بفضل التقدّم في التعلّم الآلي، شهد استنساخ الصوت قفزة كبيرة خلال السنوات الأخيرة، ما أفضى إلى بعض أكثر حلول تحويل النص إلى كلام إبهارًا حتى الآن. من بين أبرز التطورات تبرز تقنية zero-shot التي أثارت ضجة في قطاع التقنية. ستعرّفك هذه المقالة إلى استنساخ الصوت بنهج zero-shot وكيف غيّر المشهد.
شرح التعلّم الآلي بنهج Zero-shot
الهدف من استنساخ الصوت هو تكرار صوت المتحدث عبر توليف نبرته ولونه باستخدام قدر ضئيل فحسب من التسجيلات الصوتية. بعبارة أخرى، استنساخ الصوت تقنية متقدّمة تستعين بالذكاء الاصطناعي لإنشاء صوت يُشبه شخصًا بعينه. وتشتمل هذه التقنية على ثلاث مقاربات رئيسية لاستنساخ الصوت:
التعلّم من عيّنة واحدة (One-shot Learning)
يعني التعلّم من عيّنة واحدة أن يُدرَّب النموذج على صورة واحدة فقط لشيء جديد، ومع ذلك ينبغي أن يكون قادرًا على التعرّف على صور أخرى للشيء نفسه.
التعلّم بعدد محدود من العيّنات (Few-shot Learning)
التعلّم بعدد محدود من العيّنات هو عندما نعرض على النموذج بضع صور لشيء جديد فيتمكّن من التعرّف على أشياء مشابهة حتى لو بدت مختلفة قليلًا.
التعلّم دون أمثلة (Zero-shot Learning)
التعلّم دون أمثلة هو تمكين نموذج من التعرّف على أجسام أو مفاهيم جديدة لم يُدرَّب عليها سابقًا، بالاستناد إلى مجموعة بيانات واصفة مثل VCTK. يحدث ذلك عندما نعلّم النموذج التعرّف إلى أشياء جديدة من دون صور أو أمثلة أو بيانات تدريب أخرى؛ بدلًا من ذلك نزوّده بقائمة من الخصائص أو السمات التي تصف العنصر الجديد.
ما هو استنساخ الصوت؟
استنساخ الصوت هو تكرار صوت المتحدث باستخدام تقنيات التعلّم الآلي. الهدف منه إعادة إنتاج نبرة المتحدث باستخدام قدر بسيط فحسب من تسجيلاته. في استنساخ الصوت، يقوم مُشفّر المتحدث بتحويل كلام الشخص إلى تمثيل مُرمَّز يمكن لاحقًا تحويله إلى متجه عبر تضمين المتحدث (speaker embedding). يُستخدم هذا المتجه بعد ذلك لتدريب مُولِّد الصوت، المعروف أيضًا باسم الفوكودر، لإنشاء كلام يبدو كصوت المتحدث. يأخذ المُولِّد متجه تضمين المتحدث وطيف ميل (mel spectrogram)، وهو تمثيل بصري لإشارة الكلام، كمدخلات. هذه هي العملية الأساسية لاستنساخ الصوت. ثم يُنتِج موجة صوتية (waveform)، وهي الصوت الفعلي للكلام المُولَّد. عادةً ما تُنفّذ هذه العملية باستخدام تقنيات التعلّم الآلي مثل التعلّم العميق، كما يمكن تدريب النماذج باستخدام مجموعات بيانات ومقاييس مختلفة لتقييم جودة الكلام المُولَّد. ويمكن توظيف استنساخ الصوت في تطبيقات متنوعة مثل:
- تحويل الصوت - تغيير تسجيل صوتي لشخص ليبدو كأنه صادر عن شخص آخر.
- التحقق من هوية المتحدث - إذا ادّعى شخص أنه مُعيّن، يُستخدم صوته للتحقق من صحة ذلك.
- تحويل النص إلى كلام متعدد المتحدثين text to speech - توليد كلام من نص مكتوب وكلمات مفتاحية.
من خوارزميات استنساخ الصوت الشائعة WaveNet وTacotron2 وZero-shot Multispeaker TTS، وVALL-E من مايكروسوفت. كما تتوفر العديد من الخوارزميات مفتوحة المصدر على GitHub، وتقدّم نتائج مبهرة. بالإضافة إلى ذلك، إذا كنت مهتمًا بمعرفة المزيد عن تقنيات استنساخ الصوت، فإن المؤتمرات مثل ICASSP وInterspeech وIEEE International Conference مصادر ممتازة لذلك.
التعلّم دون أمثلة في استنساخ الصوت
يُستخدم مُشفّر المتحدث لاستخراج متجهات الكلام من بيانات التدريب لتمكين استنساخ الصوت بنهج zero-shot. يمكن بعد ذلك استخدام هذه المتجهات في معالجة إشارة المتحدثين الذين لم تُدرَج أصواتهم سابقًا في مجموعات التدريب، والمعروفين أيضًا بالمتحدثين غير المرئيين (unseen speakers). ويمكن تحقيق ذلك بتدريب شبكة عصبية باستخدام مجموعة متنوعة من التقنيات، مثل:
- النماذج الالتفافية (Convolutional models) وهي شبكات عصبية تُستخدم على نطاق واسع لحل مشكلات تصنيف الصور.
- نماذج ذاتية الانحدار (Autoregressive models) يمكنها التنبؤ بالقيم المستقبلية بناءً على القيم السابقة.
أحد تحديات استنساخ الصوت بنهج zero-shot هو ضمان أن يكون الكلام المُولَّد عالي الجودة ويبدو طبيعيًا للمستمع. ولمعالجة هذا التحدي، تُستخدم مقاييس مختلفة لتقييم جودة توليف الكلام:
- تشابه المتحدث: يقيس مدى قرب الكلام المُولَّد من أنماط كلام المتحدث الهدف الأصلية.
- طبيعية الكلام: تُشير إلى مدى سلاسة وطبيعية الصوت المُولَّد على أذن المستمع.
تُعرَف البيانات الحقيقية القادمة من الواقع، والمستخدمة لتعليم وتقييم نماذج الذكاء الاصطناعي، بالبيانات المرجعية الصوتية. تُستخدم هذه البيانات في التدريب والمعايرة. إلى جانب ذلك، تُطبَّق تقنيات نقل الأسلوب لتعزيز قدرة النموذج على التعميم. يقوم نقل الأسلوب على استخدام مُدخلين — أحدهما للمحتوى والآخر مرجعًا للأسلوب — لتحسين أداء النموذج على بيانات جديدة. بعبارة أخرى، يصبح النموذج أقدر على التعامل مع حالات جديدة.
شاهد أحدث تقنيات استنساخ الصوت وهي تعمل مع Speechify Studio
تقنية استنساخ الصوت بالذكاء الاصطناعي من Speechify Studio تُمكِّنك من إنشاء نسخة ذكاء اصطناعي مخصصة من صوتك—مثالية لتخصيص السرد، وبناء اتساق العلامة التجارية، أو إضافة لمسة مألوفة لأي مشروع. ببساطة سجّل عيّنة، وستتولّى نماذج الذكاء الاصطناعي المتقدمة في Speechify توليد نسخة رقمية واقعية تحاكي صوتك تمامًا. تريد مرونة أكبر؟ الـ مغير الصوت المُدمج يتيح لك إعادة تشكيل تسجيلاتك الحالية إلى أيّ من أكثر من 1000 صوت ذكاء اصطناعي في Speechify Studio، ليمنحك تحكّمًا إبداعيًا بالنبرة والأسلوب وأداء الصوت. سواء كنت تصقل صوتك أو تحوّله لسيناريوهات مختلفة، يضع Speechify Studio تخصيص الصوت بمستوى احترافي بين يديك.
الأسئلة الشائعة
ما الهدف من استنساخ الصوت؟
الغاية من استنساخ الصوت هي إنتاج كلام طبيعي عالي الجودة يُستخدم في تطبيقات متنوّعة لتحسين التواصل والتفاعل بين البشر والآلات.
ما الفرق بين تحويل الصوت واستنساخ الصوت؟
يتضمن تحويل الصوت تعديل كلام شخص ليبدو وكأنه صادر عن شخص آخر، بينما يَستحدث استنساخ الصوت صوتًا جديدًا يحاكي متحدثًا بعينه.
ما البرامج القادرة على استنساخ صوت شخص ما؟
تتوفر خيارات كثيرة، منها Speechify وResemble.ai وPlay.ht وغيرها كثير.
كيف تكتشف صوتًا مزيفًا؟
من أكثر الأساليب شيوعًا للتعرّف على التزييف الصوتي التحليلُ الطيفي، وفيه تُحلَّل الإشارة الصوتية لرصد أنماط مميّزة.
