تنظیمات ترجمه صوتی: تشخیص، ترجمه و صداگذاری
عملکرد هر گزینه در تنظیمات ترجمه صوتی، هزینه آن و زمان اعمال: تشخیص گفتار، مدل ترجمه، صداهای استاندارد و شبیه‌سازی‌شده.
به‌روزرسانی‌شده در ۱۱ آبان ۱۴۰۵5 دقیقه مطالعه
برای باز کردن تنظیمات، روی نماد تنظیمات (اسلایدرها) در گوشه بالا سمت راست «ترجمه صوتی» ضربه بزنید. این پنجره دارای سه تب است: تشخیص، ترجمه و صداگذاری. برنامه انتخاب‌های شما را برای ضبط‌های بعدی به خاطر می‌سپارد.
زمان اعمال تغییرات
هر تب در لحظه متفاوتی اعمال می‌شود، بنابراین تغییرات همیشه روی نتیجه‌ای که هم‌اکنون روی صفحه است تأثیر نمی‌گذارد.
| تب | اعمال روی |
|---|---|
| تشخیص | فایل بعدی که انتخاب می‌کنید |
| ترجمه | فقط ترجمه‌های مجدد: وقتی زبان مقصد را تغییر می‌دهید یا متن مبدأ را ویرایش می‌کنید. اولین ترجمه یک فایل جدید همیشه از Gemini 3.8 Flash استفاده می‌کند |
| صداگذاری | دفعه بعدی که روی پخش ضربه می‌زنید |
تشخیص: چه ابزاری گفتار را به متن تبدیل می‌کند
گزینه ElevenLabs Scribe حالت پیش‌فرض و ارزان‌ترین گزینه است. زبان فایل ضبط‌شده همیشه به‌صورت خودکار تشخیص داده می‌شود.
| گزینه | توضیحات برنامه درباره آن | زمان | قیمت |
|---|---|---|---|
| ElevenLabs Scribe | دقیق در لهجه‌ها و نویز پس‌زمینه، ۹۹ زبان | ≈ ۳ ثانیه | حدود ۰.۷ توکن در دقیقه |
| OpenAI Transcribe | عملکرد بهتر در اصطلاحات فنی و نام‌های خاص | ≈ ۵ ثانیه | حدود ۱.۲ توکن در دقیقه |
| OpenAI Whisper | گزینه‌ای برای فایل‌های ضبط‌شده طولانی | ≈ ۱۰ ثانیه | حدود ۱.۲ توکن در دقیقه |
ارائه‌دهنده‌ای که اینجا انتخاب می‌شود در «رونویسی متن» نیز استفاده می‌شود، که خودش بخش تنظیمات جداگانه ندارد.
ترجمه: کدام مدل ترجمه می‌کند
هزینه مدل کسری از توکن به ازای هر ۱,۰۰۰ نویسه است، بنابراین انتخاب شما مربوط به کیفیت و سرعت است.
| مدل | مناسب برای |
|---|---|
| Gemini 3.8 Flash (پیش‌فرض) | بهترین کیفیت، مدیریت اصطلاحات عامیانه، کنایه‌ها و متن‌های پیچیده |
| Gemini Flash Lite | سریع‌ترین، اما ممکن است در اصطلاحات عامیانه و گفتار احساسی دقت کمتری داشته باشد |
| GPT 6 Luna | جایگزینی ارزان برای اکثر متن‌ها |
صداگذاری بدون شبیه‌سازی
صداهای استاندارد ترجمه را سریع و ارزان می‌خوانند، اما صدایی شبیه به گوینده ندارند. در «ترجمه صوتی» هر یک از آن‌ها یک صدای ثابت دارد که نمی‌توانید تغییرش دهید.
| گزینه | ویژگی | زمان | قیمت |
|---|---|---|---|
| ElevenLabs | طبیعی‌ترین لحن در بین صداهای آماده | ≈ ۲ ثانیه | ۱۰ توکن به ازای هر ۱,۰۰۰ نویسه، حداقل ۱ توکن |
| OpenAI | صدای خنثی و بدون احساس شدید، مناسب خبرها و آموزش‌ها | ≈ ۵ ثانیه | ۱.۸ توکن به ازای هر ۱۵۰ کلمه شروع‌شده |
صداگذاری با شبیه‌سازی
گزینه‌های شبیه‌سازی، ترجمه را با صدای فایل ضبط‌شده شما می‌خوانند. MiniMax و Qwen 3 صدا را از ۶۰ ثانیه اول فایل دریافت می‌کنند، بنابراین این ثانیه‌ها باید شامل گفتار واضح یک نفر باشد.
| گزینه | حداقل ضبط | زبان‌ها | زمان | قیمت |
|---|---|---|---|---|
| MiniMax (پیشنهادشده) | ۱۰ ثانیه | ۳۸ | ≈ ۱۰ ثانیه | ۱۸۰ توکن برای شبیه‌سازی به‌علاوه ۱۲ توکن به ازای هر ۱,۰۰۰ نویسه |
| Qwen 3 | ۳ ثانیه | ۱۰: انگلیسی، روسی، چینی، آلمانی، فرانسوی، اسپانیایی، ایتالیایی، ژاپنی، کره‌ای، پرتغالی | ≈ ۲۰ ثانیه | حدود ۲۰ توکن به ازای هر ۱,۰۰۰ نویسه، حداقل ۵؛ با صدای ذخیره‌شده حدود ۱۱ |
| ElevenLabs Dubbing v2 | ندارد، تا ۲.۵ ساعت | ۹۴ | ≈ مدت‌زمان صوت | ۴.۴ توکن به ازای هر ثانیه از فایل ضبط‌شده |
گزینه‌های MiniMax
شبیه‌سازی از فایل: یک بار شبیه‌سازی برای همین ترجمه. صدای MiniMax من: یکی از صداهای ذخیره‌شده شما، بدون هزینه ۱۸۰ توکنی شبیه‌سازی.
سرعت: از 0.5x تا 2.0x. مقدار بیشتر به معنی گفتار سریع‌تر است.
احساس: خودکار (پیشنهادشده)، شاد، غمگین، عصبانی، ترسان، شگفت‌زده، آرام یا منزجر.
متن ترجمه باید تا ۱۰,۰۰۰ نویسه باشد.
اگر سرعت یا احساس را تغییر دهید و همان نتیجه را دوباره صداگذاری کنید، ۱۸۰ توکن برای بار دوم کسر نمی‌شود.
گزینه‌های Qwen 3
شبیه‌سازی از فایل یا صدای Qwen من.
سبک گفتار: خودکار، آرام، سریع، خونسرد، پرانرژی، حرفه‌ای، دوستانه یا ملایم. این گزینه فقط با «شبیه‌سازی از فایل» کار می‌کند.
اگر شبیه‌سازی Qwen ناموفق باشد، برنامه ترجمه را با صدای استاندارد پخش می‌کند و پیام «شبیه‌سازی صدا در حال حاضر در دسترس نیست. از صدای استاندارد استفاده شد.» را نمایش می‌دهد.
ElevenLabs Dubbing v2
ابزار Dubbing v2 خودِ ضبط اصلی را دوبله می‌کند و متن تب ترجمه را نمی‌خواند. این ویژگی سرعت و تن صدای گوینده را حفظ می‌کند و صدای هر گوینده را به‌طور جداگانه صداگذاری می‌کند. به همین دلیل، ویرایش‌های شما روی ترجمه اعمال نمی‌شود: «دوبله از فایل ضبط‌شده اصلی استفاده می‌کند، بنابراین متن ویرایش‌شده اعمال نمی‌شود.» صداهای ذخیره‌شده با Dubbing v2 کار نمی‌کنند.
اگر صدایی انتخاب نکنید چه اتفاقی می‌افتد
تا زمانی که گزینه صداگذاری را در این پنجره انتخاب نکنید، برنامه با ضربه زدن روی پخش، یکی را به‌طور خودکار انتخاب می‌کند.
برای ۱۰ زبان Qwen 3 و فایل‌های از ۳ ثانیه به بالا، صدا بدون سؤال با Qwen 3 شبیه‌سازی می‌شود.
برای سایر زبان‌ها، برنامه پیام شبیه‌سازی صدا؟ را به همراه قیمت گزینه ارزان‌تر (MiniMax یا Dubbing v2) نمایش می‌دهد. گزینه استفاده از صدای هوش مصنوعی به معنای صدای استاندارد است. با انتخاب دیگر نپرس، پاسخ شما ذخیره می‌شود.
هر گزینه‌ای را که در پنجره انتخاب کنید، تا زمانی که با زبان و طول فایل‌ها همخوانی داشته باشد، برای فایل‌های بعدی حفظ می‌شود.
گزینه‌ای که با فایل ضبط‌شده فعلی سازگار نباشد، خاکستری می‌شود و پیامی مانند «زبان پشتیبانی نمی‌شود» یا «نیازمند ≥ ۱۰ ثانیه صوت» نشان داده می‌شود. اگر زبانی را انتخاب کنید که گزینه انتخابی شما از آن پشتیبانی نمی‌کند، برنامه صداگذاری را به ElevenLabs تغییر می‌دهد.
صداهای ذخیره‌شده
یک صدای ذخیره‌شده به شما امکان می‌دهد ترجمه‌ها را با صدای خودتان بشنوید، حتی اگر شخص دیگری در فایل ضبط‌شده صحبت کرده باشد. به دو روش می‌توانید آن را ایجاد کنید.
پس از صداگذاری با «شبیه‌سازی از فایل»، در بخش «مرحله بعد چیست؟» روی ذخیره صدا ضربه بزنید. صدای MiniMax که از این طریق ذخیره شود، دفعه بعد ۱۸۰ توکن کسر نمی‌کند.
یک صدا از مسیر تنظیمات ← صداهای من اضافه کنید. راهنمای نحوه ضبط یا بارگذاری نمونه صدا را ببینید.
اگر صداگذاری نامناسب به نظر می‌رسد، نشانه‌ها و راه‌حل‌ها در مقاله چرا صدای ترجمه‌شده رباتیک به نظر می‌رسد آمده است. خطاها نیز در راهنمای صداگذاری ترجمه صوتی ناموفق بود یا متوقف شده است توضیح داده شده‌اند.
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.