# فصل ۰۳ — صدا و ویدیو

<div dir="rtl">

# فصل ۰۳ — صدا و ویدیو

## در این فصل چه یاد می‌گیری

دو وجهِ آخرِ جعبه‌ابزار را باز می‌کنیم: صدا و ویدیو. کاربردی‌ترینشان همین‌جا و همین امروز به‌دردت می‌خورد — تبدیلِ گفتار به متن: یک صدای ضبط‌شده (جلسه، درس، یادداشتِ صوتی) را به متنِ نوشته تبدیل می‌کنی. بعد به‌صورتِ مفهومی می‌بینی مدل‌ها چطور صدا و ویدیو **می‌سازند**، یاد می‌گیری برای یک ویدیو زیرنویس بسازی، و در آخر با یک مرزِ اخلاقیِ جدی روبه‌رو می‌شوی: ساختِ صدای جعلیِ یک آدمِ واقعی. آن مرز را اینجا فقط می‌گذاریم؛ تشخیص و دفاع در برابرش موضوعِ کاملِ ترم ۶ است.

![یک برشِ آموزشی که یک موجِ صوتی را نشان می‌دهد که به خطوطِ متن تبدیل می‌شود، کنارش یک قابِ فیلم، و یک نشانِ کوچکِ هشدار روی یک صدای تکراریِ جعلی](/lesson-assets/t3-s03-audio-video/prompt/01-image-audiovideo.png)

آخر این فصل می‌توانی:

- گفتار را با `speech-to-text` به متن تبدیل کنی و بدانی کجا به‌کار می‌آید
- به‌صورتِ مفهومی توضیح بدهی مدل‌ها چطور صدا و ویدیو می‌سازند، و چرا این اغلب کارِ یک مدلِ متخصصِ جداست
- برای یک ویدیو زیرنویس بسازی و بازبینی‌اش کنی
- بگویی چرا ساختِ صدای جعلیِ یک آدمِ واقعی یک مرزِ اخلاقی است و کجا آسیب می‌زند

## قبل از شروع

- **از فصل ۶ ترم ۱:** مدل‌های صدا وجود دارند، و دستیارِ چندوجهیِ امروز صدا را هم می‌فهمد.
- **از فصل ۱ همین ترم:** `multimodal`، و اینکه *ساختنِ* یک وجه گاهی کارِ یک مدلِ متخصصِ جداست.
- **از فصل ۴ ترم ۲:** وارسی — هر ادعای واقعی را با منبعِ اصلی تطبیق بده.

مثل همیشه فقط یک مرورگر و دستیارِ هوش مصنوعی‌ات (با کلیدِ رایگانِ خودت) لازم داری.

> 🧪 **آزمایشگاه:** [آزمایشگاه این فصل را باز کن](/lab/embed/hamhoosh/term-3-toolkit/session-03-audio-video) — یک صدای کوتاه را به متن تبدیل می‌کنی و متن را با آنچه واقعاً گفته شد مقابله می‌کنی.

## ۱. گفتار به متن

بیشترین ارزشِ عملیِ این فصل همین‌جاست. `speech-to-text` یعنی مدل به یک صدای ضبط‌شده گوش می‌دهد و آن را به متنِ نوشته تبدیل می‌کند. کاربردهایش دمِ‌دستی‌اند: از یک جلسه صورت‌جلسه دربیاور، درسِ ضبط‌شده را به جزوهٔ قابلِ‌جست‌وجو تبدیل کن، یک فکرِ سریع را به‌جای تایپ‌کردن بگو و متنش را بگیر. چون همان مدلِ چندوجهی خودش صدا را می‌فهمد، لازم نیست ابزارِ جدایی یاد بگیری.

ولی گوشِ مدل بی‌عیب نیست. اینجا یک نمونهٔ واقعی از خطایش را ببین. فرض کن این جمله را گفته‌ای: «سحر ساعت دوازده میاد دنبالم»، و مدل این را برمی‌گرداند:

</div>

```text
سه حرف ساعت دو از ده میاد دنبالم.
```

<div dir="rtl">

نامِ «سحر» را «سه حرف» شنیده و «دوازده» را «دو از ده». این‌ها اشتباهاتِ کلاسیکِ `speech-to-text`اند: نام‌های خاص، عددها، و کلمه‌هایی که هم‌صدا ولی متفاوت‌اند بیشترین لغزش را دارند، و لهجه و سروصدای پس‌زمینه بدترش می‌کنند. متن روان و درست به‌نظر می‌رسد، ولی معنایش عوض شده.

> ✅ **وارسی:** متنِ پیاده‌شده را — مخصوصاً نام‌ها، عددها و تاریخ‌ها — با گوش‌دادنِ دوباره به صدا مقابله کن. هیچ‌وقت به متنِ خودکارِ یک چیزِ مهم (دُزِ دارو، یک نقلِ‌قول، یک قرارِ کاری) بدونِ گوش‌دادنِ دوباره تکیه نکن. سه قانونِ ثابت همیشه پابرجاست: **«اول خودت فکر کن» — «وارسی کن، خط به خط» — «مدل مطمئن است؛ دلیل نمی‌شود درست باشد».**

## ۲. ساختِ صدا و ویدیو — مفهومی

جهتِ برعکس هم شدنی است: از متن، صدا یا ویدیو ساختن. مدل می‌تواند متنِ تو را با یک صدای طبیعی بخواند (`text-to-speech`)، موسیقی و افکتِ صوتی بسازد، و امروز حتی از یک جملهٔ کوتاه یک ویدیوی کوتاه بسازد. اینجا عمداً در سطحِ **مفهوم** می‌مانیم، نه دستورِ کار — چون این ابزارها سریع عوض می‌شوند و جزئیاتشان (طولِ ویدیو، کیفیت) هر چند ماه فرق می‌کند.

نکتهٔ مهمی که از فصلِ ۱ همین‌جا هم صادق است: **فهمیدن** با **ساختن** فرق دارد. فهمیدنِ صدا کارِ همان مدلِ چندوجهیِ واحد است؛ ولی *ساختنِ* یک صدا یا ویدیوی تازه اغلب کارِ یک مدلِ **متخصصِ جدا**ست (یک مدلِ `text-to-speech`، یک مدلِ ویدیو) که دستیار خواسته‌ات را به آن می‌رساند. همان الگوی «یک مدل برای فهمیدن، متخصصِ جدا برای ساختن» که با تصویر دیدی، اینجا هم برقرار است.

## ۳. زیرنویس

حالا دو چیز را کنارِ هم بگذار: `speech-to-text` صدای یک ویدیو را به متن تبدیل می‌کند، و مدل همان متن را به خطوطِ زمان‌بندی‌شده می‌شکند — یعنی زیرنویس. ارزشش زیاد است: کسی که ناشنواست یا کم می‌شنود می‌تواند ویدیو را دنبال کند، آدم‌ها ویدیو را بی‌صدا (مثلاً در مترو) می‌بینند، و متنِ زیرنویس ویدیو را قابلِ‌جست‌وجو می‌کند. جریانِ کار ساده است: صدا را به متن تبدیل کن، از مدل بخواه آن را به خطوطِ کوتاهِ زمان‌بندی‌شده دربیاورد، بعد خودت بازبینی کن.

</div>

```text
این متنِ پیاده‌شده را به خطوطِ کوتاهِ زیرنویس تبدیل کن؛ هر خط حداکثر یک جملهٔ
کوتاه باشد که راحت خوانده شود.
```

<div dir="rtl">

> ✅ **وارسی:** ویدیو را همراهِ زیرنویس ببین و خطوطی را که دیر یا زود می‌آیند یا نام‌های غلط دارند درست کن. برای کسی که به زیرنویس **تکیه** می‌کند، زیرنویسِ غلط از نبودِ زیرنویس بدتر است — چون اطلاعاتِ اشتباه به او می‌دهد و خودش راهی برای فهمیدنِ خطا ندارد.

**قبل از ادامه، جواب بده:** چرا برای ساختنِ زیرنویسِ یک ویدیوی مهم، بازبینیِ انسانی را نمی‌شود حذف کرد؟ کدام بخشِ زیرنویس بیشترین احتمالِ خطا را دارد؟

## ۴. مرزِ اخلاقی: صدای جعلی

همان `text-to-speech` که فهرستِ خریدت را با صدایی دلنشین می‌خواند، می‌تواند طوری آموزش ببیند که صدای یک آدمِ **واقعی** را تقلید کند و چیزهایی «بگوید» که آن آدم هرگز نگفته. این دیگر یک ترفندِ بامزه نیست؛ یک ابزارِ قدرتمند با احتمالِ آسیبِ واقعی است: یک تماسِ جعلی با صدای یکی از اعضای خانواده برای کلاه‌برداری، یا یک اظهارنظرِ ساختگی از زبانِ یک آدمِ سرشناس.

مرز روشن است و یک کلمه دارد: **رضایت**. صدای خودت را بسازی و به‌کار ببری، آزادی. صدای آدمِ دیگری را بی‌اجازه‌اش بازتولید کنی، از آن مرز رد شده‌ای — چه شوخی به‌نظر برسد، چه جدی.

> ⚠️ **مواظب باش:** ساختِ صدا یا ویدیوی جعلی از یک آدمِ واقعی بدونِ اجازه‌اش می‌تواند به او آسیبِ واقعی بزند و در خیلی جاها غیرقانونی است. این فصل فقط مرز را می‌گذارد. اینکه چطور جعل را **تشخیص** بدهی، چرا «دیدن دیگر یعنی باور نیست»، و چطور در برابرِ بدْاطلاعات دفاع کنی، موضوعِ کاملِ ترم ۶ است.

## واژه‌های تازهٔ این فصل

</div>

| کلمه | تلفظ به حروف فارسی | یعنی چه |
|---|---|---|
| speech-to-text | اسپیچ‌تو‌تکست | تبدیلِ گفتارِ ضبط‌شده به متنِ نوشته |
| text-to-speech | تکست‌تو‌اسپیچ | ساختنِ صدایی که یک متن را می‌خواند |

<div dir="rtl">

## تمرین‌ها

**تمرین اجباری:** حدودِ نیم‌دقیقه از حرف‌زدنِ خودت را ضبط کن (یک نام و یک عدد هم در آن بگو). آن را به متن تبدیل کن و بعد کلمه‌به‌کلمه با آنچه واقعاً گفتی مقابله کن. هر خطا را علامت بزن و بنویس بیشترِ خطاها سرِ چه‌جور کلمه‌هایی بود.

**تمرین ستاره‌دار ⭐:** مرزِ «رضایت» را تا جایی فشار بده که بشکند. سه موقعیت بنویس: (۱) جایی که ساختِ صدای جعلی آشکارا بی‌ضرر است، (۲) جایی که آشکارا آسیب‌زننده است، و (۳) یک موردِ **مرزی** که در آن رضایت هست ولی باز هم آزارت می‌دهد — مثلاً کسی اجازه داده صدایش برای یک تبلیغ ساخته شود، ولی شنونده نمی‌داند صدا ساختگی است. حالا یک قاعدهٔ دوجمله‌ای بنویس که هر سه مورد را **درست** دسته‌بندی کند، و روی هر سه امتحانش کن. اگر قاعده‌ات موردِ سوم را غلط دسته‌بندی کرد، هنوز کامل نیست؛ راهنمایی: جز رضایتِ **صاحبِ صدا**، آنچه **شنونده** می‌داند یا نمی‌داند هم بخشی از مرز است.

## در فصل بعد

جعبه‌ابزارِ رسانه‌ای‌ات حالا کامل است: تصویر، صدا و ویدیو. فصلِ بعد می‌رویم سراغِ پژوهش با هوش مصنوعی — خلاصه‌کردنِ متنِ بلند، پرسیدن از یک سندِ طولانی، و مهم‌تر از همه خطرِ منبعِ ساختگی و اینکه چرا همیشه باید به منبعِ اصلی برگردی.

</div>

---
Source: https://yaadestan.com/courses/hamhoosh/lessons/t3/s03-audio-video (یادستان, Yaadestan)
