چرا صدای ترجمه‌شده رباتیک، بیش از حد سریع یا متفاوت با صدای شماست

این مقاله درباره صداگذاری در Translate Audio است و بخش جداگانه‌ای برای Translate Video دارد. تمام گزینه‌های صداگذاری در تنظیمات تغییر می‌کنند: روی نماد تنظیمات (لغزنده‌ها) در گوشه بالا سمت راست ضربه بزنید و برگه Voiceover را باز کنید.

بررسی سریع: علائم، علت، راه‌حل

بیشتر نارضایتی‌ها ناشی از دو چیز است: ترجمه توسط یک صدای استاندارد خوانده شده است، یا صدا متن ترجمه‌شده را با سرعت خودش و بدون پیروی از نسخه اصلی می‌خواند.

اگر صدا رباتیک یا یکنواخت به نظر می‌رسد

صدای رباتیک معمولاً به این معنی است که ترجمه توسط یک صدای استاندارد ElevenLabs یا OpenAI خوانده شده است. این صداها برای همه یکسان هستند و از گوینده تقلید نمی‌کنند. صدای OpenAI بر اساس طراحی، خنثی است.

• برگه Voiceover را باز کرده و گزینه‌ای را از بخش With cloning انتخاب کنید: MiniMax (برنامه آن را دقیق‌ترین مورد از نظر طنین و احساس توصیف می‌کند) یا Qwen 3. سپس دوباره روی پخش ضربه بزنید.

• برای طبیعی‌ترین نتیجه، ElevenLabs Dubbing v2 را انتخاب کنید. این گزینه خود فایل اصلی را دوبله می‌کند و سرعت و طنین آن را حفظ می‌نماید. هزینه آن 4.4 توکن در ثانیه است، بنابراین یک پیام یک دقیقه‌ای حدود 264 توکن هزینه دارد.

• شبیه‌سازی ساخته‌شده از فایلی که دارای موسیقی، صدای خیابان یا چند صدا باشد نیز غیرطبیعی به نظر می‌رسد. از فایلی استفاده کنید که در آن یک نفر در دقیقه اول به طور واضح صحبت می‌کند.

اگر ترجمه خیلی سریع یا خیلی کند است

صداگذاری متن ترجمه‌شده را با سرعت طبیعی خود صدا می‌خواند. صدا فشرده یا کشیده نمی‌شود تا با طول فایل اصلی برابر شود، بنابراین ممکن است یک ترجمه زودتر یا دیرتر از فایل اصلی تمام شود.

• در MiniMax: در بخش MiniMax، گزینه Settings را باز کرده و Speed را به زیر 1.0x تغییر دهید. این محدوده از 0.5x تا 2.0x است.

• در Qwen 3: گزینه Slow را در Speech style انتخاب کنید. حالت Speech style فقط با Clone from file کار می‌کند، نه با صدای ذخیره‌شده.

• صداهای استاندارد ElevenLabs و OpenAI در Translate Audio تنظیم سرعت ندارند.

• برای حفظ سرعت و تمپوی فایل اصلی، ElevenLabs Dubbing v2 را انتخاب کنید.

پس از تغییر سرعت یا سبک، دوباره روی پخش ضربه بزنید. با MiniMax، صداگذاری مجدد همان نتیجه، هزینه 180 توکن برای شبیه‌سازی را دوباره دریافت نمی‌کند.

اگر شبیه صدای شما یا گوینده نیست

گزینه Clone from file صدای هر کسی را که در فایل صحبت می‌کند کپی می‌کند. اگر نتیجه شبیه به آن شخص نیست، این علت‌ها را به ترتیب بررسی کنید.

1. از صدای استاندارد استفاده شده است. این اتفاق زمانی می‌افتد که در پنجره پیام Clone voice? گزینه Use AI voice را انتخاب کرده باشید (با فعال بودن Don't ask again، برنامه به این کار ادامه می‌دهد)، در تنظیمات ElevenLabs یا OpenAI را انتخاب کرده باشید، یا زبانی را برگزیده باشید که هیچ گزینه شبیه‌سازی از آن پشتیبانی نمی‌کند. در برگه Voiceover گزینه MiniMax یا Qwen 3 را انتخاب کنید.

2. فایل ضبط‌شده بیش از حد کوتاه بود: Qwen 3 به حداقل 3 ثانیه و MiniMax به حداقل 10 ثانیه نیاز دارد. در این حالت برنامه از صدای استاندارد استفاده کرده و پیام «Audio too short for voice cloning, standard voice was used» را نمایش می‌دهد.

3. شبیه‌سازی ناموفق بود و برنامه پیام «Voice cloning is unavailable right now. A standard voice was used.» را نشان داد. بعداً دوباره روی پخش ضربه بزنید یا MiniMax را انتخاب کنید.

4. به جای صدای ضبط‌شده، یک صدای ذخیره‌شده انتخاب شده است. اگر My MiniMax voice یا My Qwen voice فعال باشد، ترجمه با آن صدای ذخیره‌شده خوانده می‌شود. گزینه Clone from file را انتخاب کنید.

5. 60 ثانیه اول پر سر و صدا است. MiniMax و Qwen 3 صدا را فقط از دقیقه اول فایل برمی‌دارند. وجود موسیقی، صدای شخص دیگر یا صدای بلند در پس‌زمینه در آن قسمت، شباهت شبیه‌سازی را کاهش می‌دهد.

اگر می‌خواهید صدای شما روی پیام شخص دیگری قرار بگیرد، برای مثال هنگام پاسخ دادن، یک بار صدای خود را در Settings → My Voices ذخیره کرده و آن را به عنوان My MiniMax voice یا My Qwen voice انتخاب کنید. نکات مربوط به داشتن یک نمونه صدای مناسب در Tips for the best voice clone quality آمده است.

اگر لهجه یا گویش اشتباه است

در Translate Audio امکان تنظیم لهجه یا نسخه منطقه‌ای وجود ندارد. لیست زبان‌ها برای هر زبان یک مورد دارد: پرتغالی بدون انتخاب برزیل یا پرتغال، انگلیسی بدون ایالات متحده یا بریتانیا.

• شبیه‌ساز، طنین صدای گوینده و اغلب لهجه خود او را حفظ می‌کند. شخصی که انگلیسی صحبت می‌کند، معمولاً حتی با یک ترجمه صحیح، در زبان پرتغالی صدایی شبیه به یک فرد خارجی خواهد داشت.

• صدای استاندارد برای هر زبان یک صدای ثابت است و نمی‌توانید صدای دیگری را در Translate Audio انتخاب کنید.

کارهایی که می‌توانید انجام دهید:

• ترجمه را کپی کنید، Text to Speech را باز کرده و با استفاده از فیلترهای زبان و لهجه، یک صدای ElevenLabs انتخاب کنید. صدا متعلق به شخص دیگری خواهد بود، اما تلفظ مورد نیاز شما را خواهد داشت.

• برای ویدیو، از Translate Video استفاده کنید: فهرست زبان‌های آن دارای نسخه‌های منطقه‌ای مانند پرتغالی (برزیل) و انگلیسی (ایالات متحده) است.

اگر احساسات بیان نمی‌شوند

MiniMax و Qwen 3 طنین صدا را کپی می‌کنند، اما متن ترجمه‌شده را می‌خوانند، بنابراین لحن هر عبارت از فایل اصلی گرفته نمی‌شود. مدل خودش لحن را از روی متن انتخاب می‌کند مگر اینکه شما آن را مشخص کنید.

• در MiniMax: مقدار Emotion را روی Happy، Sad، Angry، Fearful، Surprised، Calm یا Disgusted تنظیم کنید. هر احساس انتخابی برای کل ترجمه اعمال می‌شود. گزینه Auto (recommended) به مدل اجازه می‌دهد خود تصمیم بگیرد.

• در Qwen 3: تنظیم Speech style روی Calm، Energetic، Friendly، Soft یا Professional.

• گزینه ElevenLabs Dubbing v2 بر اساس فایل ضبط‌شده اصلی کار می‌کند و بیشترین شباهت را به نحوه بیان آن دارد.

اگر دو نفر با یک صدا صحبت می‌کنند

در Translate Audio، همه گزینه‌ها به جز Dubbing v2 کل ترجمه را با یک صدا می‌خوانند. MiniMax و Qwen 3 یک شبیه‌سازی واحد از ابتدای فایل می‌سازند، بنابراین در یک گفتگو هر دو نفر صدایی یکسان خواهند داشت که از دقیقه اول ضبط ساخته شده است.

برای اینکه به هر گوینده صدای خودش اختصاص داده شود، ElevenLabs Dubbing v2 را انتخاب کنید. این گزینه گویندگان را تشخیص داده و هر کدام را جداگانه شبیه‌سازی می‌کند.

اگر مکث‌ها حفظ نمی‌شوند

MiniMax، Qwen 3 و صداهای استاندارد، ترجمه را به عنوان یک متن پیوسته می‌خوانند، بنابراین مکث‌های طولانی فایل اصلی از بین می‌روند. Translate Audio تنظیمی برای حفظ آنها ندارد. ElevenLabs Dubbing v2 زمان‌بندی فایل اصلی را دوبله می‌کند و زمان‌بندی را حفظ می‌نماید.

در Translate Video

بخش Translate Video تنظیمات خاص خود را دارد: قبل از شروع، روی نماد تنظیمات در گوشه بالا سمت راست Translate Video ضربه بزنید.

• یک نفر با دو صدا دوبله شد، برای مثال مرد و زن. در HeyGen وقتی Number of speakers روی Auto تنظیم شده باشد، HeyGen تعداد افراد گوینده را تخمین می‌زند و ممکن است دو نفر تشخیص دهد. گزینه Number of speakers را روی 1 بگذارید و دوباره ترجمه کنید.

• صدا رباتیک یا دور از نسخه اصلی به نظر می‌رسد: در HeyGen گزینه Enhanced cloning را فعال کنید (با دو برابر هزینه)، یا ElevenLabs را انتخاب نمایید که هر گوینده را شبیه‌سازی کرده و زمان‌بندی آنها را حفظ می‌کند. اگر فایل اصلی نویز دارد، Enhance speech quality را روشن کنید.

• گویش اشتباه است: نسخه منطقه‌ای را در لیست زبان‌ها انتخاب کنید، برای مثال پرتغالی (برزیل).

همه گزینه‌های Translate Video در How Translate Video works توضیح داده شده‌اند.

زمان تماس با پشتیبانی

اگر هیچ‌کدام از این موارد کمکی نکرد، در بخش Feedback در زیر نتیجه، روی Not happy with the result? ضربه بزنید و مشکلی را که می‌شنوید توضیح دهید. این فرم اطلاعات پردازش را پیوست می‌کند تا پشتیبانی بتواند همان فایل ضبط‌شده را بررسی کند. فرم عمومی در vocalingo.app/support در دسترس است.