أعلن فريق Kaldi من مختبر الذكاء الاصطناعي التابع لشركة شاومي عن إطلاق نموذج جديد لتحويل النص إلى كلام (TTS) مفتوح المصدر يحمل اسم OmniVoice. صُمم هذا النموذج ليقدم جودة استثنائية في توليد الكلام عبر مئات اللغات، إلى جانب دعم تقنيات متقدمة لاستنساخ الصوت وتخصيصه بالكامل بناءً على أوصاف نصية، مما يجعله منافسًا شرسًا لأبرز الأنظمة التجارية المتاحة حاليًا.
1. توليد الكلام بمئات اللغات ودعم اللغات النادرة
الميزة الأبرز في OmniVoice هي التوجه الواضح نحو التعدد اللغوي الواسع. تؤكد شاومي أن النموذج قادر على توليد كلام “بأي لغة يمكن تخيلها”، مما يجعله أول نموذج استنساخ صوتي يغطي مئات اللغات في الصناعة التقنية.
في اختبارات شملت 24 لغة مقارنة بأنظمة تجارية أخرى، تفوق OmniVoice في مدى تطابق الصوت ووضوحه رغم تدريبه على قواعد بيانات مفتوحة فقط. أما عند اختباره على 102 لغة، فقد وصلت دقة وضوح الصوت إلى مستوى يقارب أو يفوق الكلام البشري الحقيقي في بعض الحالات.
ما يجعل هذا الإنجاز مثيرًا للاهتمام هو قدرة النموذج على العمل بكفاءة عالية حتى مع اللغات التي تملك موارد بيانات شحيحة (أقل من 10 ساعات من التسجيلات الصوتية)، وهو ما يفتح آفاقًا جديدة لدعم اللغات المحلية واللهجات النادرة رقميًا.
2. بنية مبسطة وسرعة معالجة فائقة
بعكس النماذج الصوتية الحديثة التي تعتمد على وحدات متعددة ومعقدة، يستخدم OmniVoice بنية مبسطة تعتمد على شبكة “Transformer” ثنائية الاتجاه لتحويل النص إلى كلام مباشرة. هذا التصميم يلغي الحاجة إلى بناء نماذج نصية منفصلة أو هياكل هجينة معقدة.
انعكس هذا التبسيط بشكل مباشر على سرعة الأداء؛ حيث تشير شاومي إلى أن النموذج يمكنه إنهاء التدريب على 100,000 ساعة من البيانات خلال يوم واحد فقط. وخلال مرحلة الاستنتاج (Inference)، يعمل النموذج بسرعة تصل إلى 40 ضعف سرعة الوقت الفعلي باستخدام إطار عمل PyTorch، مما يسهل دمجه مستقبلاً في التطبيقات الاستهلاكية مثل المساعدات الصوتية الذكية.
3. ميزات عملية لاستنساخ الصوت وتخصيصه
لم يكتفِ النموذج بجودة الصوت الأساسية، بل أضاف أدوات متقدمة تناسب الاستخدامات الواقعية، منها:
- التخصيص الوصفي: يمكن للمستخدمين إنشاء أصوات جديدة بمجرد كتابة مواصفات الصوت المطلوبة، مثل (العمر، الجنس، الحدة، اللكنة، ونمط التحدث)، وصولاً إلى إنشاء أصوات تهمس دون الحاجة لملف صوتي مرجعي.
- التنقية التلقائية للضوضاء: إذا كان الملف الصوتي المرجعي مسجلًا في بيئة مزعجة، يستطيع OmniVoice عزل الضجيج الخلفي واستخراج الخصائص الصوتية الصافية لضمان استنساخ صوتي دقيق وعالي الجودة.
- التعبيرات العاطفية: يدعم النموذج التحكم في نبرة الصوت لإضافة تأثيرات بشرية طبيعية مثل الضحك أو التنهد.
- التحكم الدقيق في النطق: يوفر النموذج أدوات لتصحيح نطق الكلمات الصعبة يدويًا، سواء كانت رموزًا صينية معقدة أو أسماء أعلام باللغة الإنجليزية، لضمان أعلى درجات الموثوقية في القراءة الآلية.
بإطلاق OmniVoice مفتوح المصدر، تقدم شاومي أداة قوية للمطورين والباحثين لبناء تطبيقات تعتمد على الأصوات الطبيعية وتتجاوز الحواجز اللغوية التقليدية.
📡 للمزيد من التغطيات اليومية، استكشف قسم الأخبار عبر موقعنا.
ابقَ دائماً في قلب الحدث التقني! 🔍
انضم الآن إلى نخبة متابعينا على تيليجرام و واتساب لتصلك أهم الأخبار والحصريات فور حدوثها! 💡
