تبدیل متن به گفتار فارسی با ElevenLabs در ایران

۱۳ مهر ۱۴۰۵ · ۴ دقیقه مطالعه

ElevenLabsتبدیل متن به گفتارTTSصدا

تا چند سال پیش صدای فارسی ماشینی را از فاصله‌ی چند متری می‌شد تشخیص داد: یکنواخت، بی‌احساس و با تکیه‌های اشتباه. امروز مدل‌های ElevenLabs صدایی می‌سازند که گاهی از صدای انسان قابل تشخیص نیست. در این مقاله می‌بینیم کدام مدل برای فارسی مناسب است، متن را چطور آماده کنیم و چطور با API هوشوانا بدون دردسر پرداخت ارزی شروع کنیم.

کدام مدل ElevenLabs برای فارسی؟

ElevenLabs چند مدل تبدیل متن به گفتار دارد و همه‌ی آن‌ها فارسی را پشتیبانی نمی‌کنند. این نکته‌ی مهمی است که خیلی‌ها از آن غافل‌اند:

مدل	پشتیبانی رسمی از فارسی	ویژگی	قیمت هر هزار کاراکتر
Eleven v3	بله	احساسی‌ترین، تگ‌های صوتی، چندگوینده	حدود ۲۳ هزار و ۶۰۰ تومان
Multilingual v2	خیر	پایدار در متن بلند، ۲۹ زبان	حدود ۲۳ هزار و ۶۰۰ تومان
Flash v2.5	خیر	تأخیر بسیار کم، ۳۲ زبان	حدود ۱۱ هزار و ۸۰۰ تومان
Turbo v2.5	خیر	تعادل سرعت و کیفیت	حدود ۱۱ هزار و ۸۰۰ تومان

قیمت‌ها با نرخ فعلی دلار در هوشوانا محاسبه شده‌اند. نتیجه روشن است: برای فارسی، Eleven v3 انتخاب اصلی است. مدل‌های دیگر ممکن است متن فارسی را بخوانند، اما لهجه و تکیه‌ها معمولاً طبیعی نیست.

هر هزار کاراکتر فارسی تقریباً یک دقیقه گفتار است. پس یک ویدئوی آموزشی پنج‌دقیقه‌ای حدود صد و بیست هزار تومان هزینه‌ی صداگذاری دارد، که در مقایسه با استودیو و گوینده‌ی حرفه‌ای بسیار کمتر است.

آماده‌سازی متن فارسی

کیفیت خروجی بیش از هر چیز به متن ورودی بستگی دارد. این نکته‌ها را رعایت کنید:

اعداد را با حروف بنویسید. «۱۴۰۵» ممکن است «یک چهار صفر پنج» خوانده شود. بنویسید «هزار و چهارصد و پنج».
کلمات دوپهلو را اعراب‌گذاری کنید. «مَرد» و «مُرد» بدون اعراب ممکن است اشتباه خوانده شوند. برای کلمات کلیدی اعراب بگذارید.
نیم‌فاصله را رعایت کنید. «می‌رود» با نیم‌فاصله درست‌تر از «می رود» یا «میرود» خوانده می‌شود.
علائم نگارشی مهم‌اند. ویرگول مکث کوتاه و نقطه مکث بلندتر می‌سازد. علامت سؤال لحن پرسشی ایجاد می‌کند.
کلمات انگلیسی را فارسی بنویسید. به‌جای «API» بنویسید «اِی‌پی‌آی» تا تلفظ درست شود.
جمله‌ها را کوتاه کنید. جمله‌های خیلی بلند نفس‌گیر و غیرطبیعی خوانده می‌شوند.

کنترل احساس با تگ‌های صوتی

Eleven v3 تگ‌های صوتی را می‌فهمد. با گذاشتن تگ‌هایی مثل [whispers] برای نجوا، [laughs] برای خنده یا [excited] برای هیجان درون متن، لحن را دقیق کنترل کنید. این تگ‌ها به انگلیسی نوشته می‌شوند ولی روی خواندن متن فارسی اثر دارند. برای داستان‌گویی و تبلیغات این قابلیت تفاوت بزرگی ایجاد می‌کند. فقط در استفاده زیاده‌روی نکنید؛ دو سه تگ در هر پاراگراف کافی است.

شروع با API هوشوانا

هوشوانا endpoint سازگار با OpenAI برای تبدیل متن به گفتار دارد. یعنی همان کدی که برای TTS شرکت OpenAI می‌نویسید، با عوض کردن نام مدل با ElevenLabs کار می‌کند:

Python

from openai import OpenAI

client = OpenAI(base_url="https://hooshvana.ir/api/v1", api_key="hv-کلید-شما")

with client.audio.speech.with_streaming_response.create(
    model="elevenlabs/eleven_v3",
    voice="nova",
    input="سلام! به هوشوانا خوش آمدید. امروز با هم یاد می‌گیریم چطور صدای فارسی طبیعی بسازیم.",
) as response:
    response.stream_to_file("welcome.mp3")

نام صداهای استاندارد OpenAI مثل alloy، nova و onyx به صداهای آماده‌ی ElevenLabs نگاشت شده‌اند تا کد شما بدون تغییر کار کند. اگر شناسه‌ی صدای مشخصی از کتابخانه‌ی ElevenLabs دارید، می‌توانید همان را در فیلد voice بفرستید.

با cURL هم به همین سادگی است:

Shell

curl https://hooshvana.ir/api/v1/audio/speech \
  -H "Authorization: Bearer hv-کلید-شما" \
  -H "Content-Type: application/json" \
  -d '{"model": "elevenlabs/eleven_v3", "voice": "alloy", "input": "این یک آزمایش صدای فارسی است."}' \
  --output test.mp3

کاربردهای واقعی

کتاب صوتی: متن را فصل‌به‌فصل و در تکه‌های حداکثر پنج هزار کاراکتری بفرستید و فایل‌ها را پشت هم قرار دهید.
ویدئوی آموزشی و تبلیغاتی: صداگذاری را چند بار با لحن‌های مختلف بسازید و بهترین را انتخاب کنید.
دستیار صوتی: پاسخ چت‌بات را به صدا تبدیل کنید. برای تأخیر کمتر، پاسخ را جمله‌به‌جمله به گفتار تبدیل کنید.
دسترس‌پذیری: نسخه‌ی صوتی مقاله‌های سایت را برای کاربران کم‌بینا یا کسانی که ترجیح می‌دهند گوش کنند بسازید.

مقایسه با گزینه‌های دیگر

مدل‌های TTS شرکت OpenAI مثل TTS-1 ارزان‌ترند، اما فارسی آن‌ها لهجه‌ی محسوسی دارد و برای محتوای منتشرشدنی توصیه نمی‌کنیم. برای اعلان‌های داخلی و نمونه‌سازی سریع گزینه‌ی خوبی‌اند. اگر کیفیت مهم است، Eleven v3 با فاصله بهترین انتخاب فعلی برای فارسی است.

کنترل هزینه

چون TTS بر اساس تعداد کاراکتر محاسبه می‌شود، پیش از ارسال متن را تمیز کنید: فاصله‌های اضافه، تگ‌های HTML و متن‌های تکراری را حذف کنید. خروجی‌ها را ذخیره کنید و برای متن ثابت دوباره صدا تولید نکنید. روی کلیدی که برای TTS می‌سازید هم سقف خرج روزانه بگذارید.

جمع‌بندی

برای صدای فارسی طبیعی، Eleven v3 را انتخاب کنید، متن را با اعداد حروفی، نیم‌فاصله‌ی درست و جمله‌های کوتاه آماده کنید و با تگ‌های صوتی احساس بدهید. با API هوشوانا همه‌ی این‌ها با پرداخت ریالی و همان کتابخانه‌های آشنای OpenAI در دسترس است.