بهترین هوش مصنوعی تبدیل متن به گفتار؛ رتبه‌بندی، قیمت و پشتیبانی فارسی

صدای ماشینی و رباتیک قدیمی دیگر تمام شده است. مدل‌های جدید تبدیل متن به گفتار (Text-to-Speech یا TTS) با لحن، مکث و احساس حرف می‌زنند و گاهی تشخیص آن‌ها از صدای انسان سخت است. از کتاب صوتی و پادکست گرفته تا دستیار صوتی، ویدیوی آموزشی و تماس تلفنی خودکار، همه به یک مدل TTS خوب نیاز دارند.

اما کدام مدل واقعاً طبیعی‌تر است؟ کدام فارسی را پشتیبانی می‌کند و قیمتش چقدر است؟ در این مقاله رتبه‌بندی مستقل آرنای صدای Artificial Analysis را بررسی می‌کنیم، قیمت‌ها را مقایسه می‌کنیم و می‌گوییم برای فارسی چه گزینه‌هایی دارید.

آخرین به‌روزرسانی: ۵ آبان ۱۴۰۵ — رتبه‌ها و قیمت‌ها از آرنای صدای Artificial Analysis و پشتیبانی زبان‌ها از مستندات رسمی هر سرویس برداشته شده‌اند.

تبدیل متن به گفتار چیست و کجا به کار می‌آید؟

TTS فناوری‌ای است که متن نوشتاری را به صدای گفتاری تبدیل می‌کند. مدل‌های جدید با هوش مصنوعی مولد کار می‌کنند و به‌جای چسباندن تکه‌های صدای ضبط‌شده، صدا را از صفر تولید می‌کنند؛ برای همین لحن و آهنگ جمله‌ها طبیعی‌تر است. اگر با مفهوم هوش مصنوعی مولد آشنا نیستید، مقالهٔ هوش مصنوعی مولد را بخوانید.

• تولید محتوا: کتاب صوتی، پادکست، گویندگی ویدیوهای آموزشی و تبلیغاتی.
• دستیار و ایجنت صوتی: پشتیبانی تلفنی، ربات‌های گفتگو و دستیارهای هوشمند که باید سریع جواب بدهند.
• دسترس‌پذیری: خواندن متن سایت و اپ برای افراد کم‌بینا یا کسانی که شنیدن را ترجیح می‌دهند.
• آموزش زبان و بازی: تلفظ کلمات، صداگذاری شخصیت‌ها و دیالوگ‌های چندنفره.

رتبه‌بندی بهترین مدل‌های TTS در آرنای صدا

Artificial Analysis در آرنای صدا دو صدا را بدون نمایش نام مدل برای کاربران پخش می‌کند و کاربر صدای بهتر را انتخاب می‌کند. از هزاران رأی، امتیاز Elo هر مدل محاسبه می‌شود؛ همان سیستمی که در شطرنج استفاده می‌شود. برای آشنایی بیشتر با این سایت، راهنمای Artificial Analysis را ببینید.

نکتهٔ مهم: صداهای این آرنا بیشتر انگلیسی با لهجه‌های مختلف هستند. پس این رتبه‌بندی کیفیت کلی مدل را نشان می‌دهد، نه لزوماً کیفیت فارسی را.

معرفی مدل‌های برتر

• ElevenLabs Eleven v4 و v4 Turbo: طبق مستندات ElevenLabs، v4 پراحساس‌ترین مدل این شرکت و v4 Turbo نسخهٔ بلادرنگ آن با تأخیر حدود ۱۰۰ میلی‌ثانیه است. هر دو بیش از ۹۰ زبان از جمله فارسی را پشتیبانی می‌کنند.
• Qwen-Audio-3.1-TTS-Plus (علی‌بابا): سومین مدل آرنا با قیمتی کمتر از یک‌چهارم Eleven v4.
• Cartesia Sonic 3.6: چهارمین مدل آرنا با Elo برابر ۱۲۹۲ و قیمت ۴۹ دلار برای هر میلیون کاراکتر.
• Gemini 3.8 Flash TTS و Flash-Lite TTS (گوگل): به گفتهٔ مستندات گوگل، تولید صدای تک‌گوینده و چندگوینده، طراحی صدا (Voice design) و بازسازی صدا (Voice replication) را پشتیبانی می‌کنند و زبان ورودی را خودکار تشخیص می‌دهند. Flash-Lite جایگزین ارزان و پرسرعت مدل قبلی gemini-3.1-flash-tts-preview است.
• Fish Audio Drama 3 Preview: بهترین مدل وزن باز در ده رتبهٔ اول؛ یعنی امکان اجرا روی سرور خودتان هم وجود دارد.

مقایسهٔ قیمت مدل‌های تبدیل متن به گفتار

قیمت مدل‌های TTS معمولاً بر اساس تعداد کاراکتر محاسبه می‌شود. تفاوت قیمت‌ها زیاد است: Eleven v4 حدود ۸۰ دلار برای هر میلیون کاراکتر هزینه دارد، درحالی‌که Gemini 3.8 Flash TTS حدود ۱۶.۵ دلار و Simba 3.2 حدود ۶.۶ دلار است. مدل وزن باز Kokoro 82M v1.0 هم با حدود ۰.۷ دلار یکی از ارزان‌ترین گزینه‌هاست، هرچند رتبهٔ آن در آرنا (۵۸) خیلی پایین‌تر است. برای مقایسهٔ قیمت مدل‌های متنی هم راهنمای قیمت API هوش مصنوعی را ببینید.

کدام سرویس‌ها از فارسی پشتیبانی می‌کنند؟

برای کاربران ایرانی مهم‌ترین سؤال این است که کدام مدل فارسی را درست می‌خواند. طبق مستندات رسمی هر سرویس:

دو نکتهٔ مهم: اول اینکه «پشتیبانی» یعنی مدل می‌تواند فارسی بخواند، نه اینکه حتماً تلفظ و لحن عالی دارد؛ به‌خصوص در اعداد، کلمات انگلیسی داخل متن و کلماتی که بدون اعراب چند تلفظ دارند. دوم اینکه OpenAI اعلام کرده مدل‌های tts-1، tts-1-hd و gpt-4o-mini-tts منسوخ شده‌اند و در ۶ ژانویهٔ ۲۰۲۷ خاموش می‌شوند و باید به gpt-realtime-2.1-mini روی Realtime API مهاجرت کرد.

ترفندهای بهتر شدن خروجی فارسی

• اعداد را با حروف بنویسید (مثلاً «بیست و پنج» به‌جای ۲۵) تا مدل اشتباه نخواند.
• برای کلمات دوپهلو، از اعراب یا نیم‌فاصلهٔ درست استفاده کنید.
• جمله‌های خیلی بلند را بشکنید و از نقطه‌گذاری درست استفاده کنید؛ مکث‌ها طبیعی‌تر می‌شوند.
• قبل از تولید کل محتوا، یک پاراگراف نمونه را با چند مدل بسازید و مقایسه کنید.

تقلید و شبیه‌سازی صدا

بسیاری از این سرویس‌ها امکان ساخت صدای اختصاصی را هم دارند. برای مثال، مستندات گوگل از «Voice replication» یعنی بازسازی صدای یک گوینده از روی فایل صوتی مرجع و فایل رضایت او نام می‌برد و OpenAI هم ساخت صدای سفارشی را فقط با ضبط رضایت گوینده ممکن می‌کند. استفاده از صدای دیگران بدون اجازه، هم غیراخلاقی است و هم در بسیاری از کشورها غیرقانونی. دربارهٔ این فناوری و خطرهایش در مقالهٔ تقلید صدا با هوش مصنوعی و مقالهٔ خطرات هوش مصنوعی بیشتر نوشته‌ایم.

چطور بهترین مدل TTS را برای کارمان انتخاب کنیم؟

• کتاب صوتی و پادکست فارسی: کیفیت مهم‌تر از سرعت است؛ Eleven v4 و Gemini 3.8 Flash TTS را با متن خودتان امتحان کنید.
• ایجنت صوتی و تماس تلفنی: تأخیر کم مهم است؛ مدل‌های بلادرنگ مثل Eleven v4 Turbo (حدود ۱۰۰ میلی‌ثانیه تأخیر طبق ElevenLabs) یا Realtime TTS-2 را تست کنید.
• حجم بالا با بودجهٔ کم: Gemini 3.8 Flash-Lite TTS یا Simba 3.2.
• نیاز به اجرای محلی و حریم خصوصی: مدل‌های وزن باز مثل Fish Audio Drama 3 Preview یا Kokoro.
• پروژه‌های سازمانی روی Azure: صداهای فارسی Dilara و Farid.

اگر می‌خواهید بدانید برای کارهای دیگر مثل تولید تصویر، ویدیو یا متن کدام ابزار بهتر است، بهترین هوش مصنوعی برای هر کار و برای آشنایی با مدل‌هایی که هم‌زمان متن، صدا و تصویر را می‌فهمند، مقالهٔ هوش مصنوعی چندوجهی را ببینید.

سؤالات متداول

بهترین هوش مصنوعی تبدیل متن به گفتار کدام است؟

در آرنای صدای Artificial Analysis، مدل‌های Eleven v4 Turbo و Eleven v4 از ElevenLabs با Elo برابر ۱۳۳۳ رتبهٔ اول را دارند و بعد از آن‌ها Qwen-Audio-3.1-TTS-Plus، Sonic 3.6 و Gemini 3.8 Flash TTS قرار دارند.

کدام TTS از فارسی پشتیبانی می‌کند؟

طبق مستندات رسمی، ElevenLabs (v4 و v3)، Gemini 3.8 Flash TTS و Flash-Lite TTS گوگل، صداهای fa-IR در Microsoft Azure و مدل‌های TTS اوپن‌ای‌آی فارسی را در فهرست زبان‌های خود دارند.

ارزان‌ترین مدل تبدیل متن به گفتار کدام است؟

در جدول Artificial Analysis، مدل وزن باز Kokoro 82M v1.0 با حدود ۰.۷ دلار برای هر میلیون کاراکتر بسیار ارزان است؛ در میان مدل‌های ده رتبهٔ اول، Simba 3.2 با ۶.۶ دلار ارزان‌ترین است.

آیا مدل‌های TTS اوپن‌ای‌آی هنوز کار می‌کنند؟

بله، اما OpenAI اعلام کرده tts-1، tts-1-hd و gpt-4o-mini-tts منسوخ شده‌اند و در ۶ ژانویهٔ ۲۰۲۷ خاموش می‌شوند؛ جایگزین پیشنهادی gpt-realtime-2.1-mini روی Realtime API است.

آرنای صدا چطور مدل‌ها را رتبه‌بندی می‌کند؟

کاربران دو صدای تولیدشده را بدون دیدن نام مدل می‌شنوند و صدای بهتر را انتخاب می‌کنند؛ از مجموع این رأی‌ها امتیاز Elo هر مدل محاسبه می‌شود.

منابع و مراجع