خوش‌خوان۴ دقیقه مطالعه
ساخت کتاب صوتی با هوش مصنوعی؛ کجا جای گوینده را می‌گیرد و کجا نه؟
ساخت کتاب صوتی فارسی با هوش مصنوعی: متن فصل‌به‌فصل، خوانش درست عدد و اسم، گوینده و لحن روایت، نمونه واقعی خوانش و جاهایی که هنوز گوینده انسانی لازم است.
کتاب صوتی، فصل‌به‌فصل
اولین بار، چند جمله اول رو با همین صدا رایگان بشنو.
کتابت نوشته شده؛ صدایش هنوز نه
خاطرات خانوادگی را نوشته‌ای، مجموعه داستان کوتاه داری یا قصه‌هایی که برای بچه‌ها ساخته‌ای. حالا می‌خواهی نسخه صوتی هم داشته باشد: برای پدربزرگی که چشمش ضعیف شده، برای کانال یا برای شنیدن در راه. گوینده و استودیو برای یک کتاب کامل وقت و هزینه زیادی می‌خواهد. هوش مصنوعی متن به صدا این فاصله را کم کرده است، ولی همه کار را نمی‌کند. اول ببین کجا خوب جواب می‌دهد.
کجا هوش مصنوعی جواب می‌دهد و کجا گوینده لازم است؟
جواب می‌دهد: روایت یک‌صدایی (خاطره، داستان کوتاه، قصه کودک، متن آموزشی)، وقتی متن تمیز است و خوانش عددها و اسم‌ها را یک بار درست کنی.
جواب می‌دهد: پیش‌نویس صوتی برای این‌که خودت متن را بشنوی و جمله‌های سنگین را پیدا کنی، پیش از آن‌که گوینده بگیری.
هنوز گوینده انسانی بهتر است: کتاب با گفتوگوی زیاد بین چند شخصیت که هر کدام صدای خودش را می‌خواهد؛ در خوش‌خوان هر صدا یک گوینده دارد.
هنوز گوینده انسانی بهتر است: شعر و متنی که بازی صدا و مکث‌های حساب‌شده لازم دارد، و جایی که مخاطب صدای خود نویسنده را می‌خواهد.
مراحل ساخت کتاب صوتی با هوش مصنوعی
حق متن را داشته باش. فقط نوشته خودت یا متنی که اجازه انتشار صوتی‌اش را گرفته‌ای. اگر می‌خواهی در یک فروشگاه کتاب صوتی منتشر کنی، قوانین همان‌جا را درباره صدای هوش مصنوعی بپرس.
کتاب را فصل‌به‌فصل کن. هر متن در خوش‌خوان تا ۵٬۰۰۰ نویسه است؛ هر فصل یا نیم‌فصل یک صدا. متن را بچسبان یا فایل .txt بده (فایل PDF مستقیم خوانده نمی‌شود؛ متنش را کپی کن).
پاراگرافها را با خط خالی جدا کن. بین پاراگرافها مکث میشود و مقدار مکث را خودت تعیین می‌کنی (تا ۲ ثانیه). گفت‌وگوها را در «» بگذار.
خوانش را یک بار درست کن. اسم شخصیت‌ها و کلمه‌های دوخوانشی را در «واژه‌نامه تلفظ من» ثبت کن تا در همه فصل‌ها یکسان خوانده شوند؛ اعراب هم حفظ میشود («کِرم»).
یک گوینده و یک لحن برای کل کتاب. لحن «روایت» (شمرده و گرم، مثل راوی کتاب صوتی) را با گوینده‌ای مثل «بهرام» (آرام و عمیق) یا «مهتاب» (پخته و آرام) امتحان کن؛ برای قصه کودک لحن «قصهگو» (آزمایشی) هم هست.
گوش بده، فقط پاراگراف بد را دوباره بساز. هر پاراگراف جدا قابل ساخت دوباره است. خروجی را MP3 یا WAV بگیر و نگه دار؛ فایل‌ها بعد از مدتی از سرور پاک می‌شوند.
نمونه: صفحه اول یک خاطره
متن نمونه را خودمان نوشته‌ایم و همان متنی است که لینک پایین در فرم می‌گذارد:
پاییز سال ۱۳۶۲ بود. مادربزرگ هر روز ساعت ۵ صبح بیدار می‌شد و ۳ کیلو آرد را در تشت مسی ورز می‌داد. می‌گفت: «نان باید ۲ ساعت بخوابد تا آدم شود.»
من ۷ سالم بود و فکر می‌کردم نان واقعاً خواب می‌بیند. تا ۸:۳۰ کنار تشت می‌نشستم و منتظر می‌ماندم بیدار شود.
پاییز سال هزار و سیصد و شصت و دو بود. مادربزرگ هر روز ساعت پنج صبح بیدار می‌شد و سه کیلو آرد را در تشت مسی ورز می‌داد. می‌گفت: «نان باید دو ساعت بخوابد تا آدم شود.»
من هفت سالم بود و فکر می‌کردم نان واقعاً خواب می‌بیند. تا هشت و سی دقیقه کنار تشت می‌نشستم و منتظر می‌ماندم بیدار شود.
سال و عددها درست باز شدند. اما «۸:۳۰» به «هشت و سی دقیقه» تبدیل شد که برای اعلام ساعت درست است، نه برای روایت یک خاطره. در متن داستان بنویس «هشت و نیم»، یا در پیش‌نمایش روی همین بخش رنگی بزن و خوانش را عوض کن. این همان کاری است که یک گوینده هم سر ضبط می‌پرسید.
هر فصل چند دقیقه صدا میشود؟
در آزمون‌های خودمان، کیفیت «طبیعی‌ترین» با سرعت عادی برای هر نویسه متن خوانش حدود ۰٫۱۲ ثانیه صدا ساخته است. پس:
نمونه بالا: ۲۸۳ نویسه ← حدود ۳۴ ثانیه
یک متن کامل ۵٬۰۰۰ نویسه‌ای ← حدود ۱۰ دقیقه
عدد تخمینی است؛ متن خوانش معمولاً کمی بلندتر از متن اصلی است (این‌جا ۲۵۰ ← ۲۸۳) چون عددها با حروف نوشته می‌شوند. هزینه هم بر اساس همین نویسه‌ها حساب و پیش از ساخت دقیق نشان داده میشود.
فصل اول کتاب صوتی‌ات را بساز
لینک پایین خوش‌خوان را با متن نمونه و لحن «روایت» باز می‌کند. متن را پاک کن و فصل اول خودت را بچسبان.
پیش‌نمایش خوانش را از اول تا آخر بخوان؛ اسم‌ها و عددهای عجیب را درست کن و در واژه‌نامه نگه دار (تلفظ و واژه‌نامه).
نمونه گوینده‌ها را بشنو، یکی را برای کل کتاب انتخاب کن و بساز. فصل‌های بعد را با همان گوینده، لحن، سرعت و مکث بساز تا کتاب یکدست بماند (انتخاب گوینده).
کتاب صوتی، فصل‌به‌فصل
متن نمونه و لحن «روایت» آماده است؛ فصل اول کتابت را جایش بچسبان.
ساخت کتاب صوتیاولین بار، چند جمله اول رو با همین صدا رایگان بشنو.
سؤال‌های رایج
می‌توانم فایل PDF کتاب را مستقیم بدهم؟
نه؛ متن را کپی کن و بچسبان یا فایل .txt بده. هر بار تا ۵٬۰۰۰ نویسه، پس کتاب را فصل‌به‌فصل بساز.
کتاب صوتی هوش مصنوعی صدای رباتی دارد؟
قبل از ساخت، نمونه هر گوینده را بشنو و قضاوت کن. لحن «روایت» برای خواندن شمرده و گرم ساخته شده و اگر پاراگرافی را نپسندیدی، فقط همان را دوباره می‌سازی.
برای قصه کودک کدام لحن مناسب است؟
«قصهگو» (گرم و پرحس، آزمایشی) یا «روایت». جملهها را کوتاه بنویس و بین پاراگرافها مکث بیشتری بگذار.
چند شخصیت با صداهای مختلف میشود ساخت؟
هر صدا یک گوینده دارد. میتوانی گفتوگوی هر شخصیت را جدا با گوینده دیگری بسازی و کنار هم بگذاری، ولی برای کتاب پرگفتوگو گوینده انسانی هنوز راحتتر است.