صدا

نوشتن متن برای خوانش طبیعی: نقطه‌گذاری، مکث و احساس

چرا یک متن رباتی خوانده می‌شود و دیگری طبیعی؟ با فایل‌های واقعی قبل و بعد، اثر نقطه‌گذاری، عدد به حروف و برچسب‌های احساس را بشنو و متن خودت را بررسی کن.

آتیم آفرین۸ دقیقه مطالعه
برگهٔ متن گوینده با علامت‌های مدادی کنار میکروفون و هدفون، تصویر ساخته‌شده با هوش مصنوعی
فهرست مطالب

خلاصه در یک نگاه

  • مدل متن به گفتار از روی نوشتهٔ تو تصمیم می‌گیرد کجا مکث کند، کجا تأکید کند و عدد را چطور بخواند.
  • نقطه‌گذاری کامل، جمله‌های کوتاه و عددهای به حروف، متن را طبیعی‌تر و قابل‌پیش‌بینی‌تر می‌کنند.
  • برچسب‌های انگلیسی داخل کروشه مثل [excited]، [whispers] و [laughs] به صدا احساس می‌دهند.
  • همهٔ صداهای این صفحه واقعی‌اند و زیر هرکدام، متنی که دادیم و آنچه خوانده شد آمده است.

گوینده متن را همان‌طور می‌خواند که نوشته‌ای

یک گویندهٔ آدم، پیش از ضبط متن را می‌خواند، جای نفس‌ها را علامت می‌زند و عددها را در ذهنش به کلمه تبدیل می‌کند. مدل هوش مصنوعی هم همین کار را می‌کند، ولی فقط با چیزی که روی کاغذ است. هرچه نوشته‌ات به گفتار نزدیک‌تر باشد، خروجی طبیعی‌تر است و کمتر لازم است دوباره بسازی.

بشنو و مقایسه کن

نقطه‌گذاری: جای نفس کشیدن

یک متن را دو بار ساختیم: یک بار بی‌نقطه، مثل پیامی که سریع تایپ شده؛ یک بار با نقطه‌گذاری و دو نقطه و سه‌نقطه.

بدون نقطه‌گذاری

ElevenLabs v4 · Maya

متن: سلام دوستان امروز میخوایم درباره سه نکته مهم صحبت کنیم اول اینکه آب زیاد بخورید دوم اینکه خوب بخوابید سوم اینکه ورزش کنید

با نقطه‌گذاری

ElevenLabs v4 · Maya

متن: سلام دوستان! امروز می‌خواهیم دربارهٔ سه نکتهٔ مهم صحبت کنیم. اول: آب زیاد بخورید. دوم: خوب بخوابید. و سوم... ورزش کنید.

عددها را آن‌طور بنویس که باید خوانده شوند

یک جمله را یک بار با رقم و یک بار با حروف دادیم. زیر هر فایل، متنی را آورده‌ایم که از روی همان صدا پیاده شد تا ببینی مدل عددها را چطور خوانده است.

عدد با رقم

ElevenLabs v4 · Maya

متن: جلسه ساعت 14:30 روز 1405/09/12 در طبقه 3 برگزار می‌شود و هزینه آن 250000 تومان است.

آنچه خوانده شد: جلسه ساعت ۱۴ و ۳۰ دقیقه روز دوازدهم آذر ۱۴۰۵ در طبقه سه برگزار می‌شود و هزینه آن ۲۵۰ هزار تومان است.

عدد با حروف

ElevenLabs v4 · Maya

متن: جلسه ساعت دو و نیم بعدازظهر، روز دوازدهم آذر، در طبقهٔ سوم برگزار می‌شود و هزینه‌اش دویست و پنجاه هزار تومان است.

آنچه خوانده شد: جلسه ساعت دو و نیم بعدازظهر روز دوازدهم آذر در طبقه سوم برگزار می‌شود و هزینه‌اش دویست و پنجاه هزار تومان است.

احساس: برچسب‌های حس و حال

ElevenLabs v4 برچسب‌های انگلیسی داخل کروشه را می‌فهمد و به‌جای خواندنشان، حالت صدا را عوض می‌کند. در استودیو، دکمهٔ «حس و حال» همین برچسب‌ها را با اسم فارسی نشان می‌دهد و با یک کلیک در متن می‌گذارد. برچسب باید انگلیسی بماند؛ برچسب فارسی بلند خوانده می‌شود.

بدون برچسب

ElevenLabs v4 · Maya
باورم نمی‌شه، بالاخره قبول شدم!

[excited] هیجان‌زده

ElevenLabs v4 · Maya
[excited] باورم نمی‌شه، بالاخره قبول شدم!

[whispers] پچ‌پچ

ElevenLabs v4 · Maya
[whispers] یواش‌تر حرف بزن... بچه‌ها تازه خوابیدن.

[laughs] خنده و [pause] مکث

ElevenLabs v4 · Maya
[laughs] نه بابا، شوخی کردم! [pause] واقعاً باور کردی؟
برچسب‌های حس و حال
دستهبرچسب‌ها
حسexcited (هیجان‌زده)، playful (شیطون)، curious (کنجکاو)، peaceful (آروم)، tired (خسته)، anxious (نگران)
لحنwhispers (پچ‌پچ)، softly (نرم)، quietly (آهسته)، shouts (داد)
سرعتslowly (آروم و کشیده)، rushed (تند)، pause (مکث)، long pause (مکث بلند)
واکنشlaughs (خنده)، sighs (آه)، gasps (نفس بریده)، clears throat (صاف کردن گلو)

امتحان کن

متنت را بررسی کن

متنی را که می‌خواهی صدا کنی اینجا بچسبان؛ جمله‌های بلند، نقطه‌گذاری کم، عددهای رقمی و کلمه‌های لاتین را نشان می‌دهد.

بررسی متن پیش از ساخت صدا

۱۷۵ نویسه؛ ساخت صدایش ۳ اعتبار

بلندترین جمله ۳۶ کلمه است. جمله‌های بالای ۲۵ کلمه را بشکن؛ گوینده هم باید نفس بکشد.

نقطه‌گذاری کم است. نقطه، ویرگول و علامت سؤال جای مکث و آهنگ جمله را مشخص می‌کنند.

عدد با رقم دارد (۳، ۲۲). اگر مهم است چطور خوانده شود، به حروف بنویس: «دو و نیم بعدازظهر» به جای «14:30».

ساخت صدا در آفرین

ده قانون متن صوتی

  1. برای گوش بنویس، نه چشم. جمله‌ای را که بلند خواندنش سخت است، بازنویسی کن.
  2. جمله‌های کوتاه. زیر ۲۰ کلمه؛ هر جمله یک فکر.
  3. نقطه‌گذاری کامل. نقطه، ویرگول، علامت سؤال و تعجب.
  4. سه‌نقطه برای مکث. «و سوم... ورزش کنید.»
  5. عدد به حروف هر جا شکل خواندنش مهم است.
  6. اسم‌ها را فارسی بنویس اگر باید فارسی خوانده شوند؛ «آفرین» نه «Afarin».
  7. اختصار ننویس. «دکتر» نه «د.»، «کیلومتر» نه «km»، «و غیره» نه «و...».
  8. محاوره یا رسمی، یکی را انتخاب کن. «می‌خوایم» و «می‌خواهیم» را با هم قاطی نکن.
  9. زمان را حساب کن. هر ثانیه حدود ۲ تا ۳ کلمه؛ متن ۱۵ ثانیه‌ای حدود ۴۰ کلمه است.
  10. اول یک جمله را امتحان کن. صدا و لحن را با یک جمله پیدا کن، بعد کل متن را بساز.

صدا را از بین همهٔ صداهای آماده انتخاب کن: تبدیل متن به صدا فارسی و نمونهٔ همهٔ صداها.

متنت آماده است؟

در بخش صدای آفرین، صدا را انتخاب کن و فایل صوتی بگیر.

ساخت صدا

پرسش‌های رایج

چطور صدای هوش مصنوعی را طبیعی‌تر کنم؟

متن را برای گوش بنویس: جمله‌های کوتاه، نقطه‌گذاری کامل، عددها به حروف و سه‌نقطه برای مکث. برای احساس، برچسب‌هایی مثل [excited] یا [whispers] را کم و به‌جا اضافه کن.

برچسب احساس را فارسی بنویسم؟

نه؛ برچسب باید انگلیسی و داخل کروشه باشد، مثل [laughs]. برچسب فارسی مثل بقیهٔ متن بلند خوانده می‌شود.

چرا مدل عدد را اشتباه خواند؟

مدل عدد را به رایج‌ترین شکل می‌خواند؛ مثلاً 14:30 را «چهارده و سی دقیقه». اگر شکل دیگری می‌خواهی، عدد را همان‌طور که باید گفته شود به حروف بنویس.

متن برای یک ویدیوی ۳۰ ثانیه‌ای چقدر باشد؟

حدود ۶۰ تا ۸۰ کلمه. بعد از ساخت، طول فایل را ببین و اگر لازم بود متن را کوتاه یا بلند کن.

ایده‌ات را بنویس، عکسش را بگیر.

استودیوی آفرین فارسی است، با شمارهٔ موبایل وارد می‌شوی و پرداختش تومانی است.

۵ اعتبار هدیه بعد از ثبت‌نام

همهٔ نوشته‌ها