پرش به محتوا
تبدیل گفتار به متن

تبدیل صدا به متن با هوش مصنوعی

تبدیل صدا به متن در گیسو یعنی فایل صوتی یا ویدیوی جلسه، کلاس، مصاحبه یا ویس تلگرام را (تا ۲۵ مگابایت) بارگذاری می‌کنید، زبان را «فارسی» می‌گذارید و متن کامل گفته‌ها را می‌گیرید؛ به دلخواه با زمان هر جمله، با جدا کردن گوینده‌ها (تا ۸ نفر) یا به شکل زیرنویس SRT و VTT. نصب برنامه لازم نیست. با قیمت امروز، هر دقیقه صدا با ⁨Nemotron 3.5 ASR Streaming Multilingual 0.6B⁩ حدود ۹۰ سکه است.

هر دقیقه صدا با Nemotron 3.5 ASR Streaming Multilingual 0.6B: ≈ ۹۰ سکه (با قیمت امروز)

گفتار به متن (STT)

فایل را بارگذاری کنید و زبانش را «فارسی» بگذارید تا متن کامل گفته‌ها را بگیرید. قالب خروجی را خودتان انتخاب می‌کنید: متن ساده، متن با زمان‌بندی، یا فایل زیرنویس SRT و VTT.

  • هر دقیقه با ⁨Nemotron 3.5 ASR Streaming Multilingual 0.6B⁩: ≈ ۹۰ سکه
  • فایل صوتی یا ویدیویی تا ۲۵ مگابایت

تبدیل متن به صدا

کار برعکس هم در گیسو هست: متن را بنویسید و با صدایی طبیعی فایل صوتی بگیرید، برای نریشن ویدیو، پیام تلفن گویا یا پادکست.

دیدن تبدیل متن به صدا

چه می‌توانید بکنید

تبدیل ویس و فایل صوتی به متن

پیش از شروع بدانید: کیفیت ضبط در نتیجه اثر دارد: صدای پس‌زمینه، چند نفر که هم‌زمان حرف می‌زنند و میکروفونِ دور از گوینده متن را نادقیق‌تر می‌کند. متن مهم را پیش از استفاده یک بار بازخوانی کنید.

زیرنویس

زیرنویس SRT و VTT از صدای ویدیو

در «قالب خروجی» گزینهٔ SRT یا VTT را بزنید تا به‌جای متن یک‌تکه، فایل زیرنویس با زمان شروع و پایان هر جمله بگیرید. فایل SRT را در بیشتر ویرایشگرهای ویدیو و پخش‌کننده‌ها بارگذاری می‌کنید.

  • خود فایل MP4 یا WebM ویدیو را هم می‌توانید بدهید
  • Gemini 3.5 Transcribe و Whisper زیرنویس می‌سازند
  • زیرنویس را روی ویدیو نمی‌چسبانیم؛ فایلش را در ویرایشگر خودتان می‌گذارید
نمونهٔ قالب SRT
1
00:00:01,200 --> 00:00:04,000
جلسه را با مرور کارهای هفتهٔ پیش شروع کنیم.
2
00:00:04,300 --> 00:00:07,900
اول گزارش فروش، بعد برنامهٔ ماه آینده.
هزینه، با قیمت امروز

هزینهٔ تبدیل صدا به متن

عددهای این جدول برای هر دقیقه صداست. مدل‌هایی که برحسب مدت صوت و حجم متن حساب می‌شوند، قیمتشان را در صفحهٔ همان مدل می‌بینید.

گفتار به متن (هر دقیقه صدا)

  • Nemotron 3.5 ASR Streaming Multilingual 0.6B ≈ ۹۰ سکه
  • Qwen3 ASR 0.6B ≈ ۹۰ سکه
  • Whisper Large V3 Turbo ≈ ۹۰ سکه
  • Qwen3 ASR 1.7B ≈ ۲۰۰ سکه
  • Whisper Large V3 ≈ ۲۰۰ سکه
  • Voxtral Mini 3B 2507 ≈ ۴۳۰ سکه
  • Parakeet TDT 0.6B v3 ≈ ۴۳۰ سکه
  • Nemotron 3.5 Transcribe ≈ ۴۳۰ سکه
  • Parakeet Ultra ≈ ۴۳۰ سکه
  • Grok STT 2.0 ≈ ۷۱۰ سکه
  • Muse Voice Transcribe 1.0 ≈ ۱٬۳۰۰ سکه
  • Voxtral Small 24B 2507 STT ≈ ۱٬۳۰۰ سکه
  • Voxtral Mini Transcribe ≈ ۱٬۳۰۰ سکه
  • ElevenLabs Scribe v2 ≈ ۱٬۴۵۰ سکه
  • ElevenLabs Scribe v2 Medical ≈ ۱٬۴۵۰ سکه
  • Voxtral Mini Transcribe 3 ≈ ۱٬۵۰۰ سکه
  • GPT Transcribe ≈ ۱٬۵۰۰ سکه
  • Scribe v2 ≈ ۱٬۶۰۰ سکه
  • Scribe v2 Medical ≈ ۱٬۶۰۰ سکه
  • Voxtral Small Transcribe 3 ≈ ۱٬۷۰۰ سکه
  • Nova-3 ≈ ۱٬۸۵۰ سکه
  • GPT Transcribe ≈ ۱٬۹۵۰ سکه
  • Universal-3.5 Pro ≈ ۲٬۱۵۰ سکه
  • Universal-3.6 Pro ≈ ۲٬۱۵۰ سکه
  • Whisper v1 ≈ ۲٬۳۵۰ سکه
  • Transcribe 1 Pro ≈ ۲٬۵۵۰ سکه
  • Transcribe 1 ≈ ۲٬۵۵۰ سکه
  • Whisper 1 ≈ ۲٬۵۵۰ سکه
  • Chirp 3 ≈ ۶٬۸۰۰ سکه

عددها با قیمت امروز حساب شده‌اند و برآوردند؛ مبلغ دقیق هر کار بعد از انجامش در پنل نوشته می‌شود. تعرفهٔ همهٔ ابزارها · کتابخانهٔ ۷۱۲ مدل

کتابخانهٔ مدل‌ها

مدل‌های مناسب این کار

صفحهٔ هر مدل قیمت دقیقش، توانایی‌هایش و نمونه‌کد وب‌سرویس را دارد.

شروع کار

تبدیل گفتار به متن، در سه قدم

  1. با شمارهٔ موبایل وارد شوید

    کد پیامکی را وارد می‌کنید و حسابتان ساخته می‌شود. حساب نِت اَرز دارید؟ با همان وارد می‌شوید.

  2. اعتبار بخرید

    از ۵۰٬۰۰۰ سکه؛ پرداخت و صورتحساب از طرف نِت اَرز است.

  3. فایل را بارگذاری کنید

    در «تولید محتوا» بخش «گفتار به متن» را باز کنید، فایل را بدهید، زبان و قالب خروجی را انتخاب کنید و دکمهٔ ساخت را بزنید.

آموزش ویدیویی

تبدیل صدا به متن، از فایل صوتی تا متن آماده

یک یادداشت صوتی فارسی را به متن تبدیل می‌کنیم. متن فیلم خروجی واقعی Gemini 3.5 Transcribe است و دستی اصلاح نشده؛ پیش از فرستادن یک بار آن را بخوانید، چون مدل ممکن است واژه‌ای را اشتباه بشنود.

پرسش و پاسخ

پرسش‌های تبدیل صدا به متن

ویس تلگرام را هم به متن تبدیل می‌کند؟

بله. پیام صوتی را از تلگرام یا واتس‌اپ ذخیره کنید و فایلش را بارگذاری کنید؛ فایل‌های OGG، MP3، M4A و WAV تا ۲۵ مگابایت پذیرفته می‌شوند.

تبدیل فایل صوتی به متن چقدر هزینه دارد؟

برحسب دقیقهٔ صدا. امروز هر دقیقه با Nemotron 3.5 ASR Streaming Multilingual 0.6B حدود ۹۰ سکه است و قیمت بقیهٔ مدل‌ها در جدول همین صفحه آمده است.

زیرنویس SRT هم می‌دهد؟

بله، با Gemini 3.5 Transcribe و Whisper. در «قالب خروجی» گزینهٔ SRT یا VTT را انتخاب کنید تا فایل زیرنویس با زمان هر جمله بگیرید. چسباندن زیرنویس روی خود ویدیو جزو این ابزار نیست.

تبدیل گفتار به متن فارسی چقدر دقیق است؟

به کیفیت ضبط بستگی دارد. صدای واضح یک گوینده معمولاً خوب درمی‌آید؛ صدای شلوغ، چند نفر هم‌زمان یا میکروفون دور خطا را بیشتر می‌کند. اگر زبان فایل را «فارسی» تعیین کنید، نتیجه دقیق‌تر و سریع‌تر می‌شود.

فایل چقدر می‌تواند بزرگ باشد؟

هر فایل تا ۲۵ مگابایت. فایل بزرگ‌تر را چند تکه کنید یا با کیفیت کمتری ذخیره کنید تا حجمش پایین بیاید.

بیشتر بخوانید

راهنماهای مرتبط

ابزارهای دیگر گیسو

تبدیل صدا به متن

با شمارهٔ موبایل وارد شوید، اعتبار بخرید و به‌اندازهٔ مصرف بپردازید. اشتراک ماهانه در کار نیست و پرداخت و صورتحساب از طرف نِت اَرز است.