خوشخوان۵ دقیقه مطالعه
ساخت پادکست فارسی با هوش مصنوعی: یک قسمت ۱۰ دقیقهای چند نویسه متن میخواهد؟
ساخت پادکست فارسی با هوش مصنوعی: هر دقیقه صدا چند نویسه متن است، متن پادکست را چطور برای گوش بنویسی، انتخاب گوینده و لحن، و کجا صدای خودت بهتر است.
قسمت اول پادکستت، با لحن روایت
اولین بار، چند جمله اول رو با همین صدا رایگان بشنو.
حرف برای گفتن داری، ولی میکروفون و اتاق ساکت نه
موضوع پادکستت را می‌دانی: مالی شخصی، معرفی کتاب، تاریخ محله، نکته‌های شغلی. مشکل جای دیگر است: صدای ضبط‌شده در خانه پر از اکو است، هر بار که تپق می‌زنی باید از اول بگویی و ضبط هر قسمت یک عصر کامل وقت می‌برد. تبدیل متن به صدا این بخش را کوتاه می‌کند؛ تو متن می‌نویسی و گوینده هوش مصنوعی آن را می‌خواند. اما پادکست خوب هنوز از متن خوب شروع میشود، و قبل از هر چیز باید بدانی هر قسمت چقدر متن لازم دارد.
حساب سرانگشتی: هر دقیقه حدود ۵۰۰ نویسه
در آزمون‌های خودمان با سرعت عادی، کیفیت «طبیعیترین» برای هر نویسه متن خوانش حدود ۰٫۱۲ ثانیه صدا ساخته است و کیفیتهای «سریع» و «استاندارد» حدود ۰٫۰۸۵ ثانیه. «متن خوانش» یعنی متنی که عددهایش به حروف باز شده است؛ معمولاً کمی بلندتر از متن خودت.
۵۰۰ نویسه ← حدود ۱ دقیقه با «طبیعیترین»، حدود ۴۲ ثانیه با «سریع» و «استاندارد»
قسمت ۵ دقیقهای ← حدود ۲٬۵۰۰ نویسه
قسمت ۱۰ دقیقهای ← حدود ۵٬۰۰۰ نویسه؛ سقف یک متن در خوشخوان هم همین ۵٬۰۰۰ نویسه است
پس قسمت بلندتر از ۱۰ دقیقه را به دو یا سه بخش تقسیم کن (مثلاً مقدمه و بخش اول، بعد بخش دوم و جمع‌بندی) و هر بخش را با همان گوینده، لحن و سرعت بساز تا یکدست بماند.
متن پادکست را برای گوش بنویس، نه برای چشم
جمله کوتاه. شنونده نمی‌تواند برگردد و دوباره بخواند. جمله‌ای که در متن سه خط است، در گوش گم میشود.
نقشه در ابتدا. در ۳۰ ثانیه اول بگو این قسمت درباره چیست و چند بخش دارد؛ مثل «امروز سه چیز می‌گویم».
عدد کم و گرد. در هر پاراگراف یکی دو عدد کافی است. «۵ میلیون و ۴۰۰ هزار» را راحت‌تر از «۵٫۴ میلیون» می‌شنوی؛ پایین‌تر خوانش واقعی‌اش را می‌بینی.
پاراگراف یعنی نفس. هر ایده یک پاراگراف؛ بین پاراگراف‌ها خط خالی بگذار. در خوشخوان مکث بین پاراگراف‌ها را خودت تعیین می‌کنی (تا ۲ ثانیه).
پایان با یک کار. قسمت را با یک جمله جمع‌بندی و یک دعوت تمام کن: «قسمت بعد درباره قسط‌ها حرف می‌زنیم».
نمونه: اول قسمت ۱۲ پادکست «جیب‌پول»
«جیب‌پول» یک پادکست فرضی درباره مالی شخصی است. نسخه اول متن این بود: «… ۵٫۴ میلیون برای تفریح و ۳٫۶ میلیون برای پس‌انداز». خوشخوان آن را «پنج ممیز چهار میلیون» و «سه ممیز شش میلیون» خواند؛ درست است، ولی در گوش خشک و حسابدارانه است. متن را عوض کردیم:
سلام، به قسمت ۱۲ پادکست «جیب‌پول» خوش آمدی. امروز درباره یک قاعده ساده برای خرج کردن حقوق حرف می‌زنیم: ۵۰٪ برای خرج‌های ضروری، ۳۰٪ برای خواسته‌ها و ۲۰٪ برای پس‌انداز.
اگر حقوقت ۱۸ میلیون تومان است، یعنی ۹ میلیون برای اجاره و خورد و خوراک، ۵ میلیون و ۴۰۰ هزار برای تفریح و ۳ میلیون و ۶۰۰ هزار برای پس‌انداز. حالا ببینیم این قاعده کجا جواب نمی‌دهد.
«قسمت ۱۲» ← «قسمت دوازده»
«۵۰٪»، «۳۰٪»، «۲۰٪» ← «پنجاه درصد»، «سی درصد»، «بیست درصد»
«۱۸ میلیون تومان» ← «هجده میلیون تومان»
«۵ میلیون و ۴۰۰ هزار» ← «پنج میلیون و چهارصد هزار»
مدت تقریبی: حدود ۴۵ ثانیه با «طبیعیترین»، حدود ۳۲ ثانیه با «استاندارد»
قاعده‌های بیشتر خوانش عدد، تاریخ و اعشار را در خواندن اعداد بزرگ و اعشاری به فارسی نوشته‌ایم.
پادکست دونفره هم میشود؟ جواب صادقانه
در خوشخوان هر متن با یک گوینده ساخته میشود؛ گفت‌وگوی خودکار دو مجری با هم را نمی‌سازد و موسیقی پسزمینه هم اضافه نمی‌کند. برای پادکست تک‌راوی (روایت، آموزش، معرفی کتاب، خلاصه خبر) همین کافی است. اگر دو صدا می‌خواهی، نوبت‌های هر مجری را در دو متن جدا بساز، هر کدام با گوینده خودش، و در یک برنامه ویرایش صدا پشت هم بچین؛ موسیقی ورود و خروج را هم همان‌جا بگذار.
هوش مصنوعی جواب می‌دهد: قسمت‌های منظم با متن آماده، پادکست آموزشی، نسخه صوتی مقاله‌ها و خبرنامه.
صدای خودت بهتر است: گفت‌وگوی زنده با مهمان، شوخی و واکنش لحظه‌ای، و پادکستی که شنونده برای شخصیت خود مجری گوش می‌دهد.
صادق باش: صدا ساخته هوش مصنوعی است؛ در توضیح پادکست بگو و اگر پلتفرمی که در آن منتشر می‌کنی قانونی درباره صدای هوش مصنوعی دارد، رعایتش کن.
قسمت اول پادکستت را بساز
لینک پایین خوشخوان را با متن «جیب‌پول» و لحن «روایت» (شمرده و گرم) باز می‌کند. متن قسمت خودت را جایش بچسبان یا فایل .txt بده.
پیش‌نمایش خوانش را بخوان؛ عدد یا اسمی که بد خوانده میشود را با یک کلیک عوض کن و اسم پادکست یا مهمان را در واژه‌نامه نگه دار (تلفظ و واژه‌نامه).
نمونه گوینده‌ها را بشنو: برای صدای مردانه «بهرام» (آرام و عمیق) یا «کاوه» (محکم و رسمی)، برای صدای زنانه «شیرین» (گرم و شمرده) یا «مهتاب» (پخته و آرام). هزینه بر اساس نویسه‌ها پیش از پرداخت نشان داده میشود؛ MP3 و زیرنویس SRT را بگیر (دانلود صدا).
متن طولانی‌تری مثل یک کتاب داری؟ ساخت کتاب صوتی با هوش مصنوعی را ببین.
قسمت اول پادکستت، با لحن روایت
متن نمونه «جیب‌پول» و لحن روایت آماده است؛ متن قسمت خودت را جایش بگذار.
ساخت صدای پادکستاولین بار، چند جمله اول رو با همین صدا رایگان بشنو.
سؤال‌های رایج
یک قسمت پادکست ۱۰ دقیقهای چند کلمه یا نویسه متن میخواهد؟
با کیفیت «طبیعیترین» و سرعت عادی حدود ۵٬۰۰۰ نویسه متن خوانش، یعنی همان سقف یک متن در خوشخوان. کیفیتهای «سریع» و «استاندارد» تندتر میخوانند و همان متن کوتاهتر میشود.
میشود پادکست را با صدای زن ساخت؟
بله؛ گویندههای زن مثل «شیرین»، «ترانه»، «مهتاب» و «نسیم» هستند. قبل از ساخت نمونه هر کدام را بشنو و یکی را برای همه قسمتها نگه دار تا پادکست صدای ثابتی داشته باشد.
موسیقی پسزمینه و افکت هم اضافه میشود؟
نه؛ خوشخوان فقط صدای گوینده را میسازد (MP3، WAV و زیرنویس SRT). موسیقی ورود، خروج و پسزمینه را در برنامه ویرایش صدا اضافه کن.
اگر یک پاراگراف بد خوانده شد، باید کل قسمت را دوباره بسازم؟
نه؛ هر بخش جدا قابل ساخت دوباره است و فقط هزینه همان بخش حساب میشود.