تبدیل صوت به متن فارسی با هوش مصنوعی: ویس، فایل صوتی و جلسه

تبدیل صوت به متن فارسی با هوش مصنوعی: ویس، فایل صوتی و جلسه

تبدیل صوت و ویس به متن فارسی در گوشی، تلگرام، بله، روبیکا، ورد و Google Docs، سرویس‌های ایرانی و مدل‌های باز با دستور اجرا؛ همراه سنجش دقت و نوشتن صورتجلسه.

تیم ژرف۲۵ آبان ۱۴۰۵۲۴ دقیقه

برای تبدیل صوت به متن فارسی سه راه دارید: تایپ صوتی گوشی یا مرورگر وقتی خودتان حرف می‌زنید، قابلیت پیام‌رسان یا یک سرویس ایرانی برای ویس و فایل کوتاه، و مدل بازی که روی رایانه خودتان اجرا می‌شود برای فایل طولانی و صدایی که نباید از دستتان بیرون برود. طبق صفحه‌های رسمی، تایپ صوتی Google Docs فارسی را پشتیبانی می‌کند، بله و روبیکا تبدیل ویس به متن دارند، و دیکته آیفون و Dictate در Word فارسی ندارند. برای کیبورد گوگل و سامسونگ، تلگرام و ایتا هیچ صفحه رسمی جواب نمی‌دهد و یک آزمون سی‌ثانیه‌ای روی گوشی خودتان تکلیف را روشن می‌کند.

این راهنما برای همه شکل‌های این جست‌وجو نوشته شده است: تبدیل صوت به متن، تبدیل ویس به متن و تبدیل گفتار به متن. هر ادعای محصولی در ۲۵ آبان ۱۴۰۵ (۱۶ نوامبر ۲۰۲۶) روی صفحه رسمی همان محصول بررسی شد. اگر دنبال جهت برعکس، یعنی خواندن متن با صدا، هستید، راهنمای تبدیل متن به صدا فارسی را ببینید.

خلاصه: امروز برای فارسی کجا چه کار می‌کند

جایی که هستیدفارسی دارد؟نکتهمنبع
تایپ صوتی Google Docsبله، با نام Farsiآخرین نسخه Chrome، Edge یا Safariراهنمای Docs
کیبورد گوگل (Gboard)‎منبع رسمی نداردراهنمای Gboard برای تایپ صوتی معمولی زبانی نام نمی‌برد؛ آزمون سی‌ثانیه‌ایراهنمای Gboard
ورودی صوتی سامسونگمنبع رسمی نداردصفحه سامسونگ زبانی نام نمی‌برد؛ آزمون سی‌ثانیه‌ای یا Google Voice Typingراهنمای سامسونگ
دیکته آیفوننهفارسی در فهرست Dictation نیستفهرست قابلیت‌های iOS
Dictate در Wordنهفارسی نه در فهرست کامل است نه در پیش‌نمایشراهنمای مایکروسافت
بلهبلهتا ۵ دقیقه هر صوت و ۱۵ دقیقه در روزپرسش‌های رایج بله
روبیکابلهآخرین نسخه؛ نماد A کنار ویس دانلودشدهپرسش‌های رایج روبیکا
تلگراممنبع رسمی نداردقابلیت هست، ولی صفحه‌های رسمی‌اش زبانی نام نمی‌برند؛ آزمون سی‌ثانیه‌ایاطلاعیه تلگرام
ایتامنبع رسمی نداردسایت رسمی چنین قابلیتی معرفی نکرده؛ آزمون سی‌ثانیه‌ایایتا
سرویس‌های ایرانیبلهآنلاین؛ یکی نسخه درون‌سازمانی هم داردبخش سرویس‌های ایرانی
مدل باز روی رایانه خودتانبلهبدون اینترنت، روی دستگاه خودتانبخش مدل‌های باز

آزمون سی‌ثانیه‌ای. جایی که منبع رسمی جواب نمی‌دهد، خودتان امتحان کنید. زبان ورودی را فارسی کنید و بگویید «فردا ساعت ده با آقای رضایی جلسه نداریم». اگر متن با خط فارسی آمد و نام، عدد و «نداریم» درست نوشته شد، روی دستگاه شما کار می‌کند. اگر چیزی ننوشت یا با حروف لاتین نوشت، کار نمی‌کند. در پیام‌رسان همین جمله را به‌صورت ویس ضبط کنید، برای خودتان بفرستید و گزینه تبدیل به متن کنار ویس را بزنید.

تبدیل گفتار به متن گوگل در اندروید با Gboard

صفحه راهنمای Gboard مسیر را این‌طور می‌دهد: Gboard را نصب کنید، برنامه‌ای مثل Gmail یا Keep را باز کنید، روی جای نوشتن بزنید، در بالای کیبورد روی نماد میکروفون بزنید و وقتی عبارت «Speak now» ظاهر شد حرف بزنید. همان صفحه هشدار می‌دهد که تبدیل گفتار به متن با همه زبان‌ها کار نمی‌کند و بعضی مراحل فقط در اندروید ۷ و بالاتر کار می‌کنند.

پیش از آن، کیبورد فارسی را اضافه کنید؛ فارسی در فهرست زبان‌های کیبورد Gboard هست. در نوار صوتی، که گوگل آن را برای تبلت شرح داده، وقتی چند زبان فعال باشد، با زدن نشان کوتاه زبان در پایین سمت چپ نوار زبان دیگری را انتخاب می‌کنید. علامت‌گذاری با گفتن «Period» یا «Comma» هم طبق همان صفحه شاید در همه زبان‌ها نباشد؛ برای متن فارسی ویرگول و نقطه را خودتان بگذارید.

آیا فارسی دارد؟ راهنمای Gboard برای تایپ صوتی معمولی فهرست زبانی ندارد. دو حالت تازه‌تر دیکته در گوشی‌های Pixel فهرست دارند و فارسی در هیچ‌کدام نیست: تایپ صوتی پیشرفته فقط انگلیسی، فرانسوی، آلمانی، ایتالیایی، ژاپنی و اسپانیایی را دارد و Rambler هم فارسی را در زبان‌هایش نیاورده است. فهرست زبان‌های Google Docs هم فقط مال Docs است، نه کیبورد. پس برای تایپ صوتی معمولی، آزمون سی‌ثانیه‌ای را روی گوشی خودتان انجام دهید.

تبدیل گفتار به متن در گوشی سامسونگ

راهنمای سامسونگ می‌گوید روی گوشی دو ابزار داخلی تبدیل گفتار به متن هست: Samsung voice input و Google Voice Typing. اولی فقط با کیبورد سامسونگ کار می‌کند. مسیر انتخاب زبان در آن صفحه این است:

  1. Settings را باز کنید و به General management بروید.
  2. Samsung Keyboard settings و سپس Voice input را بزنید.
  3. Samsung voice input را انتخاب کنید.
  4. زبان را در بخش Offline voice input انتخاب کنید، یا با Install offline language pack بسته زبان تازه بگیرید.

خود سامسونگ می‌نویسد صفحه‌ها و تنظیمات بسته به اپراتور، نسخه نرم‌افزار و مدل گوشی فرق می‌کند. آیا فارسی دارد؟ این صفحه هیچ زبانی را نام نمی‌برد و فهرست رسمی دیگری هم از بسته‌های آفلاین ورودی صوتی سامسونگ پیدا نکردیم. اگر فارسی را در فهرست بسته‌های گوشی‌تان دیدید، آزمون سی‌ثانیه‌ای را انجام دهید. اگر ندیدید، همان صفحه راه دوم را گفته است: در همان منو Google Voice Typing را انتخاب کنید و آزمون را تکرار کنید.

تبدیل ویس به متن فارسی در آیفون

پاسخ کوتاه: دیکته آیفون فارسی ندارد. در صفحه در دسترس بودن قابلیت‌های iOS فهرست Dictation از نروژی به لهستانی می‌رود و فارسی ندارد. فهرست دیکته روی دستگاه و فهرست‌های پیاده کردن پیام صوتی در Messages و صدای ضبط‌شده در Notes هم فارسی ندارند. فارسی در همان صفحه فقط در فهرست کیبورد آمده و با نام Farsi در VoiceOver، Live Speech و Read & Speak؛ یعنی آیفون فارسی را تایپ می‌کند و متن فارسی را بلند می‌خواند، اما گفتار فارسی را نمی‌نویسد.

راه‌های عملی روی آیفون این‌هاست: نسخه وب یا ربات تلگرامی نویسالایو که در بخش سرویس‌های ایرانی آمده، تایپ صوتی Google Docs روی رایانه، یا فرستادن فایل ضبط‌شده به رایانه و پیاده کردن آن با مدل باز. آوانگار ویرا طبق صفحه خودش فعلاً نسخه iOS ندارد.

تبدیل ویس به متن در تلگرام

تلگرام در ۹ آذر ۱۴۰۲ (۳۰ نوامبر ۲۰۲۳) اعلام کرد که همه کاربران می‌توانند هر هفته تا ۲ پیام را به متن تبدیل کنند؛ کافی است روی نماد →A کنار پیام بزنید. اشتراک Premium این کار را بی‌سقف می‌کند و طبق پرسش‌های رایج Premium پیام ویدئویی را هم شامل می‌شود. جدول سطح‌های گروه در همان صفحه نشان می‌دهد گروهی که به سطح ۶ تقویت (boost) برسد، تبدیل نامحدود را برای اعضایش باز می‌کند.

مستند فنی تلگرام می‌گوید تعداد تبدیل رایگان هفتگی و بیشترین طول پیام برای کاربر رایگان را سرور تعیین می‌کند؛ پس عدد ۲ مال اطلاعیه ۲۰۲۳ است و ممکن است عوض شده باشد. آیا فارسی دارد؟ هیچ‌کدام از این سه صفحه رسمی زبانی را نام نمی‌برند. یکی از تبدیل‌های رایگان هفته را صرف آزمون سی‌ثانیه‌ای کنید. خرید Premium از ایران را بررسی نکرده‌ایم و درباره آن توصیه‌ای نمی‌دهیم.

تبدیل ویس به متن در ایتا، روبیکا و بله

بله: دارد. پرسش‌های رایج بله، در بخش هوش مصنوعی و زیر عنوان «تبدیل صوت (وویس) به متن»، می‌گوید صوت‌های تا ۵ دقیقه را به متن تبدیل می‌کند و سقف روزانه ۱۵ دقیقه است. همان بخش می‌گوید هوش مصنوعی بله از راه بازوی @ai_bot یا زبانه «هوش مصنوعی» در آخرین نسخه اندروید در دسترس است. صفحه نمی‌گوید دکمه تبدیل دقیقاً کجاست و برای این قابلیت قیمتی هم نیاورده است.

روبیکا: دارد. پرسش‌های رایج روبیکا در پاسخ به اینکه پیام صوتی را چطور به متن تبدیل کنیم، می‌گوید اول آخرین نسخه روبیکا را نصب کنید، سپس ویس را دانلود کنید و روی نماد A کنار آن بزنید. در این پاسخ سقف یا هزینه‌ای نیامده است.

صفحه‌های بله و روبیکا هم، مثل تلگرام، زبانی نام نمی‌برند. «دارد» را از این گفته‌ایم که هر دو پرسش‌های رایج فارسیِ یک پیام‌رسان ایرانی‌اند و قابلیت را برای کاربران همان برنامه معرفی می‌کنند؛ آزمون سی‌ثانیه‌ای یک بار خیالتان را راحت می‌کند.

ایتا: منبع رسمی ندارد. صفحه اصلی ایتا، صفحه پرسش‌های رایج و صفحه دانلودش هیچ قابلیت تبدیل ویس به متن معرفی نمی‌کنند. ویس کوتاهی برای خودتان بفرستید و ببینید کنار آن گزینه تبدیل به متن هست یا نه. اگر نبود، فایل صوتی را ذخیره کنید و با یکی از روش‌های فایل در ادامه همین صفحه به متن تبدیل کنید.

تبدیل گفتار به متن در ورد و Google Docs

Word: ندارد. طبق راهنمای Dictate در Word فارسی نه در فهرست زبان‌های کامل است و نه در فهرست پیش‌نمایش؛ عربی، عبری و ترکی در فهرست پیش‌نمایش هستند. Dictate اشتراک فعال Microsoft 365 و اینترنت پایدار می‌خواهد و گفتار برای تبدیل به مایکروسافت فرستاده می‌شود؛ همان صفحه می‌گوید این سرویس صدا و متن پیاده‌شده را ذخیره نمی‌کند.

Google Docs: دارد. راهنمای تایپ صوتی Docs زبان Farsi را در فهرست زبان‌هایی که با تایپ صوتی کار می‌کنند آورده است. همان صفحه می‌گوید مرورگر سرویس تبدیل گفتار به متن را اداره می‌کند و متن را به Docs می‌فرستد. مراحل طبق همان صفحه:

  1. میکروفون رایانه را روشن کنید و سند را در آخرین نسخه Chrome، Edge یا Safari باز کنید.
  2. از منوی Tools گزینه Voice typing را بزنید تا کادر میکروفون باز شود.
  3. روی میکروفون بزنید، حرف بزنید و برای پایان دوباره روی آن بزنید.

فرمان‌های صوتی ویرایش و قالب‌بندی فقط به انگلیسی کار می‌کنند و برایشان زبان حساب و سند باید انگلیسی باشد؛ علامت‌گذاری صوتی هم شاید در همه زبان‌ها نباشد. صفحه گوگل نمی‌گوید زبان تایپ صوتی را کجا انتخاب کنید، پس بار اول با آزمون سی‌ثانیه‌ای مطمئن شوید متن فارسی می‌آید. اگر گزینه را نمی‌بینید، ممکن است مدیر سازمان آن را برای حساب‌های سازمانی خاموش کرده باشد. برای کسی که در Word کار می‌کند، راه عملی این است که در Docs دیکته کند و متن را به Word ببرد.

تبدیل صوت به متن آنلاین با سرویس‌های ایرانی

چهار سرویس ایرانی را از روی سایت خودشان بررسی کردیم و هیچ‌کدام را با صدای واقعی نیازموده‌ایم. دقت‌هایی که می‌آید ادعای فروشنده است و صفحه هیچ‌کدام مجموعه آزمونی نام نمی‌برد.

  • نویسالایو از شرکت عصر گویش پرداز گفتار رسمی و محاوره‌ای را به متن تبدیل می‌کند. طبق سایت، نسخه وب (Persian Speech)، نرم‌افزار رومیزی ویندوز و لینوکس، اپ اندروید و یک ربات تلگرامی دارد و فایل صوتی و ویدئویی هم می‌پذیرد. این نسخه‌ها آنلاین‌اند و از سرور مشترک نویسالایو استفاده می‌کنند. اعتبار رایگان آزمایشی می‌دهد و بقیه با بسته اعتباری است. نسخه سازمانی‌اش روی سرور اختصاصی در شبکه داخلی سازمان و بدون اینترنت نصب می‌شود. فروشنده دقت را بسته به واژگان، نوع گفتار و لهجه ۹۷ تا ۱۰۰ درصد اعلام کرده است.
  • آوانگار ویرا از شرکت پردازش اطلاعات مالی پارت در اپ اندروید ویرا صدا را ضبط می‌کند یا فایل می‌گیرد و تبدیل را آنلاین انجام می‌دهد. تیتر صفحه می‌گوید «رایگان و بدون محدودیت»، اما پرسش‌های رایج همان صفحه می‌گوید حالت رایگان برای کاربران عمومی و حالت پرداختی برای مصرف بیشتر دارد. درباره نسخه‌های دیگر، یک پاسخ در همان صفحه از نسخه وب با خدمات محدود می‌گوید و پاسخ دیگری نسخه وب و iOS را «به‌زودی» اعلام می‌کند. صفحه اصلی ویرا می‌گوید سرورهایش داخل ایران است.
  • حرف از مجموعه روشن گفتار رسمی و محاوره‌ای فارسی را به متن قابل ویرایش تبدیل می‌کند. واژه‌هایی را که احتمال خطا دارند داخل کروشه می‌گذارد تا انسان بازبینی کند، گفتار در حال پخش را هم آنی به متن تبدیل می‌کند و به درخواست مشتری برای دقت بیشتر شخصی‌سازی می‌شود. فروشنده دقت را در صدای باکیفیت نزدیک ۱۰۰ درصد و در صدای کم‌کیفیت به‌طور میانگین ۹۲ درصد اعلام کرده است. روی صفحه‌اش قیمتی نیست و راه آشنایی، کاتالوگ و تماس با فروشنده است.
  • آیپا سکوی رابط برنامه‌نویسی است که تبدیل گفتار به متن هم دارد و با حساب رایگان شروع می‌شود. پرسش‌های رایجش می‌گوید همه درخواست‌ها و داده‌های ردوبدل‌شده ذخیره می‌شود و در بخش مدیریت فایل‌ها در اختیار کاربر است.

پیش از فرستادن صدای حساس، شرایط استفاده را بخوانید. شرایط ویرا در یک بند به ویرا حق می‌دهد «به طور مطلق» و به صلاحدید خود از همه داده‌های دریافتی کاربر برای بهبود خدمات و توسعه مدل‌های هوش مصنوعی استفاده کند. بند دیگری می‌گوید داده‌های ارسالی و پاسخ‌ها فقط روی سخت‌افزار کاربر ذخیره می‌شود و ویرا مسئولیتی برای ذخیره داده روی سرورهای خودش ندارد. بند سوم توصیه می‌کند داده حساس را پس از پردازش از آرشیو سامانه پاک کنید، و بند چهارم می‌گوید داده کاربر جز به حکم مرجع قضایی یا اداری صالح یا طبق قانون به شخص ثالث داده نمی‌شود. این بندها کنار هم روشن نمی‌کنند صدای ارسالی کجا و تا کی می‌ماند؛ پیش از فرستادن صدای مشتری یا جلسه محرمانه، پاسخ کتبی فروشنده را بگیرید.

ابزارهای خارجی و وضعیت دسترسی کاربران ایران

پیش از استفاده از هر سرویس خارجی، بند تحریم را در شرایط استفاده‌اش بخوانید. نمونه‌ای که شرایطش را کامل خواندیم ElevenLabs است:

  • پشتیبانی فارسی: مستند تبدیل گفتار به متن ElevenLabs فارسی (fas) را در فهرست زبان‌ها آورده و برای مدل Scribe v2 در طبقه «دقت بالا»، یعنی خطای کلمه بیش از ۵ و حداکثر ۱۰ درصد، گذاشته است. این طبقه‌بندی خود فروشنده است. فایل تا ۵ گیگابایت و ۱۵ ساعت پذیرفته می‌شود و Scribe v3 تا ۳۲ گوینده را جدا می‌کند.
  • سقف رایگان: صفحه قیمت برای پلن رایگان ۱۰ هزار اعتبار در ماه می‌دهد و هزینه تبدیل گفتار به متن را حدود ۳۳۰ اعتبار برای هر دقیقه می‌نویسد؛ یعنی نزدیک ۳۰ دقیقه در ماه.
  • حریم خصوصی: طبق بند ۴ شرایط استفاده، کاربر به ElevenLabs مجوز می‌دهد محتوایش را برای ارائه و بهبود خدمات و توسعه محصولات تازه به کار ببرد. از منوی Data use در حساب کاربری می‌توانید از استفاده محتوایتان برای آموزش انصراف دهید، اما انصراف روی استفاده‌های پیش از آن اثری ندارد.
  • ایران: بند ۱۵ همان شرایط، که آخرین بار در ۱۷ مهر ۱۴۰۵ (۹ اکتبر ۲۰۲۶) به‌روز شده، کاربر را متعهد می‌کند در کشور زیر تحریم آمریکا نباشد و ایران را به نام آورده است.

پس این سرویس برای کاربر داخل ایران گزینه‌ای نیست و این راهنما راه دور زدن آن را نمی‌دهد. جایگزین مشروع، یکی از سرویس‌های ایرانی بالا با خواندن دقیق شرایطش، یا مدل بازی است که روی رایانه یا سرور خودتان اجرا می‌شود و صدا هیچ‌جا نمی‌رود.

اجرای مدل باز تبدیل گفتار به متن روی رایانه خودتان

مدل باز سه مزیت دارد: صدا از دستگاه بیرون نمی‌رود، طول فایل محدودیت ندارد و هزینه هر دقیقه صفر است. هزینه‌اش سخت‌افزار و کمی کار خط فرمان است. جدول زیر مدل‌هایی است که امروز برای فارسی مطرح‌اند. سه مدل فارسی‌شده جدول در مهر ۱۴۰۵ منتشر شده‌اند. همه عددها را سازنده هر مدل روی مجموعه آزمون خودش گزارش کرده است و با هم قابل مقایسه نیستند، چون آزمون و یکسان‌سازی متن فرق می‌کند.

مدلنتیجه گزارش‌شدهچه کسی و روی چه آزمونینکته مهممجوز
givia/whisper-large-v3-turbo-persianخطای کلمه ۶٫۴ درصد؛ پادکست ۷۰ دقیقه‌ای ۱۱٫۲ درصدسازنده؛ ۳۰۰ قطعه از FLEURS فارسیروی بخش آموزشی FLEURS هم آموزش دیده؛ نقطه‌گذاری داردCC-BY-4.0
mehdi-hf/nemotron-asr-streaming-farsiخطای کلمه ۸٫۸ درصد؛ گفتار محاوره‌ای حدود ۲۶ درصدسازنده؛ کل آزمون FLEURS فارسی (۸۵۲ قطعه)زنده و پیوسته؛ FLEURS در داده آموزشش نیست؛ بی‌نقطه‌گذاری؛ عدد را با حروف می‌نویسد؛ فقط فارسیOpenMDW-1.1
MohammadGholizadeh/whisper-large-v3-turbo-persianخطای کلمه ۱۹٫۴ درصد (مدل پایه ۵۰٫۲)سازنده؛ آزمون Common Voice 17 فارسیبدون آموزش زمان‌گذاریMIT
openai/whisper-large-v3 بدون تنظیمخطای کلمه ۱۷٫۳ درصد؛ نسخه turbo ۱۸٫۷سازنده مدل اول جدول، روی همان ۳۰۰ قطعهپایه بیشتر مدل‌های فارسی‌شدهApache 2.0؛ turbo با MIT
Omnilingual ASR از Metaخطای نویسه ۳٫۴ درصدجدول رسمی Meta برای مدل ۷ میلیاردیخطای نویسه با خطای کلمه قابل مقایسه نیست؛ جز نسخه‌های Unlimited، مدل‌ها فقط صدای کوتاه‌تر از ۴۰ ثانیه می‌گیرندApache 2.0

در ادامه دو راه را می‌گوییم که خودتان امروز اجرا کنید: یکی ساده و چندزبانه، دیگری دقیق‌تر برای فارسی.

راه ساده: Whisper با پایتون

این راه روی ویندوز، مک و لینوکس کار می‌کند و فایل طولانی را با پنجره‌های ۳۰ ثانیه‌ای خودش پیش می‌برد. طبق مخزن رسمی Whisper به ابزار ffmpeg نیاز دارید و مدل turbo حدود ۶ گیگابایت حافظه کارت گرافیک می‌خواهد. اگر کارت گرافیک نباشد، روی پردازنده اجرا می‌شود، اما کندتر.

bash
# نصب ffmpeg: در اوبونتو sudo apt install ffmpeg و در مک brew install ffmpeg
python3 -m venv stt
source stt/bin/activate
pip install -U openai-whisper
whisper voice.ogg --model turbo --language fa --output_format txt

فایل voice.txt در پوشه‌ای ساخته می‌شود که دستور را در آن اجرا کرده‌اید. ویس پیام‌رسان را با همان پسوندی که ذخیره شد، مثلاً ogg، بدهید؛ ffmpeg آن را می‌خواند. برای زیرنویس یا بازگشت به لحظه هر جمله، به‌جای txt بنویسید srt.

راه دقیق‌تر برای فارسی: whisper.cpp با مدل فارسی‌شده

whisper.cpp نسخه سبک Whisper به زبان C++ است که روی پردازنده معمولی اجرا می‌شود و در مک‌های تراشه اپل از پردازنده گرافیکی با Metal استفاده می‌کند. سازنده مدل givia نسخه‌ای سازگار با آن را در مخزن Hugging Face همان مدل گذاشته است؛ حجم این فایل حدود ۱٫۶ گیگابایت است. برای ساختن برنامه به cmake و یک کامپایلر ++C نیاز دارید.

bash
# فایل voice.ogg را پس از ساخت، در پوشه whisper.cpp بگذارید
git clone https://github.com/ggml-org/whisper.cpp.git
cd whisper.cpp
cmake -B build
cmake --build build -j --config Release
./models/download-vad-model.sh silero-v6.2.0
curl -L -o ggml-persian-v3-turbo.bin https://huggingface.co/givia/whisper-large-v3-turbo-persian/resolve/main/ggml-persian-v3-turbo.bin
ffmpeg -i voice.ogg -ar 16000 -ac 1 -c:a pcm_s16le voice.wav
./build/bin/whisper-cli -m ggml-persian-v3-turbo.bin -l fa --vad --vad-model ./models/ggml-silero-v6.2.0.bin -otxt -osrt -of voice -f voice.wav

خط ffmpeg لازم است، چون طبق راهنمای whisper.cpp این برنامه فعلاً فقط فایل WAV شانزده‌بیتی می‌خواند. معنی هر گزینه در راهنمای whisper-cli آمده است: -l fa زبان را فارسی می‌کند، -otxt و -osrt خروجی متن و زیرنویس می‌سازند و -of voice نام آن‌ها را voice.txt و voice.srt می‌گذارد. گزینه --vad با مدل تشخیص گفتار Silero بخش‌های بی‌گفتار را پیش از پیاده‌سازی کنار می‌گذارد. این مهم است، چون سازنده مدل فارسی می‌نویسد Whisper روی موسیقی طولانی گاهی واژه‌ای مثل «موسیقی» می‌سازد. اگر کارت گرافیک NVIDIA دارید، طبق راهنمای اصلی whisper.cpp پس از نصب CUDA خط اول ساخت را cmake -B build -DGGML_CUDA=1 بنویسید. سازنده مدل گزارش کرده که پادکست ۷۰ دقیقه‌ای روی یک کارت گرافیک RTX 4070 Ti در حدود ۲۵ ثانیه پیاده می‌شود؛ این عدد مال کارت گرافیک است، نه پردازنده.

برای تبدیل زنده

اگر متن باید هم‌زمان با حرف زدن بیاید، مدل nemotron-asr-streaming-farsi برای همین ساخته شده است: ۶۰۰ میلیون پارامتر، تأخیر نگاه‌به‌جلوی ۰٫۳۲ یا ۱٫۱۲ ثانیه، و به گزارش سازنده روی مک M1 Pro پنج تا ده برابر سریع‌تر از زمان واقعی. خروجی‌اش نقطه‌گذاری ندارد، عددها را با حروف می‌نویسد و واژه انگلیسی را حذف می‌کند یا با خط فارسی تقریب می‌زند. کد اجرای زنده در کارت همان مدل آمده است.

دقت تبدیل صوت به متن فارسی: کجا خطا می‌کند و چطور بسنجید

عدد خطای کمی که روی جمله‌های خوانده‌شده گزارش می‌شود، روی جلسه یا تماس شما تکرار نمی‌شود. همین کارت‌های مدل نشان می‌دهند خطا کجا بالا می‌رود:

  • گفتار محاوره‌ای، پرسروصدا و هم‌پوشان: مدل nemotron روی گفتار خوانده‌شده ۸٫۸ درصد و روی فیلم و یوتیوب حدود ۲۶ درصد خطای کلمه دارد. سازنده givia می‌نویسد گفتار پرنویز، هم‌پوشان یا خیلی تند سخت‌تر است و روی داده محاوره‌ای YODAS2 حدود ۲۳ درصد گزارش کرده است. وقتی چند نفر هم‌زمان حرف می‌زنند، جمله ممکن است به گوینده اشتباه نسبت داده شود.
  • لهجه: سازنده nemotron می‌نویسد عملکرد روی لهجه‌های منطقه‌ای، دری و تاجیکی سنجیده نشده است؛ سازنده MohammadGholizadeh لهجه‌های منطقه‌ای قوی را نسنجیده و سازنده givia دری و تاجیکی را. سازنده nemotron یادآوری می‌کند همه گویندگان آزمون FLEURS فارسی مرد هستند.
  • نام و واژه کم‌کاربرد: به گفته سازنده givia، نام‌های نادر و واژه ادبی و فنی رایج‌ترین خطاهای مدل‌اند.
  • عدد: یک مدل عدد را با حروف می‌نویسد و دیگری گاهی رقم و گاهی حروف. مبلغ و تاریخ را همیشه با صدا تطبیق دهید.
  • فارسی و انگلیسی درهم: در آموزش nemotron واژه انگلیسی حذف شده است؛ نام محصول یا اصطلاح انگلیسی ممکن است جا بیفتد یا با خط فارسی نوشته شود.
  • سکوت و موسیقی: کارت مدل Whisper هشدار می‌دهد خروجی گاهی متنی دارد که اصلاً گفته نشده و گاهی تکراری می‌شود، و این مشکل در زبان‌های کم‌داده شاید بدتر باشد. چرایی و راه کنترلش را در مقاله حرف نگفته در صورتجلسه نوشته‌ایم.

برای سنجیدن، ده دقیقه از صدای واقعی خودتان بردارید: چند گوینده، کمی نویز، یک قطعه بی‌گفتار. متن درست را دستی بنویسید. سپس متن مرجع و خروجی مدل را یکسان‌سازی کنید، چون «می‌رود» و «می رود» یا «ي» عربی و «ی» فارسی نباید خطا حساب شوند. این اسکریپت کوچک با کتابخانه jiwer خطای کلمه و نویسه را می‌دهد:

Python
# pip install jiwer
import re
import sys
import jiwer

def normalize(text):
    text = text.replace("ي", "ی").replace("ك", "ک")  # ي و ك عربی
    text = re.sub(r"[ً-ْٰـ]", "", text)  # اعراب و کشیده
    text = text.translate(str.maketrans("۰۱۲۳۴۵۶۷۸۹٠١٢٣٤٥٦٧٨٩", "01234567890123456789"))
    text = text.replace("‌", " ")  # نیم‌فاصله
    text = re.sub(r"[^\w\s]", " ", text)  # نشانه‌های نگارشی
    return " ".join(text.split())

with open(sys.argv[1], encoding="utf-8") as f:
    reference = normalize(f.read())
with open(sys.argv[2], encoding="utf-8") as f:
    hypothesis = normalize(f.read())

print("WER:", round(jiwer.wer(reference, hypothesis), 3))
print("CER:", round(jiwer.cer(reference, hypothesis), 3))

با python3 check_wer.py reference.txt voice.txt اجرا کنید. این عدد کافی نیست: نام‌ها، عددها، تاریخ‌ها و هر «نه» و «نمی» را جداگانه با صدا تطبیق دهید، چون یک نفی جاافتاده معنای جمله را برعکس می‌کند اما در میانگین خطا گم می‌شود. برای قطعه بی‌گفتار، خروجی درست خالی است؛ هر واژه‌ای که آنجا بیاید ساختگی است. معیارهای کامل‌تر برای محصول صوتی فارسی را در راهنمای رابط گفتاری فارسی آورده‌ایم.

نوشتن صورتجلسه با هوش مصنوعی از فایل جلسه

تنظیم صورتجلسه با هوش مصنوعی پنج مرحله دارد و فقط یکی از آن‌ها تبدیل گفتار به متن است:

  1. ضبط: از حاضران اجازه بگیرید، میکروفون را وسط میز یا برای هر نفر جدا بگذارید و فایل اصلی را دست‌نخورده نگه دارید. نسخه کم‌حجم یا بی‌سکوت را جدا بسازید.
  2. پیاده‌سازی با زمان: خروجی srt بگیرید تا هر جمله زمان شروع داشته باشد. بدون زمان، بازبین نمی‌تواند به صدای همان لحظه برگردد.
  3. جدا کردن گویندگان: کتابخانه متن‌باز pyannote.audio با مدل speaker-diarization-community-1 روی رایانه خودتان معلوم می‌کند کدام بازه مال کدام گوینده است. طبق راهنمای مخزن، ffmpeg باید نصب باشد و برای دانلود مدل باید در Hugging Face توکن بسازید و شرایط استفاده آن مدل را بپذیرید.
  4. خلاصه‌سازی: متن زمان‌دار را به یک مدل زبانی بدهید. اگر جلسه محرمانه است، مدل را روی رایانه خودتان اجرا کنید؛ آموزش نصب Ollama همین را گام‌به‌گام گفته است.
  5. بازبینی انسانی: تصمیم‌ها، عددها، نام‌ها، نفی‌ها و اینکه چه کسی چه تعهدی داد را با صدای همان بازه تطبیق دهید.

نمونه کد جدا کردن گویندگان، طبق مخزن pyannote:

Python
# pip install pyannote.audio
from pyannote.audio import Pipeline

pipeline = Pipeline.from_pretrained(
    "pyannote/speaker-diarization-community-1", token="HUGGINGFACE_ACCESS_TOKEN"
)
output = pipeline("meeting.wav")

for turn, speaker in output.speaker_diarization:
    print(f"{turn.start:.1f}\t{turn.end:.1f}\t{speaker}")

برچسب گوینده‌ای که این کد چاپ می‌کند نام آدم نیست؛ کسی که در جلسه بوده باید برچسب‌ها را به نام‌ها وصل کند و جایی که دو نفر هم‌زمان حرف زده‌اند، «نامشخص» بماند. برای مرحله چهارم این دستور ساده جواب می‌دهد:

این متن پیاده‌شده یک جلسه است و هر خط زمان شروع و گوینده دارد.
صورتجلسه بنویس با این بخش‌ها: حاضران، تصمیم‌ها، اقدام‌ها (مسئول و مهلت)، موارد باز.
برای هر تصمیم و اقدام زمان همان خط را در پرانتز بیاور.
چیزی را که در متن نیامده ننویس. اگر مسئول یا مهلت گفته نشده، بنویس «گفته نشد».

زمان داخل پرانتز کار بازبین را کوتاه می‌کند: هر تصمیم را با رفتن به همان ثانیه از فایل گوش می‌دهد. برای حافظه بلندمدت جلسه‌ها، اسلاید و پیگیری تصمیم‌ها، مقاله حافظه جلسه را بخوانید.

منشی تلفنی هوش مصنوعی و مرکز تماس: صدای مشتری کجا می‌ماند

هوشمندسازی مرکز تماس معمولاً با پیاده کردن تماس‌های ضبط‌شده شروع می‌شود. چند نکته عملی:

  • کانال‌ها را جدا کنید. اگر سامانه تلفن، کارشناس و مشتری را روی دو کانال جدا ضبط می‌کند، هر کانال را جدا پیاده کنید تا انتساب گوینده تقریباً خودبه‌خود درست شود. این دو دستور هر کانال را به فایل WAV شانزده‌بیتی ۱۶ کیلوهرتزی تبدیل می‌کنند که whisper-cli هم می‌خواند. با یک تماس نمونه بفهمید کدام کانال مال کیست:

    bash
    ffmpeg -i call.wav -af "pan=mono|c0=c0" -ar 16000 -c:a pcm_s16le channel-left.wav
    ffmpeg -i call.wav -af "pan=mono|c0=c1" -ar 16000 -c:a pcm_s16le channel-right.wav
    
  • صدای تلفن را جدا بسنجید. مدل‌های Whisper و nemotron این صفحه با صدای ۱۶ کیلوهرتز کار می‌کنند و سازنده یکی از مدل‌های فارسی‌شده صریحاً می‌نویسد صدای پرنویز تلفن را نسنجیده است. پیش از هر تصمیم، آزمون بخش دقت را روی تماس‌های واقعی خودتان اجرا کنید.

  • صدای مشتری داده شخصی است. در تماس نام، کد ملی، شماره کارت و نشانی گفته می‌شود. به تماس‌گیرنده بگویید تماس ضبط و پیاده می‌شود، دسترسی به صدا و متن را محدود کنید، زمان نگهداری بگذارید و عددهای حساس را در متن بپوشانید. صدای مشتری را به سرویسی که طبق شرایطش حق استفاده برای آموزش می‌گیرد، مثل آنچه در شرایط ویرا و ElevenLabs دیدیم، نفرستید.

  • سرور خودتان را در نظر بگیرید. مدل‌های باز بالا بدون اینترنت روی سرور سازمان اجرا می‌شوند. اگر می‌خواهید مدل‌ها روی سرور خود سازمان کار کنند و داده همان‌جا بماند، هوش مصنوعی محلی ژرف روی سرور سازمان برای همین است.

منشی تلفنی هوش مصنوعی یا پاسخگوی تلفنی هوش مصنوعی فقط تبدیل گفتار به متن نیست؛ نوبت‌گیری، تأیید مبلغ و نام و انتقال به انسان را هم لازم دارد. این‌ها را در مقاله عامل صوتی در محیط واقعی و تحلیل تماس‌ها را در مقاله هوشمندی صدای مشتری نوشته‌ایم.

پرسش‌های رایج

تبدیل ویس به متن فارسی رایگان چطور ممکن است؟

تایپ صوتی Google Docs، که فارسی را رسماً دارد، و مدل باز روی رایانه خودتان، که هیچ سقفی ندارد، هر دو رایگان‌اند. بله تا ۱۵ دقیقه در روز ویس را به متن تبدیل می‌کند و برای آن قیمتی اعلام نکرده است؛ روبیکا هم قابلیت را معرفی کرده بی‌آنکه سقف یا هزینه‌ای بگوید. سرویس‌های ایرانی اعتبار آزمایشی یا حالت رایگان دارند. تلگرام چند تبدیل رایگان در هفته می‌دهد، اما صفحه‌های رسمی‌اش زبانی را نام نمی‌برند.

دقیق‌ترین روش تبدیل صوت به متن فارسی کدام است؟

پاسخ به صدای شما بستگی دارد. روی آزمون FLEURS، سازندگان givia و nemotron خطای کلمه زیر ۱۰ درصد گزارش کرده‌اند؛ روی آزمون Common Voice که آن هم گفتار خوانده‌شده است، حدود ۱۹ درصد، و روی گفتار محاوره‌ای حدود ۱۴ تا ۳۱ درصد. ده دقیقه از صدای خودتان را با اسکریپت بخش دقت بسنجید و بعد انتخاب کنید.

آیا گوگل تبدیل صوت به متن فارسی دارد؟

بله، در تایپ صوتی Google Docs که در Chrome، Edge یا Safari فارسی را رسماً پشتیبانی می‌کند. برای تایپ صوتی معمولی کیبورد Gboard، راهنمای گوگل فهرست زبانی ندارد و دو حالت تازه‌تر دیکته در Pixel فارسی ندارند؛ با آزمون سی‌ثانیه‌ای روی گوشی خودتان مطمئن شوید.

تبدیل ویس به متن فارسی در آیفون رایگان است؟

دیکته خود آیفون، چه رایگان چه پولی، فارسی ندارد. روی آیفون می‌توانید از نسخه وب یا ربات تلگرامی نویسالایو استفاده کنید یا فایل را به رایانه بفرستید و با مدل باز پیاده کنید.

تبدیل صوت به متن انگلیسی هم با همین روش‌ها ممکن است؟

بله. Whisper اصلی چندزبانه است و Dictate در Word و دیکته آیفون انگلیسی را دارند. اما مدل‌های فارسی‌شده برای فارسی ساخته شده‌اند: nemotron فقط فارسی می‌نویسد و سازنده یکی از مدل‌های Whisper فارسی هشدار می‌دهد که کیفیت زبان‌های دیگر ممکن است افت کرده باشد.

آیا بدون اینترنت می‌شود صوت را به متن تبدیل کرد؟

بله، با whisper.cpp یا Whisper پایتونی پس از دانلود مدل. ورودی صوتی سامسونگ هم بسته زبان آفلاین دارد، اما هیچ منبع رسمی نمی‌گوید فارسی جزو آن‌هاست.

در روبیکا و ایتا می‌شود ویس را به متن تبدیل کرد؟

در روبیکا بله: آخرین نسخه را نصب کنید، ویس را دانلود کنید و روی نماد A کنارش بزنید. ایتا چنین قابلیتی را در سایت رسمی‌اش معرفی نکرده است؛ ویس کوتاهی برای خودتان بفرستید و دنبال گزینه تبدیل بگردید، یا فایل را ذخیره کنید و با یکی از روش‌های فایل این صفحه پیاده کنید.

یادداشت منابع

این راهنما در ۲۵ آبان ۱۴۰۵ (۱۶ نوامبر ۲۰۲۶) با صفحه‌های رسمی گوگل، سامسونگ، اپل، مایکروسافت، تلگرام، بله، ایتا، روبیکا، ElevenLabs، سایت سرویس‌های ایرانی و کارت‌های مدل و مخزن‌های رسمی مدل‌های باز بازبینی شد. عددهای دقت ادعای سازنده هر مدل یا فروشنده‌اند و روی مجموعه آزمون خودشان گزارش شده‌اند؛ ما هیچ‌کدام را دوباره نیازموده‌ایم. دستورهای ffmpeg این صفحه روی یک فایل آزمایشی اجرا شدند و بقیه دستورها با راهنمای رسمی هر مخزن تطبیق داده شدند.

برچسب‌هاتبدیل صوت به متنتبدیل ویس به متنتبدیل گفتار به متنتشخیص گفتار فارسیWhisperصورتجلسه با هوش مصنوعی

مطالب مرتبط

این ابزار را در تیم خودتان راه بیندازید

اگر می‌خواهید ایجنت‌های هوش مصنوعی و اتوماسیون این راهنما را در تیم نرم‌افزار یا فرایندهای سازمانتان به کار بگیرید، از یک آزمایش کوچک شروع کنید که بتوانید نتیجه‌اش را بسنجید.