
ساخت ربات بله با هوش مصنوعی: آموزش گامبهگام با پایتون و n8n
ساخت ربات بله با هوش مصنوعی از گرفتن توکن در BotFather تا کد پایتون، وصل کردن مدل زبانی، وبهوک، مسیر n8n، محدودیتهای API بله و میزبانی کامل داخل ایران.
ادامه مطلب
صدای فارسی در آیفون، اندروید و ویندوز، سرویسهای آنلاین و ایرانی، مدلهای متنباز با کد آماده، آمادهسازی متن برای کسره اضافه و عدد، و انتخاب صدای زن یا گوینده.
تیم ژرف۲۵ آبان ۱۴۰۵۳۶ دقیقه
برای تبدیل متن به صدا فارسی امروز سه راه دارید: صدای فارسی خود دستگاه (در آیفون و مک هست، در ویندوز نیست)، سرویسهای آنلاینی که صدای فارسی دارند مثل Azure مایکروسافت، Gemini-TTS گوگل، ElevenLabs و سرویسهای ایرانی آریانا و آواشو، و مدلهای متنبازی مثل Piper که روی کامپیوتر خودتان و بدون اینترنت اجرا میشوند. بیشتر گزینههای رایگان فقط برای شنیدن شخصیاند: صداهای سیستمی مک، پلن رایگان ElevenLabs و صداهای متنباز فارسی مجوز انتشار در ویدیوی عمومی را ندارند، پس برای صداگذاری ویدیویی که منتشر میکنید پلن پولیای بگیرید که شرایطش استفاده تجاری را مجاز میداند، یا سراغ سرویس داخلیای بروید که اجازه انتشار صدا را کتبی تأیید کند. هر راهی را انتخاب کنید، طبیعی شنیده شدن صدا بیش از هر چیز به آمادهسازی متن بستگی دارد: کسره اضافهای که نوشته نمیشود، عدد و تاریخ، و کلمه انگلیسی وسط جمله فارسی.
این راهنما در ۲۵ آبان ۱۴۰۵ (۱۶ نوامبر ۲۰۲۶) با صفحههای رسمی اپل، گوگل، مایکروسافت، ElevenLabs و OpenAI، مخزنهای رسمی مدلهای متنباز و سایت خود سرویسهای ایرانی تطبیق داده شد. «تبدیل متن به گفتار» هم همین موضوع است؛ در این جستوجو «صدا» و «گفتار» یک معنا دارند. اگر جهت عکس را میخواهید، یعنی فایل صوتی را به متن تبدیل کنید، راهنمای تبدیل صوت به متن فارسی را بخوانید. ما در این مقاله صداها را از نظر طبیعی بودن رتبهبندی نمیکنیم، چون نتیجه به متن شما بستگی دارد؛ بهجایش یک پاراگراف آزمون میدهیم تا هر ابزاری را خودتان با یک معیار ثابت بسنجید.
| موقعیت شما | راه پیشنهادی | هزینه | محدودیت مهم |
|---|---|---|---|
| میخواهم متنی را روی آیفون یا مک بشنوم | بخش Read & Speak با صدای فارسی اپل | رایگان | خروجی فایل فقط در مک، که مجوزش آن را به استفاده شخصی و غیرتجاری محدود میکند |
| میخواهم متن را روی گوشی اندروید بشنوم | موتور صدای sherpa-onnx با صداهای فارسی Piper | رایگان | نصب فایل APK از سایت پروژه، نه از Play |
| صداگذاری ویدیو برای انتشار عمومی | پلن پولیای که شرایطش استفاده تجاری را مجاز میداند، یا سرویس داخلیای که حق انتشار را تأیید کند | پولی | پلنهای رایگان، صداهای مک و صداهای متنباز فارسی مجوز انتشار ندارند |
| تلفن گویا یا سامانه نوبتدهی | Azure با SSML یا آریانا روی سرور داخلی | پولی | ادعای فروشنده را با متن خودتان بیازمایید |
| متن محرمانه یا کار بدون اینترنت | Piper یا MMS روی کامپیوتر خودتان | رایگان | صداهای فارسی Piper مجوز تجاری تأییدشده ندارند؛ MMS غیرتجاری است |
جزئیات هر ردیف و منبع هر ادعا در بخشهای بعدی آمده است.
اپل در جدول دسترسپذیری قابلیتهای iOS زبان فارسی (با عنوان Farsi) را در فهرست زبانهای VoiceOver، Live Speech و Read & Speak آورده است. یعنی برای شنیدن متن فارسی روی آیفون به برنامه جداگانه نیازی ندارید. اپل نام صدای فارسی را در صفحههایش ذکر نمیکند، پس نام آن را از فهرست صداهای دستگاه خودتان بردارید.
روش فعالسازی در آیفون طبق راهنمای رسمی اپل:
در نسخههای قدیمیتر، مثلاً iOS 18، نام این بخش طبق راهنمای همان نسخه Spoken Content است و مسیرش Settings > Accessibility > Spoken Content.
جدول دسترسپذیری قابلیتهای macOS هم فارسی را برای VoiceOver، Live Speech و Read & Speak در مک آورده است. در مک، طبق راهنمای خواندن متن در macOS به System Settings > Accessibility > Read & Speak بروید و Speak selection را روشن کنید؛ میانبر پیشفرض خواندن متن انتخابشده Option-Esc است. برای افزودن صدای فارسی، طبق راهنمای تغییر صدای مک دکمه اطلاعات کنار System voice را بزنید، زبان را از ستون کناری انتخاب کنید و صدا را دانلود کنید. صدا تا پایان دانلود در فهرست ظاهر نمیشود.
مک یک امتیاز دارد که آیفون ندارد: فرمان say در ترمینال متن را به فایل صوتی تبدیل میکند. فرمان اول صداهای فارسی نصبشده را نشان میدهد و فرمان دوم متن فایل matn.txt را به یک فایل WAV تبدیل میکند. بهجای VOICE_NAME نامی را بگذارید که فرمان اول نشان داد:
say -v '?' | grep ' fa_'
say -v "VOICE_NAME" -f matn.txt -o khoruji.wav --file-format=WAVE --data-format=LEI16@22050
اگر فرمان اول چیزی نشان نداد، صدای فارسی هنوز نصب نشده است. ما فرمان دوم را با یک صدای انگلیسی اجرا کردیم و یک فایل WAV سالم، تککاناله، ۱۶ بیتی و ۲۲۰۵۰ هرتز گرفتیم؛ روی دستگاه آزمون ما صدای فارسی نصب نبود.
پیش از استفاده از این فایل، مجوزش را در نظر بگیرید. بند ۲(F) مجوز نرمافزار macOS استفاده از صداهای سیستم را فقط هنگام کار با macOS و برای پروژههای شخصی و غیرتجاری خودتان مجاز میداند و ضبط یا انتشار آنها را در هر زمینه انتفاعی، غیرانتفاعی، اشتراک عمومی یا تجاری منع میکند. پس این فایل برای شنیدن خودتان است، نه برای ویدیویی که منتشر میکنید.
مسیر تنظیم در اندروید طبق راهنمای دسترسپذیری گوگل این است: Settings > Accessibility > Text-to-speech output. آنجا موتور ترجیحی (Preferred engine)، زبان، سرعت و زیر و بمی صدا را انتخاب میکنید و با دکمه Play نمونه میشنوید. گزینه Install voice data زبانهای تازه را دانلود میکند. به گفته گوگل، فهرست موتورها به دستگاه بستگی دارد و میتواند موتور گوگل، موتور سازنده گوشی و موتورهای شخص ثالث را شامل شود.
موتور خود گوگل در Play با نام Speech Recognition & Synthesis منتشر میشود و صفحه آن در Play میگوید همین موتور متن را برای Play Books، ترجمه گوگل و TalkBack میخواند. اما نه این صفحه و نه راهنمای گوگل فهرست زبانهای صدای آن را منتشر نکردهاند، پس هیچ صفحه رسمیای نمیگوید این موتور صدای فارسی دارد یا نه. یک آزمون سیثانیهای پاسخ را روی گوشی خودتان روشن میکند: در Text-to-speech output گزینه Install voice data را بزنید و در فهرست زبانها دنبال «فارسی» یا Persian بگردید. اگر بود، نصبش کنید، زبان را فارسی بگذارید و Play را بزنید؛ اگر نبود، موتور گوشی شما صدای فارسی ندارد.
اگر صدای فارسی پیدا نکردید، پروژه متنباز sherpa-onnx در صفحه موتورهای صدای اندروید فایلهای نصبی جداگانهای با برچسب tts-engine برای فارسی منتشر میکند: صداهای Piper با نامهای fa_IR-amir، fa_IR-gyro، fa_IR-ganji و fa_IR-ganji_adabi، یک صدای Mimic3 و یک مدل Matcha که فارسی و انگلیسی را با هم میخواند. هر کدام برای چهار معماری پردازنده (arm64-v8a، armeabi-v7a، x86_64 و x86) ساخته شده است و بیشتر گوشیهای امروزی به نسخه arm64-v8a نیاز دارند. پس از نصب، به همان مسیر Text-to-speech output برگردید و این موتور را بهعنوان موتور ترجیحی انتخاب کنید. راهنمای گوگل فقط از موتورهای شخص ثالثِ دریافتشده از Play نام میبرد؛ پس ظاهر شدن موتوری که از فایل APK نصب شده در این فهرست رفتار مورد انتظار اندروید است، نه چیزی که یک صفحه رسمی وعده داده باشد. فایل را فقط از صفحه رسمی پروژه بگیرید، نه از کانالها و سایتهای واسطه. مجوز صداهای فارسی Piper برای کار تجاری محدودیت دارد که در بخش مدلهای متنباز توضیح دادهایم.
گزینه سوم اپلیکیشن اندروید آریانا است که پایینتر معرفی شده؛ به گفته سازنده، بخش اعلام نام تماسگیرنده آن رایگان است و بقیه بخشها از اعتبار حساب کم میکنند.
در فهرست زبانها و صداهای Narrator که مایکروسافت برای آخرین نسخه ویندوز منتشر کرده، فارسی نه در صداهای معمولی هست و نه در صداهای طبیعی (Natural voices). پس صفحهخوان داخلی ویندوز امروز صدای فارسی ندارد.
درباره خواندن با صدای بلند در Edge، صفحههای خود مایکروسافت پاسخ قطعی نمیدهند:
آزمون سیثانیهای: یک صفحه وب فارسی را در Edge باز کنید، از مسیری که همان صفحه مایکروسافت آورده، یعنی Settings and more (…) > More tools > Read aloud، خواندن را شروع کنید، سپس فهرست صداها را در نوار Read aloud باز کنید و دنبال صدای فارسی بگردید. اگر بود، یک پاراگراف را پخش کنید؛ اگر نبود، Edge شما فارسی نمیخواند. ما خودمان نتوانستیم این آزمون را انجام دهیم، چون Edge روی دستگاه بررسی ما نصب نبود.
در برنامههای وب مایکروسافت پاسخ روشن است: همان جدول Immersive Reader خواندن با صدای بلند (Read Aloud) فارسی را در Word for the web، OneNote، Outlook for the web و Teams «Yes» نشان میدهد.
راه مطمئنتر در ویندوز اجرای یک مدل متنباز روی همان کامپیوتر است. بسته piper-tts در PyPI نسخه آماده ویندوز ۶۴ بیتی دارد و روش اجرای آن پایینتر آمده است.
بسیاری از کاربران متن را در ترجمه گوگل میچسبانند و دکمه بلندگو را میزنند. گوگل فهرست زبانهایی را که ترجمه گوگل میتواند بخواند در صفحهای که ما توانستیم باز کنیم منتشر نکرده است. اگر کنار متن فارسی دکمه بلندگو دیدید، خواندن فارسی برای شما فعال است.
در سرویس ابری گوگل وضعیت روشنتر است:
fa-IR ندارد؛ این فهرست از جمله صداهای Chirp 3: HD، Neural2، WaveNet، Studio و Standard را در بر میگیرد.fa-IR را با وضعیت Preview فهرست کرده است. این صفحه ۳۰ صدا را با برچسب زن و مرد معرفی میکند، مثلاً Kore و Aoede زن و Charon و Puck مرد. لحن، سرعت و حال صدا با یک دستور متنی (prompt) تنظیم میشود؛ نمونههای گوگل به انگلیسیاند.این صفحههای گوگل را در ۲۵ آبان ۱۴۰۵ (۱۶ نوامبر ۲۰۲۶) بهصورت زنده خواندیم. صفحه قیمت و شرایط Google Cloud به درخواست مستقیم از دستگاه ما پاسخ ندادند و فهرست صداها ناقص رسید، پس این سه صفحه را از راه یک پراکسی عمومی خواندن صفحه باز کردیم.
این جدول فقط سرویسهایی را دارد که صفحه رسمیشان فارسی را نام برده است. فهرست زبانهای Amazon Polly فارسی ندارد و به همین دلیل در جدول نیست.
| سرویس | صدای فارسی طبق صفحه رسمی | سهمیه رایگان | استفاده تجاری | متنی که میفرستید |
|---|---|---|---|---|
| Azure AI Speech | fa-IR-DilaraNeural (زن) و fa-IR-FaridNeural (مرد) | ۰٫۵ میلیون نویسه در ماه در پلن رایگان | شرایط مجوز در این بررسی خوانده نشد؛ راهنمای استفاده مسئولانه مایکروسافت کتاب صوتی و تبلیغ را نمونه کاربرد مناسب میآورد | متن درخواست همزمان ذخیره نمیشود؛ متن پردازش دستهای در فضای ذخیرهسازی Azure نگه داشته میشود و هر وقت بخواهید میتوانید حذفش کنید |
| Google Gemini-TTS | fa-IR در مرحله پیشنمایش، ۳۰ صدا | ندارد | در این بررسی جداگانه بررسی نشد | گوگل متن و صدا را ثبت نمیکند |
| ElevenLabs | مدلهای Eleven v3 و Eleven v4 فارسی را فهرست کردهاند | ۱۰ هزار اعتبار در ماه | فقط برای کاربر پولی | مجوز استفاده از محتوا برای بهبود سرویس، با امکان انصراف از آموزش |
| OpenAI | صداها برای انگلیسی بهینه شدهاند؛ فارسی در فهرست زبانهای پیرو Whisper است | ذکر نشده | باید به شنونده اعلام کنید صدا مصنوعی است | داده API بهطور پیشفرض برای آموزش استفاده نمیشود؛ ثبتهای پایش سوءاستفاده بهطور پیشفرض تا ۳۰ روز میمانند |
توضیح هر ردیف:
Azure. جدول زبانهای Azure Speech برای فارسی دو صدا دارد: Dilara زن و Farid مرد. پاورقی همان جدول میگوید این دو صدا از واجنویسی (phoneme)، واژهنامه سفارشی و viseme پشتیبانی نمیکنند؛ این محدودیت در بخش آمادهسازی متن مهم میشود. صفحه قیمت Azure Speech سهمیه رایگان را ۰٫۵ میلیون نویسه در ماه نوشته است. طبق صفحه حریم خصوصی تبدیل متن به گفتار، مایکروسافت متن درخواستهای همزمان و صدای تولیدشده را نگه نمیدارد، اما متنهایی که برای ساخت صوت طولانی بهصورت دستهای میفرستید برای پردازش در فضای ذخیرهسازی Azure نگه داشته میشوند و هر وقت بخواهید میتوانید حذفشان کنید.
ElevenLabs. صفحه مدلهای ElevenLabs فارسی را در فهرست زبانهای Eleven v3 و Eleven v4 و نسخههای جانبی آنها آورده، اما در Multilingual v2 و Flash v2.5 نه. صفحه قیمت برای پلن رایگان ۱۰ هزار اعتبار در ماه و بدون شبیهسازی صدا نشان میدهد. شرایط استفاده ElevenLabs که آخرین بار ۱۷ مهر ۱۴۰۵ (۹ اکتبر ۲۰۲۶) بهروز شده، در بند ۱(c) میگوید کاربر رایگان فقط برای مقاصد غیرتجاری مجاز است. بند ۴(d) به ElevenLabs مجوز میدهد محتوای شما را برای ارائه و بهبود سرویس و ساخت محصول تازه به کار ببرد و بند ۴(i) راه انصراف از استفاده آموزشی را از منوی Data use در حساب کاربری نشان میدهد.
OpenAI. راهنمای تبدیل متن به گفتار OpenAI میگوید صداها برای انگلیسی بهینه شدهاند و پشتیبانی زبانی تقریباً از Whisper پیروی میکند که فارسی در فهرستش هست. همان صفحه میگوید سیاست استفاده OpenAI الزام میکند به شنونده بهروشنی بگویید صدایی که میشنود ساخته هوش مصنوعی است، و مدلهای tts-1، tts-1-hd و gpt-4o-mini-tts در ۱۶ دی ۱۴۰۵ (۶ ژانویه ۲۰۲۷) خاموش میشوند. ارقام نگهداری داده در جدول از صفحه دادههای API آمده است.
این بخش فقط واقعیتها و منبع هر کدام را میگوید و مشاوره حقوقی نیست.
ما دسترسی یا پرداخت از داخل ایران را آزمایش نکردهایم و دربارهاش ادعایی نمیکنیم. نتیجه عملی ساده است: حسابی که بر خلاف شرایط این شرکتها ساخته شود هر لحظه ممکن است بسته شود و فایلها و پروژه شما را با خود ببرد. برای کار پایدار سه راه مشروع پیش رو دارید: صدای فارسی خود دستگاه برای شنیدن شخصی، سرویس داخلیای که سایتش امکاناتش را مستند کرده، و مدل متنبازی که روی سختافزار خودتان اجرا میشود.
افیکسا. نام «افیکسا» در پیشنهادهای جستوجوی گوگل کنار «تبدیل متن به صدا با هوش مصنوعی» میآید، اما صفحههای خود سایت درباره اینکه این خدمت را دارد یا نه همصدا نیستند:
@fxa_ir_bot به صدای آن شخصیت تبدیل میشود. صفحه درباره ما دو خدمت فعلی را نام میبرد: تغییر و تقلید صدای گویندگان و افراد مشهور از روی صدایی که خود مشتری ضبط میکند، و جدا کردن لایههای صدا (خواننده، پیانو، درام و غیره) از موسیقی یا فیلم. پایین صفحههای سایت، سازنده شرکت «هوش مصنوعی ندا» معرفی شده است.مقالهها تاریخ ندارند و ما ربات را آزمایش نکردهایم، پس نمیدانیم کدام توصیف بهروز است؛ اگر برای تبدیل متن به صدا به آن نیاز دارید، پیش از تکیه بر آن از خود شرکت بپرسید. صفحه درباره ما همچنین میگوید شرکت با هنرمندان، دوبلورها و صداپیشهها در تماس است تا صدایشان را مدلسازی کند. این ادعای فروشنده است و اگر میخواهید صدای شخص مشخصی را منتشر کنید، به رضایت کتبی او نیاز دارید (بخش شبیهسازی صدا را ببینید).
آواشو. مرکز تحقیقات هوش مصنوعی پارت در صفحه محصول آواشو آن را APIای معرفی میکند که متن فارسی را میخواند و برنامهنویسها میتوانند در نرمافزار خود به کارش بگیرند. ادعاهای این صفحه، که ما آزمایش نکردهایم: انتخاب صدای گوینده مرد یا زن، امکان افزودن اعراب برای هدایت خوانش، تنظیم سرعت خروجی، بیش از سیصد هزار کلمه در واژگان تلفظ، و ساختن صدای تازه از ده دقیقه صدای گوینده دلخواه. این صفحه قیمت یا سهمیه رایگان اعلام نمیکند و سایت جداگانه آواشو که به آن پیوند داده به درخواستهای ما پاسخ نداد. ساختن صدا از روی صدای یک نفر همان شبیهسازی صداست، پس قواعد رضایت که پایینتر آمده دربارهاش صدق میکند.
آریانا. شرکت عصر گویش پرداز سرویس متن به گفتار آریانا را در سایت فارسیریدر معرفی میکند. آنچه در ادامه میآید ادعاهای خود فروشنده است که ما آزمایش نکردهایم:
سطر کپیرایت سایت فارسیریدر سال ۲۰۲۲ را نشان میدهد؛ پیش از خرید، نسخه فعلی نرمافزار و نمونه صدا را با همان پاراگراف آزمونی که در ادامه آمده از فروشنده بخواهید.
مدل متنباز یعنی متن از کامپیوتر شما بیرون نمیرود و به حساب کاربری و اینترنت نیاز ندارید. اما «متنباز» به معنای «آزاد برای استفاده تجاری» نیست؛ ستون مجوز این جدول را جدی بگیرید.
| مدل | صدای فارسی | مجوز | سختافزار |
|---|---|---|---|
| Piper | شش صدای fa_IR | موتور GPL-3.0؛ هیچ صدای فارسی در فهرست مجاز تجاری Piper نیست | پردازنده معمولی؛ هر صدا حدود ۶۳ مگابایت |
| MMS-TTS متا | یک صدا (facebook/mms-tts-fas) | CC-BY-NC 4.0، فقط غیرتجاری | پردازنده معمولی؛ فایل مدل حدود ۱۴۵ مگابایت |
| OmniVoice | فارسی در میان بیش از ۶۰۰ زبان | کد Apache-2.0، وزنهای مدل CC-BY-NC | کارت گرافیک، یا تراشه اپل |
Piper موتور تبدیل متن به گفتار محلی است که برای تبدیل نوشته به واج از espeak-ng استفاده میکند و با مجوز GPL-3.0 منتشر میشود. نسخه 1.8.0 بسته آن در PyPI برای ویندوز ۶۴ بیتی، مک (اینتل و تراشه اپل) و لینوکس فایل آماده دارد و پایتون 3.9 یا جدیدتر میخواهد. مخزن صداهای Piper شش صدای فارسی دارد: amir، ganji، ganji_adabi، gyro، magnoliasis و reza_ibrahim، همه با کیفیت medium و نرخ نمونهبرداری ۲۲۰۵۰ هرتز.
طبق راهنمای خط فرمان Piper، این چند فرمان در مک و لینوکس یک فایل WAV میسازد:
python3 -m venv tts-env
source tts-env/bin/activate
pip install piper-tts
python3 -m piper.download_voices fa_IR-amir-medium
python3 -m piper -m fa_IR-amir-medium -f salam.wav -- 'سلام. این یک آزمایش صدای فارسی است.'
فرمان چهارم صدا را در پوشه جاری دانلود میکند و فرمان آخر فایل salam.wav را میسازد. فرمان python3 -m piper.download_voices بدون نام صدا فهرست همه صداها را نشان میدهد. گزینه --input-file متن را از فایل میخواند، گزینه --sentence-silence 0.5 بعد از هر جمله، جز جمله آخر، نیم ثانیه سکوت میگذارد و --length-scale 1.15 گفتار را کمی آهستهتر میکند. کارت گرافیک لازم نیست؛ اگر کارت NVIDIA دارید، گزینه --cuda همراه بسته onnxruntime-gpu آن را به کار میگیرد.
در ویندوز بهجای خط دوم tts-env\Scripts\activate را بزنید و اگر python3 شناخته نشد، python بنویسید. خط فرمان ویندوز علامت نقلقول تکی را نقلقول نمیشناسد، پس متن فارسی را در یک فایل متنی با کدگذاری UTF-8 ذخیره کنید و بهجای متن در فرمان، آن را با --input-file matn.txt بدهید. ما این روش را روی ویندوز آزمایش نکردهایم.
همین کار در پایتون، طبق راهنمای API پایتون Piper، با تنظیم سرعت:
import wave
from piper import PiperVoice, SynthesisConfig
voice = PiperVoice.load("fa_IR-amir-medium.onnx")
config = SynthesisConfig(length_scale=1.15) # کمی آهستهتر از حالت پیشفرض
with wave.open("salam.wav", "wb") as wav_file:
voice.synthesize_wav("سلام. این یک آزمایش صدای فارسی است.", wav_file, syn_config=config)
length_scale بزرگتر از ۱ گفتار را آهستهتر میکند؛ برای صداگذاری آموزشی معمولاً کمی کندی کمک میکند.
مجوز صداهای فارسی Piper. فهرست صداهای مجاز برای استفاده تجاری در خود پروژه میگوید Piper روی مدلهای صدا مجوزی نمیدهد و حقوق هر صدا از داده آموزشی و آموزشدهنده آن میآید. هیچ صدای فارسی در این فهرست نیست: ganji و ganji_adabi از amir مشتق شدهاند که خودش از صدای انگلیسی lessac آموزش گرفته است، و کارت مدل magnoliasis صریحاً میگوید داده آن هیچ مجوزی ندارد و نباید فرض کرد برای هیچ کاری قابل استفاده است. کارتهای amir و reza_ibrahim داده خودشان را CC0 معرفی میکنند اما آنها هم از lessac آموزش گرفتهاند، و کارت gyro برای مجوز فقط به یک نشانی ارجاع میدهد که فهرست Piper چنین صداهایی را «هنوز بررسینشده» میداند. همان فهرست میگوید صداهای مشتق از lessac بهتدریج دوباره آموزش داده میشوند و نسخهای که پیش از آموزش دوباره دانلود شده واجد شرایط نیست؛ پس پیش از هر استفاده تجاری فهرست و کارت مدل نسخه خودتان را دوباره بخوانید. چون کارت magnoliasis هیچ حقی برای هیچ استفادهای نمیدهد، این صدا را کنار بگذارید؛ پیش از انتشار با بقیه، نظر مشاور حقوقی را بگیرید یا صدای اختصاصی با رضایت کتبی گوینده بسازید.
کارت مدل facebook/mms-tts-fas آن را بخشی از پروژه Massively Multilingual Speech متا معرفی میکند، با معماری VITS و مجوز CC-BY-NC 4.0. خروجی آن ۱۶ هزار هرتز است. کد زیر به پیروی از مستند VITS در Transformers یک جمله را به صدا تبدیل میکند و در یک فایل WAV مینویسد:
pip install transformers torch scipy
import scipy.io.wavfile
import torch
from transformers import AutoTokenizer, VitsModel, set_seed
model = VitsModel.from_pretrained("facebook/mms-tts-fas")
tokenizer = AutoTokenizer.from_pretrained("facebook/mms-tts-fas")
text = "امروز بیست و پنجم آبان است و جلسه ساعت چهارده و سی دقیقه شروع میشود"
inputs = tokenizer(text, return_tensors="pt")
set_seed(555) # خروجی این مدل تصادفی است؛ با بذر ثابت تکرارپذیر میشود
with torch.no_grad():
waveform = model(**inputs).waveform[0]
scipy.io.wavfile.write("mms-fa.wav", rate=model.config.sampling_rate, data=waveform.cpu().numpy())
یک نکته عملی که در کارت مدل نیامده: فایل vocab.json این مدل فقط ۴۴ نماد دارد، شامل حروف فارسی و عربی، فاصله، خط تیره، زیرخط، آپاستروف و همزه روی «ه». رقم، حرف لاتین، نیمفاصله و اعراب کوتاه (زبر، زیر و پیش) در آن نیست. مستند Transformers هم میگوید توکنایزر این مدلها در حالت پیشفرض نشانهگذاری را حذف میکند. پس برای این مدل عدد را با حروف بنویسید، کلمه انگلیسی را با حروف فارسی بنویسید و برای مکث، جملهها را جدا تولید کنید. اعرابگذاری هم کمکی به آن نمیکند.
مخزن OmniVoice از همان گروه سازنده sherpa-onnx، مدلی با بیش از ۶۰۰ زبان است و در فهرست زبانهایش فارسی با کد fa و ۳۶۶ ساعت داده آموزشی آمده است. کارت مدل OmniVoice مجوز کد را Apache 2.0 و مجوز مدل آموزشدیده را بهدلیل محدودیت دادههای آموزشی CC-BY-NC اعلام میکند. این مدل با PyTorch روی کارت گرافیک یا تراشه اپل اجرا میشود؛ مخزن حداقل حافظه را اعلام نکرده و آزمونهای منتشرشدهاش روی کارت H100 و کارتهای Intel Arc با ۴ و ۱۶ گیگابایت حافظه انجام شدهاند. OmniVoice میتواند صدا را با ویژگیهایی مثل جنسیت، سن و زیر و بمی «طراحی» کند، بدون اینکه صدای کسی را شبیهسازی کند، اما خود مخزن یادآوری میکند که طراحی صدا فقط با داده چینی و انگلیسی آموزش دیده و در زبانهای دیگر ممکن است ناپایدار باشد. بخش سلب مسئولیت آن شبیهسازی صدای بدون مجوز، جعل هویت صوتی و کلاهبرداری را ممنوع میکند. با این مجوز و این سختافزار، Piper برای بیشتر خوانندهها راه متنباز عملیتری است و ما روش راهاندازی OmniVoice را اینجا نمیآوریم.
کدهای این بخش از نظر نحو بررسی شدهاند، اما ما آنها را اجرا نکردهایم؛ نصب بستهها روی دستگاه بررسی ممکن نبود.
صدای ماشینی پیش از ساختن صوت باید بفهمد هر کلمه چطور خوانده میشود. خط فارسی بخش بزرگی از این اطلاعات را نمینویسد. شش مشکل اصلی، هر کدام با جملهای که خودتان میتوانید بیازمایید:
ما ادعا نمیکنیم ابزار خاصی در هر کدام از اینها شکست میخورد؛ اینها نکتههاییاند که باید بیازمایید. مقاله رابط صوتی بهتر برای فارسی توضیح میدهد چرا نرمالسازی متن فارسی یک تصمیم محصول است و چرا کیفیت سنتز گفتار باید جدا از بازشناسی گفتار سنجیده شود.
بیشتر بهبود کیفیت از همین مرحله میآید، نه از عوض کردن ابزار.
SSML زبان نشانهگذاری استانداردی است که به موتور صدا میگوید کجا مکث کند، چه سرعتی داشته باشد و چه بخواند. در Azure برای فارسی باید محدودیتها را بدانید: طبق جدول زبانها، عنصر phoneme و واژهنامه سفارشی برای صداهای فارسی پشتیبانی نمیشود، و طبق مستند تلفظ در SSML، از مقدارهای say-as فقط characters و spell-out برای همه زبانها کار میکنند و بقیه مثل date و cardinal فقط برای فهرستی از زبانها که فارسی در آن نیست. آنچه میماند: break برای مکث که طبق مستند ساختار SSML از صفر تا ۲۰ ثانیه است، prosody برای سرعت و زیر و بمی که طبق مستند صدا در SSML سرعت را بین نصف تا دو برابر تغییر میدهد، و sub برای خواندن یک متن جایگزین:
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xml:lang="fa-IR">
<voice name="fa-IR-DilaraNeural">
<prosody rate="-10%">
گزارشِ فروشِ این فصل
<break time="400ms"/>
در قالب <sub alias="پیدیاف">PDF</sub> برای همه فرستاده شد.
</prosody>
</voice>
</speak>
پس عدد و تاریخ فارسی را در Azure هم باید خودتان با حروف بنویسید. ما پشتیبانی SSML را برای Gemini-TTS و ElevenLabs در این بررسی نخواندیم و دربارهاش ادعایی نمیکنیم.
راهنمای خط فرمان Piper اجازه میدهد واجهای espeak-ng را مستقیم داخل [[ ]] در متن بگذارید. برای دیدن واجهایی که espeak-ng برای یک عبارت فارسی میسازد، اگر espeak-ng را جداگانه نصب کرده باشید:
espeak-ng -v fa --ipa=3 -q "گزارشِ فروش"
فهرست زبانهای espeak-ng فارسی را با شناسه fa دارد و فایل تنظیم صدای fa_IR-amir-medium هم همین شناسه را به کار میبرد. خروجی را ویرایش کنید و در [[ ]] جای کلمه مشکلدار بگذارید.
صدای زن. در Azure صدای fa-IR-DilaraNeural زن و fa-IR-FaridNeural مرد است. در Gemini-TTS صفحه گوگل جنسیت هر یک از ۳۰ صدا را نوشته است. کارتهای مدل صداهای فارسی Piper معمولاً جنسیت را ذکر نمیکنند، جز gyro که دادهاش را «مرد» معرفی میکند؛ پیش از انتخاب، نمونه هر کدام را بشنوید. OmniVoice هم میتواند صدای زن طراحی کند، با همان احتیاطی که درباره طراحی صدا در زبانهای غیر از چینی و انگلیسی گفتیم. به گفته سازندگان، در ربات تلگرامی آریانا نوع و جنسیت صدا قابل انتخاب است و آواشو صدای گوینده مرد یا زن دارد.
صدای گوینده. آنچه مردم «صدای گوینده» مینامند معمولاً ترکیبی از سرعت کمی کمتر، زیر و بمی پایدار و مکثهای سنجیده است. با prosody در Azure، length_scale در Piper یا دستور متنی در Gemini-TTS به آن نزدیک شوید و مکثها را با نشانهگذاری بسازید.
«طبیعی» یعنی چه؟ صدای طبیعی کلمهها را درست تلفظ میکند، کسره اضافه را میخواند، آهنگ جمله خبری و پرسشی را از هم جدا میکند، از جملهای به جمله دیگر یکدست میماند و صدای اضافه یا بریدگی ندارد. هیچکدام از اینها را با یک جمله کوتاه نمیشود سنجید.
این پاراگراف را بیتغییر به هر ابزاری که میسنجید بدهید:
روز ۲۵ آبان ۱۴۰۵، ساعت ۱۴:۳۰، خانم کرمی گزارش فروش سهماهه را خواند: «درآمد ۱۲٫۵ درصد بیشتر شد و ۳۷۰ میلیون تومان به حساب شرکت نشست.» بعد گفت مرد جوانی که دیروز زنگ زد، میخواهد فایل PDF راهنما را روی iPhone و Android امتحان کند. پدربزرگش در جوانی کشتی میگرفت و سالها بعد با کشتی به بندرعباس رفت. آیا جلسه بعدی سهشنبه است؟ نه؛ پنجشنبه!
| آنچه باید بشنوید | جای آن در پاراگراف |
|---|---|
| تاریخ ترتیبی و سال کامل | «بیستوپنجم آبان هزار و چهارصد و پنج» |
| ساعت | «چهارده و سی دقیقه»، نه «یک، چهار، سی» |
| اعشار و مبلغ | «دوازده و نیم درصد» یا «دوازده ممیز پنج درصد»، «سیصد و هفتاد میلیون تومان» |
| کسره اضافه | «گزارشِ فروشِ سهماهه»، «مردِ جوان»، «فایلِ PDFِ راهنما» |
| همنویسه | «کُشتی میگرفت» و «با کَشتی» |
| کلمه انگلیسی | PDF، iPhone و Android خوانده شوند، نه حذف |
| آهنگ و مکث | مکث بعد از دونقطه و نقطهویرگول، آهنگ پرسشی، لحن تعجب |
برای مقایسه منصفانه، هر خروجی را یک بار با بلندگوی گوشی و یک بار با هدفون بشنوید، نام ابزار را از شنونده پنهان کنید و از سه تا پنج شنونده فارسیزبان بخواهید به هر خروجی از ۱ تا ۵ نمره بدهند و خطاهای تلفظ را بشمارند. سپس همین پاراگراف را با روشهای بخش آمادهسازی بازنویسی کنید و دوباره بسنجید؛ تفاوت دو نسخه نشان میدهد چقدر از مشکل در متن بوده و چقدر در ابزار.
صداگذاری ویدیو. پیش از ساختن هر صدایی که قرار است منتشر شود، تکلیف مجوز را روشن کنید؛ در پرسشهای رایج پایین همین صفحه خلاصه کردهایم که مجوز هر گزینه چه میگوید. متن را صحنهبهصحنه تولید کنید تا اصلاح یک جمله به تولید دوباره کل فایل نرسد، و خروجی WAV را نگه دارید تا تدوینگر کیفیت را از دست ندهد. اگر شنونده ممکن است صدا را صدای یک انسان واقعی فرض کند، مصنوعی بودنش را اعلام کنید؛ OpenAI این کار را الزامی کرده است.
کتاب صوتی و مقاله. متن طولانی را فصلبهفصل بسازید. مایکروسافت برای صوت بیش از ۱۰ دقیقه، مثل کتاب صوتی و درسگفتار، روش پردازش دستهای را پیشنهاد میکند که برخلاف پردازش همزمان، متن شما را در فضای ذخیرهسازی Azure نگه میدارد. حقوق خود متن هم با شماست: مایکروسافت صریحاً میگوید گرفتن مجوز محتوایی که به سرویس میفرستید بر عهده مشتری است.
تلفن گویا و مرکز تماس. در تلفن گویا عدد، مبلغ و کد پیگیری مهمترین بخش پیاماند؛ آنها را با حروف و با مکث بنویسید و خروجی را روی خط تلفن واقعی بشنوید، نه فقط روی هدفون. آریانا اتصال به Asterisk و FreeSWITCH را اعلام کرده است. اگر قرار است سامانه گفتوگو هم بکند، صدا فقط یک لایه است؛ مقاله ایجنت صوتی در محیط عملیاتی نوبتگیری، تأیید اطلاعات و انتقال به اپراتور را توضیح میدهد.
دسترسپذیری برای نابینایان و کمبینایان. VoiceOver در آیفون و مک فارسی میخواند و Narrator ویندوز صدای فارسی ندارد. در اندروید، صفحه موتور گوگل در Play از TalkBack در میان برنامههایی نام میبرد که با موتور صدای سیستم حرف میزنند؛ بنابراین بعد از نصب یک موتور فارسی، بررسی کنید که TalkBack با آن فارسی بخواند. اگر سایت یا اپلیکیشنی را برای کاربران نابینا گویا میکنید، کنترل سرعت را به خود شنونده بدهید، چون هر کاربر صفحهخوان سرعت خودش را دارد.
مدلهای تازهای مثل OmniVoice صدای یک انسان را از روی یک فایل صوتی مرجع و بدون آموزش جداگانه تقلید میکنند، و همین شبیهسازی صدا را به ابزار کلاهبرداری هم تبدیل کرده است: تماسی با صدای مدیر شرکت که دستور واریز میدهد، یا پیامی با صدای یکی از اعضای خانواده که پول میخواهد. شرایط خود ابزارها چنین میگوید:
قاعده عملی ما: صدای هیچکس را بدون رضایت کتبی شبیهسازی نکنید. رضایتنامه باید کاربرد، مدت، رسانه و حق لغو را مشخص کند. هر صوت مصنوعی منتشرشده را برچسب بزنید و فایل رضایت و متنهای تولیدشده را نگه دارید. در خانواده و سازمان یک رمز شفاهی برای تأیید درخواستهای مالی تلفنی بگذارید. اینکه چطور درستی یک فایل صوتی یا تصویری را بسنجیم در مقاله رسانه مصنوعی و اصالت محتوا آمده و پیامد آن برای خوانندگان و هنرمندان در مقاله هوش مصنوعی در صنعت موسیقی.
قرارداد، پرونده بیمار، گزارش مالی یا متن داخلی را پیش از فرستادن به هر سرویس آنلاین با یک پرسش بسنجید: این متن کجا میرود و چقدر میماند؟ ستون «متنی که میفرستید» در جدول سرویسهای آنلاین، پاسخ هر سرویس را از صفحههای خودش آورده است.
اگر هیچکدام برای سیاست داده شما پذیرفتنی نیست، صدا را روی سرور خود سازمان بسازید:
پیش از استقرار، پاراگراف آزمون را با متن واقعی سازمان گسترش دهید، فهرست تلفظ اصطلاحها را بسازید، مدت نگهداری فایلهای صوتی را تعیین کنید و یک نفر را مسئول شنیدن نمونههای تصادفی هر هفته کنید. اگر سازمان شما میخواهد مدلهای زبانی را هم درون شبکه خودش اجرا کند، این همان کاری است که خدمت هوش مصنوعی محلی روی سرور سازمان انجام میدهد.
بله، برای استفاده شخصی. صدای فارسی آیفون و مک رایگان است، Piper و MMS روی کامپیوتر خودتان رایگان اجرا میشوند، Azure ماهانه ۰٫۵ میلیون نویسه رایگان میدهد و ElevenLabs ماهانه ۱۰ هزار اعتبار. Gemini-TTS گوگل سهمیه رایگان ندارد. صداهای سیستمی مک، پلن رایگان ElevenLabs، MMS و OmniVoice فقط برای استفاده غیرتجاریاند.
در سرویس ابری گوگل، فارسی فقط در Gemini-TTS و در مرحله پیشنمایش فهرست شده است و صداهای قدیمیتر فارسی ندارند. برای ترجمه گوگل و موتور صدای اندروید، گوگل فهرست رسمی زبانها را در صفحهای که ما باز کردیم منتشر نکرده است؛ در دستگاه خودتان امتحان کنید.
در Settings > Accessibility > Text-to-speech output و بخش Install voice data دنبال فارسی بگردید. اگر نبود، یکی از موتورهای فارسی sherpa-onnx را از صفحه رسمی پروژه نصب کنید و آن را موتور ترجیحی قرار دهید.
یک پاسخ ثابت وجود ندارد، چون کیفیت به متن شما بستگی دارد. پاراگراف آزمون این مقاله را به دو یا سه گزینه بدهید، نتیجه را با چند شنونده بسنجید و پیش از انتخاب، مجوز تجاری و سیاست نگهداری متن هر کدام را بخوانید.
صفحههای خود افیکسا با هم نمیخوانند. صفحه اصلی و صفحه درباره ما فقط تبدیل صدای ضبطشده خودتان و جدا کردن لایههای صوتی را توصیف میکنند؛ چند مقاله سایت از ربات رایگان تبدیل متن به گفتار میگویند و مقاله دیگری میگوید این سرویس به زودی بهصورت آزمایشی اضافه میشود. ما ربات را آزمایش نکردهایم؛ پیش از تکیه بر آن از خود شرکت بپرسید.
به مجوز ابزار بستگی دارد. مجوز macOS انتشار صداهای سیستم اپل را منع میکند، ElevenLabs استفاده تجاری را فقط برای کاربر پولی مجاز میداند، MMS و OmniVoice غیرتجاریاند و صداهای فارسی Piper در فهرست مجاز تجاری پروژه نیستند. مایکروسافت در راهنمای استفاده مسئولانهاش کتاب صوتی و تبلیغ را نمونه کاربرد مناسب آورده، اما ما شرایط مجوز Azure و گوگل را در این بررسی نخواندیم و صفحههای فروشندگان ایرانی هم درباره حق استفاده از صدای تولیدشده چیزی نمیگویند؛ پیش از انتشار بپرسید. در هر حال، صدای یک فرد واقعی را بدون رضایت کتبی او منتشر نکنید.
چون کسره اضافه در خط فارسی نوشته نمیشود و ابزار باید آن را حدس بزند. جایی که مهم است کسره را بنویسید، بشنوید که ابزار آن را به کار میبرد یا نه، و اگر نه، جمله را طوری بازنویسی کنید که زنجیره اضافه کوتاهتر شود.
این راهنما در ۲۵ آبان ۱۴۰۵ (۱۶ نوامبر ۲۰۲۶) با صفحههای رسمی اپل، گوگل، مایکروسافت، آمازون، ElevenLabs و OpenAI، صفحه برنامه تحریم ایران در OFAC، مخزنها و کارتهای مدل رسمی Piper، MMS-TTS، OmniVoice، sherpa-onnx و espeak-ng، و سایت خود افیکسا، آریانا و پارت بازبینی شد. همه صفحهها در همان روز بهصورت زنده خوانده شدند؛ صفحه قیمت Text-to-Speech گوگل، شرایط Google Cloud و راهنمای اندروید گوگل به درخواست مستقیم از دستگاه ما پاسخ ندادند و فهرست صداهای Cloud TTS ناقص رسید، پس این چهار صفحه از راه یک پراکسی عمومی خواندن صفحه باز شدند. قیمتها، سهمیهها و فهرست صداها اظهارات فروشندهاند و زود تغییر میکنند. درباره سرویسهای ایرانی فقط ادعاهای سایت خودشان را نقل کردهایم. هیچ صدایی را از نظر کیفیت رتبهبندی نکردهایم. فرمان say با یک صدای انگلیسی اجرا شد؛ کدهای پایتون از نظر نحو بررسی شدهاند اما اجرا نشدهاند.
برچسبهاتبدیل متن به صداتبدیل متن به گفتارصدای فارسیسنتز گفتارPiperSSMLدسترسپذیری

ساخت ربات بله با هوش مصنوعی از گرفتن توکن در BotFather تا کد پایتون، وصل کردن مدل زبانی، وبهوک، مسیر n8n، محدودیتهای API بله و میزبانی کامل داخل ایران.
ادامه مطلب
ساخت دفترچه، افزودن منبع، بررسی ارجاعها، مرور صوتی فارسی، آزمون و اسلاید در NotebookLM که حالا Gemini Notebook نام دارد؛ با محدودیتها، وضعیت ایران و جایگزین متنباز.
ادامه مطلب
نصب Ollama در ویندوز، مک، لینوکس و سرور با فرمانهای دقیق؛ اجرای DeepSeek و مدلهای فارسیفهم بهصورت لوکال، API سازگار با OpenAI، امنیت درگاه ۱۱۴۳۴ و کار بدون اینترنت.
ادامه مطلباگر 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.