طراح صدای هوش مصنوعی
AI Sound Designer
طراح صدای هوش مصنوعی (AI Sound Designer یا AI Voice Designer) با ابزارهای مولد، گفتار، افکت صوتی و موسیقی می‌سازد و آن را با ادیت، پاک‌سازی و میکس به کیفیت قابل پخش می‌رساند: صدای شخصیت‌های یک میکرودرام، دوبلهٔ چندزبانه، دیالوگ بازی یا صدای یک ایجنت تلفنی. عنوان «AI Audio Designer» در آگهی‌های استخدام دیده نشد؛ کارفرماها همین کار را با عنوان‌هایی مثل AI Sound Designer، Voice Designer، Procedural Voice Designer و Soundscaper آگهی می‌کنند. بازار این شغل هنوز کوچک است: در بررسی اکتبر ۲۰۲۶ این سایت، چهار آگهی از شش آگهی در هند بود و بیشترشان از اپلیکیشن‌های میکرودرام و داستان صوتی. Side در آگهی خود می‌نویسد این کار «بسیار فراتر از صرفاً تولید صدای AI» است.
مقدمه و تعریف شغل
طراح صدای هوش مصنوعی صدایی می‌سازد که پیش‌تر با ضبط، صداپیشه و کتابخانهٔ افکت ساخته می‌شد، این بار با مدل‌های مولد: گفتار با TTS و STS، افکت از روی توضیح متنی و موسیقی با ابزارهای تولید موسیقی. بخش مهم کار پس از تولید است: انتخاب بهترین نسخه، اصلاح artefact ها، ادیت و میکس و همگام‌سازی با تصویر. آگهی‌ها تقریباً همیشه پایهٔ سنتی صدا را می‌خواهند؛ Side می‌نویسد این کار «بسیار فراتر از صرفاً تولید صدای AI» است و شامل طراحی دقیق صدا، پرامپت، هدایت اجرا، ادیت و کنترل کیفیت می‌شود. عنوان‌ها هنوز یکدست نیستند: AI Sound Designer در ShareChat، Soundscaper در JioStar، Procedural Voice Designer در Side، Voice Designer در Rifa AI و Audio Engineer در ElevenLabs.
نیمی از آگهی‌های فعلی از بازار میکرودرام هند می‌آیند (ShareChat، JioStar و Kuku): سریال‌های عمودی چنددقیقه‌ای برای موبایل که بخشی از آن‌ها با AI ساخته می‌شوند. ShareChat در آگهی خود می‌نویسد اپلیکیشن میکرودرامش QuickTV در سه ماه از ۱۰ میلیون دانلود گذشت و تیم محتوایش هم سریال با بازیگر می‌سازد و هم سریال تولیدشده با AI. JioStar هم برای میکرودرام، وب‌سریال و محتوای سازندگان «Soundscaper» استخدام می‌کند. بیرون از هند، Side خدمات «طراحی صدای مصنوعی» برای بازی را گسترش می‌دهد و بخش Productions در ElevenLabs دوبله و کتاب صوتی را در بیش از ۱۵ زبان با ترکیب ابزار AI و متخصص انسانی تولید می‌کند. در مقابل، BLS آمریکا پیش‌بینی می‌کند اشتغال گروه رسمی Sound Engineering Technicians از ۲۰۲۵ تا ۲۰۳۵، ۳٪ کم شود و یکی از دلایل را AI می‌داند. یعنی کار سنتی کمتر و نسخهٔ AI آن تازه در حال شکل گرفتن است.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک طراح صدای هوش مصنوعی
صدای کامل یک قسمت میکرودرام
در آگهی AI Sound Designer شرکت ShareChat، طراح صدا برای هر قسمت صدای راوی و شخصیت‌ها را با AI می‌سازد، موسیقی پس‌زمینه و افکت را هم‌خوان با لحن سریال تولید می‌کند و پیش از تحویل، کیفیت صدا، سطح صدا و هم‌زمانی زیرنویس را کنترل می‌کند.
میکس نهایی روزانه
JioStar از Soundscaper می‌خواهد با ابزارهای ادیت و AI دیالوگ را تولید و تنظیم کند، افکت و موسیقی اضافه کند و میکس نهایی را «به‌صورت روزانه» تحویل دهد. سرعت تحویل بخشی از تعریف کار است.
اجرای صوتی شخصیت‌های بازی
در Side، طراح صدا برای هر شخصیت voice brief و پروفایل می‌نویسد، با TTS و STS اجرا می‌سازد، چند نسخه برای بازبینی خلاق تولید می‌کند و کتابخانه‌ای از صداها برای پروژه‌های بعدی نگه می‌دارد.
دوبلهٔ چندزبانه
Kuku صدای راوی و دوبلهٔ چندزبانه را با ElevenLabs می‌سازد و از متخصص صدا می‌خواهد صدای AI را با ویدیو همگام کند و سرعت و احساس بیان را طبیعی نگه دارد.
صدای اختصاصی برای مشتری
مهندس صدا در ElevenLabs صداهای سفارشی مشتری را می‌سازد و اصلاح می‌کند و صدای ضبط‌شدهٔ مشتری را پاک‌سازی و آماده می‌کند تا شبیه‌سازی و تولید با بهترین کیفیت انجام شود.
صدای یک ایجنت تلفنی
Rifa AI طراحی می‌خواهد که لهجه، سرعت، محل تأکید و طول مکث صدای ایجنت را تعیین کند و متن‌های حقوقی الزامی را طوری اجرا کند که شنونده آن را اطلاع‌رسانی بشنود، نه تهدید.
تخصص‌های مختلف طراح صدای هوش مصنوعی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
طراح صدای گفتاری AI
AI Voice Designer
تمرکز روی گفتار: طراحی صدا با پرامپت، TTS و STS، هدایت اجرا و ساخت کتابخانهٔ صدا. عنوان آگهی‌های Side (Procedural Voice Designer) و Rifa AI (Voice Designer).
طراح صدای AI برای میکرودرام
AI Sound Designer for Short-form Drama
تولید کامل صدای قسمت‌های کوتاه: گفتار، افکت، موسیقی پس‌زمینه و میکس با سرعت بالا. آگهی‌های ShareChat و JioStar از این نوع‌اند.
دوبله و بومی‌سازی با AI
AI Dubbing & Localization
دوبلهٔ چندزبانه با ترکیب تولید صدا، ترجمه، پیاده‌سازی متن و همگام‌سازی لب. Kuku این را از متخصص صدا می‌خواهد و ElevenLabs برای دوبله Dubbing Specialist آزاد استخدام می‌کند.
مهندس صدای اختصاصی و شبیه‌سازی صدا
Custom Voice / Voice Cloning Engineer
آماده‌سازی صدای ضبط‌شده برای شبیه‌سازی، ساخت و اصلاح صداهای سفارشی و آموزش مشتری؛ نقش Audio Engineering در بخش Productions شرکت ElevenLabs.
تهیه‌کنندهٔ موسیقی با AI
AI Music Producer
تولید و آزمودن موسیقی با ابزارهایی مثل Suno و Udio. JioStar آشنایی با تولید موسیقی با AI را می‌خواهد و TechZnap برای کانال YouTube خود تهیه‌کننده‌ای می‌خواهد که ابزارهای موسیقی AI را بیازماید.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
پایهٔ کار یکی است و آگهی‌ها همین پیشینه را شرط می‌کنند: ShareChat سابقهٔ مهندسی صدا در OTT، تلویزیون یا پست‌پروداکشن فیلم را می‌خواهد و ElevenLabs سه تا پنج سال تجربه در مهندسی صدا، طراحی صدا یا میکس. فرق در منبع صداست: طراح صدای AI بخش بزرگی از گفتار، افکت و موسیقی را با مدل تولید می‌کند و پرامپت و هدایت اجرای مدل را هم بلد است. JioStar می‌نویسد این نقش «نقش طراح صدا، ادیتور و میکسر را از نو تعریف می‌کند». O*NET عنوان‌هایی مثل Sound Engineer، Sound Editor و Music Producer را زیر گروه رسمی Sound Engineering Technicians می‌آورد.
در صفحهٔ هنرمند خلاق هوش مصنوعی این سایت، هنرمند AI تصویر و ویدیو می‌سازد و مدیر خلاقیت AI مسئول ایده، کیفیت کل کار و هدایت تیم است. طراح صدای AI بخش شنیداری همان تولید را بر عهده دارد. در JioStar این دو کنار هم کار می‌کنند: Soundscaper با AI Media Developer ها هماهنگ می‌شود تا شات‌های تولیدشده و صدای آن‌ها روایت منسجمی بسازند. هنرمند تصویری هم گاهی سراغ ابزار صدا می‌رود، اما معیار کار این نقش کیفیت صدا، اجرا و میکس است.
در صفحهٔ مهندس دادهٔ گفتار این سایت، آن مهندس مالک دادهٔ آموزش مدل است: pipeline، دیتاست و مجموعهٔ ارزیابی. طراح صدای AI از مدل‌های آموزش‌دیده برای ساختن محتوا استفاده می‌کند و مخاطبش شنونده است، نه تیم پژوهش. نزدیک‌ترین نقطهٔ دو نقش در آگهی ElevenLabs دیده می‌شود: مهندس صدا صدای مشتری را برای شبیه‌سازی پاک‌سازی و آماده می‌کند و روی پروژه‌های برچسب‌گذاری کیفیت صدا کار می‌کند.
در صفحهٔ مهندس تشخیص گفتار این سایت، آن مهندس مدل می‌سازد و کیفیتش را با WER می‌سنجد و مهندس Voice AI یا TTS زنجیرهٔ مدل‌ها و تأخیر آن را بهینه می‌کند. طراح صدا تصمیم می‌گیرد خروجی چطور شنیده شود. Rifa AI صریحاً نوشته «کسی انتظار ندارد کد سنتز صدا را بنویسید»، اما از طراح صدا می‌خواهد با ترمینال و git راحت باشد و معیار کیفیت صدا را وارد مجموعهٔ تست مهندسان کند.
تأثیر در صنایع مختلف
طراح صدای هوش مصنوعی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
میکرودرام و استریم ویدیوی کوتاه
ShareChat (اپلیکیشن QuickTV) و JioStar برای سریال‌های کوتاه موبایلی که بخشی از آن‌ها با AI ساخته می‌شوند، طراح صدای AI استخدام می‌کنند
داستان صوتی و کتاب صوتی
Kuku روی پلتفرم‌های داستان صوتی و میکرودرام خود صدای راوی و دوبله را با AI می‌سازد و ElevenLabs Productions کتاب صوتی برای ناشران تولید می‌کند
بازی
Side خدمات طراحی صدای مصنوعی برای بازی‌ها را گسترش می‌دهد و طراح صدایش با کارگردان‌ها، طراحان روایت، تیم بومی‌سازی و مشتری کار می‌کند
دوبله برای سازندگان محتوا
طبق آگهی ElevenLabs، بخش Productions برای سازندگانی مثل Dude Perfect، Lex Fridman و Andrew Huberman دوبله تولید کرده است
مراکز تماس و خدمات مالی
Rifa AI برای ایجنت‌های صوتی که تماس‌های وصول مطالبات را انجام می‌دهند، طراح صدا می‌خواهد؛ در این حوزه هر تماس ممکن است توسط ناظر بررسی شود
تبلیغات و محتوای دیجیتال
Kuku پیشینه در تبلیغات، رسانهٔ دیجیتال و YouTube را امتیاز می‌داند و TechZnap برای محتوای YouTube دربارهٔ ابزارهای موسیقی AI تهیه‌کنندهٔ موسیقی استخدام می‌کند
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
صدای AI یعنی متن را بدهی و دکمه را بزنی
Side می‌نویسد این کار «بسیار فراتر از صرفاً تولید صدای AI» است و شامل voice brief، پرامپت، هدایت اجرا، چند دور اصلاح با Audio Director و ادیت و مسترینگ می‌شود. Rifa AI هم می‌نویسد وقتی مهندسان هر صدایی را که سرویس TTS داده انتخاب کرده‌اند، نتیجه «در تماس‌ها شنیده می‌شود».
با ابزارهای AI دیگر لازم نیست صدا بلد باشی
تقریباً همهٔ آگهی‌ها تجربهٔ صدا می‌خواهند: ShareChat سابقهٔ مهندسی صدا در OTT، تلویزیون یا فیلم، ElevenLabs سه تا پنج سال تجربه و تسلط به DAW، و Kuku مهارت قوی در میکس و مسترینگ. Rifa AI می‌گوید گوش و نمونه‌کار شما از عنوان شغلی‌تان مهم‌تر است.
این شغل برنامه‌نویسی و یادگیری ماشین می‌خواهد
هیچ‌کدام از آگهی‌های بررسی‌شده آموزش مدل نمی‌خواهند. Rifa AI صریحاً نوشته کسی انتظار ندارد کد سنتز صدا را بنویسید، هرچند باید با ترمینال، فایل تنظیمات و git راحت باشید. JioStar و Side هم بیشتر پرامپت‌نویسی و کمک به ساختن workflow را می‌خواهند تا کدنویسی.
با چند نمونهٔ صدا می‌شود صدای هر کسی را ساخت و استفاده کرد
سیاست ElevenLabs شبیه‌سازی صدای هر فرد زنده را بدون رضایت صریح و آگاهانهٔ او یا مجوز معتبر ممنوع می‌کند و شبیه‌سازی حرفه‌ای (PVC) را فقط برای صدای خود کاربر، پس از مرحلهٔ تأیید، مجاز می‌داند. ماده ۵۰ قانون AI اتحادیهٔ اروپا هم از کسی که با AI صدای جعلی شبیه یک فرد واقعی می‌سازد، می‌خواهد مصنوعی بودن آن را اعلام کند. رضایت و حقوق صاحب صدا بخشی از کار حرفه‌ای است.
این شغل در هالیوود و آمریکا متمرکز است
در بررسی اکتبر ۲۰۲۶ این سایت، چهار آگهی از شش آگهی در هند بود (ShareChat، JioStar، Kuku و Rifa AI)، یکی در لندن (Side) و نقش ElevenLabs دورکاری با امکان کار از هر جای دنیا. بسیاری از این نقش‌ها هم قراردادی، موقت یا آزادند.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر وقت صرف تولید و اصلاح است: خروجی مدل را می‌شنوید، بهترین نسخه را انتخاب می‌کنید و آن را تمیز و میکس می‌کنید. JioStar از Soundscaper بازبینی و ادیت انسانی پیش‌نویس‌های AI و تحویل میکس روزانه را می‌خواهد.
- ◆تولید دیالوگ چند شخصیت برای یک قسمت و انتخاب بهترین نسخهٔ هر خط
- ◆افزودن افکت و موسیقی و تنظیم سطح صدا در طول قسمت
- ◆کنترل کیفیت پیش از تحویل: خطای فشرده‌سازی، افت فریم و هم‌زمانی زیرنویس (فهرست آگهی ShareChat)
- ◆ثبت پرامپت‌هایی که جواب داده‌اند برای استفادهٔ دوباره
میانی (۲–۵ سال)
مسئولیت صدای یک پروژه یا چند شخصیت را دارید و با کارگردان، نویسنده و تیم بومی‌سازی کار می‌کنید. در Side این سطح voice brief می‌نویسد، پلتفرم مناسب را انتخاب می‌کند و در ساختن workflow تیم سهم دارد.
- ◆نوشتن voice brief و پروفایل یک شخصیت تازه و ساختن چند نسخهٔ اجرا
- ◆جلسه با Audio Director برای اصلاح لحن و سرعت بیان
- ◆بررسی تلفظ و دقت زبانی با تیم QA و بومی‌سازی
- ◆آزمودن یک ابزار تازهٔ صدا و نوشتن گزارش کوتاه از توان و محدودیتش
ارشد (۵+ سال)
تمرکز روی استاندارد کیفیت، روش تولید و مشتری است. ElevenLabs از Post-Production Lead می‌خواهد تیم مهندسان صدا را هدایت کند، در جلسه‌های مشتری حاضر شود و در جهت خلاق کار کمک کند.
- ◆تعریف روش تولید برای سطوح مختلف پیچیدگی صدا
- ◆ترجمهٔ خواستهٔ مبهم مشتری، مثل «گرم‌تر»، به تصمیم مشخص صوتی
- ◆تعیین معیارهای سنجش کیفیت صدا و دفاع از آن‌ها با شواهد
- ◆منتورینگ و بازبینی کار طراحان صدای جوان‌تر
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈تولید گفتار طبیعی با AI برای شخصیت‌ها، راوی‌ها و دوبله، با ابزارهای TTS و STS مثل ElevenLabs
- ◈طراحی صدای شخصیت‌ها: نوشتن voice brief، پروفایل شخصیت، پرامپت و هدایت اجرا تا لحن و احساس درست شود
- ◈ساختن افکت و موسیقی پس‌زمینه با AI یا کتابخانهٔ صدا، هم‌خوان با لحن داستان
- ◈ادیت، پاک‌سازی، میکس و مسترینگ صدا تا کیفیت قابل پخش و حذف artefact های خروجی مدل
- ◈همگام‌سازی صدای AI با تصویر و کنترل سطح صدا، سرعت بیان و احساس در طول قسمت‌ها
- ◈کنترل کیفیت صوتی هر قسمت پیش از تحویل و رفع خطاهای فنی
- ◈همکاری با نویسنده‌ها، کارگردان‌ها، تیم بومی‌سازی و QA و ترجمهٔ خواستهٔ مبهم مشتری به تصمیم صوتی روشن
- ◈آزمودن ابزارها و مدل‌های تازهٔ صدا و گزارش دقیق محدودیت‌هایشان
- ◈ساختن و بهبود workflow تولید صدا، کتابخانهٔ صداها و الگوهای پرامپت برای تیم
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک طراح صدای هوش مصنوعی موفق به آن‌ها نیاز دارد
مهارت‌های فنی
پایهٔ همهٔ آگهی‌ها؛ Kuku می‌خواهد صدا را تا «کیفیت پخش» ادیت، پاک‌سازی، میکس و مستر کنید
Reaper، Pro Tools، Adobe Audition، Logic یا Ableton؛ ElevenLabs «تسلط قوی» به DAW می‌خواهد
Side شناخت فناوری‌های Text-to-Speech و Speech-to-Speech را شرط کرده و Kuku تجربهٔ عملی با ElevenLabs را
پاک‌سازی صدای تولیدشده و ضبط‌شده با ابزارهایی مثل iZotope RX (فهرست آگهی Side)
JioStar و ShareChat پرامپت‌نویسی برای تولید و ادیت صدا را جزو وظایف آورده‌اند و Side پرامپت برای مدل‌های سنتز گفتار را امتیاز می‌داند
ShareChat تولید BGM و SFX و JioStar تولید موسیقی متناسب با روایت را می‌خواهد
Kuku هم‌زمان کردن صدای AI با ویدیو با سرعت و احساس طبیعی را از وظایف آورده است
Side آشنایی با SSML و تگ‌های روایت را امتیاز می‌داند و Rifa AI کنترل‌های prosody را
سنجش LUFS و True Peak و رعایت مشخصات پلتفرم؛ ShareChat کنترل سطح صدا در طول قسمت‌ها را می‌خواهد
Rifa AI انتخاب صداپیشه، هدایت جلسهٔ ضبط و آماده کردن برداشت‌ها برای pipeline را می‌خواهد
در Rifa AI تنظیمات صدا در مخزن کد است و طراح صدا خودش آن را ویرایش می‌کند و pull request باز می‌کند
تعریف معیارهایی مثل طبیعی بودن و وضوح روی خط تلفن و افزودن آن‌ها به مجموعهٔ تست (آگهی Rifa AI)
مهارت‌های نرم
Kuku «قضاوت خلاق» و توانایی تصمیم‌گیری قوی را می‌خواهد و ElevenLabs «شهود عمیق» برای ویژگی‌های صدا، رنگ صدا و ظرافت اجرا
ElevenLabs و Rifa AI هر دو توانایی ترجمهٔ نیاز مبهم مشتری به راه‌حل روشن صوتی را می‌خواهند
ShareChat و Kuku کار در محیط پرسرعت با زمان‌بندی فشرده را شرط کرده‌اند
کار با نویسنده، کارگردان، طراح روایت، تیم بومی‌سازی و QA؛ Side تجربهٔ کار در تیم‌های تولید چندرشته‌ای را می‌خواهد
JioStar «توانایی ثابت‌شده» در یادگیری سریع فناوری‌ها و پلتفرم‌های تازه را می‌خواهد
دانش حوزه‌ای
Side درک قوی از اجرای دیالوگ، ریتم و قصه‌گویی را شرط کرده و JioStar شناخت اصول تولید فیلم و محتوای سریالی کوتاه را
برای کار در بازی؛ در «پروفایل ایده‌آل» آگهی Side آمده است
سیاست ElevenLabs شبیه‌سازی صدای افراد بدون رضایت صریح و آگاهانه را ممنوع می‌کند؛ Side تعهد به استفادهٔ مسئولانه و اخلاقی از AI را می‌خواهد
Rifa AI امتیاز می‌دهد به کسی که می‌داند خط تلفن ۸ کیلوهرتزی با صدایی که یک هفته رویش کار کرده‌اید چه می‌کند
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به طراح صدای هوش مصنوعی
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایهٔ صدا: گوش، ضبط و ویرایش در DAW
آگهی‌های بررسی‌شده پیش از هر ابزار AI، تجربهٔ کار با صدا می‌خواهند: ShareChat سابقهٔ مهندسی صدا در پلتفرم‌های OTT، تلویزیون یا پست‌پروداکشن فیلم را شرط کرده و ElevenLabs سه تا پنج سال تجربه در مهندسی صدا، طراحی صدا یا میکس و مسترینگ. با یک DAW مثل Reaper شروع کنید: ضبط گفتار، برش، fade، EQ، کمپرسور و میکس چند لایه. هم‌زمان گوشتان را تمرین دهید تا بتوانید بگویید چرا یک صدا طبیعی است و دیگری نه.
ادیت دیالوگ، پاک‌سازی و استاندارد تحویل
صدای تولیدشده با AI تقریباً همیشه اصلاح لازم دارد. Side از طراح صدا می‌خواهد دیالوگ تولیدشده را ادیت، پاک‌سازی و مستر کند و «artefact ها را حذف کند» و ShareChat کنترل سطح صدا در طول قسمت‌ها را جزو وظایف آورده است. iZotope RX ابزار رایج پاک‌سازی است. بلندی صدا را با واحد LUFS بسنجید: EBU R 128 میانگین -23 LUFS را توصیه می‌کند و مشخصات میکس Netflix میانگین -27 LKFS (با سنجش روی دیالوگ) و قلهٔ حداکثر -2 dB True Peak را می‌خواهد.
صدای AI: TTS، STS و طراحی صدا با پرامپت
حالا سراغ تولید گفتار بروید. Kuku تجربهٔ عملی با ElevenLabs را شرط کرده و Side کار با Text-to-Speech و Speech-to-Speech را. مستندات Voice Design در ElevenLabs قالبی برای پرامپت پیشنهاد می‌کند: زبان و لهجه، جنسیت، بازهٔ سنی، شخصیت، احساس و یکی دو جمله دربارهٔ رنگ صدا و سرعت بیان. یاد بگیرید تلفظ و مکث را کنترل کنید؛ Side آشنایی با SSML و تگ‌های روایت را امتیاز می‌داند. برای هر شخصیت یک voice brief بنویسید و چند نسخه بسازید.
افکت و موسیقی مولد و ساختن فضای صوتی
ShareChat تولید موسیقی پس‌زمینه (BGM) و افکت (SFX) با AI را «هم‌خوان با لحن سریال» می‌خواهد و JioStar آشنایی با تولید موسیقی با AI را. ابزار افکت ElevenLabs از روی توضیح متنی صدا می‌سازد، طول آن تا ۳۰ ثانیه است و می‌تواند لوپ بی‌درز بسازد. چند ابزار موسیقی را امتحان کنید و برای هر خروجی ثبت کنید چه کسی و با چه مجوزی می‌تواند از آن استفاده کند. دورهٔ صوت Hugging Face کمک می‌کند بفهمید مدل‌های صوتی چطور کار می‌کنند.
workflow تولید، صدای بازی و رضایت صاحب صدا
در سطح حرفه‌ای، کار فقط ساختن یک فایل خوب نیست. Side ساختن workflow های مقیاس‌پذیر تولید صدا و کار با تیم‌های بومی‌سازی و QA را می‌خواهد و Rifa AI معیار کیفیت صدا را در مجموعهٔ تستی که پیش از هر انتشار اجرا می‌شود. اگر به بازی علاقه دارید، با Wwise و مسیر دیالوگ در بازی آشنا شوید. قواعد رضایت را هم از اول جدی بگیرید: سیاست ElevenLabs شبیه‌سازی صدای هر فرد زنده را بدون رضایت صریح و آگاهانه‌اش ممنوع می‌کند.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
تولید گفتار و صدای AI
تولید گفتار، طراحی صدا، شبیه‌سازی صدا، دوبله و افکت؛ Kuku تجربهٔ عملی با آن را شرط کرده و Rifa AI آن را امتیاز می‌داند
زبان نشانه‌گذاری برای کنترل تلفظ، مکث و لحن در موتورهای TTS؛ Side و Rifa AI آشنایی با آن را امتیاز می‌دانند
افکت و موسیقی مولد
ابزار تولید موسیقی و صدا با AI از Stability AI؛ یکی از گزینه‌ها برای ساخت لایه‌های فضای صوتی
DAW و ادیت دیالوگ
ویدیو، همگام‌سازی و workflow
تولید و ویرایش ویدیو با AI؛ از ابزارهای ترجیحی Kuku. طراح صدا باید صدای AI را با تصویر هم‌زمان کند
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
جونیور / دستیار تولید صدا
۰ تا ۲ سال
بازبینی و اصلاح خروجی AI، تولید روزانهٔ دیالوگ و افکت، کنترل کیفیت قسمت‌ها پیش از انتشار؛ لینکدین آگهی Senior Soundscaper II در JioStar را «Entry level» دسته‌بندی کرده و خود آگهی «تجربهٔ پایه» همراه با نمونه‌کار می‌خواهد
طراح صدا / طراح صدای AI
۲ تا ۵ سال
مسئولیت صدای یک پروژه یا چند شخصیت: نوشتن voice brief، تولید و هدایت اجرای صدا، ساخت workflow و تحویل نهایی؛ ElevenLabs برای Audio Engineering سه تا پنج سال تجربه یا بیشتر می‌خواهد
سرپرست تولید و پست‌پروداکشن صدا
۱۰+ سال
هدایت تیم مهندسان صدا، حضور در جلسه با مشتری و کمک به جهت خلاق کار؛ ElevenLabs برای Post-Production Lead دست‌کم ۱۰ سال تجربه می‌خواهد
Audio Director / مدیر صدا
پس از سطح سرپرست
تعیین استاندارد صدای کل پروژه و تأیید نهایی اجراها؛ در آگهی Side، طراح صدا اجراها را در چند دور با Audio Director ها اصلاح می‌کند
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
سرعت تحویل در برابر کیفیت
عمومیJioStar میکس نهایی را به‌صورت روزانه می‌خواهد و ShareChat کار با زمان‌بندی فشرده و تحویل سریع چند نسخهٔ اصلاح‌شده را. نگه داشتن کیفیت یکسان در ده‌ها قسمت با این سرعت، بدون یک روش کار منظم و کتابخانهٔ پرامپت و صدا، سخت است.
artefact ها و ناپایداری خروجی مدل
عمومیخروجی مدل همیشه تمیز نیست؛ Side حذف artefact و بهبود کیفیت را جزو وظایف آورده است. مستندات ElevenLabs هم هشدار می‌دهد استفادهٔ زیاد از تگ مکث در یک تولید می‌تواند مدل را ناپایدار کند و سرعت بیان را بالا ببرد.
رضایت و حقوق صدا
عمومیساختن صدای شبیه یک فرد واقعی بدون رضایت او هم مشکل حقوقی دارد و هم اخلاقی. ElevenLabs شبیه‌سازی حرفه‌ای را فقط برای صدای خود کاربر و پس از تأیید مجاز می‌داند و می‌نویسد حتی با رضایت هم نمی‌شود صدای کس دیگری را به این روش شبیه‌سازی کرد. طراح صدا باید بداند هر صدایی از کجا آمده و چه مجوزی دارد.
کارهای قراردادی و ناپایدار
عمومیدر لینکدین، آگهی ShareChat «قراردادی» و آگهی JioStar «موقت» ثبت شده و نقش Audio Engineering در ElevenLabs آزاد (Freelance) است. برای بسیاری، این شغل فعلاً بیشتر پروژه‌ای است تا استخدام بلندمدت.
سلیقه‌ای بودن معیار کیفیت
استارتاپRifa AI می‌نویسد امروز سؤال «آیا این صدا خوب است» را کسی حل می‌کند که بیشتر اصرار کند، و از طراح صدا می‌خواهد با شواهد بحث کند و از تصمیم‌هایش جلوی مشتری‌ای دفاع کند که صدای «گرم‌تر» می‌خواهد اما نمی‌تواند بگوید یعنی چه.
بازار کوچک و ابزارهایی که مدام عوض می‌شوند
عمومیتعداد آگهی‌ها هنوز کم است و بیشترشان در چند شرکت محدود. هم‌زمان ابزارها تغییر می‌کنند: Side ارزیابی پلتفرم‌های تازهٔ صدا را جزو وظایف آورده و JioStar به‌روز ماندن با ابزارهای خلاق AI را. پایهٔ سنتی صدا چیزی است که با عوض شدن ابزار کهنه نمی‌شود.
حقوق و بازار کار جهانی
حقوق جهانی طراح صدای هوش مصنوعی
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- PayScale US, title 'Sound Designer' (generic title; no AI-specific figure), updated Oct 6, 2026: base salary 10th–90th pct; average (75 salary profiles)
- Glassdoor Canada, title 'Sound Designer' (generic title), estimate updated Oct 2026: base pay 25th–75th pct; median (12 salaries)
- Side posting, Procedural Voice Designer (London, hybrid), posted Jul 21, 2026, open Oct 2026: posted salary range; median = midpoint
- Glassdoor UK, title 'Sound Designer' (generic title), estimate updated Oct 2026: base pay 25th–75th pct; median (13 salaries)
- Kuku posting, AI - Sound Engineer (AI Voice & Sound Design Specialist) (Mumbai, full-time), posted Oct 5, 2026: posted yearly range; median = midpoint
- Rifa AI posting, Voice Designer (Bengaluru, full-time), posted Oct 8, 2026: posted compensation range ₹8L–₹18L; median = midpoint
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: استاندارد تحویل و ادیت دیالوگ
پاک‌سازی دیالوگ با iZotope RX و سنجش بلندی صدا را تمرین کنید تا خروجی‌تان با مشخصات پلتفرم‌ها جور باشد.
ماه ۲: صدای AI و voice design
با ElevenLabs کار کنید: قالب پرامپت Voice Design را یاد بگیرید و برای سه شخصیت صدا بسازید.
ماه ۳: افکت و موسیقی مولد
برای یک صحنهٔ کوتاه افکت و موسیقی بسازید و با صدای واقعی ترکیب کنید.
ماه ۴: پروژهٔ کامل صحنه
پروژهٔ «بازسازی صدای یک صحنه» را کامل کنید و نسخهٔ قبل و بعد را منتشر کنید.
ماه ۵: دوبله یا صدای بازی
بسته به علاقه، یک دوبلهٔ چندزبانه یا بستهٔ صدای شخصیت‌های بازی بسازید.
ماه ۶: نمونه‌کار و درخواست
نمونه‌کار شنیدنی را مرتب کنید؛ Rifa AI صریحاً «چیزی که بشود شنید» می‌خواهد. قواعد رضایت ابزارهایی را که استفاده کرده‌اید در توضیح پروژه‌ها بیاورید.
پروژه‌های پیشنهادی برای رزومه
بازسازی صدای یک صحنهٔ کوتاه
مبتدییک صحنهٔ یک‌دقیقه‌ای از یک فیلم کوتاه یا انیمیشن با مجوز باز را بی‌صدا کنید و دیالوگ دو شخصیت، افکت و موسیقی پس‌زمینه را با AI از نو بسازید. میکس نهایی را با مقدار LUFS اندازه‌گیری‌شده تحویل دهید و نسخهٔ قبل و بعد را کنار هم بگذارید.
بستهٔ صدای شخصیت‌های یک بازی
متوسطبرای سه شخصیت یک بازی خیالی voice brief و پروفایل بنویسید، برای هر کدام بیست خط دیالوگ با چند نسخهٔ احساسی بسازید و پرامپت‌ها و تنظیمات را مستند کنید. فایل‌ها را با نام‌گذاری منظم، مثل یک کتابخانهٔ صدای واقعی، تحویل دهید.
دوبلهٔ چندزبانهٔ یک ویدیوی کوتاه
متوسطیک ویدیوی دودقیقه‌ای را پیاده، ترجمه و به دو زبان دیگر دوبله کنید، طوری که سرعت و احساس گوینده حفظ شود. همگامی لب را بررسی کنید و جاهایی را که ابزار اشتباه کرده و خودتان اصلاح کرده‌اید توضیح دهید.
کتابخانهٔ افکت و موسیقی برای یک داستان صوتی
متوسطبرای یک داستان صوتی ده‌دقیقه‌ای، فضای صوتی کامل بسازید: محیط، افکت‌ها و یک قطعهٔ موسیقی تکرارشونده. برای هر فایل ابزار، پرامپت و شرایط مجوز استفاده را در یک جدول ثبت کنید.
آزمون کیفیت صدا برای یک ایجنت تلفنی
پیشرفتهچند صدای TTS را روی یک متن ثابت مقایسه کنید، یک بار با کیفیت کامل و یک بار پس از تبدیل به ۸ کیلوهرتز، شبیه خط تلفن. یک روبریک ساده (طبیعی بودن، وضوح، ثبات در متن طولانی) بسازید و از چند شنونده امتیاز بگیرید. Rifa AI دقیقاً همین را می‌خواهد: معیار کیفیت را وارد مجموعهٔ تست کنید.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
طبق ویکی‌پدیا، هنرمند و آهنگساز آمریکایی ساکن برلین است. کارشناسی ارشد موسیقی الکترونیک را از Mills College گرفت و دکترایش را در مرکز CCRMA دانشگاه Stanford گذراند. موسیقی‌اش عمدتاً با کامپیوتر ساخته می‌شود و اغلب صدای خوانندهٔ انسانی، از جمله صدای خودش، در آن هست؛ سازها و پردازش‌های صوتی‌اش را با Max/MSP می‌سازد.
برای آلبوم Proto (۲۰۱۹)، با Mat Dryhurst و Jules LaPlace یک شبکهٔ عصبی آوازخوان به نام Spawn ساخت که عمدتاً با صدای خود او آموزش دیده بود. در ۲۰۲۱ هم Holly+ را ساختند: نسخهٔ AI صدای او که هر کسی می‌تواند قطعه‌اش را با آن اجرا کند، و گروهی از «نگهبانان» تصمیم می‌گیرند کدام اثر ساخته‌شده با این صدا مشترکاً فروخته شود. این پروژه جایزهٔ STARTS سال ۲۰۲۲ از Ars Electronica را برد.
Holly+ نشان می‌دهد پرسش «چه کسی اجازهٔ استفاده از یک صدا را می‌دهد» را می‌شود از ابتدا جزو طراحی کار کرد، نه چیزی که بعداً به آن فکر شود.
طبق ویکی‌پدیا، نویسنده، آهنگساز و پژوهشگر آمریکایی و استاد موسیقی دانشگاه UC Santa Cruz بود (۱۹۴۱ تا ۲۰۲۵). پژوهش اصلی‌اش هوش مصنوعی و موسیقی بود: برنامه‌هایی نوشت که موسیقی موجود را تحلیل می‌کنند و به سبک آن قطعهٔ تازه می‌سازند. در همان دانشگاه درس «هوش مصنوعی و موسیقی» را هم تدریس می‌کرد.
در ۱۹۸۱ سفارش ساختن یک اپرا گرفت، دچار «قفل آهنگسازی» شد و برای فهم سبک خودش نرم‌افزار EMI (Experiments in Musical Intelligence) را نوشت؛ هشت سال بعد اپرا را با کمک EMI در دو روز نوشت. بعدها برنامهٔ Emily Howell را ساخت که آلبوم‌هایش منتشر شد و در ۲۰۲۲ کتاب Ethics of Computer-Assisted Music را نوشت.
کار Cope از یک مشکل عملی خودش شروع شد، نه از کنجکاوی دربارهٔ فناوری. ساختن ابزار برای رفع گره کار خودتان می‌تواند راه ورود به این حوزه باشد.
طبق ویکی‌پدیا، پیش‌تر مجری تلویزیون، بازیگر و یوتیوبر بود و امروز سخنران، هنرمند و استراتژیست برند در حوزهٔ فناوری‌های نوظهور است. در ۲۰۱۷ برای ساختن محتوای واقعیت مجازی از Google Creator Lab کمک‌هزینه گرفت و همین کار او را به ساختن موسیقی با ابزارهای AI رساند.
در ۲۰۱۸ آلبوم I AM AI را منتشر کرد که موسیقی پشت آوازهایش با چند ابزار AI، از جمله Amper، IBM Watson Beat، Google Magenta و AIVA، تولید شده بود. اولین تک‌آهنگش Break Free در اوت ۲۰۱۷ با Amper ساخته شد.
مسیر او از اجرا و تولید محتوا به موسیقی با AI نشان می‌دهد سابقهٔ قبلی در قصه‌گویی و اجرا می‌تواند پایهٔ خوبی برای کار با ابزارهای مولد صدا باشد.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Procedural Voice Designer
تحلیل نیازمندی‌ها
Experience working in game audio, dialogue production, voice design, audio post-production or a related field.
پایهٔ کار صدای سنتی است، نه AI. اگر از صفر شروع می‌کنید، باید اول در یکی از این حوزه‌ها، مثلاً ادیت دیالوگ یا پست‌پروداکشن، کار واقعی انجام داده باشید.
ضروریUnderstanding of modern synthetic voice technologies including Text-to-Speech (TTS) and Speech-to-Speech (STS).
TTS از متن صدا می‌سازد و STS اجرای یک گوینده را به صدای دیگر تبدیل می‌کند. باید بدانید هر کدام کجا بهتر جواب می‌دهد و محدودیتش چیست.
ضروریExperience editing dialogue using professional audio software such as Reaper, Pro Tools or iZotope RX.
خروجی مدل خام تحویل داده نمی‌شود. ادیت دیالوگ، حذف نویز و artefact و یکدست کردن صدا مهارتی است که در نمونه‌کار باید دیده شود.
ضروریStrong understanding of dialogue performance, pacing and storytelling.
باید بفهمید یک خط دیالوگ چرا باورپذیر است: ریتم، مکث، تأکید و احساس. این همان چیزی است که برای هدایت مدل لازم دارید.
ضروریExperience collaborating within multidisciplinary production teams.
با کارگردان، طراح روایت، تیم تولید، بومی‌سازی و مشتری کار می‌کنید؛ تجربهٔ کار در یک تیم تولید واقعی، حتی پروژه‌های کوچک، اهمیت دارد.
مهمExperience with prompt engineering for generative speech synthesis systems.
در «پروفایل ایده‌آل» آمده، پس امتیاز است نه شرط. نوشتن پرامپتی که لحن، سن، احساس و سرعت را مشخص کند و ثبت پرامپت‌هایی که جواب داده‌اند.
مفیدFamiliarity with SSML, narration tags or other voice direction methodologies.
SSML و تگ‌ها راه کنترل مکث، تلفظ و لحن در مدل‌اند. آشنایی با یکی از این روش‌ها نشان می‌دهد می‌توانید اجرا را دقیق هدایت کنید.
مفیدCommitted to responsible and ethical use of AI technologies.
در کار با صدای مصنوعی، رضایت صاحب صدا و شفافیت دربارهٔ مصنوعی بودن آن اهمیت دارد. انتظار داشته باشید در مصاحبه دربارهٔ آن بپرسند.
مفیدتحلیل مسئولیت‌ها
Design expressive AI-generated voice performances for games and interactive media.
خروجی کار «اجرا» است، نه فقط فایل صوتی. صدا باید احساس و شخصیت داشته باشد و در بازی باورپذیر باشد.
Develop detailed voice briefs, character profiles, vocal direction and prompting strategies for AI voice generation.
پیش از تولید، می‌نویسید هر شخصیت چه صدایی دارد و چطور حرف می‌زند. این سند هم راهنمای پرامپت است و هم مبنای بحث با کارگردان.
Experiment with tone, pacing, narration techniques, emotional tags and prompt structures to maximise performance quality.
بخش بزرگی از کار آزمایش است: نسخه‌های مختلف بسازید، مقایسه کنید و ثبت کنید کدام تنظیم نتیجهٔ بهتری داده است.
Generate voice content using modern Text-to-Speech (TTS) and Speech-to-Speech (STS) technologies.
کار روزمره با پلتفرم‌های تولید گفتار؛ انتخاب پلتفرم و صدای مناسب هر پروژه هم جزو همین مسئولیت است.
Build and maintain internal voice libraries and voice databases.
صداهایی که می‌سازید دارایی شرکت‌اند. باید آن‌ها را با نام‌گذاری و توضیح منظم نگه دارید تا در پروژه‌های بعدی قابل استفاده باشند.
Contribute to the development of scalable AI voice production workflows.
هدف فقط یک پروژهٔ خوب نیست؛ روشی می‌خواهند که با تعداد زیاد خط دیالوگ و زبان‌های مختلف هم کار کند.
Edit, clean and master generated dialogue using professional audio software.
پس از تولید، صدا را در DAW ادیت، پاک‌سازی و مستر می‌کنید تا با مشخصات فنی پروژه جور شود.
Work with QA and Localization teams to validate scripts, pronunciation and language accuracy.
مدل گاهی تلفظ را اشتباه می‌کند، به‌خصوص در نام‌ها و زبان‌های مختلف. همکاری با QA و بومی‌سازی برای گرفتن این خطاها لازم است.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از طراح صدای AI در ۲۰۲۶ می‌دهد: کسی با پیشینهٔ صدای بازی، دیالوگ یا پست‌پروداکشن که با TTS و STS اجرای صوتی شخصیت‌ها را می‌سازد، آن را هدایت و ادیت می‌کند و در ساختن روش تولید تیم سهم دارد. بیشتر شرط‌های اصلی آگهی مهارت‌های صدای سنتی‌اند و تنها شرط مربوط به AI شناخت TTS و STS است؛ پرامپت‌نویسی و SSML در بخش امتیاز آمده‌اند. بازهٔ حقوق در صفحهٔ آگهی ۳۵ تا ۴۵ هزار پوند در سال است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS آمریکا پیش‌بینی می‌کند اشتغال گروه رسمی Sound Engineering Technicians از ۲۰۲۵ تا ۲۰۳۵، ۳٪ کم شود (از ۱۵٬۰۰۰ به ۱۴٬۶۰۰ نفر) و می‌نویسد پیشرفت فناوری، از جمله AI، باعث می‌شود تکنسین‌های کمتری برای راه‌اندازی و کار با سیستم‌های صدا لازم باشد. BLS گروه جداگانه‌ای برای طراح صدای AI ندارد؛ این عدد کار سنتی صدا را می‌سنجد، همان کاری که آگهی‌های AI پیشینه‌اش را می‌خواهند. میانهٔ حقوق سالانهٔ این گروه در مه ۲۰۲۵، ۷۳٬۱۳۰ دلار بود.
منبع: BLS Occupational Outlook Handbook — Broadcast, Sound, and Video Technicians (2025–35)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
طبق وب‌سایت artificialintelligenceact.eu، ماده ۵۰ قانون AI اتحادیهٔ اروپا از ۲ اوت ۲۰۲۶ اجرایی می‌شود. این ماده از سازندگان سیستم‌هایی که صدای مصنوعی تولید می‌کنند می‌خواهد خروجی را به شکل قابل‌تشخیص برای ماشین نشانه‌گذاری کنند و از کسی که صدای جعلی شبیه افراد یا رویدادهای واقعی می‌سازد، می‌خواهد مصنوعی بودن آن را اعلام کند.
مطالعهٔ CISAC (انجام‌شده توسط PMP Strategy، دسامبر ۲۰۲۴) پیش‌بینی می‌کند بازار محتوای موسیقی و صوتی‌تصویری تولیدشده با AI از حدود ۳ میلیارد یورو به ۶۴ میلیارد یورو در ۲۰۲۸ برسد و تا همان سال ۲۴٪ درآمد پدیدآورندگان موسیقی در معرض از دست رفتن باشد.
BLS آمریکا پیش‌بینی می‌کند اشتغال Sound Engineering Technicians از ۲۰۲۵ تا ۲۰۳۵، ۳٪ کاهش یابد، در حالی که کل گروه تکنسین‌های پخش، صدا و نور ۱٪ رشد کند.
ریسک اول این است که خود ابزارها بخشی از کار را حذف کنند: BLS دقیقاً همین را دلیل کاهش اشتغال تکنسین‌های صدا می‌داند و مطالعهٔ CISAC پیش‌بینی می‌کند تا ۲۰۲۸ بخشی از درآمد پدیدآورندگان موسیقی و آثار صوتی‌تصویری در معرض از دست رفتن باشد. ریسک دوم ناپایداری قرارداد است: در آگهی‌های بررسی‌شده، ShareChat قراردادی، JioStar موقت و نقش Audio Engineering در ElevenLabs آزاد است. آنچه ارزش این نقش را نگه می‌دارد گوش، قضاوت و پایهٔ سنتی صداست؛ همان چیزی که همهٔ آگهی‌ها شرط کرده‌اند.
منابع
اطلاعات این صفحه در تاریخ ۱ آبان ۱۴۰۵ از این ۲۹ منبع بررسی شده است.
- Procedural Voice Designer — Side (job posting)
- AI Sound Designer — ShareChat (job posting)
- Senior Soundscaper II — JioStar (job posting)
- AI - Sound Engineer (AI Voice & Sound Design Specialist) — Kuku (job posting)
- Voice Designer — Rifa AI (job posting)
- Audio Engineering (Freelance) — ElevenLabs (job posting)
- Post-Production Lead — ElevenLabs (job posting)
- Dubbing Specialist (Freelance) — ElevenLabs (job posting)
- AI Music Producer – AI Tools Research & Testing — TechZnap (job posting)
- PayScale — Sound Designer salary (United States)
- Glassdoor — Sound Designer salaries (Canada)
- Glassdoor — Sound Designer salaries (United Kingdom)
- BLS Occupational Outlook Handbook — Broadcast, Sound, and Video Technicians
- O*NET OnLine — 27-4014.00 Sound Engineering Technicians
- CISAC — Global economic study shows human creators’ future at risk from generative AI (Dec 2024)
- ElevenLabs — Productions
- JioStar — India’s Largest Media Conglomerate (company site)
- ElevenLabs Docs — Voice Design
- ElevenLabs Docs — Professional Voice Cloning
- ElevenLabs Docs — Sound effects (product guide)
- ElevenLabs Docs — Text to Speech best practices
- ElevenLabs — Prohibited Use Policy
- EU AI Act — Article 50: Transparency Obligations
- Netflix — Sound Mix Specifications and Best Practices
- EBU R 128 — Loudness normalisation and permitted maximum level of audio signals
- Microsoft Learn — Speech Synthesis Markup Language (SSML) overview
- Holly Herndon — Wikipedia
- David Cope — Wikipedia
- Taryn Southern — Wikipedia