لیپ سینک و آواتار سخنگوی فارسی با هوش مصنوعی: راهنمای قدمبهقدم
راهنمای قدمبهقدم ساخت آواتار سخنگو و لیپ سینک فارسی با هوش مصنوعی: ساخت صدای فارسی، مقایسهٔ HeyGen، Hedra و Kling، پرامپتها و نکات اخلاقی.

برای ساخت آواتار سخنگوی فارسی با هوش مصنوعی، مطمئنترین مسیر این است که اول صدای فارسی را جداگانه بسازید (مثلاً با مدل Eleven v3 در ElevenLabs یا صدای خودتان) و بعد همان فایل صوتی را در یک ابزار لیپ سینک مثل HeyGen، Hedra یا Kling آپلود کنید تا لبهای عکس یا ویدیو با صدا هماهنگ شود. دلیلش ساده است: بیشتر ابزارهای آواتار، صدای فارسی داخلی ندارند یا فهرست زبانهایشان فارسی را نشان نمیدهد، اما تقریباً همهشان اجازه میدهند فایل صوتی خودتان را بدهید.
در این مقاله قدمبهقدم میگویم چطور از یک عکس ساده به یک ویدیو سخنگو برسید، کدام ابزار برای چه کاری مناسب است و چه نکات اخلاقی را باید جدی بگیرید. همهٔ اطلاعات ابزارها از صفحههای رسمی خودشان در آبان ۱۴۰۵ بررسی شده و چون این ابزارها مدام عوض میشوند، قبل از خرید حتماً دوباره نگاه کنید.
لیپ سینک با هوش مصنوعی دقیقاً چیست و چه فرقی با آواتار سخنگو دارد؟
لیپ سینک با هوش مصنوعی یعنی مدل، حرکت لب و فک یک چهره را با یک فایل صوتی هماهنگ میکند. ورودی میتواند یک ویدیوی آماده باشد (مثل قابلیت Lip Sync در Kling) یا فقط یک عکس ثابت.
آواتار سخنگو یک قدم جلوتر است: از یک عکس یا یک کاراکتر، ویدیویی میسازد که علاوه بر لب، سر، چشم، ابرو و گاهی دستها هم حرکت میکنند. ابزارهایی مثل Hedra و Avatar IV در HeyGen در این دستهاند و برای «ساخت ویدیو سخنگو با عکس» استفاده میشوند.
در عمل هر دو یک چیز لازم دارند: یک صدای تمیز. کیفیت نهایی ویدیو بهشدت به کیفیت همین فایل صوتی وابسته است.
کدام ابزارها فارسی را پشتیبانی میکنند؟ (جدول مقایسه)
این جدول فقط چیزهایی را نشان میدهد که روی صفحههای رسمی خود ابزارها دیدم. جایی که سایت رسمی چیزی نگفته، نوشتهام «اعلام نشده».
| ابزار | صدای فارسی داخلی | لیپ سینک با صدای آپلودی | پلن رایگان | حداکثر طول | ویژگی شاخص |
|---|---|---|---|---|---|
| ElevenLabs | بله، فقط در مدل Eleven v3 (Multilingual v2 و Flash v2.5 فارسی ندارند) | ابزار لیپ سینک نیست؛ فقط صدا میسازد | ثبتنام رایگان دارد | اعلام نشده | خروجی MP3 برای استفاده در هر ابزار آواتار |
| HeyGen | بله، «Persian (Iran)» در فهرست زبانهای صدا آمده است | بله؛ MP3، WAV، M4A و فرمتهای دیگر | ۳ ویدیو در ماه با واترمارک | تا ۱ دقیقه در پلن رایگان | Avatar IV برای جان دادن به عکس؛ ترجمهٔ ویدیو با لیپ سینک (فارسی در فهرست هست) |
| Hedra | در صفحات رسمی، فهرست زبانی و اشارهای به فارسی ندیدم | بله؛ MP3، WAV و M4A | ۳۰۰ اعتبار در ماه، بدون استفادهٔ تجاری | طبق FAQ تا ۶۰ ثانیه در هر درخواست برای پلنهای استاندارد | مدل Character-3 با خروجی 540p و 720p |
| Kling (Lip Sync) | زبانهای TTS در راهنمای رسمی اعلام نشده | بله؛ آپلود فایل صدا یا آواز | لیپ سینک قابلیت پولی است (۵ اعتبار برای ویدیوی ۵ ثانیهای) | اعلام نشده؛ صدای بلندتر از ویدیو بریده میشود | روی کاراکترهای انسانی (واقعی، سهبعدی، دوبعدی) داخل ویدیوهای Kling |
| Synthesia | در صفحهٔ زبانهای رسمی، فارسی ندیدم | آپلود ویساور در صفحهٔ قیمت آمده، اما ظاهراً فقط در Enterprise | ۱۰ دقیقه ویدیو در ماه با واترمارک | وابسته به سقف دقیقهٔ پلن | آواتارهای استودیویی برای ویدیوی آموزشی و سازمانی |
چند قیمت برای مقایسه: پلن Creator در HeyGen ماهانه ۲۹ دلار است، پلن Lite در Hedra با پرداخت سالانه ماهی ۸ دلار و پلن Starter در Synthesia ماهانه ۱۹ دلار (بر اساس اطلاعات سایت رسمی، آبان ۱۴۰۵). قیمتها و اعتبارها مرتب تغییر میکنند، پس اینها را فقط نقطهٔ شروع بدانید.
یک نکتهٔ مهم: ابزارهایی مثل Hedra و Kling Avatar طول ویدیو را از روی طول فایل صوتی تعیین میکنند. یعنی هرچه صدای شما بلندتر باشد، اعتبار بیشتری مصرف میشود.
مراحل ساخت آواتار سخنگو فارسی چیست؟
این همان روندی است که برای ساخت آواتار سخنگو فارسی پیشنهاد میکنم. هر مرحله را جدا انجام دهید تا اگر جایی خراب شد، فقط همان را تکرار کنید.
- متن را بنویسید و کوتاه کنید. برای ریلز و استوری، متن را محاورهای و کوتاه نگه دارید؛ جملههای بلند و پرویرگول، هم در صداسازی و هم در لیپ سینک مشکلسازترند. اگر برای سناریو ایده لازم دارید، مقالهٔ سناریونویسی ریلز با ChatGPT را ببینید.
- صدای فارسی را بسازید. در ElevenLabs مدل Eleven v3 را انتخاب کنید، چون طبق صفحهٔ رسمی زبانها، فقط همین مدل فارسی را پشتیبانی میکند. چند صدا را امتحان کنید، تلفظ کلمههای خاص را بشنوید و خروجی را MP3 بگیرید. راهنمای کامل این مرحله را در مقالهٔ ساخت صدا و دوبله فارسی با هوش مصنوعی نوشتهام.
- صدا را تمیز کنید. سکوت اول و آخر را ببرید و موسیقی پسزمینه نگذارید. Hedra در FAQ خودش توصیه میکند صدای گفتار تمیز و بدون موسیقی بدهید و نرخ نمونهبرداری ۱۶ کیلوهرتز یا بیشتر باشد.
- عکس یا کاراکتر را آماده کنید. یک عکس پرتره با نور خوب، چهرهٔ رو به دوربین و دهان کاملپیدا بهترین نتیجه را میدهد؛ صفحهٔ مدل Avatar در Hedra هم دقیقاً عکس روبهرو و خوشنور را پیشنهاد کرده است. اگر کاراکتر خیالی میخواهید، با پرامپتهای پایین مقاله آن را بسازید.
- لیپ سینک کنید. در ابزار انتخابی، عکس را بدهید، فایل صوتی را آپلود کنید و اگر ابزار اجازه میدهد، یک پرامپت کوتاه برای حالت چهره و حرکت بنویسید. در Kling باید اول ویدیویی بسازید که صورت کاراکتر کامل دیده شود و بعد دکمهٔ Lip Sync را بزنید.
- خروجی را با دقت ببینید. روی صداهایی مثل «پ»، «ب»، «م» و «و» که لبها کاملاً بسته یا گرد میشوند دقت کنید. اگر جایی هماهنگ نیست، همان تکه را با صدای کوتاهتر دوباره بسازید.
- ادیت نهایی. ویدیو را در نرمافزار ادیت بیاورید، زیرنویس فارسی بگذارید، کاتها را ریتمیک کنید و در صورت نیاز تکههای کوتاه را کنار هم بچینید.
آیا HeyGen و Hedra میتوانند مستقیم فارسی صحبت کنند؟
HeyGen در مقالهٔ رسمی زبانهای صدا، «Persian (Iran)» را آورده است؛ پس میتوانید متن فارسی بدهید و از صدای داخلی خودش استفاده کنید. فارسی در فهرست زبانهای ترجمهٔ ویدیو و لیپ سینک HeyGen هم دیده میشود، هرچند آن صفحه مشخص نکرده فارسی بهعنوان زبان مبدأ پشتیبانی میشود یا مقصد.
دربارهٔ Hedra، در صفحات رسمیای که بررسی کردم فهرست زبانی نبود. صفحهٔ مدل Avatar از «پشتیبانی چندزبانه» برای تبدیل صدا به ویدیو حرف میزند، اما فارسی را اسم نمیبرد. برای همین من روی مسیر «صدای آماده + آپلود» حساب میکنم، نه صدای داخلی.
حتی وقتی ابزار فارسی دارد، باز هم توصیه میکنم یک نسخه با صدای ElevenLabs یا صدای ضبطشدهٔ خودتان بسازید و مقایسه کنید. کنترل لحن، مکث و تلفظ در یک ابزار تخصصی صدا معمولاً بیشتر است.
کیفیت لیپ سینک روی زبان فارسی چطور است؟
من منبع رسمیای پیدا نکردم که کیفیت این مدلها را مخصوص زبان فارسی سنجیده باشد. مدلهایی مثل Hedra Avatar طبق توضیح خودشان حرکت دهان را با واجها و ریتم صدا هماهنگ میکنند، پس در اصل به زبان خاصی گره نخوردهاند.
با این حال، پیشنهاد عملی من این است که قبل از پروژهٔ اصلی، یک تست ۱۰ تا ۱۵ ثانیهای با همان صدا و همان عکس بگیرید. جملهای انتخاب کنید که حروف لبی زیادی داشته باشد؛ مثلاً «امروز میخواهم با هم یک پروژهٔ باحال بسازیم». اگر لبها روی این جمله درست بسته و باز شدند، با خیال راحتتر ادامه دهید.
- عکس با دهان بسته و حالت خنثی معمولاً نقطهٔ شروع بهتری از عکس خندان با دندانهای پیدا است.
- عینک آفتابی، ماسک، دست جلوی صورت یا موی روی لب، کار مدل را سخت میکند.
- صدای خیلی سریع را کمی آهستهتر بسازید؛ Kling در TTS خودش سرعت ۰٫۸ تا ۲ برابر را ارائه میدهد و ElevenLabs هم تنظیم سرعت دارد.
چه پرامپتهایی برای ساخت آواتار و حالت چهره بنویسم؟
اگر عکس واقعی ندارید یا نمیخواهید از چهرهٔ واقعی استفاده کنید، میتوانید یک کاراکتر خیالی بسازید. این پرامپت را در یک تولیدکنندهٔ تصویر مثل ChatGPT Image یا Gemini بدهید:
Front-facing portrait of a friendly Iranian woman in her 30s, looking directly at the camera, neutral relaxed expression with closed lips, soft natural window light, plain light-gray background, head and shoulders framing, sharp focus on the face, realistic photo, no accessories covering the mouth
نکتهٔ این پرامپت این است که «رو به دوربین»، «لب بسته» و «پسزمینهٔ ساده» را صریح گفتهام؛ همان چیزهایی که لیپ سینک را تمیزتر میکند. اگر کاراکتر کارتونی میخواهید، بهجای realistic photo بنویسید 3D animated character.
در ابزارهایی مثل Hedra و Kling Avatar، پرامپت متنی اختیاری است و برای هدایت احساس، حرکت سر و دست به کار میرود. این یک نمونهٔ ساده است:
The person speaks warmly and confidently to the camera, subtle natural head movements, occasional eyebrow raises on key words, gentle smile at the end, minimal hand gestures, static camera
این پرامپت عمداً حرکت را «ملایم» نگه میدارد. حرکتهای زیاد سر و دوربین ثابت نبودن، بیشترین احتمال بههمریختن صورت و لب را دارد.
برای نوشتن متن کوتاه و قابلاجرا هم میتوانید از ChatGPT کمک بگیرید:
Write a 20-second Instagram Reel script in conversational Persian (Farsi) for a talking avatar. Short sentences, no complex punctuation, one clear hook in the first line, one call to action at the end. Mark natural pauses with "...".
این پرامپت متنی تحویل میدهد که هم برای صداسازی راحتتر است و هم مکثهایش در لیپ سینک طبیعیتر درمیآید.
ساخت ویدیو سخنگو با عکس برای چه کارهایی مناسب است؟
ساخت ویدیو سخنگو با عکس برای جاهایی خوب است که حضور جلوی دوربین سخت یا پرهزینه است. چند کاربرد رایج:
- ویدیوهای آموزشی کوتاه با یک مجری ثابت برای برند
- کاراکتر یا مسکات برند که در ریلزها حرف میزند
- نسخهٔ چندزبانهٔ یک ویدیو با ترجمه و لیپ سینک
- داستانگویی با کاراکترهای خیالی و انیمیشنی
اگر بخواهید آواتار را با صحنههای دیگر ترکیب کنید، مقالهٔ آموزش Kling AI برای ساخت صحنهها و حرکت دوربین کمکتان میکند. من در دوره آموزش ساخت ویدیو با هوش مصنوعی همین زنجیرهی متن، صدا، تصویر و ادیت را روی پروژههای واقعی جلو بردهام.
استفاده از چهره و صدای دیگران مجاز است؟ (اخلاق و دیپفیک)
این بخش را جدی بگیرید. لیپ سینک و آواتار سخنگو همان فناوریای است که در دیپفیک استفاده میشود و میتواند به آبرو و حریم خصوصی آدمها آسیب جدی بزند.
- رضایت بگیرید: از چهره یا صدای کسی بدون اجازهٔ صریح و ترجیحاً مکتوب خودش استفاده نکنید؛ حتی دوست و همکار.
- جعل هویت نکنید: هرگز با چهره یا صدای افراد مشهور، مسئولان یا هر شخص واقعی، حرفی را از زبان او نسازید که نزده است.
- شفاف باشید: در کپشن یا روی ویدیو بنویسید که آواتار یا صدا با هوش مصنوعی ساخته شده. مخاطب حق دارد بداند.
- قوانین پلتفرم را بخوانید: هر ابزار و هر شبکهٔ اجتماعی برای محتوای مصنوعی و شبیهسازی صدا قانون خودش را دارد.
- مجوز تجاری را چک کنید: مثلاً پلن رایگان Hedra صراحتاً استفادهٔ تجاری را مجاز نمیداند.
امنترین انتخاب، استفاده از چهره و صدای خودتان یا یک کاراکتر کاملاً ساختگی است.
آیا این ابزارها از ایران در دسترساند؟
دسترسی به برخی از این سرویسها و پرداخت ارزی از ایران ممکن است محدود باشد و شرایطش هم ثابت نیست. پیش از شروع، قوانین و شرایط استفادهٔ هر سرویس را بخوانید و اگر برای پروژهٔ کاری انتخاب میکنید، دسترسی پایدار را هم در نظر بگیرید.
اگر میخواهید کل مسیر تولید محتوا با هوش مصنوعی، از ایده و پرامپت تا ادیت و انتشار در اینستاگرام را منظم یاد بگیرید، صفحهٔ دانشگاه تولید محتوا را ببینید.
سؤالات متداول
بهترین ابزار لیپ سینک فارسی کدام است؟
ابزار «بهترین» مطلق وجود ندارد. HeyGen صدای فارسی داخلی دارد و Hedra و Kling هم صدای آپلودی را لیپ سینک میکنند؛ پیشنهاد من این است که با یک فایل صوتی یکسان هر سه را تست کنید و خروجی را مقایسه کنید.
آیا ElevenLabs فارسی صحبت میکند؟
بله، طبق صفحهٔ رسمی زبانهای ElevenLabs، مدل Eleven v3 فارسی را پشتیبانی میکند. مدلهای Multilingual v2 و Flash v2.5 در فهرست رسمی، فارسی ندارند.
با پلن رایگان HeyGen چقدر ویدیو میشود ساخت؟
طبق صفحهٔ قیمت HeyGen، پلن رایگان ۳ ویدیو در ماه با واترمارک و حداکثر ۱ دقیقه برای هر ویدیو میدهد (بر اساس اطلاعات سایت رسمی، آبان ۱۴۰۵).
میتوانم صدای خودم را روی یک عکس لیپ سینک کنم؟
بله. صدای خودتان را با کیفیت خوب ضبط کنید، به MP3 یا WAV تبدیل کنید و در ابزاری مثل HeyGen، Hedra یا Kling آپلود کنید؛ همهٔ اینها آپلود صدا را پشتیبانی میکنند.
چرا لبهای آواتار با صدای فارسی هماهنگ نیست؟
معمولاً یکی از اینهاست: صدای نویزی یا همراه موسیقی، عکس با کیفیت پایین یا صورت نیمهپوشیده، یا حرکت زیاد سر. صدا را تمیز کنید، عکس روبهرو بدهید و پرامپت حرکت را ملایم کنید.
آیا ساخت آواتار سخنگو از چهرهٔ دیگران قانونی است؟
بدون رضایت صریح آن شخص این کار را نکنید. استفاده از چهره یا صدای افراد واقعی بدون اجازه، مصداق جعل هویت و دیپفیک است و میتواند پیامد حقوقی و اخلاقی داشته باشد.