استنساخ الصوت بالذكاء الاصطناعي: كيف تتحوّل عيّنة 10 ثوانٍ إلى صوت

يستخلص النظام تمثيلًا رقميًا للمتحدث من عيّنتك — تمثيلًا رقميًا مكثّفًا لجرس الصوت ومدى طبقته وأسلوب أدائه. ثم يولّد نموذج تحويل نص إلى كلام عصبي صوتًا من نصك موجَّهًا بذلك التمثيل. ولأنه يوجّه نموذجًا قائمًا بدلًا من تدريب نموذج جديد لكل صوت، تكفي عيّنة قصيرة وتصل النتائج خلال ثوانٍ.

كانت الأساليب القديمة تدرّب نموذجًا مخصصًا لكل صوت، وهو ما يحتاج كمًا كبيرًا من البيانات. أمّا الاستنساخ الحديث فيوجّه نموذجًا عامًا يعرف أصلًا كيف يعمل الكلام، بالاستناد إلى بصمة صغيرة للمتحدث. النموذج يوفّر المعرفة اللغوية؛ وعيّنتك لا تحتاج إلا إلى تزويده بهوية الصوت.

متحدث واحد، غرفة هادئة، وتيرة طبيعية، وما بين 30 و60 ثانية تقريبًا. تجنّب الموسيقى الخلفية، وتداخل الأصوات، وصدى الغرفة الشديد، وضغط مكالمات الهاتف. الصوت النقي القصير يتفوق باستمرار على الصوت الطويل الصاخب.

ما يبقى في مكتبتك هو الصوت المُستخلَص، وهو ما تُبنى عليه عمليات التوليد لاحقًا. تعامل مع أي عيّنة ترفعها بوصفها بيانات شاركتها مع خدمة — لا ترفع إلا تسجيلات تملك حق استخدامها، واحصل على إذن كتابي حين لا يكون الصوت صوتك.

اللكنة نعم — تُورَث من العيّنة وتبقى ثابتة عبر كل اللغات الـ39 المتاحة للإخراج. أمّا الانفعال فجزئيًا: السرد ونبرات الحوار العادية تظهر بوضوح، بينما الصراخ والنحيب والتمثيل الصوتي الثقيل ما زالت تبدو اصطناعية.

يختار تحويل النص إلى كلام التقليدي من مكتبة ثابتة من الأصوات الجاهزة. أمّا الاستنساخ فيوفّر أنت الصوت من تسجيل. تقدّم Musely الخيارين — إن لم تحتج صوت شخص محدد، فمكتبة الأصوات الجاهزة مشمولة في كل خطة ولا تكلّف أي رصيد.