تبدیل صدا به متن چیست؟ نحوه کار و زمان استفاده

نوشته تحریریه whispertranscribe.ai · آخرین به‌روزرسانی: نوامبر ۲۰۲۶ · زمان مطالعه: ۱۲ دقیقه · دسته: مبانی رونویسی

تبدیل صدا به متن چیست؟ نرم‌افزاری است که به کلمات گفته‌شده گوش می‌دهد و آن‌ها را به‌صورت متن قابل ویرایش می‌نویسد. نام‌های دیگر آن تبدیل گفتار به متن و تشخیص خودکار گفتار (ASR) است. دو شکل دارد: زنده، که کلمات هنگام صحبت ظاهر می‌شوند، و از روی ضبط، که فایل صوتی یا ویدیویی آماده به متن تبدیل می‌شود.

برای شفافیت: ما whispertranscribe.ai، یک سرویس رونویسی مبتنی بر مرورگر را می‌سازیم. ادعاهای مربوط به نحوه کار فناوری به Google، Microsoft، Apple، W3C یا یک مرور پژوهشی ارجاع می‌دهند، نه به تبلیغات خودمان.

پاسخ کوتاه: تبدیل صدا به متن چیست؟

تبدیل صدا به متن گفتار را خودکار به متن تبدیل می‌کند: صدا وارد می‌شود، مدل تشخیص گفتار محتمل‌ترین کلمات را انتخاب می‌کند و نرم‌افزار نشانه‌گذاری می‌افزاید.

  • نام‌های دیگر: گفتار به متن، تشخیص گفتار، ASR، تایپ صوتی و گفتن به‌جای تایپ.
  • دو حالت: زنده یا جریانی برای تایپ و زیرنویس، و مبتنی بر فایل یا دسته‌ای برای ضبط‌هایی که از قبل دارید.
  • محدودیت: دقت به‌شدت به صدا بستگی دارد. نویز، فاصله از میکروفون، لهجه سنگین، اصطلاحات تخصصی و صحبت هم‌زمان خطا را افزایش می‌دهند.

تفاوت صدا به متن با گفتار به متن، دیکته و رونویسی

صدا به متن و گفتار به متن یک معنا دارند. دیکته یکی از کارهایی است که با آن انجام می‌دهید، یعنی صحبت در کادر متن؛ رونویسی کار دیگری است، یعنی تبدیل ضبط به سند نوشتاری. «تشخیص صدا» متفاوت است و مشخص می‌کند چه کسی صحبت می‌کند.

ابتکار دسترس‌پذیری وب W3C برای تبدیل کلمات به متن از «تشخیص گفتار» و برای فناوری‌ای که گوینده را تشخیص می‌دهد، نه کلمات را، از «تشخیص صدا» یا «تشخیص گوینده» استفاده می‌کند.

اصطلاح معنای معمول خروجی معمول
صدا به متن نام روزمره تبدیل گفتار به متن متن روی صفحه یا در فایل
گفتار به متن (STT) همان مفهوم؛ اصطلاح رایج در مستندات نرم‌افزار متن، اغلب با زمان‌بندی
تشخیص خودکار گفتار (ASR) حوزه فنی و مدل پشت آن محتمل‌ترین دنباله کلمات
دیکته یا تایپ صوتی صحبت در کادر متن به‌جای تایپ متن در محل نشانگر
رونویسی ثبت نوشتاری ضبط یا رویداد متنی قابل ویرایش، جست‌وجو و خروجی
زیرنویس زنده متن هم‌زمان با پخش صدا زیرنویس روی صفحه که معمولاً ذخیره نمی‌شود
تشخیص صدا یا گوینده شناسایی شخصی که صحبت می‌کند برچسب گوینده، نه کلمات

پس هر دیکته‌ای تبدیل صدا به متن است، اما هر تبدیل صدا به متنی دیکته نیست. مصاحبه ۹۰ دقیقه‌ای رونویسی می‌خواهد؛ پاسخ به ایمیل بدون دست به دیکته نیاز دارد.

تبدیل صدا به متن چگونه کار می‌کند؟

هر سیستم صدا را دریافت می‌کند، آن را به ویژگی‌های عددی تبدیل می‌کند، با مدلی آموزش‌دیده محتمل‌ترین کلمات را می‌یابد و نتیجه را قالب‌بندی می‌کند. آنچه در دهه گذشته تغییر کرده، روش ساخت مدل است.

  1. دریافت. میکروفون یا فایل صوتی سیگنال دیجیتال فراهم می‌کند. مستندات Google Cloud Speech-to-Text در صورت امکان ضبط با 16,000 Hz را پیشنهاد می‌کند. نرخ کمتر ممکن است دقت را کاهش دهد و نرخ بالاتر تفاوت محسوسی ایجاد نمی‌کند.
  2. استخراج ویژگی. سیگنال به فریم‌های کوتاه تقسیم و به ویژگی تبدیل می‌شود؛ معمولاً طیف‌نگاره‌ای که تغییر انرژی صوت را در فرکانس‌ها و زمان نشان می‌دهد.
  3. تشخیص. مدل این ویژگی‌ها را به محتمل‌ترین دنباله کلمات نگاشت می‌کند.
  4. قالب‌بندی. سیستم نشانه‌گذاری، حروف بزرگ و گاهی زمان‌بندی یا برچسب گوینده اضافه می‌کند.

روش کلاسیک: مدل آوایی همراه مدل زبانی

دهه‌ها تشخیص گفتار به بخش‌های جدا تقسیم می‌شد. مرور سال ۲۰۲۳ درباره تشخیص گفتار سرتاسری، سیستم کلاسیک را شامل چهار بخش می‌داند: استخراج ویژگی آوایی، مدل‌سازی آوایی، مدل‌سازی زبانی و جست‌وجو که بهترین پاسخ کلی را انتخاب می‌کند.

  • مدل آوایی تخمین می‌زند کدام صداهای گفتار در هر برش صوتی هستند. سیستم‌های کلاسیک برای سرعت‌های متفاوت گفتار از مدل‌های پنهان مارکوف استفاده می‌کردند.
  • واژه‌نامه تلفظ این صداها را به کلمات مرتبط می‌کند.
  • مدل زبانی احتمال دنباله کلمات را امتیازدهی می‌کند تا سیستم عبارت معنادار را به رشته بی‌معنایی با صدای مشابه ترجیح دهد.

روش مدرن: مدل‌های سرتاسری

سیستم‌های جدید عمدتاً سرتاسری‌اند: یک شبکه عصبی، نگاشت کامل صدا به متن را با گفتار رونویسی‌شده یاد می‌گیرد. همان مرور گزارش می‌کند یادگیری عمیق نرخ خطای کلمات را نسبت به مدل‌های پیشین بیش از ۵۰٪ کاهش داد و مدل‌های سرتاسری به روش اصلی تبدیل شدند. Whisper از OpenAI نمونه شناخته‌شده‌ای است؛ در راهنمای Whisper AI چیست آن را توضیح داده‌ایم.

فرایند کلاسیک مدل سرتاسری
ساختار مدل آوایی، واژه‌نامه تلفظ و مدل زبانی جداگانه یک شبکه عصبی از صدا تا متن
نیاز آموزشی فهرست دستی واژه و واج، به‌علاوه چند مرحله آموزش مقدار زیاد گفتار رونویسی‌شده
ضعف معمول بخش‌های جداگانه ممکن است خطا و هزینه را افزایش دهند گفتار رونویسی‌شده زیاد لازم دارد؛ استفاده از داده صرفاً متنی دشوارتر است
دانش زبانی مدل زبانی جداگانه در شبکه آموخته می‌شود؛ مدل خارجی هم قابل افزودن است

رونویسی زنده و رونویسی فایل چه تفاوتی دارند؟

تبدیل زنده یا جریانی، متن را هنگام صحبت نشان می‌دهد و برای دیکته و زیرنویس زنده مناسب است. رونویسی فایل یا دسته‌ای، ضبط کامل را پردازش و سپس متن کامل را برمی‌گرداند و برای مصاحبه، جلسه و سخنرانی مناسب است.

Google Cloud Speech-to-Text سه نوع درخواست دارد: هم‌زمان برای صدای حداکثر ۱ دقیقه، غیرهم‌زمان برای فایل تا ۴۸۰ دقیقه و جریانی که نتایج موقت را در حین صحبت برمی‌گرداند. مستندات Azure Speech مایکروسافت نیز رونویسی زنده، سریع و دسته‌ای را جدا می‌کند؛ هر دو در نوامبر ۲۰۲۶ بررسی شده‌اند.

تبدیل زنده صدا به متن رونویسی مبتنی بر فایل
زمان نمایش متن هنگام صحبت؛ کلمات موقت با رسیدن صدای بیشتر ممکن است تغییر کنند پس از پردازش ضبط
کاربرد معمول دیکته، زیرنویس زنده، دستیار صوتی مصاحبه، جلسه، سخنرانی، پادکست، زیرنویس ویدیو
آنچه نگه می‌دارید متنی که در کادر یا پنجره زیرنویس قرار می‌گیرد متن قابل ویرایش و خروجی
محدودیت اصلی سرعت بیشتر با پرداخت کمتر به ویرایش باید صبر کنید، اما می‌توانید فایل را با تنظیمات دیگر دوباره پردازش کنید

قاعده عملی: اگر کسی فوراً به متن نیاز ندارد، صدای واضح ضبط و فایل را رونویسی کنید. اصل فایل می‌ماند و می‌توانید هر سطر را با صدا بررسی کنید.

تبدیل صدا به متن چه کاربردهایی دارد؟

افراد از آن برای نوشتن بدون تایپ، تبدیل ضبط به یادداشت جست‌وجوپذیر، زیرنویس ویدیو و دسترس‌پذیر کردن محتوای گفتاری استفاده می‌کنند. مستندات مایکروسافت کاربردهای مرکز تماس مانند تحلیل پس از تماس را نیز نام می‌برد.

کاربرد حالت معمول
نوشتن ایمیل، پیام و پیش‌نویس با صدا دیکته زنده
یادداشت جلسه و مصاحبه رونویسی فایل یا حالت زنده برای یادداشت سریع
یادداشت سخنرانی و سمینار ضبط، سپس رونویسی فایل
زیرنویس ویدیو رونویسی فایل با خروجی SRT یا VTT
یادداشت صوتی و تماس ضبط‌شده رونویسی فایل
دسترس‌پذیری برای افراد ناشنوا، کم‌شنوا یا کسانی که نمی‌توانند از صفحه‌کلید استفاده کنند زیرنویس زنده و دیکته

راهنمای برنامه‌های ضبط سخنرانی کاربرد کلاسی را توضیح می‌دهد.

تبدیل صدا به متن را در گوشی یا رایانه کجا پیدا کنیم؟

بیشتر دستگاه‌ها ابزار داخلی تایپ صوتی دارند: کلید لوگوی Windows + H در Windows 11، قابلیت Dictation در Mac یا iPhone و میکروفون صفحه‌کلید Gboard گوگل در Android. این ابزارها در کادر فعلی تایپ می‌کنند؛ ضبط‌های موجود را رونویسی نمی‌کنند.

پلتفرم قابلیت داخلی روش شروع طبق صفحه راهنمای رسمی نیاز به اینترنت طبق صفحه
Windows 11 Voice typing نشانگر را در کادر متن بگذارید و کلید لوگوی Windows + H را بزنید بله. مایکروسافت می‌گوید از تشخیص گفتار آنلاین Azure Speech استفاده می‌کند
Mac Dictation در System Settings، Keyboard، Dictation فعال کنید. با کلید Microphone، میانبر دیکته یا Edit، Start Dictation شروع کنید متغیر است. تنظیمات صفحه‌کلید نشان می‌دهد دیکته عمومی در Mac پردازش می‌شود یا نه
iPhone Dictation Settings، General، Keyboard، Enable Dictation. سپس میکروفون صفحه‌کلید را بزنید اغلب نه. اپل می‌گوید برای بسیاری زبان‌ها بدون اینترنت در iPhone اجرا می‌شود
Android تایپ صوتی Gboard در برنامه‌ای که می‌توانید تایپ کنید، Microphone بالای صفحه‌کلید را بزنید در صفحه گوگل ذکر نشده

چند جزئیات از صفحات رسمی:

  • Windows: راهنمای تایپ صوتی مایکروسافت تنظیم اختیاری نشانه‌گذاری خودکار را نیز توضیح می‌دهد.
  • Mac: طبق راهنمای دیکته Mac اپل، Dictation پس از ۳۰ ثانیه سکوت متوقف می‌شود و زیر کلمات نامطمئن خط آبی می‌آید؛ مانند «flour» وقتی منظور «flower» بوده است.
  • iPhone: راهنمای دیکته iPhone اپل فرمان‌های صوتی نشانه‌گذاری و ویرایش را فهرست می‌کند.
  • Android: راهنمای Gboard گوگل می‌گوید گفتار به متن در همه زبان‌ها کار نمی‌کند و بعضی مراحل به Android 7.0 یا جدیدتر نیاز دارند.

نام منوها میان نسخه‌ها تغییر می‌کند؛ راهنمای دستگاه خود را دنبال کنید.

دقت تبدیل صدا به متن و محدودیت‌های آن چیست؟

در صدای واضح یک نفر نزدیک میکروفون، سیستم‌های مدرن بیشتر کلمات را درست می‌نویسند. نویز، فاصله، لهجه سنگین، واژگان تخصصی و صحبت هم‌زمان دقت را کاهش می‌دهند. عدد واحدی برای دقت وجود ندارد؛ ضبط به‌اندازه نرم‌افزار مهم است.

معیار استاندارد نرخ خطای کلمات (WER) است: تعداد کلمات جایگزین‌شده، حذف‌شده و افزوده‌شده تقسیم بر تعداد کلمات متن بررسی‌شده توسط انسان. مقاله دقت Whisper چقدر است نشان می‌دهد WER میان کتاب صوتی واضح و جلسه ضبط‌شده از دور چقدر تغییر می‌کند.

محدودیت علت چه چیزی کمک می‌کند
لهجه و گویش مدل‌ها بعضی لهجه‌ها را در آموزش بسیار کمتر می‌بینند گونه منطقه‌ای درست را انتخاب و یک کلیپ کوتاه آزمایش کنید
نویز و فاصله نویز و پژواک سیگنال گفتار را مبهم می‌کنند به میکروفون نزدیک شوید و از اتاق آرام یا هدست استفاده کنید
اصطلاحات، نام‌ها و واژه‌های نادر مدل‌ها کلمات رایج را ترجیح می‌دهند فهرست واژه سفارشی، که مایکروسافت فهرست عبارت می‌نامد، یا بازخوانی نام‌ها و اعداد
چند گوینده و صحبت هم‌زمان جداسازی صداهای روی‌هم دشوار است؛ برچسب‌گذاری گوینده وظیفه جداگانه‌ای به نام diarization است هر بار یک نفر صحبت کند؛ برچسب‌ها را بررسی کنید
صدای تلفنی و کم‌کیفیت گوگل می‌گوید صدای تلفن قدیمی عمدتاً 8,000 Hz است و ممکن است دقت کمتری بدهد با کیفیت بالاتر ضبط کنید؛ افزایش مصنوعی نرخ نمونه‌برداری صدای قدیمی را اصلاح نمی‌کند
کلمات هم‌آوا «Flour» و «flower» در انگلیسی یکسان تلفظ می‌شوند متن را پیش از ارسال دوباره بخوانید

دو عادت بیشتر خطاها را می‌گیرد: هر نام، عدد و اصطلاح تخصصی را با صدا تطبیق دهید و زیرنویس زنده را راهنما بدانید، نه سند نهایی.

تبدیل صدا به متن برای دسترس‌پذیری

تبدیل صدا به متن از دو جهت کمک می‌کند. دیکته امکان نوشتن با گفتار را می‌دهد؛ W3C افراد دارای معلولیت جسمی، آسیب ناشی از حرکات تکراری و معلولیت شناختی یا یادگیری را از جمله استفاده‌کنندگان وابسته به آن می‌داند. زیرنویس و متن نیز به افراد ناشنوا یا کم‌شنوا اجازه دنبال کردن صدا می‌دهند.

صفحه موانع شنوایی W3C می‌گوید محتوای صوتی به جایگزین‌هایی مانند متن و زیرنویس نیاز دارد. همچنین هشدار می‌دهد زیرنویس خودکار معمولاً برای اتکا به‌عنوان جایگزین بیش‌ازحد نادقیق است، چون اصطلاحات تخصصی را از دست می‌دهد و جملات را به هم وصل می‌کند. راهکار، بررسی و اصلاح خروجی پیش از انتشار است. راهنمای تفاوت subtitles و captions این دو قالب را توضیح می‌دهد.

گوشی‌ها ابزار زنده هم دارند. Live Captions اپل در iPhone 11 یا جدیدتر، صدای برنامه‌ها یا محیط را در لحظه رونویسی می‌کند؛ اپل می‌گوید در موقعیت پرخطر یا اضطراری به آن اتکا نکنید. Live Transcribe گوگل در Android گفتار و صداها را به‌صورت متن نشان می‌دهد و جز هنگام استفاده از زبان آفلاین به اینترنت نیاز دارد.

انتخاب ابزار تبدیل صدا به متن: ۵ معیار

از نتیجه موردنیاز شروع کنید. برای پیام سریع، دیکته داخلی کافی است. برای ضبط طولانی، ابزارهای رونویسی فایل را با این پنج معیار بسنجید.

  1. زنده یا ضبط‌شده؟ تایپ صوتی به دیکته در برنامه نیاز دارد. ضبط موجود به ابزاری نیاز دارد که فایل و احتمالاً لینک بپذیرد.
  2. پشتیبانی زبان و لهجه. بررسی کنید زبان و گونه منطقه‌ای برای حالت موردنظر فهرست شده باشند؛ فهرست زنده و فایل همیشه یکسان نیست.
  3. محل پردازش صدا. بعضی ابزارها گفتار را در دستگاه و برخی در سرور پردازش می‌کنند. پیش از بارگذاری ضبط حساس، صفحه حریم خصوصی را بخوانید و پیش از ضبط دیگران رضایت بگیرید.
  4. خروجی موردنیاز. برچسب گوینده، زمان‌بندی، ویرایشگر و خروجی‌هایی مانند DOCX، TXT، SRT یا VTT را بررسی کنید.
  5. محدودیت طول و هزینه. طولانی‌ترین فایل، بیشترین حجم و نحوه تغییر قیمت با ساعت صوت را بررسی کنید.

اگر بودجه اولویت دارد، مجموعه بهترین نرم‌افزارهای رونویسی رایگان طرح‌های رایگان را مقایسه می‌کند.

جایگاه whispertranscribe.ai

whispertranscribe.ai سرویسی مبتنی بر مرورگر برای تبدیل ضبط به متن است و از میکروفون رونویسی زنده نیز دارد. ابزار دیکته نیست: در برنامه‌های دیگر تایپ نمی‌کند و برنامه دسکتاپ ندارد. طبق صفحات محصول:

دقت در صدای واضح تا ۹۹٪ می‌رسد؛ نویز، لهجه سنگین و صحبت هم‌زمان آن را کاهش می‌دهند. طرح پولی از 9.99 دلار در ماه با پرداخت سالانه شروع می‌شود (قیمت‌ها) و می‌توانید رایگان بدون حساب شروع کنید. فهرست کامل در صفحه قابلیت‌ها است.

پرسش‌های متداول

آیا صدا به متن همان گفتار به متن است؟

بله. هر دو نام به یک فناوری اشاره دارند: نرم‌افزاری که گفتار را می‌شنود و متن قابل ویرایش تولید می‌کند. «گفتار به متن» در مستندات توسعه‌دهندگان Google و Microsoft رایج‌تر است و «صدا به متن» عبارتی است که بیشتر افراد جست‌وجو می‌کنند. هر دو بر تشخیص خودکار گفتار تکیه دارند. اصطلاح جداگانه «تشخیص صدا» نزد W3C به شناسایی شخص گوینده اشاره دارد، نه محتوای گفته‌شده.

آیا تبدیل صدا به متن همان دیکته است؟

نه کاملاً. دیکته یک کاربرد صدا به متن است: در کادر متن صحبت می‌کنید و کلمات کنار نشانگر ظاهر می‌شوند، مانند Windows voice typing یا Apple Dictation. صدا به متن رونویسی را نیز پوشش می‌دهد که در آن کل ضبط مصاحبه، سخنرانی یا جلسه به متن قابل ویرایش تبدیل می‌شود. برای نوشتن متن جدید دیکته و برای تبدیل صدای موجود به سند نوشتاری ابزار رونویسی را انتخاب کنید.

آیا تبدیل صدا به متن به اینترنت نیاز دارد؟

به ابزار بستگی دارد. مایکروسافت می‌گوید تایپ صوتی ویندوز به اینترنت نیاز دارد، زیرا از تشخیص آنلاین استفاده می‌کند. اپل می‌گوید دیکته iPhone برای بسیاری زبان‌ها بدون اینترنت در دستگاه پردازش می‌شود و تنظیمات صفحه‌کلید Mac محل پردازش دیکته را نشان می‌دهد. Live Transcribe گوگل جز در زبان آفلاین به اینترنت نیاز دارد. سرویس‌های ابری رونویسی، از جمله سرویس مرورگری، برای بارگذاری و پردازش صدا به اتصال نیاز دارند.

آیا تبدیل صدا به متن رایگان است؟

قابلیت پایه در بیشتر دستگاه‌ها رایگان است. Windows، macOS، iOS و Android همگی تایپ صوتی یا دیکته بدون هزینه اضافی دارند، هرچند پشتیبانی زبان متفاوت است. هزینه معمولاً برای رونویسی ضبط طولانی شروع می‌شود: بسیاری از سرویس‌ها طرح یا آزمایش رایگان و سپس تعرفه بر اساس ساعت صوت یا اشتراک دارند. پیش از پرداخت، حداکثر طول و حجم فایل، زبان‌ها و قالب‌های خروجی طرح را بررسی کنید.

دقت تبدیل صدا به متن چقدر است؟

در صدای واضح یک گوینده نزدیک میکروفون، سیستم‌های مدرن بیشتر کلمات را درست می‌نویسند، اما عدد جهانی واحدی وجود ندارد. نویز، پژواک، فاصله از میکروفون، لهجه سنگین، واژگان فنی و صحبت هم‌زمان خطا را افزایش می‌دهند. معیار معمول نرخ خطای کلمات است که جایگزینی، حذف و افزودن را می‌شمارد. پیش از اتکا به متن همیشه نام‌ها، اعداد و اصطلاحات تخصصی را با صدا بررسی کنید.

آیا تبدیل صدا به متن می‌تواند گوینده را تشخیص دهد؟

بعضی ابزارها می‌توانند. برچسب‌گذاری اینکه چه کسی چه زمانی صحبت کرده مرحله جداگانه‌ای به نام تفکیک گویندگان است و همه ابزارها آن را ندارند. دیکته داخلی فرض می‌کند یک گوینده وجود دارد: شما. سرویس‌های رونویسی اغلب برچسب گوینده اضافه می‌کنند؛ برای مثال Azure Speech مایکروسافت تفکیک تا ۳۵ گوینده را مستند کرده است. برچسب‌ها وقتی صداها متفاوت باشند و افراد هم‌زمان صحبت نکنند بهتر کار می‌کنند، پس در صدای مشابه یا هم‌پوشانی آن‌ها را بررسی کنید.


ضبطی دارید که می‌خواهید به متن تبدیل کنید؟ آن را در whispertranscribe.ai بارگذاری کنید و متن بیش از ۱۳۰ زبان را با خروجی DOCX، PDF، SRT و VTT دریافت کنید.

منابع

می‌خواهید فایل‌های ضبط‌شدهٔ خود را به متن تبدیل کنید؟

صدا و ویدیو را با whispertranscribe.ai به متن تبدیل کنید.

شروع تبدیل به متن ↗