اگر همین امروز بخواهید یک فایل صوتی فارسی را به متن تبدیل کنید، مستندات رسمی Gemini انتخاب روشنتری برای شروع میدهند: مدل `gemini-3.5-transcribe` زبان فارسی را با کد `fa-IR` پشتیبانی میکند و برای هر دقیقه، حدود ۰٫۰۰۵ دلار هزینه دارد. سرویس گفتار Grok در تبدیل دستهای ارزانتر است، اما فهرست ۲۵ زبان اعلامشده در مستنداتش نام زبان فارسی را روشن نمیکند. بنابراین پاسخ کوتاه این نیست که «Grok بهتر است»؛ برای فارسی، اول باید پشتیبانی زبان را در فایل واقعی خودتان ثابت کنید.
این مقایسه دربارهٔ تبدیل فایل صوتی به متن (ASR) است، نه مقایسهٔ عمومی چتباتهای Gemini و Grok. منظور از Gemini، مدل تخصصی `gemini-3.5-transcribe` و منظور از Grok، مدل گفتار `grok-voice-transcribe-2.0` است. قیمتها و قابلیتها از مستندات رسمی ارائهدهندگان در ۲۸ سپتامبر ۲۰۲۶ برداشته شدهاند؛ چون این اطلاعات تغییر میکنند، پیش از برآورد هزینهٔ محصول دوباره صفحهٔ قیمت را بررسی کنید.
جواب عملی: کدام را اول امتحان کنیم؟
برای فایلهای فارسیِ از پیش ضبطشده، Gemini نقطهٔ شروع کمریسکتری است: صفحهٔ رسمی آن `Farsi` و کد `fa-IR` را در فهرست زبانها دارد. Grok برای آزمایش ارزش دارد، مخصوصاً اگر هزینهٔ هر ساعت مهم باشد یا به ورودی زنده نیاز داشته باشید؛ اما تا وقتی روی نمونههای فارسی خودتان اجرا نشده، ارزانتر بودن بهتنهایی دلیل انتخابش نیست.
این نتیجه دربارهٔ «پشتیبانی مستندشده» است، نه دقت واقعی. هیچکدام از صفحههای قیمت، WER فارسی روی مجموعهدادهٔ یکسان را تضمین نمیکنند. برای انتخاب نهایی باید هر دو را روی همان صداها، متن مرجع و شرایط اجرا بسنجید.
اول مدلها را با هم اشتباه نگیریم
نام Gemini روی چند محصول صوتی میآید. برای رونویسی فایل، مدل مستندشده `gemini-3.5-transcribe` است. برای گفتوگوی زنده، Google مدل جداگانهٔ `gemini-3.5-transcribe-live` را معرفی میکند. همینطور `grok-4.7` مدل متنی و تصویری xAI است؛ برای گفتار باید سراغ Grok Voice و مسیر Speech-to-Text رفت.
پس اگر در یک تست، Gemini را با Grok-۴.۷ مقایسه کنید، در واقع دو کار متفاوت را میسنجید. در این نوشته، مسیر فایل صوتی و مسیر realtime را از هم جدا نگه میداریم.
هزینهٔ هر ساعت چقدر میشود؟
طبق صفحهٔ قیمت Google، هزینهٔ تخمینی Gemini ۳.۵ Transcribe حدود ۰٫۰۰۵ دلار برای هر دقیقهٔ صداست؛ یعنی تقریباً ۰٫۳۰ دلار برای یک ساعت. این عدد برآورد خود Google بر پایهٔ مصرف معمول توکن صوت و متن است، نه مبلغ تضمینشده برای هر فایل. زبان، طول transcript و جزئیات مصرف میتوانند صورتحساب نهایی را تغییر دهند.
xAI برای Speech-to-Text دستهای ۰٫۱۰ دلار بهازای هر ساعت و برای حالت streaming، ساعتی ۰٫۲۰ دلار اعلام کرده است. در نرخ فهرستشده، تبدیل دستهای Grok حدود یکسوم برآورد Gemini هزینه دارد. این مقایسه فقط هزینهٔ API تبدیل گفتار است؛ هزینهٔ شبکه، نگهداری فایل، retry، پردازش بعدی و مالیات یا کارمزد پرداخت را شامل نمیشود.
برای تبدیل یکبارهٔ فایل، نرخ batch را مقایسه کنید. اگر متن باید همزمان با صحبت روی صفحه بیاید، نرخ streaming را جداگانه بسنجید. این دو حالت جایگزین هم نیستند: batch بعد از دریافت فایل جواب میدهد، اما streaming باید اتصال زنده و مدیریت رویدادهای ناقص را هم در برنامه حل کند.
قیمت را به تومان تبدیل نکردهایم، چون نرخ ارز و هزینهٔ دسترسی از داخل ایران ثابت نیست. برای بودجهٔ محصول، نرخ روز پرداخت واقعی خودتان را در یک متغیر جدا وارد کنید؛ دلارِ روی صفحهٔ قیمت با مبلغ نهایی فاکتور یکی نیست.
تفاوت قابلیتها برای یک محصول واقعی
Gemini در مستندات Transcribe این قابلیتها را فهرست میکند: تشخیص خودکار زبان، جابهجایی میان زبانها در یک جمله، برچسبگذاری گوینده، زمانبندی واژهبهواژه و واژگان سفارشی تا ۱٬۰۰۰ عبارت. یک محدودیت مهم هم دارد: واژگان سفارشی را نمیتوان همزمان با diarization یا timestamp واژهای به کار برد. اگر نام داروها یا محصولها مهم است، این محدودیت را پیش از طراحی pipeline آزمایش کنید.
مستندات xAI برای Voice API از batch و streaming، زمانمهر واژهای، تشخیص گوینده، چندکاناله و عبارتهای راهنما (key terms) پشتیبانی میکنند. صفحهٔ معرفی این API میگوید ۲۵ زبان را پوشش میدهد، اما همان صفحه نام زبانها را نمیآورد. پارامتر `language` در API میتواند برای نرمالسازی اعداد و واحدهای گفتهشده استفاده شود؛ این بهتنهایی اثبات نمیکند که مدل زبان فارسی را میشناسد.
این تفاوت برای فارسی مهم است. در Gemini، میتوان `fa-IR` را صریح فرستاد. در Grok، پیش از اتکا به تشخیص خودکار، باید با فایل فارسی امتحان کنید و بررسی کنید که پاسخ واقعاً فارسی است، نه خروجی خالی یا متنِ حدسزده. در تست محصول، نبود خطای HTTP را با پشتیبانی زبان یکی نگیرید.
کد تبدیل فایل با Gemini
نمونهٔ زیر بر پایهٔ الگوی رسمی Python برای Files و Interactions API است. بستهٔ `google-genai` را در محیط پروژه نصب کنید و کلید را در متغیر `GEMINI_API_KEY` بگذارید. فایل باید در مسیر `recording.mp3` باشد.
```text
import os
from google import genai
client = genai.Client(api_key=os.environ["GEMINI_API_KEY"])
audio = client.files.upload(file="recording.mp3")
result = client.interactions.create(
model="gemini-3.5-transcribe",
input=[{
"type": "audio",
"uri": audio.uri,
"mime_type": audio.mime_type,
}],
generation_config={
"transcription_config": {"language_codes": ["fa-IR"]}
},
)
print(result.output_text)
```
اگر فایل فارسی و انگلیسی را با هم دارد، راهنمای Google میگوید تشخیص خودکار میتواند جابهجایی زبان را مدیریت کند؛ در آن حالت `language_codes` را حذف کنید یا آرایهٔ خالی بفرستید. فایل را پس از استفاده طبق سیاست نگهداری دادهٔ محصول پاک کنید؛ بارگذاری فایل به سرویس بیرونی یعنی صدا از زیرساخت شما خارج میشود.
کد تبدیل فایل با Grok
xAI برای فایل، endpoint دستهای `/v1/stt` را با درخواست multipart مستند کرده است. این نمونه از `requests` استفاده میکند و کلید را از `XAI_API_KEY` میخواند:
```text
import os
import requests
with open("recording.mp3", "rb") as audio:
response = requests.post(
"https://api.x.ai/v1/stt",
headers={"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"},
files={"file": ("recording.mp3", audio, "audio/mpeg")},
data={"model": "grok-voice-transcribe-2.0"},
timeout=120,
)
response.raise_for_status()
print(response.json()["text"])
```
در این نمونه عمداً زبان را به `fa` تنظیم نکردهایم؛ منابع عمومی بررسیشده فهرست زبانهای Grok را با نام منتشر نمیکنند. اگر API پارامتر زبان را بپذیرد هم ارسال یک کد، جای آزمایش محتوای خروجی را نمیگیرد. یک فایل کوتاه فارسی با متن مرجع انتخاب کنید، خروجی را با مرجع بسنجید و بعد سراغ دادهٔ حساس بروید.
مقایسهٔ منصفانه را چطور اجرا کنیم؟
یک فایل کافی نیست. دستکم نمونههایی از گفتار رسمی، محاورهای، لهجههای موردنیاز محصول، صدای تلفن و محیط شلوغ بردارید. برای هر فایل، متن مرجع را دستی بازبینی کنید و نسخهٔ دقیق مدل، تاریخ اجرا، مدت صدا، هزینهٔ ثبتشده و تنظیمات را ذخیره کنید.
معیار اصلی را از پیش تعیین کنید. WER نرخ خطای واژه است و برای خطاهای حذف، اضافه و جایگزینی واژه به کار میرود؛ CER همین خطا را در سطح نویسه میسنجد. برای فارسی، نیمفاصله، اعداد، نشانهگذاری و شکل نوشتاری نامها میتوانند عدد را جابهجا کنند. بنابراین قاعدهٔ نرمالسازی را یکبار تعریف کنید و برای هر دو سرویس یکسان به کار ببرید. نتیجهٔ خام را هم نگه دارید تا نرمالسازی خطای مدل را پنهان نکند.
Latency را هم با ساعت دیواری و از لحظهٔ ارسال فایل تا رسیدن پاسخ کامل اندازه بگیرید. زمان آپلود را جدا از زمان پردازش ثبت کنید. برای streaming، زمان اولین متن موقت و زمان transcript نهایی را جدا بنویسید؛ مقایسهٔ latency فایل batch با اولین partial در WebSocket معنی ندارد.
اگر diarization لازم دارید، خطای تشخیص واژه و خطای انتساب گوینده را جدا گزارش کنید. برای واژههای تخصصی، یک دور با واژگان سفارشی و یک دور بدون آن اجرا کنید؛ در Gemini، اگر timestamp واژهای یا جداسازی گوینده لازم است، محدودیت ترکیب تنظیمات را در نظر بگیرید. هزینهٔ هر دقیقهٔ فایل را از پاسخ billing واقعی یا usage گزارششده بردارید، نه فقط از قیمت فهرست.
جمعبندی
برای شروع محصول فارسی، Gemini انتخاب قابلدفاعتری است چون پشتیبانی `fa-IR` و قیمت تخمینی رونویسی در مستندات رسمیاش صریح است. Grok از نظر نرخ batch ارزانتر است و قابلیتهای زنده و گوینده دارد، اما شواهد عمومی بررسیشده برای تایید زبان فارسی کافی نیست. پس مسیر درست این است: Gemini را baseline بگیرید، Grok را با همان مجموعهٔ آزمون وارد رقابت کنید و فقط اگر خروجی فارسی و هزینهٔ واقعی هر دو از معیار محصول عبور کردند، آن را جایگزین کنید.
این توصیه، نتیجهٔ اجرای benchmark تازه روی کلیدهای هر دو ارائهدهنده نیست؛ در محیط انتشار کلید مستقیم Gemini یا xAI در دسترس نبود. هیچ عدد WER یا برندهٔ دقتی جعل نشده است. پیش از تصمیم production، نمونهها را با کد بالا اجرا و نتیجه را همراه متن مرجع منتشر کنید.
منابع رسمی
- Google، مدل و روش تبدیل گفتار: https://ai.google.dev/gemini-api/docs/transcribe - Google، قیمت Gemini API: https://ai.google.dev/gemini-api/docs/pricing - xAI، قابلیتها و نمونهٔ Speech-to-Text: https://docs.x.ai/developers/model-capabilities/audio/voice - xAI، مدلها و قیمت Voice API: https://docs.x.ai/developers/models - xAI، مرجع پارامترهای Voice API: https://docs.x.ai/developers/rest-api-reference/inference/voice



No comments yet