ساخت کتاب گویا و محتوای صوتی با هوش مصنوعی
برای ناشر و نویسندهای که میخواهد کتابش شنیده شود: چه چیزی از متن باید حذف شود، تلفظ اسمها را چطور از قبل دیکته کنیم، و چرا نسخهی صوتی رمان هنوز جواب نمیدهد.
ناشری متن یک کتاب آموزشی را به موتور صدا میسپارد و نیمساعت بعد چند ساعت فایل تحویل میگیرد. تا دقیقهی سوم همهچیز درست است. بعد گوینده وسط جمله میگوید «شکل ۲-۳ را ببینید»، شمارهی پاورقی را شمرده میخواند، و اسم لاتین نویسنده را جوری میخواند که هیچکس آنطور نمیگوید.
ایراد از موتور صدا نیست. متن برای چشم نوشته شده بود و دستنخورده به گوش سپرده شد. کار اصلی ساخت کتاب گویا هم همینجاست: نه انتخاب ابزار، آمادهسازی متن.
و یک مرز از همین اول: برای کتاب آموزشی و غیرداستانی، صدای مصنوعی فارسی امروز قابل دفاع است. برای رمان، هنوز نه.
متنی که برای چشم نوشته شده، در گوش میشکند
خوانندهی کاغذی اختیار دارد: برمیگردد، جدول را نگاه میکند، پاورقی را میخواند یا ردش میکند. شنونده هیچکدام را ندارد؛ خط مستقیم جلو میرود و هرچه در لحظه نفهمد، از دست رفته است.
پس هر عنصری که معنیاش به دیدن وابسته است یا بازنویسی میشود یا میرود. پرانتز وسط جمله، ارجاع به «جدول بالا»، شمارهی پاورقی و آدرس اینترنتی، در گوش وقفهاند.
پاکسازی: چه چیزی حذف و چه چیزی بازنویسی میشود
این مرحله را نمیشود به حدس موتور سپرد؛ روی خود فایل متن انجام میشود. جدول زیر پرتکرارترین موارد است.
| عنصر در نسخهی چاپی | چرا در گوش نمینشیند | کار درست |
|---|---|---|
| پاورقی | شمارهاش خوانده میشود و جمله پاره میشود | داخل جمله بیاید یا به پیوست فصل برود |
| جدول | ردیفبهردیف خواندن شنونده را گم میکند | سه چهار جمله که یافتهی اصلی را بگوید |
| شکل و نمودار | ارجاع دیداری بدون تصویر بیمعنی است | جملهای که نتیجه را مستقیم بگوید |
| حروف لاتین | با قواعد زبان دیگری خوانده میشود | آوانویسی فارسی و ثبت در واژهنامه |
| تاریخ و عدد | ۱۴۰۵/۰۳/۱۲ رقمبهرقم خوانده میشود | نوشتن خواندنی: دوازدهم خرداد |
یک نکتهی ریز ولی پرتکرار: نویسههای عربی «ي» و «ك» و نبود نیمفاصله خروجی را خراب میکنند؛ «می شود» با فاصلهی کامل، دو کلمهی جدا خوانده میشود. یکسانسازی نویسهها جلوی دهها لغزش را میگیرد؛ چراییاش در محدودیتهای فارسی در هوش مصنوعی آمده. اگر متن اصلی اسکن چاپی است، مسیر از تبدیل عکس به متن فارسی میگذرد و OCR باید بازخوانی شود.
واژهنامهی تلفظ، پیش از ضبط
اگر این یکی جا بیفتد، مجبورید کل کتاب را دوباره تولید کنید: فهرستی از هر اسم خاص، اصطلاح تخصصی و کلمهی دوپهلو، با شکل درست خواندهشدنش.
در فارسی مشکل جدیتر است چون اعراب نوشته نمیشود. «مِلک» و «مُلک»، «سِیر» و «سیر»، «کَرَم» و «کِرم» را موتور از بافت جمله حدس میزند و گاهی اشتباه. راهحل ساده است: همانجا اعراب بگذارید. برای اسم خارجی هم ناشر یک بار تصمیم میگیرد «گوته» بنویسد یا چیز دیگر؛ همان در کل کتاب میماند.
انتخاب صدا و یکدستی در کل کتاب
وسوسهای هست که برای هر فصل صدای بهتری امتحان کنید. نکنید. شنوندهای که ده ساعت با یک صدا جلو رفته، تغییر لحن در فصل هفتم را فوراً میفهمد.
یک صدا انتخاب کنید و تنظیماتش — سرعت، زیر و بمی، مدل — را یادداشت کنید؛ ویراست دوم شش ماه بعد به همینها نیاز دارد. یک پاراگراف سخت را با چند گزینه بسازید و با هدفون گوش بدهید؛ سازوکار کلی این تبدیل در تبدیل گفتار به متن و متن به گفتار فارسی آمده است.
مکث و ریتم: جایی که صدای مصنوعی لو میرود
گویندهی انسانی پیش از جملهی مهم مکث میکند و بین بندها فاصلهی نابرابر میگذارد. موتور صدا این کار را نمیکند مگر بگویید.
عملیترین راه، دخالت در خود متن است: جملههای بلندتر از حدود بیستوپنج کلمه را بشکنید، بین بخشها خط خالی بگذارید تا مکث بلندتر تولید شود، و عنوان فصل را جدا بسازید. اگر ابزارتان نشانهگذاری مکث دارد، برای فهرستها استفاده کنید.
کیفیت امروز صدای فارسی: کجا قبول است، کجا نه
رک بگویم: صدای فارسی مصنوعی از «آزاردهنده» به «قابل شنیدن» رسیده و برای متن اطلاعاتی جواب میدهد — جزوهی درسی، کتاب فنی، راهنمای کاربر، گزارش. آهنگ جملهی خبری درست درمیآید و گوش زود عادت میکند.
جایی که شکست میخورد متن عاطفی است. دیالوگ دو شخصیت با یک دما خوانده میشود، جملهی گرهگشا وزن جملهی توضیحی را دارد، و شعر — که ارزشش در وزن و مکث است — از دست میرود. اینجا ابزار جواب نمیدهد.
ویرایش، نویز و یکدستکردن بلندی
خروجی خام آمادهی انتشار نیست. سه کار حداقلی: یکدستکردن بلندی صدا بین فصلها، حذف سکوتهای بیجای ابتدا و انتها، و گوشدادن کامل به یک فصل با هدفون.
آن گوشدادن را کسی جایتان انجام نمیدهد؛ لغزش تلفظ در جای پیشبینینشده ظاهر میشود و ابزاری علامتش نمیزند. اگر موسیقی پشتزمینه یا نشان صوتی میگذارید، بلندیاش را زیر صدای گوینده نگه دارید.
پرامپتی که فصل را برای خواندن آماده میکند
این مرحله را میشود خودکار کرد. الگوی زیر را روی یک فصل امتحان کنید و با متن اصلی مقابلهاش کنید؛ در نارنگی قابل اجراست:
نقش: ویراستار نسخهی صوتی کتاب فارسی
ورودی: متن فصل که پایین میآید
کارها:
۱. پاورقی را داخل جمله بیاور یا جدا فهرست کن
۲. ارجاع دیداری (جدول بالا، شکل ۲-۳) را شنیدنی کن
۳. جملههای بلندتر از بیستوپنج کلمه را بشکن
۴. تاریخ و عدد و واحد را خواندنی بنویس
۵. اسم خاص و کلمهی دوپهلو را با تلفظ پیشنهادی فهرست کن
خروجی: متن آمادهی خواندن + جدول تلفظ + فهرست موارد نامطمئن
چیزی اضافه نکن و لحن نویسنده را عوض نکنبند آخر مهمترین است؛ بدون آن مدل «بهتر کردن» جملهها را شروع میکند. اصولش در پرامپتنویسی فارسی آمده و اگر خود متن هم بازنویسی میخواهد، ویرایش و بازنویسی متن فارسی جای شروع است.
انتشار: قالب فایل و فراداده
هر فصل یک فایل جدا با نامگذاری شمارهدار و فرادادهی یکسان: عنوان کتاب، نویسنده، ناشر، شمارهی فصل. قالب رایج MP3 است و برای کتابهای بلند M4B که فصلبندی را داخل یک فایل نگه میدارد؛ تعریفهایش در مدخل Audiobook هست.
مشخصات فنی را از پلتفرم مقصد بگیرید، نه از راهنمای عمومی. طاقچه و فیدیبو و نوار هرکدام شرط خودشان را دارند؛ دوبارهسازی کل کتاب بهخاطر یک عدد، وقتگیرترین اشتباه این مسیر است.
جایی که این کار را نباید بکنید
سه مورد روشن: رمان و داستان بلند، شعر، و هر کتابی که راویاش بخشی از هویت اثر است. اینجا گویندگی مصنوعی صرفهجویی نیست، تخریب است.
پیش از استفاده از هر صدای شبیهسازیشده، رضایت کتبی صاحبش را بگیرید — چه گویندهی حرفهای، چه خود نویسنده. صدای کسی را بدون اجازه بازسازی نکنید؛ خطرش در کلاهبرداری با صدای جعلی آمده. مالکیت اثر تولیدشده هم روشن نیست و در حق نشر محتوای تولیدشده بررسی شده؛ برای قرارداد نشر، حقوقدان باید متن را ببیند.
در توضیح اثر هم بنویسید که نسخهی صوتی با گویندگی مصنوعی ساخته شده. شنوندهای که خودش میفهمد و شما نگفتهاید، دیگر برنمیگردد.
جمعبندی
وقتی میگویند کتاب گویای مصنوعی بد شد، تقریباً همیشه متن مقصر است نه موتور صدا. پاورقی نمانده باشد، ارجاع دیداری بازنویسی شده باشد، اسمها تلفظ داشته باشند و جملهها کوتاه — خروجی از «آزاردهنده» به «قابل انتشار» میرسد.
یک فصل را کامل جلو ببرید: پاکسازی، واژهنامه، انتخاب صدا، تولید، گوشدادن. اگر آن فصل قابل انتشار شد، بقیه تکرار همان رویه است. و اگر رمان میسازید، پول گویندهی انسانی را بدهید؛ هنوز صرف میکند.
برای ادامه:
