مدوّن يستخدم Claude Code لإضافة أصوات روسية إلى GTA V بتكلفة $60: 250 ألف جملة

كانت دبلجة لعبة كاملة تضم 260 ألف ملف صوتي إلى الروسية مهمة تتولاها استوديوهات ذات ميزانيات ضخمة. لكن إيليا، المدوّن ومؤسس ArtGeneration.me، أنجز ذلك وحده خلال عشرة أيام. ويقول إنه ليس مطوّرًا بل مدير منتجات بخبرة 20 عامًا. كتب Claude Code الشيفرة، بينما اكتفى إيليا بتحديد المهام والتحقق من النتائج. كانت الحصيلة 250 364 جملة روسية ونحو 219 ساعة من الكلام مع احتساب إعادة التوليد، وخيارين للمستخدم (تعليق صوتي فوق الصوت الأصلي المخفَّض، أو دبلجة كاملة)، وكلفة توليد بلغت نحو $60. ويقرّ صاحب المشروع بصراحة بأن النتيجة لا تنافس الممثلين الحقيقيين.

كيف تُحتسب الميزانية حين لا توجد بيانات

كانت المشكلة الأولى أن أحدًا لا يعرف حجم الصوت في GTA V. هناك عرض قدمته Rockstar في GDC 2014 يتحدث عن نحو 160 ألف جملة، وخريطة أعدّها المعجبون تضم 156 ألف مقطع، لكن عدد الساعات غير مذكور في أي مكان، بينما يُحاسَب التوليد الصوتي بحسب طول الصوت. لذلك كتب Claude Code برنامجًا بلغة C# فوق أداة CodeWalker المفتوحة المصدر. يمرّ البرنامج على جميع الأرشيفات ويقرأ من ترويسة كل تدفق صوتي عدد العينات والتردد، أي أن الطول يُحسب دون أي تعرّف على الكلام. وعثر البرنامج على أكثر من 260 ألف تدفق.

بعد ذلك كان لا بد من معرفة من يقول ماذا. تُخزَّن الترجمات النصية في اللعبة تحت قيم تجزئة لا تحت أسماء. استفاد إيليا من خاصية في تجزئة joaat: يمكن عكس الخلط النهائي، وإلحاق الحرف A، ثم حساب تجزئة الملف الصوتي للسطر نفسه. بهذه الطريقة رُبط 75% من التدفقات الخاصة بالقصة. أما المتحدث فتكشفه حركة الشفاه داخل التدفق، إذ يُسجَّل اسم الشخصية في مسارها. ولا يوجد ذلك في المشاهد السينمائية، فاستُعين هناك بالويكي ونموذج WeSpeaker.

خط الإنتاج: السحابة للتوليد الصوتي فقط

قاعدة المشروع: لا يعمل في السحابة سوى التوليد الصوتي ووكلاء Claude، وكل ما عدا ذلك محلي على RTX 4090. اختار إيليا للتوليد Gemini 3.8 Flash-Lite TTS في الوضع الدفعي، بنحو 27 سنتًا لكل ساعة من الكلام الجاهز. ورفض النماذج التي تستنسخ الأصوات: فالصوت مشابه، لكن الأداء التمثيلي غير متناسق ويتضمن وقفات زائدة. وأما اختبارات الأساليب («مذعور، الصوت يرتجف») على 120 مقطعًا فلم تحسّن سوى جملة واحدة من كل خمس، كما انزلق الصوت الذكوري إلى طبقة الفالسيتو، فتُرك الأداء بنبرة محايدة بلا توجيه أسلوبي.

وحيث لا توجد ترجمة نصية (المارّة والراديو وجهاز اللاسلكي ونحو 11 ألف جملة من القصة)، تولّى Whisper large-v3 التعرّف على النص. غير أنه يختلق كلمات عند الصمت، ويكتب عناوين ترجمة تخص أعمالًا أخرى عند سماع الأنين، ويدوّن الكلام الإنجليزي للعصابات الكورية بحروف الهانغول. لذلك يضع سكربت قائم على الاستدلال علامة على العبارات المشبوهة أولًا، ثم يعطي Parakeet TDT رأيًا ثانيًا. فإذا سمع ثلث الكلمات نفسها على الأقل فهو كلام حقيقي، وإذا لم يسمع شيئًا فهو اختلاق.

وتولّى ECAPA-TDNN التحقق من جنس الصوت: 77 إجابة صحيحة من 80 على متحدثين معروفين. ويقول إيليا إن حقل الجنس في كتالوج Google غير دقيق، فيُجرَّب كل صوت على ثلاث جمل ولا يُعتمد إلا إذا اتفق النموذجان.

الفخاخ والمال

يرصد عيوب التوليد كاشف لا يعتمد على الشبكات العصبية. فهو يقارن طول الصوت بالنص، ويبحث عن التكرارات عبر خريطة تشابه الصوت مع نفسه، ويفحص التشبّع الزائد والصفير. ويفحص القصة كاملةً في 4 ثوانٍ. وتُعاد الملفات المشبوهة إلى التعرف العكسي بالنموذجين معًا، ثم تُرسل لإعادة التوليد.

وواجه المشروع أخطاء مكلفة. ففي حال انقطاع الاتصال، يحتسب SDK من Google كل إعادة محاولة كدفعة جديدة، وعند ضعف الـVPN قد تُدفع كلفة القصة مرتين، لذلك أُوقفت إعادة المحاولة التلقائية. كما رفض مرشّح Google توليد جمل تتضمن كلمة «الصغيرة» قرب سياق جنسي، معتبرًا ذلك إشارة إلى قاصرين، مع أن هذه هي تسمية سيارة في GTA. وتفوّق وكيل مترجم واحد يقرأ الجمل المجاورة على مساعدين متوازين.

والتثبيت مصمَّم بعناية أيضًا. فالتعديل المباشر على الأرشيفات يؤدي إلى خطأ Corrupt game data، ولم يرغب إيليا في توزيع 10 ГБ من ملفات الآخرين. لذلك استخدم مجلد mods مع RageOpenV وUltimate ASI Loader، ويجمّع المثبّت الأرشيفات على جهاز اللاعب من ملفاته نفسها. ولا تُمسّ الملفات الأصلية، ويُزال المود بحذف مجلد واحد.

أما الاقتصاد من منظور الممارس فبسيط. فقد جاءت كلفة دبلجة اللعبة كاملة أقل من سعر نسختها، لكن Google سترفع التعرفة اعتبارًا من 1 يناير 2027 إلى الضعف، أي إلى نحو 54 سنتًا لساعة الكلام. ويترتب على ذلك استنتاجان. الأول أن التوليد الصوتي الدفعي الرخيص مع الوكيل البرمجي يجعلان التوطين الواسع في متناول شخص واحد. والثاني أن الجهد الرئيسي ينتقل إلى التحقق: فجنس الصوت وهلوسات التعرف على الكلام والتكرارات المكررة يجب رصدها آليًا، وإلا فسيتعيّن رصدها بالأذن.

والقيود واضحة أيضًا. فهذا مود هواة لنسخة Enhanced، وجودة التوليد لا تحلّ محل الممثلين، ولا بد من مراجعة النص الذي ترجمه الوكيل، إذ قد تتحول عبارة «I'm cold» هناك إلى «أنا منسحب».