یک مدرس آنلاین ده جلسهٔ ضبط‌شده دارد که هیچ‌کدام زیرنویس ندارند. یک مطب میخواهد کسی که پشت خط منتظر می‌ماند، پیامی مؤدبانه بشنود، نه بوق ممتد. هر دو حاضرند به کسی پول بدهند که فایل تمیز تحویلشان بدهد. کسب درآمد از صداگذاری و زیرنویس با هوش مصنوعی یعنی ساختن همین فایل‌ها، با بررسی شما. در این راهنما چهار خدمتی را می‌بینید که با ابزارهای صوتی گیسو می‌سازید، روش بررسی هر کدام را، و آنچه باید به مشتری بدهید.
صداگذاری و زیرنویس دو تا از خدمت‌های صفحهٔ کسب درآمد با هوش مصنوعی است.
چهار خدمت صوتی که می‌شود فروخت
| خدمت | ابزار گیسو | چه به مشتری میدهید |
|---|---|---|
| نریشن ویدیو و تیزر تبلیغاتی | تبدیل متن به صدا با صداهای Gemini و «حالت گفتار» | فایل MP3 یا WAV |
| پیام تلفن گویا و پیام انتظار | همان ابزار، با قالب‌های آمادهٔ تلفن | چند فایل صوتی کوتاه |
| پیاده‌سازی مصاحبه، کلاس و جلسه | تبدیل صدا به متن با جدا کردن گویندهها | متن مرتب و ویرایش‌شده |
| زیرنویس ویدیوی خود مشتری | همان ابزار، با خروجی SRT یا VTT | فایل زیرنویسی که برنامهٔ تدوین می‌خواند |
یک مرز را از اول روشن کنید: گیسو فایل صدا و فایل زیرنویس میسازد. چسباندن زیرنویس روی ویدیو، یا گذاشتن صدا روی ویدیوی مشتری، کار برنامهٔ تدوین است؛ یا خود مشتری این کار را میکند، یا شما جدا.
نریشنی که درست شنیده شود
متنی که برای خواندن نوشته شده، برای شنیدن خوب نیست. جمله‌های بلند، پرانتز و فهرست، در صدا گم میشوند. پیش از ساخت صدا، متن را برای گوش بازنویسی کنید: جمله‌های کوتاه، یک فکر در هر جمله، و عددهایی که لازم است به حروف بیایند.
در «تولید محتوا» ← «گوینده»، یکی از صداها و یک «حالت گفتار» را انتخاب میکنید: گرم و دوستانه، نریشن مستند، تبلیغاتی، خبری، قصه‌گو یا آرام. دستور لحن جدا از متن است و بلند خوانده نمی‌شود. هر درخواست تا ۳٬۰۰۰ نویسه می‌گیرد؛ متن بلندتر را چند تکه کنید. برای تبلیغ دونفره، «گفت‌وگوی دونفره» را در «تنظیمات بیشتر» روشن کنید، برای هر گوینده نام و صدا بگذارید و هر خط را با «نام: جمله» شروع کنید.
نامهای خاص، نام برند و واژههای انگلیسی را با دقت گوش کنید. اگر بد خوانده شد، املایش را طوری بنویسید که درست خوانده شود. قالب‌های آماده‌ای مثل نریشن محصول، تیزر رادیویی و پیام انتظار تلفنی را در متن آمادهٔ صدا با نمونهٔ واقعی صدایشان می‌بینید. اگر با نریشن تازه آشنا شده‌اید، راهنمای نریشن و صداگذاری ویدیو با هوش مصنوعی مرحله‌به‌مرحله کمک میکند.
پیام تلفن گویا را کوتاه و روشن بنویسید
کسی که پشت خط منتظر است، حوصلهٔ جملهٔ بلند ندارد. پیام خوش‌آمد و منوی تلفن باید در چند ثانیه بگوید کجا تماس گرفته و برای هر کار چه دکمه‌ای بزند. پیش از ساخت صدا، متن را با مشتری قطعی کنید؛ عوض کردن یک جمله بعد از ساخت، یعنی ساختن دوبارهٔ همان فایل.
- اسم کسب‌وکار را در جملهٔ اول بگویید.
- هر گزینهٔ منو یک جمله باشد: «برای نوبت‌دهی، یک را بزنید».
- بیش از چهار گزینه نگذارید.
- برای پیام انتظار، یک خبر مفید بگذارید، مثل ساعت کار یا نشانی سایت، نه تبلیغ تکراری.
برای هر پیام یک فایل جدا بسازید تا مشتری بتواند هر کدام را جدا در سامانهٔ تلفنش بگذارد و بعد فقط همان یکی را عوض کند. یک «حالت گفتار» آرام و رسمی برای این کار معمولاً بهتر از لحن تبلیغاتی جواب می‌دهد.
متن جلسه و فایل زیرنویس
در «تولید محتوا» ← «گفتار به متن»، در هر بار یک فایل صوتی یا ویدیویی تا ۲۵ مگابایت میگذارید: MP3، M4A یا MP4، WAV، OGG، FLAC یا WebM. زبان صوت را انتخاب کنید و قالب خروجی را: «متن»، «با زمان‌بندی»، SRT یا VTT. قالب‌های زمان‌دار با مدل‌های gemini-3.5-transcribe و whisper-1 ساخته میشوند. برای جلسه و مصاحبه، «جدا کردن گویندهها» را روشن کنید؛ تا ۸ گوینده با شماره جدا میشوند و شما شمارهها را با نام آدمها عوض میکنید.
فایلی که بارگذاری میکنید نگه داشته نمی‌شود و نتیجه در فهرست کارهای اخیر همان ابزار می‌ماند؛ نتیجه را همان موقع ذخیره کنید.
بررسی کیفیت پیش از تحویل
این‌جا همان جایی است که کار شما ارزش پیدا میکند. خروجی خام، هر چقدر هم خوب، غلط دارد: نامی که درست شنیده نشده، اصطلاح تخصصی، عددی که جابه‌جا شده.
- نریشن را یک بار کامل گوش کنید. از اول تا آخر، با هدفون، نه تکه‌تکه.
- متن را با صدا مقایسه کنید. دست‌کم در سه نقطهٔ تصادفی، متن را هم‌زمان با صدا بخوانید.
- فایل زیرنویس را در پخشکننده باز کنید. زمان‌بندی، طول هر خط و جاهایی که دو جمله در یک خط افتاده را ببینید.
- واژه‌نامهٔ هر مشتری را نگه دارید. نام آدمها، محصول‌ها و اصطلاح‌هایی که تکرار میشوند را در دستور سیستمی پروژهٔ همان مشتری بنویسید تا در ویرایش متن، یک‌دست بمانند.
هزینه و روش قیمت‌گذاری
هزینهٔ متن به گفتار به طول صدای ساخته‌شده بستگی دارد و هزینهٔ گفتار به متن به مدت فایل صوتی. پیش از هر ساخت، هزینهٔ تقریبی کنار دکمه دیده می‌شود و مبلغ دقیق بعد روی کارت نتیجه. هزینهٔ امروز متن به گفتار و کارهای دیگر «تولید محتوا» در این جدول است:
تصویر هر تصویر مربع ۱۰۲۴ در ۱۰۲۴
- اقتصادی GPT Image 1 mini، کیفیت پایین ۹۸۱ سکه
- متعادل GPT Image 1 mini، کیفیت متوسط ۳٬۴۱۴ سکه
- حرفه‌ای Nano Banana 2 (Gemini 3.1 Flash Image)، کیفیت 2K ۴۶٬۱۱۵ سکه
- بالاترین کیفیت Nano Banana Pro (Gemini 3 Pro Image)، کیفیت 2K ۶۶٬۲۱۴ سکه
ویدیو با صدا هر کلیپ، با مدت همان ردیف
- اقتصادی Veo 3.1 Lite، ۴ ثانیه ۷۷٬۵۸۸ سکه
- متعادل Veo 3.1 Fast، ۸ ثانیه ۳۱۰٬۳۵۲ سکه
- حرفه‌ای Veo 3.1، ۸ ثانیه ۱٬۲۴۱٬۴۰۸ سکه
- بالاترین کیفیت Veo 3.1، ۸ ثانیه ۱٬۲۴۱٬۴۰۸ سکه
موسیقی هر قطعه
- کلیپ کوتاه Lyria 3 Clip ۱۵٬۵۱۸ سکه
- قطعهٔ کامل Lyria 3.5 ۳۱٬۰۳۶ سکه
متن به گفتار هر ۱۰۰۰ نویسهٔ متن (حدود ۱۸۰ کلمهٔ فارسی)
- اقتصادی Gemini 3.8 Flash-Lite TTS ۵٬۸۹۷ سکه
- کیفیت بالا Gemini 3.8 Flash TTS ۸٬۸۰۷ سکه
گفتار به متن هر دقیقه صدا
- NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B ۸۵ سکه
- Qwen: Qwen3 ASR 0.6B ۸۵ سکه
ردیف‌ها همان سطح‌های «بودجه و کیفیت» صفحهٔ تولید محتوا در گیسو هستند. پیش از ساخت، هزینهٔ تقریبی کنار دکمهٔ ساخت می‌آید و مبلغ دقیق بعد از ساخت روی کارت نتیجه ثبت می‌شود.
اگر ویدیو ساخته نشود، کل هزینه‌اش خودکار به اعتبار برمی‌گردد.
به‌روزرسانی: ۱۴۰۵/۰۸/۰۱ ۰۱:۰۱ مبلغ‌ها به سکه، با قیمت امروز همان مدل در گیسو
بخش بزرگ کار، گوش دادن و ویرایش است، نه ساختن. قیمت را از روی همین وقت، مدت فایل و تعداد اصلاح حساب کنید و عددش را خودتان بگذارید. روش کامل قیمت‌گذاری و توافق اول را در راهنمای فریلنسری با هوش مصنوعی می‌خوانید.
صدا و ضبط، حق دیگران است
قدم اول
یک نمونه بسازید: نریشن سی‌ثانیه‌ای برای یک محصول، و فایل SRT دو دقیقه از یک ویدیوی آموزشی که اجازه‌اش را دارید. هر دو را ویرایش کنید و برای کسی بفرستید که مرتب ویدیو منتشر میکند.
