برای نریشن با هوش مصنوعی، متن فارسی را برای گوش آماده می‌کنید، یک گوینده و لحن انتخاب می‌کنید و فایل صوتی را می‌سازید. در گیسو این کار در «تولید محتوا» و بخش «متن به گفتار» انجام میشود. صداهای Gemini فارسی را طبیعی می‌خوانند و لحن گوینده را جدا از متن تعیین می‌کنید، پس دستور لحن بلند خوانده نمیشود.
در ادامه می‌خوانید نریشن هوش مصنوعی به چه کارهایی می‌آید، کدام صدا را انتخاب کنید، متن فارسی را چطور بنویسید تا درست خوانده شود و اگر برنامه‌نویس هستید، چطور از API فایل صوتی بگیرید.
نریشن با هوش مصنوعی به چه کاری می‌آید
یک مدرس دورهٔ آنلاین متن ویدیوی چهل‌ثانیه‌ای‌اش را آماده کرده، ولی نه استودیو دارد و نه گوینده. صاحب یک فروشگاه برای معرفی محصول تازه‌اش نریشن تمیز می‌خواهد، بی‌آنکه هر بار ضبط را از اول شروع کند. نریشن با هوش مصنوعی برای همین کارهاست: متن را می‌نویسید، صدا را می‌سازید، و اگر جایی بد خوانده شد، همان جمله را اصلاح می‌کنید و دوباره می‌سازید.
بیشترین کاربردش در صدای روی ریلز، نریشن آموزشی، معرفی محصول، مقدمهٔ پادکست، کتاب صوتی و قصهٔ کودک است. پیام تلفن گویا و اعلان فروشگاه هم همین‌طور. برای بیشتر این‌ها در کتابخانهٔ قالب‌های گیسو قالب آماده با صدا و لحن مناسب هست. صفحهٔ گویندگی با هوش مصنوعی نمونه‌های واقعی همین قالب‌ها را، بدون ویرایش، با متن و دستور لحنشان پخش می‌کند.
یک چیز را هم از اول بدانید. مدل‌ها فارسی را خوب می‌خوانند، ولی گاهی واژهٔ چندمعنا یا اسم خاص را اشتباه تلفظ می‌کنند. پیش از ساختن نریشن کامل، یک بند کوتاه از همان متن را امتحان کنید.
کدام صدا و مدل برای نریشن فارسی
در بخش «متن به گفتار» فهرست مدل‌ها نشان «فارسی» دارد. مدلهایی که فارسی می‌خوانند صداهای Gemini، ElevenLabs v3 و v4 و مدل‌های OpenAI هستند. بقیه برای انگلیسی و زبان‌های دیگرند. قیمت هر هزار نویسه کنار هر مدل نوشته شده است.
| نیاز شما | انتخاب پیشنهادی | چرا |
|---|---|---|
| نریشن ویدیو، ریلز و آموزش | Gemini TTS | ۳۰ صدای آماده با شخصیت‌های مختلف؛ «حالت گفتار» جدا از متن |
| متن زیاد، مثل خواندن مقاله | نسخهٔ کم‌هزینه‌تر Gemini TTS (Flash-Lite) | همان ۳۰ صدا، با هزینهٔ کمتر |
| حس و حالت بیشتر، مثل نجوا یا هیجان | ElevenLabs v3 یا v4 | دکمه‌های حس و حالت همه روی این مدل‌ها اجرا می‌شوند |
| گفت‌وگو و پادکست دونفره | هر مدلی، در «گفت‌وگوی چندنفره» | تا چهار گوینده، هر کدام با صدای خودش |
«حالت گفتار» در Gemini این‌هاست: گرم و دوستانه، نریشن مستند، تبلیغاتی، خبری، قصهگو، آرام، کودکانه و نجوا. در کتابخانهٔ صدا، کنار هر صدا جنس، لهجه و لحنش به فارسی آمده و «شنیدن نمونه» دارد. صدایی که نقطهٔ طلایی دارد نمونهٔ آماده دارد. نمونهٔ بقیه بار اول با هزینهٔ یک جملهٔ کوتاه ساخته میشود و بعد برای همه بدون هزینه پخش میشود.
نریشن در گیسو، قدم‌به‌قدم
- بخش «متن به گفتار» را باز کنید. در اپ گیسو از منو «تولید محتوا» را بزنید و «متن به گفتار» را انتخاب کنید. اگر قالبی به کارتان می‌خورد، از «قالب‌های آماده» برش دارید.
- متن را بگذارید. تا ۲۰٬۰۰۰ نویسه، مثلاً یک فصل کتاب یا یک مقاله، یک فایل میشود. متن بلند در پسزمینه بخشبخش خوانده میشود و می‌توانید صفحه را ببندید.
- گوینده و حالت گفتار را انتخاب کنید. از کتابخانهٔ صدا یکی را بشنوید و بردارید. حالت گفتار را جدا بگذارید؛ این دستور اجرا میشود ولی خوانده نمیشود.
- سرعت و قالب فایل را تنظیم کنید. سرعت از ۰٫۵ تا ۲ برابر است. برای آموزش، کمی آهسته‌تر از عادی معمولاً بهتر شنیده میشود. فایل را MP3، WAV، Opus یا AAC بگیرید.
- هزینهٔ تقریبی را ببینید و بسازید. برآورد کنار دکمهٔ ساخت است. اگر اعتبار برای کل متن کافی نباشد، ساخت شروع نمیشود و همین را می‌گوید.
- گوش کنید و اصلاح کنید. پخش‌کننده شکل موج فایل را نشان می‌دهد. جایی که بد خوانده شده، متن را درست کنید و با «ویرایش و ساخت» دوباره بسازید. فایلها در آرشیو آثار می‌مانند.
برای مکث بیشتر، دکمهٔ مکث یک «…» در متن می‌گذارد. در صداهای Gemini دو حالت «نفس» و «خنده» هم هست که اجرا می‌شوند و خوانده نمی‌شوند. فیلم یک‌دقیقه‌ای تبدیل متن به صدا در گیسو همین مراحل را روی اپ واقعی نشان می‌دهد و صفحهٔ تبدیل متن به صدا فهرست کامل صداها را دارد.
هزینهٔ صدا در Gemini بر پایهٔ طول صدای ساخته‌شده است و هزینهٔ تقریبی هر ساخت را پیش از زدن دکمه می‌بینید. جدول زیر هزینهٔ امروز ساخت صدا را کنار تصویر، ویدیو و موسیقی به سکه نشان می‌دهد:
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
متن فارسی را طوری بنویسید که درست خوانده شود
کیفیت نریشن فقط به مدل بستگی ندارد. متنی که بی‌نشانه، طولانی و پر از اسم خارجی باشد، حتی با صدای خوب هم گاهی بد خوانده میشود. پیش از ساختن فایل نهایی، متن را مثل متنی آماده کنید که یک گوینده قرار است بخواند.
واژه‌های چندمعنا را با حرکت‌گذاری روشن کنید
بعضی واژه‌های فارسی بدون حرکت چند جور خوانده می‌شوند. لازم نیست کل متن را اعراب‌گذاری کنید؛ فقط جاهای مبهم را.
| قبل | بعد |
|---|---|
| او کرد است. | او کُرد است. |
| این مهر برای بسته‌بندی است. | این مُهر برای بسته‌بندی است. |
| مهر امسال دوره شروع میشود. | مِهر امسال دوره شروع میشود. |
عددها را همان‌طور بنویسید که باید شنیده شوند
مخصوصاً وقتی عدد تاریخ، درصد یا شمارهٔ نسخه است، شکل گفتاری‌اش را بنویسید.
| قبل | بعد |
|---|---|
| ارسال از ۱۴۰۳/۰۷/۱۲ شروع میشود. | ارسال از دوازدهم مهر ۱۴۰۳ شروع میشود. |
| ۲۵٪ تخفیف | بیست و پنج درصد تخفیف |
| نسخه 2.1 منتشر شد. | نسخهٔ دو ممیز یک منتشر شد. |
مکث‌ها را با نشانه‌گذاری بسازید
نقطه، ویرگول و شکست بند جای مکث گوینده را نشان می‌دهند. اگر همهٔ متن در یک پاراگراف بلند باشد، صدا ریتم یکنواخت پیدا می‌کند. جمله‌های کوتاه‌تر خروجی را طبیعی‌تر و تدوین را ساده‌تر می‌کنند.
در این ویدیو یاد می‌گیرید چطور صفحه محصول را بهتر بنویسید ابتدا عنوان را اصلاح می‌کنیم بعد توضیح کوتاه می‌نویسیم و در پایان دعوت به خرید را اضافه می‌کنیم
بعد:
در این ویدیو یاد می‌گیرید چطور صفحهٔ محصول را بهتر بنویسید.
اول عنوان را اصلاح می‌کنیم.
بعد توضیح کوتاه می‌نویسیم.
و در پایان، دعوت به خرید را اضافه می‌کنیم.
اسم‌های خارجی و نام برند
اگر نام انگلیسی را همان‌طور رها کنید، ممکن است با تلفظ نامناسب خوانده شود. در متن نریشن آن را با حروف فارسی و به شکلی که مخاطب شما می‌گوید بنویسید، مثلاً «کَنوا» به‌جای Canva. برای نامی که در همهٔ متن‌هایتان تکرار میشود، از «تلفظ واژه‌ها» استفاده کنید: شکل درست خواندنش را یک بار تعریف می‌کنید و پیش از هر ساخت در متن جایگزین میشود. این فهرست فقط در مرورگر خودتان می‌ماند.
نیم‌فاصله‌ها را هم درست کنید: «می شود» را «میشود» و «صفحه محصول» را اگر کسرهٔ اضافه دارد «صفحهٔ محصول» بنویسید. هم خواندن بهتر میشود و هم متن برای بایگانی مرتب می‌ماند.
متن بلند و گفت‌وگوی چندنفره
در «متن به گفتار» متن تا ۲۰٬۰۰۰ نویسه یک فایل میشود و کارت نتیجه نشان می‌دهد چند بخش از چند بخش ساخته شده است. هزینه بخش‌به‌بخش کم میشود. اگر اعتبار وسط کار تمام شود، همان بخش‌هایی که ساخته شده‌اند را می‌گیرید.
برای پادکست یا تیزر دیالوگی، «گفت‌وگوی چندنفره» را باز کنید. تا چهار گوینده تعریف می‌کنید، هر کدام با نام و صدای خودش. هر خط متن با «نام: جمله» شروع میشود و خطی که نام ندارد، ادامهٔ حرف گویندهٔ قبلی است.
اگر بخش‌ها را جدا ساخته‌اید و می‌خواهید خودتان به هم وصلشان کنید، هر بخش را با یک جملهٔ کامل تمام کنید و وسط جمله برش نزنید. فایل‌های هم‌قالب را با ffmpeg بدون تبدیل دوباره یکی کنید:
printf "file 'part1.mp3'\nfile 'part2.mp3'\nfile 'part3.mp3'\n" > list.txt
ffmpeg -f concat -safe 0 -i list.txt -c copy full.mp3نریشن روی ویدیو، با موسیقی
صدا را جدا بسازید و در تدوین روی ویدیو بگذارید، تا روی هر بخش کنترل داشته باشید. موسیقی پسزمینه را هم جدا بسازید و صدایش را پایین‌تر از گوینده بگذارید. راهنمای ساخت موسیقی بی کلام با هوش مصنوعی پرامپت‌های آماده‌اش را دارد. اگر صدا را برای ریلز می‌خواهید، ساخت ریلز با هوش مصنوعی سناریو، کلیپ، گوینده و موسیقی را کنار هم گذاشته است. کلیپ تصویری را هم با آموزش وئو ۳٫۱ (Veo 3.1) می‌سازید.
برنامه‌نویس‌ها: نریشن از API
برای اپلیکیشن، سامانهٔ آموزشی یا تلفن گویا، وب‌سرویس (API) گیسو با کتابخانهٔ رسمی OpenAI کار می‌کند. نشانی پایه https://ir.gisoo.pro/api/v1 است و کلید را در متغیر محیطی نگه دارید، نه در کد سمت کاربر. در Gemini TTS، voice نام یکی از صداهای Gemini است، instructions لحن را جدا از متن می‌فرستد و بلند خوانده نمیشود، و هر درخواست تا ۳٬۰۰۰ نویسه می‌پذیرد:
import os
from openai import OpenAI
client = OpenAI(
base_url="https://ir.gisoo.pro/api/v1",
api_key=os.environ["GISOO_API_KEY"],
)
speech = client.audio.speech.create(
model="gemini-3.8-flash-tts",
voice="Kore",
input="سلام. به دورهٔ آموزش عکاسی با موبایل خوش آمدید. در این جلسه نور را با هم یاد می‌گیریم.",
instructions="Warm, clear teacher. Moderate pace, short pause after each sentence.",
)
speech.write_to_file("lesson-intro.mp3")با فیلد speakers و دقیقاً دو گوینده، یک گفت‌وگوی دونفره در یک فایل می‌سازید. جزئیات و نام همهٔ صداها در مستندات صوتی API آمده است. متن بلندتر از ۳٬۰۰۰ نویسه را چند تکه بفرستید و فایلها را مثل بالا به هم وصل کنید.
شفافیت و حقوق استفاده
به شنونده بگویید صدا با هوش مصنوعی ساخته شده است. یک جملهٔ کوتاه کافی است: «این صدا با هوش مصنوعی ساخته شده است.» برای آموزش، تبلیغ یا پیام داخل اپ، همین جلوی سوءبرداشت را می‌گیرد.
صدای آدم واقعی، گویندهٔ شناخته‌شده یا هنرمند مشخص را تقلید نکنید. شبیهسازی صدای خودتان (Voice Clone)، دوبله و تبدیل صدا هم در گیسو نیست. دربارهٔ استفادهٔ تجاری از خروجی، گیسو قرارداد جداگانه‌ای ندارد و شرایط سازندهٔ هر مدل ملاک است.
اولین قدم: سه تا پنج جمله از متن واقعی کارتان را بردارید، واژه‌های مبهم را روشن کنید و یک نمونهٔ کوتاه بسازید. اگر خوب شنیده شد، کل متن را بسازید. قالب «نریشن معرفی محصول» را در گیسو باز کنید.
