ElevenLabs SFX v3 (الون‌لبز اس‌اف‌ایکس ۳) تازه‌ترین مدلِ شرکتِ ElevenLabs برای ساختنِ افکتِ صوتی از روی متن است. این شرکت آن را ۲۹ اکتبرِ ۲۰۲۶ (۷ آبانِ ۱۴۰۵) معرفی کرد. مدل برای توصیف‌هایی ساخته شده که چند صدا را با هم می‌خواهند، مثلاً «تشویقِ جمعیت، افتادنِ توپ و بعد هوی تماشاچیان».
ElevenLabs SFX v3 چیست؟
SFX v3 مدلی است که از یک جمله‌ی متنی، صدای محیط و افکتِ صوتی می‌سازد. نامِ فنیِ آن در API، eleven_text_to_sound_v3 است. افکتِ صوتی (SFX) یعنی صدای کوتاهِ جانبی در ویدیو یا بازی، مثل صدای باران، قدم، در، انفجار یا هیاهوی استادیوم.
الون‌لبز بیشتر با گویندگیِ هوش مصنوعی شناخته می‌شود. بخشِ افکتِ صوتیِ آن از قبل وجود داشت و نسخه‌ی ۲ هنوز مدلِ پیش‌فرض است. نسخه‌ی ۳ جدا عرضه شده و بنا بر مستنداتِ رسمی، دسترسی به آن فعلاً محدود است و ممکن است در همه‌ی منطقه‌ها باز نباشد. حسابی که دسترسی ندارد با خطای «Unknown model» روبه‌رو می‌شود.
سازنده می‌گوید در آزمون‌های داخلی، خروجیِ v3 از v2 تمیزتر و طبیعی‌تر است. اما جدولِ مقایسه یا عددِ آزمون منتشر نکرده است، پس این را «ادعای سازنده» بدانید، نه نتیجه‌ی مستقل.
چه کارهایی می‌کند؟
SFX v3 سه بهبودِ اصلی نسبت به v2 دارد: پیروی از چند دستور در یک توصیف، آوازِ موسیقاییِ طبیعی‌تر، و کاهشِ ناخالصی روی صداهایی مثل گونگ، زنگوله و سوت.
- چند صدا در یک توصیف: مدل سعی می‌کند همه‌ی صداهای نوشته‌شده را در خروجی بیاورد. مثالِ خودِ سازنده: جمعیتِ فوتبال که تشویق می‌کند، توپی که می‌افتد و چند ثانیه بعد همان جمعیت که هو می‌کند.
- موسیقی و آواز: می‌تواند افکتی بسازد که یک عبارتِ موسیقایی یا صدای انسان را کنارِ صدای محیط داشته باشد.
- کیفیتِ بهتر: کاهشِ صداهای ناخواسته روی ابزارهای فلزی و بادی.
مثال‌هایی از کاربردِ واقعی برای کاربرِ ایرانی:
- ریلز و کلیپِ اینستاگرام: صدای «ووش» برای جابه‌جاییِ صحنه، ضربه و ورودِ متن.
- تبلیغِ فروشگاه: صدای باز شدنِ جعبه، چکیدنِ قهوه یا بسته‌بندی برای ویدیوی محصول.
- پادکست و آموزش: صدای زمینه‌ی کافه، باران یا دفتر برای فضاسازی.
- بازی و انیمیشنِ کوچک: صدای قدم، در و ابزار، بدونِ خریدِ بسته‌ی صدای آماده.
چه فرقی با نسخه‌ی قبلی و ابزارهای مشابه دارد؟
فرقِ اصلیِ v3 با v2 در فهمِ توصیف‌های چندبخشی و صداهای موسیقایی است. جدولِ زیر فقط چیزهایی را مقایسه می‌کند که مستنداتِ رسمی گفته‌اند.
| ویژگی | SFX v2 | SFX v3 |
|---|---|---|
| وضعیت | مدلِ پیش‌فرض | دسترسیِ محدود |
| توصیفِ چندصدایی | معمولی | پیرویِ بهتر (ادعای سازنده) |
| موسیقی و آواز | ضعیف‌تر | طبیعی‌تر (ادعای سازنده) |
| مدتِ هر افکت | تا ۳۰ ثانیه | تا ۳۰ ثانیه |
| خروجی | MP3 و WAV با ۴۸ کیلوهرتز (افکتِ بی‌تکرار) | MP3 و WAV با ۴۸ کیلوهرتز (افکتِ بی‌تکرار) |
نتیجه‌ی جدول: اگر توصیفِ شما ساده است (مثلاً «شیشه‌ای که روی بتن می‌شکند»)، v2 هم کافی است. v3 وقتی می‌ارزد که چند صدا یا صدای موسیقایی بخواهید.
اگر دنبالِ ساختِ موسیقیِ کامل هستید، بهتر است سراغِ مدلِ موسیقی بروید. برای نمونه، در بررسیِ Mureka V9.5 یک مدلِ آهنگ‌ساز را دیده‌ایم و در مقایسه‌ی ابزارهای ساخت آهنگ چند گزینه‌ی دیگر را.
نقطه‌های ضعف و محدودیت‌ها
مهم‌ترین محدودیتِ SFX v3 دسترسیِ محدودِ آن است. چند نکته‌ی دیگر هم هست:
- تکرارِ دقیق: مستندات می‌گویند عددِ تکرار، مثل «چهار ضربه‌ی مثلث»، همیشه رعایت نمی‌شود.
- زبانِ توصیف: فهرستِ زبان‌های پشتیبانی‌شده منتشر نشده است. نمونه‌های رسمی انگلیسی است و یک نمونه‌ی فرانسوی دارد. برای فارسی نتیجه‌ی تضمین‌شده‌ای نیست؛ پرامپتِ انگلیسی امن‌تر است.
- واژه‌گزینی: مستندات می‌گویند «یک زوجِ در حالِ بحث به فرانسوی» بهتر از «دعوا» جواب داده است. یعنی واژه‌های تند ممکن است نتیجه را خراب کنند.
- اطلاعاتِ ناقص: سازنده قیمتِ جداگانه‌ی v3 و جدولِ آزمونِ کامل را نگفته است.
در عمل چه سناریوهایی را بهتر می‌کند؟
SFX v3 وقتی به کار می‌آید که یک صحنه چند لایه صدا داشته باشد. سه سناریوی ساده نشان می‌دهد چرا.
- ویدیوی معرفیِ رستوران: به‌جای سه افکتِ جدا (جلز‌ولز ماهیتابه، صدای کارد، همهمه‌ی مشتری)، یک توصیفِ واحد بنویسید: «آشپزخانه‌ی شلوغ با جلزولزِ ماهیتابه و همهمه‌ی دور». نتیجه یک لایه‌ی آماده است و دیگر لازم نیست چند فایل را روی هم بچینید.
- ریلزِ ورزشی: صدای تشویق، سوتِ داور و برخوردِ توپ را در یک خروجی بخواهید و فقط بلندیِ آن را زیرِ صدای گوینده تنظیم کنید.
- کلیپ داستانی: صدای قدم روی خاک، بادِ آرام و بازشدنِ دری قدیمی را به ترتیب بنویسید تا فضای صحنه ساخته شود.
یک نکته‌ی عملی: افکت را کوتاه بسازید و اگر لازم شد چند بار بسازید. مدت‌های بلندتر هزینه‌ی بیشتری دارند و ممکن است لایه‌های اضافه بیاورند. صدای ساخته‌شده را همیشه با گوش یا هدفون پیش از انتشار بشنوید، چون هنوز هر نتیجه‌ای دقیقاً مطابقِ توصیف درنمی‌آید.
مجوزِ استفاده‌ی تجاری را هم پیش از انتشارِ تبلیغ در شرایطِ سرویسِ الون‌لبز بخوانید؛ این مقاله درباره‌ی آن اطلاعاتی ندارد و چیزی را تضمین نمی‌کند.
قیمت
بنا بر مستنداتِ رسمی، ساختِ افکتِ صوتی در الون‌لبز وقتی مدت را مشخص کنید، ثانیه‌ای ۴۰ اعتبارِ الون‌لبز (credit) مصرف می‌کند؛ اگر مدت را به مدل بسپارید، هزینه‌ی روشنی گفته نشده است. این رقم برای مدلِ افکتِ صوتیِ الون‌لبز است و برای v3 جدا اعلام نشده. آخرین بررسی: آبانِ ۱۴۰۵. مستنداتِ رسمی را پیش از استفاده دوباره ببینید (پیوندش در پایینِ مقاله است).
چطور امتحانش کنم؟
راهِ رسمیِ امتحانِ این مدل، ElevenCreative (بخشِ Sound Effects، Flows، Studio و Music Editor)، اپِ موبایل و ElevenAPI است. اگر سرویسِ رسمی در کشورتان در دسترس نیست یا حسابتان دسترسی به v3 ندارد، همین محدودیت وجود دارد.
SFX v3 در هوش‌نو در دسترس نیست. اما برای ساختنِ صدا و موسیقی، از ابزارِ ساخت موزیک با هوش مصنوعی و ابزارِ گویندگی فارسی می‌توانید استفاده کنید. قیمتِ دقیق پیش از ساخت، زیرِ دکمه‌ی ساختن نشان داده می‌شود. برای صداگذاریِ فارسیِ ویدیو هم راهنمای دوبله‌ی فارسی را بخوانید.
اگر می‌خواهید موسیقی را دقیق‌تر بنویسید، نوشتنِ پرامپتِ موسیقی هم نکته‌های مفیدی دارد.
نوشتنِ پرامپتِ خوب برای SFX v3
پرامپتِ خوب برای این مدل، عملِ اصلی را اول می‌گوید و بعد صداهای اطرافش را اضافه می‌کند. مستندات توصیه می‌کنند به‌جای دسته‌ی کلی، کار، مکان و حال‌وهوا را بنویسید. چند نمونه (انگلیسی):
- برای صدای زمینه‌ی ویدیوی آرام: Rain against a window in a quiet apartment, distant thunder rumbling
- برای تست چندصدایی؛ ترتیبِ رویدادها را در جمله بگویید: Football crowd cheering, then a ball dropping, then the crowd booing
- برای ویدیوی ترسناک یا بازی: Footsteps on gravel, then a heavy metal door opens
- برای جابه‌جاییِ صحنه در ریلز: Whoosh transition with a soft bass impact
- برای نمونه‌ی موسیقاییِ کوتاه: 90s hip-hop drum loop, 90 BPM
واژه‌هایی مثل impact، whoosh، ambience، one-shot، loop و drone که در مستنداتِ رسمی آمده‌اند به مدل کمک می‌کنند. «میزانِ پیروی از پرامپت» را بالا بگذارید تا تفسیرِ تحت‌اللفظی‌تر شود و پایین بگذارید تا خلاق‌تر شود.
سؤالاتِ متداول
ElevenLabs SFX v3 چیست؟
SFX v3 مدلِ تازه‌ی الون‌لبز برای ساختنِ افکتِ صوتی از متن است. ۲۹ اکتبرِ ۲۰۲۶ معرفی شد و برای توصیف‌هایی با چند صدا و صدای موسیقایی بهتر شده است. نامِ آن در API برابر eleven_text_to_sound_v3 است.
SFX v3 چقدر افکت می‌سازد؟
هر افکت تا ۳۰ ثانیه می‌شود و حداقلِ آن بنا بر مستندات ۰٫۱ ثانیه است. خروجی MP3 است و برای افکتِ بی‌تکرار، WAV با ۴۸ کیلوهرتز هم دارد. برای صداهای طولانی‌تر می‌توان افکتِ حلقه‌ای ساخت.
آیا SFX v3 رایگان است؟
خیر، مصرفِ اعتبار دارد. مستندات می‌گویند با مدتِ مشخص، ثانیه‌ای ۴۰ اعتبار هزینه می‌شود. قیمتِ جداگانه‌ی v3 اعلام نشده است. رقمِ نهایی را در حسابِ خودتان ببینید.
آیا SFX v3 را می‌شود فارسی توصیف کرد؟
نه با اطمینان. فهرستِ زبان‌های پشتیبانی‌شده منتشر نشده و نمونه‌های رسمی بیشتر انگلیسی است. پرامپتِ انگلیسی نتیجه‌ی قابل‌پیش‌بینی‌تری می‌دهد.
چرا حسابم خطای Unknown model می‌دهد؟
چون دسترسیِ v3 محدود است. مستنداتِ رسمی می‌گویند حساب‌های بدونِ دسترسی این خطا را می‌گیرند و مدل ممکن است در همه‌ی منطقه‌ها نباشد. تا باز شدنِ دسترسی، از v2 استفاده کنید.
منبع‌ها: بلاگِ رسمیِ الون‌لبز درباره‌ی SFX v3 و مستنداتِ افکتِ صوتیِ الون‌لبز.
