
چرا Qwen و DeepSeek خودشان را ChatGPT یا Claude معرفی میکنند؟
از ۲۴ مدل چینی هیبانا پرسیدیم «تو کی هستی؟»؛ نتیجهٔ آزمایش واقعی، دلیل اینکه مدلها اسم خودشان را اشتباه میگویند و راه درست کردن آن با پیام سیستمی.
۶ دقیقه مطالعه
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.

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.
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:
X-Hibana-Cost-Rial و تعداد کاراکترهای قابل پرداخت در X-Hibana-Characters میآید.جهت مخالف، یعنی تبدیل فایل صوتی به متن، موضوع مطلب تبدیل گفتار فارسی به متن با API است.
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: 78یعنی یک جملهٔ ۷۸ کاراکتری حدود ۱٬۱۱۶ تومان هزینه داشت. فاصلهها و علامتها هم کاراکتر حساب میشوند.
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.
| مدل | قیمت در زمان نگارش | هزینهٔ جملهٔ ما | طول صدا | زمان پاسخ |
|---|---|---|---|---|
| Eleven v4 Turbo | ۱۴٬۴۰۰ تومان هر ۱۰۰۰ کاراکتر | ۲٬۰۳۱ تومان | ۱۵ ثانیه | ۵٫۵ ثانیه |
| Eleven v4 | ۲۸٬۷۰۰ تومان هر ۱۰۰۰ کاراکتر | ۴٬۰۶۲ تومان | ۱۶ ثانیه | ۷٫۴ ثانیه |
| MiniMax Speech 2.8 Turbo | ۲۱٬۵۰۰ تومان هر ۱۰۰۰ کاراکتر | ۳٬۰۴۷ تومان | ۱۷ ثانیه | ۶٫۱ ثانیه |
| MiniMax Speech 2.8 HD | ۳۵٬۸۰۰ تومان هر ۱۰۰۰ کاراکتر | ۵٬۰۷۸ تومان | ۱۷ ثانیه | ۱۰٫۱ ثانیه |
| Gemini 3.8 Flash TTS | ۴٬۸۳۰ تومان هر دقیقه صدا | ۱٬۱۰۷ تومان | ۱۴ ثانیه | ۹٫۲ ثانیه |
| Gemini 3.8 Flash Lite TTS | ۳٬۲۲۰ تومان هر دقیقه صدا | ۷۵۷ تومان | ۱۴ ثانیه | ۲۱۴ 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.
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.
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.
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: 5847متن 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.mp3Gemini 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.
Idempotency-Key بفرستید؛ تا ۵۰ دقیقه، تکرار همان درخواست همان فایل را بدون هزینهٔ دوم پس میدهد. جزئیات در کلید یکتاسازی است.بر اساس همین آزمایشهای محدود:
instructions میتوان تنظیم کرد؛ تاریخها را پیش از ارسال به حروف بنویسید.دربارهٔ طبیعی بودن صدا و لهجه ادعایی نداریم؛ این را فقط گوش شما تعیین میکند.
sarah، Kore یا English_expressive_narrator؛ این صداها فارسی را میخوانند، اما هر صدا را جدا امتحان کنید.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.

از ۲۴ مدل چینی هیبانا پرسیدیم «تو کی هستی؟»؛ نتیجهٔ آزمایش واقعی، دلیل اینکه مدلها اسم خودشان را اشتباه میگویند و راه درست کردن آن با پیام سیستمی.
۶ دقیقه مطالعه

دسترسی به API چت جی پی تی (OpenAI) از ایران بدون VPN و کارت خارجی؛ مدلهای GPT-6 و GPT-5 در هیبانا، قیمت به تومان و نمونهکد آزمودهشدهٔ پایتون.
۵ دقیقه مطالعه

فایل صوتی فارسی را با endpoint سازگار با Whisper در هیبانا به متن تبدیل کنید؛ نمونهکد پایتون و curl، پارامتر prompt، فایلهای طولانی، هزینه و محدودیتها.
۶ دقیقه مطالعه
GPT، Claude، Gemini و دهها مدل دیگر، با پرداخت ریالی و یک API سازگار با OpenAI.