صوت روسي جاهز للاستخدام: لماذا لم يعد TTS مفتوح المصدر يبدو كروبوت من التسعينيات

هل تتذكرون الأيام التي كان فيها تخليق الكلام بالروسية أشبه بالعذاب؟ صوت روبوت متلعثم من جهاز ملاحة رخيص، يخطئ في مواضع النبر ويحوّل أي جملة إلى سلسلة جامدة من الأصوات، وظلّ لفترة طويلة رفيقنا الوحيد. وحتى حين دوّت في الغرب النسخ الأولى من WaveNet، بقي القطاع الناطق بالروسية في موقع اللاحق بالركب، بسبب تعقيد الصرف وخصوصية النبر. لكن الوضع انقلب رأسًا على عقب خلال العام الأخير. فاليوم تتيح النماذج المفتوحة تشغيل خادم محلي والحصول على جودة كانت قبل وقت قصير امتيازًا حصريًا لعمالقة مثل Google أو Yandex.

ظلّت المشكلة الأساسية للغة الروسية في مهمة TTS هي وضع النبر. فعلى خلاف الإنجليزية التي قواعد القراءة فيها مقنَّنة إلى حدّ ما، تتطلب الروسية فهمًا عميقًا للسياق لتحديد مواضع النبر. وظلّ Silero طويلًا المعيار الذهبي بين المصادر المفتوحة لدينا. كان اختراقًا حقيقيًا: نموذج خفيف وسريع يعمل حرفيًا على «مكواة» ويقدّم نتيجة مقبولة تمامًا. لكن الزمن يمضي، وحلّت محل البنى البسيطة حلول ثقيلة لكنها شديدة المرونة، قائمة على المحوّلات (Transformers) ونماذج الانتشار. لقد انتقلنا من عصر التخليق إلى عصر التوليد.

تُجنّ الصناعة اليوم بنماذج Zero-shot. أي أن تمنح الشبكة العصبية تسجيلًا لصوتك مدته ثلاث ثوانٍ، فتبدأ بالتحدث مثلك، محافظة على الطابع الصوتي والأسلوب وحتى البحّة الخفيفة. وفي الطليعة هنا مشاريع مثل GPT-SoVITS وFish Speech. ميزتها أنها تتعامل مع الصوت كتسلسل من الرموز (tokens)، على غرار النص في GPT. وقد أتاح ذلك حلّ مشكلة طبيعية التنغيم. فالنموذج لم يعد يقرأ الكلمات فحسب، بل يفهم بنية الجملة ويعرف أين يضع وقفة لتأثير درامي وأين يرفع نبرة الصوت.

لماذا يهمّ هذا الآن تحديدًا؟ أولًا، صارت تكلفة واجهات API السحابية مثل ElevenLabs إما باهظة للمطورين الروس وإما غير متاحة فعليًا بسبب العقوبات. ثانيًا، مسألة خصوصية البيانات. فالشركات الكبرى لا ترغب في إرسال مستنداتها الداخلية أو تسجيلات محادثاتها إلى خوادم أجنبية لأغراض التعليق الصوتي. ويحلّ التشغيل المحلي للنماذج المفتوحة على وحدات GPU الخاصة المشكلتين معًا. وفي الوقت نفسه، تتيح أدوات حديثة مثل Piper تشغيل تخليق عالي الجودة حتى على Raspberry Pi، وهو ما كان قبل عامين فقط يبدو ضربًا من الخيال.

ومع ذلك، لا ينبغي الانجرار وراء الوهم: فالمجاني ما زال يحتاج إلى عتاد قوي. فإذا كان Silero يعمل بسلاسة على نواة واحدة من معالج قديم، فإن النماذج الحديثة القائمة على بنية VITS أو الانتشار تتطلب بطاقات رسومية قوية للعمل في الزمن الحقيقي. وعلى المطورين الاختيار بين السرعة والجودة. فإن أردت تسجيل كتاب صوتي، يمكنك الانتظار. أما إن كنت تبني مساعدًا صوتيًا، فزمن التأخير (latency) يصبح حاسمًا، وما زال مجتمع المصادر المفتوحة يبحث هنا عن التوازن المثالي.

ومن المثير متابعة تغيّر نهج التدريب. في السابق كنا نحتاج إلى مجموعات بيانات استوديو نظيفة. أما الآن فالنماذج من الذكاء بحيث تتعلم من بيانات «غير نظيفة» من YouTube أو البودكاست، وتُنقّيها بنفسها من الضوضاء. وقد أدى ذلك إلى نمو متفجّر في عدد الأصوات المتاحة. ونرى مجتمع Habr وGitHub يتكاتف لجمع مجموعات بيانات روسية ضخمة، فتصبح التقنية في متناول الجميع. لم يعد هذا مجرد لعبة للمهووسين، بل أداة حقيقية للأعمال والإعلام وتطوير الألعاب.

الخلاصة: عصر هيمنة واجهات API المدفوعة في تخليق الكلام يقترب من نهايته. فلمعظم مهام TTS الروسي اليوم تكفي بطاقة رسومية حديثة واحدة ومستودع مضبوط جيدًا من GitHub. فهل ستتمكن الشركات الكبرى من تقديم شيء فريد بما يكفي ليجعلنا نرغب مجددًا في الدفع مقابل كل كلمة؟