یک ویدیوی آموزشی را با دقت تدوین کرده‌اید، صدای گوینده تمیز است و تصویرها خوب چیده شده‌اند؛ اما بعد از انتشار، همان آهنگ پس‌زمینهٔ دانلودی برای شما ادعای حق نشر می‌آورد. به‌جای گشتن دنبال فایل تازه، میتوانید قطعهٔ همان پروژه را خودتان بسازید؛ ساخت موسیقی بی کلام با هوش مصنوعی برای همین کار است. در این راهنما می‌بینید با چه مدل‌هایی کار کنید، چه چیزی در پرامپت بنویسید، چطور در گیسو خروجی بگیرید و چگونه قطعه را زیر صدای گوینده بنشانید.
ساخت موسیقی بی کلام با هوش مصنوعی را با انتخاب قطعهٔ کوتاه یا کامل شروع کنید
برای موسیقی پس‌زمینه با هوش مصنوعی، مدل Lyria 3 دو مسیر عملی به شما می‌دهد. اگر به یک اینترو، حلقهٔ کوتاه، جینگل برند یا قطعه‌ای برای شروع و پایان ویدیو نیاز دارید، مدل openrouter/google/lyria-3-clip-preview مناسب‌تر است. این مدل کلیپ تا ۳۰ ثانیه می‌سازد و معمولاً حدود ده ثانیه طول می‌کشد تا یک خروجی بدهد. طول قطعه پارامتر جدا ندارد؛ مدتی که در پرامپت می‌نویسید («جینگل ۱۰ ثانیه‌ای») فقط یک خواسته است و اگر قطعه بلندتر شد، در مرحلهٔ میکس کوتاهش می‌کنید.
اگر برای پادکست، ویدیوی طولانی‌تر، نمایشگاه یا یک صفحهٔ فرود به قطعهٔ کامل نیاز دارید، مدل openrouter/google/lyria-3-pro-preview را انتخاب کنید. خروجی هر دو مسیر، فایل MP3 استریو با نرخ نمونه‌برداری ۴۸ کیلوهرتز است. هزینه بر اساس هر قطعه حساب می‌شود، نه بر اساس طول پرامپت. پس بهتر است پرامپت را کوتاه و مبهم ننویسید؛ هرچه درخواست روشن‌تر باشد، احتمال گرفتن موسیقی قابل استفاده بیشتر می‌شود.
معرفی کوتاه ابزار را در صفحهٔ ساخت موسیقی در گیسو می‌بینید. در کارهای ویدیویی هم بهتر است پرامپت موسیقی را کنار پرامپت تصویر و حرکت بنویسید؛ اگر با ویدیوهای کوتاه کار می‌کنید، راهنمای نوشتن پرامپت ویدیویی به هماهنگ کردن حس صحنه و موسیقی کمک می‌کند.
پرامپت موسیقی باید نقش قطعه را برای مدل روشن کند
یک پرامپت خوب برای موسیقی، فقط نام سبک را نمی‌گوید. شما باید کاربرد قطعه را هم مشخص کنید. موسیقی زیر صدای گوینده باید ساده‌تر و آرام‌تر از موسیقی یک تیزر بدون کلام باشد. ملودی شلوغ، سازهای تیز و تغییرهای ناگهانی، توجه شنونده را از حرف شما می‌گیرند.
در پرامپت، این چند بخش را بنویسید: سبک، حس، سازها، سرعت، ساختار و عبارت «بدون کلام». برای سرعت میتوانید از «آرام»، «متوسط» و «تند» استفاده کنید یا ضرب در دقیقه (BPM) بدهید. برای ساختار هم بنویسید قطعه با مقدمهٔ نرم شروع شود، در میانه ریتم ثابت داشته باشد و با پایان تمیز تمام شود.
| چیزی که می‌نویسید | نمونهٔ قابل استفاده |
|---|---|
| کاربرد | زیر صدای گوینده در پادکست آموزشی |
| حال‌وهوا | آرام، مطمئن، گرم، بدون تنش |
| سازها | پیانو نرم، پد الکترونیک، بیس خیلی ملایم |
| سرعت | آرام، حدود ۷۵ BPM |
| ساختار | شروع نرم، بخش میانی ثابت، پایان کوتاه و تمیز |
برای پروژه‌هایی که گویندگی دارند، حتماً بنویسید «ملودی اصلی شلوغ نباشد» و «فرکانس‌های میانی خلوت بماند». این جمله ساده کمک می‌کند موسیقی با صدای انسان کمتر درگیر شود. اگر برای پادکست همزمان به گویندگی مصنوعی فکر می‌کنید، راهنمای تبدیل متن فارسی به گفتار را کنار همین بخش بخوانید.
پنج پرامپت آماده برای پادکست، ریلز و ساخت جینگل
این نمونه‌ها را میتوانید همان‌طور که هستند کپی کنید. فقط نام برند، حس کار و مدت مورد نظر را تغییر دهید. اگر از سازهای مشخص مثل سه‌تار یا تنبک نام می‌برید، خروجی را قبل از استفاده دقیق گوش کنید؛ نتیجه برای سازهای مشخص گاهی به برداشت مدل نزدیک می‌شود، نه به اجرای استودیویی همان ساز.
موسیقی تخت پادکست آموزشی
حال‌وهوا: آرام، گرم، قابل اعتماد، بدون هیجان زیاد.
سازها: پیانو نرم، پد الکترونیک لطیف، بیس بسیار ملایم.
سرعت: آرام تا متوسط، حدود ۷۵ BPM.
ساختار: شروع نرم، میانهٔ ثابت و تکرارشونده، پایان کوتاه و تمیز.
ملودی شلوغ نباشد و با صدای گوینده رقابت نکند. بدون کلام.
پس‌زمینهٔ پرانرژی برای ریلز
حال‌وهوا: پرانرژی، روشن، مدرن و تمیز.
سازها: درام الکترونیک سبک، بیس نرم، سینت روشن، کلاپ کوتاه.
سرعت: تند، حدود ۱۲۰ BPM.
ساختار: شروع سریع، ضرب ثابت، پایان ضربه‌ای برای لوگو.
ملودی ساده باشد تا روی تصویر و متن غلبه نکند. بدون کلام.
جینگل ۱۰ ثانیه‌ای برای برند
حال‌وهوا: صمیمی، شهری، صبحگاهی.
سازها: گیتار تمیز، پرکاشن نرم، پیانوی کوتاه.
سرعت: متوسط.
ساختار: یک امضای صوتی کوتاه در انتها، مناسب قرار گرفتن زیر لوگو.
بدون کلام و بدون حس تبلیغاتی اغراق‌شده.
قطعهٔ آرام برای ویدیوی آموزشی
حال‌وهوا: آرام، دقیق، متمرکز، بدون حواس‌پرتی.
سازها: پد محیطی، پیانو خیلی کم، ضرب بسیار نرم.
سرعت: آرام، حدود ۶۸ BPM.
ساختار: مقدمهٔ کوتاه، بخش میانی یکنواخت، پایان بدون اوج ناگهانی.
برای قرار گرفتن زیر توضیح مدرس طراحی شود. بدون کلام.
فضای ایرانی ملایم برای معرفی محصول
سازهای پیشنهادی: سه‌تار، تنبک نرم، پد گرم در پس‌زمینه.
حال‌وهوا: اصیل، آرام، مینیمال، امروزی.
سرعت: متوسط رو به آرام.
ساختار: شروع لطیف، ریتم ثابت، پایان کوتاه برای نمایش نام برند.
بدون کلام و بدون شلوغی ملودیک.
اگر برای شبکه‌های اجتماعی برنامهٔ محتوایی دارید، قطعه‌های کوتاه را به چند قالب ثابت وصل کنید. مثلاً برای آموزش، معرفی محصول و پشت صحنه سه امضای صوتی جدا بسازید. برای چیدن همین قالب‌ها در ماه، راهنمای تقویم محتوای اینستاگرام با هوش مصنوعی کاربردی است.
در گیسو از بخش تولید محتوا موسیقی را بسازید و نگه دارید
برای ساخت قطعه در گیسو، از صفحهٔ تولید محتوا وارد ابزار موسیقی شوید. همان اعتبار هوش مصنوعی که برای ابزارهای دیگر دارید، برای موسیقی هم مصرف می‌شود. پیش از اجرا، نوع خروجی و هزینهٔ تقریبی را می‌بینید و بعد از ساخت، عدد نهایی روی کارت نتیجه نمایش داده می‌شود.
- ابزار موسیقی را باز کنید. در «تولید محتوا» گزینهٔ «ساخت موسیقی» را انتخاب کنید و پرامپت خود را در کادر بنویسید.
- نوع قطعه را مشخص کنید. برای اینترو، حلقه و ساخت جینگل، «کلیپ کوتاه» را انتخاب کنید. برای قطعهٔ طولانی‌تر، «قطعهٔ کامل» را بزنید.
- هزینهٔ تقریبی را بررسی کنید. کنار دکمهٔ اجرا، برآورد هزینه را می‌بینید. هزینهٔ واقعی ممکن است کمی فرق کند و بعد از ساخت روی نتیجه ثبت می‌شود.
- قطعه را اجرا و گوش کنید. اگر ملودی زیاد شلوغ شد، در پرامپت بنویسید «ساده‌تر، خلوت‌تر، مناسب زیر گفتار» و دوباره بسازید.
- خروجی را دریافت و آرشیو کنید. نتیجه در آرشیو آثار می‌ماند و میتوانید آن را دانلود کنید، پسندیده علامت بزنید، حذف کنید یا با «ویرایش و ساخت دوباره» پرامپتش را عوض کنید و دوباره بسازید.
تصویر هر تصویر مربع ۱۰۲۴ در ۱۰۲۴
- اقتصادی GPT Image 1 mini، کیفیت پایین ۹۵۲ سکه
- متعادل GPT Image 1 mini، کیفیت متوسط ۳٬۳۱۳ سکه
- حرفه‌ای Nano Banana 2 (Gemini 3.1 Flash Image)، کیفیت 2K ۴۴٬۷۵۰ سکه
- بالاترین کیفیت Nano Banana Pro (Gemini 3 Pro Image)، کیفیت 2K ۶۴٬۲۵۵ سکه
ویدیو با صدا هر کلیپ، با مدت همان ردیف
- اقتصادی Veo 3.1 Lite، ۴ ثانیه ۷۵٬۲۹۲ سکه
- متعادل Veo 3.1 Fast، ۸ ثانیه ۳۰۱٬۱۶۸ سکه
- حرفه‌ای Veo 3.1، ۸ ثانیه ۱٬۲۰۴٬۶۷۲ سکه
- بالاترین کیفیت Veo 3.1، ۸ ثانیه ۱٬۲۰۴٬۶۷۲ سکه
موسیقی هر قطعه
- کلیپ کوتاه Lyria 3 Clip ۱۵٬۰۵۹ سکه
- قطعهٔ کامل Lyria 3.5 ۳۰٬۱۱۷ سکه
متن به گفتار هر ۱۰۰۰ نویسهٔ متن (حدود ۱۸۰ کلمهٔ فارسی)
- اقتصادی Gemini 3.8 Flash-Lite TTS ۵٬۷۲۳ سکه
- کیفیت بالا Gemini 3.8 Flash TTS ۸٬۵۴۶ سکه
گفتار به متن هر دقیقه صدا
- NVIDIA: Nemotron 3.5 ASR Streaming Multilingual 0.6B ۸۳ سکه
- Qwen: Qwen3 ASR 0.6B ۸۳ سکه
ردیف‌ها همان سطح‌های «بودجه و کیفیت» صفحهٔ تولید محتوا در گیسو هستند. پیش از ساخت، هزینهٔ تقریبی کنار دکمهٔ ساخت می‌آید و مبلغ دقیق بعد از ساخت روی کارت نتیجه ثبت می‌شود.
اگر ویدیو ساخته نشود، کل هزینه‌اش خودکار به اعتبار برمی‌گردد.
به‌روزرسانی: ۱۴۰۵/۰۷/۲۶ ۰۰:۵۱ مبلغ‌ها به سکه، با قیمت امروز همان مدل در گیسو
برای کارهای تکراری، یک پرامپت مادر نگه دارید و فقط کاربرد را تغییر دهید. مثلاً «زیر صدای گوینده»، «پایان لوگو» یا «شروع ویدیو» را عوض کنید. این کار هویت صوتی شما را یکدست‌تر می‌کند.
موسیقی باید زیر صدا بنشیند، نه روی آن
بعد از ساخت موسیقی، مهم‌ترین کار تنظیم بلندی آن زیر گفتار است. صدای موسیقی را واضحاً پایین‌تر از صدای گوینده بگذارید. اگر در هدفون خوب شنیده می‌شود اما در موبایل کلمهها گم می‌شوند، موسیقی هنوز بلند است یا در محدودهٔ صدای انسان شلوغی دارد.
اگر جینگل بلندتر از ۱۰ ثانیه درآمد، این دستور کوتاهش می‌کند و انتهایش را نرم محو می‌کند:
ffmpeg -i jingle.mp3 -t 10 -af "afade=t=out:st=9:d=1" jingle_10s.mp3برای تکرار یک کلیپ ۳۰ ثانیه‌ای تا حدود ۲ دقیقه، میتوانید از ffmpeg استفاده کنید. این دستور کلیپ را چند بار پشت سر هم می‌گذارد و خروجی را به طول ۱۲۰ ثانیه می‌بُرد.
ffmpeg -stream_loop 3 -i music30.mp3 -t 120 -c copy music_2min.mp3برای ترکیب صدای گوینده و موسیقی، اول صدای موسیقی را کم کنید و بعد دو مسیر صوتی را با هم مخلوط کنید. در این نمونه، فایل voice.wav صدای گوینده است و music_2min.mp3 موسیقی پس‌زمینه.
ffmpeg -i voice.wav -i music_2min.mp3 \
-filter_complex "[1:a]volume=0.18[m];[0:a][m]amix=inputs=2:duration=first:dropout_transition=2,volume=2" \
-c:a libmp3lame final_mix.mp3عدد 0.18 را با گوش خود تنظیم کنید. برای ویدیوی آموزشی معمولاً موسیقی باید فقط حس فضا بدهد، نه این‌که شنونده دنبال ملودی برود.
حق استفاده و محدودیت‌ها را قبل از انتشار بررسی کنید
گیسو برای خروجی موسیقی قرارداد جداگانهای دربارهٔ استفادهٔ تجاری ندارد. پیش از استفاده در تبلیغ، پادکست تجاری یا پروژهٔ مشتری، شرایط ارائهدهندهٔ مدل را بررسی کنید. از مدل نخواهید صدای خوانندهٔ واقعی، سبک یک هنرمند نام‌دار یا یک اثر موجود را تقلید کند.
اگر در پرامپت شعر بدهید، مدل آن را به شکل آواز اجرا می‌کند. این راهنما روی موسیقی بی‌کلام، جینگل و حلقه تمرکز دارد. تلفظ شعر فارسی هم ممکن است خوب درنیاید، پس برای پس‌زمینهٔ حرفه‌ای بهتر است عبارت «بدون کلام» را روشن بنویسید.
یک محدودیت دیگر هم به ذائقهٔ موسیقی برمی‌گردد. مدل ممکن است سازهای ایرانی را با رنگ صوتی نزدیک بسازد، نه با دقت یک نوازندهٔ واقعی. برای محتوای جدی‌تر، چند نسخه بسازید و با هدفون و اسپیکر موبایل گوش کنید.
توسعه‌دهندگان می‌توانند با API کلیپ موسیقی بسازند
اگر در محصول خود به ساخت کلیپ موسیقی نیاز دارید، از رابط برنامه‌نویسی (API) گیسو استفاده کنید. نشانی پایه https://gisoo.pro/api/v1 است و درخواست موسیقی به مسیر /audio/music فرستاده می‌شود. کلید را از متغیر محیطی GISOO_API_KEY بخوانید و هرگز آن را در کد فرانت‌اند یا اپ موبایل نگذارید.
نمونهٔ زیر با httpx یک کلیپ می‌سازد، مقدار data[0].b64_json را از پاسخ می‌خواند و آن را به فایل clip.mp3 تبدیل می‌کند. عدد آغازگر (seed) ثابت با همان پرامپت، معمولاً یک واریاسیون نزدیک می‌دهد.
import os
import base64
import httpx
api_key = os.environ["GISOO_API_KEY"]
prompt = "Instrumental 10-second brand jingle for a small coffee shop; warm, modern, soft guitar, light percussion, clean logo ending, no vocals."
payload = {
"model": "openrouter/google/lyria-3-clip-preview",
"prompt": prompt,
"seed": 12345,
}
headers = {
"Authorization": f"Bearer {api_key}",
"Content-Type": "application/json",
}
with httpx.Client(timeout=180) as client:
response = client.post(
"https://gisoo.pro/api/v1/audio/music",
headers=headers,
json=payload,
)
response.raise_for_status()
res = response.json()
mp3_b64 = res["data"][0]["b64_json"]
mp3_bytes = base64.b64decode(mp3_b64)
with open("clip.mp3", "wb") as f:
f.write(mp3_bytes)
جزئیات پارامترها و پاسخ‌ها را در مستندات ساخت موسیقی با API ببینید. برای شروع عملی، یک جینگل ۱۰ ثانیه‌ای بسازید، آن را زیر یک فایل صدای واقعی میکس کنید و بعد دربارهٔ نسخهٔ کامل تصمیم بگیرید. گوش شما بهتر از هر توضیحی نشان می‌دهد قطعه برای برند یا ویدیوی شما جواب می‌دهد یا نه.
