با endpointهای audio/speech و audio/transcriptions می‌توانید متن را به صدای طبیعی تبدیل کنید یا فایل صوتی فارسی را به متن برگردانید. صداهای ElevenLabs هم از همین API در دسترساند.
هزینهی متن به گفتار بر اساس تعداد کاراکتر و هزینهی گفتار به متن بر اساس دقیقه‌ی صوت حساب میشود.
Eleven v3 مدل گفتار احساسی ElevenLabs است که بیش از ۷۰ زبان از جمله فارسی را پشتیبانی می‌کند. با تگ‌های صوتی می‌توان خنده، مکث و هیجان را کنترل کرد و گفت‌وگوی چندگوینده ساخت؛ بهترین انتخاب کاتالوگ برای گفتار فارسی طبیعی است.
openai/gpt-transcribe
GPT Transcribe جدیدترین مدل تبدیل گفتار به متن OpenAI است که فایل صوتی را با دقت بالا به متن تبدیل می‌کند. نسبت به Whisper ارزان‌تر است و در لهجه‌ها و صدای پس‌زمینه عملکرد بهتری دارد.
openai/whisper-1
Whisper مدل شناخته‌شده‌ی OpenAI برای تبدیل گفتار به متن است که از ده‌ها زبان از جمله فارسی پشتیبانی می‌کند. خروجی زیرنویس SRT و VTT می‌دهد و ابزارهای زیادی به‌طور پیش‌فرض با آن کار می‌کنند.
| مدل | نوع | کانتکست | قیمت ورودی | قیمت خروجی | کیفیت فارسی |
|---|---|---|---|---|---|
| Eleven v3elevenlabs/eleven_v3 | متن به گفتار | ۵ هزار توکن | ۲۳٬۶۰۰٬۰۰۰ تومان | - | ۴ از ۵ |
| GPT Transcribeopenai/gpt-transcribe | گفتار به متن | - | ۱٬۳۲۸ تومان | - | ۴ از ۵ |
| Whisperopenai/whisper-1 | گفتار به متن | - | ۱٬۷۷۰ تومان | - | ۳ از ۵ |
| Eleven Multilingual v2elevenlabs/eleven_multilingual_v2 | متن به گفتار | ۱۰ هزار توکن | ۲۳٬۶۰۰٬۰۰۰ تومان | - | ۲ از ۵ |
| Eleven Flash v2.5elevenlabs/eleven_flash_v2_5 | متن به گفتار | ۴۰ هزار توکن | ۱۱٬۸۰۰٬۰۰۰ تومان | - | ۲ از ۵ |
| GPT-4o Mini Transcribeopenai/gpt-4o-mini-transcribe | گفتار به متن | - | ۸۸۵ تومان | - | ۳ از ۵ |
| Eleven Turbo v2.5elevenlabs/eleven_turbo_v2_5 | متن به گفتار | ۴۰ هزار توکن | ۱۱٬۸۰۰٬۰۰۰ تومان | - | ۲ از ۵ |
قیمت مدلهای متنی و Embedding برای هر یک میلیون توکن است. مدلهای تصویر برای هر تصویر، گفتار به متن برای هر دقیقه و متن به گفتار برای هر یک میلیون کاراکتر حساب می‌شوند.
متن به گفتار یا TTS متن نوشتاری را به فایل صوتی با صدای طبیعی تبدیل می‌کند و برای کتاب صوتی، پادکست و دستیار صوتی کاربرد دارد. گفتار به متن یا STT برعکس عمل می‌کند و فایل صوتی را به متن برمی‌گرداند، مثلاً برای زیرنویس، صورت‌جلسه یا تحلیل تماس‌ها. راهنمای هر کدام در /docs/api/text-to-speech و /docs/api/speech-to-text آمده است.
صداهای چندزبانهی OpenAI و ElevenLabs متن فارسی را میخوانند، ولی تلفظ بعضی کلمهها، اسمهای خاص و اعداد ممکن است دقیق نباشد. برای نتیجهی بهتر، اعداد را با حروف بنویسید، برای کلمههای مبهم اعراب بگذارید و چند صدا را با جملههای واقعی خودتان امتحان کنید. برای گفتار به متن فارسی هم مدلهای خانوادهی Whisper در دسترساند.
واحد قیمت در این دسته با مدلهای متنی فرق دارد. متن به گفتار معمولاً بر اساس تعداد کاراکتر متن ورودی و گفتار به متن بر اساس مدت فایل صوتی به دقیقه حساب میشود. بعضی مدلهای جدیدتر هم بر اساس توکن قیمت دارند. قیمت تومانی هر مدل در جدول همین صفحه آمده است و جزئیات در /docs/pricing-billing توضیح داده شده است.
پارامتر language را fa بگذارید تا مدل زبان را حدس نزند. فایل باکیفیت، با نویز کم و یک گوینده نتیجهی بهتری می‌دهد. اگر اسمهای خاص یا اصطلاحات تخصصی دارید، آن‌ها را در پارامتر prompt بنویسید تا درست نوشته شوند. فایل‌های خیلی طولانی را به بخش‌های کوتاه‌تر تقسیم کنید. نمونه‌ی درخواست در /docs/api/speech-to-text آمده است.