بهترین سایت تبدیل صدا به متن فارسی: ۳ ابزار برای جلسه، ویس و فایل صوتی

جلسه یک ساعته تمام شد و کسی صورت‌جلسه ننوشت

گوشی را وسط میز گذاشتی و جلسه را ضبط کردی. حالا یک فایل شصت دقیقه‌ای داری و هیچ‌کس وقت ندارد دوباره گوش بدهد و بنویسد چه تصمیمی گرفته شد و چه کسی قرار است چه کاری بکند. ابزار تبدیل صدا به متن همین‌جا به کار می‌آید؛ ولی همه ابزارها فارسی را نمی‌شناسند و همه هم فایل ضبط‌شده نمی‌گیرند. در این مقاله سه ابزار را کنار هم گذاشته‌ایم: دو ابزار خارجی شناخته‌شده که فارسی را پشتیبانی می‌کنند، و صدانویس که خودمان ساخته‌ایم. جایی که ابزار ما محدودیت دارد هم گفته‌ایم.

قبل از انتخاب، این ۴ سؤال را از خودت بپرس

1. زنده یا فایل؟ می‌خواهی همین حالا حرف بزنی و متن تایپ شود (دیکته)، یا یک فایل ضبط‌شده داری؟ ابزارهای دیکته برای فایل ساخته نشده‌اند.

2. فارسی واقعاً پشتیبانی می‌شود؟ معروف بودن ابزار کافی نیست. مثلاً قابلیت Transcribe در Word برای تبدیل فایل جلسه شناخته شده است، ولی در فهرست زبان‌های رسمی‌اش فارسی نیامده است.

3. فقط متن یا خروجی آماده؟ برای جلسه، متن خام شصت دقیقه‌ای هم خواندنش وقت می‌برد. خلاصه و فهرست کارها کار را تمام می‌کند.

4. فایل کجا می‌رود؟ اگر جلسه محرمانه است، بدان فایل روی کامپیوتر خودت پردازش می‌شود یا به سرور یک سرویس فرستاده می‌شود.

۱. تایپ صوتی Google Docs؛ برای دیکته زنده

Google Docs قابلیتی به اسم Voice typing دارد: حرف می‌زنی و متن همان لحظه در سند تایپ می‌شود. طبق راهنمای رسمی گوگل فارسی (Farsi) جزو زبان‌های آن است و در نسخه‌های تازه Chrome، Edge و Safari کار می‌کند. از منوی Tools گزینه Voice typing را بزن، زبان را فارسی کن و روی میکروفون بزن.

• خوبی‌ها: فقط یک حساب گوگل و مرورگر لازم دارد و متن مستقیم در سندی است که می‌توانی همان‌جا ویرایش و با بقیه شریک کنی.

• محدودیت‌ها: با میکروفون و صدای زنده کار می‌کند، نه با فایل؛ برای فایل ضبط‌شده باید آن را کنار میکروفون پخش کنی که دقت را پایین می‌آورد. خود گوگل نوشته علامت‌گذاری صوتی (گفتن «نقطه» و «ویرگول») ممکن است در همه زبان‌ها نباشد و فرمان‌های صوتی فقط انگلیسی‌اند؛ پس ویرگول و نقطه را بعداً خودت می‌گذاری.

• برای جلسه: اگر یک نفر بخواهد خلاصه جلسه را بعد از جلسه با صدای خودش دیکته کند، خوب است؛ برای تبدیل ضبط کل جلسه، نه.

۲. Whisper؛ مدل متن‌باز OpenAI روی کامپیوتر خودت

Whisper مدل تشخیص گفتار OpenAI است که کد و وزن‌هایش با مجوز MIT روی گیت‌هاب منتشر شده است. فارسی در فهرست زبان‌هایش هست و فایل صوتی را مستقیم می‌گیرد. صدانویس هم برای مرحله تبدیل گفتار از مدل‌های همین خانواده استفاده می‌کند؛ فرقش در کارهایی است که بعد از آن انجام می‌دهد.

• خوبی‌ها: روی کامپیوتر خودت اجرا می‌شود، پس فایل جلسه از دستگاهت بیرون نمی‌رود و سهمیه یا اشتراکی در کار نیست.

• محدودیت‌ها: نصبش کار فنی است: پایتون، ابزار ffmpeg و اجرا از خط فرمان. مدل‌های دقیق‌تر کارت گرافیک با حافظه زیاد می‌خواهند؛ طبق همان صفحه، مدل large حدود ۱۰ گیگابایت و مدل turbo حدود ۶ گیگابایت حافظه گرافیک لازم دارد. خود OpenAI نوشته کیفیت Whisper «بسته به زبان خیلی فرق می‌کند».

• برای جلسه: متن خام با زمان‌بندی می‌دهد، بدون نیم‌فاصله‌گذاری، خلاصه یا فهرست کارها. صفحه رسمی‌اش هم چیزی درباره جدا کردن گوینده‌ها نمی‌گوید.

۳. صدانویس؛ از فایل جلسه تا صورت‌جلسه

صدانویس ابزار تبدیل صوت به متن فرهوشان است. فایل صوتی یا ویدیویی را می‌گیرد (mp3، m4a، ویس ogg تلگرام، wav، mp4، mov و فرمت‌های دیگر) یا همان‌جا در مرورگر صدایت را ضبط می‌کند. از ویدیو فقط صدایش روی دستگاه خودت جدا و آپلود می‌شود. هر فایل تا ۲ ساعت است. قبل از آپلود یکی از پنج حالت را انتخاب می‌کنی: «عمومی»، «جلسه»، «کلاس و درس»، «مصاحبه» یا «پادکست».

• ویرایش هوشمند متن: بعد از تبدیل گفتار، متن فقط از نظر ظاهری درست می‌شود: علامت‌گذاری، نیم‌فاصله («می شود» ← «می‌شود»)، غلط املایی آشکار و حذف «اِ» و «اِم». هیچ کلمه واقعی‌ای اضافه، حذف یا جابه‌جا نمی‌شود و حرف خودمانی رسمی نمی‌شود.

• حالت «جلسه»: علاوه بر متن کامل با زمان هر جمله، عنوان، خلاصه، نکات کلیدی، بخش‌بندی موضوعی و فهرست کارهای بعدی می‌دهد. مسئول و موعد هر کار فقط وقتی نوشته می‌شود که در جلسه گفته شده باشد؛ صدانویس اسم و تاریخ حدس نمی‌زند.

• خروجی: Word راست‌به‌چپ، زیرنویس SRT و VTT، و متن ساده. روی هر جمله بزنی همان تکه صدا پخش می‌شود و هر جمله قابل ویرایش است.

• محدودیت‌ها: فعلاً گوینده‌ها را از هم جدا نمی‌کند و متن به ترتیب زمان نوشته می‌شود. پردازش با سرویس‌های تبدیل گفتار و متن بیرون از ایران انجام می‌شود و فایل‌ها برای آموزش مدل استفاده نمی‌شوند.

سه ابزار در یک نگاه

جلسه را طوری ضبط کن که متنش دقیق شود

هیچ ابزاری چیزی را که در فایل شنیده نمی‌شود نمی‌نویسد. این چند کار ساده بیشترین اثر را روی دقت متن جلسه دارد:

1. گوشی یا ضبط‌کننده را وسط میز بگذار، با فاصله تقریباً برابر از همه، روی یک دفتر یا دستمال تا ضربه و لرزش میز کمتر ضبط شود.

2. گوشی را روی حالت پرواز یا «مزاحم نشوید» بگذار و پنجره رو به خیابان و کولر پرسروصدا را اگر می‌شود ببند.

3. نوبتی حرف بزنید. هم‌زمان حرف زدن چند نفر بیشترین خطا را در هر ابزاری می‌سازد.

4. اسم‌ها و تاریخ‌ها را بلند بگو: «سارا، پیش‌نویس قرارداد را تا پنجشنبه بفرست.» ابزار فقط وقتی مسئول و موعد را می‌نویسد که شنیده شده باشد.

5. آخر جلسه، یک نفر تصمیم‌ها را در یک دقیقه مرور کند. این مرور هم خلاصه را دقیق‌تر می‌کند، هم یادآوری خوبی برای همه است.

6. در جلسه آنلاین، اگر سامانه جلسه فایل ضبط را می‌دهد، همان فایل را بده؛ ضبط دوباره از بلندگوی لپ‌تاپ کیفیت را پایین می‌آورد.

برای ضبط کلاس، نکته‌های مخصوص کلاس را در مقاله ضبط صدای استاد در کلاس با گوشی نوشته‌ایم، و اگر فایل جلسه در تلگرام یا واتساپ برایت فرستاده شده، راه ذخیره‌اش در تبدیل ویس تلگرام به متن آمده است.

صورت‌جلسه‌ای که از ضبط جلسه درمی‌آید

این نمونه، شکل خروجی حالت «جلسه» صدانویس را برای یک جلسه فرضی نشان می‌دهد. اسم‌ها و جزئیات ساختگی‌اند؛ ساختار همان است که تحویل می‌گیری:

کار سوم نشان می‌دهد چرا گفتن اسم‌ها مهم است: وقتی در جلسه کسی مسئول نشده، صدانویس هم کسی را مسئول نمی‌کند و همین خالی بودن، کار بی‌صاحب را جلوی چشم می‌آورد.

صورت‌جلسه خودت را بگیر

1. لینک پایین صفحه، فرم صدانویس را با حالت «جلسه» و «خلاصه و ویرایش هوشمند متن» روشن باز می‌کند. اگر وارد نشده‌ای، اول وارد می‌شوی و دوباره به همین فرم برمی‌گردی.

2. فایل ضبط جلسه را بکش و رها کن یا همان‌جا ضبط کن. مدت دقیق فایل و هزینه را قبل از هر کسر اعتبار می‌بینی و تأیید می‌کنی.

3. متن، خلاصه و فهرست کارها را بخوان، اسم‌ها و عددهای مهم را یک بار با صدا چک کن و خروجی Word را برای تیم بفرست.