مايكروسوفت توضح كيفية تشغيل VibeVoice لتقنيات ASR وrealtime TTS وspeech-to-speech

أصدرت مايكروسوفت دليلاً عملياً مفصلاً لـ VibeVoice، وهي منظومة مفتوحة للتعرف على الكلام وتركيبه. ويعرض دفتر Colab واحد للمطورين دورة العمل الكاملة: من إعداد البيئة وتحميل النماذج إلى بناء مسار speech-to-speech بسيط.

كيف يُبنى الدليل

يبدأ الدليل بإعداد بيئة قابلة لإعادة الإنتاج بالكامل في Google Colab. يحذف المطور الإصدار القديم من Transformers، ويثبّت أحدث نسخة من GitHub، ويضيف torch وtorchaudio وgradio، ثم يستنسخ المستودع الرسمي لـ VibeVoice. بعد ذلك يتحقق الدفتر من توفر الفئات (classes) المطلوبة فعلاً، ثم يربط أمثلة صوتية جاهزة. والصيغة عملية إلى أقصى حد: فهي ليست استعراضاً كلامياً للإمكانات، بل سيناريو يمكن تكراره خطوة بخطوة وتكييفه سريعاً مع مشروعك.

ثم ينتقل الدفتر إلى التعرف على الكلام. يحمّل العرض التوضيحي نموذج VibeVoice-ASR-HF بحجم 7 مليارات معامل، وتشدد مايكروسوفت تحديداً على قدرته على معالجة ما يصل إلى 60 دقيقة من الصوت في تمريرة واحدة. ولا يكتفي الدليل بالنص المفرّغ، بل يعرض مخرجات منظّمة مقسّمة حسب المتحدثين، مع الطوابع الزمنية ومضمون كل مداخلة. وفي الاجتماعات والمقابلات والبودكاست ومكالمات الدعم، هذا فارق مهم: إذ ينبغي أن يجيب النموذج عن ثلاثة أسئلة دفعة واحدة: من تحدث، ومتى، وماذا قيل بالضبط.

ما الذي تقدمه المنظومة

يُسلَّط الضوء بشكل خاص على التعرف المدرك للسياق (context-aware). يُمرَّر التسجيل نفسه في الدفتر مرةً بلا أي تلميح ومرةً مع سياق، ثم تُقارن النتيجتان مباشرة. ويتضح من هذا المثال أن الكلمات المفتاحية (hotwords) تساعد على التعرف بدقة أكبر على أسماء المنتجات والأعلام والمصطلحات القطاعية. وفي حالات الاستخدام المؤسسية، يفيد هذا أكثر من speech-to-text التقليدي، لأن خطأً في كلمة مفتاحية واحدة قد يفسد البحث في أرشيف المكالمات، أو تحليلات الاجتماعات، أو عمل الوكيل (agent) لاحقاً.

بعد ASR ينتقل المؤلفون إلى التركيب الفوري (realtime). ولهذا الغرض يُستخدم VibeVoice-Realtime-0.5B، وهو نموذج خفيف يدعم إدخال النص المتدفق (streaming)، وبحسب وصف مايكروسوفت يستطيع إخراج أول مقطع مسموع بعد نحو 300 مللي ثانية. يختار المثال أربعة أصوات مسبقة الإعداد، ويضبط عدد خطوات الاستدلال (inference steps) وCFG scale، ثم يولّد كلاماً قصيراً ومقطعاً أطول بصيغة بودكاست مصغّر. أي أن الدليل لا يعرض TTS الأساسي فحسب، بل يعرض أيضاً التوازن بين السرعة والجودة وقابلية التحكم.

• تفريغ صوتي مدرك للمتحدثين (speaker-aware) مع طوابع زمنية
• ASR مدرك للسياق (context-aware) وكلمات مفتاحية (hotwords)
• معالجة دفعية لعدة ملفات صوتية
• realtime TTS بعدة أصوات
• ربط بسيط: ASR ← رد ← تحويل إلى كلام

ولا ينتهي الدليل عند هذا الحد. ففي قسم مستقل يُبنى سيناريو speech-to-speech أساسي: ينسخ النظام أولاً الملف الصوتي المُدخل نصياً، ثم يكوّن ردّاً نصياً، ويحوّله فوراً إلى كلام. وبالتوازي يعرض الدفتر معالجة عدة ملفات دفعةً واحدة وتوليد long-form، حيث يقرأ النموذج نصاً أطول دون أن تنهار النبرة منذ الفقرات الأولى. وبالنسبة إلى المطور، لم يعد هذا مجموعة عروض متفرقة، بل مسودة لواجهة صوتية حقيقية.

التطبيق العملي في Colab

تفيد الجزء الأخير أنه ينتقل من الواجهة الجميلة إلى التشغيل الفعلي. فيُنشأ في الدفتر واجهة Gradio بسيطة لـ TTS التفاعلي، ثم يُقترح أسفلها تحميل ملف WAV أو MP3 أو FLAC خاص بك وتمريره عبر ASR على بياناتك. وهناك أيضاً نصائح للذاكرة: تصغير chunk size عند الصوت الطويل، والتحول إلى bfloat16، وتقليل عدد خطوات TTS، وتفريغ ذاكرة GPU المؤقتة عند الحاجة. وفي Colab ليس هذا تفصيلاً هامشياً، بل هو الفارق بين تشغيل ناجح وانهيار بسبب نفاد الذاكرة.

وتضيف مايكروسوفت كذلك قسماً عن حدود الاستخدام. إذ يُذكر صراحةً في الملخص الختامي أن المنظومة منشورة لأغراض البحث والتطوير، وأن الكلام المولَّد بالذكاء الاصطناعي يجب وسمه بوضوح. كما يُنصّ بشكل منفصل على حظر استخدام هذه الأدوات لانتحال شخصية الآخرين أو للاحتيال. وهذا تفصيل مهم: فالشركة تروّج للذكاء الاصطناعي الصوتي مفتوح المصدر لا بوصفه لعبة، بل بوصفه بنية تحتية تُوضع لها منذ البداية قواعد أساسية للاستخدام الآمن.

ماذا يعني ذلك

يخرج VibeVoice تدريجياً من نمط الإصدار البحثي نحو أدوات واضحة للمطورين. فحين تقدّم مايكروسوفت لا أوزان النماذج فحسب، بل أيضاً سيناريو Colab قابلاً لإعادة الإنتاج لـ ASR وrealtime TTS وspeech-to-speech، ينخفض حاجز الدخول إلى المنتجات الصوتية: يصبح أيسر على الفرق أن تبني سريعاً نموذجاً أولياً لأداة تفريغ صوتي أو مساعد صوتي أو واجهة لمعالجة التسجيلات الصوتية الطويلة، دون عناء طويل في ربط أدوات مختلفة يدوياً.