آموزش کامل ElevenLabs فارسی: تبدیل متن به صدا، موسیقی، دوبله و ویدئو

۲۹ آبان ۱۴۰۵ · ۵۶:۰۳ دقیقه

فصل‌های ویدیو

درباره‌ی این ویدیو

لینک ثبت‌نام (لینک همکاری): https://try.elevenlabs.io/mrmp #ad #ElevenCreativePartner @elevenlabsioکل پنل ElevenCreative از ElevenLabs رو قدم‌به‌قدم، به فارسی، با کردیت واقعی هر تست می‌ریم؛ و تخفیف بلک‌فرایدی تا ۱ دسامبر.

برای ثبت‌نام لینک همکاری قرار دادیم؛ با ثبت‌نام از طریق این لینک شما حداکثر تخفیف ثبت‌نام رو می‌گیرید، و یه درصد کوچیکی هم به ما به‌عنوان کمیسیون می‌دن.

توی این آموزش کامل ElevenLabs، تبدیل متن به صدای فارسی با Eleven v4 و تگ‌های حس، شش مدل صدا روی یه متن فارسی و انگلیسی، زبان‌ها، کتابخونهٔ صداها، Voice Design، کلون صدا، Voice Changer، گفت‌وگوی دونفره، Studio، کتاب صوتی، افکت صوتی، موسیقی با شعر فارسی، عکس و ویدئو، لیپ‌سینک، Voice Isolator، تبدیل صدا به متن و دوبله رو با هم می‌ریم؛ بعد سه پروژهٔ واقعی می‌سازیم و حساب کردیت هر پلن، استفادهٔ تجاری و درآمد یوتیوب رو می‌گیم. همهٔ تست‌ها روی حساب خودمون؛ روی هم ۳۷٬۹۶۷ کردیت.

قیمت‌ها و بلک‌فرایدی، تا ۱۶ نوامبر ۲۰۲۶ که ما بررسی کردیم: رایگان ۱۰ هزار کردیت در ماه؛ Starter ماهی ۶ دلار، ۳۰ هزار؛ Creator ماهی ۲۲ دلار، ۱۲۱ هزار؛ Pro ماهی ۹۹ دلار، ۶۰۰ هزار. بلک‌فرایدی تا ۱ دسامبر، روی سالانهٔ Creator و Pro: Creator سال اول ماهی ۸٫۲۵ دلار (کل سال ۹۹ دلار)، Pro سال اول ماهی ۳۷٫۱۳ دلار. قیمت‌ها عوض می‌شن؛ صفحهٔ قیمت‌ها پایینه.

قسمت ۱ از مجموعهٔ سه‌قسمتی ElevenLabs، توی پلی‌لیست «معرفی ابزار»: https://www.youtube.com/playlist?list=PLaH_vHHInYwE

ثبت‌نام (لینک همکاری): https://try.elevenlabs.io/mrmpصفحهٔ قیمت‌ها: https://elevenlabs.io/pricing

اگه ElevenLabs رو بگیرین، اولین محتوایی که باهاش می‌سازین چیه؟ توی کامنت‌ها بنویسین.

Mr MP | هوش مصنوعی و کسب‌وکارhttps://mrmp.pro

ElevenLabs, ElevenCreative and product names are trademarks of their owners. Affiliate link; not sponsored. Our tests: our own paid account, Nov 2026.

#ElevenLabs #هوش_مصنوعی #تبدیل_متن_به_صدا

متن کامل ویدیو

نمایش

فکر می‌کنین ElevenLabs واقعا به کارتون میاد؟ بیاین با همدیگه ببینیم. [مونتاژ: نمونه‌ها] همهٔ چیزهایی که الان دیدین و شنیدین، توی یه پنل ساخته شدن: ElevenCreative، از ElevenLabs. صدا، گفت‌وگوی دونفره، موسیقی با شعر فارسی، عکس، یه کلیپ کوتاه، و یه چهره که با صدای فارسی حرف می‌زنه. این قسمت اول از یه مجموعهٔ سه‌قسمتی دربارهٔ ElevenLabs هست. توی این قسمت، کل پنل ElevenCreative رو قدم‌به‌قدم با همدیگه می‌ریم. از اولین متن به صدا، تا شیش مدل صدا روی یه متن فارسی و یه متن انگلیسی.

زبان‌ها، صداها، Studio، افکت و موسیقی، عکس و ویدئو، و ابزار‌های (Tool) کمکی. بعد با همین‌ها، سه تا پروژهٔ واقعی می‌سازیم. همهٔ تست‌ها (Test) رو خودمون، روی حساب خودمون انجام دادیم؛ و برای هر تست، دقیقا می‌گیم چند کردیت (Credit) خرج شد. آخرش هم حساب کردیت هر پلن، استفادهٔ تجاری، و تخفیف‌های بلک‌فرایدی، که تا اول دسامبر هست. یه چیز عجیب هم موقع تست دیدیم، که وقتی به دوبله رسیدیم، بهتون می‌گیم. برای ثبت‌نام لینک همکاری قرار دادیم؛ با ثبت‌نام از طریق این لینک شما حداکثر تخفیف ثبت‌نام رو می‌گیرید، و یه درصد کوچیکی هم به ما به‌عنوان کمیسیون می‌دن.

لینکش توی توضیحات ویدئو و کامنت پین‌شده هست. فصل‌های ویدئو هم توی توضیحاته؛ اگه فقط یه بخش رو لازم دارین، مستقیم برین سراغش.

اول ببینیم ElevenLabs اصلا چیه. کار اصلیش، ساختن صدا از روی متنه. متن رو می‌نویسین، یه صدا انتخاب می‌کنین، و یه فایل صوتی تحویل می‌گیرین. ولی الان خیلی بیشتر از این شده. ElevenLabs سه تا بخش اصلی داره. ElevenCreative، برای ساختن محتوا؛ همون که توی این قسمت آموزش می‌دیم. ElevenAgents، برای ساختن دستیار صوتی، مثلا یه دستیار تلفنی برای یه کسب‌وکار؛ که قسمت دوم سراغش می‌ریم. و ElevenAPI، برای برنامه‌نویس‌ها؛ قسمت سوم. توی نوار کنار پنل، یه جا هست که بین این سه تا جابه‌جا می‌شین.

ما روی ElevenCreative هستیم. بیاین با همدیگه یه دور (Turn) توی نوار کنار بزنیم، از بالا به پایین. Voices، کتابخونهٔ صداهاست؛ صداهای آمادهٔ خود سایت، و صداهایی که خودتون می‌سازین. Studio، برای کارهای بلندتر، مثل یه ویدئوی آموزشی یا یه کتاب صوتی. Flows، یه بوم باز، که ابزار‌ها رو مثل تیکه‌های پازل به هم وصل می‌کنه؛ Flows رو جدا، توی قسمت سوم، کامل نشون می‌دیم. Templates، قالب‌های آماده‌ست. و Assets، فایل‌هایی که آپلود کردین یا ساختین. زیر این‌ها، ابزار‌های اصلی هستن، که به ترتیب سراغشون می‌ریم.

Text to Speech، یعنی متن به صدا. Voice Creation، برای ساختن صدای تازه. Sound Effects، افکت صوتی. Image & Video، عکس و ویدئو. Voice Isolator، تمیز کردن صدا. Voice Changer، عوض کردن صدای یه ضبط. Music، موسیقی. گفتار به متن (Speech to text)، صدا به متن. Dubbing، دوبله. و Audiobooks، کتاب صوتی. زیر More tools هم سه تا ابزار دیگه هست: Audio Native، Productions و Ads Engine. این سه تا رو توی این ویدئو تست نکردیم. و آخر نوار، Developers، برای کلید ای‌پی‌آی (API: راه وصل شدن برنامه‌ها)، و دیدن کردیت‌هایی که خرج کردین.

حالا مهم‌ترین چیزی که باید از اول بدونین: کردیت. همهٔ ابزار‌های ElevenCreative از یه جا خرج می‌کنن. هر پلن، هر ماه یه مقدار کردیت می‌ده، و هر بار که چیزی می‌سازین، ازش کم می‌شه. کردیت با ساختن کم می‌شه، نه با دانلود. و یه خبر خوب: تقریبا همه‌جای پنل، قیمت رو قبل از ساختن نشون می‌ده؛ کنار دکمه، یا روی خود دکمه. ما توی همهٔ تست‌ها، اول همین عدد رو نگاه کردیم، بعد دکمه رو زدیم. شما هم همین کار رو بکنین؛ توی این ویدئو چند بار می‌بینین که چرا. تست‌های این ویدئو رو روی یه پلن پولی انجام دادیم؛ هر جا چیزی فقط برای یه پلن خاص بود، می‌گیم.

توی صفحهٔ Text to Speech، زیر جعبهٔ متن، شمارندهٔ کردیت هست. فقط یادتون باشه، توی تست‌های ما، این عدد بین ده تا چهل ثانیه بعد از ساختن به‌روز می‌شد؛ پس اگه بلافاصله تکون نخورد، نگران نشین. به درد چه کسایی می‌خوره؟ کسی که برای ویدئو، پادکست یا تبلیغ، صدا و موسیقی و عکس لازم داره. کسب‌وکاری که می‌خواد برای اینستاگرام و سایتش محتوا بسازه. و کسی که می‌خواد محتواش رو به زبون‌های دیگه هم برسونه. و به درد چه کسایی نمی‌خوره؟ رک می‌گیم. اگه کارت بانکی بین‌المللی ندارین: پرداختش با کارت اعتباری، Apple Pay یا Google Pay هست.

و اگه فقط هر از گاهی یه صدای کوتاه لازم دارین، شاید پلن رایگان کافی باشه؛ ولی جلوتر می‌گیم که پلن رایگان، برای کار تجاری، چه شرطی داره. خب، بریم سراغ اولین ابزار، و پرکاربردترینش: Text to Speech. از نوار کنار، Text to Speech رو بزنین. وسط صفحه یه جعبهٔ متن هست؛ متنتون رو اینجا تایپ کنین، یا paste کنین. سقف متن به مدل بستگی داره: روی Eleven v4، تا ده هزار نویسه؛ و روی مدل‌های قدیمی‌تر، پنج هزار. بعد، صدا. روی اسم صدا بزنین، و از تب Explore، صداهای کتابخونه رو ببینین.

ما برای فارسی، دو تا صدای کتابخونه رو برداشتیم: Connery، یه صدای مردونه برای گویندگی؛ و سارا، یه صدای زنونه. هر دو رو جلوتر، توی بخش صداها، دقیق‌تر نشون می‌دیم. بعد، مدل. روی اسم مدل بزنین، تا لیست مدل‌ها باز بشه. برای فارسی، Eleven v4 رو انتخاب کنین. فصل بعد، همهٔ مدل‌ها رو با هم مقایسه می‌کنیم؛ فعلا با v4 جلو می‌ریم. حالا تنظیم‌ها. روی v4 فقط دو تا تنظیم هست: Stability و Similarity. Stability یعنی صدا از یه بار ساختن تا بار بعد، چقدر ثابت بمونه.

هر چی کمترش کنین، صدا آزادتر و پراحساس‌تر می‌شه؛ و هر چی بیشترش کنین، آروم‌تر و قابل پیش‌بینی‌تر. Similarity یعنی صدای ساخته‌شده، چقدر به صدای اصلی نزدیک بمونه. تنظیم سرعت روی v4 نیست؛ روی مدل‌های قدیمی‌تر هست. حالا یه تست واقعی. یه متن به Connery دادیم، با چند تا تگ. تگ یعنی یه کلمهٔ انگلیسی توی کروشه، که به مدل می‌گه اون جمله رو با چه حسی بگه. مثلا excited، یعنی با هیجان. laughs، یعنی بخنده. whispers، یعنی آروم، مثل در گوشی. و sad، یعنی غمگین. روی جنریت (Generate: براتون می‌سازه) زدیم.

ببینین: با یه کلیک، دو تا نسخه ساخت، ولی فقط یه بار کردیت گرفت: دویست و شصت و هشت کردیت، دقیقا به اندازهٔ نویسه‌های متن. یعنی روی v4، هر نویسه یه کردیت. گوش بدین. [نمونهٔ تست: Connery · Eleven v4 · با تگ] هر کدوم از این دو نسخه، دکمهٔ دانلود خودش رو داره؛ هر کدوم رو بیشتر پسندیدین، همون رو بردارین. حالا یه تست مهم، که خیلی‌ها نمی‌دونن. همون متن رو، بی هیچ تغییری، دوباره ساختیم. اسم دکمه عوض شد، و شد Regenerate speech. زدیم، و شمارندهٔ کردیت تکون نخورد.

یعنی ساختن دوباره با همون متن، مجانی بود. [نمونهٔ تست: Regenerate speech · همون متن] مستندات خود ElevenLabs نوشته این ساختن دوبارهٔ مجانی، تا دو بار هست، اونم با همون متن و همون تنظیم. توی تست ما، حتی وقتی Stability رو عوض کردیم، باز مجانی بود؛ همین الان نشونتون می‌دیم. ولی روش حساب نکنین. قبل از هر کلیک، اسم دکمه رو نگاه کنین. متن بعدی رو به سارا دادیم؛ یه بار با Stability بیست، و یه بار با نود. اولی، صد و پنجاه و هفت کردیت شد. دومی، چون متن همون بود، دکمه باز Regenerate speech بود، و کردیتی نگرفت.

گوش بدین و فرقشون رو ببینین. اول، بیست. [نمونهٔ تست: سارا · Stability ۲۰] و حالا، نود. [نمونهٔ تست: سارا · Stability ۹۰] یه جای دیگه که فارسی معمولا گیر می‌کنه: عدد، ساعت، تاریخ و ایمیل. یه متن نوشتیم با شمارهٔ سفارش، ساعت، تاریخ، مبلغ و یه ایمیل؛ یه بار با رقم، و یه بار همه‌ش با حروف. اولی صد و بیست نویسه بود، و دومی صد و نود و هفت؛ پس نوشتن با حروف، کردیت بیشتری می‌خواد. خودتون گوش بدین، و ببینین کدوم درست‌تر خوند. اول، با رقم. [نمونهٔ تست: عدد، ساعت، تاریخ · با رقم] و حالا، با حروف.

[نمونهٔ تست: همون متن · با حروف] اگه یه کلمه رو بد تلفظ کرد، چی؟ مستندات v4 می‌گه می‌شه تلفظ رو با IPA نوشت، یعنی الفبای آوایی بین‌المللی، بین دو تا اسلش. ما اسم یه سس انگلیسی رو، که تلفظش سخته، یه بار ساده نوشتیم، و یه بار با IPA. هر کدوم، حدود هفتاد کردیت شد. گوش بدین. [نمونهٔ تست: اسم سس · ساده، بعد با IPA] و اگه یه کلمه با هیچ روشی درست نشد، کل متن رو دوباره نسازین؛ فقط همون جمله رو بسازین، و جاش بذارین. این‌طوری کردیت‌تون هدر نمی‌ره. یه چیز جالب دیگه هم توی همین صفحه هست: افکت صدا.

توی تنظیم‌ها، قبل از جنریت، یه بخش Audio effects هست. مثلا Filter رو روی Phone بذارین، صدا مثل پشت تلفن می‌شه؛ و Noise رو روی Café، یه شلوغی کافه زیرش میاد. این متن هشتاد نویسه‌ای، با افکت، هشتاد کردیت شد؛ یعنی افکت، کردیت اضافه نخواست. [نمونهٔ تست: افکت Phone + Cafe] ولی یه تله هم داره، که ما خودمون توش افتادیم. این افکت‌ها روی پنل می‌مونن، تا خودتون برشون دارین. ما بعد از این تست، رفتیم سراغ مقایسهٔ مدل‌ها، و یادمون رفت افکت‌ها رو برداریم. نتیجه؟ شیش تا مدل، همه با صدای تلفن و شلوغی کافه؛ و هزار و چهارصد و بیست و هشت کردیت، هدر رفت.

پس بعد از هر افکت، Remove Filter و Remove Noise رو بزنین. و آخرش، دانلود. روی مدل‌های جدیدتر، هر نسخه دکمهٔ دانلود خودش رو داره؛ و روی مدل‌های قدیمی‌تر، یه دکمهٔ Download latest، برای آخرین نسخه. حالا بریم سراغ سؤالی که خیلی‌ها می‌پرسن: کدوم مدل؟ لیست مدل‌ها رو باز کنیم. تا شونزده نوامبر دو هزار و بیست و شیش، که ما بررسی کردیم، این‌ها توش بود: Eleven v4، v4 Turbo، v3، Multilingual v2، Flash v2.5، Turbo v2.5، و دو تا مدل قدیمی‌تر دیگه. طبق مستندات خودشون، v4 از بیست و هشت سپتامبر اومده، نود و یک زبان رو پشتیبانی می‌کنه، و فارسی هم جزوشه. v4 Turbo هم فارسی داره.

v3، بیشتر از هفتاد زبان، با فارسی. ولی سه تای بعدی، یعنی Multilingual v2، فلش و Turbo، طبق همین مستندات، فارسی رو پشتیبانی نمی‌کنن. برای اینکه ببینیم این یعنی چی، یه متن فارسی رو به Connery دادیم، روی هر شیش مدل، با تنظیم‌های یکسان. اولش رو دیدین: افکت‌ها جا مونده بودن. برشون داشتیم و دوباره ساختیم؛ و چون متن همون بود، اجرای دوم مجانی شد. حالا گوش بدین. از هر مدل، فقط جملهٔ اول رو می‌شنوین. اول، v4. [نمونهٔ تست: Eleven v4] v4 Turbo. [نمونهٔ تست: v4 Turbo] v3.

[نمونهٔ تست: v3] Multilingual v2. [نمونهٔ تست: Multilingual v2] فلش. [نمونهٔ تست: Flash v2.5] و Turbo. [نمونهٔ تست: Turbo v2.5] روی فلش و Turbo، خود پنل کنار متن یه هشدار نشون داد: نوشت فارسی روی این مدل پشتیبانی نمی‌شه، و پیشنهاد داد v4 رو بزنیم. یه چیز دیگه هم اندازه گرفتیم: طول فایل. همین متن فارسی، روی v4، v4 Turbo، v3 و حتی Multilingual v2، بین بیست تا بیست و یک ثانیه شد. ولی روی فلش و Turbo، بیست و شیش و بیست و هفت ثانیه و نیم. یعنی همون متن، شیش هفت ثانیه طولانی‌تر خونده شد. و قیمت.

توی پنل، همهٔ این شیش مدل، برای هر نویسه یه کردیت گرفتن؛ حتی فلش و Turbo، که شاید جایی شنیده باشین نصف‌قیمتن. اون نصف‌قیمت، طبق مستنداتشون، برای ای‌پی‌آی هست؛ توی پنل ما، قیمت کامل گرفتن. فرق دیگه‌شون، تنظیم‌هاست. روی v4، فقط Stability و Similarity. روی v3، فقط Stability. و روی سه تای قدیمی‌تر، Speed هم هست. یه فرق دیگه: v4، v4 Turbo و v3، با هر کلیک دو نسخه می‌دن؛ ولی سه تای قدیمی‌تر، یه نسخه. حالا انگلیسی. همون متن رو به انگلیسی ترجمه کردیم، و به یه صدای انگلیسی کتابخونه، به اسم Peter، دادیم؛ روی همون شیش مدل.

اینجا همه‌شون زبان رو بلدن، پس مقایسه، مقایسهٔ کیفیته. هر مدل، دویست و شصت و هشت کردیت شد. باز از هر کدوم، جملهٔ اول. v4. [نمونهٔ تست: Eleven v4 · انگلیسی] v4 Turbo. [نمونهٔ تست: v4 Turbo · انگلیسی] v3. [نمونهٔ تست: v3 · انگلیسی] Multilingual v2. [نمونهٔ تست: Multilingual v2 · انگلیسی] فلش. [نمونهٔ تست: Flash v2.5 · انگلیسی] و Turbo. [نمونهٔ تست: Turbo v2.5 · انگلیسی] قضاوت کیفیت با خودتون. ولی نتیجهٔ ما ساده‌ست: برای فارسی، v4؛ و اگه v4 Turbo یا v3 رو لازم داشتین، اون‌ها هم فارسی بلدن.

برای انگلیسی، دستتون بازتره. حالا زبان‌ها. اگه برای فارسی‌زبون‌ها، یا برای مخاطب‌های زبون‌های دیگه هم محتوا می‌سازین، این بخش مهمه. هر ابزار ElevenCreative، فهرست زبان خودش رو داره. مثلا طبق مستنداتشون، تبدیل صدا به متن، بیشتر از نود زبان رو بلده، و فارسی توی ردهٔ دقت بالاشه. دوبله هم بیشتر از نود زبان، با فارسی. ولی Voice Changer، فهرستش بیست و نه زبانه، و فارسی توش نیست. جدولش رو روی صفحه می‌بینین. حالا یه تست جالب: یه صدای فارسی، شیش زبان. Connery رو برداشتیم، که یه صدای فارسیه، و یه جمله بهش دادیم، به انگلیسی، ترکی، عربی، آلمانی، فرانسوی و اسپانیایی؛ همه روی v4.

مستندات v4 می‌گه وقتی زبان رو عوض می‌کنین، مدل به‌جای اینکه با لهجهٔ صدای اصلی حرف بزنه، روان به زبان مقصد حرف می‌زنه. گوش بدین، و ببینین درسته یا نه. [نمونهٔ تست: Connery · شش زبان] این شیش زبان، روی هم، ششصد و سی و هفت کردیت شد. برعکسش رو هم تست کردیم: Peter، که یه صدای انگلیسیه، همون جمله رو به فارسی خوند. نود و چهار کردیت. [نمونهٔ تست: Peter · جملهٔ فارسی] و یه تست دیگه، برای فارسی‌زبون‌های افغانستان: کتابخونه یه صدای فارسی دری هم داره، به اسم امید.

همون جملهٔ فارسی رو، یه بار Connery گفت، و یه بار امید. هر کدوم، نود و چهار کردیت. اول Connery. [نمونهٔ تست: Connery · فارسی] و حالا امید. [نمونهٔ تست: امید · فارسی دری] نکتهٔ آخر زبان‌ها: موسیقی. مستنداتشون برای آواز، انگلیسی، اسپانیایی، آلمانی و ژاپنی رو اسم برده، و نوشته «و بیشتر». فارسی اسم برده نشده. ما یه جینگل با شعر فارسی ساختیم، که توی بخش موسیقی، خودتون می‌شنوین. بریم سراغ صداها. سه تا راه دارین: صدای آماده از کتابخونه؛ طراحی یه صدای تازه از روی توضیح؛ و ساختن نسخه‌ای از صدای خودتون.

یه ابزار چهارم هم هست، برای عوض کردن صدای یه ضبط آماده. اول، کتابخونه. از نوار کنار، Voices رو بزنین، و برین توی تب Explore. اینجا فیلتر زبان هست؛ ما روی فارسی گذاشتیم. تا شونزده نوامبر، بیست و پنج تا صدای فارسی بود. روی هر صدا بزنین، پیش‌نمایشش پخش می‌شه. سارا و Connery، دو تا از همین‌ها هستن. [نمونهٔ تست: سارا و Connery] یه نکتهٔ قیمت هم اینجا هست: بعضی صداهای کتابخونه برچسب گرون‌تر دارن، یعنی برای هر نویسه کردیت بیشتری می‌گیرن. ما همهٔ این بیست و پنج صدای فارسی رو نگاه کردیم: همه standard بودن، و هیچ‌کدوم گرون‌تر نبود.

دوم، Voice Design: یه صدای تازه، از روی توضیح. از نوار کنار، Voice Creation رو بزنین، و Voice Design رو انتخاب کنین. توی جعبهٔ اول، صدایی که می‌خواین رو توصیف می‌کنین. ما به انگلیسی نوشتیم: یه خانم حدودا سی‌ساله، فارسی‌زبان، با صدای گرم و دوستانهٔ مجری پادکست، با تلفظ واضح، و ضبط تمیز استودیویی. برای متن پیش‌نمایش، گزینهٔ Generate Preview Text رو خاموش کردیم، و یه متن فارسی صد و هشتاد و هشت نویسه‌ای، از خودمون، گذاشتیم. قبل از ساختن، روی خود دکمه نوشته بود صد و هشتاد و هشت؛ یعنی قیمتش، به اندازهٔ همین متن پیش‌نمایشه.

با یه کلیک، سه تا صدای مختلف ساخت. گوششون دادیم، و اولی رو ذخیره کردیم، به اسم podcast host؛ خودش زبانش رو روی فارسی گذاشت. بعد با دکمهٔ Generate speech، رفتیم توی Text to Speech، و یه جمله دربارهٔ کافه رو با این صدای تازه ساختیم: نود و چهار کردیت. [نمونهٔ تست: Podcast Host · صدای طراحی‌شده] کل این طراحی، دویست و هشتاد و دو کردیت شد. سوم، ساختن نسخه‌ای از صدای خودتون. اینجا دو تا راه هست. توی این ویدئو، فقط صفحه‌هاش رو نشون می‌دیم، و هیچ فایلی آپلود نکردیم.

راه اول، Instant Voice Cloning. یه فایل آپلود می‌کنین، یا همون‌جا ضبط می‌کنین. صفحه‌ش می‌گه حداقل ده ثانیه صدا لازمه، و هر فایل تا ده مگابایت. طبق صفحهٔ قیمت‌ها، این از پلن Starter شروع می‌شه. راه دوم، Professional Voice Cloning. خیلی بیشتر صدا می‌خواد: صفحه‌ش نوشته حداقل سی دقیقه، تا دو ساعت. یه مرحلهٔ تأیید زنده هم داره، تا معلوم بشه صدا واقعا صدای خود شماست. این از پلن Creator شروع می‌شه. و یه قانون مهم: Professional Voice Cloning فقط برای صدای خود آدمه؛ صدای کس دیگه رو این‌طوری نمی‌شه ساخت.

چهارم، Voice Changer. صدای یه ضبط آماده رو، به یه صدای دیگه عوض می‌کنه؛ حرف‌ها همون می‌مونه، فقط صدا عوض می‌شه. تنظیم‌هاش اینجاست: Stability، Similarity، Style Exaggeration، Speaker boost، و حذف نویز پس‌زمینه. مدل پیش‌فرضش Eleven English v2 هست؛ برای فارسی، ما Multilingual v2 رو زدیم. ولی دقت کنین: طبق مستنداتش، فهرست زبان‌هاش بیست و نه زبانه، و فارسی توش نیست. ما با این حال تستش کردیم. یه ضبط سی‌ثانیه‌ای فارسی رو، از تست‌های قبلی‌مون، به صدای میترا عوض کردیم، روی Multilingual v2: چهارصد و هشتاد و پنج کردیت.

و یه ضبط شونزده‌ثانیه‌ای انگلیسی رو، به صدای Hope: دویست و شصت و پنج کردیت. یعنی هر دقیقه، حدود هزار کردیت. [نمونهٔ تست: Voice Changer] خودتون گوش بدین. اگه فارسیش به دلتون نشست، به کارتون میاد؛ اگه نه، حداقل می‌دونین چرا: فارسی توی فهرست رسمیش نیست. حالا یه کار جذاب: گفت‌وگوی دونفره، مثل یه پادکست. همون Text to Speech رو باز کنین. یه دکمهٔ Add speaker هست؛ با هر بار زدنش، یه بلوک تازه اضافه می‌شه، که صدای خودش رو داره. ما هفت تا بلوک ساختیم: سارا سؤال می‌پرسه، Connery جواب می‌ده، و همین‌طور به نوبت.

توی متن هم تگ گذاشتیم، که حس هر جمله رو بگه. curious برای کنجکاوی، warmly برای گرمی، interrupting برای وقتی سارا وسط حرف می‌پره، laughs برای خنده، و excited برای هیجان آخرش. با یه کلیک، دو تا نسخه ساخت، هر کدوم حدود چهل و هفت ثانیه: پونصد و بیست و شیش کردیت. این، پادکست پروژهٔ دوممون هم می‌شه. گوش بدین. [نمونهٔ تست: گفت‌وگوی دونفره] حالا Studio، برای کارهای بلندتر. Studio یه ویرایشگره که متنتون رو پاراگراف به پاراگراف نگه می‌داره؛ هر پاراگراف رو جدا می‌سازین، و جدا درست می‌کنین.

بیاین با همدیگه یه پروژه بسازیم. Studio رو بزنین، و یه پروژهٔ صوتی خالی بسازین. اولین چیزی که باید چک کنین: مدل. مستندات Studio نوشته مدل پیش‌فرض پروژهٔ تازه، Multilingual v2 هست، که فارسی بلد نیست. ولی توی پنل ما، کارت مدل از اول نوشته بود Eleven v4، project default. یعنی پنل از مستنداتش جلوتره. با این حال، قبل از هر چیز، این کارت رو نگاه کنین. بعد، متن رو paste کنین. ما متن ویدئوی آموزشی پروژهٔ اول رو گذاشتیم، که پنج تا پاراگراف شد. بعد، صدا. از دکمهٔ صدا، رفتیم توی کتابخونه، Connery رو پیدا کردیم، و روی همهٔ پاراگراف‌ها گذاشتیم.

حالا یه کار خیلی به‌دردبخور: دیکشنری تلفظ. اگه مدل یه کلمه رو همیشه بد می‌خونه، یه قانون براش می‌ذارین، تا توی کل پروژه درست خونده بشه. ما برای کلمهٔ کامنت‌ها یه قانون گذاشتیم؛ و پنل، خودش یه دیکشنری برای این پروژه ساخت. بعد، جنریت. همهٔ پاراگراف‌ها ساخته شدن. ما پاراگراف دوم رو انتخاب کردیم، و فقط همون رو دوباره ساختیم. این همون کاریه که بالاتر گفتیم: اگه یه تیکه بد شد، فقط همون تیکه. آخرش، Export. یه نکتهٔ مهم: پنجرهٔ Export، قبلش نوشت برای پاراگراف‌هایی که هنوز ساخته نشدن، نود کردیت می‌گیره.

یعنی Export، هر چیزی که هنوز ساخته نشده رو می‌سازه، و قیمتش رو قبلش می‌گه. خروجی، یه فایل چهل و هفت ثانیه‌ای شد؛ کل این پروژه، پونصد و هفت کردیت. [نمونهٔ تست: Studio · Connery · Eleven v4] Studio یه دکمهٔ Ask AI هم داره. شاید فکر کنین یه دستیاره که پروژه رو براتون می‌سازه؛ ولی توی تست ما، یه چت پشتیبانی باز کرد، به اسم Support Agent، با سهمیهٔ روزانه. توی صفحهٔ اول Studio هم یه جعبه هست که می‌پرسه چی می‌خواین بسازین؛ اون مستقیم پروژه می‌سازه. ما فقط توش تایپ کردیم و پاک کردیم، و نفرستادیم.

آخر، Audiobooks، برای کتاب صوتی. از نوار کنار، Audiobooks رو بزنین، و یه کتاب تازه بسازین. فایل و کتاب رو آپلود می‌کنین، با یکی از فرمت‌هایی که روی صفحه می‌بینین، یا یه لینک می‌دین. یه صدای پیش‌فرض انتخاب می‌کنین. یه گزینه هم هست به اسم Auto-assign voices، که به هر شخصیت کتاب، خودش یه صدا می‌ده؛ کنارش نوشته Alpha، یعنی هنوز آزمایشیه. بعد هم می‌شه کتاب رو توی ElevenReader منتشر کرد، که اپلیکیشن خودشونه؛ یا چند تا کتاب رو یه مجموعه کرد. ما اینجا چیزی نساختیم؛ فقط صفحه‌هاش رو نشون دادیم.

بریم سراغ صدا، ولی این بار نه حرف: افکت و موسیقی. Sound Effects رو از نوار کنار باز کنین. توی جعبه، صدایی که می‌خواین رو توصیف می‌کنین. ما نوشتیم: یه whoosh سریع، و بعدش یه ضربهٔ بیس عمیق، برای شروع یه ویدئو. حالا تنظیم‌ها، که مهم‌ترین بخشه. Duration، یعنی طول صدا، روی auto هست؛ خاموشش کردیم، و با اسلایدر، دقیقا روی دو ثانیه گذاشتیم. این اسلایدر، از چهار دهم ثانیه تا سی ثانیه می‌ره. Prompt influence، یعنی چقدر دقیق از توضیح شما پیروی کنه؛ روی سی درصد موند.

قبل از ساختن، پنل نوشت بیست و هشت کردیت. با یه کلیک، چهار تا نسخه ساخت، هر کدوم دقیقا دو ثانیه؛ و بیست و هفت کردیت کم شد. [نمونهٔ تست: افکت whoosh] یه افکت دیگه هم ساختیم: صدای شلوغی یه کافه، ده ثانیه، با Loop روشن؛ یعنی طوری ساخته می‌شه که بشه پشت سر هم تکرارش کرد، برای پس‌زمینه. باز چهار نسخه، هر کدوم دقیقا ده ثانیه: صد و سی و سه کردیت. [نمونهٔ تست: افکت شلوغی کافه] پس قیمت افکت، به طولش بستگی داره، نه به متنش. و یه نکته: روی همین صفحه نوشته افکت‌هایی که می‌سازین، ممکنه توی بخش Explore برای بقیه گذاشته بشه، که دانلودش کنن؛ کنارش یه دکمهٔ Disable هست.

اگه نمی‌خواین، خاموشش کنین. حالا موسیقی. Music رو باز کنین. اینجا سبک آهنگ رو توصیف می‌کنین. ما یه جینگل سی‌ثانیه‌ای برای کافه خواستیم: پاپ آکوستیک، شاد، با صدای خوانندهٔ زن، به فارسی. برای شعر، گزینهٔ Lyrics رو روی کاستوم (Custom: سفارشی) گذاشتیم، و چهار خط شعر فارسی خودمون رو نوشتیم. و حالا مهم‌ترین نکتهٔ قیمت موسیقی. پیش‌فرض پنل، دو نسخه‌ست؛ نوشته نهصد کردیت در دقیقه، ضربدر دو. ما تعداد نسخه رو روی یک گذاشتیم، و قیمت شد چهارصد و پنجاه کردیت، برای سی ثانیه.

اگه این رو ندونین، هر بار دو برابر خرج می‌کنین. اسم آهنگ رو هم خودش گذاشت: صبح قشنگ. گوش بدین. [موسیقی: صبح قشنگ] خودتون قضاوت کنین که شعر فارسی رو چطور خوند. یه موسیقی بی‌کلام هم ساختیم، یه دقیقه، برای زیر ویدئوی آموزشی؛ Lyrics رو روی Instrumental گذاشتیم. یه نسخه، نهصد کردیت. اسمش رو هم خودش گذاشت: Study Drift. [موسیقی: Study Drift] و یه امکان خیلی خوب: Edit Song. پنل، آهنگ رو به چند بخش تقسیم کرد؛ اینجا دو تا بخش: Hook یک، چهارده ثانیه، و Hook دو، شونزده ثانیه.

هر بخش، سبک و شعر خودش رو داره. ما فقط بخش دوم رو برای ساختن دوباره علامت زدیم، و یه تگ تازه بهش دادیم: پایان آروم، با محو شدن ملایم. فقط همون شونزده ثانیه دوباره ساخته شد، نه کل آهنگ: دویست و چهل کردیت. [موسیقی: Edit Song · پایان آرام] یه چیز دیگه هم دیدیم: وقتی یه بخش علامت خورده بود، جعبهٔ توضیح آزاد، دستور نمی‌گرفت؛ تغییر رو باید با تگ همون بخش بدین. و دانلود. اگه از داخل همین ویرایشگر دانلود کنین، دو تا گزینه‌ش کردیت می‌خواد: جدا کردن صدای خواننده و ساز، دویست و بیست و پنج کردیت؛ و جدا کردن همهٔ سازها، چهارصد و پنجاه.

فایل معمولی آهنگ، روی کارت خودش، توی صفحهٔ Generations، مجانی دانلود می‌شه. طبق مستنداتشون، موسیقی برای کار تجاری مجازه؛ شرط پلن رایگان رو، توی فصل استفادهٔ تجاری می‌گیم. حالا یه بخشی که خیلی‌ها نمی‌دونن ElevenLabs داره: عکس و ویدئو. Image & Video رو باز کنین. اول، Explore: نمونه‌هایی که بقیه با همین ابزار ساختن. روی هر کدوم بزنین، پرامپت و اسم مدلش رو می‌بینین؛ برای ایده گرفتن، خیلی خوبه. حالا ساختن عکس. یه جعبهٔ پرامپت هست، و کنارش انتخاب مدل. طبق لیستی که شونزده نوامبر گرفتیم، سی و سه تا مدل عکس توی این اکانت بود.

یه سؤال برای ما مهم بود: کدوم مدل، متن فارسی رو درست توی عکس می‌نویسه؟ یه پوستر کافه خواستیم، با یه تیتر فارسی: قهوهٔ تازه، هر روز. و یه خط انگلیسی کوچیک زیرش. نسبت چهار به پنج، و فقط یه عکس از هر مدل؛ روی چهار تا مدل. اول یه نکتهٔ قیمت: عددی که توی لیست مدل‌ها کنار هر مدل نوشته، قیمت واقعی نیست. قیمت واقعی، روی دکمهٔ کوچیک کنار جنریت هست؛ موس رو روش ببرین، می‌نویسه این ساختن چند کردیت می‌گیره. مثلا برای مدل اول، لیست بیست و هشت نوشته بود؛ ولی ساختنش حدود دویست و پنجاه و شیش کردیت شد.

حالا نتیجه‌ها؛ متن فارسی هر عکس رو، خودمون خوندیم. GPT Image 2.5 Sunburst، تیتر رو کاملا درست نوشت؛ حتی اون همزهٔ کوچیک روی قهوه رو. خط انگلیسی هم درست بود. حدود دویست و پنجاه و شیش کردیت. Seedream 5.5، نسبت چهار به پنج نداشت، و ما اشتباهی با شونزده به نه ساختیم. تیترش یه علامت اشتباه داشت و یه گیومهٔ اضافه، و تابلوی پشتش، حروف بی‌معنی. ولی ارزون‌ترین بود: حدود هفتاد و سه کردیت. FLUX 3، به‌جای همزه یه تنوین گذاشت؛ بقیه‌ش خوانا بود. حدود پونصد و هشتاد و دو کردیت؛ گرون‌ترین این چهار تا.

و Ideogram 4.5، همزه رو انداخت؛ و زیر فنجون، از خودش یه اسم و یه شهر برای کافه نوشت، که ما نخواسته بودیم. حدود سیصد و شصت و چهار کردیت. پس برای متن فارسی توی عکس، توی تست ما، GPT Image بهترین بود. ولی یادتون باشه، این نتیجهٔ یه بار ساختنه، با یه پرامپت. حالا ویرایش عکس. روی پوستر GPT Image، دکمهٔ Edit رو زدیم. پنل، خودش عکس رو به پرامپت وصل کرد، و مدل رو گذاشت روی GPT Image 2. نوشتیم: لیوان، میز و هر دو خط متن رو دقیقا نگه دار، و نور رو بکن یه عصر گرم، با چراغ‌های روشن.

نتیجه: نور عوض شد، و لیوان و میز و هر دو خط متن، دست‌نخورده موندن. حدود چهارصد و هشتاد و چهار کردیت. و بزرگ کردن عکس: با ابزار Topaz، همون پوستر رو دو برابر کردیم؛ از هشتصد و سی و دو در هزار و چهل، به هزار و ششصد و شصت و چهار در دو هزار و هشتاد. باز حدود چهارصد و هشتاد و چهار کردیت. طبق مستنداتش، تا چهار برابر هم می‌شه. اگه دربارهٔ Brand kit شنیدین، یعنی لوگو و رنگ‌های برندتون، که موقع ساختن عکس استفاده بشه: توی اکانت ما، تا شونزده نوامبر، پیداش نکردیم؛ پس دربارهٔ اون چیزی نمی‌گیم. حالا ویدئو.

همون Image & Video، ولی این بار ویدئو. اینجا لیست مدل‌های ویدئو هست. مدل پیش‌فرض رو عوض کردیم، و Seedance 2.0 Mini رو انتخاب کردیم. بار اول که ویدئو می‌سازین، یه پنجره میاد به اسم Prohibited Use Policy؛ یعنی قانون‌های استفادهٔ ممنوع. بخونینش؛ ما یه بار قبولش کردیم، و دیگه نیومد. تنظیم‌ها: شروع از همون پوستر کافه، عمودی نه به شونزده، کیفیت هفتصد و بیست پی، پنج ثانیه، و صدا خاموش. حالا قیمت. موس رو روی دکمهٔ کنار جنریت بردیم: چهار هزار و پونصد و هشتاد و دو کردیت، برای پنج ثانیه.

چند تا چیز رو عوض کردیم، تا ببینیم قیمت چطور تغییر می‌کنه. با شونزده به نه، با پوستر یا بی پوستر، با صدا یا بی صدا، قیمت همون موند. شیش ثانیه شد پنج هزار و چهارصد و نود و هشت. و با کیفیت چهارصد و هشتاد پی، دو هزار و صد و سی و چهار. پس اینجا، کیفیت و طول، قیمت رو تعیین می‌کنن. ساختیمش. خروجی، یه کلیپ پنج‌ثانیه‌ای عمودی شد، و تیتر فارسی پوستر، توی کلیپ هم خوانا موند. [ویدئوی نمونه: ۵ ثانیه، بی‌صدا] برای اینکه حس قیمتش دستتون بیاد: این پنج ثانیه، تقریبا به اندازهٔ شیش دقیقه و نیم صدای فارسی، کردیت خرج کرد.

و ویدئو روی پلن رایگان نیست؛ طبق مستنداتشون، پلن رایگان فقط عکس داره، اونم روزی سه بار. و آخرین بخش اینجا: لیپ‌سینک؛ یعنی یه چهره، با یه صدا حرف بزنه. اول یه چهرهٔ خیالی ساختیم: یه باریستا، با GPT Image؛ سیصد و سی و هشت کردیت. بعد، برای صداش، یه تبلیغ کوتاه برای کافه. سه تا مدل لیپ‌سینک رو، برای همین صدای دوازده‌ثانیه‌ای، قیمت گرفتیم. Creatify Aurora، ده هزار و صد و هشتاد و یک کردیت. Veed Fabric، چهارده هزار و پونصد و چهل و چهار. و HeyGen Avatar 4، هفت هزار و دویست و هفتاد و دو، که فقط کیفیت هزار و هشتاد پی داره.

ما ارزون‌ترینش رو ساختیم، یعنی HeyGen. تنظیمش: Talking style روی Stable. یه اشتباه هم کردیم، که شما نکنین. بار اول، صدای سارا رو، که یه صدای زنونه‌ست، روی چهرهٔ یه باریستای مرد گذاشتیم. ساخته شد، ولی به هم نمی‌خوردن. پس همون تبلیغ رو با Connery دوباره ساختیم، صد و چهل و چهار کردیت؛ و لیپ‌سینک رو هم دوباره. این بار هفت هزار و هشتصد و هفتاد و هشت کردیت، چون صدای Connery یه کم طولانی‌تر بود. درسش اینه: قبل از لیپ‌سینک، صدا و چهره رو با هم جور کنین؛ چون هر بار، چند هزار کردیته.

خروجی، یه ویدئوی مربع دوازده‌ثانیه‌ای شد، با صدا. خودتون ببینین لب‌ها با فارسی چطور جور دراومده. [نمونهٔ تست: لیپ‌سینک] حالا ابزار‌های کمکی؛ همون‌هایی که کمتر کسی نشونشون می‌ده، ولی خیلی به کار میان. اولی، Voice Isolator: صدای حرف زدن رو، از سروصدای پشتش جدا می‌کنه. یه ضبط هشت‌ثانیه‌ای بهش دادیم، که صدای یه گوینده، با شلوغی کافه قاطی شده بود. قبل از دکمه نوشت صد و سی و چهار کردیت؛ و صد و سی و سه کم شد. اول، قبل. [نمونهٔ تست: قبل · صدا با شلوغی کافه] و حالا، بعد.

[نمونهٔ تست: بعد · Voice Isolator] خروجیش رو می‌تونین با سه تا فرمت دانلود کنین. طبق مستنداتش، فایل تا یه ساعت هم قبول می‌کنه. اگه صدای خودتون رو یه جای شلوغ ضبط کردین، این ابزار برای همونه. دومی، گفتار به متن: صدا رو به متن برمی‌گردونه. همون پادکست دونفره رو بهش دادیم: چهل و شیش ثانیه. زبان رو روی Auto-detect گذاشتیم، و خودش فهمید فارسیه. توی تنظیم‌ها، Tag audio events روشن بود، که صداهایی مثل خنده رو هم بنویسه. Include subtitles رو روشن کردیم، برای زیرنویس.

و دو تا کلمهٔ کلیدی دادیم، ElevenLabs و اینستاگرام، تا اسم‌ها رو درست بنویسه. قبل از دکمه نوشت دویست و پنجاه و شیش کردیت؛ و کلمه‌های کلیدی، این عدد رو عوض نکردن. نتیجه: دو تا گوینده رو جدا کرد، گویندهٔ صفر و گویندهٔ یک؛ و خنده‌ها رو هم توی متن نوشت، به فارسی، توی کروشه. متن رو روی صفحه می‌بینین. خروجی هم داره، به چند تا فرمت: متن ساده، PDF، ورد، و زیرنویس SRT، که می‌تونین مستقیم توی ویرایشگر ویدئو یا یوتیوب بذارین. طبق مستنداتش، تا سی و دو گوینده رو هم جدا می‌کنه.

و سومی، دوبله. اینجا همون چیز عجیبیه، که اول ویدئو گفتیم. Dubbing رو باز کنین، و یه دوبلهٔ تازه بسازین. فایل رو آپلود کنین، و زبان مقصد رو انتخاب کنین. ما تبلیغ فارسی کافه رو، با صدای سارا، دادیم که به انگلیسی آمریکایی دوبله کنه. Speaker similarity، یعنی صدای دوبله چقدر شبیه صدای اصلی بمونه؛ روی پیش‌فرض، یعنی هفت، موند. قبل از دکمه، پنل نوشت دو هزار و ششصد و پنجاه و هفت کردیت؛ برای یه فایل حدود دوازده‌ثانیه‌ای. [نمونهٔ تست: دوبله، فارسی به انگلیسی] برعکسش رو هم ساختیم: یه تیکهٔ انگلیسی شونزده‌ثانیه‌ای، به فارسی.

اینجا یه تلهٔ کوچیک بود: زبان مقصد، اول روی انگلیسی و فارسی، با هم، انتخاب شده بود. انگلیسی رو برداشتیم، که فقط فارسی بمونه. قبل از دکمه نوشت سه هزار و پونصد و هشتاد و دو کردیت. [نمونهٔ تست: دوبله، انگلیسی به فارسی] حالا چیز عجیب. ما همین تیکهٔ شونزده‌ثانیه‌ای رو، قبلا، یازده نوامبر هم دوبله کرده بودیم. اون بار، زبان مقصد روی اسپانیایی مونده بود، و ما چکش نکرده بودیم؛ خروجی، اسپانیایی دراومد. اون بار هم، دقیقا سه هزار و پونصد و هشتاد و دو کردیت شد.

[نمونهٔ تست: دوبله، اسپانیایی] و عجیب‌تر، خود قیمت. صفحهٔ قیمت‌هاشون، دوبلهٔ خودکار رو حدود سه هزار کردیت در دقیقه نوشته. ولی توی هر دو تست ما، هر دقیقهٔ دوبله، حدود سیزده هزار و پونصد کردیت درمی‌اومد. یعنی این شونزده ثانیه، تقریبا به اندازهٔ پنج دقیقه صدای فارسی، کردیت خورد. ما نمی‌دونیم این فرق از کجاست. ولی یه چیز رو مطمئنیم: پنل، قیمت واقعی دوبله رو، درست قبل از دکمه نشون می‌ده؛ و توی هر دو تست ما، همون عددی کم شد که پنل نوشته بود. پس قبل از دوبله، دو تا چیز رو نگاه کنین: زبان مقصد، و همون عدد.

و یه نکتهٔ آخر: طبق راهنمای خودشون، دوبله، لب‌ها رو با صدای تازه جور نمی‌کنه؛ برای اون، همون لیپ‌سینک بخش عکس و ویدئو هست.

خب، حالا بیاین همه‌ش رو کنار هم بذاریم. با این می‌تونین تولید محتوا کنین؛ و ما این رو با عدد نشون می‌دیم، از همین تست‌ها. پروژهٔ اول: یه ویدئوی آموزشی کوتاه برای یوتیوب، دربارهٔ سه کار ساده، برای اینکه عکس محصولتون با گوشی حرفه‌ای‌تر بشه. اول، خود نتیجه. [پروژهٔ ۱: نتیجه] دستورش: صدای گوینده توی Studio، با Connery روی v4: پونصد و هفت کردیت. موسیقی بی‌کلام زیرش: نهصد کردیت. و یه whoosh برای شروعش: بیست و هفت کردیت. روی هم، هزار و چهارصد و سی و چهار کردیت.

زیرنویسش رو هم، اگه بخواین، همون‌طور که دیدین، با گفتار به متن می‌گیرین. پروژهٔ دوم: یه تیکه پادکست دونفره، با سارا و Connery، که با جینگل کافه شروع می‌شه؛ و متن پیاده‌شده‌ش رو هم، برای توضیحات پادکست داریم. [پروژهٔ ۲: نتیجه] دستورش: گفت‌وگو، پونصد و بیست و شیش کردیت. جینگل، چهارصد و پنجاه. و متن و زیرنویس، با گفتار به متن، دویست و پنجاه و شیش. روی هم، هزار و دویست و سی و دو کردیت. پروژهٔ سوم: یه تبلیغ عمودی دوزبانه، برای اینستاگرام یه کافهٔ خیالی؛ فارسی و انگلیسی.

[پروژهٔ ۳: نتیجه] دستورش: پوستر، دویست و پنجاه و شیش کردیت. کلیپ پنج‌ثانیه‌ای از روی پوستر، چهار هزار و پونصد و هشتاد و دو. صدای تبلیغ با سارا، صد و چهل و چهار. نسخهٔ انگلیسی با دوبله، دو هزار و ششصد و پنجاه و هفت. و صدای کافه زیرش، صد و سی و سه. روی هم، هفت هزار و هفتصد و هفتاد و دو کردیت؛ جینگلش هم همون جینگل پروژهٔ دومه. و نسخهٔ باریستا، با لیپ‌سینک: چهره، سیصد و سی و هشت کردیت؛ صدای Connery، صد و چهل و چهار؛ و لیپ‌سینک، هفت هزار و هشتصد و هفتاد و هشت.

روی هم، هشت هزار و سیصد و شصت. می‌بینین؟ صدا و موسیقی ارزونن؛ یه ویدئوی آموزشی کامل، کمتر از هزار و پونصد کردیت. چیزی که گرونه، ویدئو و لیپ‌سینک و دوبله‌ست. یه کلیپ پنج‌ثانیه‌ای، بیشتر از سه برابر کل پروژهٔ اول. این تیکه‌ها رو هم، توی تدوین خودمون کنار هم گذاشتیم؛ کنار هم گذاشتنشون، کردیتی نخواست. حالا حساب واقعی. این عددها رو، شونزده نوامبر دو هزار و بیست و شیش، از صفحهٔ قیمت‌ها برداشتیم. قیمت‌ها عوض می‌شن؛ برای همین، لینک صفحه رو هم توی توضیحات گذاشتیم.

پلن رایگان: صفر دلار، ده هزار کردیت در ماه. Starter: ماهی شیش دلار، سی هزار کردیت. Creator: ماهی بیست و دو دلار، صد و بیست و یک هزار کردیت. و Pro: ماهی نود و نه دلار، ششصد هزار کردیت. پلن‌های بزرگ‌تری هم هست، برای تیم‌ها و شرکت‌ها. این یعنی چند دقیقه صدا؟ خود سایت، هر هزار کردیت رو حدود یه دقیقه صدا حساب کرده. پس رایگان حدود ده دقیقه، Starter حدود سی، Creator حدود صد و بیست و یک، و Pro حدود ششصد دقیقه. توی تست‌های فارسی ما، هر دقیقه صدا حدود هفتصد کردیت شد؛ پس با فارسی، یه کم بیشتر هم درمیاد.

ولی این حساب، برای وقتیه که هر متن رو فقط یه بار بسازین. بقیهٔ ابزار‌ها چی؟ طبق جدول خود سایت: موسیقی، حدود نهصد کردیت برای هر دقیقه؛ که دیدین برای هر نسخه‌ست. تبدیل صدا به متن، حدود سیصد و سی کردیت در دقیقه. Voice Changer و Voice Isolator، حدود هزار کردیت در دقیقه. و دوبله، که سایت سه هزار در دقیقه نوشته، ولی توی تست ما، حدود سیزده هزار و پونصد شد. بقیهٔ عددهای ما، با جدول سایت جور بود. حالا قانون‌های کردیت، که بهتره از اول بدونین. کردیتی که خرج نکنین، تا دو ماه به ماه‌های بعد می‌ره، تا سقف سه برابر سهمیهٔ ماهانه؛ به شرطی که اشتراک رو لغو نکنین، و پلن پایین‌تر نگیرین.

روی پلن رایگان، این‌طوری نیست. و از Creator به بالا، اگه وسط ماه کم آوردین، می‌شه کردیت اضافه خرید، که تا دوازده ماه می‌مونه. حالا چیزهایی که خودمون توی همین تست‌ها یاد گرفتیم، که کردیت‌تون هدر نره. اول: قبل از هر دکمه، قیمتی که پنل نشون می‌ده رو نگاه کنین. توی همهٔ تست‌های ما، همون عددی کم شد که پنل قبلش نوشته بود، یا نهایتا یه کردیت این‌ورتر. دوم: تعداد نسخه رو بشناسین. Text to Speech روی v4، با هر کلیک دو نسخه می‌ده، و یه بار کردیت می‌گیره. افکت، چهار نسخه.

ولی موسیقی، پیش‌فرضش دو نسخه‌ست، و برای هر دوش کردیت می‌دین؛ قبل از ساختن، روی یک بذارینش. سوم: ساختن دوباره با همون متن، توی تست ما مجانی بود. پس متن رو بی‌دلیل عوض نکنین، و قبل از هر کلیک، اسم دکمه رو ببینین: Regenerate speech یعنی همون متن. چهارم: بعد از افکت صدا، برش دارین. ما سر همین، هزار و چهارصد و بیست و هشت کردیت هدر دادیم. پنجم: قبل از کارهای گرون، مثل دوبله و لیپ‌سینک، همه‌چیز رو یه بار دیگه چک کنین: زبان مقصد، صدای درست، و طول. ما سر هر دوش، یه بار درس گرفتیم.

و ششم: اول یه تیکهٔ کوتاه رو امتحان کنین؛ وقتی صدا رو پسندیدین، کل متن رو بسازین. و اگه یه جمله بد شد، فقط همون جمله رو دوباره بسازین. و مصرفتون رو کجا ببینین؟ از Developers، بخش Analytics، صفحهٔ یوسیج (Usage: میزان مصرف). اونجا نمودار کردیت‌هایی که خرج کردین هست. و ما برای کل تست‌های این قسمت، چقدر خرج کردیم؟ روی هم، سی و هفت هزار و نهصد و شصت و هفت کردیت؛ با همون هزار و چهارصد و بیست و هشت هدررفته. بیشترش، برای ویدئو و لیپ‌سینک و دوبله بود. دو تا لیپ‌سینک، روی هم پونزده هزار و صد و پنجاه.

دو تا دوبله، شیش هزار و دویست و سی و نه. و کلیپ ویدئو، چهار هزار و پونصد و هشتاد و دو. یعنی نزدیک هفتاد درصد کل خرج، فقط همین پنج تا ساختن بود. اگه حساب کنین، هر دقیقه صدا، با Starter حدود بیست سنت درمیاد، با Creator حدود هجده سنت، و با Pro حدود هفده سنت؛ همین عددها رو، خود صفحهٔ قیمت‌ها هم نوشته. و اگه سالانه بگیرین، دو ماهش مجانیه: Starter می‌شه ماهی پنج دلار، Creator ماهی هجده دلار و سی و سه سنت، و Pro ماهی هشتاد و دو دلار و نیم. این، جدا از تخفیف بلک‌فرایدیه، که آخر ویدئو می‌گیم.

حالا سؤالی که زیر بیشتر ویدئوهای فارسی دربارهٔ ElevenLabs، توی کامنت‌ها پرسیده شده: می‌شه باهاش کار تجاری کرد، یا توی یوتیوب درآمد داشت؟ جوابش دو بخش داره. اول، مجوز خود ElevenLabs. طبق راهنمای خودشون، تا شونزده نوامبر: پلن‌های پولی، از Starter به بالا، مجوز تجاری دارن. پلن رایگان، مجوز تجاری نداره؛ و اگه چیزی ازش منتشر کنین، باید اسم سایتشون رو توی عنوان بیارین؛ آدرسش رو روی صفحه می‌بینین. برای موسیقی هم، اسم Eleven Music. یه استثنا هم هست، حتی روی پلن پولی: هر بخشی که روی پنل برچسب Alpha یا آزمایشی داره، طبق قرارداد خودشون، برای کار تجاری نیست؛ مثل همون Auto-assign voices توی Audiobooks.

پس قبل از اینکه چیزی رو بفروشین، برچسب‌ها رو نگاه کنین. دوم، قانون یوتیوب. طبق صفحهٔ راهنمای خود یوتیوب، صدای هوش مصنوعی ممنوع نیست. چیزی که درآمد رو قطع می‌کنه، محتوای انبوه و تکراریه؛ ویدئوهایی که پشت سر هم، با یه قالب، و بدون حرف و نگاه خود سازنده، ساخته می‌شن. پس ابزار رو می‌تونین از ElevenLabs بگیرین؛ ولی حرف و نگاه، باید از خودتون باشه. و حالا، بلک‌فرایدی. این بخش تاریخ داره: تخفیف‌ها تا اول دسامبر دو هزار و بیست و شیش هست. اگه بعد از این تاریخ می‌بینین، حساب فصل قبل هنوز به کارتون میاد؛ ولی تخفیف‌های این بخش، دیگه نه.

این قیمت‌ها رو، شونزده نوامبر، روی صفحهٔ عمومی قیمت‌ها دیدیم. تخفیف اصلی، روی پلن‌های سالانهٔ Creator و Pro هست، با یه برچسب بلک‌فرایدی، که نوشته تا اول دسامبر. Creator سالانه، سال اول، ماهی هشت دلار و بیست و پنج سنت؛ یعنی کل سال اول، نود و نه دلار. بعد از سال اول، برمی‌گرده به ماهی هجده دلار و سی و سه سنت. یعنی سال اول، حدود پنجاه و پنج درصد ارزون‌تر. Pro سالانه، سال اول، ماهی سی و هفت دلار و سیزده سنت؛ و بعدش، ماهی هشتاد و دو دلار و نیم. این هم حدود پنجاه و پنج درصد.

Starter سالانه، برچسب بلک‌فرایدی نداشت؛ همون دو ماه مجانی همیشگی، یعنی ماهی پنج دلار. اگه نمی‌خواین یه سال رو یه‌جا بدین: روی ماهانه، ماه اول Starter یه دلار بود، بعدش شیش دلار؛ و ماه اول Creator یازده دلار، بعدش بیست و دو. این دو تا برچسب بلک‌فرایدی نداشتن؛ پس نمی‌دونیم تا چه زمانی هستن. حالا کدوم؟ Creator سالانه با این تخفیف، ماهی هشت دلار و بیست و پنج سنت درمیاد؛ یعنی فقط دو دلار و بیست و پنج سنت بیشتر از Starter ماهانه، با حدود چهار برابر کردیت، و Professional Voice Cloning هم داره.

Pro، برای وقتیه که هر ماه چند ساعت صدا لازم دارین، یا زیاد ویدئو و لیپ‌سینک می‌سازین؛ دیدین که یه لیپ‌سینک، حدود هفت هزار کردیته. و اگه هنوز مطمئن نیستین، اول با پلن رایگان صدا رو امتحان کنین؛ فقط یادتون باشه، تخفیف تا اول دسامبره. حالا خرید، قدم‌به‌قدم. از لینک توی توضیحات، برین به سایت ElevenLabs، و صفحهٔ Pricing رو باز کنین. بالای قیمت‌ها، بین Monthly و Yearly، Yearly رو بزنین. برچسب بلک‌فرایدی، روی Creator و Pro میاد. دکمهٔ زیر پلنی که می‌خواین رو بزنین؛ مثلا Choose Creator.

اگه حساب ندارین، اول ثبت‌نام می‌کنین؛ اگه حساب دارین، صفحهٔ اشتراک داخل پنل باز می‌شه. قبل از پرداخت، دو چیز رو نگاه کنین: اینکه سالانه باشه، و قیمت سال اول، همونی باشه که روی صفحهٔ قیمت‌ها دیدین. ما همین‌جا وایستادیم، چون خودمون پلن پولی داریم، و پرداختی نکردیم. جمع‌بندی کنیم، فقط از روی تست‌های خودمون. خوبی‌هاش: صدای فارسی با v4، تگ‌های حس، گفت‌وگوی دونفره، موسیقی، عکس، ویدئو، دوبله و تبدیل صدا به متن؛ همه توی یه پنل، با یه کردیت. قیمت تقریبا هر کار رو قبل از دکمه نشون می‌ده، و توی تست‌های ما، همون عدد کم شد.

ساختن دوباره با همون متن، مجانی بود. و یه ویدئوی آموزشی کامل، با صدا و موسیقی و افکت، کمتر از هزار و پونصد کردیت دراومد. بدی‌هاش: ویدئو، لیپ‌سینک و دوبله گرونن؛ یه دوبلهٔ شونزده‌ثانیه‌ای، به اندازهٔ چند دقیقه صدای فارسی. سه تا از مدل‌های صدا، و Voice Changer، فارسی رو رسمی پشتیبانی نمی‌کنن. روی v4، تنظیم سرعت نیست. قیمت واقعی ساختن عکس، جای پنهون‌تری نوشته شده. و بعضی بخش‌ها هنوز آزمایشی‌ان؛ برای کار تجاری، باید برچسبشون رو نگاه کنین. اگه محتوا می‌سازین، با این می‌تونین تولید محتوا کنین؛ فقط از اول، کردیت رو حساب کنین.

این، قسمت اول مجموعهٔ ElevenLabs بود، توی پلی‌لیست معرفی ابزار. قسمت دوم، ElevenAgents. با همدیگه یه دستیار صوتی فارسی، برای یه کسب‌وکار کوچیک، مثلا یه کافه، از صفر می‌سازیم. اطلاعات کافه رو بهش یاد می‌دیم، مثل ساعت کاری؛ باهاش تماس آزمایشی می‌گیریم؛ روی یه سایت می‌ذاریمش؛ و به یه شمارهٔ تلفن وصلش می‌کنیم. و قسمت سوم، ElevenAPI: برای برنامه‌نویس‌ها، و هر کسی که با کلاد کد (Claude Code)، کدکس (Codex) یا آنتی‌گرویتی (Antigravity: ابزار گوگل) کار می‌کنه. از ساختن کلید، تا یه ابزار کوچیک، که یه متن فارسی می‌گیره، و صدا و زیرنویسش رو تحویل می‌ده.

و یه سؤال از شما: اگه ElevenLabs رو بگیرین، اولین محتوایی که باهاش می‌سازین چیه؟ پادکست؟ ویدئوی آموزشی؟ تبلیغ؟ توی کامنت‌ها بنویسین. و اگه یه بخشش رو می‌خواین دقیق‌تر تست کنیم، اونم بنویسین.

اگه این آموزش به کارتون اومد، یه لایک کنین، تا به دست کسایی هم برسه که دارن برای خرید تصمیم می‌گیرن. لینک ثبت‌نام، توی توضیحات و کامنت پین‌شده هست. مرسی که تا آخر با ما بودین. قسمت بعد می‌بینمتون.