تبدیل گفتار به متن فارسی با Voxtral 3؛ راهنمای یوتیوبرها

اگر کانال یوتیوب دارید، تبدیل گفتار به متن فارسی یکی از کارهای تکراری و وقت‌گیری است که هر هفته سراغتان می‌آید: زیرنویس، فصل‌بندی، متن توضیحات، نقل‌قول برای پست‌های شبکه‌های اجتماعی. هفته‌ی گذشته میسترال خانواده‌ی Voxtral 3 را عرضه کرد و یکی از ادعاهایش پوشش بیش از ۵۰ زبان برای رونویسی است. سؤال ما در این مقاله ساده است: این مدل‌ها برای یک تولیدکننده‌ی فارسی‌زبان واقعاً به کار می‌آیند یا فقط یک خبر دیگرِ پرسروصدا هستند؟ هرجا عدد و ادعایی هست، مشخص می‌کنم از کجا آمده و کدام بخش‌ها هنوز تأیید نشده‌اند.

Voxtral 3 دقیقاً چیست؟

Voxtral 3 مجموعه‌ای از مدل‌های صوتی از شرکت فرانسوی Mistral AI است، نه یک مدل تنها. طبق صفحه‌ی رسمی معرفی، این مجموعه چهار کار را پوشش می‌دهد: رونویسی دسته‌ای (آپلود فایل و گرفتن متن)، رونویسی بلادرنگ (زنده)، تبدیل متن به گفتار، و یک SDK برای ساخت دستیار صوتی که می‌شنود، فکر می‌کند و جواب می‌دهد. جدول زیر مدل‌ها و قیمت‌های اعلام‌شده را کنار هم گذاشته است.

مدل	کاربرد	قیمت اعلام‌شده
Voxtral Small Transcribe 3	رونویسی با بالاترین دقت	۰٫۰۰۴ دلار در دقیقه
Voxtral Mini Transcribe 3	رونویسی دسته‌ای، مدل ۴ میلیارد پارامتری	۰٫۰۰۳۵ دلار در دقیقه
Voxtral Mini Transcribe Realtime 3	رونویسی زنده، تأخیر زیر ۵۰۰ میلی‌ثانیه	۰٫۰۰۸ دلار در دقیقه
مدل تبدیل متن به گفتار (TTS)	صداسازی، حالت دسته‌ای و بلادرنگ	۱۳ دلار برای هر یک میلیون نویسه
API عامل صوتی (با Mistral Small 4)	دستیار صوتی کامل	۰٫۰۴ دلار در دقیقه

نکته‌ی مهم برای ما: مدل TTS در صفحه‌ی میسترال با دو اسم دیده می‌شود (Voxtral Mini TTS 3 و Voxtral Speech 3). یعنی نام‌گذاری هنوز یکدست نیست و بهتر است هنگام ثبت‌نام در داشبورد، نام دقیق مدل را از خود پنل بخوانید.

تبدیل گفتار به متن فارسی؛ چه چیزی تأیید شده و چه چیزی نه

این بخش مهم‌ترین بخش مقاله است، چون اکثر خبرهای فارسی درباره‌ی مدل‌های جدید همین‌جا ساده‌سازی می‌کنند. آنچه از صفحه‌ی رسمی میسترال بیرون می‌آید این است: متن می‌گوید مدل‌های رونویسی «بیش از ۵۰ زبان» را پوشش می‌دهند، از جمله زبان‌های رسمی اتحادیه‌ی اروپا و بسیاری از زبان‌های کم‌منبع آسیایی و هندی. فهرست کامل ۵۰ زبان در صفحه نیامده است. اما در فهرست زبان‌های ارزیابی (بنچمارک FLEURS با ۴۵ زبان و ارزیابی نسخه‌ی بلادرنگ با ۳۵ زبان) کد FA، یعنی فارسی، دیده می‌شود.

پس برداشت منصفانه این است: فارسی جزو زبان‌هایی است که میسترال روی آن‌ها مدل را سنجیده، ولی عدد دقت مخصوص فارسی را در صفحه‌ی معرفی نمی‌توان پیدا کرد. نمودارهای صفحه فقط میانگین کلی روی همه‌ی زبان‌ها را نشان می‌دهند و ادعای «بهتر از Whisper و چند رقیب دیگر» هم از طرف خود میسترال است. یک چیز دیگر هم هست که باید دقیق بخوانید: تعداد زبان‌های نسخه‌ی بلادرنگ در همان صفحه یک‌جا «بیش از ۳۵» و جای دیگر «بیش از ۴۰» آمده است. این ناهماهنگی کوچک نشان می‌دهد صفحه عجله‌ای منتشر شده و بهتر است به تک‌تک اعدادش تکیه نکنید.

برای فارسی‌زبان‌ها چند دشواری مشخص وجود دارد که هر مدل رونویسی باید از آن‌ها رد شود: گفتار محاوره‌ای که با نوشتار فاصله دارد، ترکیب واژه‌های انگلیسی در جمله (اسم ابزارها، اصطلاحات یوتیوب)، نیم‌فاصله و اعراب، و اسم‌های خاص. هیچ‌کدام از این‌ها را عدد بنچمارک جهانی نشان نمی‌دهد. به همین دلیل پیشنهاد من تست دستی است، نه اعتماد به جدول.

هزینه‌ی واقعی برای یک یوتیوبر

قیمت‌ها بر حسب دقیقه‌ی صدا حساب می‌شوند و عددها کوچک‌اند، پس یک محاسبه‌ی ساده کمک می‌کند. جدول زیر محاسبه‌ی خود ما بر پایه‌ی قیمت‌های اعلام‌شده است، نه عدد رسمی میسترال. مالیات، نرخ تبدیل ارز و هر محدودیت حساب جدید را در نظر نگرفته‌ام.

سناریو	مدل دقیق‌تر (۰٫۰۰۴ دلار)	مدل دسته‌ای ارزان‌تر (۰٫۰۰۳۵ دلار)
یک ویدیوی ۱۰ دقیقه‌ای	۴ سنت	۳٫۵ سنت
یک پادکست ۶۰ دقیقه‌ای	۲۴ سنت	۲۱ سنت
۱۰ ویدیوی ۲۰ دقیقه‌ای در ماه (۲۰۰ دقیقه)	۸۰ سنت	۷۰ سنت

یعنی برای تولیدکننده‌ای که ماهی چند ویدیو منتشر می‌کند، هزینه‌ی رونویسی عملاً ناچیز است و مسئله از «قیمت» به «کیفیت خروجی فارسی» و «راحتی پرداخت بین‌المللی» می‌رسد. برای خیلی از ما، پرداخت با کارت‌های بین‌المللی مشکل اصلی است نه چند سنت؛ این را باید جداگانه حل کنید و هیچ‌کدام از سرویس‌های این مقاله راه‌حل آن را ارائه نمی‌کنند.

گام‌به‌گام: ساخت زیرنویس فارسی یوتیوب با مدل‌های رونویسی

فرض کنید یک ویدیوی فارسی آماده دارید و می‌خواهید زیرنویس و فصل‌بندی بگیرید. روش پیشنهادی ما این است:

۱. اول یک نمونه‌ی کوتاه تست کنید

یک بخش ۳ تا ۵ دقیقه‌ای از ویدیو انتخاب کنید که هم گفتار تمیز دارد و هم چند اصطلاح انگلیسی و اسم خاص. این بخش را با مدل جدید و با ابزاری که الان استفاده می‌کنید رونویسی کنید و خطاها را بشمارید: غلط املایی، کلمه‌ی جاافتاده، اسم اشتباه، نیم‌فاصله. فقط همین شمارش به شما می‌گوید کدام مدل برای صدای شما بهتر است، چون دقت به میکروفن، لهجه و سرعت حرف زدن بستگی دارد.

۲. از «context biasing» استفاده کنید

میسترال می‌گوید می‌توان کلیدواژه‌ها و متن توضیحی را بدون فاین‌تیون به مدل داد تا اسم‌های خاص و اصطلاحات را بهتر تشخیص دهد. در صفحه‌ی معرفی، دقت بازیابی عبارات کلیدی در یک بنچمارک انگلیسی با زمینه حدود ۹۴٫۶ درصد در برابر حدود ۸۱٫۴ درصد بدون زمینه آمده است (عدد خود میسترال و برای انگلیسی). برای کانال شما یعنی اسم برند، اسم مهمان‌ها و نام ابزارهایی که مدام تکرار می‌شوند را در فهرست بگذارید. اینکه این ویژگی روی فارسی هم همین‌قدر اثر دارد را باید خودتان آزمایش کنید.

۳. تفکیک گوینده برای مصاحبه و پادکست

مدل‌های جدید قابلیت diarization دارند، یعنی تشخیص اینکه چه کسی چه چیزی گفته است. اگر ویدیوی گفتگومحور می‌سازید، این ویژگی کار ویرایش متن را خیلی کم می‌کند. باز هم کیفیتش روی فارسی باید تست شود.

۴. خروجی را ویرایش و در یوتیوب آپلود کنید

هیچ رونویسی خودکاری بی‌نیاز از بازبینی نیست. خروجی را در یک ویرایشگر زیرنویس مرور کنید، زمان‌بندی را درست کنید و فایل SRT را در یوتیوب استودیو بارگذاری کنید. اگر درباره‌ی اثر زیرنویس و فصل‌بندی بر سئو کنجکاو هستید، مقاله‌ی فصل‌بندی، زیرنویس و متن ویدیو را بخوانید.

۵. از همان متن، محتوای دیگر هم بسازید

وقتی متن کامل ویدیو دارید، می‌شود از آن توضیحات یوتیوب، پست وبلاگ، خلاصه‌ی توییتی و پیشنهاد فصل‌ها درآورد. روند ساختن اسکریپت با هوش مصنوعی را در راهنمای نوشتن اسکریپت ویدیو با هوش مصنوعی توضیح داده‌ام و همان منطق برعکس هم کار می‌کند: متن از دل ویدیو.

صداسازی و کلون صدا: با احتیاط وارد شوید

میسترال می‌گوید مدل تبدیل متن به گفتار آن ۳۵ زبان و ۵۰ لهجه را پوشش می‌دهد، اما آن‌طور که من متن صفحه را بررسی کردم، نام فارسی به‌صراحت در آن نیامده است. نمونه‌صداهای از پیش آماده (voice presets) هم فقط برای ۱۸ زبان است. پس نه می‌توان گفت فارسی پشتیبانی می‌شود و نه رد شده. این مورد را فرض «نامعلوم» بگیرید تا وقتی در پلیگراند میسترال خودتان یک جمله‌ی فارسی را تست کرده‌اید.

همچنین کلون صدا نیاز به حدود ۳۰ دقیقه صدای ضبط‌شده دارد. اگر صدای خودتان را کلون می‌کنید، فقط از صدای خودتان یا کسی که صریحاً رضایت داده است استفاده کنید؛ یوتیوب هم درباره‌ی شفافیت محتوای ساخته‌شده با هوش مصنوعی و حفاظت از شباهت چهره و صدا حساس است. اگر می‌خواهید دقیق عمل کنید، نگاه کنید به قابلیت‌های هوش مصنوعی داخل یوتیوب اگر می‌خواهید برای برچسب‌گذاری درست محتوای هوش مصنوعی.

Voxtral 3 در برابر Whisper و بقیه: چه می‌توان گفت؟

میسترال ادعا می‌کند Voxtral Small Transcribe 3 در بنچمارک FLEURS با ۴۵ زبان از Whisper، مدل Scribe v2 و Gemini 3.5 Transcribe بهتر است. این ادعا فعلاً همان جمله‌ای است که روی صفحه‌ی خود شرکت آمده؛ نمودارهایش هم به شکلی بازنشر شده‌اند که من نتوانستم عدد دقیق هر مدل را به‌شکل قابل اعتماد استخراج کنم. من هیچ عدد مستقلی برای فارسی پیدا نکردم، پس نمی‌توانم بگویم جایگزین Whisper شده است.

مقایسه‌ی نیمه‌عملی و قابل دفاع این است:

معیار	وضعیت Voxtral 3	چه باید تست کنید
دقت فارسی	عدد اختصاصی منتشر نشده	تعداد غلط در ۵ دقیقه‌ی نمونه
اصطلاحات انگلیسی در جمله‌ی فارسی	مستندات از این مورد سخنی نگفته	اسم ابزارها و برندها
تفکیک گوینده	پشتیبانی از diarization	مصاحبه‌ی دونفره با صداهای شبیه
محل پردازش داده	اندپوینت EU، US و global و امکان مستقرکردن خودتان	شرایط نگهداری صدا در حساب کاربری

یک نکته دیگر هم هست: صفحه‌ی میسترال نوع مجوز مدل‌ها و اوپن‌ویت بودن آن‌ها را ذکر نکرده. اگر از شنیدن «قابل نصب روی سرور خودم» هیجان‌زده شدید، به این موضوع نگاه مستقیم نکرده‌ام، چون میسترال برای استقرار کامل در سازمان می‌گوید با تیم فروش تماس بگیرید. من این را به‌عنوان «افزایش امکان استقرار شخصی» تلقی نمی‌کنم.

رقیب هم‌زمان: Eleven Realtime از ElevenLabs

در همان هفته ElevenLabs هم دو مدل گفتار-به-گفتار به نام Eleven Realtime v1 Mini و Max منتشر کرد که بیش از ۹۰ زبان را پشتیبانی می‌کنند. این مدل‌ها برای ساخت عامل صوتی هستند، نه رونویسی ویدیو، پس برای کار امروز یوتیوبر مستقیم رقیب Voxtral نیستند. ارزش مقایسه به این است که ببینیم بازار کجا می‌رود. ElevenLabs زمان تا اولین صدا را حدود ۰٫۵۷ ثانیه برای Max و ۰٫۶۲ برای Mini اعلام کرده و گفته این ارقام را Artificial Analysis هم ارزیابی کرده است. قیمت Realtime در مقاله‌ی معرفی ذکر نشده است. نتیجه برای ما: رقابت روی صدا شدید شده و قیمت‌ها پایین می‌آیند، اما هر ابزار جدید باید روی کار واقعی فارسی به‌تنهایی محک بخورد. برای نگاه کلی‌تر به ابزارهای هوش مصنوعی در کار یوتیوبرها، کاربرد هوش مصنوعی در یوتیوب نقشه‌ی خوبی است.

محدودیت‌ها و نقد

سه مشکل واقعی را باید جدی گرفت. اول، همه‌ی بنچمارک‌ها از خود شرکت است و فارسی در آن‌ها جزئ نیمه‌ی مهمِ میانگین چندزبانه است. دوم، ناهماهنگی‌های صفحه (شماره‌ی زبان‌ها و نام مدل TTS) نشان می‌دهد مستندات هنوز تمیز نشده‌اند. سوم، هیچ تضمینی نیست که دسترسی و پرداخت از ایران بی‌مشکل باشد؛ در صورت نیاز به محاسبه‌ی دقیق، قبل از تعهد بلندمدت شرایط را خودتان چک کنید. من در این مورد اطلاعات تأییدشده‌ای ندارم.

جمع‌بندی صادقانه: Voxtral 3 ارزش یک تست عملی را دارد، نه اینکه برای فارسی بلافاصله روش خود را عوض کنید. اگر ابزار فعلی‌تان در اصطلاحات فنی یا اسم‌ها ضعیف است و حاضرید یک ساعت وقت بگذارید، این مدل یک گزینه‌ی ارزان و قابل تست است.

سؤالات متداول

آیا Voxtral 3 فارسی را پشتیبانی می‌کند؟

فارسی (FA) در فهرست زبان‌های ارزیابی صفحه‌ی میسترال دیده می‌شود، اما دقت آن مستقلاً تأیید نشده. بهتر است با یک نمونه‌ی کوتاه بسنجید.

هزینه رونویسی یک ویدیوی یک ساعته چقدر است؟

بر اساس قیمت اعلام‌شده، حدود ۲۱ سنت با مدل Mini و ۲۴ سنت با مدل Small. مالیات و کارمزد پرداخت جدا است.

آیا می‌شود با آن زیرنویس خودکار یوتیوب را جایگزین کرد؟

می‌شود فایل SRT ساخت و آپلود کرد، اما بازبینی انسانی لازم است و بهتر است قبل از جایگزینی کامل، نتیجه را با خروجی فعلی مقایسه کنید.

صداسازی فارسی با Voxtral ممکن است؟

هنوز تأیید نشده. فهرست زبان‌های TTS میسترال فارسی را به‌صراحت نشان نداده؛ قبل از هر تصمیمی در پلیگراند تست کنید.

منابع

• Mistral AI — Voxtral 3: Voice Agent SDK & Speech Models in 50+ Languages
• MarkTechPost — Mistral AI Releases Voxtral 3 (۲۰ اکتبر ۲۰۲۶)
• ElevenLabs — Introducing Eleven Realtime
• The Neuron — Everything That Happened in AI Today (۲۱ اکتبر ۲۰۲۶)

آخرین بررسی: ۲۹ مهر ۱۴۰۵