تبدیل متن به صدا در گیسو یعنی متن فارسی را مینویسید یا می‌چسبانید، یک صدای زن یا مرد و حالت گفتار را انتخاب میکنید و فایل صوتی MP3 یا WAV میگیرید؛ برای نریشن ویدیو، پیام تلفن گویا، پادکست و کتاب صوتی. نصب برنامه لازم نیست. با قیمت امروز، هر هزار نویسه با TTS-1 حدود ۵٬۶۵۰ سکه است.
هر هزار نویسه با TTS-1: ≈ ۵٬۶۵۰ سکه (با قیمت امروز)
از میان ۳۰ صدای آماده یکی را انتخاب کنید؛ با صداهای Gemini «حالت گفتار» را هم جدا از متن تعیین میکنید: گرم و دوستانه، نریشن مستند، خبری، قصهگو یا نجوا. جای مکث را نقطه و ویرگول نشان می‌دهند.
کار برعکس هم در گیسو هست: فایل صوتی جلسه، کلاس یا ویس را بدهید تا متن کاملش را بگیرید، حتی به شکل زیرنویس SRT. این کار صفحهٔ جدای خودش را دارد.
متن را در بخش «متن به گفتار» اپ گیسو مینویسید، صدا و حالت گفتار را انتخاب میکنید و فایل صوتی را دانلود میکنید. پیش از آن یک بار با شمارهٔ موبایل وارد می‌شوید و اعتبارتان را شارژ میکنید.
کد پیامکی را وارد میکنید و حسابتان ساخته میشود. حساب نِت اَرز دارید؟ با همان وارد می‌شوید.
از ۵۰٬۰۰۰ سکه؛ پرداخت و صورتحساب از طرف نِت اَرز است.
در «تولید محتوا» بخش «متن به گفتار» را باز کنید، متن را بنویسید، صدا و حالت گفتار را انتخاب کنید و دکمهٔ ساخت را بزنید.
خوش‌آمد، پیام انتظار پشت خط و پیام ساعت تعطیلی را با یک صدای یکدست بسازید؛ قالبش در پنل آماده است.
متن معرفی محصول یا آموزش قدم‌به‌قدم را به صدا تبدیل کنید و روی ویدیوی خودتان بگذارید.
با صداهای Gemini لحن را جدا از متن انتخاب میکنید: پرانرژی و تبلیغاتی، رسمی و خبری، آرام و شمرده یا شاد و کودکانه. متن همان‌طور که نوشته‌اید خوانده میشود.
سرعت خواندن را از ۰٫۵ تا ۲ برابر تنظیم کنید و فایل را MP3، WAV، AAC یا Opus بگیرید؛ هر دو برای همهٔ مدل‌ها روی فایل نهایی اعمال میشوند.
در چت، دکمهٔ بلندگوی زیر هر پاسخ آن را با صدا می‌خواند و دکمهٔ میکروفون حرف شما را به متن تبدیل می‌کند.
فایل‌های صوتی ساخته‌شده با متن و هزینه در «آرشیو آثار» می‌مانند و هر وقت خواستید دانلودشان میکنید.
این‌ها نمونههای واقعی قالب‌های گوینده در گیسو هستند، بدون ویرایش. کنار هر نمونه، متنی که خوانده شد و صدای گوینده را می‌بینید.
پیام اول تماس، با معرفی بخش‌ها
Gemini 3.8 Flash TTS صدای Sulafat ۲۵ ثانیه ۱۴ مهر ۱۴۰۵
با قالب «خوش‌آمد تلفن گویا»
سلام، به شرکت پخش البرز خوش آمدید. برای ثبت سفارش تازه، یک را بزنید. برای پیگیری سفارش‌های قبلی، دو را بزنید. اگر می‌خواهید با یکی از همکاران ما صحبت کنید، صفر را بزنید. اگر شمارهٔ داخلی را می‌دانید، لازم نیست تا آخر گوش کنید؛ آن را وارد کنید.
حالت گفتار، جدا از متن فرستاده شد:
Warm, welcoming phone-menu voice. Clear and unhurried, smiling but professional. Leave a short pause after each option so the caller can press a key, and say each digit slowly and distinctly.
پیشنهاد و مهلت، برای پخش در فروشگاه یا نمایشگاه
Gemini 3.8 Flash TTS صدای Laomedeia ۲۲ ثانیه ۱۴ مهر ۱۴۰۵
با قالب «اعلان فروش ویژه در فروشگاه»
سلام، وقتتان بخیر. یک خبر خوب از فروشگاه لوازم خانگی آرین: همهٔ جاروبرقی‌ها و اتوها بیست درصد تخفیف دارند. این تخفیف فقط تا پایان جمعه است. اگر برای انتخاب کمک خواستید، همکاران ما در طبقهٔ اول، کنار ورودی منتظرتان هستند. خرید خوبی داشته باشید.
حالت گفتار، جدا از متن فرستاده شد:
Bright, cheerful in-store PA announcement. Friendly and upbeat, clear enough to cut through background noise, medium pace. Lift the voice on the offer and say the deadline slowly.
خلاصهٔ خبرهای هفته با لحن گویندهٔ خبر
Gemini 3.8 Flash TTS صدای Rasalgethi ۲۷ ثانیه ۱۴ مهر ۱۴۰۵
با قالب «خبرنامهٔ صوتی هفتگی»
سلام، این‌جا بولتن هفتگی است؛ خلاصهٔ خبرهای شرکت آرین‌تک در هفته‌ای که گذشت. خبر اول: فروش آنلاین این ماه دوازده درصد بیشتر از ماه قبل شد. خبر دوم: انبار تازهٔ کرج از اول آبان کارش را شروع می‌کند. و خبر آخر: جلسهٔ ماهانهٔ همکاران، سه‌شنبه ساعت ده در سالن اصلی است. جزئیات هر خبر را در کانال داخلی شرکت می‌خوانید. هفتهٔ خوبی داشته باشید.
حالت گفتار، جدا از متن فرستاده شد:
Professional news-anchor read for a company briefing. Confident, clear and neutral, crisp diction, steady medium pace. A short beat between stories and a slightly warmer sign-off.
آگهی صوتی کوتاه با لحن تبلیغاتی
Gemini 3.8 Flash TTS صدای Puck ۱۸ ثانیه ۱۴ مهر ۱۴۰۵
با قالب «تیزر رادیویی ۲۰ ثانیه‌ای»
صبح‌ها عجله دارید و صبحانه باز هم جا می‌ماند؟ [breath] دیگر لازم نیست غصه‌اش را بخورید. از شنبه تا چهارشنبه، صبحانهٔ گرم تا ساعت هشت به محل کارتان می‌رسد. فقط سفارش را تا شب قبل ثبت کنید. بقیه‌اش با ما. صبحانه‌سرای مهر. صبح را گرم شروع کنید.
حالت گفتار، جدا از متن فرستاده شد:
Upbeat radio commercial read, warm and smiling, energetic but never shouting. Quick conversational rhythm; a beat of pause before the offer, then slow down and land the brand name and slogan clearly.
برای نریشن ویدیو، صدای روی ریلز، مقدمهٔ پادکست و کتاب صوتی، نمونه‌ها و نکته‌های گویندگی با هوش مصنوعی را ببینید.
هوش مصنوعی همان را می‌خواند که نوشته‌اید. چند دقیقه ویرایش متن پیش از ساخت، معمولاً بیشتر از عوض کردن صدا یا سرعت، خوانش را طبیعی می‌کند.
گویندگی و نریشن با هوش مصنوعی راهنمای کامل آماده کردن متن فارسی برای نریشن
صداهای Gemini 3.8 Flash TTS با حال‌وهوایی که سازنده برای هر کدام گفته است. در «تولید محتوا» کنار هر صدا «شنیدن نمونه» هست تا پیش از ساخت گوشش کنید.
مدل‌هایی که متن فارسی را میخوانند، با تعداد صدای هر کدام:
Gemini 3.8 Flash TTS · ۳۰ صدا Gemini 3.8 Flash-Lite TTS · ۳۰ صدا TTS-1 · ۶ صدا TTS-1 HD · ۶ صدا GPT-4o mini TTS · ۱۳ صدا Eleven v3 · ۲۱ صدا Eleven v3 Conversational · ۲۱ صدا Eleven v4 · ۲۱ صدا Eleven v4 Turbo · ۲۱ صدا
بخش «متن به گفتار» در «تولید محتوا» فقط یک جعبهٔ متن نیست. این‌ها را پیش از ساخت تنظیم میکنید:
برای گفت‌وگو، پادکست یا آگهی دونفره تا چهار گوینده تعریف کنید، هر کدام با نام و صدای خودش. هر خط متن با «نام: جمله» شروع میشود و خطی که نام ندارد، ادامهٔ حرف گویندهٔ قبلی است.
صداها را با جنس، لهجه و حال‌وهوا فیلتر کنید. «شنیدن نمونه» یک جملهٔ کوتاه ثابت را با همان صدا پخش می‌کند؛ صدایی که هنوز نمونهٔ آماده ندارد، بار اول به‌اندازهٔ همان یک جمله هزینه دارد.
واژه‌ای را که درست خوانده نمی‌شود، مثل نام برند یا اسم خارجی، یک بار با شکل درست خواندنش تعریف کنید تا پیش از ساخت در متن جایگزین شود. این فهرست فقط در مرورگر خودتان می‌ماند.
در مدل‌هایی که پشتیبانی می‌کنند، دکمه‌های حس و حالت برچسبی در متن می‌گذارند که اجرا میشود و بلند خوانده نمی‌شود؛ ElevenLabs v3 و v4 همه را دارند و Gemini فقط نفس و خنده را. دکمهٔ مکث در همهٔ مدل‌ها هست.
تا ۲۰٬۰۰۰ نویسه یک‌جا به یک فایل تبدیل میشود. متن در پس‌زمینه بخش‌بخش خوانده میشود و کارت نتیجه پیشرفت را نشان میدهد؛ لازم نیست صفحه باز بماند.
پخش‌کنندهٔ هر فایل شکل موج و سرعت پخش دارد. روی کارت نتیجه دانلود، «ساخت دوباره» و «ویرایش و ساخت» هست تا متن را اصلاح کنید و دوباره بسازید.
جایی که متن آماده دارید و ضبط با صدای خودتان وقت یا استودیو می‌خواهد:
یک فصل کتاب یا قصهٔ شب را با صدای راوی و حالت گفتار «قصهگو» بسازید و برای سفر یا وقت استراحت نگه دارید.
متن درس، واژه‌های تازهٔ زبان یا تمرین شنیداری را به فایل صوتی تبدیل کنید تا سر کلاس پخش شود یا برای هنرجوها بفرستید.
مقالهٔ سایت یا خبرنامهٔ هفته را با لحن خبری بخوانید تا مخاطب در راه یا سر کار گوشش کند.
مقدمه یا یک بخش گفت‌وگومحور پادکست را با دو صدای متفاوت در یک فایل بسازید و در تدوین کنار صدای خودتان بگذارید.
صدای شخص واقعی ساخته نمی‌شود: شبیه‌سازی صدای خودتان یا هر شخص دیگری (Voice Clone)، دوبله و تبدیل صدا را نداریم؛ از میان صداهای آمادهٔ مدل انتخاب میکنید.
همهٔ مدل‌ها فارسی نمی‌خوانند: صداهای Gemini، ElevenLabs v3 و v4 و مدل‌های OpenAI فارسی میخوانند و در فهرست مدل‌ها نشان «فارسی» دارند. مدل‌های دیگر برای انگلیسی و زبان‌های دیگرند.
تلفظ همیشه دقیق نیست: نام‌های خاص، واژه‌های هم‌نویسه و عددها گاهی درست خوانده نمی‌شوند. پیش از انتشار گوش کنید و همان تکه را با املای دیگر یا با «تلفظ واژهها» دوباره بسازید.
استفادهٔ تجاری با شرط سازنده: شرایط استفادهٔ تجاری از فایل صوتی را سازندهٔ مدل تعیین می‌کند و قرارداد جداگانه‌ای در این باره نداریم. اگر فایل را منتشر میکنید، گفتن این‌که صدا ساخت هوش مصنوعی است کار درستی است.
هر ساخت، هزینهٔ خودش: هزینه به طول متن یا صدای ساخته‌شده بستگی دارد و ساخت دوباره هم هزینهٔ جدا دارد. هزینهٔ تقریبی پیش از ساخت کنار دکمه دیده میشود.
عددها برآورد هزینهٔ هر هزار نویسه (حرف) متن است. صداهای Gemini برحسب طول صدای ساخته‌شده حساب میشوند و برآوردشان را کمی بالا گرفته‌ایم.
عددها با قیمت امروز حساب شده‌اند و برآوردند؛ مبلغ دقیق هر کار بعد از انجامش در پنل نوشته میشود. تعرفهٔ همهٔ ابزارها · کتابخانهٔ ۶۶۴ مدل
صفحهٔ هر مدل قیمت دقیقش، توانایی‌هایش و نمونه‌کد وب‌سرویس را دارد.
قالب را در پنل انتخاب میکنید، چند جای خالی را پر میکنید و متن نهایی را پیش از فرستادن می‌بینید و تغییر می‌دهید.
خوش‌آمد و منوی تلفن گویا با صدای گرم و مکث بعد از هر گزینه، تا تماس‌گیرنده وقت انتخاب داشته باشد.
تلفن گویا خوش‌آمد
تبلیغ صوتی کوتاه که با یک پرسش از دغدغهٔ شنونده شروع میشود، پیشنهاد را روشن می‌گوید و با نام کسب‌وکار و شعار تمام میشود.
تیزر رادیویی تبلیغ صوتی
تبلیغ صوتی به شکل گفتوگوی کوتاه مشتری و فروشنده، با دو صدای متفاوت؛ برای رادیو، ریلز و پادکست.
تیزر رادیویی گفت‌وگو
معرفی ابتدای هر قسمت پادکست با صدای نرم و لبخند؛ نام برنامه، موضوع قسمت و دعوت به شنیدن.
پادکست مقدمه
شروع یک قسمت پادکست با دو مجری و دو صدای متفاوت؛ گفتوگوی خودمانی و مؤدب، مثل دو دوست قدیمی.
پادکست گفت‌وگو
پیام آرام صف انتظار، با یک نکتهٔ به‌دردبخور دربارهٔ کسب‌وکار شما تا انتظار کوتاه‌تر به نظر برسد.
پیام انتظار تلفن
برای یک گل‌فروشی آگهی صوتی کوتاه می‌سازیم. صدایی که میشنوید خروجی واقعی Gemini 3.8 Flash TTS با صدای Sulafat است؛ «حالت گفتار» فقط لحن را عوض می‌کند و متن همان‌طور که نوشته‌اید خوانده میشود.
صداها چندزبانهاند و متن فارسی را میخوانند؛ نمونههای صوتی همین صفحه بدون ویرایشاند و خودتان میشنوید. تلفظ بعضی واژهها و نامها ممکن است دقیق نباشد؛ پیش از انتشار یک بار گوش کنید و اگر لازم شد، واژه را با اعراب یا املای دیگری بنویسید.
بله. صداهای آماده زنانه و مردانهاند و در صداهای Gemini کنار نام هر صدا شخصیتش آمده است، مثل گرم، محکم یا پرانرژی. لحن را هم جدا از متن انتخاب میکنید، مثلاً خبری، قصهگو یا آرام.
تا ۲۰٬۰۰۰ نویسه (حرف) در یک فایل، مثلاً یک فصل کتاب. متنی که از ظرفیت یک درخواست مدل بلندتر باشد، در پس‌زمینه بخش‌بخش خوانده میشود و کارت نتیجه می‌گوید چند بخش از چند بخش آماده است؛ می‌توانید صفحه را ببندید و فایل را بعداً همان‌جا پیدا کنید. هزینه هم بخش به بخش کم میشود.
به مدل و طول متن بستگی دارد. امروز هر هزار نویسه با TTS-1 حدود ۵٬۶۵۰ سکه است. هزینهٔ تقریبی پیش از ساخت کنار دکمهٔ ساخت میآید و مبلغ دقیق بعد از ساخت روی کارت نتیجه.
نه، همه یک کارند: متن را مینویسید و فایل صوتی میگیرید. در گیسو جایش در «تولید محتوا»، بخش «متن به گفتار» است و نصب برنامه لازم ندارد.
بله. یکی از صداهای آمادهٔ زن یا مرد را انتخاب میکنید و با صداهای Gemini لحنش را هم با «حالت گفتار» تعیین میکنید، مثلاً نریشن مستند، خبری یا تبلیغاتی. نمونههای بیشتر گویندگی، از نریشن ویدیو تا کتاب صوتی، در صفحهٔ «گویندگی با هوش مصنوعی» آمده است.
متن را برای شنیدن بنویسید: جملههای کوتاه با نقطه و ویرگول، اعراب برای واژههایی که دو جور خوانده میشوند، و عدد یا نام لاتینی که درست خوانده نشد با حروف فارسی. بعد یک بار گوش کنید و فقط تکهای را که خوب درنیامده دوباره بسازید.
بله، ولی در بخش دیگری: «گفتار به متن» در همان «تولید محتوا». فایل صوتی را می‌دهید و متن کامل یا زیرنویس SRT میگیرید.
نه. از میان صداهای آمادهٔ مدل یکی را انتخاب میکنید؛ ساختن صدا از روی صدای یک شخص واقعی جزو این ابزار نیست.
بله. در «متن به گفتار» تا چهار گوینده تعریف میکنید، هر کدام با نام و صدای خودش، و هر خط متن را با «نام: جمله» شروع میکنید. نتیجه یک فایل است که برای پادکست، آگهی دیالوگی یا تمرین مکالمه به کار میآید.
فایل را دانلود میکنید، ولی شرایط استفادهٔ تجاری آن را سازندهٔ مدل تعیین می‌کند و قرارداد جداگانه‌ای در این باره نداریم؛ پیش از پخش در یوتیوب یا تبلیغ، شرایط او را بخوانید.
نریشن و صداگذاری ویدیو با هوش مصنوعی؛ از متن فارسی تا فایل صوتی
متن فارسی را طوری آماده کنید که درست خوانده شود، مدل و صدای مناسب را انتخاب کنید و نریشن ویدیو یا پیام صوتی بسازید؛ با نمونه‌کد Python و Node.js.
۱۱ دقیقه مطالعه
مکالمه انگلیسی با هوش مصنوعی؛ تمرین صوتی و متنی با اصلاح اشتباهها
با گیسو انگلیسی حرف بزنید و جواب انگلیسی بشنوید، یا در چت بنویسید و اشتباههایتان را با توضیح فارسی بگیرید؛ با نمونهٔ واقعی و برنامهٔ تمرین بیستدقیقه...
۱۳ دقیقه مطالعه
با شمارهٔ موبایل وارد شوید، اعتبار بخرید و به‌اندازهٔ مصرف بپردازید. اشتراک ماهانه در کار نیست و پرداخت و صورتحساب از طرف نِت اَرز است.
گیسو را روی گوشی نصب کنید
مثل یک برنامه، با یک لمس از صفحهٔ اصلی باز میشود؛ بدون فروشگاه برنامه.
در Safari دکمهٔ «اشتراکگذاری» را بزنید و «Add to Home Screen» را انتخاب کنید.