ما هو تحويل النص إلى كلام (TTS)؟

ChatGPT الهولندي يتحدث بلكنة ألمانية (أحياناً). إذا كان ذلك مقصوداً، فهو أمر غير لطيف. وإذا لم يكن كذلك، فهو أمر مثير للاهتمام.

في كلتا الحالتين، من الآمن القول إن مساعدي الصوت بالذكاء الاصطناعي قد تطوروا كثيراً منذ سام من مايكروسوفت. في الواقع، لقد تطوروا كثيراً منذ أن درست تكنولوجيا الكلام قبل بضع سنوات.

وأنا هنا لأحدثكم عن أين وصلنا الآن.

لقد بدأنا في تخيل الكلام الاصطناعي منذ عام 1968 على الأقل، منذ ظهور الروبوت HAL في فيلم 2001: أوديسة الفضاء.

وبعيداً عن كونه شيئاً مرموقاً ومستقبلياً، أصبح الآن أمراً شائعاً: 89٪ من المستهلكين يربطون اختيارهم للجهاز بوجود دعم صوتي من عدمه.

بعبارة أخرى: "لا تساعدني فقط؛ تحدث إليّ".

في هذا المقال سأناقش تحويل النص إلى كلام – تحويل النص إلى صوت منطوق. سأتحدث عن ما يحدث خلف الكواليس، وطرق استخدام هذه التقنية في مختلف القطاعات.

ما هو تحويل النص إلى كلام؟

TTS هو عملية تحويل النص إلى صوت منطوق اصطناعي. كانت الإصدارات الأولى تعتمد على تقليد ميكانيكي للجهاز الصوتي البشري وتجميع تسجيلات صوتية. أما الآن، فتعتمد أنظمة TTS على خوارزميات الشبكات العصبية العميقة لإنتاج عبارات ديناميكية تشبه الإنسان.

توجد نماذج مختلفة حسب الاستخدام، مثل التوليد الفوري للنماذج الحوارية، والتحكم في التعبير، وإمكانية تقليد صوت معين.

كيف يعمل تحويل النص إلى كلام؟

يمر TTS بثلاث خطوات رئيسية: أولاً، تتم معالجة النص المدخل لتهجئة الرموز والتعبيرات والاختصارات. ثم يُمرر النص المعالج عبر شبكات عصبية لتحويله إلى تمثيل صوتي (مخطط طيفي). وأخيراً، يتحول هذا التمثيل إلى كلام.

كما ذكرت سابقاً، جرب الباحثون عدة طرق لـ TTS. الطريقة الحالية (وأعتقد أنها ستستمر لبعض الوقت) تعتمد على توليد الكلام باستخدام الشبكات العصبية.

نمذجة طبقات الظواهر اللغوية التي تؤثر على العبارة – مثل النطق والسرعة والتنغيم – مهمة معقدة.

حتى مع القدرات شبه السحرية للشبكات العصبية، يعتمد نظام TTS على عدة مكونات لمحاكاة الكلام.

من الصعب تحديد مسار واحد دقيق للعملية؛ فالتقنيات الجديدة تظهر باستمرار، مهددة بجعل ما قبلها قديماً.

هناك بعض المكونات العامة التي توجد في معظم أنظمة TTS بشكل أو بآخر.

1. معالجة النص

معالجة النص هي الخطوة التي يحدد فيها نظام TTS الكلمات التي سيتم نطقها. الاختصارات، والتواريخ، ورموز العملات تُكتب بشكل كامل، ويتم حذف علامات الترقيم.

هذه الخطوة ليست دائماً بسيطة. هل "د." تعني دكتور أم شارع؟ وماذا عن CAD? دولار كندي أم تصميم بمساعدة الحاسوب?

يمكن استخدام معالجة اللغة الطبيعية (NLP) في معالجة النص للمساعدة في توقع التفسير الصحيح بناءً على السياق المحيط. فهي تقيم كيف يتناسب المصطلح الغامض (مثلاً، "د.") مع الجملة ككل، لذا في عبارة "نصح د. بيرون بعدم ذلك"، ستفسر NLP د. على أنها دكتور.

2. التحليل اللغوي

بعد معالجة النص، ينتقل النموذج من "ماذا أقول؟" إلى "كيف أقول ذلك؟"

التحليل اللغوي هو الجزء من نظام TTS المسؤول عن تفسير كيفية إلقاء الجملة من حيث الحدة، والنغمة، والمدة. بمعنى آخر:

• كم يجب أن تستغرق كل صوت أو مقطع أو كلمة؟
• هل يجب أن يرتفع التنغيم؟ أم ينخفض؟
• أي كلمة يتم التأكيد عليها؟
• كيف يمكن لتغير مستوى الصوت أن يعكس العاطفة المقصودة؟

لماذا التنغيم مهم

قصة قصيرة: عملت لفترة قصيرة كمستشار لفريق يبني نماذج TTS. أصبح واضحاً مدى أهمية التنغيم في وضوح الجملة أو غموضها. سأوضح لكم ما أعني.

فيما يلي ثلاث طرق لإلقاء الجملة "واو، هل كنت تتوقع ذلك؟"

الأولى ممتازة. التوقف بعد "واو"، والارتفاع في النغمة على المقطع الثاني من "تتوقع" (تتَوَقَّع). تقييم 10/10.

الثانية بالكاد تعكس صيغة السؤال من خلال رفع النغمة في الكلمة الأخيرة ("... تتوقع ذلك"). بخلاف ذلك، بقية المقاطع تقريباً بنفس الطول، دون تنوع في الصوت أو النغمة. كنت أنصح عملائي بإعادة المحاولة.

الأخيرة حالة مثيرة للاهتمام: "واو" رائعة – عالية، طويلة، وبمنحنى هابط. أما ارتفاع النغمة للسؤال فيحدث خلال "هل كنت"، وتبقى النغمة شبه ثابتة بعدها.

هذا هو المكان الذي تتوقف فيه العديد من أنظمة TTS المتوسطة: بسيطة بما يكفي مع إلقاء مقبول. لكن في الواقع، ليس هذا ما ستقوله – على الأقل في معظم السياقات.

في الأنظمة القديمة، كانت هذه الخصائص تُتنبأ بها عبر مكونات منفصلة: نموذج واحد يحدد مدة كل صوت، وآخر يحدد كيف يجب أن ترتفع أو تنخفض النغمة.

أما الآن، فالأمور أصبحت أكثر تداخلاً.

تميل الشبكات العصبية إلى تعلم هذه الأنماط بنفسها من خلال استيعاب التفاصيل الدقيقة من مجموعات بيانات ضخمة.

3. النمذجة الصوتية

في النمذجة الصوتية، يُمرر النص المُنظم (وخصائص اللغة المتوقعة، إن وجدت) عبر شبكة عصبية تنتج تمثيلاً وسيطاً.

المخططات الطيفية وتمثيلات الكلام

عادةً ما يكون التمثيل الوسيط مخططاً طيفياً – تمثيل التردد عبر الزمن لإشارة صوتية – رغم أن ذلك يتغير حالياً.

إليكم التمثيل الذي أنشأه نموذج TTS من نصنا المدخل "واو، هل كنت تتوقع ذلك؟":

‍

هذه الصورة ثنائية الأبعاد تتكون فعلياً من 146 شريحة رأسية، كل منها تحتوي على 80 تردداً. الترددات الأقوى أكثر سطوعاً، والأضعف أغمق.

هكذا يبدو العمود العاشر (أو خطوة الزمن العاشرة) بعد تدويره 90 درجة إلى اليمين:

يمكنكم رؤية الترددات الفردية وطاقاتها.

قد لا يبدو المخطط الطيفي واضحاً للوهلة الأولى، لكن بعض الظواهر اللغوية واضحة هنا:

• تلك الموجات والخطوط المحددة بوضوح هي أصوات العلة أو أصوات شبيهة بأصوات العلة مثل /w/، /r/، و /l/.
• البقع الداكنة تمثل الصمت. قد تكون توقفات بسبب علامات الترقيم.
• تجمعات الطاقة في الأعلى تمثل الضوضاء، مثل الصوت الذي تسمعه في /s/، /sh/، و /f/

في الواقع، يمكنك حتى مطابقة الكلمات مع المخطط الطيفي إذا دققت النظر.

تُستخدم المخططات الطيفية بأشكالها المختلفة على نطاق واسع في تقنيات الكلام لأنها تمثل وسيطاً جيداً جداً بين الكلام الخام والنص.

تسجيلان لنفس الجملة من متحدثين مختلفين سيكون لهما موجات صوتية مختلفة جداً، لكن مخططاتهما الطيفية ستكون متشابهة جداً.

4. توليد الصوت (التكويد الصوتي)

في مرحلة التوليد، يتم تحويل المخطط الطيفي إلى صوت.

التقنية التي تقوم بهذا التحويل تُسمى المُرمِّم الصوتي. وهي نماذج شبكات عصبية مدربة لإعادة بناء إشارات الكلام بناءً على تمثيلاتها الطيفية.

السبب في فصل تمثيل الكلام ونمذجة الإشارة الصوتية إلى وحدتين منفصلتين يتعلق بالتحكم: الأولى تهدف إلى نمذجة النطق وأداء الكلمات بدقة، والثانية تركز على الأسلوب وواقعية الأداء.

من خلال المخطط الطيفي يمكننا التمييز بين /س/ و /ش/، أو بين /ee/ (كما في heat) و/ih/ (كما في hit)، لكن الأسلوب والشخصية يأتيان من التفاصيل الدقيقة التي ينتجها المُرمِّم الصوتي.

إليكم مقارنة بين التركيبات المختلفة لنماذج الصوت والمُرمِّمات الصوتية. توضح كيف يقوم الباحثون بدمج نماذج صوتية ومُرمِّمات صوتية مختلفة، وتحسين النتائج للحصول على أفضل أداء إجمالي.

ومع ذلك، كما هو الحال مع باقي المكونات، نشهد استبدال المخططات الطيفية بنماذج شاملة تجمع كل شيء في نموذج واحد.

ما هي استخدامات تحويل النص إلى كلام (TTS)؟

القدرة على إنتاج لغة منطوقة ديناميكية أداة أساسية في مختلف الصناعات.

الأمر لا يقتصر على خدم الروبوتات المتطورة – بل يساعدنا على تحقيق الكفاءة، وتسهيل الوصول، وتعزيز الأمان.

الدردشة الآلية والمساعدون الصوتيون

كنت تعلم أنني سأذكر ذلك 😉

بين فهم أوامرك، وتحديث قوائم التسوق، وتحديد المواعيد، من السهل أن نغفل عن مدى تعقيد وأهمية الكلام الاصطناعي في وكلاء الذكاء الاصطناعي.

يجب أن يمتلك الوكيل الجيد (أي القابل للاستخدام) صوتًا مناسبًا: مرحب بما يكفي لتلقي الأوامر، وإنساني بما يكفي ليجعل المستخدم يصدق أنه قادر على تنفيذها.

يتم استثمار الكثير من البحث والهندسة لكسب ثقة المستخدمين في اللحظة الفاصلة التي يقررون فيها ما إذا كان المساعد الذكي يبدو "صحيحًا" أم لا.

ومن الجانب التجاري: يمثّل الدردشة الآلية علامتك التجارية. التحسينات في تقنية تحويل النص إلى كلام تعني خيارات أفضل للهوية الصوتية وخدمة عملاء أكثر فعالية.

الملاحة والنقل

لن تدرك أهمية تحويل النص إلى كلام الجيد إلا عندما يخطئ نظام الملاحة في نطق اسم شارع أثناء القيادة.

تعد الملاحة عبر GPS مثالًا رائعًا على تميز TTS: أعيننا مشغولة، وتقديم المعلومات صوتيًا لا يتعلق بالراحة فقط، بل بالأمان أيضًا.

ينطبق ذلك أيضًا في المطارات وأنظمة النقل العامة. بالنسبة للأنظمة المعقدة وعالية الكثافة مثل محطات القطارات وصالات المطارات، يُعد الكلام الاصطناعي أمرًا بالغ الأهمية.

بدون تحويل النص إلى كلام (TTS)، نعتمد على الإعلانات الحية، التي غالبًا ما تكون سريعة وغير واضحة، أو تسجيلات مركبة لأسماء، صالات، أوقات، وما إلى ذلك، والتي تكون في الواقع صعبة الاستماع.

مع وجود دراسات تظهر ارتباطًا قويًا بين الطبيعية والوضوح، فإن TTS عالي الجودة ضروري لصناعة نقل قوية.

الترفيه والإعلام

أصبحت السرديات والإعلام متعدد اللغات أكثر توفرًا مع تطور تقنيات الكلام الاصطناعي.

بدلاً من استبدال المواهب، تساعد تقنيات الكلام في تعزيز الأداء الدرامي.

فال كيلمر، الذي فقد صوته بسبب سرطان الحنجرة، قدّم أداءً مؤثرًا بصوته الأصلي في فيلم Top Gun: Maverick (2022) بفضل الذكاء الاصطناعي.

يتيح TTS أيضًا لمطوري الألعاب منح الشخصيات غير القابلة للعب (NPCs) تعبيرات متنوعة وغنية، وهو أمر كان مستحيلاً سابقًا.

الرعاية الصحية

التحسينات في TTS تعني تحسينات في إمكانية الوصول للجميع.

تتعامل تقنيات رعاية المسنين مع مسألتي الرفقة والمساعدة في آن واحد. وتعتمد هذه التقنية على قابلية تخصيص TTS: نبرات متعاطفة، سرعات متغيرة، وتنغيم دقيق، جميعها عناصر لتقديم مساعدة فعالة وكريمة.

يُستخدم TTS أيضًا لتحسين إمكانية الوصول بين الشباب.

مجموعة Acapela تطور، من بين أمور أخرى، تقنيات للأطفال الذين يعانون من اضطرابات في إنتاج الكلام. يعزز الكلام الاصطناعي قدراتهم التعبيرية واستقلاليتهم، مع الحفاظ على خصائصهم الصوتية.

التعليم والتعلم الشامل

لقد صادفنا الكلام الاصطناعي في تطبيقات تعلم اللغات. لكن هذا مجرد قمة جبل الجليد.

على سبيل المثال، أحد العوائق في التعلم الذاتي هو القدرة على القراءة. بالنسبة للأطفال، والأشخاص ذوي الإعاقات البصرية، وبعض صعوبات التعلم، قد لا يكون ذلك ممكنًا. وهذا يضع عبئًا كبيرًا على المعلمين في الفصول المكتظة.

قام أحد أقاليم المدارس في كاليفورنيا بتطبيق TTS لخلق بيئة تعليمية أكثر شمولاً للطلاب ذوي الاحتياجات الخاصة.

كما هو الحال في رعاية المسنين، تعتمد تقنيات التعليم على أصوات متعاطفة تقدم المعلومات بوضوح وتركيز. تتيح المعايير القابلة للتعديل للمعلمين دمج هذه التقنيات في دروسهم، مما يساعد الطلاب على الشعور بالاندماج.

احصل على أفضل TTS لاحتياجاتك

بغض النظر عن مجالك، من الآمن القول إن الذكاء الصوتي أصبح ذا صلة. وTTS الذي تختاره يعبر حرفيًا عن عملك، لذا يجب أن يكون موثوقًا وقابلًا للتخصيص.

يتيح لك Botpress بناء روبوتات قوية وقابلة للتخصيص بدرجة عالية مع مجموعة من التكاملات والنشر عبر جميع قنوات الاتصال الشائعة. وكيلك الصوتي لن يثير الإعجاب فقط، بل سيعمل بكفاءة.

ابدأ البناء اليوم. إنه مجاني.

الأسئلة الشائعة

هل توجد لغات أو لهجات تواجه أنظمة تحويل النص إلى كلام صعوبة في دعمها؟

نعم، هناك لغات ولهجات تجد أنظمة TTS صعوبة في دعمها، خاصة اللغات ذات الموارد المحدودة التي تفتقر إلى مجموعات بيانات كبيرة من الكلام والنص المسجلين. كما أن اللهجات الإقليمية، واللغات النغمية، واللغات الأصلية غالبًا ما تشكل تحديات لأنها تتطلب قواعد نطق وإيقاع دقيقة لم تُدرَّب عليها النماذج القياسية. حتى في اللغات واسعة الانتشار، قد تؤدي الاختلافات اللهجية إلى أخطاء في النطق أو كلام يبدو غير طبيعي.

ما مدى إمكانية تخصيص أصوات تحويل النص إلى كلام من حيث النبرة، والسرعة، والعاطفة؟

أصوات TTS اليوم قابلة للتخصيص بدرجة عالية من حيث النغمة والسرعة والعاطفة، بفضل بنى الشبكات العصبية الحديثة التي تتيح تحكمًا دقيقًا في الإيقاع والأسلوب. تتيح العديد من أنظمة TTS التجارية للمستخدمين ضبط سرعة الكلام، وأنماط التنغيم، ومستوى الصوت، والنبرة التعبيرية لتناسب سياقات مختلفة مثل السرد الهادئ، أو الإعلانات الحماسية، أو الحوارات المتعاطفة. ومع ذلك، يختلف مستوى التحكم حسب المزود – فبعضهم يوفر منزلقات أساسية للسرعة والنغمة فقط، بينما يتيح آخرون معايير تفصيلية للتعبير العاطفي وجودة الصوت.

ما مدى أمان بيانات الصوت التي تعالجها أنظمة TTS؟

تعتمد أمان بيانات الصوت التي تعالجها أنظمة TTS بشكل كبير على المزود وطريقة النشر. غالبًا ما تقوم خدمات TTS السحابية بتشفير البيانات أثناء النقل والتخزين، لكن إرسال معلومات حساسة إلى خوادم خارجية قد يشكل مخاطر على الخصوصية إذا لم تكن هناك اتفاقيات وإجراءات امتثال مناسبة مثل GDPR أو HIPAA. أما النشر المحلي أو على الحافة فيوفر أمانًا أعلى لأن الصوت والنص لا يغادران بنية المؤسسة، مما يقلل من التعرض لأطراف ثالثة.

ما تكلفة تنفيذ حلول TTS عالية الجودة للأعمال؟

يمكن أن تتراوح تكلفة تنفيذ حلول TTS عالية الجودة للأعمال من بضع مئات من الدولارات شهريًا لخدمات السحابة ذات الاستخدام المتوسط، إلى عشرات أو مئات الآلاف لتطوير صوت مخصص أو نشر مؤسسي داخلي. تشمل التكاليف عادةً رسوم الترخيص، وتكاليف الاستخدام حسب الحروف أو الدقائق، وجهود التكامل والتطوير، وربما رسوم المواهب الصوتية إذا تم إنشاء صوت مخصص. غالبًا ما تبدأ الشركات الصغيرة بخدمات الاشتراك، بينما قد تستثمر المؤسسات الكبرى في حلول مصممة خصيصًا لضمان اتساق العلامة التجارية والخصوصية.

كمية بيانات التدريب المطلوبة لبناء صوت TTS عالي الجودة؟

عادةً ما يتطلب بناء صوت TTS عالي الجودة عدة ساعات إلى عشرات الساعات من الكلام المسجل النقي والمهني، ويفضل أن يكون من نفس المتحدث وتحت ظروف تسجيل متسقة. يمكن لأنظمة TTS العصبية الحديثة مثل Tacotron أو FastSpeech تحقيق جودة جيدة مع بيانات تتراوح بين 2 إلى 5 ساعات، لكن الوصول إلى أصوات طبيعية وتعبيرية وقوية يتطلب غالبًا 10 إلى 20 ساعة أو أكثر. وللاستنساخ الصوتي أو الأصوات شديدة التعبير، هناك حاجة إلى مجموعات بيانات أكبر وتسجيلات متنوعة تغطي أنماطًا وعواطف وسياقات مختلفة.