رونویسی ساده‌ترین سرویس بوق است و بیشترین کاربرد را دارد: یک فایل صوتی یا ویدیویی می‌دهید و متن آن را می‌گیرید — نه فقط یک متن پیوسته، بلکه متنی که هر جمله‌اش زمان شروع و پایان دارد و مستقیم به‌عنوان زیرنویس قابل استفاده است.
این راهنما همهٔ مسیر را پوشش می‌دهد: چه فایلی قبول می‌شود، پردازش پشت صحنه چه می‌کند، چرا پروژه وسط کار منتظر شما می‌ماند، چه فایل‌هایی تحویل می‌گیرید و هزینه بر چه مبنایی حساب می‌شود. هرجا از هزینه حرف می‌زنیم، همان منطقی است که امروز در بوق اعمال می‌شود.
رونویسی دقیقاً چه چیزی تحویل می‌دهد
خروجی رونویسی «متن» است، نه ویدیو. این نکته را از ابتدا روشن کنیم تا انتظار اشتباهی شکل نگیرد: در این سرویس هیچ زیرنویسی روی تصویر حک نمی‌شود و هیچ صدایی تولید نمی‌شود.
- برای زبان اصلی فایل: یک فایل SRT (زیرنویس زمان‌بندی‌شده) و یک فایل TXT (متن ساده).
- برای هر زبانی که برای ترجمه انتخاب کنید: یک SRT و یک TXT جداگانه به همان زبان.
- اگر می‌خواهید زیرنویس روی خود ویدیو حک شود یا صدای دوبله ساخته شود، سرویس ترجمه و دوبلهٔ ویدیو کاری است که دنبالش هستید.
فایل SRT یک قالب استاندارد و متن‌باز است؛ یوتیوب، اینستاگرام، پریمیر، داوینچی و تقریباً هر پخش‌کننده‌ای آن را می‌شناسد. فایل TXT هم همان متن بدون زمان‌بندی است، برای وقتی که می‌خواهید محتوا را بخوانید، ویرایش کنید یا به مقاله تبدیل کنید.
چه فایلی می‌توانید بدهید
رونویسی هم صدا می‌پذیرد و هم ویدیو. اگر ویدیو بدهید، بوق صدای آن را جدا می‌کند و فقط روی صدا کار می‌کند — یعنی کیفیت تصویر هیچ اثری بر نتیجه و هزینه ندارد.
| نوع | قالب‌های پذیرفته‌شده |
|---|---|
| ویدیو | MP4، MKV، AVI، MOV، WEBM، M4V، WMV، MPEG |
| صدا | MP3، WAV، M4A، AAC، FLAC، OGG، OPUS، AIFF |
علاوه بر آپلود مستقیم، سه راه دیگر هم برای دادن فایل وجود دارد و هر چهار راه دقیقاً به یک پردازش می‌رسند:
- لینک مستقیم رسانه — نشانی یک فایل صوتی یا ویدیویی روی اینترنت.
- لینک شبکهٔ اجتماعی — نشانی یک ویدیو در یوتیوب، اینستاگرام و ده‌ها سرویس دیگر. بوق خودش آن را دانلود می‌کند و دانلود رایگان است.
- آرشیو آپلودشده — یک فایل فشرده که چند رسانه در آن است.
- لینک آرشیو — نشانی همان فایل فشرده روی اینترنت.
"اگر نسخهٔ بدون موسیقی یا بدون افکت از فایل دارید، همان را بدهید. مدل گفتار را از زیر موسیقی بلند هم بیرون می‌کشد، اما نتیجه هیچ‌وقت به‌اندازهٔ یک صدای تمیز دقیق نیست."
پشت صحنه چه اتفاقی می‌افتد
دانستن این مراحل لازم نیست، اما کمک می‌کند بفهمید چرا خروجی گاهی دقیق‌تر و گاهی ضعیف‌تر است.
- صدا از فایل جدا و به یک قالب یکدست تبدیل می‌شود.
- صدا در نقطه‌های سکوت به تکه‌های حدوداً یک‌دقیقه‌ای بریده می‌شود. برش روی سکوت انجام می‌شود تا هیچ جمله‌ای وسط کلمه دو نیم نشود.
- تکه‌ها موازی به مدل گفتار به متن سپرده می‌شوند و نتیجه با زمان‌بندی درست دوباره کنار هم چیده می‌شود.
- متن جمله‌بندی می‌شود: تکه‌های کوتاه به جملهٔ کامل می‌رسند و نقطه‌گذاری اصلاح می‌شود.
- پروژه برای بازبینی شما متوقف می‌شود.
مدلی که کار پیاده‌سازی را انجام می‌دهد از خانوادهٔ Whisper است — همان خانواده‌ای که در پروژه‌های جدی زیرنویس‌گذاری استفاده می‌شود و روی فارسی هم عملکرد قابل اتکایی دارد.
مرحلهٔ بازبینی: چرا پروژه منتظر شما می‌ماند
رونویسی همیشه تعاملی است. یعنی پروژه بعد از پیاده‌سازی متوقف می‌شود، متن را به شما نشان می‌دهد و تا وقتی تأیید نکنید جلو نمی‌رود. این یک تنظیم نیست که بتوان خاموشش کرد؛ بخشی از طراحی سرویس است.
دلیلش ساده است: اگر بخواهید متن به زبان دیگری ترجمه شود، هر غلطی که در متن مبدأ بماند به همهٔ زبان‌های مقصد سرایت می‌کند. یک بار اصلاح کردن متن اصلی، ارزان‌تر و سریع‌تر از اصلاح چند ترجمهٔ اشتباه است.
اگر زبان ترجمه انتخاب کرده باشید، یک توقف دوم هم خواهید داشت: این بار متن ترجمه‌شدهٔ هر زبان را می‌بینید و می‌توانید اصطلاحات و نام‌ها را اصلاح کنید.
در بازبینی دنبال چه بگردید
- نام‌های خاص: نام آدم‌ها، برندها و شهرها بیشترین جای اشتباه هستند.
- اصطلاح‌های تخصصی: اگر موضوع فنی یا پزشکی است، واژه‌های تخصصی را یک‌بار مرور کنید.
- عددها و تاریخ‌ها: شنیدن عدد برای مدل سخت‌تر از شنیدن کلمه است.
- جمله‌های خیلی بلند: اگر یک زیرنویس بیش از دو خط شد، آن را بشکنید تا روی تصویر خوانا بماند.
"پروژه تا وقتی تأیید نکنید در همان نقطه می‌ماند. اگر نیمه‌کاره رهایش کنید، بعد از مدتی بسته می‌شود و باید از نو شروع کنید — پس بهتر است وقتی شروع می‌کنید که ده دقیقه وقت مرور هم داشته باشید."
زبان‌ها و ترجمه
زبان فایل را می‌توانید خودتان مشخص کنید یا روی «تشخیص خودکار» بگذارید. اگر فایل شما فارسی تمیز است، تشخیص خودکار تقریباً همیشه درست کار می‌کند؛ اما اگر گفت‌وگو دوزبانه است، مشخص‌کردن دستیِ زبان اصلی نتیجهٔ بهتری می‌دهد.
برای ترجمه حدود صد زبان در دسترس است و می‌توانید چند زبان را هم‌زمان انتخاب کنید. هر زبان یک جفت فایل SRT و TXT جداگانه تحویل می‌دهد.
هزینه چطور حساب می‌شود
هزینهٔ رونویسی از هزینهٔ واقعی پردازش صدا می‌آید و با مدت فایل بالا می‌رود، نه با حجم آن. یک ویدیوی ۴K ده‌دقیقه‌ای و یک فایل صوتی ده‌دقیقه‌ای هزینهٔ یکسانی دارند.
| مورد | مقدار |
|---|---|
| مبنا | هزینهٔ واقعی تبدیل گفتار به متن و جمله‌بندی، به‌علاوهٔ کارمزد خدمات بوق |
| حداقل هزینهٔ پروژه | ندارد |
| گرد کردن | ندارد؛ مدت فایل به دقیقهٔ کامل گرد نمی‌شود |
| هر زبان ترجمه | هزینهٔ واقعی ترجمهٔ متن به آن زبان اضافه می‌شود |
یک مثال: برای یک پادکست ۱۲ دقیقه و ۱۰ ثانیه‌ای، هزینه از پردازش همان ۱۲ دقیقه و ۱۰ ثانیه می‌آید و چیزی به دقیقهٔ کامل گرد نمی‌شود. اگر یک زبان ترجمه هم اضافه کنید، هزینهٔ ترجمهٔ متن به آن اضافه می‌شود.
پیش از شروع پردازش، برآورد هزینه و بیشترین مبلغ ممکن را می‌بینید؛ مبلغ برآوردشده رزرو و پس از پایان کار بر پایهٔ هزینهٔ واقعی تسویه می‌شود. برای دیدن مبنای هزینهٔ سرویس‌ها می‌توانید صفحهٔ قیمت‌ها را ببینید، و راهنمای هزینه‌ها منطق کامل محاسبه در همهٔ سرویس‌ها را توضیح می‌دهد.
چطور دقت را بالا ببرید
کیفیت خروجی بیش از هر چیز به کیفیت صدای ورودی وابسته است. چند کار ساده تفاوت محسوسی می‌سازد:
- اگر نسخه‌ای با صدای تمیزتر دارید — مثلاً خروجی مستقیم میکروفن به‌جای صدای ضبط‌شده از بلندگو — همان را بدهید.
- موسیقی زمینهٔ بلند، بیشترین آسیب را به دقت می‌زند. اگر می‌توانید نسخهٔ بدون موسیقی بدهید.
- برای جلسه‌ها و مصاحبه‌ها، هرچه میکروفن به گوینده نزدیک‌تر باشد نتیجه بهتر است.
- فایل‌های خیلی طولانی را لازم نیست خودتان تکه کنید؛ بوق این کار را دقیق‌تر انجام می‌دهد.
چه چیزی را از رونویسی انتظار نداشته باشید
صادق بودن دربارهٔ مرزها بهتر از غافلگیر شدن است:
- تفکیک خودکار گوینده‌ها انجام نمی‌شود. اگر چند نفر حرف می‌زنند، متن همه در یک جریان پیوسته می‌آید.
- زمان‌بندی در سطح جمله دقیق است، اما درون یک جمله به نسبت طول متن تقسیم می‌شود و کاملاً کلمه‌به‌کلمه نیست.
- خروجی ویدیویی وجود ندارد؛ فقط SRT و TXT.
- فایل خروجی از نوع Word یا PDF ساخته نمی‌شود، اما متن TXT را می‌توانید هر جا بچسبانید.
اگر ویدیوی شما چند گوینده دارد و می‌خواهید هرکدام صدای خودشان را در ترجمه داشته باشند، سرویس ترجمهٔ چند گوینده برای همین ساخته شده است.
از کجا شروع کنیم
- وارد ساخت پروژهٔ جدید شوید و «رونویسی متن» را انتخاب کنید.
- فایل را آپلود کنید یا لینکش را بدهید.
- زبان فایل را مشخص کنید و اگر ترجمه می‌خواهید، زبان‌های مقصد را انتخاب کنید.
- برآورد هزینه را ببینید و تأیید کنید.
- وقتی پروژه برای بازبینی متوقف شد، متن را مرور و تأیید کنید.
- فایل‌های SRT و TXT را از صفحهٔ پروژه دانلود کنید.
همهٔ فایل‌های خروجی در کتابخانهٔ فایل‌های شما هم می‌مانند تا بعداً بدون باز کردن پروژه به آن‌ها دسترسی داشته باشید.
پرسش‌های پرتکرار
رونویسی چه فایل‌هایی تحویل می‌دهد؟
برای زبان اصلی یک فایل SRT و یک فایل TXT، و برای هر زبان ترجمه هم یک SRT و یک TXT جداگانه. خروجی ویدیویی یا صوتی در این سرویس ساخته نمی‌شود.
آیا زیرنویس روی ویدیو حک می‌شود؟
خیر. رونویسی فقط متن تولید می‌کند. برای حک کردن زیرنویس روی تصویر یا ساخت صدای دوبله باید از سرویس ترجمه و دوبلهٔ ویدیو استفاده کنید.
هزینهٔ رونویسی چطور حساب می‌شود؟
از هزینهٔ واقعی تبدیل گفتار به متن و جمله‌بندی، به‌علاوهٔ کارمزد خدمات بوق، بدون حداقل هزینه و بدون گرد کردن به دقیقهٔ کامل. هر زبان ترجمه، هزینهٔ واقعی ترجمهٔ متن را اضافه می‌کند.
چرا پروژه وسط کار متوقف می‌شود؟
چون رونویسی همیشه تعاملی است: متن پیاده‌شده را پیش از ترجمه یا تحویل نهایی به شما نشان می‌دهد تا اصلاحش کنید. این کار جلوی سرایت یک غلط به همهٔ زبان‌های مقصد را می‌گیرد.
آیا گوینده‌ها از هم تفکیک می‌شوند؟
در رونویسی خیر؛ متن همهٔ گوینده‌ها در یک جریان پیوسته می‌آید. اگر تفکیک گوینده می‌خواهید، سرویس ترجمهٔ چند گوینده این امکان را می‌دهد که برای هر بخش گویندهٔ جداگانه تعیین کنید.
می‌توانم به‌جای آپلود، لینک یوتیوب بدهم؟
بله. لینک یوتیوب، اینستاگرام و ده‌ها سرویس دیگر پذیرفته می‌شود؛ بوق خودش فایل را دانلود می‌کند و بابت خود دانلود هزینه‌ای نمی‌گیرد.
حجم فایل چقدر می‌تواند باشد؟
تا دو گیگابایت از طریق آپلود مستقیم. برای فایل‌های بزرگ‌تر می‌توانید لینک مستقیم بدهید تا بوق آن را از مبدأ دریافت کند.
دقت رونویسی فارسی چقدر است؟
روی صدای تمیز و تک‌گوینده نتیجه معمولاً بسیار خوب است. موسیقی زمینهٔ بلند، صدای دور از میکروفن و گفتار هم‌پوشان بیشترین اثر منفی را دارند؛ به همین دلیل مرحلهٔ بازبینی همیشه در مسیر هست.
