ورشة مجانية 21–22.11ورشة مجانية لمدة يومين في Vibecoding يومي 21–22 نوفمبر الساعة 16:00 بتوقيت موسكو · الدفعة 3 تبدأ 23.11سجّل مجاناً ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارHabr AI→ المصدر

Glasvo تنطق 17 ثانية من الكلام الروسي في 0.08 ثانية على بطاقة RTX 3070 المنزلية

ضاق مطوّر ذرعًا بخدمات التفقيط الصوتي عبر الإنترنت بما فيها من حدّ للأحرف واشتراك مدفوع، فبنى Glasvo، وهو برنامج مجاني مفتوح المصدر يقرأ النص بصوت عالٍ على الحاسوب المنزلي. على بطاقة RTX 3070 نطق محرك Silero فقرة من 285 حرفًا (17 ثانية من الصوت) في 0.08 ثانية، بينما استغرق استنساخ الصوت من 4.4 إلى 5 ثوانٍ. بالنسبة للنص الروسي، تغني هذه المنظومة المحلية عن الاشتراك، لكنها تحتاج إلى نحو 10 غيغابايت من مساحة القرص وإلى مراجعة التراخيص.

معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
Glasvo تنطق 17 ثانية من الكلام الروسي في 0.08 ثانية على بطاقة RTX 3070 المنزلية
المصدر: Habr AI. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليHabr AI ↗
رئيس التحرير
حقيقة رئيسية #1حجم كل المكوّنات معًا نحو 10 غيغابايت، ويكفي الاستنساخ 2 غيغابايت من ذاكرة الفيديو
حقيقة رئيسية #2Silero يتخطى الأرقام والحروف اللاتينية بصمت، ولذلك تُستبدل بكلمات مسبقًا
حقيقة رئيسية #3Silero ونموذج F5-TTS الروسي مرخّصان بموجب CC BY-NC 4.0: عند السعي إلى تحقيق الدخل اقرأوا الشروط

إذا كنتم تحتاجون بانتظام إلى تحويل نص روسي إلى كلام، فأنتم تعرفون هذا الإزعاج: ينتهي حدّ الأحرف المجاني، ثم يُطلب منكم اشتراك. اختار صاحب مشروع Glasvo طريقًا مختلفًا، وبنى برنامجًا يقرأ النص بصوت عالٍ مباشرة على الحاسوب المنزلي. الشيفرة مفتوحة، والترخيص MIT. أما السرعة فجاءت على النحو الآتي: على بطاقة الألعاب RTX 3070 (ذاكرتها 8 غيغابايت) نطق محرك Silero فقرة من 285 حرفًا، أي ما يزيد قليلًا على 17 ثانية من الكلام، في 0.08 ثانية. أما استنساخ الصوت، أي قراءة النص بصوت مأخوذ من عيّنة قصيرة، فيستغرق على النص نفسه 4.4–5 ثوانٍ. الخلاصة العملية: صارت التفقيط المحلي للنص الروسي صالحًا ليحلّ محل الاشتراك، لكن له عثراته الخاصة، وقد دوّنها المؤلف بأمانة.

ماذا في الداخل وكم يزن؟

جُمعت في نافذة مبنية على tkinter ثلاثة محركات: Silero، وأصوات Microsoft Edge عبر الإنترنت، واستنساخ الصوت عبر XTTS-v2 وF5-TTS. تُستدعى النماذج نفسها بنحو عشرة أسطر من الشيفرة. أما الجهد الأكبر فذهب إلى التفاصيل الصغيرة المحيطة بها.

يزن البرنامج نفسه نحو 8 ميغابايت، ويحمّل المثبّت الباقي. وتبلغ مساحة بيئة Python 3.12 مع PyTorch 2.5.1 (CUDA 12.1) و168 حزمة نحو 5.5 غيغابايت. ويتراوح حجم كل نموذج من نماذج Silero بين 39 و141 ميغابايت، وXTTS-v2 يزن 2.0 غيغابايت، ونقطة التحقق الروسية لـ F5-TTS تزن 1.4 غيغابايت، وWhisper small، الذي يتعرّف على نص عيّنة الصوت، يزن 0.9 غيغابايت. المجموع نحو 10 غيغابايت.

لا تلزم بطاقة الرسوميات إلا لاستنساخ الصوت. أما Silero وEdge فيعملان من دونها. وبلغ الحد الأقصى المقيس لذاكرة الفيديو المستخدمة في XTTS وF5 نحو 2 غيغابايت، لكن المؤلف يوصي ببطاقة لا تقل عن 6 غيغابايت.

أُجريت القياسات على نص روسي واحد من 285 حرفًا بعد مرحلة الإحماء:

  • Silero v5_ru على بطاقة الرسوميات: 0.08 ثانية، وعلى المعالج: 0.53 ثانية؛
  • XTTS-v2: 5 ثوانٍ لإنتاج 18.7 ثانية من الصوت، وتحميل النموذج 13 ثانية؛
  • F5-TTS: 4.4 ثانية لإنتاج 17.3 ثانية من الصوت، والتحميل 4 ثوانٍ.

ويشير المؤلف إلى أن هذه تشغيلات منفردة على جهاز واحد، وليست اختبارًا معياريًا. ومع ذلك فالترتيب واضح: Silero يعمل أسرع من الزمن الحقيقي بمئات المرات، واستنساخ الصوت أسرع منه بنحو ثلاث إلى أربع مرات.

ما الذي يُسقطه Silero بصمت

أكثر المفاجآت إزعاجًا أن Silero لا يُصدر خطأً عند مواجهة الأرقام والحروف اللاتينية، بل يتخطاها ببساطة. فبدلًا من «ألفان وست وعشرون» يبقى في التسجيل فراغ. والكلمات الإنجليزية في النماذج الروسية تُحذف بالصمت نفسه.

ولهذا توضع قبل النموذج دالتان. الأولى تحوّل الأرقام إلى كلمات عبر num2words، وتفهم الكسور والقوائم والإشارة السالبة. وهي ليست مثالية في تصريف الحالات الإعرابية: فعبارة «в 1990 году» قد تُنطق خطأً، ولذلك ينصح المؤلف بكتابة مثل هذه الأرقام بالحروف. أما الدالة الثانية فتقرأ الحروف اللاتينية في ثلاث خطوات:

  1. تؤخذ الكلمات الشائعة من قاموس: YouTube تصبح «ютуб»، وWindows تصبح «виндоус».
  2. الكلمات المكتوبة بأحرف كبيرة والخالية من أحرف العلة تُقرأ حرفًا حرفًا: USB تتحول إلى «ю-эс-би».
  3. أي شيء آخر يُنقل بالحروف الروسية (النقحرة).

وأُجري الفحص بأسلوب هندسي: نُطقت عبارات تحوي كلمات إنجليزية ثم أُعيد التعرف عليها عبر Whisper، فوُجدت كل الكلمات. واختُبر الاستنساخ بحلقة مغلقة: أُخذ صوت Silero عيّنةً، وقرأ XTTS وF5 به نصًّا روسيًا، ثم تعرّف عليه Whisper. وتطابقت الكلمات بنسبة 100% لدى المحرّكين كليهما.

وهناك أيضًا حدود للطول. فلا ينبغي أن يتجاوز المقطع النصي لدى Silero نحو 700 رمز، ولدى XTTS-v2 نحو 182، واختار المؤلف 400 لـ F5. ويُقطَّع النص الطويل إلى جمل ثم يُعاد لصقه. وفي نماذج Silero الروسية خمسة أصوات فقط، وهناك 29 صوتًا آخر في v5_cis_base تنطق بلكنة.

الاعتماديات والتثبيت والتراخيص

أخذ التعامل مع إصدارات الحزم أطول وقت من المؤلف. فالاستنساخ يسحب coqui-tts وf5-tts وtransformers، ومدير الحزم يصطدم بالتعارضات. واضطُرّ المؤلف إلى تثبيت torch 2.5.1: فـ transformers 5 وdiffusers 0.43 تتطلبان إصدارًا لا يقل عن 2.6، وهذا يكسر بقية المنظومة. كما لزم أن تكون transformers أقدم من الإصدار الخامس، وhuggingface_hub أقدم من 1.0، وomegaconf بالإصدار 2.3.1 من أجل hydra الخاصة بـ F5. وملف requirements.txt يحوي نسخة طبق الأصل من البيئة العاملة (pip freeze)، وليس نطاقات إصدارات.

صُمّم التثبيت لشخص لا يعرف Python: ينزّل السكربت uv، ويثبّت عبره Python 3.12 وينشئ venv. وإن لم تتوفر بطاقة NVIDIA، تُستخدم نسخة PyTorch المخصصة للمعالج. وهناك فخّان: ينبغي إبقاء ذاكرة التخزين المؤقت لـ uv في مجلد ذي مسار قصير، وإلا تعذّر بناء الحزمة antlr4، ولا يجوز تنزيل النماذج في مجلد واحد من عمليتين في آن واحد.

أما القيد الرئيسي فهو التراخيص. الشيفرة مرخّصة بموجب MIT، لكن النماذج في معظمها غير تجارية: Silero ونقطة التحقق الروسية لـ F5-TTS صدرا بموجب CC BY-NC 4.0، وXTTS-v2 بموجب Coqui Public Model License، وWhisper وحده بموجب MIT. وفي المقاطع المصوّرة التي يُراد تحقيق دخل منها، يجب قراءة شروط النموذج المطلوب على حدة. ولا ينبغي استنساخ إلا صوتك أنت أو صوت شخص أعطى موافقته.

الخلاصة للممارس: يمكن بناء تفقيط روسي محلي في أمسية واحدة. خصّصوا 10 غيغابايت من القرص، وأضيفوا معالجة مسبقة للأرقام والحروف اللاتينية، وثبّتوا إصدارات الحزم، وراجعوا التراخيص فورًا إذا كنتم تخططون لاستخدام تجاري.

القصة

أسئلة وأجوبة حول الخبر

ماذا في الداخل وكم يزن؟

جُمعت في نافذة مبنية على tkinter ثلاثة محركات: Silero، وأصوات Microsoft Edge عبر الإنترنت، واستنساخ الصوت عبر XTTS-v2 وF5-TTS. تُستدعى النماذج نفسها بنحو عشرة أسطر من الشيفرة. أما الجهد الأكبر فذهب إلى التفاصيل الصغيرة المحيطة بها. يزن البرنامج نفسه نحو 8 ميغابايت، ويحمّل المثبّت الباقي. وتبلغ مساحة بيئة Python 3.12 مع PyTorch 2.5.1 (CUDA 12.1) و168 حزمة نحو 5.5 غيغابايت.

ما أبرز التفاصيل حول ما الذي يُسقطه Silero بصمت؟

أكثر المفاجآت إزعاجًا أن Silero لا يُصدر خطأً عند مواجهة الأرقام والحروف اللاتينية، بل يتخطاها ببساطة. فبدلًا من «ألفان وست وعشرون» يبقى في التسجيل فراغ. والكلمات الإنجليزية في النماذج الروسية تُحذف بالصمت نفسه. ولهذا توضع قبل النموذج دالتان. الأولى تحوّل الأرقام إلى كلمات عبر num2words، وتفهم الكسور والقوائم والإشارة السالبة. وهي ليست مثالية في تصريف الحالات الإعرابية: فعبارة «в 1990 году» قد تُنطق خطأً، ولذلك ينصح المؤلف بكتابة مثل هذه الأرقام بالحروف.

ما أبرز التفاصيل حول الاعتماديات والتثبيت والتراخيص؟

أخذ التعامل مع إصدارات الحزم أطول وقت من المؤلف. فالاستنساخ يسحب coqui-tts وf5-tts وtransformers، ومدير الحزم يصطدم بالتعارضات. واضطُرّ المؤلف إلى تثبيت torch 2.5.1: فـ transformers 5 وdiffusers 0.43 تتطلبان إصدارًا لا يقل عن 2.6، وهذا يكسر بقية المنظومة. كما لزم أن تكون transformers أقدم من الإصدار الخامس، وhuggingface_hub أقدم من 1.0، وomegaconf بالإصدار 2.3.1 من أجل hydra الخاصة بـ F5. وملف requirements.txt يحوي نسخة طبق الأصل من البيئة العاملة (pip freeze)، وليس نطاقات إصدارات.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…