لوما
خانهگالریتعرفه‌هاتحلیل مدل‌ها
ورودشروع کنید
  • ایجنت‌هاهمکاری که نقش و توانایی‌هایش را خودتان می‌چینید
  • معلم منهر موضوع را گام‌به‌گام یاد بگیرید، تمرین و مرور کنید
  • دستیار هوشمندبه پرسش کاربران، از روی اطلاعات خودتان پاسخ دهید
  • ورک‌فلوهاچند مرحله را روی یک بوم وصل و اجرا کنید
  • مینی‌اپ‌هاابزار و بازی کوچکی که با گفت‌وگو ساخته می‌شود
  • همه سرویس‌هاجعبه‌ابزار کامل لوما در یک نگاه
  • ساخت تصویرتبدیل متن به تصاویر هنری خیره‌کننده
  • ویرایش تصویرویرایش حرفه‌ای تصاویر با دستورات متنی
  • حذف پس‌زمینهحذف هوشمند و دقیق پس‌زمینه تصاویر
  • ساخت ویدیوخلق ویدیوهای خلاقانه از متن
  • افزایش کیفیت ویدئوافزایش وضوح، بازسازی جزئیات و بهبود ویدئو با مدلهای تخصصی
  • ویرایش و ادامه ویدیوتغییر سوژه، پس‌زمینه یا سبک، یا ادامه ویدئو با یک دستور
  • تبدیل متن به گفتارتبدیل متن فارسی و چندزبانه به صدای طبیعی و حرفه‌ای
  • تبدیل گفتار به متنمتن جلسه و مصاحبه با تفکیک گویندگان و زمان هر کلمه
  • ساخت آهنگآهنگ با آواز از شعر یا یک توضیح، و موسیقی بی‌کلام
  • ساخت افکت صوتیصدای محیط، حرکت و افکت تا ۳۰ ثانیه از یک توضیح
  • افزایش کیفیت تصویربهبود وضوح و جزئیات تصاویر قدیمی
  • پوشاندن لباسپرو مجازی لباس بر روی مدل‌های دلخواه
  • چت هوشمندگفتگو با مدل‌های زبانی متنوع
  • مستندات فنیراهنمای فنی و API لوما
  • مرکز آموزشآموزش گام‌به‌گام ابزارها
  • وبلاگمقاله‌ها و تازه‌های لوما
  • تغییرات لوماتازه‌های هر هفتهٔ لوما
لوما
خانه
محصولات
  • ایجنت‌ها
  • معلم من
  • دستیار هوشمند
  • ورک‌فلوها
  • مینی‌اپ‌ها
سرویس‌ها
  • همه سرویس‌ها
  • ساخت تصویر
  • ویرایش تصویر
  • حذف پس‌زمینه
  • ساخت ویدیو
  • افزایش کیفیت ویدئو
  • ویرایش و ادامه ویدیو
  • تبدیل متن به گفتار
  • تبدیل گفتار به متن
  • ساخت آهنگ
  • ساخت افکت صوتی
  • افزایش کیفیت تصویر
  • پوشاندن لباس
  • چت هوشمند
گالریتعرفه‌هاتحلیل مدل‌ها
آموزش و پشتیبانی
  • مستندات فنی
  • مرکز آموزش
  • وبلاگ
  • تغییرات لوما
ورودثبت نام
وبلاگVoice

چگونه برای تبدیل متن به گفتار پرامپت مناسب بنویسیم؟ راهنمای مدل‌های Luma

اصول پرامپت‌نویسی TTS در Luma متن گفتار: فقط جملاتی که باید خوانده شوند. دستور اجرا: لحن، سرعت، مکث و تأکید را مشخص کنید.

  • محمد
  • ۲۸ آبان ۱۴۰۵
  • ۸ دقیقه مطالعه

در این راهنما، پرامپت تبدیل متن به گفتار را به دو بخش تقسیم می‌کنیم: متن گفتار و دستور اجرا. Google در راهنمای Gemini 3.8 می‌گوید متن ورودی transcript واژه‌به‌واژه است و دستور سبک پایدار جداگانه ارائه می‌شود؛ برای همین این دو را از هم جدا می‌کنیم. [1] رابط Luma این جداسازی را برای همهٔ مدل‌ها یکسان نشان نمی‌دهد؛ سه تصویر ارسالی این تفاوت را ثبت می‌کنند.

فهرست مدل‌های متن‌به‌گفتار قابل‌انتخاب در Luma

انتخاب‌گر Luma هفت گزینهٔ TTS را نشان می‌دهد: Gemini 3.8 Flash TTS، Gemini 3.1 Flash TTS، Gemini 3.8 Flash Lite TTS، ElevenLabs Eleven v4، Eleven v4 Turbo، MiniMax Speech 2.8 Turbo و MiniMax Speech 2.8 HD.

اول متن را برای گوش آماده کنید

در کادر متن گفتار، فقط چیزی را بنویسید که قرار است شنونده بشنود. عنوان‌هایی مثل «شروع با لحن صمیمی» یا یادداشت‌هایی مانند «اینجا کمی آرام‌تر بخوان» را داخل متن نگذارید؛ مگر این‌که بخواهید همان جمله خوانده شود یا مدل‌تان نشانهٔ ویژه‌ای برای دستور اجرا داشته باشد.

طبق راهنمای Google برای Gemini 3.8، متن ورودی transcript واژه‌به‌واژه است و دستور سبک پایدار در فیلدی جداگانه می‌آید. پس متن کادر گفتار را برای بلندخوانی آماده کنید. [1]

متن را با صدای بلند بخوانید. هر جا خودتان مکث می‌کنید یا روی واژه‌ای گیر می‌کنید، همان بخش را بازنویسی کنید. برای تاریخ، رقم، مخفف و نام خاص، یک شکل نوشتاری جایگزین را در جمله‌ای کوتاه آزمایش کنید.

برای مکث، روش هر مدل را جداگانه بررسی کنید. در Eleven v4، مکث‌های SSML از نوع break پشتیبانی نمی‌شوند؛ راهنمای Eleven استفاده از نشانه‌گذاری، ساختار متن و audio tag را برای هدایت مکث و ریتم پیشنهاد می‌دهد. [4]

متن گفتار را از دستور اجرا جدا کنید

برای ساختن یک دستور قابل‌آزمایش، معمولاً سه چیز را مشخص کنید: جنس اجرا، سرعت حدودی و جای مکث یا تأکید. مثلاً: «فارسی معیار و صمیمی؛ با سرعت متوسط بخوان؛ پس از جملهٔ اول مکث کوتاهی داشته باش؛ جملهٔ آخر را بدون اغراق تمام کن.» همین جهت‌گیری برای شروع کافی است. چند صفت هم‌معنا یا دستور متضاد را کنار هم نگذارید؛ اگر صدای آرام و سریع می‌خواهید، مشخص کنید کدام ویژگی اولویت دارد.

برای هر خروجی یک نسخهٔ پایه نگه دارید. متن، صدا و تنظیمات را هم‌زمان عوض نکنید؛ اگر همه‌چیز تغییر کند، از روی فایل صوتی معلوم نمی‌شود اصلاح از کجا آمده است.

Gemini 3.8 Flash و Flash Lite

در نمای Gemini 3.8 Flash TTS در Luma، شمارندهٔ 7,000 کاراکتری، صدای Kore و فیلد جداگانهٔ «سبک بیان» دیده می‌شود. این موارد فقط وضعیت همان تصویر را نشان می‌دهند؛ 7,000 را سقف Google ندانید و Kore را هم توصیه‌ای برای فارسی تلقی نکنید.

فیلدهای متن گفتار، صدای Kore و سبک بیان در نمای Gemini 3.8 Flash TTS لوما

در کادر متن، نسخهٔ نهایی گفتار را وارد کنید. در فیلد سبک بیان، یک جهت کوتاه بنویسید؛ برای مثال: «فارسی معیار و صمیمی. با سرعت متوسط و بیان روشن بخوان. پس از جملهٔ نخست مکث کوتاهی داشته باش.» ساختار JSON یا نام فیلد API را در Luma عیناً کپی نکنید: راهنمای Google این موارد را برای API توضیح می‌دهد و لزوماً کادرهای همین رابط را توصیف نمی‌کند. [1]

راهنمای Google برای Gemini 3.8 Flash و 3.8 Flash Lite یک ساختار prompting مشترک معرفی می‌کند و Iranian Persian را در فهرست هر دو می‌آورد. برای گفتار فارسی، متن کوتاه را با صدای انتخاب‌شده بسازید و تلفظ اسم‌ها، عددها و نیم‌فاصله‌ها را خودتان بسنجید. [1][2]

Gemini 3.1 Flash TTS هم در فهرست Luma دیده می‌شود. صفحهٔ Google شناسهٔ API آن را gemini-3.1-flash-tts-preview معرفی می‌کند و آن را legacy preview می‌نامد؛ برای کار جدید، 3.8 Flash یا Flash Lite را پیشنهاد می‌دهد. نامی که در Luma دیده می‌شود پسوند preview ندارد؛ از روی تصویر نمی‌توان نگاشت دقیق نام رابط به شناسهٔ API را ثابت کرد. [3]

ElevenLabs Eleven v4 و v4 Turbo

تصویر تنظیمات Eleven v4 در Luma کادر 5,000 کاراکتری، صدای Rachel، پایداری 0.5 و Text normalization روی Auto را نشان می‌دهد. این موارد وضعیت همان نمای Luma هستند و عدد 5,000 را باید به همان کادر نسبت داد. مستند Eleven می‌گوید Stability روی ثبات و تغییرپذیری اثر می‌گذارد؛ مقدار مناسب را با همان صدا و متن بسنجید، نه با یک عدد ثابت برای همهٔ پروژه‌ها. [6]

صدای Rachel، پایداری 0.5 و نرمال‌سازی Auto در تنظیمات Eleven v4 لوما

مستند Eleven می‌گوید در v4 می‌توان دستورهای کوتاه داخل کروشه را در همان نقطه‌ای از متن گذاشت که اجرا باید تغییر کند؛ مثلاً [curious] برای شروع کنجکاوانه یا [whispers] برای نجوا. v4 Turbo هم از این audio tagها پشتیبانی می‌کند. تصویر Luma فیلد جداگانه‌ای برای سبک یا tag نشان نمی‌دهد و مستند ارائه‌دهنده هم ثابت نمی‌کند که Luma دقیقاً همین syntax را منتقل می‌کند. پس اول یک جملهٔ کوتاه بسازید و گوش کنید: tag اجرا می‌شود، نادیده گرفته می‌شود یا به‌صورت واژه خوانده می‌شود؟ فقط اگر نتیجه روشن بود، همان الگو را در متن اصلی به کار ببرید. [4][5]

برای آزمودن پایداری، یک نسخه را با مقدار فعلی 0.5 بسازید و همان متن را با تغییری کوچک در Stability دوباره آزمایش کنید. Text normalization را فقط وقتی تغییر دهید که رقم، تاریخ یا مخففی بد خوانده شده باشد. تصویر Auto را نشان می‌دهد، اما به‌تنهایی مشخص نمی‌کند این کنترل در Luma دقیقاً چطور به API وصل شده است.

MiniMax Speech 2.8 Turbo و HD

در انتخاب‌گر Luma، MiniMax Speech 2.8 Turbo و HD دیده می‌شوند. تصویر تنظیمات Turbo کادر 10,000 کاراکتری، صدای Wise_Woman، سرعت 1، زیر و بمی 1، حجم 0، احساس Auto و خروجی mp3 را نشان می‌دهد. این تصویر فقط وضعیت تنظیمات Turbo را ثبت می‌کند. تصویر تنظیمات HD در میان تصاویر نیست؛ پس مقادیر Turbo را به HD نسبت ندهید.

تنظیمات صدای Wise_Woman و کنترل‌های MiniMax Speech 2.8 Turbo در لوما

در API، MiniMax برای 2.8 Turbo و 2.8 HD فیلدهایی برای صدا، سرعت، حجم و زیر و بمی دارد. مستند آن همچنین نشانهٔ مکث <#x#> و چند interjection داخل پرانتز را توضیح می‌دهد. این syntax با برچسب‌های کروشه‌ای Eleven و نشانه‌های Gemini یکی نیست. مستند API ثابت نمی‌کند که Luma این tagها را منتقل می‌کند؛ آن‌ها را ابتدا روی چند ثانیه متن بیازمایید و اگر در خروجی خوانده شدند، حذفشان کنید. [7]

راهنمای MiniMax، فارسی را در فهرست زبان‌های TTS می‌آورد، اما این فهرست جای آزمودن صدای انتخاب‌شده را نمی‌گیرد. عدد 1 در سرعت یا زیر و بمی و مقدار 0 در حجم را بدون مقایسه «نرمال» یا «توصیه‌شده» فرض نکنید؛ ابتدا همین مقادیر تصویر را نگه دارید و هر بار فقط یک کنترل را تغییر دهید. [8]

یک روش کوتاه برای رسیدن به خروجی بهتر

  1. یک بند ۲ تا ۳ جمله‌ای انتخاب کنید که نمایندهٔ متن اصلی باشد. نام خاص، عدد یا اصطلاحی را که احتمال بدخوانی دارد در همان بند بگذارید.
  2. متن گفتار را ساده و نهایی کنید. هر دستور غیرگفتاری را از آن بیرون ببرید.
  3. صدا و تنظیماتی را انتخاب کنید که در Luma دیده می‌شوند. از نقطهٔ شروع ثبت‌شده در اسکرین‌شات استفاده کنید، اما آن را قانون ندانید.
  4. یک خروجی بگیرید و فقط یک چیز را تغییر دهید: فیلد سبک در Gemini، tag در Eleven پس از آزمون، یا یکی از کنترل‌های MiniMax.
  5. نسخه‌ها را کنار هم گوش کنید. تلفظ، مکث، سرعت و طبیعی‌بودن جمله را جدا بسنجید. نسخه‌ای را نگه دارید که متن را درست می‌خواند و برای کار شما مناسب است.

در این رابط، شمارنده‌های کاراکتر برای Gemini، Eleven و MiniMax به‌ترتیب 7,000، 5,000 و 10,000 را نشان می‌دهند. لازم نیست متن را تا مرز شمارنده پر کنید. برای گفتار بلند، متن را بخش‌بندی کنید و چند نمونهٔ کوتاه را بسنجید؛ این کار از مدیریت یک فایل طولانیِ دست‌نخورده آسان‌تر است.

نمونهٔ پایه

متن گفتار: «اگر صدای تولیدشده خشک به نظر می‌رسد، اول خود متن را بلند بخوانید. جمله‌ای را که در گفتار طبیعی نیست کوتاه کنید، بعد یک نمونهٔ چندثانیه‌ای بسازید.»

سبک بیان برای Gemini: «فارسی معیار و صمیمی، با سرعت متوسط. جمله‌ها را واضح و بی‌اغراق بخوان. پس از جملهٔ اول مکث کوتاهی داشته باش.»

آزمون Eleven: همان متن را یک‌بار بدون tag و یک‌بار با [curious] در شروع بسازید. در Luma فقط وقتی tag را نگه دارید که آزمون نشان دهد به‌درستی اجرا می‌شود.

آزمون MiniMax: مستند API MiniMax نشانهٔ <#x#> را برای مکث معرفی می‌کند، اما عبور آن از Luma تأیید نشده است. همان متن را یک‌بار بدون نشانه و یک‌بار با <#0.4#> بسازید؛ این نشانه را در Luma فقط وقتی نگه دارید که خروجی مکث را تأیید کند. [7]

قاعدهٔ قابل‌انتقال میان مدل‌ها، یک syntax واحد نیست؛ متن گفتار را از دستور اجرا جدا کنید و کنترل‌های واقعی همان رابط را بیازمایید. جمله را روشن و کوتاه نگه دارید، هر بار فقط یک تغییر بدهید و صدای نهایی فارسی را با گوش خودتان بررسی کنید.

منابع و مراجع

  1. راهنمای تولید گفتار Gemini
  2. مدل Gemini 3.8 Flash TTS
  3. مدل Gemini 3.1 Flash TTS preview
  4. بهترین‌روش‌های پرامپت‌نویسی Eleven v4
  5. راهنمای audio tagهای Eleven v3 و v4
  6. راهنمای محصول Text to Speech در ElevenLabs
  7. API تبدیل متن به گفتار MiniMax
  8. راهنمای متن‌به‌گفتار MiniMax
  • Voice
  • Prompt
  • Luma
در این مقاله
  1. اول متن را برای گوش آماده کنید
  2. متن گفتار را از دستور اجرا جدا کنید
  3. Gemini 3.8 Flash و Flash Lite
  4. ElevenLabs Eleven v4 و v4 Turbo
  5. MiniMax Speech 2.8 Turbo و HD
  6. یک روش کوتاه برای رسیدن به خروجی بهتر
  7. منابع و مراجع
تازه‌ترین مقاله‌ها
  • چطور برای ساخت ویدئو با هوش مصنوعی پرامپت دقیق بنویسیم؟
  • چگونه پرامپت مناسب برای ویرایش تصویر با هوش مصنوعی بنویسیم؟
  • پرامپت‌نویسی تصویر با هوش مصنوعی؛ راهنمای عملی از ایده تا خروجی
  • چگونه برای هوش مصنوعی مولد پرامپت خوب بنویسیم؟
  • از سینمایی تا سنتی: سبک‌های بی‌نهایت تصویرسازی با هوش مصنوعی لوما برای برند شما
همه مقاله‌ها

مقاله‌های دیگر

  • چطور برای ساخت ویدئو با هوش مصنوعی پرامپت دقیق بنویسیم؟
    • Prompt

    چطور برای ساخت ویدئو با هوش مصنوعی پرامپت دقیق بنویسیم؟

    پرامپت ویدئو باید حرکت سوژه، زمان‌بندی اتفاقات، حرکت دوربین و صدا را مشخص کند. حرکت‌ها و اتفاقات را مرحله‌به‌مرحله تعریف کنید.

    ۲۳ آبان ۱۴۰۵ · ۹ دقیقه مطالعهخواندن مقاله
  • چگونه پرامپت مناسب برای ویرایش تصویر با هوش مصنوعی بنویسیم؟
    • Prompt

    چگونه پرامپت مناسب برای ویرایش تصویر با هوش مصنوعی بنویسیم؟

    در ویرایش تصویر با AI، دقیقاً مشخص کنید چه چیزی، کجا و چگونه تغییر کند و چه چیزهایی ثابت بمانند. درخواست واضح و مشخص بنویسید.

    ۱۰ آبان ۱۴۰۵ · ۹ دقیقه مطالعهخواندن مقاله
  • پرامپت‌نویسی تصویر با هوش مصنوعی؛ راهنمای عملی از ایده تا خروجی
    • پرامپت

    پرامپت‌نویسی تصویر با هوش مصنوعی؛ راهنمای عملی از ایده تا خروجی

    راز ساخت تصاویر جذاب با هوش مصنوعی، نوشتن پرامپت‌های طولانی و پر از صفت نیست؛ بلکه شفاف‌کردن تصمیم‌های بصری است.

    ۲۸ مهر ۱۴۰۵ · ۸ دقیقه مطالعهخواندن مقاله

از خواندن تا ساختن

هر چه در این مقاله خواندید، در لوما یک پرامپت فاصله دارد.

  • شروع رایگان در لوماایده‌های این مقاله‌ها را همین حالا امتحان کنید.
  • مرکز آموزشراهنمای گام‌به‌گام همه ابزارهای لوما.
  • گالری لومانمونه تصویرها و ویدیوهای ساخته‌شده با لوما.
لوما

پیشگام در ارائه ابزارهای خلاقیت مبتنی بر هوش مصنوعی. ما مرزهای تخیل را با تکنولوژی ادغام می‌کنیم تا آینده‌ای روشن‌تر بسازیم.

سرویس‌ها
  • ساخت تصویر
  • ویرایش تصویر
  • حذف پس‌زمینه
  • ساخت ویدیو
  • افزایش کیفیت ویدئوجدید
  • ویرایش و ادامه ویدیو
  • تبدیل متن به گفتار
  • تبدیل گفتار به متن
  • ساخت آهنگ
  • ساخت افکت صوتی
  • افزایش کیفیت تصویر
  • پوشاندن لباس
  • چت هوشمند
محصولات
  • ایجنت‌ها
  • معلم من
  • دستیار هوشمند
  • ورک‌فلوها
  • مینی‌اپ‌ها
دسترسی سریع
  • گالری آثار
  • تعرفه‌ها
  • تحلیل مدل‌ها
  • درباره ما
  • تماس با ما
قوانین و امنیت
  • حقوق و تعهدات کاربر
  • شرایط استفاده از سرویس لـــوما
  • امنیت شما در لوما
منابع و پشتیبانی
  • وبلاگ
  • تغییرات لوما
  • مرکز آموزش
  • مستندات فنی
  • ورود به پنل
  • شروع رایگان

سرویس‌ها

  • ساخت تصویر
  • ویرایش تصویر
  • حذف پس‌زمینه
  • ساخت ویدیو
  • افزایش کیفیت ویدئوجدید
  • ویرایش و ادامه ویدیو
  • تبدیل متن به گفتار
  • تبدیل گفتار به متن
  • ساخت آهنگ
  • ساخت افکت صوتی
  • افزایش کیفیت تصویر
  • پوشاندن لباس
  • چت هوشمند

محصولات

  • ایجنت‌ها
  • معلم من
  • دستیار هوشمند
  • ورک‌فلوها
  • مینی‌اپ‌ها

دسترسی سریع

  • گالری آثار
  • تعرفه‌ها
  • تحلیل مدل‌ها
  • درباره ما
  • تماس با ما

قوانین و امنیت

  • حقوق و تعهدات کاربر
  • شرایط استفاده از سرویس لـــوما
  • امنیت شما در لوما

منابع و پشتیبانی

  • وبلاگ
  • تغییرات لوما
  • مرکز آموزش
  • مستندات فنی
  • ورود به پنل
  • شروع رایگان

دفتر مرکزی

خیابان سهروردی شمالی، خیابان کوشش، پلاک 35، واحد 7

021-88511051

دفتر فنی

بابلسر، بلوار پاسداران، پاسداران 24، ساختمان ترنم، طبقه -1

011-35279771

پشتیبانی

پرسش، پیشنهاد یا مشکل

support@lumai.ir
زرین‌پال — بررسی اعتبارزرین‌پال

پرداخت ایمن زرین‌پال

نماد اعتماد الکترونیکی — بررسی اعتبارنماد اعتماد الکترونیکی

نماد اعتماد

© 2026 شرکت هوش مصنوعی لوما. تمامی حقوق محفوظ است.

سیستم‌ها فعال