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 الرادارTG: @notboring_tech (Not Boring Tech)→ المصدر

Inworld تفتح شيفرة Voice Isolator: نموذج ينقّي الصوت من الضوضاء في الوقت الفعلي

تسجيل مقابلة، أو مكالمة من مقهى، أو وكيل صوتي في شارع صاخب: في كل هذه الحالات تعكّر الجودةَ أصواتُ الآخرين والموسيقى والصدى. طرحت Inworld نموذج Voice Isolator مفتوح المصدر، وهو يقسم الصوت إلى مسارين: صوت نقي وكل ما عداه. يعمل النموذج في الوقت الفعلي بتردد 48 كيلوهرتز، ويحافظ حتى على تنفس المتحدث، وقد دُرّب على 10 آلاف ساعة من الكلام. بالنسبة إلى المنتجات الصوتية، هذه كتلة جاهزة للمعالجة المسبقة، ويستحق النموذج أن يُختبر على تسجيلاتكم الخاصة.

معالج بواسطة الذكاء الاصطناعي من TG: @notboring_tech (Not Boring Tech)؛ بتحرير Hamidun News
Inworld تفتح شيفرة Voice Isolator: نموذج ينقّي الصوت من الضوضاء في الوقت الفعلي
المصدر: TG: @notboring_tech (Not Boring Tech). كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليTG: @notboring_tech (Not Boring Tech) ↗
رئيس التحرير
يقسم الصوت إلى كلام وبقية العناصرموسيقى وضوضاء وصدى وأصوات الآخرين
حقيقة رئيسية #2تردد العمل 48 كيلوهرتز، وتجري المعالجة في الوقت الفعلي
حقيقة رئيسية #3الشيفرة منشورة على GitHub في المستودع inworld-ai/voice-isolator

يعرف كل من صمّم منتجًا صوتيًا هذه المشكلة: كل شيء يعمل بإتقان في المختبر، أما في الحياة الواقعية فيتحدث المستخدم من مقهى أو من داخل سيارة أو من مكتب يناقش من خلفه آخرون شؤون غيرهم. عندها يبدأ نظام التعرف على الكلام بالخلط بين الكلمات، ويحصل نظاما توليد الصوت واستنساخه على عيّنة ملوّثة، ويضطر المحرر إلى تنظيف البودكاست أو المقابلة يدويًا لوقت طويل. والآن بات لدى المطورين أداة مفتوحة أخرى لهذه المهمة: طرحت Inworld نموذج Voice Isolator مفتوح المصدر.

ما الذي يستطيعه النموذج

الفكرة بسيطة: يدخل إلى النموذج تسجيل عادي، ويخرج منه مساران. الأول يحتوي على صوت المتحدث فقط. والثاني يضم كل ما عداه: الموسيقى والضوضاء والصدى وأصوات الآخرين. ميزة هذا النهج أنه لا يتطلب معرفة مسبقة بنوع الضوضاء المزعجة. فالأحاديث الخلفية وقائمة التشغيل في المقهى وهدير المكيّف تنتهي كلها في المسار «الآخر» نفسه.

وبحسب وصف المطورين، يحافظ النموذج على الكلمات وعلى طابع التسجيل الأصلي أيضًا، بما في ذلك صوت التنفس. وهذه تفصيلة مهمة. فكثير من أدوات إزالة الضوضاء «تعقّم» الكلام بشكل ملحوظ: تحذف الشهيق والوقفات، فيبدو الصوت كأنه خارج من علبة. أما في التعليق الصوتي والبودكاست والمساعدات الصوتية، فيجعل التنفس الحي الصوتَ أكثر طبيعية.

يعمل النموذج في الوقت الفعلي بتردد أخذ العيّنات 48 كيلوهرتز. هذه جودة صوت استوديو تكفي للموسيقى والكلام الاحترافي، بينما تكتفي الاتصالات الهاتفية العادية بتردد 8–16 كيلوهرتز. وتعني المعالجة في الوقت الفعلي أنه يمكن وضع النموذج في مكالمة حية أو بث مباشر، لا تشغيله على الملفات الجاهزة فقط. وقد دُرّب على 10 آلاف ساعة من الكلام.

أين يفيد عمليًا

السيناريو الأول الواضح هو الوكلاء الصوتيون. فإذا كان الروبوت يتلقى مكالمات أو يتواصل عبر الميكروفون في بيئة صاخبة، فإن وصول مسار نقي إلى المدخل يحسّن عادةً عمل التعرف على الكلام. وكلما قلّت الأصوات الدخيلة التي يسمعها النظام، قلّ احتمال أن يعدّ جملة الجار أمرًا صادرًا عن المستخدم.

السيناريو الثاني هو تحضير البيانات. فمن يجمع عيّنات صوتية لتوليد الكلام أو استنساخه يحتاج إلى تسجيلات نقية. وكان عليه سابقًا الاختيار بين الخدمات السحابية المدفوعة وخطوط المعالجة المعقدة. أما النموذج المفتوح فيتيح تشغيل الأرشيف محليًا دون إرسال التسجيلات إلى أطراف ثالثة. وهذا مفيد بشكل خاص حين تتضمن التسجيلات بيانات شخصية لأشخاص آخرين.

السيناريو الثالث هو العمل على المحتوى: المقابلات والفيديو والبث المباشر والبودكاست. فقد أصبح فصل الصوت عن الموسيقى أو الضوضاء أسهل، ولم تعد هناك حاجة إلى شراء خدمة منفصلة من أجل عملية واحدة.

ما الذي لا يزال مجهولًا

لا تتضمن الرسالة الأصلية أي قياسات مقارنة. فلا نعرف إلى أي حد هذا النموذج أفضل من الحلول المفتوحة والتجارية الأخرى أو أسوأ منها، ولا كيف يتصرف مع الضوضاء الشديدة، أو عند تداخل كلام شخصين، أو مع اللهجات والنُّطق المختلف. ولم تُذكر متطلبات العتاد، ولا زمن التأخير على المعالجات وبطاقات الرسوميات العادية، ولا شروط الترخيص. وهذه المعايير حاسمة في بيئة الإنتاج.

كما أن عبارة «يعمل في الوقت الفعلي» تستحق التحقق على عتادكم الخاص. فقد يواكب النموذج الوقت الفعلي على بطاقة رسوميات قوية، ولا يلحق به على حاسوب محمول ضعيف أو جهاز محمول.

ماذا يفعل المطوّر

الخطة العملية كالتالي: خذ المستودع inworld-ai/voice-isolator على GitHub، واقرأ الترخيص، وشغّل النموذج على 20–30 تسجيلًا حقيقيًا من تسجيلاتك: من الشارع ومن السيارة ومن مكتب مفتوح. ثم قارن نتيجة التعرف على الكلام مع التنقية وبدونها. فإذا انخفضت أخطاء الكلمات بشكل ملحوظ ولم يبدُ الصوت اصطناعيًا، يمكن دمج النموذج كخطوة أولى في المعالجة. وإن لم يحدث ذلك، فستكون قد أنفقت ساعتين على الاختبار وعرفت النتيجة قبل التكامل.

والإصدار بحد ذاته يدل على أن الأدوات المفتوحة للعمل على الصوت تلحق بسرعة بواجهات API السحابية المدفوعة. وبالنسبة إلى الفرق التي تبني منتجات صوتية، هذا سبب إضافي للإبقاء على المعالجة المسبقة للصوت لديها.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول ما الذي يستطيعه النموذج؟

الفكرة بسيطة: يدخل إلى النموذج تسجيل عادي، ويخرج منه مساران. الأول يحتوي على صوت المتحدث فقط. والثاني يضم كل ما عداه: الموسيقى والضوضاء والصدى وأصوات الآخرين. ميزة هذا النهج أنه لا يتطلب معرفة مسبقة بنوع الضوضاء المزعجة. فالأحاديث الخلفية وقائمة التشغيل في المقهى وهدير المكيّف تنتهي كلها في المسار «الآخر» نفسه. وبحسب وصف المطورين، يحافظ النموذج على الكلمات وعلى طابع التسجيل الأصلي أيضًا، بما في ذلك صوت التنفس. وهذه تفصيلة مهمة.

ما أبرز التفاصيل حول أين يفيد عمليًا؟

السيناريو الأول الواضح هو الوكلاء الصوتيون. فإذا كان الروبوت يتلقى مكالمات أو يتواصل عبر الميكروفون في بيئة صاخبة، فإن وصول مسار نقي إلى المدخل يحسّن عادةً عمل التعرف على الكلام. وكلما قلّت الأصوات الدخيلة التي يسمعها النظام، قلّ احتمال أن يعدّ جملة الجار أمرًا صادرًا عن المستخدم. السيناريو الثاني هو تحضير البيانات. فمن يجمع عيّنات صوتية لتوليد الكلام أو استنساخه يحتاج إلى تسجيلات نقية. وكان عليه سابقًا الاختيار بين الخدمات السحابية المدفوعة وخطوط المعالجة المعقدة.

ما أبرز التفاصيل حول ما الذي لا يزال مجهولًا؟

لا تتضمن الرسالة الأصلية أي قياسات مقارنة. فلا نعرف إلى أي حد هذا النموذج أفضل من الحلول المفتوحة والتجارية الأخرى أو أسوأ منها، ولا كيف يتصرف مع الضوضاء الشديدة، أو عند تداخل كلام شخصين، أو مع اللهجات والنُّطق المختلف. ولم تُذكر متطلبات العتاد، ولا زمن التأخير على المعالجات وبطاقات الرسوميات العادية، ولا شروط الترخيص. وهذه المعايير حاسمة في بيئة الإنتاج. كما أن عبارة «يعمل في الوقت الفعلي» تستحق التحقق على عتادكم الخاص.

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…