایت کنید. سرویسهای صدای هوش مصنوعی متنهای نفرتپراکن، فریبنده یا نامناسب را نمیخوانند.
هِیمِس فقط از صداهای آماده هوش مصنوعی استفاده میکند و صدای واقعی هیچکس را کپی نمیکند.
تبدیل متن به صدا در تلگرام با هِیمِس
هِیمِس صداهای طبیعی هوش مصنوعی را به همان پیامرسانی میآورد که همیشه باز است؛ بدون نصب اپلیکیشن و بدون اشتراک:
ربات را باز کنید: t.me/heymesbot و Start را بزنید.
از منو «تبدیل متن به صدا» را بزنید یا خیلی ساده بنویسید «این متن را بلند بخوان: …».
متن را بفرستید؛ تا ۱۰۰۰ کاراکتر (حدود یک دقیقه صحبت)، به فارسی یا هر زبان دیگری.
پیام صوتی تلگرام را در چند ثانیه تحویل بگیرید. زیرش دکمه 🔁 ساخت دوباره یک خوانش تازه میسازد و 🎙️ صدای دیگر فهرست صداها را باز میکند.
صدایتان را یک بار انتخاب کنید. ده صدا هست: Alloy (متعادل)، Marin (گرم)، Cedar (آرام)، Nova (پرانرژی)، Onyx (بم)، Coral (شاد)، Ash (شفاف)، Sage (نرم)، Echo (صمیمی) و Shimmer (لطیف). انتخابتان برای همه پیامهای بعدی ذخیره میشود.

یک امکان اضافه هم برای اهل چت هست: زیر هر جواب گفتوگوی هوشمند هِیمِس دکمه 🔊 شنیدن هست تا بهجای خواندن جواب، آن را بشنوید.
قیمت: هر پیام صوتی قیمت ثابت ۰٫۰۳ تون دارد، دکمه «شنیدن» هم همینطور، و فقط وقتی کسر میشود که پیام صوتی به دستتان برسد. شارژ با تون (گرام) از هر کیف پول تون انجام میشود؛ مقاله خرید گرام و شارژ هِیمِس قدمبهقدم توضیح میدهد. همین ربات گفتوگو هم میکند، عکس میسازد و ویرایش میکند، ویدیو و موسیقی هم میسازد؛ راهنمای جامع هوش مصنوعی در تلگرام را ببینید.
همین حالا امتحان کنید
یک متن که ترجیح میدهید بشنوید تا بخوانید انتخاب کنید: یک پاراگراف از جزوه، کپشن ویدیوی بعدیتان یا پیامی برای یک دوست. آن را برای ربات بفرستید؛ کمتر از یک دقیقه بعد، با صدایی که دوست دارید، بهصورت پیام صوتی دستتان است.
جزئیات بیشتر: صفحه قابلیت تبدیل متن به صدا و فهرست کامل قیمتها.
دیدگاهها
هنوز دیدگاهی ثبت نشده. اولین نفری باشید که نظر میدهد.
دیدگاه خود را بنویسید
دیدگاهها پس از بررسی نمایش داده میشوند. لطفاً مرتبط و محترمانه بنویسید.