بهترین هوش مصنوعی برای صداگذاری فارسی
در پیکربندی امروز، الون لبز وی۳ بالاترین امتیاز جدول را دارد، چون تنها مدل رده بالایی است که هم فارسی در فهرست زبان های منتشرشده اش هست و هم ساخت صدای تازه با پروانه تجاری را پشتیبانی می کند. نکته ای که بیشتر کاربران را غافلگیر می کند: مدل سریع تر و ارزان تر همان سازنده اصلا فارسی را پوشش نمی دهد.
- شش مدل با شاهد قابل رهگیری
- وزن معیار فارسی ۳۵ از ۱۰۰
- ستون دسترسی از ایران
آخرین بررسی: این صفحه یک مرجع است. با هر نسخه تازه، منابع سازنده دوباره خوانده و صفحه بهروز می شود. چه چیزی عوض شد
امتیاز هر ابزار از کجا می آید
حلقه زیر، همان وزن هایی است که در سرستون های جدول پایین نوشته شده.
- پوشش فارسی ۳۵
- کنترل صدا ۳۰
- شمار زبان ۲۵
- دسترسی از ایران ۱۰
وزن ها را ما انتخاب کرده ایم و همین تنها جای سلیقه این جدول است. اگر وزن دیگری درست تر می دانید، ترتیب هم عوض می شود.
رتبه بندی امروز، بر پایه فهرست زبان های منتشرشده هر سازنده
پوشش فارسی هر مدل از فهرست زبان های رسمی منتشرشده توسط سازنده خوانده شده، نه از آزمون شنیداری. مدلی که سازنده اش هیچ فهرست زبانی منتشر نکرده، در این ستون وضعیت «تایید نشده» می گیرد.
| رتبه | ابزار | امتیاز | پوشش فارسی ۳۵ | کنترل صدا ۳۰ | شمار زبان ۲۵ | دسترسی از ایران ۱۰ |
|---|---|---|---|---|---|---|
| ۱ | الون لبز وی۳ انتخاب فعلی | ۹۹.۰ | ۱/۲ | ۳/۳ | ۷۴ منبع: elevenlabs.io | مسدود / راه کارآمدی ندارد |
| ۲ | جمینای ۳.۱ فلش تیتیاس | ۸۰.۰ | ۱/۲ | ۱/۳ | ۷۷ منبع: ai.google.dev | مسدود / راه کارآمدی ندارد |
| ۳ | جی پی تی ۴او مینی تیتیاس | ۵۵.۰ | ۱/۲ | ۱/۳ | تایید نشده | مسدود / راه کارآمدی ندارد |
| ۴ | الون لبز فلش ۲.۵ | ۴۹.۴ | ۰/۲ | ۳/۳ | ۳۲ منبع: elevenlabs.io | مسدود / راه کارآمدی ندارد |
| ۵ | الون لبز مالتیلینگوال ۲ | ۴۸.۳ | ۰/۲ | ۳/۳ | ۲۹ منبع: elevenlabs.io | مسدود / راه کارآمدی ندارد |
| ۶ | نوا سونیک | ۰.۰ | ۰/۲ | ۰/۳ | ۵ منبع: docs.aws.amazon.com | تایید نشده |
سلول خالی یعنی آن عدد را نتوانسته ایم تایید کنیم، نه اینکه ابزار صفر گرفته است.
پشت هر عدد
هر نمره داوری این جدول یک دلیل نوشته شده دارد و ستون ایران می گوید چطور بررسی شده. آن دو اینجا بازند. رد اندازه گیری هر عدد، یعنی اینکه از کدام ردیف کدام لیدربورد و با چند رای آمده، زیر همان مدل باز می شود.
۱ الون لبز وی۳
پوشش فارسی ۱/۲ در مشخصات رسمی الون لبز، فارسی با کد fas در فهرست ۷۴ زبانه این مدل ثبت شده است. چون صدای اختصاصی برای فارسی در معماری صوتی این مدل معرفی نشده، امتیاز سطح دو برایش محاسبه نمی شود.
کنترل صدا ۳/۳ زیرسامانه کلون صدا از یک نمونه ورودی عمل می کند و پروانه بهره برداری تجاری از سطح اشتراک Creator به بالا فعال می شود. مشخصات صفحه قیمت گذاری کلون آنی را در سطح Starter و کلون حرفه ای را در سطح Creator تعریف کرده است.
دسترسی از ایران مسدود / راه کارآمدی ندارد سند شرایط استفاده الون لبز ایران را به صراحت در بند کنترل صادرات خود نام می برد: کاربر باید تضمین کند در کشوری تحت تحریم اقتصادی ایالات متحده مستقر نیست، و ایران در همین فهرست درج شده است. این محدودیت را از متن همان بند استخراج کرده ایم، نه از یک اندازه گیری مستقیم شبکه.
۲ جمینای ۳.۱ فلش تیتیاس
پوشش فارسی ۱/۲ زبان فارسی در فهرست زبان های مستندشده صفحه تولید گفتار گوگل ثبت است. گوگل صدای اختصاصی برای فارسی معرفی نکرده و تشخیص زبان ورودی را به صورت خودکار انجام می دهد؛ بر همین اساس این مؤلفه به پله دوم امتیازدهی نمی رسد.
کنترل صدا ۱/۳ مشخصات فنی این استقرار سی صدای از پیش پیکربندی شده را همراه با کنترل لحن از طریق دستور متنی پوشش می دهد. قابلیت ساخت صدای تازه از روی یک نمونه صوتی در این مستندات اعلام نشده است.
دسترسی از ایران مسدود / راه کارآمدی ندارد مستندات مناطق در دسترس Gemini API فهرست کشورهایی را مشخص می کند که این واسط در آنها عملیاتی است، و ایران در محدوده عملیاتی اعلام شده قرار ندارد. این وضعیت از مستندات استخراج شده و نه از سنجش مستقیم شبکه.
۳ جی پی تی ۴او مینی تیتیاس
پوشش فارسی ۱/۲ فارسی صراحتا در فهرست زبان های پشتیبانی شده در سند فنی تبدیل متن به گفتار اوپن ای آی ثبت شده است. هیچ صدای اختصاصی برای فارسی در این مشخصه معرفی نشده، بنابراین سطح دو در دسترس نیست.
کنترل صدا ۱/۳ سیزده صدای از پیش پیکربندی شده به همراه کنترل لحن از طریق دستور متنی در دسترس است. قابلیت ساخت یک صدای تازه از روی نمونه صوتی در این مشخصه تعبیه نشده.
دسترسی از ایران مسدود / راه کارآمدی ندارد ایران در فهرست کشورهای پشتیبانی شده اسناد فنی توسعه دهندگان اوپن ای آی ثبت نشده است. این وضعیت مستقیما از همان صفحه استخراج شده، نه از یک آزمون شبکه.
۴ الون لبز فلش ۲.۵
پوشش فارسی ۰/۲ مشخصات این مدل زبان فارسی را در سطح پوشش پشتیبانی نمی کند؛ فهرست ۳۲ زبانه در مستندات رسمی الون لبز عربی و ترکی را در بر می گیرد، ولی فارسی در آن ثبت نشده است.
کنترل صدا ۳/۳ زیرسامانه کلون صدا از یک نمونه ورودی عمل می کند و پروانه بهره برداری تجاری از سطح اشتراک Creator به بالا فعال می شود. مشخصات صفحه قیمت گذاری کلون آنی را در سطح Starter و کلون حرفه ای را در سطح Creator تعریف کرده و مجوز تجاری هم روی همان سطوح بار شده است.
دسترسی از ایران مسدود / راه کارآمدی ندارد سند شرایط استفاده الون لبز ایران را به صراحت در بند کنترل صادرات خود نام می برد: کاربر باید تضمین کند در کشوری تحت تحریم اقتصادی ایالات متحده مستقر نیست، و ایران در همین فهرست درج شده است. این محدودیت را از متن همان بند استخراج کرده ایم، نه از یک اندازه گیری مستقیم شبکه.
۵ الون لبز مالتیلینگوال ۲
پوشش فارسی ۰/۲ سطح پوشش زبانی این مدل، مطابق مشخصات رسمی الون لبز، فارسی را در فهرست ۲۹ زبانه خود ثبت نکرده است.
کنترل صدا ۳/۳ زیرسامانه کلون صدا از یک نمونه ورودی عمل می کند و پروانه بهره برداری تجاری از سطح اشتراک Creator به بالا فعال می شود. مشخصات صفحه قیمت گذاری کلون آنی را در سطح Starter و کلون حرفه ای را در سطح Creator تعریف کرده و مجوز تجاری هم روی همان سطوح بار شده است.
دسترسی از ایران مسدود / راه کارآمدی ندارد سند شرایط استفاده الون لبز ایران را به صراحت در بند کنترل صادرات خود نام می برد: کاربر باید تضمین کند در کشوری تحت تحریم اقتصادی ایالات متحده مستقر نیست، و ایران در همین فهرست درج شده است. این محدودیت را از متن همان بند استخراج کرده ایم، نه از یک اندازه گیری مستقیم شبکه.
۶ نوا سونیک
پوشش فارسی ۰/۲ مشخصات آمازون برای این واحد پنج زبان را ثبت میکند: انگلیسی آمریکا و بریتانیا، فرانسوی، ایتالیایی، آلمانی و اسپانیایی. فارسی در این فهرست ثبت نشده است.
کنترل صدا ۰/۳ صداهای از پیش تعیینشده توسط سازنده. مسیر ساخت صدای جدید از روی یک نمونه در مستندات نوا اعلام نشده است.
برای رتبه دادن، داده تاییدشده کافی نداریم
اینها ابزارهای واقعی اند و پیگیری شان می کنیم، ولی بیش از نیم وزن معیارها برایشان عدد تاییدشده ندارد، پس رتبه دادنشان حدس زدن بود.
- وکسترال تیتیاس
این رتبه بندی چطور حساب می شود
هر معیار زیر یک وزن دارد و یک منبع. وزن را عوض کنید، کل جدول از نو حساب می شود. هیچ جای این مرجع، جایگاهی دستی گذاشته نشده است.
| معیار | وزن | شاهد |
|---|---|---|
| پوشش فارسی | ۳۵ | مقیاس تعریف شده، با دلیل نوشته برای هر انتسابدر این دسته خروجی خودش زبان دارد، پس مدلی که فارسی را پوشش نمی دهد برای بار کاری فارسی صفر است، نه کمی ضعیف تر |
| کنترل صدا | ۳۰ | مقیاس تعریف شده، با دلیل نوشته برای هر انتسابصداگذاری یعنی صدای مشخص و قابل استقرار. چند صدای پیش ساز با ظرفیت ساخت صدای تازه یکی نیست، و پروانه تجاری بخشی از همین محور است |
| شمار زبان | ۲۵ | مشخصات اعلامی سازندهشمار زبان فقط جایی محاسبه شده که سازنده فهرست کامل را منتشر کرده یا عدد قطعی داده باشد |
| دسترسی از ایران | ۱۰ | ستون دسترسی ما، با روش اعلام شدهوزن پایینی دارد چون این محور صفحه اختصاصی خودش را در «هوش مصنوعی در ایران» دارد، ولی صفر نیست |
نقطه خرابی رایج در این دسته
الون لبز سه مدل تبدیل متن به گفتار در زیرساخت خود دارد. فارسی فقط در مشخصات یکی از آن ها ثبت شده.
وی۳ فهرست ۷۴ زبانه دارد و فارسی با کد fas در آن ثبت است. فلش ۲.۵ فهرست ۳۲ زبانه دارد و مالتیلینگوال وی۲ فهرست ۲۹ زبانه، و فارسی در هیچ کدام نیست. مشکل عملیاتی اینجاست که فلش ۲.۵ همان مدلی است که کاربر پیش فرض به سمتش می رود: سریع ترین است با ۷۵ میلی ثانیه تاخیر، سقف کاراکترش هشت برابر وی۳ است (چهل هزار در برابر پنج هزار)، و ارزان ترین گزینه هم هست.
در نتیجه، کاربری که ثبت نام می کند، مدل سریع را انتخاب می کند، ورودی فارسی می دهد و خروجی ناقص می گیرد، معمولا این را به کل زیرساخت الون لبز تعمیم می دهد. تشخیص دقیق تر این است که آن مدل مشخص برای فارسی پیکربندی نشده.
چرا وزن معیار فارسی ۳۵ است
در دسته کدنویسی، زبان خروجی جزو مشخصات فنی نیست. اینجا خروجی خودش صداست و صدا زبان دارد. مدلی که هفتاد زبان را پوشش می دهد و فارسی جزوشان نیست، برای بار کاری فارسی صفر است، نه کمی ضعیف تر. هیچ وزن دیگری این واقعیت را درست نشان نمی دهد، و هر جدولی که این محور را نداشته باشد برای مخاطب فارسی زبان این مرجع، جدول اشتباهی است.
سطح پوشش هر مدل از فهرست زبان های رسمی همان سازنده خوانده شده، نه از شنیدن نمونه صدا. یعنی این ستون فقط می گوید سازنده چه چیزی را رسما اعلام کرده، نه اینکه کیفیت لهجه چقدر است. سنجش کیفیت لهجه به آزمون شنیداری نیاز دارد که هنوز اجرا نشده.
سه معیاری که عمدا از جدول حذف شده اند
تاخیر. فقط الون لبز عدد آن را منتشر می کند (۷۵ میلی ثانیه برای فلش، ۲۸۰ برای وی۳ گفتگویی). گوگل و اوپن ای آی هیچ عددی منتشر نمی کنند. معیاری که برای دو نامزد از شش نامزد داده دارد، بقیه را بدون مبنای منصفانه پایین می کشد.
قیمت. الون لبز اعتبار ماهانه می فروشد، گوگل و اوپن ای آی بر مبنای توکن حساب می کنند، و میسترال وزن مدل را منتشر می کند بدون هزینه استفاده. این واحدها روی یک ستون قابل تبدیل نیستند. هر جدولی که این کار را انجام دهد، دارد یک عدد را با فرض هایی نانوشته به عدد دیگر تبدیل می کند.
شمار صداهای پیش ساز. گوگل سی صدا دارد و اوپن ای آی سیزده، اما الون لبز امکان ساخت صدای تازه را می دهد. وقتی ساخت صدای تازه ممکن است، شمارش صداهای پیش ساز دیگر معیار معناداری نیست.
هیچ نامزدی هنوز به سطح دوم نرسیده
مقیاس پوشش فارسی سه سطح دارد و سطح دوم یعنی سازنده صدای اختصاصی فارسی هم منتشر کرده باشد. امروز هیچ نامزدی به این سطح نرسیده. گوگل می گوید زبان ورودی را خودکار تشخیص می دهد و صدای فارسی مجزایی نام نمی برد؛ اوپن ای آی سیزده صدایش را به هیچ زبانی گره نزده. یعنی تمام این مدل ها فارسی را با صدایی می خوانند که برای فارسی طراحی نشده.
یک تناقض که باید صریح ثبت شود
مدلی که در صدر این جدول است، ایران را مستقیما در شرایط استفاده خودش نام برده. بند کنترل صادرات الون لبز از کاربر تعهد می گیرد که در کشوری زیر تحریم اقتصادی آمریکا مستقر نیست، و ایران در همان فهرست ثبت شده.
این را ثبت می کنیم چون واقعیت زیرساخت همین است و پنهان کردنش کمکی به کسی نمی کند. چیزی که ثبت نمی کنیم مسیر دور زدن آن است. این مرجع اکانت نمی فروشد، واسطه معرفی نمی کند و روش عبور از تحریم را توضیح نمی دهد. اگر بار کاری شما صداگذاری فارسی است و مسیر رسمی ندارید، همین جا صریح گفته شده که مسیر رسمی وجود ندارد.
یک مدل که دسترسی اش باز است ولی به کار شما نمی آید
وکسترال تیتیاس از میسترال تنها مدل این جدول است که وزنش منتشر شده، یعنی روی زیرساخت سخت افزاری خودتان قابل استقرار است و هیچ محدودیت فهرست کشوری روی آن نیست. پروانه اش سی سی بای ان سی ۴.۰ است و NC یعنی استفاده تجاری ممنوع.
در دسته ای که کارکردش صداگذاری سفارشی است، این دقیقا همان استقرار مورد نیاز است. پس مدلی که از نظر دسترسی بهترین گزینه است، از نظر پروانه غیرقابل استفاده در تولید تجاری است. میسترال برای آن فهرست زبان هم منتشر نکرده، پس ستون فارسی اش «تایید نشده» می ماند و رتبه نمی گیرد.
چه زمانی انتخاب اول ما مناسب نیست
- اگر بار کاری شما فقط انگلیسی است و توان تاخیر پایین اولویت دارد، فلش ۲.۵ از همان سازنده با ۷۵ میلی ثانیه تاخیر انتخاب بهتری است؛ رتبه پایین ترش در این جدول کاملا به دلیل نداشتن پوشش فارسی است.
- اگر می خواهید مدل را روی زیرساخت خودتان مستقر کنید، هیچ کدام از سه ردیف بالای جدول کاربردی نیست و باید سراغ وکسترال بروید، با در نظر گرفتن محدودیت پروانه اش.
- اگر بار کاری شما پیاده سازی صوت به متن است و نه صداگذاری، این جدول پاسخ شما نیست. مدل های اسکرایب و وکسترال ترنسکرایب کارکرد متفاوتی دارند.
نقاط ضعف و محدودیتهای شناختهشده
- سطح پوشش فارسی از فهرست منتشرشده سازنده خوانده شده، نه از آزمون شنیداری. کیفیت لهجه سنجیده نشده.
- قیمت در این جدول اصلا ستون ندارد، چون واحدهای سه سازنده روی یک مقیاس قابل مقایسه نیستند.
- تاخیر فقط برای مدل های الون لبز منتشر شده، پس در رتبه بندی وارد نشده.
- ستون دسترسی از ایران از صفحه سیاست رسمی هر سازنده خوانده شده، نه از آزمون شبکه از داخل ایران.
جمعبندی فنی
اگر بار کاری فارسی دارید و به صدای مشخص و قابل تکرار نیاز دارید، امروز الون لبز وی۳ تنها گزینه ای است که هر دو محور را پوشش می دهد. مدل را دستی روی وی۳ تنظیم کنید، وگرنه پیکربندی پیش فرض سریع تر همان چیزی است که فارسی را پوشش نمی دهد.
پرسش هایی که واقعا پرسیده می شود
الون لبز فارسی دارد یا نه
بستگی به مدل مشخص دارد. وی۳ فهرست ۷۴ زبانه دارد و فارسی با کد fas در آن ثبت است. فلش ۲.۵ و مالتیلینگوال وی۲ فهرست ۳۲ و ۲۹ زبانه دارند و فارسی در هیچ کدام نیست. برای بار کاری فارسی باید مدل را دستی روی وی۳ تنظیم کنید.
بهترین هوش مصنوعی تبدیل متن به صدا فارسی کدام است
بر اساس جدول همین صفحه، الون لبز وی۳. سه مدل فارسی را در فهرست خود دارند (وی۳، جمینای فلش تیتیاس و جیپیتی ۴او مینی تیتیاس) و از میان این سه، فقط وی۳ ساخت صدای تازه با پروانه تجاری را پشتیبانی می کند.
کیفیت لهجه فارسی این مدل ها چطور است
این داده در حال حاضر موجود نیست و ادعایی درباره آن نمی کنیم. این جدول فقط ثبت می کند که سازنده فارسی را در فهرست زبان هایش آورده یا نه. سنجش لهجه به یک آزمون شنیداری نیاز دارد که هنوز اجرا نشده و پس از اجرا همین جا ثبت خواهد شد.
مدل رایگان یا متن باز برای صداگذاری فارسی هست
وکسترال تیتیاس از میسترال وزن باز دارد، اما پروانه اش سی سی بای ان سی ۴.۰ است و استفاده تجاری را ممنوع می کند. میسترال فهرست زبان های این مدل را هم منتشر نکرده، پس مشخص نیست فارسی را پوشش می دهد یا نه.
صداگذاری ویدیوی شما با ما
خدمات موشن گرافیک و صداگذاری