Module: ماژول ۰۸ — بررسی عمیق تولید موسیقی و صدا با هوش مصنوعی (Music & Audio Generation)

Part 1: Video Scenario & Screen Actions

  1. [Camera on Host] Hook and intro: Talk about the golden age of AI audio—generating radio-ready Persian songs and studio-grade voiceovers in seconds without expensive studio gear or copyright strikes.
  2. [Show Slide 1 / Audio Waveform & Spectrogram] Display the module title “ماژول ۰۸: بررسی عمیق تولید موسیقی و صدا با هوش مصنوعی” and the waveform/spectrogram acoustic analysis diagram.
  3. [Show Slide 2 / Top Music Generation Platforms] Compare the 4 leading music tools:
  4. Suno (v3.5 & v4): Catchy melodies, strong vocals, and the Audio Inputs feature (hum or beatbox into your mic to generate a full studio track).
  5. Udio: Audiophile studio mastering, crisp high frequencies, complex jazz/classical/metal transitions, and 32-second chunked Extend workflow.
  6. Mubert & Soundraw (Instrumental): Copyright-safe endless Lo-Fi/ambient streams for Twitch/YouTube (Mubert) and timeline energy/drum stem toggling (Soundraw).
  7. [Show Slide 3 / Music Prompt Engineering Vocabulary] Display the 3 pillars of music prompts—Specific Genres (Synthwave, 90s Grunge, Persian Traditional, Lo-Fi Hip Hop), Instrumentation (Cello solo, Rhodes piano, Heavy 808 bass), and the 3 benchmark prompts (Lo-Fi study beat, Hans Zimmer epic orchestral, 1980s synth-pop).
  8. [Show Slide 4 / Structuring Lyrics with Metatags] Highlight how square-bracket metatags ([Intro], [Verse 1], [Pre-Chorus], [Chorus], [Guitar Solo], [Outro], [Fade Out]) act as director instructions for Suno and Udio.
  9. [Screen Record] Live Demo—Creating a Persian Song in Suno with Metatags & the Finglish Trick: Paste the Persian lyrics (قدم می‌زنم تو این خیابون خلوت...) with [Verse 1], [Chorus], and [Guitar Solo] into Suno Custom Mode, add traditional Persian instrumentation (Persian traditional music, Santur, Daf, melancholic female vocal), and demonstrate the Finglish trick (writing "Zendegi" instead of "زندگی") when the phonetic engine mispronounces a Persian word.
  10. [Show Slide 5 / Voice Cloning & Text-to-Speech (TTS)] Display the TalkNet TTS synthesis diagram and compare ElevenLabs (industry leader in emotional TTS and 1-minute Instant Voice Cloning) with Microsoft Azure TTS (natural Persian voices like “فرید” and “دلارا”).
  11. [Screen Record] Step-by-Step Voice Cloning & Punctuation Direction in ElevenLabs: Walk through the 4 rules for cloning your own voice: 1. Record 3–5 minutes of dead-quiet, echo-free audio (inside a clothes closet!), 2. Speak naturally with emotion, 3. Upload to ElevenLabs VoiceLab -> Instant Voice Cloning, 4. Direct the pacing using punctuation (- for short pauses, ... for suspense).
  12. [Show Slide 6 / Mastering, Copyright & Deepfake Ethics] Display the AudioSeal watermark detection diagram and cover the 3 closing essentials: cleaning muddy high frequencies with free BandLab Mastering, copyright ownership rules (human lyrics vs. 100% AI audio), and the strict ethical/legal line against non-consensual voice cloning.
  13. [Camera on Host] Outro and call to action: Challenge viewers to generate a 4-line Persian song in Suno using [Verse] and [Chorus] tags, ask them to share their favorite musical style in the comments, remind them to like and subscribe, and tease Module 09 (Accessing AI from Iran).

Part 2: Teleprompter Transcript (Persian)

[Action 1] سلام رفقا! تا حالا شده یه ترانه یا ملودی باحال توی ذهنتون بیاد، یا برای ویدیوی یوتیوب و پادکستتون دنبال یه موزیک اختصاصی بگردین که یوتیوب بهش اخطار کپی‌رایت نده، ولی نه ساز زدن بلد باشین و نه پول اجاره استودیو داشته باشین؟ توی ماژول هشتم وارد عصر طلایی صدای هوش مصنوعی می‌شیم؛ جایی که در عرض ۳۰ ثانیه می‌تونین یه آهنگ کامل با صدای خواننده فارسی‌زبان بسازین، یا صدای خودتون رو طوری شبیه‌سازی (Clone) کنین که حتی خانواده‌تون هم نتونن تشخیص بدن صدای خودتونه یا هوش مصنوعی!

[Action 2] همون‌طور که توی نمای کلی ماژول و نمودار طیف‌نگار صوتی (Spectrogram) می‌بینین، هوش مصنوعی صوتی دیگه اون صدای رباتیک و بریده‌بریده ده سال پیش نیست. مدل‌های جدید فرکانس‌ها، نفس کشیدن بین کلمات، لرزش صدا و سازبندی ارکسترال رو دقیقاً شبیه‌سازی می‌کنن.

[Action 3] بیاین توی اسلاید دوم، ۴ تا از بهترین پلتفرم‌های تولید موسیقی دنیا رو با هم بشناسیم:
شماره یک، Suno (نسخه‌های v3.5 و v4)ئه که الان محبوب‌ترین ابزار تبدیل متن به موسیقیه. نقطه قوتش ملودی‌های به‌شدت گیرا و صدای خواننده (Vocal) فوق‌العاده‌ست. تازه یه قابلیت شگفت‌انگیز به اسم Audio Inputs هم داره: شما می‌تونین با میکروفون گوشی یا لپ‌تاپ یه ملودی رو زیر لب زمزمه کنین یا روی میز ضرب بگیرین، و سونو همون زمزمه شما رو تبدیل می‌کنه به یه آهنگ استودیویی کامل!
شماره دو، Udioئه که توسط محققای سابق دیپ‌مایند گوگل ساخته شده. اگه گوش حساسی دارین و دنبال شفافیت صدای استودیویی (Fidelity) توی سازهای آکوستیک، جاز، کلاسیک یا متال هستین، Udio بی‌نظیره و قابلیت Extend اون بهتون اجازه می‌ده آهنگ رو تیکه‌تیکه در بخش‌های ۳۲ ثانیه‌ای با کنترل کامل روی اینترو و اوترو بسازین.
اما اگه صدای خواننده نمی‌خواین و فقط دنبال موزیک بی‌کلام برای پس‌زمینه ویدیو یا استریم هستین، دو تا ابزار عالی دارین: Mubert که جریان بی‌پایانی از موسیقی Lo-Fi و الکترونیک بدون کپی‌رایت تولید می‌کنه، و Soundraw که بهتون اجازه می‌ده توی تایم‌لاین به صورت دستی انرژی آهنگ رو کم و زیاد کنین یا مثلاً درامز رو توی یه بخش خاص حذف کنین!

[Action 4] حالا چطوری برای موسیقی پرامپت حرفه‌ای بنویسیم؟ توی اسلاید سوم قانون اول رو می‌بینین: هیچ‌وقت فقط ننویسین "Rock" یا "Pop"! باید ۳ تا عنصر رو دقیق مشخص کنین:
اول، سبک و دوران دقیق: مثلاً 1980s synth-pop، 90s Grunge، Lo-Fi Hip Hop یا Persian Traditional.
دوم، سازبندی (Instrumentation): دقیق بگین چه سازی قراره تک‌نوازی کنه؛ مثلاً Cello solo، Rhodes piano، sweeping orchestral strings یا Heavy 808 bass.
و سوم، تمپو و حس‌وحال: مثل پرامپت بیت مطالعه (lo-fi hip hop, jazzy piano chords, vinyl crackle, slow tempo, chill, instrumental) یا موسیقی حماسی به سبک هانس زیمر (Hans Zimmer style, cinematic orchestral, massive brass section, pounding taiko drums, heroic).

[Action 5] اما راز اصلی کارگردانی آهنگ توی Suno و Udio در اسلاید چهارمه: ساختاردهی به اشعار با متا-تگ‌ها (Metatags)!
وقتی شعر خودتون رو وارد می‌کنین، حتماً باید دستورات کارگردانی رو داخل کروشه [ ] بالای هر بخش بنویسین تا هوش مصنوعی بفهمه کجا باید آروم بخونه و کجا آهنگ رو به اوج برسونه:
[Intro] برای شروع آرام (مثلاً با گیتار آکوستیک)،
[Verse 1] برای بند اول شعر،
[Pre-Chorus] برای زمینه‌سازی قبل از اوج،
[Chorus] برای ترجیع‌بند اصلی و پرانرژی،
[Guitar Solo] برای تکنوازی گیتار الکتریک وسط قطعه،
و [Outro] و [Fade Out] برای محو شدن تدریجی آهنگ در پایان!

[Action 6] بیاین روی صفحه، ساختن موسیقی و آواز به زبان فارسی و قلق‌های خاصش رو ببینیم!
خبر خوب اینه که هم Suno و هم Udio الفبای فارسی رو مستقیم می‌شناسن؛ یعنی می‌تونین غزل حافظ یا ترانه فارسی خودتون رو مستقیم کپی کنین داخلش. اما یه چالش بامزه وجود داره: گاهی خواننده هوش مصنوعی یهو وسط شعر، یه کلمه فارسی رو با لهجه غلیظ خارجی یا تاکید (Stress) اشتباه روی هجا می‌خونه!
راه‌حلش چیه؟ ترفند فینگلیش (Finglish)! هر کلمه‌ای رو که دیدین مدل بد تلفظ می‌کنه، همون یه دونه کلمه رو به حروف انگلیسی (فینگلیش) بنویسین (مثلاً به جای «زندگی» بنویسین Zendegi). این کار موتور فونتیک مدل رو مجبور می‌کنه کلمه رو درست ادا کنه! و اگه دنبال حال‌وهوای موسیقی سنتی ایرانی هستین، حتماً عبارت Persian traditional music, Santur, Daf, melancholic female vocal رو توی بخش استایل بنویسین تا صدای سنتور و دف هوش از سرتون ببره!

[Action 7] حالا بریم سراغ اسلاید پنجم و دنیای تبدیل متن به گفتار (TTS) و کلون‌سازی صدا:
اینجا دو تا غول اصلی داریم: اولیش ElevenLabsئه که رهبر بلامنازع صنعته؛ صداهاش نفس می‌کشن، مکث می‌کنن و احساس دارن. دومیش هم Microsoft Azure TTSئه که پایداری فوق‌العاده‌ای داره و صداهای فارسی بسیار طبیعی و استانداردی مثل صدای «فرید» و «دلارا» رو ارائه می‌ده.

[Action 8] بیاین روی صفحه ۴ گام کلون کردن بی‌نقص صدای خودتون توی ElevenLabs رو ببینیم:
گام ۱ (ضبط صدای تمیز): ۳ تا ۵ دقیقه از صدای خودتون رو ضبط کنین. مهم‌ترین نکته اینه که هیچ‌گونه اکو، ریورب یا نویز محیطی توی صدا نباشه. اگه استودیو ندارین، بهترین جای خونه کجاست؟ برین داخل کمد لباس، بین پالتوها و لباس‌های ضخیم! پارچه‌ها تمام اکوهای اتاق رو می‌گیرن و صداتون خشک و استودیویی ضبط می‌شه.
گام ۲: مثل ربات از روی متن نخونین؛ با لحن طبیعی، بالا و پایین رفتن صدا و هیجان صحبت کنین.
گام ۳: فایل رو توی بخش VoiceLab و گزینه Instant Voice Cloning آپلود کنین.
گام ۴ (کارگردانی لحن با علائم نگارشی): وقتی می‌خواین هوش مصنوعی متنتون رو بخونه، از علائم نگارشی کار بکشین! گذاشتن خط تیره (-) یه مکث کوتاه و طبیعی به گوینده می‌ده و گذاشتن سه‌نقطه (...) به صدا حالت مکث و تعلیق می‌ده!

[Action 9] در نهایت، توی اسلاید ششم ۳ تا نکته فنی، حقوقی و اخلاقی رو مرور می‌کنیم:
اول، اگه دیدین خروجی موسیقی هوش مصنوعی توی فرکانس‌های بالا یه کم کدر (Muddy) یا رباتیکه، فایل صوتی رو بندازین توی ابزار مسترینگ رایگان BandLab Mastering تا صدا رو براتون شفاف و استاندارد کنه.
دوم، بحث کپی‌رایت: طبق قوانین فعلی، آهنگی که ۱۰۰ درصد با هوش مصنوعی تولید شده کپی‌رایت نداره؛ اما اگه شعر ترانه رو خودتون سروده باشین، مالک کپی‌رایت شعر خودتون هستین.
و سوم، خط قرمز اخلاقی: با وجود فناوری‌های واترمارک صوتی مثل AudioSeal، هرگز و تحت هیچ شرایطی صدای هیچ فردی رو بدون رضایت صریح خودش کلون نکنین؛ چون دیپ‌فیک صوتی عواقب حقوقی و اخلاقی بسیار سنگینی داره.

[Action 10] دمتون گرم که تا پایان ماژول هشتم همراه من بودین! همین الان برین سراغ سایت Suno، یه شعر چهارخطی فارسی با تگ‌های [Verse] و [Chorus] بهش بدین و اولین آهنگ هوش مصنوعی خودتون رو بسازین. لایک و سابسکرایب یادتون نره، و بپرین ماژول نهم که قراره یکی از مهم‌ترین دغدغه‌های همیشگی‌مون رو حل کنیم: راهنمای جامع دسترسی به هوش مصنوعی از ایران، بدون تحریم و حتی کاملاً آفلاین!

پیمایش به بالا