Whisper AI برای فارسی: تبدیل صوت به متن

whisper به‌عنوان مدل تبدیل گفتار به متن OpenAI، فارسی را به‌صورت رسمی و با کیفیت قابل‌قبول پشتیبانی می‌کند، اما دسترسی مستقیم به API آن از داخل ایران بدون کارت خارجی و VPN ممکن نیست و همین‌جاست که راهکارهایی مثل gateway‌های داخلی وارد ماجرا می‌شوند. اگر دنبال پیاده‌سازی whisper فارسی در چت‌بات، جست‌وجوی هوشمند یا سیستم پردازش صدای محصول خودتان هستید، این مقاله دقیقاً مسیر فنی و هزینه واقعی آن به تومان را نشان می‌دهد.

Whisper فارسی: راهنمای تبدیل صدا به متن برای اپلیکیشن و چت‌بات فارسی

نسخهٔ فاین‌تیون‌شدهٔ whisper-large-v3-persian در جدول آموزش خود به نرخ خطای کلمه (WER) حدود ۸٫۷ درصد در آخرین گام ارزیابی رسیده؛ این عدد از دادهٔ آموزشی مدل است، نه شاهدی از استقرار در محیط تولید. برای چت‌بات فارسی، Whisper فقط لایهٔ تبدیل صدا به متن است و متن خروجی باید به یک مدل زبانی برای پاسخ‌گویی برسد.

مدل پایهٔ Whisper برای فارسی به‌تنهایی دقت پایین‌تری نسبت به انگلیسی دارد. OpenAI مدل اصلی Whisper را روی ۶۸۰ هزار ساعت داده چندزبانه آموزش داده و در تاریخ ۲۱ سپتامبر ۲۰۲۲ به‌صورت متن‌باز منتشر کرد، طبق صفحهٔ رسمی OpenAI. نسخهٔ فاین‌تیون‌شدهٔ whisper-large-v3-persian روی این پایه ساخته شده تا رونویسی فارسی را بهبود دهد.

جدول آموزش این فاین‌تیون فارسی روند زیر را نشان می‌دهد:

گام آموزش	خطای اعتبارسنجی	WER
۱۰۰۰	۰٫۱۵۳۷	۱۷٫۱۱
۲۰۰۰	۰٫۱۱۵۶	۱۲٫۶۲
۳۰۰۰	۰٫۰۹۶۵	۱۱٫۲۰
۴۰۰۰	۰٫۰۸۷۷	۹٫۴۰
۵۰۰۰	۰٫۰۸۵۸	۸٫۷۳

این ارقام از گزارش آموزش مدل هستند و کیفیت را در شرایط آزمایشی نشان می‌دهند؛ نتیجهٔ واقعی روی صدای نویزدار یا لهجه‌های مختلف فارسی می‌تواند متفاوت باشد. واژهٔ Whisper در فارسی یعنی نجوا یا زمزمه — نامی که در برخی اپ‌های موبایل هم عیناً به‌کار رفته، مثل اپلیکیشن «Whisper AI: Speech to Text» که در فروشگاه مایکت موجود است؛ این اپ محصولی مستقل و غیررسمی است، نه توزیع رسمی OpenAI.

برای دانلود whisper روی ویندوز یا اندروید نسخهٔ رسمی یک‌کلیکی وجود ندارد؛ مدل و کد آن به‌صورت متن‌باز روی گیت‌هاب OpenAI عرضه شده و اجرا نیازمند نصب Python و راه‌اندازی محلی است، نه یک نصب‌کنندهٔ آماده.

برای یک چت‌بات فارسی واقعی، معمولاً Whisper فقط لایهٔ تبدیل صدا به متن است؛ متن خروجی باید به یک مدل زبانی برای فهم و پاسخ‌گویی برسد. ما در 1xAi یک درگاه LLM اداره می‌کنیم که این بخش دوم پایپلاین را با اندپوینت سازگار با OpenAI (base_url https://1xai.ir/v1) پوشش می‌دهد:

from openai import OpenAI

client = OpenAI(
    base_url="https://1xai.ir/v1",
    api_key="YOUR_1XAI_API_KEY"
)

transcript_text = "متن حاصل از رونویسی Whisper اینجا قرار می‌گیرد"

response = client.chat.completions.create(
    model="gpt-5",
    messages=[
        {"role": "system", "content": "تو یک دستیار پشتیبانی فارسی‌زبان هستی."},
        {"role": "user", "content": transcript_text}
    ]
)

print(response.choices[0].message.content)

فهرست کامل مدل‌های متنی فعال در https://1xai.ir/models قابل مشاهده است؛ در حال حاضر اندپوینت اختصاصی Whisper در این فهرست نیست. برای پایپلاین کامل صدا-به-چت‌بات سفارشی، تیم 1xAi از طریق فرم تماس درخواست‌های یکپارچه‌سازی می‌پذیرد.

سوالات متداول

آیا Whisper از زبان فارسی پشتیبانی می‌کند؟

بله، Whisper مدل تشخیص گفتار متن‌باز OpenAI است که فارسی را در کنار ده‌ها زبان دیگر پشتیبانی می‌کند و برای تبدیل گفتار به متن، زیرنویس‌سازی و رونویسی مکالمات فارسی در چت‌بات‌ها و ابزارهای محتوا قابل استفاده است.

تفاوت Whisper رسمی OpenAI با سرویس‌هایی مثل whispertranscribe.ai چیست؟

Whisper رسمی مدل و API خام است که نیاز به پیاده‌سازی دارد، در حالی که سرویس‌هایی مثل whispertranscribe.ai روی این مدل یک محصول کاربرپسند با رابط رونویسی و ویرایش ساخته‌اند؛ انتخاب بین این دو به نیاز شما به کنترل فنی در برابر سرعت راه‌اندازی بستگی دارد.

چطور بدون کارت بانکی خارجی به API مدل‌های زبانی مثل gpt-5 دسترسی بگیرم؟

ما در 1xAi یک درگاه دسترسی به مدل‌هایی نظیر gpt-5 و gpt-5.2 را با پرداخت تومانی و بدون نیاز به کارت خارجی یا فیلترشکن اداره می‌کنیم؛ قیمت‌ها با نرخ روز همگام هستند و همیشه در [صفحه قیمت‌گذاری](https://1xai.ir/pricing) به‌روز نمایش داده می‌شوند، برای نمونه gpt-5 در حال حاضر حدود ۳۴۰٬۵۰۰ تومان به ازای هر یک میلیون توکن ورودی قیمت دارد.

آیا اپلیکیشن Whisper اندروید (مثل نسخه myket) همان مدل OpenAI است؟

اپلیکیشنی با نام Whisper AI: Speech to Text در مایکت وجود دارد که ظاهراً یک برنامه ثالث است و از مدل Whisper به‌عنوان موتور استفاده می‌کند، نه خودِ مدل رسمی؛ برای پروژه‌های تجاری بهتر است مستقیماً از API استفاده کنید تا کنترل و کیفیت بیشتری داشته باشید.

برای ترکیب Whisper با یک مدل زبانی برای چت‌بات پشتیبانی چه گزینه‌ای مقرون‌به‌صرفه‌تر است؟

اگر بودجه محدود است، deepseek-chat گزینه‌ای ارزان با قیمت حدود ۷۶٬۲۷۲ تومان به ازای هر یک میلیون توکن ورودی است، در حالی که gemini-2.5-flash با ۸۱٬۷۲۰ تومان ورودی توازن خوبی بین هزینه و کیفیت برای پردازش متن رونویسی‌شده ارائه می‌دهد؛ قیمت دقیق و به‌روز هر دو مدل را می‌توانید در [صفحه مدل‌ها](https://1xai.ir/models) ببینید.