رفتن به محتوا

تبدیل متن به گفتار فارسی با API؛ آزمایش شش مدل و نمونه‌کد پایتون

متن فارسی را با API هیبانا به فایل صوتی تبدیل کنید؛ آزمایش واقعی شش مدل ElevenLabs، Gemini و MiniMax با هزینه، سرعت و خواندن عدد و تاریخ، همراه نمونه‌کد پایتون.

ینال احمدزاده۷ دقیقه مطالعه
برگهٔ کاغذی روی میز که موج صوتی از آن برمی‌خیزد و به یک بلندگوی کوچک و هدفون می‌رسد، با یک گوشی همراه در کنار آن

پیام خوش‌آمد تلفن گویا، اطلاع‌رسانی ارسال سفارش، نسخهٔ صوتی یک مقاله یا صدای یک ویدیوی کوتاه: همهٔ این‌ها با یک درخواست به API تبدیل متن به گفتار ساخته می‌شوند. در این مطلب یک متن فارسی را با API هیبانا به فایل صوتی تبدیل می‌کنیم، شش مدل صوتی را روی یک جملهٔ یکسان می‌آزماییم و می‌بینیم کدام‌یک عدد، تاریخ و کلمهٔ انگلیسی را درست می‌خواند. همهٔ کدها را روی API واقعی اجرا کرده‌ایم و هزینه‌ها و زمان‌ها واقعی‌اند.

API تبدیل متن به گفتار چطور کار می‌کند؟

متن را به POST /v1/audio/speech می‌فرستید و در پاسخ، خود فایل صوتی را می‌گیرید، نه JSON. این endpoint با OpenAI سازگار است؛ یعنی همان client.audio.speech.create در SDK رسمی کار می‌کند و فقط نشانی پایه و کلید عوض می‌شود. چند نکته از مستندات تبدیل متن به گفتار:

  • هزینهٔ هر درخواست در هدر X-Hibana-Cost-Rial و تعداد کاراکترهای قابل پرداخت در X-Hibana-Characters می‌آید.
  • پاسخ استریم نیست؛ ارائه‌دهنده صدا را کامل می‌سازد و بعد فایل را می‌فرستد. پس تایم‌اوت کلاینت را کوتاه نگذارید.
  • مدل صوتی را به Chat Completions نفرستید؛ چنین درخواستی با خطای 400 رد می‌شود.

جهت مخالف، یعنی تبدیل فایل صوتی به متن، موضوع مطلب تبدیل گفتار فارسی به متن با API است.

اولین فایل صوتی؛ نمونهٔ پایتون

اول pip install openai را اجرا کنید. کد زیر یک جملهٔ فارسی را با مدل Eleven v4 Turbo و صدای sarah می‌خواند و در فایل welcome.mp3 ذخیره می‌کند:

from openai import OpenAI client = OpenAI(    base_url="https://api-ai.hibanacloud.ir/v1",    api_key="YOUR_API_KEY",) with client.audio.speech.with_streaming_response.create(    model="elevenlabs/eleven-v4-turbo",    voice="sarah",    input="سلام! به فروشگاه ما خوش آمدید. سفارش شما ثبت شد و تا دو روز کاری ارسال می‌شود.",    response_format="mp3",) as response:    response.stream_to_file("welcome.mp3")    print("cost_rial:", response.headers.get("X-Hibana-Cost-Rial"))    print("characters:", response.headers.get("X-Hibana-Characters"))

خروجی در اجرای ما، حدود ۶ ثانیه پس از ارسال:

cost_rial: 11157characters: 78

یعنی یک جملهٔ ۷۸ کاراکتری حدود ۱٬۱۱۶ تومان هزینه داشت. فاصله‌ها و علامت‌ها هم کاراکتر حساب می‌شوند.

شش مدل فارسی‌خوان؛ آزمایش ما

هیبانا در زمان نگارش این مطلب شش مدل تبدیل متن به گفتار دارد و هر سه خانوادهٔ آن‌ها فارسی را پشتیبانی می‌کنند. یک جملهٔ ۱۴۲ کاراکتری را به هر شش مدل دادیم: «سلام، وقت بخیر. سفارش شمارهٔ ۴۸۲۱ شما امروز ساعت ۱۵:۳۰ ارسال شد. برای پیگیری، کد رهگیری را در پنل کاربری وارد کنید یا با پشتیبانی تماس بگیرید.» برای اینکه بدانیم کلمه‌ها درست ادا شده‌اند، هر فایل را دوباره با Gemini 3.7 Flash به متن برگرداندیم و با متن اصلی مقایسه کردیم.

مدلقیمت در زمان نگارشهزینهٔ جملهٔ ماطول صدازمان پاسخ
Eleven v4 Turbo۱۴٬۴۰۰ تومان هر ۱۰۰۰ کاراکتر۲٬۰۳۱ تومان۱۵ ثانیه۵٫۵ ثانیه
Eleven v4۲۸٬۷۰۰ تومان هر ۱۰۰۰ کاراکتر۴٬۰۶۲ تومان۱۶ ثانیه۷٫۴ ثانیه
MiniMax Speech 2.8 Turbo۲۱٬۵۰۰ تومان هر ۱۰۰۰ کاراکتر۳٬۰۴۷ تومان۱۷ ثانیه۶٫۱ ثانیه
MiniMax Speech 2.8 HD۳۵٬۸۰۰ تومان هر ۱۰۰۰ کاراکتر۵٬۰۷۸ تومان۱۷ ثانیه۱۰٫۱ ثانیه
Gemini 3.8 Flash TTS۴٬۸۳۰ تومان هر دقیقه صدا۱٬۱۰۷ تومان۱۴ ثانیه۹٫۲ ثانیه
Gemini 3.8 Flash Lite TTS۳٬۲۲۰ تومان هر دقیقه صدا۷۵۷ تومان۱۴ ثانیه۲۱۴ ثانیه

هر شش فایل به همان کلمه‌های متن اصلی برگشتند؛ دو مدل «۱۵:۳۰» را «پانزده و سی دقیقه» خوانده بودند که برای شنونده طبیعی است. این آزمایش فقط درست ادا شدن کلمه‌ها را نشان می‌دهد، نه طبیعی بودن لحن یا لهجه را. پیش از انتخاب، نمونهٔ صداها را در صفحهٔ هر مدل گوش دهید.

زمان پاسخ ثابت نبود. Gemini 3.8 Flash Lite TTS در این اجرا ۲۱۴ ثانیه طول کشید، در حالی که بقیهٔ درخواست‌های ما حدود ۵ تا ۳۰ ثانیه جواب گرفتند. قیمت Gemini بر اساس توکن متن و صدا حساب می‌شود و عدد «هر دقیقه» برآورد کاتالوگ است؛ بقیه بر اساس کاراکتر قیمت دارند. قیمت به‌روز را در صفحهٔ هر مدل ببینید.

عدد، تاریخ و کلمهٔ انگلیسی

جملهٔ اول ساده بود. در متن‌های واقعی تاریخ، مبلغ، شمارهٔ تلفن و کلمهٔ انگلیسی زیاد است و همین‌جا مدل‌ها با هم فرق دارند. این جمله را به سه مدل دادیم: «جلسه در تاریخ ۱۴۰۵/۰۹/۰۳ برگزار می‌شود. مبلغ ۲٬۵۰۰٬۰۰۰ ریال است. کد OTP را وارد کنید و با شماره ۰۲۱-۸۸۷۷۶۶۵۵ تماس بگیرید. مدل GPT-5 را انتخاب کنید.» و از Gemini 3.7 Flash خواستیم آنچه شنیده را کلمه‌به‌کلمه، با عددها به حروف، بنویسد.

  • Eleven v4 Turbo همه را درست خواند: تاریخ را «سوم آذر هزار و چهارصد و پنج»، مبلغ را «دو میلیون و پانصد هزار ریال» و شماره را رقم‌به‌رقم خواند. OTP و GPT-5 را هم با تلفظ انگلیسی ادا کرد.
  • MiniMax Speech 2.8 Turbo مبلغ را «دو پانصد و صفر» خواند، صفر اول شمارهٔ تلفن را انداخت و OTP را درست ادا نکرد.
  • Gemini 3.8 Flash TTS مبلغ، شماره، OTP و GPT-5 را درست خواند، اما در هر سه بار تبدیل دوباره به متن، روز تاریخ به‌جای «۰۳» به‌صورت «۰۴» برگشت.

نتیجه ساده است: اگر متن شما عدد، تاریخ یا کد دارد، آن را پیش از ارسال به همان شکلی بنویسید که باید خوانده شود؛ مثلاً «سوم آذر ۱۴۰۵» و «دو میلیون و پانصد هزار ریال». و الگوهای متن خودتان را روی مدل انتخابی امتحان کنید، نه فقط یک جملهٔ ساده.

درستی را با گوش هم بسنجید

تبدیل دوباره به متن روش خوبی برای پیدا کردن کلمه‌های غلط است، اما خودش هم ممکن است اشتباه کند؛ در آزمایش ما چند بار متن خالی برگرداند. برای متن‌هایی که مبلغ یا تاریخ دارند، چند فایل را خودتان گوش دهید.

لحن و سرعت در Gemini TTS

مدل‌های Gemini TTS دو پارامتر اضافه دارند: instructions برای لحن و سبک خواندن، و speed برای سرعت. MiniMax فقط speed را می‌پذیرد و در ElevenLabs هیچ‌کدام نیست. Gemini فقط wav یا pcm می‌دهد و درخواست mp3 با خطای 400 رد می‌شود:

with client.audio.speech.with_streaming_response.create(    model="google/gemini-3.8-flash-tts",    voice="Kore",    input="امروز هوا آفتابی است و دمای تهران به بیست‌وچهار درجه می‌رسد.",    instructions="مثل گویندهٔ اخبار هواشناسی، آرام و شمرده بخوان.",    speed=1.1,    response_format="wav",) as response:    response.stream_to_file("weather.wav")    print("cost_rial:", response.headers.get("X-Hibana-Cost-Rial"))
cost_rial: 5847

متن instructions جزو کاراکترهای قابل پرداخت نیست. فایل wav حجیم است؛ جملهٔ ۱۴۲ کاراکتری ما در wav حدود ۶۵۰ کیلوبایت و در mp3 مدل‌های دیگر حدود ۲۵۰ کیلوبایت شد. برای سایت یا اپلیکیشن، آن را با ffmpeg به mp3 تبدیل کنید:

ffmpeg -i weather.wav -b:a 64k weather.mp3

Gemini TTS گفت‌وگوی چندنفره هم می‌سازد؛ کافی است input را آرایه‌ای از نوبت‌ها با صدای جدا بدهید. نمونه‌اش در مستندات تبدیل متن به گفتار آمده است.

هزینه، قطع اتصال و تلاش دوباره

  • پرداخت پس از ساخت: مبلغ فقط وقتی کم می‌شود که فایل صوتی ساخته شده باشد. اگر ساخت شکست بخورد، چیزی کم نمی‌شود.
  • موجودی: اگر کیف پول برای قیمت متن کافی نباشد، خطای 402 با قیمت دقیق برمی‌گردد.
  • قطع اتصال: اگر پس از ارسال درخواست اتصال شما قطع شود، صدا ساخته می‌شود و هزینه‌اش کم می‌شود.
  • تلاش دوباره بدون پرداخت دوباره: درخواست را با هدر Idempotency-Key بفرستید؛ تا ۵۰ دقیقه، تکرار همان درخواست همان فایل را بدون هزینهٔ دوم پس می‌دهد. جزئیات در کلید یکتاسازی است.
  • طول متن: حداکثر ۵۰۰۰ کاراکتر در هر درخواست و در Gemini TTS حداکثر ۳۰۰۰. متن بلند را در مرز جمله‌ها تکه کنید و فایل‌ها را پشت هم بگذارید.

کدام مدل برای چه کاری؟

بر اساس همین آزمایش‌های محدود:

  • متن پر از عدد، تاریخ و کد (اطلاع‌رسانی سفارش، تلفن گویا): Eleven v4 Turbo در آزمایش ما خطا نداشت و از Eleven v4 ارزان‌تر و سریع‌تر بود.
  • حجم زیاد با هزینهٔ کم (نسخهٔ صوتی مقاله): مدل‌های Gemini در جملهٔ ما ارزان‌ترین بودند و لحنشان را هم با instructions می‌توان تنظیم کرد؛ تاریخ‌ها را پیش از ارسال به حروف بنویسید.
  • MiniMax متن سادهٔ فارسی را درست خواند، اما عددهای قالب‌بندی‌شده را نه؛ با آن، عددها را همیشه به حروف بنویسید.

دربارهٔ طبیعی بودن صدا و لهجه ادعایی نداریم؛ این را فقط گوش شما تعیین می‌کند.

محدودیت‌هایی که باید بدانید

  • صدای خودتان را نمی‌شود کلون کرد: فقط صداهای آمادهٔ هر مدل در دسترس است.
  • نام صداها انگلیسی است: مثل sarah، Kore یا English_expressive_narrator؛ این صداها فارسی را می‌خوانند، اما هر صدا را جدا امتحان کنید.
  • قالب‌ها محدودند: فقط mp3، wav و pcm؛ درخواست قالب‌هایی مثل opus و aac با خطای 400 رد می‌شود.
  • قطعی اینترنت بین‌الملل: این مدل‌ها روی سرورهای خارج از ایران اجرا می‌شوند. برای آن روزها استفاده از API هوش مصنوعی بدون VPN را بخوانید.
  • صدای مصنوعی را شفاف اعلام کنید: اگر شنونده ممکن است صدا را با یک انسان واقعی اشتباه بگیرد، بگویید که صدا ساخته‌شده است.

جمع‌بندی

برای تبدیل متن فارسی به صدا کافی است همان کد client.audio.speech.create را با نشانی پایهٔ هیبانا اجرا کنید. هزینه را از هدر X-Hibana-Cost-Rial بخوانید، عدد و تاریخ را پیش از ارسال به حروف بنویسید، برای تلاش دوباره Idempotency-Key بفرستید و مدل را با گوش دادن به نمونهٔ صداها انتخاب کنید. برای شروع، کلید API بگیرید، همهٔ پارامترها را در مستندات تبدیل متن به گفتار ببینید و برای ساختن یک گفت‌وگوی صوتی کامل، این مطلب را کنار تبدیل گفتار فارسی به متن با API بگذارید.

مطالب مرتبط

با یک کلید به همه مدل‌ها وصل شوید

GPT، Claude، Gemini و ده‌ها مدل دیگر، با پرداخت ریالی و یک API سازگار با OpenAI.