یک شرکت پخش کوچک سال‌هاست با همان پیام خوش‌آمدی کار میکند که یکی از همکاران سابق با گوشی ضبط کرده بود: صدای اتاق پیداست، شمارهٔ داخلی‌ها عوض شده و ساعت کاری هم دیگر درست نیست. ضبط دوباره یعنی پیدا کردن گوینده و استودیو. ساخت پیام تلفن گویا با هوش مصنوعی این کار را به یک متن کوتاه برمی‌گرداند: متن را در «متن به گفتار» گیسو می‌نویسید، صدا و لحن را انتخاب می‌کنید و فایل صوتی را دانلود می‌کنید. هر بار که چیزی عوض شد، فقط همان جمله را دوباره می‌سازید.
در این راهنما سه پیامی که هر تلفن گویا لازم دارد، سه فایل صوتی واقعی، قاعده‌های نوشتن متن برای گوش و تبدیل فایل برای سیستم تلفن را می‌بینید.
سه پیامی که هر تلفن گویا لازم دارد
| پیام | چه بگوید | قالب در گیسو |
|---|---|---|
| خوش‌آمد و منو | نام کسب‌وکار، گزینه‌ها با شماره، راه رسیدن به همکار، شمارهٔ داخلی | خوش‌آمد تلفن گویا |
| پیام انتظار پشت خط | تشکر، این‌که نوبتشان می‌رسد، یک نکتهٔ به‌دردبخور | پیام انتظار پشت خط |
| بیرون از ساعت کاری | ساعت کاری، گذاشتن پیام، راه کارهای فوری | پیام خارج از ساعت کاری |
هر سه قالب در «متن به گفتار»، دستهٔ «تلفن و کسب‌وکار» هستند. هر قالب صدا و «حالت گفتار» خودش را دارد و با انتخاب قالب همان‌ها روی فرم می‌نشیند؛ شما فقط نام کسب‌وکار، گزینه‌ها یا ساعت کاری را جایش می‌نویسید.
سه فایل صوتی واقعی
این سه فایل نمونه‌های همان قالب‌ها هستند، با مقدارهای پیش‌فرض، ساخته‌شده با gemini-3.8-flash-tts و بدون ویرایش. زیر هر کدام متنی را که خوانده شده و دستور لحن قالب را گذاشته‌ایم. خودتان گوش کنید و قضاوت کنید.
خوش‌آمد و منو، با صدای Sulafat (گرم)
Warm, welcoming phone-menu voice. Clear and unhurried, smiling but professional. Leave a short pause after each option so the caller can press a key, and say each digit slowly and distinctly.
پیام انتظار پشت خط، با صدای Vindemiatrix (ملایم)
Gentle, reassuring on-hold message. Calm and kind with a soft smile in the voice, relaxed pace, never rushed or robotic. A small pause before the tip, then read it a little more brightly.
بیرون از ساعت کاری، با صدای Charon (گویا و رسمی)
Calm, deep and trustworthy voice for an after-hours phone message. Measured pace, clear diction, friendly but composed. Slow down on the working hours so they are easy to remember.
هر سه فایل MP3 تک‌کاناله‌اند. متن قالب‌ها را خودمان نوشته‌ایم و دستور لحن انگلیسی، که در گیسو «حالت گفتار» نام دارد، بلند خوانده نمی‌شود؛ فقط لحن را تعیین میکند.
متن تلفن گویا را برای گوش بنویسید
متنی که شنیده می‌شود با متنی که خوانده می‌شود فرق دارد. تماس‌گیرنده نمی‌تواند برگردد و جمله را دوباره بخواند، پس:
- اول کار، بعد شماره: «برای ثبت سفارش تازه، یک را بزنید»، نه «یک را بزنید برای ثبت سفارش». تماس‌گیرنده اول باید بداند گزینه به کارش می‌آید یا نه.
- عددها را با حروف بنویسید: «یک»، «دو»، «صفر» و «نه صبح تا پنج عصر». مدل عدد نوشته‌شده با حروف را مطمئن‌تر درست می‌خواند.
- حداکثر چهار گزینه: بیشتر از این را کسی به خاطر نمی‌سپارد. گزینهٔ «صحبت با همکار» را هم جا نیندازید.
- شمارهٔ داخلی را زود بگویید: کسی که شمارهٔ داخلی را می‌داند، نباید تا آخر منو منتظر بماند.
- نقطه و ویرگول را جدی بگیرید: مکث‌ها از همین نشانه‌ها می‌آیند. بعد از هر گزینه یک نقطه بگذارید تا مدل مکث کند.
دکمهٔ «ویرایش برای خواندن» در «متن به گفتار» متن شما را برای خواندن آماده میکند؛ مثلاً عدد را به حروف برمی‌گرداند و جمله‌های بلند را کوتاه میکند. این دکمه یک مدل سبک را اجرا میکند و هزینهٔ کمی دارد. پیش از ساخت، نسخهٔ تازه را می‌بینید و اگر نخواستید، «متن قبلی» متن خودتان را برمی‌گرداند.
قدم‌به‌قدم در گیسو
- باز کردن ابزار. در اپ گیسو به «تولید محتوا» و بعد «متن به گفتار» بروید و از «همهٔ قالب‌ها» دستهٔ «تلفن و کسب‌وکار» را باز کنید.
- پر کردن جاهای خالی. نام کسب‌وکار، گزینه‌ها و ساعت کاری خودتان را بنویسید. متن نهایی را پیش از ساخت در کادر می‌بینید و هر کلمه‌اش را می‌شود عوض کرد.
- صدا و لحن. اگر صدای قالب را نمی‌خواهید، از دکمهٔ «صدا» یکی از سی صدای Gemini را بردارید؛ کنار نام هر صدا ویژگی‌اش آمده، مثل «گرم»، «ملایم» یا «گویا و رسمی». در «تنظیمات بیشتر»، «حالت گفتار» و «سرعت گفتار» را هم می‌بینید.
- کیفیت و قالب فایل. از «بودجه و کیفیت»، «کیفیت بالا» با Gemini 3.8 Flash TTS ساخته می‌شود و «اقتصادی» با نسخهٔ Lite آن. در «تنظیمات بیشتر»، «قالب فایل» را روی WAV بگذارید؛ برای سیستم تلفن مناسب‌تر از MP3 است.
- ساخت و شنیدن. فایل را همان‌جا گوش کنید و دانلود کنید. نتیجه در «آرشیو آثار» هم می‌ماند.
فایل را به سیستم تلفن بدهید
بیشتر سانترالها و سیستمهای تلفن اینترنتی فایل صوتی را با یک قالب مشخص میخواهند؛ معمولاً WAV تککاناله با نرخ نمونه‌برداری ۸ کیلوهرتز. خروجی گیسو کیفیت بالاتری دارد، پس پیش از بارگذاری، آن را به همان قالبی ببرید که راهنمای سیستم شما گفته است. با یک برنامهٔ ویرایش صوت مثل Audacity این کار کوتاهی است، و با ffmpeg یک خط: ffmpeg -i welcome.wav -ar 8000 -ac 1 -acodec pcm_s16le welcome-8k.wav. بعد از نصب، یک بار از یک گوشی دیگر با خط تماس بگیرید و پیام را همان‌طور که مشتری می‌شنود گوش کنید.
یک صدا برای همهٔ پیام‌ها
تماس‌گیرنده‌ای که در خوش‌آمد یک صدای گرم زنانه شنیده و پشت خط یک صدای بم مردانه، حس میکند به دو جای مختلف زنگ زده است. یک صدا و یک «حالت گفتار» انتخاب کنید و همهٔ پیام‌ها را با همان بسازید؛ بلندی صدای همهٔ خروجی‌های «متن به گفتار» هم هم‌سطح است، پس یک پیام بلندتر از بقیه شنیده نمی‌شود. قالب‌های این راهنما صداهای متفاوت دارند تا تنوع را نشان بدهند؛ در کار خودتان یکی را برای همه نگه دارید. برای آشنایی بیشتر با صداها و لحن‌ها، راهنمای نریشن و صداگذاری با هوش مصنوعی را بخوانید، و صفحهٔ تبدیل نوشته به صدا فهرست صداها و مدل‌ها را دارد.
هزینه
هزینهٔ «متن به گفتار» به طول صدای ساخته‌شده بستگی دارد؛ پیام‌های تلفن گویا معمولاً کمتر از یک دقیقه‌اند. متن هر بار ساخت می‌تواند تا ۲۰٬۰۰۰ نویسه باشد، خیلی بیشتر از یک پیام تلفنی. هزینهٔ امروز، برای هر هزار نویسهٔ متن، به سکه:
تصویر هر تصویر مربع ۱۰۲۴ در ۱۰۲۴
- اقتصادی GPT Image 1 mini، کیفیت پایین ۹۷۹ سکه
- متعادل GPT Image 1 mini، کیفیت متوسط ۳٬۴۰۹ سکه
- حرفه‌ای Nano Banana 2 (Gemini 3.1 Flash Image)، کیفیت 2K ۴۶٬۰۴۸ سکه
- بالاترین کیفیت Nano Banana Pro (Gemini 3 Pro Image)، کیفیت 2K ۶۶٬۱۱۹ سکه
ویدیو با صدا هر کلیپ، با مدت همان ردیف
- اقتصادی Google: Veo 3.1 Lite، ۴ ثانیه ۸۴٬۶۵۷ سکه
- متعادل Google: Veo 3.1 Fast، ۸ ثانیه ۳۳۸٬۶۲۶ سکه
- حرفه‌ای Google: Veo 3.1، ۸ ثانیه ۱٬۳۵۴٬۵۰۲ سکه
- بالاترین کیفیت Google: Veo 3.1، ۸ ثانیه ۱٬۳۵۴٬۵۰۲ سکه
موسیقی هر قطعه
- کلیپ کوتاه Lyria 3 Clip ۱۵٬۴۹۶ سکه
- قطعهٔ کامل Lyria 3.5 ۳۰٬۹۹۱ سکه
متن به گفتار هر ۱۰۰۰ نویسهٔ متن (حدود ۱۸۰ کلمهٔ فارسی)
- اقتصادی Gemini 3.8 Flash-Lite TTS ۵٬۸۸۹ سکه
- کیفیت بالا Gemini 3.8 Flash TTS ۸٬۷۹۴ 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: ۱۴۰۵/۰۸/۲۴ ۰۶:۴۴ مبلغ‌ها به سکه، با قیمت امروز همان مدل در گیسو
پیش از گذاشتن روی خط
اولین کار: پیام خوش‌آمد فعلی خطتان را روی کاغذ بیاورید و با قاعده‌های بالا کوتاهش کنید. قالب «خوش‌آمد تلفن گویا» را در گیسو باز کنید، نام کسب‌وکار و گزینه‌ها را بنویسید و فایل WAV را بسازید. قالب‌های دیگر صدا را بدون ورود در کتابخانهٔ پرامپت صدا بشنوید. اگر می‌خواهید همین کار را برای کسب‌وکارهای دیگر انجام دهید، کسب درآمد از صداگذاری با هوش مصنوعی را بخوانید.
