ابزارهای تبدیل گفتار به متن تا زمانی شبیه هم به نظر می‌رسند که مصاحبه‌ای طولانی را بارگذاری کنید، جلسات یک ماه را وارد کنید یا به ویرایش ویدیو نیاز پیدا کنید. مقایسهٔ مفید این است که هر سرویس چقدر با آن کار سازگار است، چه محدودیت‌هایی برای فایل دارد و گردش کار کامل چقدر هزینه می‌برد.
AccurateScribe، Otter، Sonix، Notta، Descript و Rev ترکیب‌های متفاوتی از تبدیل فایل به متن، ابزارهای جلسه، ویرایش و خدمات انسانی ارائه می‌کنند. این بررسی، قیمت‌گذاری، محدودیت ضبط، خروجی‌ها، سرعت پردازش و شواهد دقت آن‌ها را با یک پرسش مشترک مقایسه می‌کند: برای کاری که واقعاً باید به پایان برسانید چه چیزی دریافت می‌کنید؟
مقایسهٔ ویدیویی را ببینید
راهنمای انگلیسی 5 دقیقه‌ای ما را دربارهٔ تناسب با گردش کار، محدودیت ضبط، هزینهٔ ماهانهٔ طرح‌ها و شواهد تبدیل گفتار به متن ببینید. جدول‌های تفصیلی، فرض‌های تاریخ‌دار و منابع اصلی در مقالهٔ زیر آمده‌اند.
گویندگی و زیرنویس انگلیسی · 5:11 · تماشا در YouTube
از تصاویر توضیحیِ تولیدشده با هوش مصنوعی و گویندگی مصنوعی استفاده شده است. تصاویر مشخص‌شدهٔ محصولات و نتایج آزمون‌های پیشین، منبع و دامنهٔ اصلی خود را حفظ کرده‌اند؛ این یک آزمون کنترل‌شدهٔ تازه روی شش محصول نیست.
AccurateScribe
Otter.ai
Sonix
Notta
Descript
Rev
از گردش کار خود شروع کنید
| محصول | کاربرد اصلی | مهم‌ترین ملاحظه‌ای که باید بررسی کنید |
|---|---|---|
| AccurateScribe | تبدیل جلسات، مصاحبه‌ها، سخنرانی‌ها، پادکست‌ها، ویدیوها و سایر فایل‌های صوتی/ویدیویی به متن | اشتراک با هزینهٔ ثابت و پشتیبانی از فایل‌های طولانی؛ دسترسی به متن کامل و خروجی‌ها پولی است |
| Otter | ثبت جلسات و یادداشت‌های مشترک جلسه | امکانات جلسه را در کنار محدودیت‌های جداگانهٔ فایل‌های واردشده مقایسه کنید |
| Sonix | تبدیل فایل‌های ضبط‌شده به متن و تحویل زیرنویس | ساعت‌های مشمول اشتراک و مصرف مازاد هر دو بر صورتحساب ماهانه اثر دارند |
| Notta | یادداشت جلسه و تبدیل منظم فایل به متن | Pro شامل 30 ساعت در ماه است و محدودیت‌های جداگانه‌ای برای تعداد و مدت فایل دارد |
| Descript | ویرایش پادکست یا ویدیو از طریق متن پیاده‌شده | ارزش آن به این بستگی دارد که در کنار تبدیل گفتار به متن به ویرایش هم نیاز دارید یا خیر |
| Rev | انتخاب میان تبدیل گفتار به متن با هوش مصنوعی و خدمات انسانی | نوع دقیق خدمت، زبان پشتیبانی‌شده و قیمت‌گذاری جداگانه را مقایسه کنید |
جزئیات امکانات و طرح‌ها: AccurateScribe, Otter, Sonix, Notta, Descript و Rev.
قیمت‌های جاری و محدودیت‌های مهم
قیمت‌های زیر نرخ‌های عمومی وب به USD، پیش از مالیات و بررسی‌شده در 2026-10-17 هستند. پرداخت ماهانه و سالانه تعهدهای متفاوتی دارند. طرح‌های منتخب نمونه‌هایی از گزینه‌های کاربردی‌اند؛ این فهرست نه شامل همهٔ سطوح است و نه سابقهٔ طرح‌های استفاده‌شده در آزمون‌های پیشین.
| محصول و طرح | پرداخت ماهانه | تعهد سالانه | سهمیهٔ مشمول اشتراک و محدودیت‌های اصلی |
|---|---|---|---|
| AccurateScribe Unlimited | $19.99 | $119.99 در سال | تبدیل گفتار به متن نامحدود طبق تبلیغ؛ مدت هر فایل حداکثر 10 ساعت. منبع |
| Otter Pro / Business | $16.99 / $30 برای هر کاربر | $99.99 / $239.88 برای هر کاربر در سال | Pro: ماهانه 1,200 دقیقه، 10 فایل ورودی در ماه، 90 دقیقه برای هر فایل. Business: ماهانه 6,000 دقیقه فایل واردشده، 4 ساعت برای هر فایل. طرح‌ها, Pro سالانه, Business سالانه |
| Sonix Advanced / Pro | $50 / $80 | $550 / $880 در سال | طرح‌های ماهانه شامل 20 / 40 ساعت‌اند؛ هزینهٔ هر ساعت اضافه $10 است. قیمت‌گذاری, طرح‌های سالانه |
| Notta Pro / Business | $13.49 / $27.99 برای هر حساب کاربری | $97.99 / $199.99 برای هر حساب کاربری در سال | Pro: ماهانه 1,800 دقیقه و 100 فایل. Business: زمان نامحدود تبدیل گفتار به متن و 200 فایل برای هر حساب کاربری در ماه. قیمت‌گذاری, جزئیات طرح |
| Descript Hobbyist / Creator | $24 / $35 برای هر ویرایشگر | معادل‌های اعلام‌شدهٔ $16 / $24 برای هر ویرایشگر در ماه، با پرداخت سالانه | 10 / 30 ساعت رسانه برای هر ویرایشگر در ماه؛ طرح‌های واجد شرایط می‌توانند ساعت رسانهٔ اضافه بخرند. منبع |
| Rev Essentials AI / Pro AI | $29.99 / $59.99 برای هر حساب کاربری | $305.90 / $575.88 برای هر حساب کاربری در سال | 5,000 / 10,000 دقیقه هوش مصنوعی برای هر نفر در ماه. Essentials انگلیسی و اسپانیایی را پوشش می‌دهد. قیمت‌گذاری, جزئیات طرح |
سهمیه و محدودیت فایل‌ها را با هم بخوانید. حتی موجودی دقایق زیاد هم ممکن است نامناسب باشد، اگر مدت فایل‌های شما از سقف هر فایل بیشتر باشد یا تعداد فایل‌ها از حد مجاز طرح فراتر رود. همچنین طرح نامحدود تبدیل گفتار به متن باید در کنار ضوابط فایل و شرایط ارائه‌دهنده ارزیابی شود و نباید وعدهٔ سرعت پردازش نامحدود تلقی شود.
جایگاه هر ابزار در این مقایسه
AccurateScribe: تبدیل صوت و ویدیو به متن در کاربردهای رایج
AccurateScribe فایل‌های ضبط‌شدهٔ جلسات، مصاحبه‌ها، سخنرانی‌ها، پادکست‌ها، ویدیوها و سایر محتوای صوتی یا ویدیویی را به متن یا زیرنویس تبدیل می‌کند. اشتراک با هزینهٔ ثابت آن برای کسانی مناسب است که مرتب فایل‌های ذخیره‌شده را پردازش می‌کنند و صورتحساب قابل‌پیش‌بینی می‌خواهند. محدودیت مدت فایل و قالب‌های لازم برای تحویل را بررسی کنید. منوی خروجی آن اسناد، زیرنویس، صفحه‌گسترده، دادهٔ ساختاریافته و فایل‌های تبادل ویرایشی را پوشش می‌دهد؛ جدول قالب‌ها در ادامه گزینه‌ها را فهرست می‌کند. معرفی محصول
دسترسی رایگان، پیش‌نمایش بخشی از متن را ارائه می‌کند. متن کامل و گزینه‌های کامل خروجی به اشتراک نیاز دارند؛ این موضوع بر میزان ارزیابی یک مصاحبهٔ کامل یا گردش کار زیرنویس پیش از پرداخت اثر می‌گذارد. جزئیات دسترسی
Otter: کاربرد جلسه را با واردکردن فایل مقایسه کنید
Otter در فهرست گزینه‌های متمرکز بر جلسه جای دارد، اما وقتی کار شما با فایل آغاز می‌شود باید به ضوابط ورود فایل توجه کنید. Pro سهمیهٔ دقایق ماهانه را با محدودیت تعداد فایل و مدت هر فایل ترکیب می‌کند. مثلاً 10 فایل ورودیِ 90 دقیقه‌ای، حداکثر 900 دقیقه فایل واردشده را ممکن می‌سازند، هرچند سهمیهٔ کلی ماهانه 1,200 دقیقه است. این محدودیت‌ها هم‌زمان اعمال می‌شوند. Business ظرفیت ورود فایل را افزایش می‌دهد، اما سهمیهٔ نامحدود جلسه/ضبط در برنامه، سقف ماهانهٔ 6,000 دقیقه برای فایل‌های واردشده را حذف نمی‌کند. مقایسهٔ طرح‌های Otter
برای تحویل، Basic از خروجی متنی TXT پشتیبانی می‌کند؛ طرح‌های پولی گزینه‌هایی مانند DOCX، PDF و SRT را اضافه می‌کنند. اگر مشتری سند قالب‌بندی‌شده می‌خواهد، نیاز خروجی را در مقایسهٔ سطوح رایگان و پولی لحاظ کنید. مستندات خروجی Otter
Sonix: ساعت‌های مشمول اشتراک و مصرف مازاد را با هم محاسبه کنید
Sonix تبدیل گفتار به متن با پرداخت برحسب مصرف را با نرخ $10 در ساعت و نیز اشتراک‌هایی با ساعت‌های مشمول ارائه می‌کند. پرداخت برحسب مصرف برای استفادهٔ نامنظم مناسب است؛ در حجم ثابت، اشتراک ممکن است ارزان‌تر باشد. این تفاوت مهم است، زیرا با افزایش حجم کار، مناسب‌ترین طرح می‌تواند تغییر کند. تبدیل گفتار به متن و ترجمه از یک سهمیهٔ زمانی استفاده می‌کنند؛ بنابراین ترجمهٔ خروجی می‌تواند بودجه را تغییر دهد. جزئیات قیمت‌گذاری و امکانات Sonix
طبق راهنمای بارگذاری، معمولاً فایل‌هایی تا 8 ساعت و 16 GB، بسته به مجوزهای حساب، پذیرفته می‌شوند. محدودیت فضای ذخیره‌سازی جداست. Sonix همچنین خروجی‌های DOCX، TXT، PDF، SRT و VTT را مستند کرده است؛ بنابراین قالب موردنیاز تحویل، موردی مشخص برای بررسی است. محدودیت‌های بارگذاری, گزینه‌های خروجی
Notta: سهمیهٔ قابل‌توجه Pro با ضوابط جداگانهٔ فایل
سهمیهٔ Pro در Notta معادل 30 ساعت صوت در ماه است و برای استفادهٔ منظم در این محدوده ارزش مقایسه دارد. Business مدل را به زمان نامحدود تبدیل گفتار به متن برای هر حساب کاربری تغییر می‌دهد، اما سهمیهٔ ماهانهٔ فایل را حفظ می‌کند. این‌ها قیدهای متفاوتی‌اند: پردازش مصاحبه‌های طولانی و ورود تعداد زیادی کلیپ کوتاه می‌توانند به انتخاب طرح‌های متفاوت منجر شوند. قیمت‌گذاری Notta, توضیح طرح
مستندات ورود فایل، فایل‌های صوتی تا 1 GB و ویدیوهای تا 10 GB را مجاز می‌دانند. مدت فایل بدون تشخیص گوینده می‌تواند تا 5 ساعت و با فعال‌بودن آن تا 3 ساعت باشد. Pro و طرح‌های بالاتر از دانلود متن در قالب‌هایی از جمله TXT، DOCX، PDF و SRT پشتیبانی می‌کنند. پیش از آنکه فرض کنید فایل طولانی شما در محدوده قرار می‌گیرد، تنظیم گوینده را بررسی کنید. ضوابط ورود فایل, قالب‌های دانلود
Descript: گردش کار ویرایش را هم در کنار تبدیل گفتار به متن ارزیابی کنید
وقتی متن پیاده‌شده بخشی از ویرایش پادکست یا ویدیو باشد، خرید Descript معنای متفاوتی دارد. سهمیهٔ دقایق رسانهٔ آن، رسانه‌های واردشده یا ضبط‌شده را پوشش می‌دهد و فقط برای تولید متن نیست. بنابراین بارگذاری چندین فایل رسانه‌ای ممکن است بیش از مدت یک قسمت نهایی از سهمیه مصرف کند. اعتبارهای هوش مصنوعی منبعی جداگانه‌اند؛ پس مقایسهٔ هزینه صرفاً برای تبدیل گفتار به متن، همهٔ امکانات ویرایش یا تولید را در بر نمی‌گیرد. ضوابط مصرف Descript
Creator و Business امکان خرید ساعت رسانهٔ اضافه دارند. Descript از خروجی متن در قالب‌های سندی و زیرنویس SRT/VTT نیز پشتیبانی می‌کند. اگر از قبل برای ویرایش مشترک هستید، پیش از آنکه اشتراک یک ابزار دیگر را صرفه‌جویی قطعی بدانید، سهمیهٔ رسانهٔ اضافهٔ موردنیاز را مقایسه کنید. خرید سهمیهٔ اضافه, خروجی متن پیاده‌شده, خروجی زیرنویس
Rev: خدمات هوش مصنوعی و انسانی را جدا نگه دارید
اگر می‌خواهید میان خروجی خودکار و خدمات انسانی با قیمت‌گذاری جداگانه انتخاب کنید، بررسی Rev منطقی است. Essentials AI برای انگلیسی و اسپانیایی ماهانه 5,000 دقیقه به هر نفر می‌دهد؛ Pro سهمیه را افزایش می‌دهد و زبان‌های بیشتری را پشتیبانی می‌کند. برای زبانی خارج از پوشش Essentials، طرح پشتیبانِ مربوط را مقایسه کنید و به قیمت اولیهٔ کمتر آن تکیه نکنید. طرح‌های اشتراک Rev
قیمت اعلام‌شدهٔ تبدیل گفتار به متن توسط انسان، $1.99 در دقیقه است که ساختار هزینه‌ای متفاوت از اشتراک‌های هوش مصنوعی دارد. هزینهٔ یک فایل 60 دقیقه‌ای پیش از هزینه‌های اضافهٔ قابل‌اعمال یا ضوابط گردکردن، از $119.40 شروع می‌شود. این محاسبه برای بودجه‌بندی مفید است، اما ادعاهای مربوط به خدمات انسانی هرگز نباید امتیاز دقت محصول خودکار Rev تلقی شوند. قیمت‌گذاری Rev
سرعت و دقت تبدیل گفتار به متن
سرعت پردازش و دقت بازشناسی به دو پرسش متفاوت پاسخ می‌دهند. فایل‌های ضبط‌شده، قواعد امتیازدهی و مرزهای زمان‌سنجی در مطالعات زیر متفاوت‌اند؛ بنابراین نتایج آن‌ها یک رتبه‌بندی واحد تشکیل نمی‌دهند.
مقایسهٔ زمان تبدیل گفتار به متن همراه با مدت صوت و منابع
زمان‌های زیر در موارد مشخص‌شده شامل بارگذاری و تبدیل گفتار به متن هستند. سه ردیف RJI از یک مصاحبه استفاده می‌کنند؛ سایر مشاهدات به فایل‌های خودشان مربوط‌اند.
| محصول / مشاهده | مدت صوت یا ویدیو | زمان پردازش گزارش‌شده | مرز زمان‌سنجی | منبع و تاریخ |
|---|---|---|---|---|
| AccurateScribe | 25 دقیقه | 10 ثانیه | بارگذاری به‌اضافهٔ تبدیل گفتار به متن | سابقهٔ آزمون؛ تاریخ اجرا 2024-01-15 |
| Sonix | 25 دقیقه | 2 دقیقه و 56 ثانیه | بارگذاری به‌اضافهٔ تبدیل گفتار به متن | Emily Lytle, RJI, 2023-02-15. مقاله |
| Rev | 25 دقیقه | 4 دقیقه و 31 ثانیه | بارگذاری به‌اضافهٔ تبدیل گفتار به متن | Emily Lytle, RJI, 2023-02-15. مقاله |
| Otter | 25 دقیقه | 6 دقیقه و 19 ثانیه | بارگذاری به‌اضافهٔ تبدیل گفتار به متن | Emily Lytle, RJI, 2023-02-15. مقاله |
| Rev AI، مثال جداگانه | 6 دقیقه | حدود 40 ثانیه | آغاز و پایان دقیق مشخص نشده است | Miguel Rebelo, Zapier, 2026-04-02. بررسی |
| Notta | از زمان‌سنجیِ دارای منبع استفاده نشده است | — | — | نتیجهٔ زمان‌سنجی درج نشده است |
| Descript | از زمان‌سنجیِ دارای منبع استفاده نشده است | — | — | نتیجهٔ زمان‌سنجی درج نشده است |
مقادیر RJI از نمودار اصلی زمان‌سنجی آن رونویسی شده‌اند؛ این ارقام اصلاح انسانی را شامل نمی‌شوند. طرح‌ها، شرایط شبکه و تکرار اجراها کاملاً مشخص نیستند. Zapier اعلام می‌کند که برخی پیوندهای بررسی ممکن است کمیسیون ایجاد کنند؛ فایل ضبط‌شدهٔ مثال، خروجی کامل و طرح دقیقِ آزمایش‌شده منتشر نشده‌اند. خط تیره یعنی نتیجه‌ای درج نشده است، نه اینکه زمان صفر بوده باشد.
نتایج دقت چه چیزی را نشان می‌دهند
مطالعهٔ مصاحبهٔ Willem Maas در Growth Velocity، منتشرشده در 2023-08-08، نتایج را در برابر 1,199 واژهٔ مرجع از یک مصاحبهٔ یک‌ساعتهٔ B2B گزارش می‌کند؛ مرزهای دقیق بخش امتیازدهی‌شده مشخص نیست. پژوهش‌های استنادشده و آزمون‌های محصول کامل، دامنه‌های متفاوتی را می‌سنجند. مطالعهٔ مصاحبه
| محصول / ردیف | دقت گزارش‌شده و نوع شواهد | دامنهٔ آزمون اصلی | نویسنده، تاریخ و منبع |
|---|---|---|---|
| AccurateScribe — آزمون محصول | میانهٔ WER فایل‌ها: 5.26% دسته‌ای / 6.84% جریانی | 2,703 فایل / 81.69 ساعت | نتایج آزمون محصول، ارائه‌شده توسط ارزیاب. منبع آزمون |
| Sonix Standard، پرداخت برحسب مصرف | WER مصاحبه در آزمون پیشین 3.1% | 37 خطای واژه / 1,199 واژهٔ مرجع | Willem Maas, Growth Velocity, 2023-08-08. آزمون اصلی |
| Rev Max AI | WER مصاحبه در آزمون پیشین 4.8% | 58 خطای واژه / 1,199 واژهٔ مرجع | Willem Maas, Growth Velocity, 2023-08-08. آزمون اصلی |
| Otter Pro | WER مصاحبه در آزمون پیشین 6.3% | 75 خطای واژه / 1,199 واژهٔ مرجع | Willem Maas, Growth Velocity, 2023-08-08. آزمون اصلی |
منبع آزمون محصول AccurateScribe: دامنهٔ نمونه و ارقام WER این ردیف را ارزیاب برای این بررسی ارائه و تأیید کرده است.
در آن آزمون مصاحبه، WER در Sonix کمتر از Rev و Otter بود. برای فایل‌های خودتان، نام‌ها، اعداد، گفتار هم‌پوشان و نویز پس‌زمینه را بررسی کنید و ببینید چه میزان اصلاح لازم است تا متن قابل‌استفاده شود.
هزینهٔ احتمالی 10، 50 و 100 ساعت صوت در ماه
برآوردهای زیر نرخ‌های ماهانهٔ منتشرشده را برای تبدیل فایل ضبط‌شدهٔ انگلیسی به متن، برای یک کاربر یا ویرایشگرِ مشمول صورتحساب اعمال می‌کنند. مالیات، ترجمه، امکانات اضافهٔ تولید با هوش مصنوعی و ویرایش انسانی کنار گذاشته شده‌اند. هر فایل باید با ضوابط فایل و فضای ذخیره‌سازی طرح سازگار باشد. جدول، برآورد ترکیب‌های مشخصی از طرح‌ها را نشان می‌دهد؛ هزینهٔ واقعی به حساب‌ها و گزینه‌های خریداری‌شده بستگی دارد.
| محصول | 10 ساعت در ماه | 50 ساعت در ماه | 100 ساعت در ماه | مبنای محاسبه |
|---|---|---|---|---|
| AccurateScribe | $19.99 | $19.99 | $19.99 | طرح ماهانهٔ منتشرشدهٔ Unlimited |
| Otter | $16.99 | $30.00 | $30.00 | Pro برای 10 ساعت در چارچوب محدودیت ورود فایل؛ Business برای حجم بیشتر |
| Sonix | $50.00 | $180.00 | $680.00 | Advanced برای 10 ساعت؛ پس از آن Pro به‌اضافهٔ هزینهٔ مازاد $10 در ساعت |
| Notta، برای هر حساب کاربریِ مشمول صورتحساب | $13.49 | $27.99 | $27.99 | Pro برای 10 ساعت؛ Business برای 50/100 ساعت، حداکثر 200 فایل برای هر حساب کاربری در ماه |
| Descript | $24.00 | $115.00 | $265.00 | Hobbyist برای 10 ساعت؛ Creator به‌اضافهٔ سهمیهٔ رسانهٔ اضافه برای حجم بیشتر |
| Rev AI | $29.99 | $29.99 | $59.99 | Essentials برای 10/50 ساعت؛ Pro برای 100 ساعت |
منابع: AccurateScribe, Otter, Sonix, Notta, Descript و بسته‌های رسانهٔ اضافهٔ آن، و Rev. ارقام Notta برای هر حساب کاربریِ مشمول صورتحساب هستند. نرخ Business را در تعداد حساب‌های خریداری‌شده ضرب کنید؛ سهمیهٔ فایل نیز برای هر حساب اعمال می‌شود.
دو مثال شیوهٔ برآورد را نشان می‌دهند. Sonix Pro برای 100 ساعت برابر است با $80 + (100 − 40) × $10 = $680. Descript Creator برای 50 ساعت برابر است با $35 + یک بستهٔ 20 ساعتهٔ اضافه به قیمت $80 = $115. در 100 ساعت، افزودن بسته‌های 50 ساعته و 20 ساعته به $35 + $150 + $80 = $265 می‌رسد. در Descript، مستندات خرید سهمیهٔ اضافه این قیمت بسته‌ها را ارائه می‌کند؛ این سناریویی بر پایهٔ Creator است و ادعا نمی‌کند که هیچ ترکیب دیگری از طرح‌ها نمی‌تواند مناسب‌تر باشد.
محاسبه را با الگوی فایل‌های خود هماهنگ کنید. محدودیت 10 فایل ورودی Otter Pro حتی زیر سقف دقایق هم اهمیت دارد، و 100 ساعت تمام سهمیهٔ دقایق فایل واردشدهٔ Business را مصرف می‌کند. اشتراک‌های موجود نیز تصمیم را تغییر می‌دهند: یک بستهٔ رسانهٔ اضافه ممکن است از خرید ابزار دوم ارزان‌تر باشد. در نهایت، قیمت نرم‌افزار شامل زمانی نیست که برای بررسی نقل‌قول‌ها، نام‌ها یا زمان‌بندی زیرنویس صرف می‌کنید.
اسناد و زیرنویس‌ها به بررسی‌های متفاوتی نیاز دارند
برای متن مکتوب مصاحبه، بررسی کنید که برچسب‌های گوینده، شکست پاراگراف‌ها و متن اصلاح‌شده در خروجی حفظ شوند. برای زیرنویس، نوع فایل لازم را بررسی و زیرنویس خروجی را همراه ویدیو پخش کنید. متنی خوش‌خوان ممکن است همچنان به اصلاح زمان‌بندی یا بخش‌بندی زیرنویس نیاز داشته باشد. وجود یک قالب خروجی نشان می‌دهد آن گزینه در دسترس است؛ کیفیت نتیجه‌ای مشخص را اندازه نمی‌گیرد.
| محصول | گزینه‌های مرتبط خروجیِ سند، زیرنویس و داده |
|---|---|
| AccurateScribe | DOCX, PDF, TXT, SRT, VTT, STL, EDL, XML, CSV, XLSX, HTML, JSON, FCPXML. گزینه‌های منوی خروجی؛ راهنمای قالب‌های رایج. |
| Otter | TXT؛ طرح‌های پولی DOCX، PDF و SRT را اضافه می‌کنند. راهنما |
| Sonix | TXT, DOCX, PDF, SRT, VTT. راهنما |
| Notta | دانلود متن در طرح‌های پولی شامل TXT، DOCX، PDF، SRT و XLSX است. راهنما |
| Descript | TXT، DOCX و سایر قالب‌های متنی؛ زیرنویس SRT/VTT. متن, زیرنویس |
| Rev AI | DOCX, PDF, TXT, SRT, VTT. راهنما |
Rev به‌صراحت میان فایل‌های زیرنویسِ خروجی از متن تولیدشده با هوش مصنوعی و سفارش جداگانهٔ AI Captions تمایز می‌گذارد. اگر زیرنویس خروجی نهایی شماست، گردش کار واقعی تهیهٔ زیرنویس را مقایسه کنید و فرض نکنید همهٔ مسیرها همان نتیجهٔ قابل‌ویرایش را تولید می‌کنند. راهنمای قالب فایل Rev
ابتدا کدام ابزار را امتحان کنید؟
برای تبدیل صوت و ویدیو به متن، اشتراک با هزینهٔ ثابت AccurateScribe، مدل ساعت مشمول و مصرف مازاد Sonix، و Notta Pro را در صورتی مقایسه کنید که حجم کارتان در سهمیهٔ ماهانهٔ 30 ساعته و ضوابط فایل آن بگنجد. برای جلسات، AccurateScribe، Otter و Notta می‌توانند در فهرست نهایی باشند؛ اگر ثبت جلسه و یادداشت‌های مشترک بخشی از گردش کار شما هستند، آن امکانات را نیز مقایسه کنید. Descript وقتی به ویرایش پادکست یا ویدیو نیاز دارید مرتبط است. Rev در کنار طرح‌های هوش مصنوعی، گزینهٔ خدمات انسانی با قیمت‌گذاری جداگانه را اضافه می‌کند.
سپس یک فایل نمایندهٔ کار معمول خود را با دو گزینهٔ برتر پردازش کنید. بخشی با نام یا عدد، تغییر گوینده و صدای پس‌زمینه‌ای از نوع معمول کارتان را بگنجانید. خروجی را تا سطح استاندارد موردنیاز اصلاح کنید و فایل خروجی را در برنامهٔ مقصد باز کنید. این کار کامل، بیش از یک درصد دقتِ برجسته و منفرد دربارهٔ تناسب ابزار به شما می‌گوید.
پرسش‌های متداول
کدام ابزار تبدیل گفتار به متن دقیق‌تر است؟
آزمون‌های عمومی موجود از فایل‌ها و روش‌های امتیازدهی متفاوت استفاده می‌کنند؛ بنابراین پیشتاز دقت را میان این شش ابزار تعیین نمی‌کنند. برای مقایسهٔ AccurateScribe با گزینه‌های دیگر، همان فایل نمونه را آزمایش و هر متن را در برابر یک متن مرجع مشترک امتیازدهی کنید.
آیا تبدیل گفتار به متن نامحدود یعنی هیچ محدودیتی وجود ندارد؟
خیر. تعریف ارائه‌دهنده از سهمیه و همچنین مدت فایل، تعداد فایل، فضای ذخیره‌سازی و دسترسی به خروجی‌ها را بررسی کنید. سهمیهٔ جلسه ممکن است با سهمیهٔ ورود فایل فرق داشته باشد و پیش‌نمایش رایگان با دسترسی به متن کامل متفاوت باشد. این تفاوت‌ها می‌توانند تعیین کنند کدام طرح واقعاً کار شما را پوشش می‌دهد.
آیا می‌توان متن پیاده‌شده را مستقیماً به‌عنوان زیرنویس استفاده کرد؟
فقط پس از بررسی قالب لازم، زمان‌بندی و بخش‌بندی. طرحی با گزینهٔ خروجی موردنیاز انتخاب کنید و زیرنویس حاصل را همراه ویدیو بازبینی کنید. سند خواندنی و فایل زیرنویس آمادهٔ انتشار دو خروجی متفاوت‌اند.
تصمیم‌گیری
دو سرویسی را انتخاب کنید که بیشترین تناسب را با گردش کارتان دارند و سپس آن‌ها را روی یک فایل یکسان مقایسه کنید. متن، زمان اصلاح، فایل خروجی و هزینهٔ کل در حجم موردانتظار را بررسی کنید. انتخاب بهتر، گزینه‌ای است که با کمترین زحمت کلی، خروجی قابل‌قبول و صورتحسابی قابل‌پیش‌بینی تولید کند.
یادداشت‌های آزمون و منابع
اطلاعات محصول و شرایط اشتراک در 2026-10-17 بررسی شدند. سناریوهای هزینه از ترکیب طرح‌ها و فرض‌های نمایش‌داده‌شده در بالا استفاده می‌کنند. مطالعات عملکرد، نویسندگان، تاریخ‌ها و پیوندهای اصلی خود را حفظ کرده‌اند. میانهٔ فایل‌ها، WER پیکره، خطاهای معنایی و سنجه‌های موفقیت وظیفه روش‌های امتیازدهی متفاوتی دارند و باید در محدودهٔ هر مطالعه خوانده شوند.
مطالعهٔ بیشتر دربارهٔ دقت بازشناسی و تأخیر
دقت در انواع فایل ضبط‌شده
| سنجهٔ مرجع AccurateScribe | مقدار معیار گزارش‌شده در پژوهش استنادشده | دامنهٔ ضبط و امتیازدهی | نویسنده، تاریخ و منبع اصلی |
|---|---|---|---|
| مرجع WER انگلیسی عمومی | AA-WER 5.2% | حدود 8 ساعت / 3 مجموعه‌داده؛ AA-WER v2.0 | Artificial Analysis، نمای ثبت‌شده بررسی‌شده در 2026-10-17. نتایج |
| مراجع WER گفتار واضح و تماس‌های گزارش درآمد | 2.50% LibriSpeech; 16.13% Earnings-22; 2.94% SPGISpeech | WER پیکره؛ نمونهٔ SPGISpeech: تعداد 1,200 کلیپ / 3.05 ساعت | Verli، امتیازدهی‌شده در 2026-07-16 / 2026-07-17. معیارسنجی |
| مرجع WER مجموعه‌داده‌های ترکیبی | میانگین کلان 10.1% | 8 مجموعه‌داده با وزن برابر؛ مدت کل ارزیابی‌شده مشخص نشده است | Superwhisper، به‌روزشده در 2026-09-03. نتایج |
| مرجع WER معنایی | میانگین 1.32%؛ تجمیعی 1.37% | 1,000 نمونه؛ امتیازدهی معنایی با کمک LLM، نه WER معمول مبتنی بر ویرایش واژه | نگه‌دارندگان Pipecat، نمای ثبت‌شده بررسی‌شده در 2026-10-17. نتایج |
| مرجع WER متن تأییدشدهٔ جریانی | حدود 2% | TIMIT؛ تعداد و مدت واقعیِ ارزیابی‌شده مشخص نشده است | Atila Orhon و همکاران، v1، 2025-07-14. مقالهٔ پژوهشی |
توان عملیاتی و تأخیر پردازش جریانی
| سنجه / شواهد AccurateScribe | مدت صوت یا دامنهٔ نمونه | مقدار گزارش‌شده | تعریف زمان‌سنجی و منبع |
|---|---|---|---|
| مرجع منتشرشدهٔ توان عملیاتی | صوت 10 دقیقه‌ای | ضریب سرعت 610.0× | توان عملیاتی در بازهٔ متحرک 7 روزهٔ مطالعهٔ استنادشده، نه زمان انتظار محصول کامل. Artificial Analysis، بررسی‌شده در 2026-10-17. نتایج |
| زمان پاسخ فایل ضبط‌شده، مرجع پژوهشی | 40 کلیپ کوتاه؛ مدت کل مشخص نشده است | میانهٔ 0.51 ثانیه؛ P90 برابر 0.96 ثانیه | از درخواست تا تکمیل متن؛ Verli، 2026-07-17. معیارسنجی |
| زمان پاسخ دیکته، مرجع پژوهشی | کلیپ‌های 8–15 ثانیه‌ای | میانهٔ 0.66 ثانیه | از پایان گفتار تا متن تکمیل‌شده؛ Superwhisper، به‌روزشده در 2026-09-03. نتایج, روش |
| تأخیر بخش نهایی در پردازش جریانی، مرجع پژوهشی | 1,000 نمونه؛ مدت کل مشخص نشده است | میانهٔ 247 ms؛ P95 برابر 298 ms؛ P99 برابر 326 ms | از پایان گفتار تا بخش نهایی؛ نگه‌دارندگان Pipecat، بررسی‌شده در 2026-10-17. نتایج |
| تأخیر هر واژه در پردازش جریانی، مرجع پژوهشی | TIMIT؛ مدت ارزیابی‌شده مشخص نشده است | میانگین موقت 0.83 ثانیه؛ متن تأییدشده حدود 1.7 ثانیه | تأخیر در سطح واژه؛ Atila Orhon و همکاران، v1، 2025-07-14. مقالهٔ پژوهشی |
زبان‌ها و گفتار دشوار
| مورد مرجع پژوهشی AccurateScribe | دامنهٔ ضبط | نتیجهٔ گزارش‌شدهٔ مطالعه | نویسنده، تاریخ و منبع اصلی |
|---|---|---|---|
| یادداشت‌های صوتی انگلیسی و روسی | 8 نمونهٔ نگه‌داشته‌شده برای هر زبان / 3 اجرا؛ نمونه‌های دشوارِ ارقام/نام‌ها حذف شده‌اند؛ smart_format=true؛ مدت کل نامشخص | WER با تعیین صریح زبان: انگلیسی 20.9%، روسی 24.0%؛ WER حالت چندزبانه: انگلیسی 17.9%، روسی 21.5% | Smolevich، اجراهای آزمون در 2026-08. گزارش |
| گفتار چندزبانهٔ تماس‌های بانکی | 4,270 پاره‌گفتار / 5.1 ساعت، 250 تماس با سناریوی ازپیش‌نوشته‌شده، 5 گونهٔ زبانی | WER انگلیسی 5.4%؛ WER ویتنامی 24.7%؛ UER با میانگین کلان گونه‌های زبانی 32.6% | Andrea Li و Soham Ray، نمای ثبت‌شدهٔ 2026-04. مطالعهٔ Sierra |
| بازیابی مقادیر ساختاریافته | 300 سناریوی خوانده‌شده توسط انسان / 5.59 ساعت / 85 گوینده | دسته‌ای: WER برابر 8.2%، CTEM برابر 90.9%، TSR برابر 68.7%؛ جریانی: WER برابر 9.3%، CTEM برابر 88.9%، TSR برابر 61.7% | Tyler Baumgartner و همکاران، پژوهش با تأمین مالی Besimple AI، v2، 2026-09-12. مقالهٔ پژوهشی |
| گفتار مبتلا به دیزآرتری | TORGO؛ 8 گوینده / 732 پاره‌گفتار؛ مدت ارزیابی‌شده نامشخص | WER خفیف 2.77%؛ متوسط 21.83%؛ شدید 64.00% | Ali Alsayegh و Tariq Masood، v2 بازبینی‌شده در 2026-08-20. مقالهٔ پژوهشی |
نتایج پژوهش‌های استنادشده، امتیازهایی قابل‌جایگزینی با یکدیگر نیستند. Pipecat متن‌های مفقود را از مخرج WER حذف می‌کند و نرخ بازگشت متن را 99.8% گزارش می‌کند؛ صوت و متن‌های مرجع آن عمومی هستند. ارقام نمونهٔ کوچک Smolevich را نویسنده گزارش کرده است؛ یادداشت‌های صوتی خصوصی، عمومی نیستند. MU-Bench از متن‌های نرمال‌شده با LLM و وزن برابر برای گونه‌های زبانی استفاده می‌کند؛ UER پاره‌گفتارهای دارای خطاهای تغییردهندهٔ معنا را می‌شمارد. صوت و برچسب‌های Sierra عمومی هستند.
سناریوهای VoiceCodeBench ساختگی‌اند و انسان آن‌ها را می‌خواند؛ WER آن به قالب‌بندی وابسته نیست. CTEM موجودیت‌های قابل‌بازیابی را می‌سنجد؛ TSR مستلزم آن است که تمام هدف‌های یک بخش قابل‌بازیابی باشند. صوت و حاشیه‌نویسی‌ها و کد امتیازدهی عمومی هستند. TORGO از میانگین WER هر پاره‌گفتار با سقف 100% استفاده می‌کند، نه WER تجمیعی. اجراهای آزمون در 2025-09-17–18، پیش از بازبینی 2026، انجام شده‌اند. Verli و Superwhisper محصولات تبدیل گفتار به متن منتشر می‌کنند و نویسندگان WhisperKit سامانه‌ای رقیب را توسعه می‌دهند.