نحوه کار تبدیل متن به گفتار: صداها، محدودیت‌ها و قیمت
تا ۱۰,۰۰۰ نویسه وارد کنید، صدایی از MiniMax، Qwen 3، OpenAI، ElevenLabs یا صدای خودتان را انتخاب کنید و یک فایل صوتی تحویل بگیرید. هر دقیقه گفتار بین ۲ تا ۱۸ توکن هزینه دارد.
به‌روزرسانی‌شده در ۱۱ آبان ۱۴۰۵4 دقیقه مطالعه
تبدیل متن به گفتار، متن نوشته‌شده را به یک فایل صوتی گفتاری تبدیل می‌کند. افراد از آن برای صداگذاری اسلایدها یا ویدیو، گوش دادن به یک مقاله به جای خواندن آن، شنیدن نحوه تلفظ یک عبارت خارجی یا ارسال پیام با صدای شبیه‌سازی‌شده خودشان استفاده می‌کنند. این قابلیت در web.vocalingo.app، iOS و Android کار می‌کند.
چه متنی می‌توانید وارد کنید
هر بار اجرا تا ۱۰,۰۰۰ نویسه را می‌پذیرد که تقریباً معادل ۱۱ دقیقه گفتار با سرعت معمولی است. شمارنده‌ای در زیر کادر، تعداد نویسه‌های شما را نشان می‌دهد.
متن را تایپ کنید یا روی چسباندن ضربه بزنید تا از حافظه موقت وارد شود.
آن را با دکمه میکروفون دیکته کنید: برنامه گفتار شما را به متن تبدیل می‌کند.
آن را از ابزار دیگری بفرستید: بعد از تبدیل گفتار به متن یا تبدیل ویدیو به متن، در بخش مرحله بعد چیست؟ روی تبدیل متن به گفتار ضربه بزنید.
اگر متن طولانی‌تر باشد، برنامه پیام «متن خیلی طولانی است. حداکثر ۱۰۰۰۰ نویسه.» را نمایش می‌دهد. آن را به چند بخش تقسیم کنید و جداگانه به صدا تبدیل کنید.
نحوه تبدیل متن به صدا
در برگه ابزارها، بخش تبدیل متن به گفتار را باز کنید.
در برگه متن، متن را وارد کنید و روی ادامه ضربه بزنید.
در برگه صدا، یک صدا را انتخاب کنید. دکمه پخش کنار هر صدا، نمونه‌ای از آن را پخش می‌کند. به طور پیش‌فرض صدای Expressive Narrator از MiniMax انتخاب شده است.
در صورت نیاز، صدا را در زیر فهرست تنظیم کنید: دستورالعمل‌ها برای صداهای OpenAI، احساسات، سرعت و زیروبمی برای MiniMax، و پایداری، شباهت و سبک برای ElevenLabs. روی ادامه ضربه بزنید.
در برگه نتیجه، هزینه تخمینی را بررسی کرده و روی تولید ضربه بزنید.
در حالی که صدا در حال آماده‌سازی است، دکمه عبارت «در حال تولید صدا...» را همراه با درصد نشان می‌دهد و گزینه لغو در زیر آن ظاهر می‌شود.
چه صداهایی را می‌توانید انتخاب کنید
بخش انتخاب صدا هفت برگه دارد: علاقه‌مندی‌ها، موارد اخیر، صداهای من، MiniMax، Qwen 3، OpenAI و ElevenLabs. صداهای MiniMax و ElevenLabs در متن‌های طولانی طبیعی‌ترین حالت را دارند، صداهای OpenAI را می‌توان با دستورالعمل‌ها هدایت کرد، و برگه صداهای من شامل صداهای شبیه‌سازی‌شده از ضبط‌های شماست. مقایسه همه گروه‌ها به همراه قیمت‌ها: کدام صدای تبدیل متن به گفتار را انتخاب کنیم. نحوه جستجو، پیش‌نمایش و ذخیره صداها در علاقه‌مندی‌ها: انتخاب صدا.
نحوه افزودن خنده، مکث و تکیه صوتی مناسب
با صداهای MiniMax و ElevenLabs، برگه متن برچسب‌هایی را نمایش می‌دهد. روی یک برچسب ضربه بزنید تا کپی شود و آن را در هر کجای متن که می‌خواهید شنیده شود بچسبانید.
صداهای MiniMax: عبارات (laughs)، (sighs)، (coughs)، (crying)، (gasps)، (groans) و کد <#1#> برای ایجاد یک ثانیه مکث.
صداهای ElevenLabs: برچسب‌های [excited]، [sad]، [angry]، [curious]، [whispers]، [laughs]، [sighs]، [crying] و علامت سه‌نقطه برای مکث. قرار دادن تعداد زیادی برچسب پشت سر هم ممکن است باعث ایجاد اشکال در صدا شود.
اگر تکیه صوتی کلمه‌ای روی هجای اشتباهی است، بخش دارای تکیه را با حروف بزرگ بنویسید، برای مثال REcord (یک آلبوم) و reCORD (ضبط کردن).
چه چیزی تحویل می‌گیرید و کجا آن را پیدا کنید
برگه نتیجه یک پخش‌کننده را همراه با فایل صوتی نمایش می‌دهد. کنار پخش‌کننده یک دکمه وجود دارد: در برنامه منوی اشتراک‌گذاری را باز می‌کند تا بتوانید فایل را بفرستید یا روی دستگاه ذخیره کنید؛ در وب، فایل را دانلود می‌کند. برای اعمال تغییرات، متن یا صدا را ویرایش کرده و روی تولید مجدد ضربه بزنید.
تمام نتایج به تاریخچه می‌روند: روی نماد ساعت در بالای صفحه ضربه بزنید. بدون اشتراک Premium، سه نتیجه آخر نگه داشته می‌شوند و با Premium همه آن‌ها ذخیره خواهند شد. جزئیات بیشتر: تاریخچه: ذخیره، بازیابی و حذف نتایج.
هزینه آن چقدر است
قیمت به صدا و طول متن بستگی دارد. توکن‌ها برای فایل آماده‌شده کسر می‌شوند: اگر تولید با شکست مواجه شود، هزینه‌ای کسر نمی‌شود یا توکن‌ها برمی‌گردند.
| صدا | قیمت | یک دقیقه گفتار (حدود ۱۵۰ کلمه) |
|---|---|---|
| OpenAI | ۱.۸ توکن به ازای هر ۱۵۰ کلمه شروع‌شده، رو به بالا گرد می‌شود | حدود ۲ توکن |
| MiniMax | ۱۲ توکن به ازای هر ۱,۰۰۰ نویسه | حدود ۱۱ توکن |
| ElevenLabs | ۱۲ توکن به ازای هر ۱,۰۰۰ نویسه | حدود ۱۱ توکن |
| Qwen 3 | حدود ۲۰ توکن به ازای هر ۱,۰۰۰ نویسه | حدود ۱۸ توکن |
| صدای MiniMax شما | ۱۲ توکن به ازای هر ۱,۰۰۰ نویسه | حدود ۱۱ توکن |
| صدای Qwen 3 شما | حدود ۱۱ توکن به ازای هر ۱,۰۰۰ نویسه | حدود ۱۰ توکن |
حداقل هزینه برای هر بار اجرا ۱ توکن است. دستورالعمل‌ها، احساسات و سایر تنظیمات تاثیری روی قیمت ندارند. قیمت سایر ابزارها: قیمت‌گذاری توکن برای هر ابزار.
تبدیل متن به گفتار چه کارهایی نمی‌تواند انجام دهد
متن را ترجمه نمی‌کند. صدا متن را به همان زبانی می‌خواند که نوشته شده است. برای دریافت گفتار به زبان دیگر، ابتدا متن را در بخش ترجمه متن ترجمه کنید.
نمی‌تواند صدای یک فایل ضبط‌شده موجود را تغییر دهد. برای این منظور ابزار تغییردهنده صدا وجود دارد.
نتیجه فاقد بخش مرحله بعد چیست؟ است، بنابراین فایل صوتی به طور خودکار به ابزارهای دیگر منتقل نمی‌شود.
اگر فرآیند تولید بیش از حد طول بکشد، برنامه پیام «تولید صدا بیش از حد طول کشید. لطفاً دوباره تلاش کنید.» را نمایش می‌دهد. روی تلاش مجدد ضربه بزنید و اگر باز هم ناموفق بود، صدای دیگری را انتخاب کنید.
تماس با پشتیبانی
مشکل را توضیح دهید تا از طریق ایمیل پاسخ دهیم. اگر نام فایل یا شناسه عملیات (job ID) دارید، آن را اضافه کنید.