آموزش ویسپر برای تبدیل صدای فارسی به متن و زیرنویس؛ گام‌به‌گام
آموزش گام‌به‌گام ویسپر برای تبدیل صدای فارسی به متن و زیرنویس با نکته‌های مخصوص فارسی‌زبان‌ها؛ از اولین پرامپت تا خروجی حرفه‌ای.
آموزش‌های زیادی برای Whisper وجود دارد؛ اما بیشترشان حالت عمومی دارند. این یکی برای تبدیل صدای فارسی به متن و زیرنویس و برای کاربر فارسی‌زبان تنظیم شده است.
چرا ویسپر برای تبدیل صدای فارسی به متن و زیرنویس؟
ویسپر مدل تشخیص گفتار OpenAI است که با مجوز متن‌باز منتشر شده: روی لپ‌تاپ خودتان اجرا میشود، حدود ۱۰۰ زبان — از جمله فارسی — را می‌شنود و متن می‌کند و حتی زمان‌بندی کلمات را برای زیرنویس خروجی میدهد. نسخهٔ large-v3 آن در فارسیِ معمولی دقت بسیار خوبی دارد و کل اکوسیستم (از زیرنویس‌سازها تا ابزارهای پادکست) روی آن سوار است. برای این کارِ مشخص، مزیت ویسپر در پادکستر، زیرنویس‌ساز، دانشجو (تبدیل کلاس به متن) و هر کسی که صدای فارسی را باید متن کند… خلاصه میشود؛ در گام‌های بعدی همین مزیت را به خروجی تبدیل می‌کنیم.
قبل از شروع: حساب و نسخهٔ مناسب
کاملاً رایگان و متن‌باز است: مدل را یک‌بار دانلود می‌کنید و برای همیشه آفلاین استفاده می‌کنید. نسخهٔ API آن هم ارزان است (حدود ۰٫۰۰۶ دلار برای هر دقیقه) ولی اجرای محلی رایگانِ تمام‌عیار است. برای تمرین این آموزش، نسخهٔ رایگان کافی است؛ در انتهای مقاله می‌گوییم چه زمانی ارتقا منطقی میشود.
مسیر گام‌به‌گام
گام 1: نسخهٔ مناسب را انتخاب کنید
برای فارسی با کیفیت بالا مدل large؛ اگر سرعت مهم است medium؛ اجرای آنلاین بدون نصب هم با ابزارهای ساخته‌شده روی ویسپر ممکن است.
گام 2: فایل صوتی تمیز بدهید
نویز محیط را کم کنید؛ کیفیت ورودی، سقف دقت خروجی است.
گام 3: زبان را فارسی تعیین کنید
در ابزار اجرا، زبان را fa مشخص کنید تا مدل اشتباه زبان‌یابی نکند.
گام 4: خروجی زیرنویس بگیرید
برای زیرنویس ویدیو، خروجی SRT بخواهید؛ زمان‌بندی هر بخش آماده میشود.
گام 5: متن را ویرایش کنید
اسم‌های خاص و اعداد را چک کنید؛ خطاهای رایج ویسپر در این دو دسته است.
گام 6: حجم بالا را دسته‌ای پردازش کنید
پوشهٔ کامل فایل‌ها را با یک اسکریپت ساده در صف بگذارید؛ بدون محدودیت و رایگان.
نکته‌های حرفه‌ای که تفاوت می‌سازند
- نسخهٔ faster-whisper سرعت را چند برابر می‌کند با همان دقت؛ برای آرشیوهای بزرگ لازم است.
- برای جلسات، قبل از ضبط از همه بخواهید هم‌زمان صحبت نکنند؛ دقت به‌طور محسوسی بالا می‌رود.
- خروجی متن را قبل از انتشار، یک بار بلند بخوانید؛ خطاهای معنایی سریع پیدا میشوند.
اشتباهات رایج در همان هفتهٔ اول
- پرامپت‌های مبهم: اگر خروجی ضعیف بود، اول پرامپت را دقیق‌تر کنید؛ در بیشتر موارد مشکل از ابزار نیست از دستور است.
- پذیرش کورکورانه خروجی: در گفتار خیلی سریع یا محیطیِ نویزی دقت می‌افتد — خروجی را همیشه یک دور ویرایش کنید.
- شروع از کار سنگین: اول یک نمونهٔ کوچک تمام‌وکمال بسازید تا مسیر را ببینید، بعد سراغ پروژهٔ اصلی بروید.
چطور بفهمیم پیشرفت می‌کنیم؟
معیار ساده داریم: در پایان این آموزش باید بتوانید تبدیل صدای فارسی به متن و زیرنویس را بدون کمک بیرون و با کیفیت قابل انتشار انجام دهید. اگر بعد از سه تلاش هنوز به آن نقطه نرسیدید، پیش‌فرض‌های پرامپت یا نسخهٔ ابزار را بازبینی کنید — اجرای محلی ویسپر بدون فیلترشکن و پرداخت کار می‌کند — برای حجم بالا (مثلاً آرشیو پادکست) بهترین گزینهٔ فارسی‌زبان‌هاست…
چک‌لیست خروجی نهایی
پیش از اعلام «تمام»، خروجی خودتان را با این چک‌لیست بسنجید:
- خروجی بدون ویرایشِ انسانی منتشر نشده باشد — یک دور بازخوانی و اصلاح، حداقل است.
- هدفِ کار (تبدیل صدای فارسی به متن و زیرنویس) محقق شده باشد، نه فقط «کاری انجام شده باشد».
- در صورت نیاز به تکرار، پرامپت نهایی را ذخیره کرده باشید تا دوباره از صفر ننویسید.
- خروجی برای مخاطب فارسی‌زبان روان و بی‌غلط باشد؛ یک آزمون خوب این است که بلندخوانی کنید و هر جا لحن گیر کرد، همان‌جا را ویرایش کنید.
اگر گیر کردید
سه راه‌حل سریع که در بیشتر موارد جواب میدهد: یکم — پرامپت را با زبان ساده‌تر و با یک مثال ملموس بازنویسی کنید؛ مدل‌ها به مثال بهتر از توضیح پاسخ می‌دهند. دوم — گفتگوی تازه‌ای شروع کنید و فقط همان تکهٔ مشکل‌دار را با زمینهٔ کوتاه بدهید؛ گفتگوهای شلوغ کیفیت را پایین می‌آورند. سوم — خروجی را از ویسپر بگیرید و قطعهٔ نهایی را با ابزار مکمل ویرایش کنید؛ ترکیب ابزارها معمولاً از اصرار روی یک ابزار سریع‌تر به نتیجه می‌رسد.
برای کاربر فارسی‌زبان
اجرای محلی ویسپر بدون فیلترشکن و پرداخت کار می‌کند — برای حجم بالا (مثلاً آرشیو پادکست) بهترین گزینهٔ فارسی‌زبان‌هاست. دقت فارسی آن در گفتار معمولی عالی و در گفتار محاورهٔ خیلی سریع متوسط است.
و یک نکتهٔ آخر: ابزارها به‌روز میشوند، اما روشِ یادگیریِ درست همیشه همان است. مسیر این مقاله را یک بار کامل بروید؛ بعد از آن هر قابلیت جدید ویسپر را در چند دقیقه یاد می‌گیرید.
سوالات متداول
چه سختافزاری لازم دارد؟
نسخهٔ large برای سرعت خوب به کارت گرافیک نیاز دارد؛ نسخههای کوچکتر روی هر لپتاپی اجرا میشوند.
زیرنویس هم میسازد؟
بله؛ خروجی SRT و VTT زماندار میدهد که مستقیم در ویدیو استفاده میشود.
بیشتر بخوانید
- Whisper چیست؟ آموزش، کاربردها و نکات استفاده
- Descript چیست؟ آموزش، کاربردها و نکات استفاده
- CapCut چیست؟ آموزش، کاربردها و نکات استفاده
- تشخیص گفتار (Speech Recognition) چیست؟ توضیح ساده و کاربردی
- آموزش بولت برای ساخت نمونهٔ اولیهٔ سریع؛ گام‌به‌گام
- بررسی وئو؛ قیمت، امکانات و اینکه برای شما می‌ارزد
- بررسی کیتل؛ قیمت، امکانات و اینکه برای شما می‌ارزد
- بررسی ریکرفت؛ قیمت، پلن‌ها و اینکه برای شما می‌ارزد
این مطلب برایتان مفید بود؟
با پسندیدن، به ما کمک می‌کنید مطالب بهتری منتشر کنیم.
