ترندهای TTS در 2026؛ ۱۰ روند مهم تبدیل متن به گفتار و اثر آن بر مرکز تماس

TTS در سال 2026 کجاست؟

TTS یا تبدیل متن به گفتار همان فناوری است که منوی گویا، ربات صوتی و پیام‌های خودکار مرکز تماس را به صدا درمی‌آورد. تا چند سال پیش، کیفیت صدای مصنوعی معیار اصلی رقابت بود. در 2026 این مسئله برای زبان‌های پرمنبع تقریباً حل شده است. رقابت حالا روی کنترل‌پذیری، سرعت، هزینه و اعتماد است.

سه نیرو این تغییر را پیش می‌برند. اول، معماری‌های مبتنی بر مدل زبانی که گفتار را مثل متن، توکن به توکن تولید می‌کنند. دوم، رشد عامل‌های صوتی که پاسخ فوری می‌خواهند. سوم، قوانین تازه برای صدای مصنوعی و دیپ‌فیک. این راهنما همتای مقالهٔ ترندهای ASR در 2026 است. آنجا «شنیدن» را بررسی کردیم و اینجا «حرف زدن» را.

۱۰ ترند مهم TTS در 2026

۱. صدای قابل کارگردانی با دستور متنی

بزرگ‌ترین تغییر سال، کنترل صدا با زبان طبیعی است. به‌جای تنظیم دستی پارامترها، به مدل گفته می‌شود: «آرام و همدلانه، کمی آهسته‌تر، مثل پشتیبانی که از تأخیر عذرخواهی می‌کند». مدل‌های تازه مانند خانوادهٔ Qwen3-TTS شبیه‌سازی صدا، کنترل با زبان طبیعی، طراحی رنگ صدا و تولید استریم را در یک سامانه جمع کرده‌اند. برخی سرویس‌ها هم «برچسب‌های صوتی» مثل خنده، مکث و نجوا را درون متن می‌پذیرند.

۲. شبیه‌سازی صدا از چند ثانیه نمونه

شبیه‌سازی صدا (Voice Cloning) از ویژگی آزمایشگاهی به قابلیتی معمول رسیده است. چند مدل باز ادعا می‌کنند با حدود سه ثانیه نمونه، بدون آموزش دوباره، صدای گوینده را بازسازی می‌کنند. کیفیت در عمل به نمونه، زبان و نوع متن بستگی دارد. اما جهت روشن است: ساختن صدای اختصاصی دیگر پروژهٔ چندماهه نیست.

۳. طراحی صدا بدون نمونه

در کنار شبیه‌سازی، ترند «طراحی صدا» رشد کرده است: ساختن یک صدای تازه از روی توصیف، مثلاً «زن میان‌سال، گرم، با تلفظ رسمی». این روش مسئلهٔ رضایت را که در شبیه‌سازی صدای یک فرد واقعی پیش می‌آید دور می‌زند. برای همین برای برندهایی که نمی‌خواهند صدایشان به یک شخص وابسته باشد جذاب است.

۴. استریم کم‌تأخیر برای عامل‌های صوتی

در گفت‌وگوی زنده، مهم‌ترین عدد زمان رسیدن اولین صدا (TTFA) است: از لحظهٔ رسیدن متن تا شنیده شدن اولین بخش صدا. معیار رایج سال این است: «استریم، TTFA پایین و پشتیبانی از تماس‌های هم‌زمان». برخی مدل‌ها تأخیر اولین بستهٔ صوتی را حدود صد میلی‌ثانیه یا کمتر گزارش می‌کنند. بعضی هم از همان چند توکن اول متن شروع به تولید صدا می‌کنند و منتظر پایان جمله نمی‌مانند.

۵. مدل‌های باز در رقابت با سرویس‌های تجاری

فاصلهٔ کیفیت مدل‌های باز و تجاری در جدول‌های مقایسهٔ شنیداری به‌شدت کم شده است. مدل‌هایی از شرکت‌هایی مانند علی‌بابا و میسترال و پروژه‌های متن‌باز مانند Kokoro در فهرست‌های 2026 دیده می‌شوند. اما مجوزها بسیار متفاوت‌اند: بعضی مدل‌ها مجوز آزاد تجاری مثل MIT یا Apache دارند و وزن‌های برخی فقط برای استفادهٔ غیرتجاری منتشر شده‌اند.

۶. مدل‌های کوچک، روی CPU و لبه

همهٔ ترندها به سمت مدل‌های بزرگ نیست. مدل‌هایی با کمتر از صد میلیون پارامتر، مثل Kokoro با حدود ۸۲ میلیون، روی CPU و حتی دستگاه‌های کوچک اجرا می‌شوند. این یعنی هزینهٔ زیرساخت برای اعلان‌های ساده، پیام‌های صف و منوهای ثابت تقریباً حذف می‌شود.

۷. گفتار طولانی و چندگوینده

مدل‌های تازه می‌توانند ده‌ها دقیقه گفتار پیوسته با چند گوینده بسازند، مثل یک پادکست یا گفت‌وگوی آموزشی. این کار با حفظ لحن و نوبت‌گیری طبیعی انجام می‌شود. این ترند بیشتر از تولید محتوا آمده است، اما راهش به آموزش و اطلاع‌رسانی سازمانی هم باز شده است.

۸. ادغام با گفتار به گفتار

مرز TTS و مدل‌های گفت‌وگو در حال کم‌رنگ شدن است. مدل‌های گفتار به گفتار صدا را مستقیم می‌سازند و لحن کاربر را هم در نظر می‌گیرند. با این حال، زنجیرهٔ «ASR، مدل زبانی، TTS» هنوز به‌خاطر کنترل‌پذیری، امکان ثبت متن و بازبینی، انتخاب رایج سازمان‌هاست؛ به‌ویژه برای زبان‌هایی مانند فارسی.

۹. برچسب، واترمارک و رضایت

از ۱۱ مرداد ۱۴۰۵ (۲ اوت ۲۰۲۶)، تعهدات شفافیت مادهٔ ۵۰ قانون هوش مصنوعی اتحادیهٔ اروپا اجرایی شده است. ارائه‌دهندگان سامانه‌هایی که صوت مصنوعی تولید می‌کنند باید خروجی را به‌شکل قابل تشخیص برای ماشین علامت‌گذاری کنند، مثلاً با واترمارک یا فرادادهٔ اصالت. منتشرکنندگان دیپ‌فیک صوتی هم باید مصنوعی بودن آن را اعلام کنند. این قانون مستقیماً بر ایران اعمال نمی‌شود، اما جهت جهانی را نشان می‌دهد.

۱۰. ارزیابی فراتر از «طبیعی بودن»

معیار قدیمی MOS، یعنی امتیاز شنیداری طبیعی بودن، دیگر کافی نیست. ارزیابی‌های تازه چند چیز را با هم می‌سنجند:

• درستی تلفظ: متن خروجی صدا را با ASR دوباره به متن تبدیل می‌کنند و خطای آن را می‌سنجند.
• شباهت به صدای مرجع
• پایداری در متن‌های طولانی
• تأخیر زیر بار واقعی

جدول‌های مقایسهٔ شنیداری عمومی هم رتبه‌بندی‌ها را شفاف‌تر کرده‌اند، هرچند بیشتر برای انگلیسی.

TTS فارسی در 2026: مشکل اصلی پیش از صداست

در فارسی، بخش بزرگی از خطاهای TTS پیش از تولید صدا رخ می‌دهد: در مرحلهٔ تبدیل نوشته به آوا. خط فارسی معمولاً بدون اعراب نوشته می‌شود، پس مدل باید از روی بافت جمله بفهمد هر واژه را چطور بخواند. پژوهش‌های سال‌های اخیر نشان داده‌اند که تشخیص کسرهٔ اضافه به نحو جمله و تشخیص هم‌نگاشت‌ها به معنای جمله نیاز دارد. برای همین تبدیل نوشته به آوا در فارسی باید در سطح جمله انجام شود، نه واژه به واژه. نمونه‌های زیر را ببینید:

دادهٔ باز فارسی هم در حال رشد است. نمونه‌اش ManaTTS، پیکرهٔ تک‌گویندهٔ حدود ۸۶ ساعته با مجوز آزاد است که پژوهشگران دانشگاه صنعتی شریف منتشر کرده‌اند. اما پژوهشگران خودشان یادآوری می‌کنند که سامانه‌های TTS فارسی باکیفیت و آزاد هنوز کم‌اند. نتیجهٔ عملی این است که کیفیت یک TTS فارسی را با جمله‌های واقعی کسب‌وکار خودتان بسنجید، نه با جمله‌های نمونهٔ فروشنده.

چک‌لیست انتخاب TTS در 2026

نقشهٔ راه مرکز تماس

ساعیان ارتباط و صدای فارسی

در ساعیان ارتباط، تبدیل متن به گفتار فارسی را در کنار تشخیص گفتار و منوی گویای گفتاری در نرم‌افزار مرکز تماس به کار می‌گیریم. اولویت ما سه چیز است: اجرای محلی تا متن مشتری از سازمان خارج نشود، لایهٔ پیش‌پردازش متن فارسی برای عدد، تاریخ و کسرهٔ اضافه، و بررسی مجوز هر مدل پیش از استقرار. پیشنهاد ما این است که پیش از هر تصمیم، صدا را با یک پایلوت روی جمله‌های واقعی IVR و نظر شنونده‌های داخلی بسنجید.

پرسش‌های متداول

مهم‌ترین ترندهای TTS در 2026 کدام‌اند؟

کنترل لحن با دستور متنی، شبیه‌سازی صدا از نمونهٔ کوتاه، طراحی صدا بدون نمونه، استریم کم‌تأخیر، مدل‌های باز و کوچک، گفتار طولانی چندگوینده، ادغام با گفتار به گفتار، برچسب‌گذاری صدای مصنوعی و ارزیابی فراتر از MOS.

شبیه‌سازی صدا چقدر نمونه لازم دارد؟

برخی مدل‌های 2026 با چند ثانیه نمونه کار می‌کنند، اما کیفیت پایدار برای صدای برند معمولاً به نمونهٔ بیشتر، تمیزتر و بررسی شنیداری نیاز دارد. استفاده از صدای هر فرد بدون رضایت او مجاز نیست.

چرا TTS فارسی سخت‌تر از انگلیسی است؟

چون فارسی بدون اعراب نوشته می‌شود. تشخیص کسرهٔ اضافه، خواندن درست هم‌نگاشت‌ها و تبدیل عدد و تاریخ به گفتار، به درک بافت جمله نیاز دارد.

TTS برای ربات صوتی چه تأخیری باید داشته باشد؟

هرچه زمان رسیدن اولین صدا کمتر باشد، گفت‌وگو طبیعی‌تر است. مدل‌های تازه این زمان را حدود یک‌دهم ثانیه گزارش می‌کنند. عدد واقعی را روی سخت‌افزار خودتان و با تماس‌های هم‌زمان بسنجید.

آیا باید اعلام کنیم صدای تماس مصنوعی است؟

در اتحادیهٔ اروپا از اوت ۲۰۲۶ تعهدات شفافیت برای محتوای صوتی مصنوعی اجرایی شده است. حتی جایی که الزام قانونی نیست، اعلام اینکه مشتری با سامانهٔ خودکار صحبت می‌کند اعتماد را حفظ می‌کند.

TTS محلی بهتر است یا ابری؟

اگر متن تماس‌ها شامل اطلاعات حساس است، اجرای محلی مناسب‌تر است. در 2026 مدل‌های باز به کیفیت قابل قبولی رسیده‌اند، اما مجوز تجاری و کیفیت فارسی هر مدل باید جداگانه بررسی شود.