خلاصه: برای ویدئوی فارسی، فایل صوتی مجاز را در سرویس Speech to Text با زبان fa پردازش کنید و متن زمان‌دار بگیرید. سپس نام ابزارها، اعداد و جمله‌های منفی را با صدا مقایسه و زیرنویس را به قطعه‌های خوانا تقسیم کنید. پشتیبانی رسمی فارسی، دقت بی‌خطا را تضمین نمی‌کند؛ خروجی باید پیش از تدوین نهایی بازبینی شود.
پیش‌نیاز: صوت دارای اجازه استفاده، دسترسی مجاز به Grok Speech to Text یا واسط معتبر و ابزار تدوین؛ مسیر API به تنظیم فنی نیاز دارد.
سطح: متوسط
مشکل: متن آماده است، اما زیرنویس خواندنی نیست
یک ریلز آموزشی دو دقیقه‌ای را پیاده کرده‌اید، اما متن بلند، نام مدل‌ها را اشتباه نوشته و جمله‌ها با تصویر هماهنگ نیستند. بهتر است پیاده‌سازی و آماده‌سازی زیرنویس را دو مرحله ببینیم. مستندات فعلی Grok Speech to Text، فارسی را با کد fa فهرست کرده و زمان‌بندی واژه‌ها را ارائه می‌کند. مستندات رسمی تبدیل گفتار به متن
مسیر کوتاه از فایل تا تدوین
۱. صوت اصلی را آماده کنید. فایل بدون موسیقی بلند و با صدای واضح، نقطه شروع کنترل‌پذیرتری است. یک بخش کوتاه شامل اسم ابزار و عدد را برای بررسی اولیه جدا کنید.
۲. اگر از API یا ابزار واسط استفاده می‌کنید، دسترسی مجاز و هزینه آن را بررسی کنید. زبان را fa و در گفت‌وگوی چندنفره، گزینه تفکیک گوینده را در صورت پشتیبانی ابزار فعال کنید. امکانات API الزاماً در هر رابط واسط موجود نیست.
۳. فهرستی کوتاه از واژه‌های مهم آماده کنید: «آلوانا»، نام مدل‌ها و اسم محصول. در مسیر API، keyterm برای راهنمایی واژه‌های تخصصی وجود دارد. آن را جای بازبینی اسم‌ها نگیرید.
۴. متن و زمان‌ها را دریافت کنید. اول با گوش‌دادن، نام‌ها، اعداد و عبارت‌هایی مانند «نمی‌شود» را کنترل کنید. سپس متن را به واحدهای کوتاه تقسیم کنید؛ وسط نام مدل یا یک عبارت پیوسته خط را نشکنید.
۵. فایل زیرنویس را در ابزار تدوین خود بسازید یا به قالب مورد نیاز تبدیل کنید. ویدئو را با سرعت واقعی ببینید؛ متن باید زمان کافی برای خواندن داشته باشد و روی بخش مهم تصویر نیفتد.
کنترل و محدودیت
نام ابزار را یک‌دست کنید، اما لحن گوینده را بی‌دلیل رسمی نکنید. اگر مدل جمله‌ای را حذف کرده، متن زیباتر نباید جای حرف واقعی را بگیرد. در مستندات، تبدیل عدد گفتاری با format برای فارسی فهرست نشده؛ اصلاح اعداد را خودکار فرض نکنید. زبان‌ها و قالب‌بندی
برای ویدئوی حساس، بازبینی کامل صوت لازم است؛ یک نمونه خوب به معنی بی‌خطابودن کل فایل نیست.
پرامپت آماده
این متن پیاده‌شده برای یک ویدئوی آموزشی است. واژه‌های احتمالاً غلط، عددها و جمله‌های منفی را فقط علامت بزن. گفتار را با حدس تکمیل نکن. برای هر مورد، دلیل نیاز به گوش‌دادن دوباره را بنویس. زمان‌های داده‌شده را بدون بررسی صوت تغییر نده.
سؤالات متداول
آیا فارسی رسماً در مستندات آمده است؟
بله؛ فارسی با کد fa در فهرست فعلی زبان‌ها آمده. این پشتیبانی، دقت بی‌خطا برای هر لهجه و فایل را تضمین نمی‌کند.
آیا format=true اعداد فارسی را حتماً اصلاح می‌کند؟
خیر. فارسی در فهرست زبان‌های قالب‌بندی عدد گفتاری مستندات فعلی نیست؛ اعداد را با صوت کنترل کنید.
محدودیت‌ها
پشتیبانی فارسی دقت بی‌خطا نیست. format برای عددهای فارسی در فهرست فعلی پشتیبانی نیست. API و ابزار واسط هزینه جدا دارند.
منابع
- Speech to Text — SpaceXAI
