ساخت صدا و دوبله فارسی با هوش مصنوعی؛ راهنمای کامل ۱۴۰۵
ساخت صدا با هوش مصنوعی و دوبله فارسی: مقایسهٔ ElevenLabs، Gemini TTS و OpenAI از نظر پشتیبانی فارسی، روند صداگذاری ریلز، نکات طبیعیشدن صدا و قوانین کلون صدا.

برای ساخت صدا با هوش مصنوعی کافی است متن فارسیتان را در یک ابزار تبدیل متن به صدا (TTS) مثل ElevenLabs یا Gemini TTS بدهید، صدای مناسب را انتخاب کنید و فایل صوتی را روی ویدیو بگذارید. برای دوبله فارسی با هوش مصنوعی هم دو راه دارید: دوبلهٔ خودکار (مثل قابلیت Dubbing در ElevenLabs) یا مسیر دستی «پیادهسازی متن، ترجمه و بازنویسی، تولید صدا، هماهنگسازی با تصویر».
در این راهنما، ابزارهایی را که امروز (آبان ۱۴۰۵) طبق صفحههای رسمی خودشان از زبان فارسی پشتیبانی میکنند مقایسه کردهام، یک روند کاری قدمبهقدم برای صداگذاری ریلز و ویدیوی آموزشی آوردهام و نکتههایی را گفتهام که خروجی فارسی را از حالت رباتیک درمیآورد. بخش حقوقی کلون صدا و محدودیتهای کاربران ایرانی را هم صادقانه توضیح دادهام.
ساخت صدا با هوش مصنوعی چیست و چه فرقی با کلون صدا و دوبله دارد؟
ساخت صدا با هوش مصنوعی یعنی مدلی که از روی متن یا صدای ورودی، گفتار انسانی تولید میکند. این حوزه چند شاخهٔ اصلی دارد که دانستن تفاوتشان کمک میکند ابزار درست را انتخاب کنید.
- تبدیل متن به صدا (Text to Speech یا TTS): متن را میدهید و یکی از صداهای آمادهٔ ابزار آن را میخواند. پرکاربردترین حالت برای ریلز، ویدیوی آموزشی و پادکست کوتاه است.
- طراحی صدا (Voice Design): با توصیف متنی، یک صدای کاملاً جدید میسازید؛ مثلاً «صدای مرد میانسال، گرم و آرام». این صدا متعلق به هیچ آدم واقعیای نیست.
- کلون صدا (Voice Cloning): از روی نمونهٔ صدای یک شخص، نسخهٔ دیجیتال صدای او ساخته میشود. فقط باید با صدای خودتان یا با رضایت صاحب صدا انجام شود.
- دوبله با هوش مصنوعی (AI Dubbing): صدای یک ویدیو به زبان دیگر برگردانده میشود و ابزار تلاش میکند لحن، زمانبندی و حتی شخصیت صدای گوینده را حفظ کند.
- تبدیل گفتار به متن (Speech to Text): قدم اول دوبلهٔ دستی و ساخت زیرنویس است؛ صدای ویدیو به متن تبدیل میشود.
اگر تازه شروع کردهاید، تقریباً همهٔ نیازهای تولید محتوا با TTS و طراحی صدا حل میشود و سراغ کلون صدا رفتن ضرورتی ندارد.
کدام ابزارهای هوش مصنوعی از زبان فارسی پشتیبانی میکنند؟
طبق مستندات رسمی که آبان ۱۴۰۵ بررسی کردم، سه ابزار شناختهشده بهطور صریح فارسی را در فهرست زبانهایشان آوردهاند: ElevenLabs، Gemini TTS گوگل و TTS شرکت OpenAI. کیفیت و امکاناتشان یکسان نیست و هر کدام برای کار خاصی مناسبتر است.
ElevenLabs؛ کاملترین گزینه برای تولیدکنندهٔ محتوا
در صفحهٔ مدلهای ElevenLabs، جدیدترین مدل پرچمدار Eleven v4 معرفی شده و نسخهٔ بلادرنگ آن Eleven v4 Turbo نام دارد. طبق همین صفحه، هر دو مدل خانوادهٔ v4 و همچنین Eleven v3 زبان Persian با کد fa را در فهرست زبانهایشان دارند، اما مدلهای قدیمیتر مثل Multilingual v2 و Flash v2.5 فارسی را پشتیبانی نمیکنند. پس برای فارسی حتماً یکی از مدلهای v3 یا v4 را انتخاب کنید.
قابلیت Dubbing این ابزار هم فارسی را در فهرست زبانهای مقصد دارد. طبق مستندات، دوبلهٔ خودکار تا ۳۲ گوینده را در یک فایل تشخیص میدهد و صدای پسزمینه (موسیقی و افکت) را نگه میدارد. معرفی کاملتر را در صفحهٔ ابزار ElevenLabs نوشتهام.
دربارهٔ پلن رایگان سه نکته مهم است (بر اساس اطلاعات سایت رسمی، آبان ۱۴۰۵):
- پلن رایگان مجوز تجاری ندارد و طبق راهنمای رسمی «برای هیچ هدف تجاری» قابل استفاده نیست.
- اگر محتوای ساختهشده با پلن رایگان را منتشر کنید، باید در عنوان آن به ElevenLabs اشاره کنید (مثلاً با درج elevenlabs.io).
- کلون صدا در پلن رایگان در دسترس نیست و از پلن Starter به بالا فعال میشود؛ کلون حرفهای (Professional Voice Clone) هم پلن Creator یا بالاتر میخواهد. دوبلههای پلن رایگان هم بهطور خودکار واترمارک میخورند.
Gemini TTS گوگل؛ کنترل لحن با توصیف متنی
در مستندات Gemini API، مدلهای Gemini 3.8 Flash TTS و Gemini 3.8 Flash-Lite TTS معرفی شدهاند و جدول زبانها هم «Iranian Persian» و هم «Persian (Afghanistan)» را دارد. طبق همان صفحه، مدل Flash بیش از ۱۳۰ زبان و نسخهٔ Flash-Lite بیش از ۱۰۰ زبان را پشتیبانی میکند و ۳۰ صدای آماده در دسترس است.
نقطهٔ قوت Gemini این است که سبک گفتار را جدا از متن، با یک توصیف کوتاه (مثل «گرم و پرانرژی» یا «آهسته و آرام») تعیین میکنید و مکث یا خنده را با تگهایی مثل <short pause> و <laugh> داخل متن میگذارید. گفتوگوی دونفره هم در یک درخواست، با صداهای آماده، تا ۲ گوینده ممکن است.
طبق صفحهٔ قیمتگذاری Gemini API، مدلهای TTS در ردیف رایگان (Free tier) هم ارائه میشوند (بر اساس اطلاعات سایت رسمی، آبان ۱۴۰۵). محدودیتهای ردیف رایگان مرتب تغییر میکند، پس پیش از پروژهٔ جدی دوباره چک کنید.
OpenAI TTS؛ گزینهٔ برنامهنویسها با یک هشدار مهم
راهنمای رسمی OpenAI مدل gpt-4o-mini-tts را معرفی میکند که با پارامتر instructions میشود لهجه، احساس، سرعت و لحن را کنترل کرد. فارسی در فهرست زبانهای پشتیبانیشده آمده، اما خود OpenAI میگوید صداها برای انگلیسی بهینه شدهاند؛ پس کیفیت فارسی را قبل از استفادهٔ جدی تست کنید.
نکتهٔ مهم: طبق همین صفحه، مدلهای tts-1، tts-1-hd و gpt-4o-mini-tts در تاریخ ۶ ژانویه ۲۰۲۷ (حدود ۱۶ دی ۱۴۰۵) خاموش میشوند و OpenAI مهاجرت به Realtime API را توصیه کرده است. اگر روند کاریتان را روی این مدلها ساختهاید، از الان برای جایگزین برنامه بریزید.
جدول مقایسهٔ ابزارهای ساخت صدا و دوبله فارسی
| ابزار | پشتیبانی فارسی | نسخه یا سهمیهٔ رایگان | مناسب برای |
|---|---|---|---|
| ElevenLabs (Eleven v4 / v4 Turbo / v3) | دارد (کد fa در مدلهای v3 و v4) | پلن رایگان دارد، فقط غیرتجاری و با ذکر نام ElevenLabs؛ کلون صدا ندارد (بر اساس اطلاعات سایت رسمی، آبان ۱۴۰۵) | ریلز، ویدیوی آموزشی، طراحی صدا، دوبلهٔ خودکار |
| ElevenLabs Dubbing | دارد (Persian در دوبلهٔ v1 و v2) | در پلن رایگان خروجی واترمارکدار است (بر اساس اطلاعات سایت رسمی، آبان ۱۴۰۵) | دوبلهٔ ویدیوی خارجی با چند گوینده |
| Gemini 3.8 Flash TTS / Flash-Lite TTS | دارد (Iranian Persian و Persian Afghanistan) | در ردیف رایگان Gemini API ارائه میشود (بر اساس اطلاعات سایت رسمی، آبان ۱۴۰۵) | کنترل دقیق لحن با توصیف متنی، گفتوگوی دونفره |
| OpenAI gpt-4o-mini-tts | در فهرست زبانها هست؛ بهینهشده برای انگلیسی | سهمیهٔ رایگانی در راهنمای رسمی ذکر نشده؛ خاموشی مدل در ۶ ژانویه ۲۰۲۷ | توسعهدهندهها و اتوماسیون از طریق API |
اگر دنبال ابزارهای رایگان دیگری در کنار اینها هستید، فهرست بهترین هوش مصنوعیهای رایگان را ببینید.
چطور برای ریلز یا ویدیوی آموزشی صدای فارسی بسازیم؟
بهترین نتیجه وقتی به دست میآید که متن را از اول «برای شنیدن» بنویسید، نه برای خواندن. روندی که پیشنهاد میکنم این پنج قدم است.
- نوشتن اسکریپت گفتاری: جملهها را کوتاه کنید، هر جمله یک ایده داشته باشد و همان جملهٔ اول یک قلاب (هوک) قوی بگذارید. طول متن را با سرعت صدای انتخابیتان تست کنید تا با مدت ویدیو جور شود.
- آمادهسازی متن برای TTS: اعداد را با حروف بنویسید، کلمههای انگلیسی را در صورت نیاز با حروف فارسی بنویسید و علامتگذاری را درست کنید (جزئیات در بخش بعد).
- تولید صدا: در ElevenLabs مدل v3 یا v4 را انتخاب کنید یا در Gemini TTS سبک گفتار را توصیف کنید. هر پاراگراف را جدا تولید کنید تا اگر جایی اشتباه خوانده شد، فقط همان تکه را دوباره بسازید.
- زمانبندی و تدوین: فایل صدا را در نرمافزار تدوین بگذارید، تصویر را با ریتم صدا هماهنگ کنید و مکثهای اضافه را ببرید. اگر تصویر را هم با هوش مصنوعی میسازید، آموزش ساخت ویدیو با هوش مصنوعی را ببینید.
- میکس با موسیقی و زیرنویس: موسیقی پسزمینه را آنقدر پایین بیاورید که روی صدا را نگیرد، سپس زیرنویس فارسی اضافه کنید تا ویدیو برای کسی که بیصدا تماشا میکند هم قابل فهم باشد.
برای قدم اول میتوانید از یک مدل زبانی مثل ChatGPT یا Gemini کمک بگیرید تا متن نوشتاریتان را به متن گفتاری تبدیل کند:
Rewrite the following Persian text as a spoken voiceover script for a 60-second Instagram reel. Keep it in natural, conversational Iranian Persian (not formal written style). Use short sentences, start with a strong hook in the first sentence, write all numbers as Persian words, and mark natural pauses with "…". Output only the final Persian script.
این پرامپت از مدل میخواهد متن را به زبان محاورهای و شنیداری فارسی برگرداند، جملهها را کوتاه کند، با یک هوک شروع کند، اعداد را با حروف بنویسد و جای مکثها را با سهنقطه مشخص کند. خروجی را حتماً خودتان یک بار بلند بخوانید؛ مدلها گاهی عبارتهای غیرطبیعی میسازند.
برای ایدههای بیشتر دربارهٔ ساختار ریلز، مقالهٔ تولید محتوای اینستاگرام با هوش مصنوعی مکمل همین بخش است.
چطور یک ویدیوی خارجی را با هوش مصنوعی به فارسی دوبله کنیم؟
سریعترین راه، دوبلهٔ خودکار است: ویدیو را در بخش Dubbing ابزاری مثل ElevenLabs بارگذاری میکنید، زبان مقصد را Persian میگذارید و ابزار خودش متن را پیاده، ترجمه و با صدای نزدیک به گوینده اصلی بازخوانی میکند. اما اگر کیفیت ترجمه و لحن فارسی برایتان مهم است، مسیر دستی کنترل بیشتری میدهد.
مسیر اول: دوبلهٔ خودکار
- مطمئن شوید حق استفاده از ویدیو را دارید؛ دوبلهٔ ویدیوی دیگران بدون اجازه، مشکل کپیرایت دارد.
- ویدیو را در بخش Dubbing بارگذاری کنید و زبان مبدأ و مقصد (Persian) را انتخاب کنید.
- تعداد گویندهها را بررسی کنید؛ طبق مستندات ElevenLabs، دوبلهٔ خودکار تا ۳۲ گوینده را تشخیص میدهد.
- خروجی را کامل گوش کنید، بهخصوص اسمها، اصطلاحات تخصصی و شوخیها که در ترجمهٔ خودکار بیشتر خراب میشوند.
- طبق مستندات، ویدیوی خروجی پیشنمایش است؛ برای نسخهٔ نهایی، صدای دوبلهشده را جایگزین ترک صدای ویدیوی اصلی کنید.
مسیر دوم: دوبلهٔ دستی با کنترل کامل
- پیادهسازی متن: صدای ویدیو را با یک ابزار تبدیل گفتار به متن، همراه با زمانبندی، به متن تبدیل کنید.
- ترجمه و بازنویسی برای دوبله: ترجمهٔ تحتاللفظی تقریباً همیشه از زمان تصویر بلندتر میشود؛ متن را طوری بازنویسی کنید که در همان بازهٔ زمانی جا شود.
- تولید صدا تکهبهتکه: هر جمله یا دیالوگ را جدا با TTS بسازید.
- هماهنگسازی: هر تکه را در نرمافزار تدوین روی زمان درستش بگذارید و در صورت نیاز سرعت را کمی تغییر دهید.
- میکس نهایی: صدای پسزمینهٔ اصلی (اگر جدا شده) را با صدای فارسی میکس کنید و زیرنویس اضافه کنید.
قدم دوم مهمترین قسمت است. این پرامپت را برای یک مدل زبانی استفاده کنید:
You are a professional Persian dubbing adapter. Below is an English transcript with timestamps. Translate each line into natural spoken Iranian Persian so that it can be read aloud in roughly the same duration as the original line. Prefer shorter phrasing over literal translation, keep names and technical terms consistent, adapt idioms to Persian equivalents, and keep the original timestamps. Output a table: timestamp | original | Persian dubbing line.
در این پرامپت از مدل میخواهیم نقش «اقتباسکنندهٔ دوبله» را بازی کند: ترجمه نه کلمهبهکلمه، بلکه گفتاری و هماندازه با زمان اصلی باشد، اصطلاحها معادل فارسی بگیرند و زمانبندیها حفظ شوند. خروجی جدولی، کار هماهنگسازی در تدوین را خیلی سادهتر میکند.
چطور خروجی صدای فارسی طبیعیتر شود؟
بیشتر ایرادهای صدای فارسی هوش مصنوعی از خود متن میآید، نه از مدل. این نکتهها را قبل از تولید صدا روی اسکریپت اعمال کنید.
- اعداد را با حروف بنویسید: بهجای «۱۴۰۵» بنویسید «هزار و چهارصد و پنج». مستندات ElevenLabs هم میگوید خواندن اعداد، واحد پول و تاریخ بین مدلها متفاوت است؛ با حروف نوشتن، این ریسک را حذف میکند.
- کسرهٔ اضافه را مشخص کنید: در ترکیبهای مبهم مثل «کتابِ خوب» یا «مدیرِ فروش»، گذاشتن کسره به مدل کمک میکند ترکیب را درست بخواند.
- ی میانجی و نیمفاصله را رعایت کنید: «خانهٔ ما» یا «خانهی ما» و «میخواهم» با نیمفاصله، تلفظ را دقیقتر میکند.
- کلمههای همنگاشت را اعرابگذاری کنید: کلمههایی مثل «کُرد/کَرد» یا «مَهر/مُهر» را با اعراب بنویسید یا جمله را عوض کنید.
- علامتگذاری را جدی بگیرید: ویرگول مکث کوتاه، نقطه مکث کامل و سهنقطه مکث کشیده میسازد. طبق راهنمای ElevenLabs، سهنقطه به گفتار مکث و وزن میدهد.
- اسمهای انگلیسی را فارسینویسی کنید: اگر مدل «ChatGPT» را بد میخواند، «چت جیپیتی» بنویسید.
- جملههای طولانی را بشکنید: جملههای چندبندی نوشتاری، در گفتار ماشینی بینفس و یکنواخت میشوند.
- سرعت را تنظیم کنید: در ElevenLabs تنظیم سرعت بین ۰٫۷ تا ۱٫۲ است و پیشفرض ۱ است؛ برای آموزش کمی کندتر و برای ریلز پرانرژی کمی تندتر را امتحان کنید.
در مدلهای v3 و v4 ElevenLabs میتوانید با تگهای صوتی داخل کروشه لحن را هدایت کنید. نمونه:
[excited] سلام رفقا! امروز میخوام یه ترفند ساده نشونتون بدم… [whispers] که کمتر کسی ازش خبر داره.
تگ [excited] لحن پرانرژی میدهد و [whispers] بخش دوم را آهسته و رازگونه میخواند. راهنمای ElevenLabs توصیه میکند تگها توصیف خود صدا باشند، نه افکت صوتی، و هر تگ را با صدای انتخابیتان تست کنید. همچنین طبق همین راهنما، مدلهای v3 و v4 از تگ SSML مکث (break) پشتیبانی نمیکنند؛ برای مکث از علامتگذاری استفاده کنید.
در Gemini TTS متن عیناً خوانده میشود و سبک گفتار در فیلد جداگانهای تعریف میشود. یک توصیف سبک مناسب برای ویدیوی آموزشی فارسی:
Warm, friendly Iranian Persian narrator, medium pace, clear articulation, slightly smiling tone, like a teacher explaining to a friend. Short natural pauses between sentences.
این توصیف میگوید گوینده گرم و صمیمی باشد، با سرعت متوسط و تلفظ واضح حرف بزند و حس «معلمی که برای دوستش توضیح میدهد» را منتقل کند. همین یک توصیف را برای همهٔ قسمتهای یک ویدیو ثابت نگه دارید تا لحن یکدست بماند.
در دوره تولید محتوا با هوش مصنوعی، کار با ElevenLabs برای صداگذاری را در کنار ساخت تصویر و ویدیو، بهصورت عملی و در قالب پروژه آموزش دادهام تا کل زنجیره از اسکریپت تا خروجی نهایی دستتان بیاید.
آیا کلون کردن صدای دیگران قانونی و اخلاقی است؟
کوتاه: نه، مگر با رضایت صریح صاحب صدا. صدای هر نفر بخشی از هویت اوست و ساختن نسخهٔ دیجیتال آن بدون اجازه، هم از نظر اخلاقی نادرست است و هم میتواند پیامد حقوقی داشته باشد؛ بهخصوص وقتی برای تبلیغ، شوخی با اشخاص مشهور یا فریب مخاطب استفاده شود.
- فقط صدای خودتان یا صدای کسی که کتبی اجازه داده را کلون کنید. برای همکاری با گوینده، محدودهٔ استفاده (کدام پروژه، چه مدت، تجاری یا غیرتجاری) را مکتوب کنید.
- ابزارها هم سختگیرند: ElevenLabs برای کلون حرفهای از فناوری «voice captcha» استفاده میکند تا مطمئن شود نمونهٔ صدا متعلق به خود کاربر است.
- شفافیت با مخاطب: سیاست استفادهٔ OpenAI میگوید باید به کاربر نهایی بهروشنی اعلام کنید صدایی که میشنود ساختهٔ هوش مصنوعی است. حتی اگر ابزارتان چنین الزامی نداشت، این کار اعتماد مخاطب را حفظ میکند.
- جایگزین امن: اگر صدای خاصی میخواهید، بهجای تقلید صدای یک آدم واقعی، با Voice Design یک صدای جدید و منحصربهفرد بسازید.
کاربران ایرانی با چه محدودیتهایی روبهرو هستند؟
واقعیت این است که بیشتر این سرویسها ایران را در فهرست کشورهای پشتیبانیشده ندارند. طبق صفحههای رسمی، Gemini API و Google AI Studio و همچنین API شرکت OpenAI، ایران را در فهرست کشورهای پشتیبانیشدهشان نیاوردهاند. پرداخت با کارت بانکی ایرانی هم در این سرویسها ممکن نیست.
پیشنهاد من این است که قبل از ساختن روند کاری روی هر ابزار، شرایط استفاده و فهرست کشورهای مجاز آن را در سایت رسمیاش بخوانید و مسئولیت انتخابتان را بپذیرید. از نظر کیفیت هم، تنوع صداهای فارسی هنوز از انگلیسی کمتر است؛ پس برای هر پروژه چند صدا را تست کنید و خروجی را پیش از انتشار با گوش انسانی بررسی کنید.
برای دیدن فهرست کاملتر ابزارهای صدا، تصویر و ویدیو و مقایسهٔ آنها، به صفحهٔ ابزارهای هوش مصنوعی سر بزنید.
اگر میخواهید همین صدای فارسی را روی چهرهٔ یک کاراکتر یا عکس خودتان بنشانید، راهنمای لیپ سینک و آواتار سخنگوی فارسی را ببینید.
سؤالات متداول
بهترین هوش مصنوعی برای تبدیل متن به صدای فارسی کدام است؟
برای تولید محتوا، ElevenLabs با مدلهای Eleven v3 و v4 کاملترین گزینه است چون TTS، طراحی صدا و دوبله را یکجا دارد. Gemini 3.8 Flash TTS هم فارسی را پشتیبانی میکند و کنترل لحن با توصیف متنیاش بسیار کاربردی است. بهتر است یک متن ثابت را در هر دو تست کنید.
آیا میتوانم صدای ساختهشده با پلن رایگان ElevenLabs را در پیج تجاریام استفاده کنم؟
نه. طبق راهنمای رسمی ElevenLabs، پلن رایگان مجوز تجاری ندارد و برای انتشار غیرتجاری هم باید نام ElevenLabs را در عنوان محتوا ذکر کنید. برای استفادهٔ تجاری به پلن پولی نیاز دارید.
آیا دوبله فارسی با هوش مصنوعی کیفیت دوبلهٔ حرفهای را دارد؟
برای ویدیوهای آموزشی و محتوای شبکههای اجتماعی معمولاً قابلقبول است، اما ترجمهٔ خودکار در اصطلاحات، شوخیها و اسمها خطا دارد. اگر کیفیت مهم است، ترجمه را خودتان بازنویسی کنید و خروجی را کامل گوش دهید.
چرا هوش مصنوعی اعداد و بعضی کلمههای فارسی را اشتباه میخواند؟
چون خط فارسی معمولاً بدون اعراب نوشته میشود و مدل باید تلفظ را حدس بزند. اعداد را با حروف بنویسید، کسرهٔ اضافه و اعراب کلمههای مبهم را بگذارید و کلمههای انگلیسی را فارسینویسی کنید.
آیا کلون کردن صدای خودم در ElevenLabs رایگان است؟
نه. طبق مستندات ElevenLabs، کلون صدا از پلن Starter به بالا در دسترس است و کلون حرفهای به پلن Creator یا بالاتر نیاز دارد. در پلن رایگان میتوانید با Voice Design صدای جدید بسازید.
آیا OpenAI TTS هنوز برای پروژههای جدید گزینهٔ خوبی است؟
با احتیاط. طبق راهنمای رسمی OpenAI، مدلهای tts-1، tts-1-hd و gpt-4o-mini-tts در ۶ ژانویه ۲۰۲۷ خاموش میشوند و مهاجرت به Realtime API توصیه شده است. برای پروژهٔ بلندمدت، این تاریخ را در نظر بگیرید.