نکات کلیدی
- صدا، هویت و جنس گوینده را تعیین می‌کند؛ مدل، تواناییِ تولید و زبان‌های پشتیبانی‌شده را.
- فارسی در فهرست Eleven v3 و خانواده v4 آمده است؛ نام «چندزبانه» به‌تنهایی کافی نیست.
- طراحی صدا، شبیه‌سازی صدای یک فرد نیست؛ دوبله هم با تعویض صدا یا لیپ‌سینک یکی نیست.
کدام مسیر با فایل شما سازگار است؟
متن دارید و گوینده می‌خواهید: از Text to Speech استفاده کنید. متن ورودی است و صدای انتخاب‌شده، گوینده خروجی را مشخص می‌کند.
صدایی با ویژگی‌های خاص می‌خواهید: Voice Design را انتخاب کنید. سن تقریبی، زبان، جنس و حالت صدا را توصیف کنید و نمونه‌های پیشنهادی را گوش دهید.
صدای مشخصی را با اجازه صاحب آن می‌خواهید: مسیر Voice Cloning مرتبط است. فایل تمیز و رضایت معتبر لازم است؛ نمونه ضبط‌شده یک فرد، مجوز استفاده از صدایش نیست.
ویدیویی به زبان دیگر دارید: دوبله را بررسی کنید. زبان و متن ترجمه‌شده باید بازبینی شوند. دوبله، حرکت لبِ تصویر را خودکار به معنای لیپ‌سینک تبدیل نمی‌کند.
برای فارسی کدام مدل را انتخاب کنیم؟
| مدل | وضعیت فارسی در فهرست رسمی | نکته انتخاب |
|---|---|---|
| Eleven v3 | فارسی با شناسه fas آمده است. | مسیر مستند تبدیل متن به گفتار؛ برای لحن بیان‌گر هم مطرح است، بدون تضمین تلفظ تمام نام‌ها. |
| Eleven v4 و v4 Turbo | فارسی در خانواده زبان‌های پشتیبانی‌شده آمده است. | روش فراخوانی و کنترل‌ها را برای همان مسیر بررسی کنید؛ v4 در مستندات، Text to Dialogue هم دارد. |
| Multilingual v2 | فارسی در فهرست ۲۹ زبانِ مستند نیامده است. | از نام Multilingual، پشتیبانی فارسی نتیجه نگیرید. |
| Flash v2.5 | فارسی در فهرست ۳۲ زبانِ مستند نیامده است. | سرعت، پشتیبانی زبانِ موردنیاز را جایگزین نمی‌کند. |
این جدول بر فهرست رسمی مدل‌ها تکیه دارد، نه آزمون کیفیت ما. اگر یک سرویس واسط فقط بخشی از مدل‌ها را ارائه می‌کند، فهرستِ همان سرویس را ببینید. قابلیت API سازنده، فعال‌بودنِ آن مدل در جنارا را ثابت نمی‌کند.
متن فارسی را پیش از تولید چگونه آماده کنیم؟
جمله‌ها را با نشانه‌گذاری روشن و پاراگراف‌های کوتاه بنویسید. نام خاص، عدد، مخفف و اصطلاح انگلیسی را مشخص کنید؛ همین بخش‌ها معمولاً به بازشنوی بیشتری نیاز دارند. برای تلفظ مشکل‌دار، ابتدا نگارشِ خواناتر یا جمله ساده‌تر را امتحان کنید و تغییر را فقط در همان قطعه بسنجید.
متنِ مقاله و متنِ گفتار الزاماً یکسان نیستند. گوینده باید فهرست و پرانتز را هم بخواند؛ بنابراین متن را یک بار با صدای خودتان بخوانید و جمله‌ای را که هنگام خواندن پیچیده می‌شود، بازنویسی کنید. توضیحِ لازم را نگه دارید، اما عبارت‌های تزئینی و تکراری را حذف کنید.
یک خروجیِ کوتاه را مرحله‌به‌مرحله بسازید
- یک قطعه نماینده انتخاب کنید. بخشی را بردارید که نام‌ها و اصطلاح‌های مهمِ متن شما را داشته باشد؛ یک جمله بی‌دردسر، کیفیت کل متن را نشان نمی‌دهد.
- صدا و مدل را جدا انتخاب کنید. در راهنمای Text to Speech، صدای کتابخانه، صدای طراحی‌شده و صدای شبیه‌سازی‌شده مسیرهای انتخابِ گوینده‌اند. مدل را جدا با زبان موردنیاز تطبیق دهید.
- متن را تولید و کامل گوش کنید. نام‌ها، عددها، مکث‌ها و پایان جمله را علامت بزنید. ابتدا متن را اصلاح کنید و بعد تنظیمِ بیان را تغییر دهید تا علت بهبود روشن بماند.
- کنترل را از همان مدل بخوانید. همه مدل‌ها تنظیم یکسان ندارند؛ برای مثال، راهنمای محصول می‌گوید کنترل Speed برای v3 در دسترس نیست. عددِ پیشنهادیِ یک آموزش را به مدل دیگر منتقل نکنید.
- نسخه قابل‌قبول را در پروژه قرار دهید. موسیقی را بعد از اطمینان از وضوح گفتار اضافه کنید و فایلِ نهایی را دوباره گوش دهید؛ شنیدنِ پیش‌نمایش کوتاه کافی نیست.
اگر نام یک مدلِ فارسی‌پذیر در جنارا فعال است، همین ترتیبِ متن ← انتخاب صدا و مدل ← تولید کوتاه ← اصلاح را دنبال کنید. در این بازبینی، مسیر اجرایی ElevenLabs در جنارا تأیید نشده است؛ بنابراین نام منو یا کنترلِ تأییدنشده‌ای به شما نمی‌دهیم.
صدای تازه را چگونه توصیف کنیم؟
Voice Design از توصیفِ صدا، سه پیشنهادِ شنیداری می‌سازد. در توضیح، زبان و لهجه، سن تقریبی، جنس صدا، سرعت و حالت بیان را روشن کنید. متنِ پیش‌نمایش باید با این توصیف سازگار باشد؛ متن آرام برای ارزیابی یک گزارشگرِ پرهیجان کافی نیست.
سه نمونه زیر از مثال‌های متنیِ رسمیِ طراحی صدا انتخاب شده‌اند. آن‌ها نمونه فارسی یا نتیجه تولید ما نیستند؛ فایل شنیداریِ متناظرشان در این پیش‌نمایش موجود نیست و بدون شنیدن، کیفیتشان را رتبه‌بندی نمی‌کنیم.
گزارشگر ورزشیِ پرانرژی
در نمونه رسمی، گوینده زن با بیان سریع و هیجان بالا توصیف شده است. کاربردِ این توصیف، مشخص‌کردن انرژی و ریتم است؛ نه صرفاً نوشتن «صدای جذاب». برای کار فارسی، زبان و لهجه مطلوب را هم جدا اضافه کنید و نتیجه را گوش دهید.
گوینده تریلرِ نمایشی
در مثالِ تریلر، جنس و حالتِ نمایشیِ بیان محور توصیف‌اند. هنگام ارزیابی، وضوح واژه‌ها و مکثِ جمله را کنار حسِ دراماتیک بسنجید؛ صدای بم به‌تنهایی به معنی روایت مناسب نیست.
شخصیتِ کارتونی با صدای زیر
در نمونه کارتونی، صدای زیر و شخصیت‌دار مطرح است. این ویژگی می‌تواند برای یک کاراکتر مفید باشد، اما نباید فهم گفتار را خراب کند. ابتدا جمله کوتاهِ واقعیِ همان شخصیت را آزمایش کنید.
طراحی صدا و شبیه‌سازی صدا چه فرقی دارند؟
Voice Design از توصیف، صدای پیشنهادی می‌سازد؛ Voice Cloning از ضبطِ مجاز، ویژگی‌های گوینده را مبنا قرار می‌دهد. در Instant Voice Cloning، فایل بدون موسیقی و پژواک و با بیانِ نسبتاً یکدست، ورودی مناسب‌تری است. توصیه یک تا دو دقیقه ضبطِ خوب، تضمین نتیجه یا اجازه استفاده از هر صدایی نیست.
فایل را پیش از بارگذاری گوش دهید. صدای پس‌زمینه، فاصله متغیر از میکروفن و تغییر شدیدِ لحن می‌توانند جزو ویژگی‌های نمونه شوند. اگر فقط یک صدای تازه می‌خواهید و هویت فرد خاصی لازم نیست، طراحی صدا مسیر متفاوت و مرتبط‌تری است.
دوبله فارسی با ساخت گفتار چه تفاوتی دارد؟
در دوبله، فایل موجود و زبان مقصد مبنای کارند. نسخه ترجمه‌شده باید معنی، نام‌ها و نسبت گفتار با زمان ویدیو را حفظ کند. راهنمای Dubbing میان Dubbing v2 و محیط قدیمیِ Dubbing Studio تفاوت می‌گذارد؛ کنترل‌ها و امکان ویرایش را بین آن‌ها یکسان فرض نکنید.
فارسی در فهرست زبان‌های دوبله آمده است، اما این فهرست را به همه مدل‌های Text to Speech تعمیم ندهید. برای ویدیوی چهره، هماهنگ‌کردن لب با صدای تازه مرحله جداست؛ در راهنمای مقایسه لیپ‌سینک انتخاب این مسیر را ببینید.
نتیجه را چطور اصلاح کنیم؟
| مشکلِ شنیداری | اولین اصلاح | چه چیزی را دوباره گوش کنیم؟ |
|---|---|---|
| نام یا عدد اشتباه | نگارشِ خواناترِ همان عبارت | تلفظِ عبارت و اتصال آن به جمله |
| بیان تخت | صدای مناسب‌تر یا کنترلِ مجازِ همان مدل | تأکید، بدون از دست‌رفتن وضوح |
| مکث نامناسب | نشانه‌گذاری و طول جمله | مکثِ قبل و بعد از عبارت |
| گفتار زیر موسیقی پنهان است | کاهش موسیقی یا اصلاح ترکیب صدا | شنیده‌شدنِ همه واژه‌ها در فایل نهایی |
جمع‌بندی
برای صدای فارسی، ابتدا پشتیبانی مدل را تأیید کنید؛ بعد گوینده، متن و بیان را بسنجید. از یک قطعه کوتاهِ نماینده شروع کنید و خطاها را یکی‌یکی اصلاح کنید. نتیجه مناسب، فقط صدای خوشایند نیست؛ باید متنِ شما را روشن و درست منتقل کند.
