شش نمونهٔ واقعی، با متن و حالت گفتار
این‌ها نمونههای واقعی قالب‌های گوینده در گیسو هستند، بدون ویرایش. کنار هر نمونه، متنی که خوانده شد، صدای گوینده و دستور لحنی را که جدا از متن فرستاده شد می‌بینید.
نریشن معرفی محصول
برای ویدیوی معرفی محصول، با مکث‌های بلند روی تصویر آهسته
Gemini 3.8 Flash TTS صدای Algieba ۳۱ ثانیه ۱۴ مهر ۱۴۰۵
با قالب «نریشن معرفی محصول»
متن خوانده‌شده و حالت گفتار
هر چیزی قصه‌ای دارد. [breath] عسل ما از دامنه‌های سبلان میآید؛ جایی که زنبورها تا آخر تابستان روی گون و آویشن کوهی می‌نشینند. ما آن را با حوصله انتخاب می‌کنیم، تا وقتی به دست شما می‌رسد، چیزی از آن کم نشده باشد. عسل کوهستان. شیرینی کوه، روی سفرهٔ شما.
حالت گفتار، جدا از متن فرستاده شد:
Warm, deep, intimate documentary narration. Slow and unhurried, with long natural pauses between sentences as if over slow-motion footage. Close to the mic, a quiet sense of pride, no sales tone.
نریشن ویدیوی آموزشی
برای آموزش قدم‌به‌قدم؛ شمرده، با مکث بعد از هر قدم
Gemini 3.8 Flash TTS صدای Iapetus ۳۴ ثانیه ۱۴ مهر ۱۴۰۵
با قالب «نریشن آموزشی قدم‌به‌قدم»
متن خوانده‌شده و حالت گفتار
در این ویدیو با هم یاد می‌گیریم چطور گلدان را بدون آسیب به ریشه عوض کنیم. قدم اول: دو ساعت پیش از کار، خاک گلدان را آب بدهید. قدم دوم: گلدان را کج کنید و گیاه را از پایهٔ ساقه آرام بیرون بکشید. و قدم آخر: گیاه را در گلدان تازه بگذارید، دورش خاک بریزید و کمی آب بدهید. همین. اگر جایی جا ماندید، ویدیو را نگه دارید و آن تکه را دوباره ببینید.
حالت گفتار، جدا از متن فرستاده شد:
Clear, patient teacher explaining step by step. Friendly and encouraging, moderate pace, with a noticeable pause after each step so viewers can follow along on screen.
صدای روی ریلز
برای ریلز و استوری؛ تند، سرحال و با تأکید روی شماره‌ها
Gemini 3.8 Flash TTS صدای Zephyr ۱۹ ثانیه ۱۴ مهر ۱۴۰۵
با قالب «صدای روی ریلز اینستاگرام»
متن خوانده‌شده و حالت گفتار
سه اشتباهی که خیلی‌ها موقع خرید گیاه آپارتمانی می‌کنند. یک: گلدان بدون سوراخ زهکشی می‌خرند. دو: هر روز آب میدهند. و سه، که از همه رایج‌تر است: گیاه نورپسند را در گوشهٔ تاریک خانه می‌گذارند. اگر به کارتان آمد، ذخیره‌اش کنید و برای کسی بفرستید که لازمش دارد.
حالت گفتار، جدا از متن فرستاده شد:
Fast, punchy Instagram Reel voice-over. Bright, confident and energetic, like a creator talking straight to camera. Snappy rhythm, stress the numbers, quick pauses between points, friendly call to action at the end.
مقدمهٔ پادکست
برای شروع هر قسمت پادکست؛ نام برنامه و موضوع قسمت
Gemini 3.8 Flash TTS صدای Despina ۲۱ ثانیه ۱۴ مهر ۱۴۰۵
با قالب «مقدمهٔ پادکست»
متن خوانده‌شده و حالت گفتار
سلام، به پادکست دکان خوش آمدید. [breath] این‌جا دربارهٔ راه انداختن و گرداندن کسب‌وکارهای کوچک حرف می‌زنیم؛ ساده و بی‌تعارف، با تجربهٔ آدم‌های واقعی. من مریم هستم. امروز می‌خواهیم ببینیم وقتی هزینه‌ها هر ماه بالا می‌رود، قیمت محصول را چطور تعیین کنیم. تا آخر با ما باشید.
حالت گفتار، جدا از متن فرستاده شد:
Friendly podcast host opening the show. Smooth, warm and relaxed, a genuine smile in the voice, as if talking to one listener. Natural rhythm, light emphasis on the show name and on today's topic.
بخشی از کتاب صوتی
برای خواندن داستان؛ آرام، بم و پرتعلیق
Gemini 3.8 Flash TTS صدای Algenib ۳۶ ثانیه ۱۴ مهر ۱۴۰۵
با قالب «بخشی از کتاب صوتی»
متن خوانده‌شده و حالت گفتار
باران از ظهر بند نیامده بود. بهرام پشت پنجرهٔ کتاب‌فروشی کوچکش در خیابان منوچهری نشسته بود و به خیابانی نگاه می‌کرد که هر سال همین وقت، بوی نان تازه و خاک خیس می‌داد. [breath] نامه هنوز روی میز بود؛ باز نشده. می‌دانست اگر بازش کند، دیگر هیچ چیز مثل قبل نمی‌شود. چای را کنار گذاشت، نفس عمیقی کشید و پاکت را برداشت.
حالت گفتار، جدا از متن فرستاده شد:
Audiobook narration of a literary novel. Deep, slightly gravelly, intimate voice; slow and atmospheric with long pauses. Build quiet tension toward the end and let the last phrase hang.
قصهٔ شب
برای قصهٔ پیش از خواب؛ لطیف و آهسته، تا نجوای آخر
Gemini 3.8 Flash TTS صدای Achernar ۴۴ ثانیه ۱۴ مهر ۱۴۰۵
با قالب «قصهٔ شب برای کودک»
متن خوانده‌شده و حالت گفتار
یکی بود، یکی نبود. در جنگلی که شب‌ها بوی کاج می‌داد، جوجه‌تیغی کوچکی به اسم تیغو زندگی می‌کرد که از تاریکی نمی‌ترسید. یک شب، ماه پشت ابر قایم شد و جنگل از همیشه تاریک‌تر شد. تیغو آهسته گفت: «نترسید، من کنارتان هستم.» و با فانوس کوچکش، دوست‌هایش را یکی‌یکی تا خانه رساند. [breath] حالا جنگل ساکت است، ماه از پشت ابر بیرون آمده، و وقت خواب است. شب بخیر.
حالت گفتار، جدا از متن فرستاده شد:
Soft, slow bedtime story for a young child. Gentle and cosy with a warm smile in the voice; long calm pauses, a little playful on the hero's line, then softer and slower until it is almost a whisper at goodnight.
هر نمونه با متن همان قالب و مقدارهای پیش‌فرضش ساخته شده است؛ کسب‌وکارها و آدم‌های داستان‌ها خیالی‌اند. دستور لحن به انگلیسی است و بلند خوانده نمی‌شود. نشانهٔ [breath] در متن جای نفس گوینده است و آن هم خوانده نمی‌شود.
گویندگی با هوش مصنوعی، در چهار قدم
گویندگی را در «تولید محتوا»ی اپ گیسو، بخش «متن به گفتار»، انجام می‌دهید؛ با قالب آماده یا متن خودتان.
-
متن را برای گوش بنویسید
جمله‌های کوتاه بنویسید و عدد را همان‌طور که گفته میشود: «بیست و پنج درصد»، نه «۲۵٪». نقطه و ویرگول جای مکث گوینده را نشان میدهند. هر بار ساخت تا ۳٬۰۰۰ نویسه میپذیرد.
-
گوینده را انتخاب کنید
از فهرست «صدا» یکی را بردارید؛ در صداهای Gemini کنار نام هر صدا شخصیتش آمده است، مثل گرم، محکم یا پرانرژی. قالب‌های آماده صدای مناسب خودشان را از قبل دارند.
-
حالت گفتار را تعیین کنید
با صداهای Gemini، «حالت گفتار» را جدا از متن انتخاب میکنید: نریشن مستند، قصه‌گو، آرام و شمرده، پرانرژی یا نجوا. این دستور فقط لحن را عوض می‌کند و بلند خوانده نمی‌شود.
-
گوش کنید و دانلود کنید
پیش از انتشار یک بار کامل گوش کنید؛ اگر واژه‌ای درست خوانده نشد، آن را با اعراب یا املای دیگری بنویسید و دوباره بسازید. قالب فایل، مثل MP3 یا WAV، را پیش از ساخت انتخاب میکنید و فایل در «آرشیو آثار» می‌ماند تا دانلودش کنید.
ابزارش همان تبدیل متن به صدا در گیسوست؛ این صفحه نشان میدهد برای گویندگی چطور به کارش ببرید.
کتاب صوتی با هوش مصنوعی
برای کتاب صوتی، متن را فصلبهفصل و در تکه‌های تا ۳٬۰۰۰ نویسه بسازید و برای همهٔ تکهها یک صدا و یک حالت گفتار نگه دارید تا گوینده عوض نشود. دو نمونهٔ «بخشی از کتاب صوتی» و «قصهٔ شب» در همین صفحه نشان میدهند لحن آرام و قصه‌گو چطور از آب درمی‌آید.
- تکهها را جایی ببُرید که بند داستان تمام میشود، نه وسط جمله
- نام شخصیت‌ها را یک بار با اعراب بنویسید و همان را تا آخر نگه دارید
- پیش از انتشار کتابی که حق نشرش با دیگری است، اجازهٔ ناشر را بگیرید
متن گویندگی را این‌طور بنویسید
-
جمله‌های کوتاه، یک فکر در هر جمله
جملهٔ بلند و پیچیده روی کاغذ خوانده میشود، ولی گوش گمش می‌کند. هر جمله یک حرف بزند و جملهٔ بعدی را جدا بنویسید.
-
تلفظ را از اول روشن کنید
نام‌های خاص، واژه‌های هم‌نویسه و کلمه‌های لاتین گاهی اشتباه خوانده می‌شوند. اعراب بگذارید، یا واژهٔ لاتین را همان‌طور که تلفظ میشود به فارسی بنویسید.
-
طول را با ویدیو هماهنگ کنید
هر ثانیه از ویدیو جای چند کلمه را دارد. اگر نریشن بلندتر از تصویر درآمد، متن را کوتاه کنید یا در تنظیمات، «سرعت گفتار» را کمی بالا ببرید.
-
گفتوگوی دونفره، با دو صدا
برای پادکست یا تیزر دیالوگی، در «تنظیمات بیشتر» «گفتوگوی دونفره» را روشن کنید، برای هر گوینده نام و صدا بگذارید و هر خط را با «نام: جمله» شروع کنید.
مدل‌های گویندگی و هزینهٔ امروز
عددها برآورد هزینهٔ هر هزار نویسه (حرف) متن است. صداهای Gemini برحسب طول صدای ساختهشده حساب می‌شوند و برآوردشان را کمی بالا گرفته‌ایم.
| مدل | صداهای آماده | حالت گفتار جدا از متن | هر هزار نویسه |
|---|---|---|---|
| Kokoro 82M | ۵۴ | ندارد | ≈ ۲۶۰ سکه |
| Drama 3 | — | ندارد | ≈ ۸۳۰ سکه |
| HeyGen Voice Turbo | ۱۰ | ندارد | ≈ ۱٬۶۵۰ سکه |
| Orpheus 3B | ۷ | ندارد | ≈ ۲٬۹۰۰ سکه |
| CSM 1B | ۷ | ندارد | ≈ ۲٬۹۰۰ سکه |
| TTS-1 | ۶ | ندارد | ≈ ۵٬۶۵۰ سکه |
| Gemini 3.8 Flash-Lite TTS | ۳۰ | دارد | ≈ ۵٬۷۵۰ سکه |
| MAI-Voice-2.1-Flash | ۹۷ | ندارد | ≈ ۶٬۲۰۰ سکه |
| S1 | — | ندارد | ≈ ۶٬۲۰۰ سکه |
| S2 Pro | — | ندارد | ≈ ۶٬۲۰۰ سکه |
| S2.1 Pro | — | ندارد | ≈ ۶٬۲۰۰ سکه |
| MAI-Voice-2-Flash | ۴ | ندارد | ≈ ۶٬۲۰۰ سکه |
| Qwen-Audio-3.0-TTS Flash | ۲ | ندارد | ≈ ۶٬۲۰۰ سکه |
| Grok Voice TTS 1.0 | ۵ | ندارد | ≈ ۶٬۲۰۰ سکه |
| HeyGen Voice | ۱۰ | ندارد | ≈ ۶٬۲۰۰ سکه |
| Gemini 3.8 Flash Lite TTS | ۳۰ | ندارد | ≈ ۶٬۳۰۰ سکه |
| Voxtral Mini TTS | ۳۰ | ندارد | ≈ ۶٬۶۰۰ سکه |
| Eleven v4 Turbo | ۲۱ | ندارد | ≈ ۸٬۲۵۰ سکه |
| Eleven v3 Conversational | ۲۱ | ندارد | ≈ ۸٬۲۵۰ سکه |
| Eleven Flash v2.5 | ۲۱ | ندارد | ≈ ۸٬۲۵۰ سکه |
| Eleven Turbo v2 | ۲۱ | ندارد | ≈ ۸٬۲۵۰ سکه |
| Eleven Turbo v2.5 | ۲۱ | ندارد | ≈ ۸٬۲۵۰ سکه |
| Eleven Flash v2 | ۲۱ | ندارد | ≈ ۸٬۲۵۰ سکه |
| Qwen-Audio-3.0-TTS Plus | ۲ | ندارد | ≈ ۸٬۲۵۰ سکه |
| Gemini 3.8 Flash TTS | ۳۰ | دارد | ≈ ۸٬۵۵۰ سکه |
| MAI-Voice-2.1 | ۹۷ | ندارد | ≈ ۹٬۰۵۰ سکه |
| MAI-Voice-2 | ۴ | ندارد | ≈ ۹٬۰۵۰ سکه |
| Gemini 3.8 Flash TTS | ۳۰ | ندارد | ≈ ۹٬۳۵۰ سکه |
| TTS-1 HD | ۶ | ندارد | ≈ ۱۱٬۵۰۰ سکه |
| GPT-4o mini TTS | — | ندارد | ≈ ۱۱٬۵۰۰ سکه |
| Aura-2 | ۹۰ | ندارد | ≈ ۱۲٬۵۰۰ سکه |
| Eleven v4 | ۲۱ | ندارد | ≈ ۱۶٬۵۰۰ سکه |
| Eleven v3 | ۲۱ | ندارد | ≈ ۱۶٬۵۰۰ سکه |
| Eleven Multilingual v2 | ۲۱ | ندارد | ≈ ۱۶٬۵۰۰ سکه |
| Flux TTS | ۳۶ | ندارد | ≈ ۱۹٬۰۰۰ سکه |
| Gemini 3.1 Flash TTS Preview | ۳۰ | ندارد | ≈ ۲۱٬۰۰۰ سکه |
| Speech 2.8 Turbo | ۴۵ | ندارد | ≈ ۲۵٬۰۰۰ سکه |
| Speech 2.8 HD | ۴۵ | ندارد | ≈ ۴۱٬۵۰۰ سکه |
| Seed Audio 1.0 | — | ندارد | ≈ ۱۲۹٬۰۰۰ سکه |
عددها برآوردند؛ مبلغ دقیق هر فایل بعد از ساخت روی کارت نتیجه نوشته میشود. تعرفهٔ همهٔ ابزارها
پیش از انتشار صدا بدانید
-
یک بار کامل گوش کنید
صداها فارسی را می‌خوانند، ولی تلفظ بعضی واژهها و نام‌ها ممکن است دقیق نباشد و هر بار ساخت کمی فرق می‌کند. فایلی را منتشر کنید که خودتان تا آخر شنیده‌اید.
-
صدای یک شخص واقعی را نمی‌سازد
از میان صداهای آمادهٔ مدل انتخاب میکنید؛ ساختن صدا از روی صدای خودتان یا یک گویندهٔ مشهور جزو این ابزار نیست.
-
موسیقی زیر صدا جداست
فایل گوینده فقط صداست. موسیقی پس‌زمینه را در «ساخت موسیقی» بسازید و دو فایل را در ویرایشگر صدا یا ویدیوی خودتان روی هم بگذارید.
-
شرایط استفاده با سازندهٔ مدل است
شرایط استفاده از فایل صوتی را شرکت سازندهٔ مدل (Google یا OpenAI) تعیین می‌کند و گیسو در این باره قرارداد جداگانه‌ای ندارد. با صداهای OpenAI، شرایط همان شرکت می‌خواهد به شنونده بگویید صدا را هوش مصنوعی ساخته است. مسئولیت متنی که خوانده میشود با خودتان است.
متن‌های آمادهٔ دیگر برای گوینده
پادکست دونفره، شروع جلسهٔ دوره و تیزر دیالوگی؛ هر قالب را در صفحهٔ خودش با متن کامل و نمونهٔ صوتی بشنوید.
- پادکست دونفره (دو مجری) شروع یک قسمت پادکست با دو مجری و دو صدای متفاوت؛ گفتوگوی خودمانی و مؤدب، مثل دو دوست قدیمی.
- شروع جلسهٔ دورهٔ آنلاین مقدمهٔ هر جلسهٔ دورهٔ آموزشی؛ یادآوری جلسهٔ قبل، موضوع امروز و چیزی که دانشجو آخر جلسه بلد میشود.
- تیزر دونفره (گفتوگوی دو گوینده) تبلیغ صوتی به شکل گفتوگوی کوتاه مشتری و فروشنده، با دو صدای متفاوت؛ برای رادیو، ریلز و پادکست.
- خبرنامهٔ صوتی هفتگی خلاصهٔ خبرهای هفته با لحن گویندهٔ خبر؛ برای خبرنامهٔ داخلی شرکت، کانال تلگرام یا پادکست کوتاه.
پرسش‌های گویندگی با هوش مصنوعی
چطور با هوش مصنوعی نریشن بسازم؟
در اپ گیسو، «تولید محتوا» را باز کنید و بخش «متن به گفتار» را بزنید. متن را بنویسید یا قالب «نریشن معرفی محصول» را پر کنید، صدا و حالت گفتار را انتخاب کنید و بسازید. فایل را دانلود میکنید و در ویرایشگر ویدیو زیر تصویر می‌گذارید.
صدای گوینده طبیعی است یا رباتی؟
نمونههای همین صفحه بدون ویرایشاند؛ پیش از تصمیم، خودتان گوششان کنید. با صداهای Gemini لحن را جدا از متن تعیین میکنید و نقطه و ویرگول جای مکث را نشان میدهند. تلفظ بعضی واژهها ممکن است دقیق نباشد.
صدای زن و مرد دارد؟
بله؛ صداهای آماده زنانه و مردانهاند و در صداهای Gemini هر کدام شخصیت خودش را دارد، مثل گرم، گویا و رسمی، ملایم یا پرانرژی. نمونههای این صفحه با چند صدای مختلف ساخته شدهاند و نام صدای هر کدام کنارش آمده است.
کتاب صوتی با هوش مصنوعی میسازد؟
بله، تکهبهتکه. هر بار ساخت تا ۳٬۰۰۰ نویسه میپذیرد؛ کتاب را فصلبهفصل بسازید و برای همهٔ تکهها یک صدا و یک حالت گفتار نگه دارید. برای کتابی که حق نشرش با دیگری است، پیش از انتشار اجازه بگیرید.
گفتوگوی دونفره، مثلاً برای پادکست، میسازد؟
بله. در «تنظیمات بیشتر» «گفتوگوی دونفره» را روشن کنید، برای هر گوینده نام و صدا بگذارید و هر خط متن را با «نام: جمله» شروع کنید. قالب «پادکست دونفره (دو مجری)» نمونهٔ آمادهاش است.
صدای خودم را میسازد؟
نه. از میان صداهای آمادهٔ مدل یکی را انتخاب میکنید؛ ساختن صدا از روی صدای شما یا یک شخص واقعی جزو این ابزار نیست.
هزینهٔ گویندگی چقدر است؟
برحسب طول متن، و در صداهای Gemini برحسب طول صدای ساختهشده. با قیمت امروز، هر هزار نویسه (حرف) با Kokoro 82M حدود ۲۶۰ سکه است و جدول همین صفحه بقیهٔ مدلها را کنار هم نشان میدهد. هزینهٔ تقریبی پیش از ساخت کنار دکمه نوشته میشود و مبلغ دقیق بعد از ساخت روی کارت نتیجه میآید.
راهنماها و صفحه‌های مرتبط
-
نریشن و صداگذاری ویدیو با هوش مصنوعی؛ از متن فارسی تا فایل صوتی
متن فارسی را طوری آماده کنید که درست خوانده شود، مدل و صدای مناسب را انتخاب کنید و نریشن ویدیو یا پیام صوتی بسازید؛ با نمونه‌کد Python و Node.js.
۱۱ دقیقه مطالعه
-
هوش مصنوعی برای یوتیوب؛ از ایده و عنوان تا صدا، تامنیل، زیرنویس و فصلبندی
ببینید کدام کارهای دور ویدیو، از عنوان و توضیحات تا زیرنویس و فصلبندی، را میشود به هوش مصنوعی سپرد و کدام بخش باید با خود سازندهٔ کانال بماند.
۱۳ دقیقه مطالعه
- تبدیل متن به صدا همهٔ کارهای متن به گفتار: تلفن گویا، اعلان فروشگاه، خبرنامهٔ صوتی
- ساخت موسیقی موسیقی بی‌کلام برای زیر نریشن، پادکست و ویدیو
- تبدیل صدا به متن متن و زیرنویس SRT از فایل صوتی و ویدیو
- متن‌های آمادهٔ صدا قالب‌های نریشن، تلفن گویا و تیزر صوتی، هر کدام با نمونهٔ واقعی
- مستندات وب‌سرویس، برای برنامه‌نویس‌ها API تبدیل متن به صدا و صدا به متن API تبدیل صدا به متن فارسی با زیرنویس SRT و جدا کردن گوینده‌ها، و API تبدیل متن به صدا با صداهای Gemini و دستور لحن؛ نمونه‌کد، حجم مجاز و قالب‌ها.
متن را بنویسید، گوینده را انتخاب کنید
با شمارهٔ موبایل وارد شوید، از ۵۰ هزار سکه اعتبار بخرید و قالب نریشن را باز کنید. هزینهٔ تقریبی هر فایل پیش از ساخت کنار دکمه نوشته شده است.
