ساخت ویدیو با هوش مصنوعی با صدای فارسی؛ ۳ روش عملی
اگر می‌خواهید ویدیوی هوش مصنوعی با صدای فارسی بسازید، سه مسیر واقعی دارید: تولید هم‌زمان تصویر و صدا با مدلی مثل Veo، ساخت تصویر در Google Flow و اضافه‌کردن نریشن فارسی در مرحله تدوین، یا استفاده از صدای مصنوعی فارسی و همگام‌سازی آن با تصویر. برای پروژه‌های تبلیغاتی، روش دوم معمولاً کنترل بیشتری روی تلفظ، لحن و زمان‌بندی می‌دهد. اگر دیالوگ را مستقیم داخل پرامپت می‌نویسید، حتماً خروجی فارسی را قبل از انتشار گوش کنید؛ پشتیبانی از صدای هم‌زمان به معنی تضمین تلفظ بی‌نقص فارسی نیست.
نویسنده: ابوالفضل رضایی — مدرس هوش مصنوعی کاربردی و بنیان‌گذار پروژه آموزشی وان AI | آخرین به‌روزرسانی: ۱۵ مهر ۱۴۰۵
ساخت ویدیو با صدای فارسی دقیقاً چطور انجام می‌شود؟
اشتباه رایج این است که از هوش مصنوعی انتظار داشته باشیم با یک جمله، هم تصویر عالی بسازد، هم دیالوگ فارسی را درست بخواند، هم لب‌ها را دقیق هماهنگ کند و هم تدوین نهایی تحویل بدهد. گاهی این اتفاق می‌افتد؛ اما برای کاری که قرار است به مشتری تحویل بدهید، بهتر است فرایند را به سه بخش تقسیم کنید: تصویر، صدا و تدوین.
گوگل در معرفی رسمی Veo 3.1 توضیح داده که این مدل می‌تواند افکت صوتی، صدای محیط و دیالوگ را به‌صورت بومی تولید کند. در به‌روزرسانی ۱۳ ژانویه ۲۰۲۶ نیز قابلیت ویدیوی عمودی ۹:۱۶، ثبات بهتر کاراکتر و خروجی‌های باکیفیت‌تر برای Flow معرفی شد. این یعنی ابزار از نظر فنی برای ویدیوهای شبکه اجتماعی مناسب‌تر شده، اما انتخاب روش صداگذاری هنوز به نوع پروژه شما بستگی دارد.
نسخه کوتاه: برای تست سریع، صدا را داخل پرامپت بسازید. برای خروجی تبلیغاتی قابل تحویل، ابتدا تصویر را بسازید و بعد نریشن فارسی کنترل‌شده را روی آن قرار دهید.
سه روش عملی برای صدای فارسی
روش اول: تولید دیالوگ فارسی داخل ویدیو
این روش برای کلیپ‌های کوتاه، ریلز آزمایشی و دیالوگ‌های یک‌جمله‌ای مناسب است. در پرامپت، گوینده، لحن، جمله دقیق و صداهای محیط را جداگانه مشخص کنید. جمله فارسی را داخل گیومه بگذارید و از نوشتن چند دیالوگ طولانی در یک شات خودداری کنید.
A cinematic vertical 9:16 medium close-up of an Iranian shop owner standing inside a modern boutique, warm soft key light, 50mm lens, shallow depth of field. She looks directly at the camera and speaks in natural Persian with a calm, confident tone: "این محصول را قبل از ارسال، یک‌بار کامل بررسی می‌کنیم." Subtle shop ambience, clean voice, no background music, accurate lip movement, realistic facial motion, 8-second shot.هر بخش چه کاری انجام می‌دهد؟
- vertical 9:16: خروجی را برای ریلز و شورت آماده می‌کند.
- medium close-up و 50mm lens: صورت را بدون اغراق لنزهای خیلی واید نشان می‌دهد.
- natural Persian: زبان دیالوگ را مشخص می‌کند؛ بااین‌حال تلفظ نهایی باید کنترل شود.
- clean voice, no background music: شلوغی صوتی را کم می‌کند تا بررسی دیالوگ راحت‌تر باشد.
- 8-second shot: درخواست را کوتاه و قابل‌کنترل نگه می‌دارد.
روش دوم: تصویر در Flow، نریشن فارسی در تدوین
این انتخاب من برای ویدیوی تبلیغاتی جدی‌تر است. ابتدا در راهنمای فیلم‌سازی با Google Flow شات‌ها را بسازید. سپس متن نریشن را ضبط کنید یا با یک سرویس تبدیل متن به گفتار که فارسی را رسماً پشتیبانی می‌کند خروجی بگیرید. در آخر، صدا را روی تایم‌لاین قرار دهید و کات‌ها را با جمله‌ها هماهنگ کنید.
- متن را به جمله‌های ۵ تا ۱۰ کلمه‌ای تقسیم کنید.
- برای هر جمله یک شات مشخص بسازید.
- نریشن را قبل از موسیقی روی تایم‌لاین قرار دهید.
- کات تصویر را با شروع کلمات مهم هماهنگ کنید.
- در پایان موسیقی و افکت را با صدای کمتر اضافه کنید.
روش سوم: چهره سخنگو با صدای فارسی
اگر هدف شما حضور یک شخصیت ثابت جلوی دوربین است، اول چهره مرجع را تمیز و ثابت آماده کنید، بعد صدا را بسازید و در مرحله آخر لب‌خوانی را انجام دهید. برای این مدل پروژه، مقاله ساخت ویدیوی کاراکتری با صدای فارسی یک نمونه ساده‌تر است؛ اما برای پروژه انسانی باید روی ثبات چهره، نور و حرکت دهان حساس‌تر باشید.
کدام روش برای شما بهتر است؟
| روش | سرعت | کنترل تلفظ فارسی | مناسب برای |
|---|---|---|---|
| صدا داخل پرامپت | زیاد | متوسط و نیازمند بررسی | تست، کلیپ کوتاه، ایده‌پردازی |
| نریشن جداگانه | متوسط | زیاد | تبلیغات، آموزش، پروژه مشتری |
| چهره سخنگو و لب‌خوانی | متوسط | زیاد | مجری مجازی، معرفی محصول، محتوای شخصی |
دو قلقی که خروجی را حرفه‌ای‌تر می‌کند
۱. متن فارسی را کوتاه نگه دارید
هرچه جمله بلندتر باشد، احتمال تغییر لحن، حذف کلمه یا ناهماهنگی لب بیشتر می‌شود. به‌جای یک پاراگراف، چند شات کوتاه بسازید و آن‌ها را در تدوین کنار هم بگذارید. Google Flow طبق راهنمای رسمی خود امکان چیدن، کوتاه‌کردن و پیش‌نمایش چند کلیپ را در Scenebuilder فراهم می‌کند.
۲. صدای تمیز را قبل از موسیقی بسازید
اول نریشن را نهایی کنید، بعد افکت و موسیقی را اضافه کنید. ادوبی در ۲۰ اوت ۲۰۲۶ ابزارهای Generate Speech و Generate Music را در Firefly عمومی کرد و امکان ساخت موسیقی متناسب با ویدیو را توضیح داد؛ اما قبل از انتخاب هر ابزار، پشتیبانی رسمی آن از فارسی و مجوز استفاده تجاری را بررسی کنید. اگر تدوین ریلز بخش سخت کار شماست، راهنمای ادیت ریلز اینستاگرام هم مسیر بعدی خوبی است.
از یک کلیپ آزمایشی تا ویدیوی قابل فروش
ساخت یک شات جذاب خوب است، اما مشتری بابت یک سیستم کامل پول می‌دهد: ایده، سناریو، ثبات کاراکتر، حرکت دوربین، صدا، تدوین و خروجی نهایی. در دوره ساخت ویدیو با هوش مصنوعی و Google Flow همین مسیر را پروژه‌محور جلو می‌بریم تا بتوانید از عکس و ایده به ویدیویی برسید که برای ریلز، تبلیغات و نمونه‌کار قابل استفاده باشد.
دیدن سرفصل‌ها و ثبت‌نام دوره ساخت ویدیو ←
سؤال‌های پرتکرار
آیا Veo 3.1 صدای فارسی را بی‌نقص تولید می‌کند؟
گوگل تولید بومی دیالوگ و صدا را تأیید کرده، اما تضمین رسمی برای تلفظ بی‌نقص همه جمله‌های فارسی ارائه نکرده است. هر خروجی را گوش کنید و برای پروژه حساس، نریشن جداگانه بسازید.
برای ریلز، صدا را داخل هوش مصنوعی بسازیم یا جدا ضبط کنیم؟
برای تست سریع، صدای بومی داخل ویدیو مناسب است. برای تبلیغ یا پروژه مشتری، ضبط یا تولید جداگانه نریشن فارسی معمولاً کنترل بیشتری می‌دهد.
بهترین نسبت تصویر برای اینستاگرام چیست؟
برای ریلز، نسبت عمودی ۹:۱۶ انتخاب استاندارد است. سوژه و نوشته‌های مهم را نزدیک لبه‌ها قرار ندهید تا رابط اینستاگرام روی آن‌ها نیفتد.
منابع رسمی
- Google DeepMind: قابلیت‌های صوتی Veo 3.1 — بررسی‌شده در ۷ اکتبر ۲۰۲۶
- Google: به‌روزرسانی Ingredients to Video — ۱۳ ژانویه ۲۰۲۶
- Google Flow Help: ویرایش و ساخت صحنه — بررسی‌شده در ۷ اکتبر ۲۰۲۶
- Adobe: عرضه Generate Speech و Generate Music — ۲۰ اوت ۲۰۲۶
