سعید شیخ‌امیری · نوامبر ۲۰۲۶ · نسخهٔ ۱.۰
این گزارش را نوشتم چون مقایسهٔ مدل‌های صوتی از بیرون تقریباً ناممکن شده است. صفحهٔ هر فروشنده مدل خودش را با بدترین مدل رقیب مقایسه می‌کند، جدول‌های بنچمارک روی گفتار خوانده‌شدهٔ انگلیسی سنجیده می‌شوند و بعد «چندزبانه» نام می‌گیرند، و شرط مجوز سه کلیک دورتر از دکمهٔ دانلود پنهان است. کاری که در ادامه آمده تلاشی است برای گذاشتن کل حوزه روی یک صفحه: هشت دستهٔ کارکردی، مدل‌هایی که در هر دسته واقعاً مهم‌اند، هزینهٔ واقعی‌شان و نقاط حقوقی خطرناک.
دربارهٔ روش کار: مقایسه بر اساس «کارکرد» سازماندهی شده، نه معماری، چون تصمیم ساخت-یا-خرید در عمل این‌طور گرفته می‌شود. قیمت‌ها نرخ فهرست نوامبر ۲۰۲۶ و به دلار آمریکاست و مدام عوض می‌شوند؛ هر عددی که اینجا می‌بینید نقطهٔ شروع مذاکره است، نه پیش‌فاکتور. هرجا عددی را می‌شد با صفحهٔ رسمی فروشنده بررسی کرد، بررسی کردم و هرجا نشد، عدد تقریبی است و پیش از رفتن به بودجه باید تأیید شود. نسخهٔ مدل‌ها ماهانه عوض می‌شود، پس ممکن است تا زمانی که این را می‌خوانید جانشین یک مدل معرفی شده باشد.
تلاش کرده‌ام دربارهٔ بخش‌هایی که واقعاً نامطمئن‌اند صادق باشم: تأخیر به منطقه و بار شبکه بستگی دارد، WER به دامنه، و «پشتیبانی از ۹۹ زبان» معمولاً یعنی «پشتیبانی بد از ۹۹ زبان، به‌جز انگلیسی». هرجا داده کم بود، همان‌جا گفته‌ام.
هشدار دربارهٔ اعداد: قیمت‌ها و نسخه‌ها ماهانه عوض می‌شوند. اعداد این سند تقریبی‌اند و باید پیش از قرارداد یا بودجه‌بندی از صفحهٔ رسمی قیمت تأیید شوند. جای مدل‌ها در جدول‌ها رتبهٔ مطلق نیست؛ ستون «مناسب برای» از رتبه مهم‌تر است.
دسته‌بندی بر اساس کارکرد (نه معماری) انجام شده، چون تصمیم خرید/انتخاب فنی معمولاً از کارکرد شروع می‌شود.
| # | دسته | ورودی → خروجی | معیار موفقیت اصلی | نمونهٔ کاربرد |
|---|---|---|---|---|
| ۱ | TTS / سنتز گفتار | متن → گفتار | طبیعی‌بودن، بیان، تأخیر، کلونینگ | کتاب صوتی، دستیار، تبلیغ |
| ۲ | ASR / تشخیص گفتار | گفتار → متن | WER، دیاریزیشن، استریم، زبان | زیرنویس، تماس، تحلیل تماس |
| ۳ | تبدیل صدا / کلونینگ (VC) | صدا + هدف → صدای جدید | شباهت تیمبر، حفظ محتوا، بلادرنگ | دوبله، بازی، محتوای سازنده |
| ۴ | تولید موسیقی | متن/ملودی → موسیقی | موسیقیایی‌بودن، ساختار، آواز | آهنگ، پس‌زمینه، بازی |
| ۵ | تولید افکت صدا (SFX/Foley) | متن/ویدیو → صدا | همگامی با تصویر، واقع‌گرایی | فیلم، بازی، پادکست |
| ۶ | سنتز آواز | متن+ملودی → آواز | تلفظ، ویبراتو، احساس | تولید آهنگ، دمو |
| ۷ | درک و تحلیل صدا | صدا → معنا/برچسب/پاسخ | استدلال، برچسب‌گذاری، پاسخ‌گویی | دستیار صوتی، مانیتورینگ |
| ۸ | پردازش و بهبود | صدا → صدا | SNR، جداسازی، طبیعی‌بودن | پاک‌سازی، استم، مسترینگ |
دو محور کمکی برای دسته‌بندی:
برای اینکه جدول‌ها قابل مقایسه باشند، هر مدل با این ۱۲ معیار سنجیده شده است:
| معیار | توضیح | چرا مهم است |
|---|---|---|
| کیفیت ادراکی | MOS یا رتبهٔ آرنا (TTS Arena، Artificial Analysis) | نزدیک‌ترین معیار به «طبیعی‌بودن» |
| دقت (ASR) | WER روی مجموعه‌های تمیز/نویزی/لهجه‌دار | تصمیم اصلی برای رونویسی |
| تأخیر | TTFA (زمان تا اولین صدا) یا بلادرنگ‌بودن | تعیین‌کنندهٔ ایجنت صوتی |
| پوشش زبانی | تعداد زبان + کیفیت هر زبان | فارسی/چندزبانه |
| کلونینگ | صفر-شات، چند-شات، فاین‌تیون | شخصی‌سازی صدا |
| کنترل | احساس، سرعت، لحن، تلفظ، تگ‌های صوتی | کیفیت تولید محتوا |
| طول خروجی | چند ثانیه/دقیقه در یک درخواست | کتاب صوتی، پادکست |
| استریم | پشتیبانی WebSocket/بلادرنگ | تماس و ایجنت |
| سخت‌افزار | CPU/GPU، حافظه، سرعت RTF | هزینهٔ self-host |
| مجوز | Apache/MIT/CC-BY-NC/Community/اختصاصی | استفادهٔ تجاری |
| قیمت | به ازای کاراکتر/دقیقه/تولید | بودجه |
| بلوغ | مستندات، SDK، SLA، پایداری | ریسک عملیاتی |
سه نسل مدل در TTS امروز هم‌زمان فعال‌اند:
| مدل / سرویس | ویژگی شاخص | تأخیر | زبان | کلونینگ | قیمت تقریبی | مناسب برای |
|---|---|---|---|---|---|---|
| ElevenLabs v3 | بیانی‌ترین مدل بازار؛ تگ‌های احساسی ([whispers], [laughs])؛ ۷۰+ زبان | ۰.۵–۱ ثانیه (غیراستریم) | ۷۰+ | فوری (۱ دقیقه نمونه) + حرفه‌ای | ۰.۰۶–۰.۲۴ دلار / هزار کاراکتر؛ پلن‌ها از ۵ دلار تا ۱٬۳۲۰ دلار/ماه | کتاب صوتی، تبلیغ، دوبلهٔ احساسی |
| ElevenLabs Flash v2.5 | نسخهٔ فوق‌سریع همان موتور | ۷۵ میلی‌ثانیه | ۳۲+ | محدود | ارزان‌تر از v3 | ایجنت صوتی، IVR |
| ElevenLabs Turbo v2.5 | تعادل سرعت/کیفیت | ۲۵۰–۳۰۰ میلی‌ثانیه | ۳۲+ | بله | متوسط | چت‌بات صوتی |
| OpenAI gpt-4o-mini-tts | دستورپذیری با پرامپت («با لحن آرام و جدی»)؛ یکپارچه با API | ۰.۵ ثانیه | ۵۰ (کیفیت متغیر) | خیر | ۰.۰۱۵ دلار/دقیقه صدا | محصولات OpenAI-محور |
| OpenAI tts-1 / tts-1-hd | ساده، پایدار، ۱۳ صدا | سریع | ۵۰ | خیر | ۱۵ و ۳۰ دلار برای هر میلیون کاراکتر | MVP و پروتوتایپ |
| Google Chirp 3 HD | صدای طبیعی، پوشش گسترده، GCP | ۰.۳ ثانیه | ۵۰+ | Custom Voice (سازمانی) | ۳۰ دلار / میلیون کاراکتر | سازمانی GCP |
| Google Gemini TTS | کنترل با پرامپت زبان طبیعی، چند-اسپیکر | متوسط | ۲۴+ | خیر | بر پایهٔ توکن صوتی (پیش‌نمایش) | تجربه‌های مکالمه‌ای |
| Azure Neural TTS | پوشش رسمی fa-IR؛ SSML کامل؛ استریم | ۰.۲ ثانیه | ۱۴۰+ | Custom Neural Voice | ۱۵ دلار برای هر میلیون کاراکتر (HD: ۳۰ دلار) | فارسی سازمانی |
| Amazon Polly | ارزان، پایدار، Generative voices | ۰.۳ ثانیه | ۴۰+ | Brand Voice | ۴ دلار استاندارد، ۱۶ دلار نرال، ۳۰ دلار جنراتیو | مقیاس ارزان AWS |
| Cartesia Sonic-3 | فوق‌سریع و کم‌هزینه برای مکالمه؛ کیفیت خوب | ۴۰ میلی‌ثانیه | ۴۰+ | Instant clone | ۲۰–۴۰ دلار / میلیون کاراکتر | ایجنت تلفنی |
| Deepgram Aura-2 | مخصوص ایجنت؛ تأخیر پایین؛ SLA | ۲۰۰ میلی‌ثانیه | انگلیسی‌محور | خیر | ۳۰ دلار / میلیون کاراکتر | تماس، پشتیبانی |
| Hume Octave | کنترل احساس و «بازیگری» با توصیف | متوسط | ۱۰+ | بله | بر کاراکتر، گران‌تر از میانگین | محتوای نمایشی |
| PlayHT Play 3.0 | کلونینگ سریع، پوشش زبان خوب | ۰.۳ ثانیه | ۳۰+ | بله | ۳۹ دلار/ماه شروع؛ API کاراکتری | پادکست، ویدیو |
| LMNT | فوق‌سریع، مینیمال | ۵۰ میلی‌ثانیه | ۱۰+ | بله | ۰.۰۳ دلار/هزار کاراکتر | استریم کم‌تأخیر |
| Rime | صداهای «شخصیت‌محور» و محاوره‌ای | ۰.۲ ثانیه | ۱۰+ | بله | کاراکتری | بازی، شخصیت |
| MiniMax Speech-2.6 | کیفیت بالا با قیمت تهاجمی؛ ۴۰+ زبان | متوسط | ۴۰+ | بله | ارزان (رقابتی با ElevenLabs) | بازار قیمت‌حساس |
| Fish Audio S1 | کلونینگ سریع، قیمت پایین، اکوسیستم باز | متوسط | ۱۳+ | بله | ۱۵ دلار / میلیون کاراکتر | سازندگان محتوا |
| Speechify / Murf / WellSaid / Resemble | محصول‌محور (استودیو، تیم، برند) | متوسط | ۲۰–۵۰ | بله | اشتراک ۲۰–۱۰۰ دلار/ماه | تیم‌های محتوا |
نکتهٔ قیمت: قیمت مؤثر TTS را با «هزینه به ازای یک ساعت صدا» بسنجید. یک ساعت گفتار۹۰٬۰۰۰ کاراکتر (فارسی/انگلیسی متوسط). یعنی ۱۵ دلار برای هر میلیون کاراکتر ۱.۳۵ دلار به ازای هر ساعت صدا؛ ۳۰ دلار برای هر میلیون کاراکتر ۲.۷ دلار؛ ElevenLabs در پلن پایین تا ۱۰–۲۰ دلار در ساعت می‌رسد.
| مدل | پارامتر | زبان | کلونینگ | مجوز | سخت‌افزار | نقطهٔ قوت | ضعف |
|---|---|---|---|---|---|---|---|
| Kokoro-82M | ۸۲M | ۸ (en, ja, zh, es, fr, hi, it, pt) | خیر (voicepack) | Apache 2.0 | CPU هم اجرا می‌شود | کیفیت/هزینهٔ بی‌نظیر؛ فوق‌سریع | بدون کلونینگ؛ زبان محدود |
| Piper | ۱۰–۶۰M | ۳۰+ (شامل fa_IR) | خیر | MIT | Raspberry Pi | سبک، آفلاین، چندزبانه | صدای ماشینی |
| XTTS-v2 (Coqui) | ۴۶۷M | ۱۷ | ۶ ثانیه نمونه | CPML (غیرتجاری) | ۴–۶GB VRAM | کلونینگ چندزبانهٔ بالغ | مجوز غیرتجاری؛ فارسی ندارد |
| F5-TTS | ۳۳۶M | en, zh (+fainetune) | صفر-شات | کد MIT / وزن CC-BY-NC | ۶–۸GB | کیفیت بالا، آموزش‌پذیر | وزن غیرتجاری؛ زبان محدود |
| Chatterbox (Resemble) | ۰.۵B | en + ۲۳ زبان (نسخهٔ چندزبانه) | بله | MIT | ۶–۸GB | احساس قابل تنظیم، واترمارک Perth | کیفیت چندزبانه ناهمگون |
| Dia-1.6B (Nari) | ۱.۶B | en | بله | Apache 2.0 | ۱۰GB+ | دیالوگ چندنفره، خنده/آه | فقط انگلیسی، کند |
| Orpheus-3B (Canopy) | ۳B | en + چند نسخهٔ زبانی | بله | Apache 2.0 | ۱۲GB+ | تگ‌های احساسی، استریم ۲۰۰ میلی‌ثانیه | سنگین |
| Sesame CSM-1B | ۱B | en | بله | Apache 2.0 | ۸GB | زمینهٔ مکالمه، طبیعی | انگلیسی، غیرقابل کنترل دقیق |
| VibeVoice (Microsoft) | ۱.۵B / ۷B | en, zh | بله | MIT | ۸–۱۶GB | تا ۴ گوینده، تا ۹۰ دقیقه | زبان محدود |
| Higgs Audio v2 (Boson) | ۳B | چندزبانه | بله | Apache (کد) / وزن باز | ۱۲GB+ | کیفیت بالا، موسیقی/آواز | منابع سنگین |
| IndexTTS-2 (Bilibili) | ۱B | zh, en | صفر-شات | Apache 2.0 | ۸GB | کنترل احساس و مدت | زبان محدود |
| CosyVoice 2/3 (Alibaba) | ۰.۵B | zh, en, ja, ko + گویش‌ها | بله | Apache 2.0 | ۴–۶GB | استریم ۱۵۰ میلی‌ثانیه، کیفیت صنعتی | فارسی ندارد |
| Fish Speech / OpenAudio | ۰.۵B | ۱۳ | بله | کد Apache / وزن CC-BY-NC-SA | ۶GB | چندزبانه، کلونینگ سریع | وزن غیرتجاری |
| MegaTTS3 | ۰.۴۵B | zh, en | بله | Apache 2.0 | ۶GB | کلونینگ خوب، سبک | دو زبان |
| Zonos (Zyphra) | ۱.۶B | en + ۷ | بله | Apache 2.0 | ۸GB | کنترل احساس، صدای خوب | فارسی ندارد |
| Bark (Suno) | ۱B | ۱۳+ | بله | MIT | ۶GB | صداهای غیرکلامی، موسیقی | ناپایدار، کند، توهم |
| Parler-TTS | ۰.۹B | en | خیر | Apache 2.0 | ۶GB | کنترل با توصیف متنی | انگلیسی، کیفیت متوسط |
| Spark-TTS | ۰.۵B | zh, en | بله | Apache 2.0 (کد) | ۴GB | سبک، کنترل‌پذیر | زبان محدود |
| MOSS-TTSD / FireRedTTS-2 | ۱–۳B | zh, en | بله | Apache 2.0 | ۸–۱۲GB | دیالوگ طولانی، پادکست | زبان محدود |
جمع‌بندی TTS:
| سرویس / مدل | قیمت تقریبی | WER (انگلیسی تمیز) | استریم | دیاریزیشن | زبان | نکته |
|---|---|---|---|---|---|---|
| OpenAI whisper-1 | ۰.۰۰۶ دلار/دقیقه | ۸–۱۲٪ | خیر | خیر | ۹۹ | ارزان، ساده، بدون ویژگی |
| OpenAI gpt-4o-transcribe | ۰.۰۰۶ دلار/دقیقه | ۵–۸٪ | محدود | خیر | ۵۰+ | مقاوم به نویز، خلاصه‌سازی |
| OpenAI gpt-4o-mini-transcribe | ۰.۰۰۳ دلار/دقیقه | ۷–۱۰٪ | محدود | خیر | ۵۰+ | ارزان‌ترین OpenAI |
| Deepgram Nova-3 | ۰.۰۰۴۳–۰.۰۰۷۷ دلار/دقیقه | ۵–۷٪ | بله (خوب) | بله | ۳۰+ | استاندارد ایجنت/تماس |
| AssemblyAI Universal-3 | ۰.۰۰۲۵–۰.۰۰۴۵ دلار/دقیقه | ۵–۷٪ | بله | بله | ۹۹ | ویژگی‌های تحلیل مکالمه |
| Speechmatics | ۰.۰۰۱۷–۰.۰۰۳۶ دلار/دقیقه | ۶–۸٪ | بله | بله | ۵۰+ | دقت بالا در لهجه، اروپا |
| Soniox | ۰.۰۰۱–۰.۰۰۲ دلار/دقیقه | ۶–۹٪ | بله | بله | ۶۰+ | ارزان، استریم |
| Gladia | ۰.۰۰۲۵ دلار/دقیقه | ۷–۹٪ | بله | بله | ۱۰۰ | ساده، اروپا |
| Rev AI | ۰.۰۲ دلار/دقیقه (AI) | ۶–۸٪ | خیر | بله | ۳۰+ | کیفیت + خدمات انسانی |
| Google Chirp 3 | ۰.۰۱۶ دلار/دقیقه | ۶–۹٪ | بله | بله | ۱۲۵ | یکپارچگی GCP |
| Azure Speech | ۰.۰۱۷ دلار/دقیقه (real-time) | ۶–۹٪ | بله | بله | ۱۰۰+ | فارسی رسمی، SSML |
| Amazon Transcribe | ۰.۰۲۴ دلار/دقیقه | ۷–۱۰٪ | بله | بله | ۱۰۰ | AWS، Tiered |
| ElevenLabs Scribe v2 | ۰.۰۰۶۷ دلار/دقیقه | ۴–۶٪ | خیر | بله | ۹۹ | دقت بالا، تمیزکاری |
| Mistral Voxtral | ۰.۰۰۳–۰.۰۰۶ دلار/دقیقه | ۶–۸٪ | خیر | خیر | ۸ | ارزان، اروپا |
| مدل | پارامتر | مجوز | WER انگلیسی | زبان | سرعت | نکته |
|---|---|---|---|---|---|---|
| Whisper large-v3 | ۱.۵B | MIT | ۷–۹٪ | ۹۹ | متوسط | استاندارد طلایی باز؛ مقاوم |
| Whisper large-v3-turbo | ۸۰۹M | MIT | ۸–۱۰٪ | ۹۹ | ۸× سریع‌تر | بهترین تعادل |
| distil-whisper large-v3.5 | ۷۵۶M | MIT | ۹–۱۱٪ | en | ۶× سریع | انگلیسی |
| NVIDIA Parakeet-TDT-0.6B v3 | ۰.۶B | CC-BY-4.0 | ۵–۶٪ | ۲۵ (اروپایی) | بسیار سریع | صدر جدول Open ASR |
| NVIDIA Canary-Qwen-2.5B | ۲.۵B | CC-BY-4.0 | ۵.۶٪ | en | متوسط | دقت بالا + LLM |
| NVIDIA Canary-1B-v2 | ۱B | CC-BY-4.0 | ۶–۷٪ | ۲۵ | سریع | ترجمهٔ گفتار هم دارد |
| Kyutai STT | ۱B / ۲.۶B | CC-BY-4.0 | ۶–۸٪ | en, fr | استریم | بلادرنگ |
| Moonshine | ۲۷–۶میلیون | MIT | ۹–۱۲٪ | en | فوق‌سریع | لبه (edge) |
| Vosk | ۵۰–۵۰۰M | Apache 2.0 | ۱۰–۱۵٪ | ۲۰+ (شامل fa) | CPU | آفلاین کوچک |
| MMS / Wav2Vec2 | ۳۰۰M | MIT | متغیر | ۱۱۰۰+ (شامل fa) | متوسط | پوشش زبانی بی‌رقیب |
| SenseVoice | ۲۳۴M | Apache 2.0 | ۷–۹٪ | zh, en, ja, ko | فوق‌سریع | احساس + رویداد صوتی |
| Qwen3-ASR | ۱.۷B–۸B | Apache 2.0 | ۵–۷٪ | ۵۲ | متوسط | دقت بالا، LLM-محور |
| Step-Audio 2 mini ASR | ۸B | Apache 2.0 | ۵–۷٪ | ۳۰+ | کند | بخشی از مدل Omni |
جمع‌بندی ASR:
| مدل / سرویس | نوع | مجوز/قیمت | کیفیت شباهت | بلادرنگ | نکته |
|---|---|---|---|---|---|
| RVC (Retrieval-based VC) | وزن باز | MIT | بالا (با ۱۰–۳۰ دقیقه داده) | بله (۹۰ میلی‌ثانیه) | پرکاربردترین در جامعه؛ آموزش آسان |
| so-vits-svc | وزن باز | AGPL | بالا | تقریباً | محبوب برای آواز |
| OpenVoice v2 (MyShell) | وزن باز | MIT | متوسط | بله | کلونینگ تیمبر + چندزبانه، سبک |
| Seed-VC | وزن باز | Apache 2.0 | بالا | بله | صفر-شات، آواز و گفتار |
| GPT-SoVITS | وزن باز | MIT | بالا | خیر | کیفیت بالا با ۱ دقیقه داده |
| Chatterbox VC | وزن باز | MIT | بالا | خیر | همراه TTS همان خانواده |
| ElevenLabs Voice Changer | ابری | اشتراکی | بالا | بله | ساده، کیفیت خوب |
| Respeecher | ابری/استودیو | سازمانی (گران) | بسیار بالا | خیر | فیلم/سریال، مجوز صدا |
| Altered Studio | ابری | اشتراکی | بالا | بله | دوبله و بازی |
| Voice.ai / Kits VC | ابری/دسکتاپ | فریمیوم | متوسط–بالا | بله | مصرف‌کننده |
نکات کلیدی:
| سرویس | نسخه | ویژگی | قیمت تقریبی | مالکیت خروجی |
|---|---|---|---|---|
| Suno | v5 | آهنگ کامل با آواز، سبک‌های متنوع، ویرایش بخش‌ها | Free (۵۰ کردیت/روز، غیرتجاری)؛ Pro ۱۰ دلار/ماه؛ Premier ۳۰ دلار/ماه | در پلن پولی، تجاری (با شرایط) |
| Udio | v2/v3 | کیفیت صوتی بالا، کنترل سبک | ۱۰–۳۰ دلار/ماه | تجاری در پلن‌ها؛ پس از توافق با ناشران |
| Riffusion | FUZZ | رایگان/فریمیوم، تولید سریع | رایگان + پلن | متغیر |
| Stable Audio 2.5 (Stability) | 2.5 | تولید تا ۳ دقیقه، لوپ، تبدیل صدا | کردیت API | تجاری با مجوز |
| Google Lyria 2/3 | Vertex/Gemini | موسیقی پرکیفیت، ابزارهای حرفه‌ای | بر دقیقه/توکن | تجاری |
| MiniMax Music 2 | — | آهنگ کامل، ارزان | API ارزان | تجاری |
| Mureka | V8 | آهنگ کامل + آواز | اشتراکی | تجاری |
| ElevenLabs Music | — | موسیقی با مجوز داده، تمرکز تجاری | اشتراکی | تجاری (مدعی مجوز کامل) |
| Adobe Firefly Soundtrack | — | ایمن از نظر حق نشر | کردیت Creative Cloud | تجاری |
| Soundraw / Beatoven / AIVA / Boomy | — | موسیقی رویالتی-فری برای ویدیو | ۱۰–۳۰ دلار/ماه | تجاری |
| مدل | پارامتر | مجوز | طول خروجی | آواز | نکته |
|---|---|---|---|---|---|
| ACE-Step | ۳.۵B | Apache 2.0 | تا ۴ دقیقه | بله (۱۹ زبان) | کامل‌ترین گزینهٔ باز برای «آهنگ کامل» |
| Stable Audio Open 2.0 | ۱B | Stability Community (تجاری زیر ۱ میلیون دلار درآمد) | ۴۷ ثانیه | خیر | لوپ/افکت، کیفیت بالا |
| MusicGen (Meta) | ۳۰۰M–۳.۳B | کد MIT / وزن CC-BY-NC | ۳۰ ثانیه | خیر | مرجع پژوهشی، ملودی/استایل |
| YuE | ۷B | Apache (کد) / CC-BY-NC (وزن) | چند دقیقه | بله | آهنگ کامل با آواز |
| DiffRhythm | ۱B | Apache 2.0 | تا ۴ دقیقه | بله | فوق‌سریع (تولید در چند ثانیه) |
| Tango 2 | ۱B | CC-BY-NC | ۳۰ ثانیه | خیر | کیفیت بالای افکت/موسیقی |
| AudioLDM 2 | ۱B | CC-BY-NC | ۱۰ ثانیه | خیر | عمومی صدا |
| MAGNeT | ۳۰۰M–۱.۵B | CC-BY-NC | ۳۰ ثانیه | خیر | سریع، غیراتورگرسیو |
جمع‌بندی موسیقی: برای «آهنگ آمادهٔ انتشار» → Suno/Udio. برای «موسیقی پس‌زمینهٔ تجاری امن» → Firefly/Stable/ElevenLabs Music. برای «استقرار محلی و کنترل» → ACE-Step (بهترین باز) و DiffRhythm (سریع‌ترین).
| مدل / سرویس | ورودی | مجوز/قیمت | ویژگی |
|---|---|---|---|
| ElevenLabs SFX v2 | متن | اشتراکی/کردیت | کیفیت بالا، کتابخانهٔ صدا، همگام با ویدیو |
| Stable Audio Open / 2.5 API | متن | Community/کردیت | افکت و لوپ، کیفیت خوب |
| Meta AudioGen | متن | CC-BY-NC | مرجع پژوهشی |
| TangoFlux | متن | Apache 2.0 | ۵۱۵M، سریع، کیفیت خوب |
| Woosh | متن | Apache 2.0 | سبک، مخصوص افکت |
| MMAudio | ویدیو (+متن) | MIT | Foley خودکار برای ویدیو |
| HunyuanVideo-Foley (Tencent) | ویدیو | باز (تحقیقاتی) | همگامی دقیق با تصویر |
| AudioX | ویدیو/متن | باز | تولید صدا از ویدیو |
| Kling / Runway / Pika Foley | ویدیو | اشتراکی | درون ابزار ویدیو |
| Mirelo SFX | ویدیو | API | Foley حرفه‌ای |
نکته: برای ویدیو، معیار اصلی «همگامی زمانی» است نه فقط کیفیت صدا. مدل‌های video-to-audio (MMAudio، HunyuanVideo-Foley) در این معیار از text-to-audio جلوترند.
| گزینه | نوع | قیمت/مجوز | کیفیت | نکته |
|---|---|---|---|---|
| Synthesizer V Studio (Dreamtonics) | نرم‌افزار تجاری | ۸۹ دلار + بانک صدا ۵۰–۱۰۰ دلار | بهترین کیفیت صنعتی | کنترل کامل فونتیک/ویبراتو |
| Vocaloid 6 / CeVIO / Piapro | تجاری | ۱۰۰–۳۰۰ دلار | بالا | اکوسیستم قدیمی و بزرگ |
| Suno / Udio | ابری | اشتراکی | بالا (آواز تولیدی) | کنترل محدود روی جزئیات |
| Kits.AI / Voicify / Jammable | ابری | اشتراکی | متوسط–بالا | کلون صدا روی آواز |
| DiffSinger | باز | Apache 2.0 | متوسط–بالا | نیاز به داده/آموزش |
| ACE-Step / DiffRhythm / YuE | باز | Apache/NC | متوسط | آواز کامل درون آهنگ |
| RVC / so-vits-svc / Seed-VC | باز | MIT/AGPL | بالا (تبدیل) | تبدیل آواز موجود به صدای هدف |
نکته: «سنتز آواز از صفر» (متن+نُت) با «تبدیل آواز» (خوانندهٔ واقعی → صدای دیگر) دو مسئلهٔ متفاوت‌اند. برای کیفیت استودیویی، Synthesizer V همچنان سرتر است؛ برای سرعت و هزینه، Suno.
| مدل | مجوز | قابلیت | نکته |
|---|---|---|---|
| GPT-4o / GPT-5 audio (OpenAI) | API | شنیدن، استدلال، پاسخ صوتی، Realtime | گران‌ترین اما قوی‌ترین در گفت‌وگو |
| Gemini 2.5 / 3 (Google) | API | صدا + ویدیو + متن، پنجرهٔ بلند | یکپارچگی Gemini |
| Qwen3-Omni (Alibaba) | Apache 2.0 | صدا/تصویر/متن، ۳۰B-A3B MoE | بهترین Omni باز |
| Qwen2.5-Omni | Apache 2.0 | گفت‌وگوی بلادرنگ | سبک‌تر |
| Kimi-Audio (Moonshot) | MIT-ish | درک + تولید، ۱۳M ساعت داده | دقت بالا در بنچمارک |
| Step-Audio 2 mini | Apache 2.0 | ASR + TTS + استدلال صوتی | چینی/انگلیسی قوی |
| Moshi (Kyutai) | CC-BY 4.0 | گفت‌وگوی تمام‌دوطرفه (۲۰۰ میلی‌ثانیه) | تجربهٔ مکالمهٔ طبیعی |
| SALMONN / Audio Flamingo 3 | تحقیقاتی | درک صداهای عمومی، موسیقی | غیرتجاری |
| GLM-4-Voice / MiniCPM-o | Apache 2.0 | گفت‌وگوی سبک | لبه/موبایل |
کاربردها: دستیار صوتی، تحلیل تماس، مانیتورینگ کارخانه، توضیح موسیقی، دسترس‌پذیری. معیارها: MMAU، AudioBench، LongAudioBench.
| ابزار / مدل | کار | مجوز | نکته |
|---|---|---|---|
| Demucs v4 (htdemucs) | جداسازی ۴/۶ استم | MIT | استاندارد باز؛ کیفیت خوب |
| BS-RoFormer / Mel-Band RoFormer | جداسازی استم | MIT-ish | بالاترین کیفیت جداسازی |
| MDX23C / UVR5 | جداسازی + رابط گرافیکی | GPL/MIT | محبوب جامعه |
| LavaSR | ارتقای کیفیت/باند | Apache 2.0 | بازسازی صدا |
| AudioSR | سوپررزولوشن صدا | MIT | ۴۴.۱/۴۸kHz |
| Apollo | بازسازی صداهای خراب | باز | loss restoration |
| DeepFilterNet3 | حذف نویز بلادرنگ | MIT | سبک، برای تماس |
| RNNoise | حذف نویز | BSD | فوق‌سبک |
| Resemble Enhance | بهبود گفتار | MIT/Apache | denoise + enhance |
| Adobe Podcast Enhance | بهبود گفتار | رایگان (وب) | کیفیت خوب، محدودیت |
| Auphonic / iZotope RX | مسترینگ/ترمیم | اشتراکی/لایسنس | استاندارد حرفه‌ای |
| Krisp | حذف نویز/اکو | اشتراکی | SDK برای تماس |
| کار | واحد | بازهٔ ابری | معادل یک ساعت کار |
|---|---|---|---|
| TTS ارزان (Polly/Azure/OpenAI tts-1) | میلیون کاراکتر | ۴–۱۶ دلار | ۰.۴–۱.۵ دلار |
| TTS میان‌رده (Cartesia/Deepgram/Fish) | میلیون کاراکتر | ۱۵–۳۰ دلار | ۱.۴–۲.۷ دلار |
| TTS پریمیوم (ElevenLabs/Hume) | میلیون کاراکتر | ۶۰–۲۴۰ دلار | ۵–۲۲ دلار |
| ASR ارزان (Soniox/Gladia/Speechmatics batch) | دقیقه | ۰.۰۰۱–۰.۰۰۲ دلار | ۰.۰۶–۰.۱۲ دلار |
| ASR میان‌رده (Deepgram/AssemblyAI) | دقیقه | ۰.۰۰۲۵–۰.۰۰۵ دلار | ۰.۱۵–۰.۳۰ دلار |
| ASR پریمیوم (Google/Azure/Rev) | دقیقه | ۰.۰۱۶–۰.۰۲ دلار | ۰.۹۶–۱.۲ دلار |
| موسیقی (Suno/Udio) | آهنگ | — | اشتراک ۱۰–۳۰ دلار/ماه |
| موسیقی API (Stable/Lyria) | دقیقه | ۰.۰۲–۰.۱ دلار | ۱.۲–۶ دلار |
| افکت صدا | تولید | ۰.۰۱–۰.۱ دلار | متغیر |
یک ساعت گفتار ۹۰٬۰۰۰ کاراکتر؛ یک ساعت صدا = ۶۰ دقیقه. این دو را قاطی نکنید.
| مورد | هزینهٔ تقریبی |
|---|---|
| GPU ابری (L4/A10G) | ۰.۵–۱.۲ دلار به ازای ساعت |
| GPU ابری (A100/H100) | ۲–۴ دلار به ازای ساعت |
| RTX 4090 (اجاره) | ۰.۳–۰.۷ دلار به ازای ساعت |
| سرور اختصاصی با GPU | ۳۰۰–۱٬۵۰۰ دلار/ماه |
| MLOps/نگهداری | ۱۵–۳۰٪ هزینهٔ زیرساخت |
جملهٔ کلیدی: Whisper large-v3-turbo روی یک L4 حدود ۳۰–۶۰ برابر بلادرنگ رونویسی می‌کند؛ یعنی هر GPU-ساعت ۳۰–۶۰ ساعت صدا ۰.۰۱–۰.۰۴ دلار به ازای هر ساعت صدا. این عدد در مقیاس بزرگ (بیش از ۵۰۰ ساعت در ماه) از هر API ارزان‌تری پایین‌تر است — اما هزینهٔ مهندسی و پایداری را ندارد.
نقطهٔ سربه‌سر تقریبی: اگر ماهانه بیش از ۳۰۰–۵۰۰ ساعت صدا تولید/رونویسی می‌کنید و تیم فنی دارید، self-host را جدی بگیرید. زیر آن، API ارزان‌تر و کم‌دردسرتر است.
| مجوز | استفادهٔ تجاری | تغییر | ذکر منبع | نمونه |
|---|---|---|---|---|
| Apache 2.0 | ✅ | ✅ | ✅ (NOTICE) | Kokoro، CosyVoice، Dia، Orpheus، Qwen3-Omni |
| MIT | ✅ | ✅ | ✅ | Whisper، Piper، Chatterbox، Demucs، RVC |
| BSD | ✅ | ✅ | ✅ | RNNoise |
| CC-BY 4.0 | ✅ | ✅ | ✅ | Moshi، Parakeet/Canary |
| CC-BY-NC | ❌ | ✅ | ✅ | MusicGen weights، F5-TTS weights، YuE weights |
| Stability Community | ✅ زیر ۱ میلیون دلار درآمد | ✅ | ✅ | Stable Audio Open |
| Llama/Community اختصاصی | مشروط | مشروط | — | برخی مدل‌های متا/مایکروسافت |
| CPML (Coqui) | ❌ | ✅ | — | XTTS-v2 |
| AGPL | ✅ (با تعهد سورس سرویس) | ✅ | ✅ | so-vits-svc |
| اختصاصی ابری | طبق قرارداد | ❌ | — | ElevenLabs، Suno، Deepgram |
قاعدهٔ طلایی: مجوز مخزن کد با مجوز وزن‌ها یکی نیست. F5-TTS کد MIT دارد اما وزن CC-BY-NC؛ Fish Speech کد باز دارد اما وزن غیرتجاری. همیشه فایل LICENSE وزن‌ها (مثلاً در Hugging Face) را بخوانید.
| سناریو | انتخاب اول | جایگزین | چرا |
|---|---|---|---|
| دستیار/ایجنت تلفنی | Cartesia Sonic-3 + Deepgram Nova-3 | ElevenLabs Flash + AssemblyAI | تأخیر <۳۰۰ میلی‌ثانیه، هزینهٔ قابل پیش‌بینی |
| کتاب صوتی فارسی | Azure Neural (fa-IR) + ویرایش | ElevenLabs (تست) | تلفظ و پوشش رسمی فارسی |
| پادکست/ویدیوی انگلیسی | ElevenLabs v3 | PlayHT، Hume | بیان و کلونینگ |
| دوبلهٔ فیلم/سریال | Respeecher / ElevenLabs + پردازش | Synthesizer V برای آواز | کیفیت و مجوز صدا |
| تماس مشتریان (ASR + تحلیل) | AssemblyAI / Deepgram | Speechmatics | دیاریزیشن + تحلیل مکالمه |
| رونویسی انبوه ارزان | Whisper large-v3-turbo (self-host) | Soniox API | هزینهٔ پایین در مقیاس |
| زیرنویس فارسی | Whisper + بازبینی انسانی | Azure fa-IR | دقت قابل قبول، هزینهٔ کم |
| موسیقی پس‌زمینهٔ تجاری | Adobe Firefly / Stable Audio | ACE-Step (self-host) | ایمنی حقوقی |
| آهنگ کامل با آواز | Suno v5 / Udio | ACE-Step / YuE | کیفیت و سرعت |
| افکت صدا برای بازی | ElevenLabs SFX / Stable Audio | TangoFlux، Woosh | تنوع و کنترل |
| Foley خودکار ویدیو | MMAudio / HunyuanVideo-Foley | Kling Foley | همگامی با تصویر |
| حذف نویز تماس | DeepFilterNet3 / Krisp | RNNoise | بلادرنگ و سبک |
| جداسازی استم برای ریمیکس | BS-RoFormer / Demucs | UVR5 | کیفیت جداسازی |
| پژوهش و فاین‌تیون | Whisper + Qwen3-Omni + ACE-Step | Kokoro، Parakeet | باز، قابل تغییر |
ASR فارسی:
TTS فارسی:
نکات فنی فارسی: نرمال‌سازی متن (ارقام، نیم‌فاصله، «آ/ا»)، فرهنگ تلفظ برای اسم‌های خاص، و ارزیابی با مجموعهٔ داخلی (نه فقط MOS عمومی).
| حوزه | بنچمارک/تابلو | نکته |
|---|---|---|
| TTS | TTS Arena (Hugging Face)، Artificial Analysis Speech Arena | رأی انسانی؛ همبستگی بالا با ادراک |
| ASR | Open ASR Leaderboard (HF) | WER روی مجموعه‌های انگلیسی؛ برای فارسی معتبر نیست |
| ASR چندزبانه | FLEURS، Common Voice | پوشش زبان‌ها |
| درک صدا | MMAU، AudioBench، LongAudioBench | استدلال و درک طولانی |
| جداسازی | MUSDB18 / SDR | کیفیت استم |
| موسیقی | ارزیابی انسانی + FAD | خودکار کافی نیست |
هشدار: بنچمارک عمومی ≠ عملکرد در دامنهٔ شما. همیشه یک «ست آزمون کوچک از دادهٔ خودتان» (۵۰–۲۰۰ نمونه) بسازید و مدل‌ها را روی آن بسنجید. این تنها معیار قابل اتکاست.
تابلوها و بنچمارک:
مقایسه و قیمت (برای راستی‌آزمایی):
مدل‌های باز (نمونه):
| اگر… | انتخاب کن |
|---|---|
| کم‌هزینه‌ترین TTS با کیفیت خوب | Kokoro-82M (self-host) یا OpenAI tts-1 |
| بهترین TTS تجاری | ElevenLabs v3 |
| بهترین ASR تجاری | Deepgram Nova-3 / AssemblyAI Universal-3 |
| بهترین ASR باز | Whisper large-v3-turbo یا Parakeet-TDT |
| بهترین موسیقی کامل | Suno v5 |
| بهترین موسیقی باز | ACE-Step |
| بهترین افکت از متن | ElevenLabs SFX v2 |
| بهترین Foley از ویدیو | MMAudio / HunyuanVideo-Foley |
| بهترین درک صدا باز | Qwen3-Omni |
| بهترین جداسازی استم | BS-RoFormer |