Fish Audio یا ElevenLabs برای فارسی؛ آزمون انگلیسی جواب نهایی نیست

اگر پشتیبانی مستند فارسی شرط اصلی انتخاب است، ElevenLabs نقطهٔ شروع روشن‌تری دارد: فهرست رسمی مدل‌های ElevenLabs فارسی را با کد fa برای Eleven v3 و Eleven v3 Conversational ثبت می‌کند. این پشتیبانی به معنی مناسب بودن هر صدای انتخابی برای روایت فارسی نیست؛ تلفظ، لحن و پیوستگی گفتار را باید در خروجی همان صدا سنجید.

اگر هزینهٔ تولید انبوه از راه API اولویت دارد، Fish Audio S2.1 Pro نیز در فهرست انتخاب قرار می‌گیرد. در تعرفهٔ رسمی Fish Audio، مدل پولی به‌ازای هر یک میلیون بایت UTF-8 متن ورودی ۱۵ دلار قیمت دارد؛ مبنای محاسبهٔ آن با تعرفهٔ نویسه‌ای ElevenLabs فرق می‌کند. نتیجهٔ یک آزمون با جمله‌های انگلیسی، انتخاب نهایی برای متن فارسی را به‌جای شما انجام نمی‌دهد.

پشتیبانی زبان در انتخاب صدا چه نقشی دارد؟

ثبت فارسی برای مدل مشخص، هنگام انتخاب سرویس یک امتیاز عملی است: می‌توان مدل، صدای مورد نظر و هزینهٔ همان مدل را به یک مسیر تولید وصل کرد. بااین‌حال، پشتیبانی زبان یک ویژگی در سطح مدل است و دربارهٔ تلفظ تک‌تک صداها حکم نمی‌دهد. صدایی که جمله‌ای کوتاه را روان می‌خواند، ممکن است در روایت بلند، مکث میان بندها یا نام‌های خاص عملکرد دیگری داشته باشد.

برای مخاطبان ایران، افغانستان و جامعهٔ فارسی‌زبان خارج از این کشورها نیز «فارسی» یک نمونهٔ صوتی واحد نیست. واژه‌گزینی، تلفظ نام‌ها و آهنگ جمله می‌تواند با مخاطب و نوع محتوا تغییر کند. بنابراین مزیت مستند ElevenLabs را باید به‌عنوان اطمینان از قرار داشتن زبان در فهرست مدل خواند، نه تضمین سبک گویندگی دلخواه؛ Fish Audio را هم باید با متن و صدای مشخص پروژه ارزیابی کرد.

صفحهٔ توسعه‌دهندگان Fish Audio دسترسی REST، پخش جریانی WebSocket و ابزارهای Python و TypeScript را برای API معرفی می‌کند. همان صفحه، S2.1 Pro Free را تا ۳۰ نوامبر ۲۰۲۶ رایگان معرفی کرده، اما برای آن تضمین سطح خدمات ارائه نمی‌کند و می‌گوید درخواست‌ها ممکن است برای بهبود مدل استفاده شوند. این نسخهٔ رایگان، انتخاب جداگانه‌ای از مدل پولیِ مبنای محاسبهٔ هزینه در ادامه است.

عددهای آزمون انگلیسی تا کجا به کار می‌آیند؟

در مقایسهٔ Cekura، ردیف‌های با برچسب ElevenLabs v3 و Fish Audio S2.1 Pro به‌ترتیب تأخیر میانهٔ غیرجریانی ۳۲۰ و ۳۳۳ میلی‌ثانیه و خواندن درست بخش‌های دشوار ۸۷٫۲٪ و ۹۲٪ را نشان می‌دهند. نمونه‌جمله‌های نمایش‌داده‌شده انگلیسی‌اند و امتیاز خواندن درست، برآورد سامانه‌های تبدیل گفتار به متن است، نه داوری شنوندگان فارسی‌زبان. همان جدول برای قیمت، ۴۰ و ۱۵ دلار به‌ازای یک میلیون نویسه نشان می‌دهد.

این اعداد برای شناخت شرایط همان آزمون مفیدند: در تأخیر غیرجریانی اختلاف اندک است و در شاخص خواندن بخش‌های دشوار، Fish Audio امتیاز بالاتری دارد. اما واژه‌های انگلیسی، کدها و نشانی‌های موجود در نمونه‌ها جای نام‌های فارسی، اعداد در متن فارسی یا تفاوت‌های رسم‌الخط را نمی‌گیرند. حتی تأخیر ثبت‌شده برای درخواست غیرجریانی، زمان رسیدن نخستین قطعهٔ صدا در یک برنامهٔ جریانی را اندازه نمی‌گیرد.

ردیف قیمت این جدول هم باید از نتیجهٔ صوتی جدا خوانده شود. صفحهٔ مقایسه مدل ElevenLabs را v3 می‌نامد، ولی رقم ۴۰ دلار آن با نرخ رسمی v3 Conversational برابر است؛ نرخ رسمی v3 معمولی بالاتر است. از این برچسب و قیمت نمی‌توان با اطمینان نتیجه گرفت که همهٔ عددهای سرعت و دقت به همان پیکربندی مربوط‌اند که قرار است برای پروژه خریده شود.

هزینهٔ متن فارسی با تعرفه‌های API چقدر است؟

در تعرفهٔ API ElevenLabs، Eleven v3 Conversational به‌ازای هر هزار نویسه ۰٫۰۴ دلار و Eleven v3 معمولی ۰٫۰۸ دلار قیمت دارد. در مقابل، نرخ مدل پولی Fish Audio بر اساس بایت متن ورودی است. بسیاری از حروف فارسی در UTF-8 دو بایت می‌گیرند، درحالی‌که فاصلهٔ معمولی یک بایت است؛ ترکیب واقعی حروف، فاصله‌ها، اعداد، نشانه‌ها و متن لاتین نسبت بایت به نویسه را تعیین می‌کند.

محاسبه بر پایهٔ قیمت‌های منتشرشده و بررسی‌شده در ۴ نوامبر ۲۰۲۶: هر سناریوی زیر مصرف فرضی یک ماه را با دلار آمریکا نشان می‌دهد. فرض می‌کنیم هر ۱۰ نویسهٔ متن ارسالی، به‌طور میانگین ۱۸ بایت UTF-8 داشته باشد و فقط یک بار تولید شود. مالیات، اعتبار یا سهمیهٔ مشمول طرح، تخفیف، هزینهٔ خدمات دیگر و تولید دوباره در این برآورد منظور نشده‌اند؛ ارقام، هزینهٔ مصرف طبق نرخ فهرست‌اند و لزوماً مبلغ نهایی صورتحساب نیستند.

• گویندگی کم‌حجم: فرضِ ۱۰ هزار نویسه و ۱۸ هزار بایت در ماه؛ Fish Audio S2.1 Pro پولی ۰٫۲۷ دلار، Eleven v3 Conversational برابر ۰٫۴۰ دلار و Eleven v3 برابر ۰٫۸۰ دلار.
• تولید منظم ویدئو یا پادکست: فرضِ ۱۰۰ هزار نویسه و ۱۸۰ هزار بایت در ماه؛ Fish Audio برابر ۲٫۷۰ دلار، v3 Conversational برابر ۴ دلار و v3 برابر ۸ دلار.
• مصرف پرحجم API: فرضِ یک میلیون نویسه و ۱٫۸ میلیون بایت در ماه؛ Fish Audio برابر ۲۷ دلار، v3 Conversational برابر ۴۰ دلار و v3 برابر ۸۰ دلار.

در این فرض‌ها Fish Audio پولی هزینهٔ مصرف کمتری دارد، اما فاصلهٔ واقعی به متن بستگی دارد. افزودن نشانگرهای اجرایی، بازنویسی چندبارهٔ یک جمله یا تولید نسخه‌های متعدد برای تدوین، مقدار متن ارسالی و هزینه را تغییر می‌دهد. برای بودجهٔ پروژه، بایت‌های UTF-8 همان متن نهایی را در مسیر Fish Audio و نویسه‌های ارسال‌شده را در مسیر ElevenLabs بشمارید؛ نسبت فرضیِ این مثال جای شمارش فایل واقعی را نمی‌گیرد.

انتخاب برای پادکست، ویدئوی کوتاه و محصول API

نوع خروجی تعیین می‌کند کدام معیار وزن بیشتری داشته باشد. برای روایت ازپیش‌تولیدشده، کیفیت یک بخش پیوسته و مقدار اصلاح لازم پس از شنیدن اهمیت دارد؛ برای پاسخ صوتی تعاملی، زمان رسیدن صدای قابل پخش و رفتار مسیر جریانی مهم‌تر می‌شود. جدول تصمیم زیر حکم برندهٔ مطلق نیست، بلکه اولویت آزمون هر کاربرد را مشخص می‌کند.

• پادکست و روایت بلند: Eleven v3 را با تکیه بر پشتیبانی مستند فارسی و گزینه‌های بیانی آن در فهرست کوتاه بگذارید، سپس یک بخش پیوسته را با صدای دلخواه تولید کنید. Fish Audio را با همان بخش بسنجید؛ ثبات صدا، تلفظ نام‌های تکرارشونده و اتصال طبیعی جمله‌ها از نتیجهٔ یک عبارت کوتاه گویاترند.
• ویدئوی کوتاه: هزینهٔ هر نسخهٔ تولیدشده را کنار زمان اصلاح صدا بگذارید. اگر جمله‌ها چند بار برای هماهنگی با تدوین بازتولید می‌شوند، شمار دفعات تولید در بودجه اثر دارد. اختلاف تأخیر ثبت‌شده با متن انگلیسی دربارهٔ طبیعی بودن جملهٔ فارسی یا تناسب آن با تصویر تصمیم نمی‌گیرد.
• محصول متصل به API: Fish Audio را برای هزینهٔ متن فارسی و مسیر پخش جریانی ارزیابی کنید. Eleven v3 Conversational را وقتی گفتار تعاملی و پشتیبانی ثبت‌شدهٔ فارسی اولویت دارند، در همان آزمایش قرار دهید. هزینه و تأخیر را با مدل انتخابی و در مسیر واقعی برنامه بسنجید، نه با قیمت یا زمان مدلی دیگر از همان برند.

نمونهٔ فارسی چه چیزی را باید روشن کند؟

برای انتخاب صدا، یک متن یکسان و نمایندهٔ کار واقعی را در هر سرویس به گفتار تبدیل کنید. نام شخص و مکان، عدد، تاریخ، واژهٔ وام‌گرفته، پرسش و عبارتی دارای نیم‌فاصله را در آن بگنجانید. اگر خروجی برای مخاطبان چند جامعهٔ فارسی‌زبان است، واژه‌ها و تلفظ‌های حساس به همان مخاطبان را انتخاب کنید؛ نمونهٔ عمومی ممکن است تفاوت‌های مهم را پنهان کند.

خروجی‌ها را با بلندی صدای برابر و ترتیب شنیدن جابه‌جاشده ارزیابی کنید. خواندن درست، آهنگ جمله، محل مکث، ثبات صدا و میزان ویرایش لازم را جدا ثبت کنید؛ برای کاربرد تعاملی، زمان رسیدن نخستین صدای قابل پخش را نیز در برنامهٔ خود اندازه بگیرید. آن‌گاه نرخ‌های منتشرشده به یک انتخاب قابل دفاع برای متن فارسی وصل می‌شوند: صدایی که با اصلاح کمتر به نتیجهٔ مطلوب می‌رسد، ممکن است با وجود تعرفهٔ بالاتر، هزینهٔ تولید کمتری برای پروژه داشته باشد.

بیشتر بخوانید:

• ChatGPT یا Perplexity برای تحقیق؛ تعداد منبع بیشتر مساوی دقت بیشتر نیست
• NASA برای غذای مریخ برنده انتخاب کرد؛ وعدهٔ جایزه از پرداخت نهایی بزرگ‌تر بود
• Miro یا FigJam؛ کارگاه رسمی با جلسهٔ طراحی یکی نیست