تعتبر أنظمة تحويل النص إلى كلام (Text-to-Speech) جزءاً أساسياً من التكنولوجيا الحديثة، ولكن غالباً ما تركز على وضوح الكلام وتشابه المتحدث بدلاً من واقعية الأداء. ومع ذلك، تعتبر الفجوة في الواقعية تحدياً مستمراً في هذه الأنظمة، حيث لا يمكن للنماذج الكبيرة والبيانات عالية الجودة تقليص هذه الفجوة بالكامل.

هنا يأتي دور نموذج Audio8-TTS، الذي يعد نموذجاً مضغوطاً يتكون من 0.6 مليار بارامتر، ويتيح إمكانية النسخ الصوتي بدون الحاجة لبيانات مسبقة. لقد حقق هذا النموذج أداءً رائداً في متطلبات الوضوح وتشابه الصوت، مع نتائج قوية بشكل خاص في الجانب الطبيعي للأداء الصوتي.

تهدف عملية تدريب نموذج Audio8-TTS إلى محاذاة إشارة التدريب مع الإدراك البشري بدلاً من الاعتماد فقط على دقة الإشارة. وللقيام بذلك، تم بناء "سلم جودة" من أنظمة تحويل النص إلى كلام ذات المصدر المفتوح، حيث تم تدريب ناقد الواقعية لتقييم الكلام الناتج مقارنةً بالتسجيلات البشرية المطابقة لنفس الجمل.

وتتضمن طريقة التدريب ثلاث مراحل رئيسية: 1) تحسين إشرافي متعدد اللغات، 2) تحسين سياسة نسبية جماعية مدعومة بمكافآت متمثلة في معدل الخطأ في الكلمات (Word Error Rate) وتشابه المتحدث، 3) تحسين السياسة النسبية الجماعية بمساعدة ناقد الواقعية.

تضمن المرحلة النهائية تحسين طبيعة الآداء الصوتي المدرك، مع الحفاظ على مستوى الأداء الممتاز في معدل الخطأ والكفاءة.

باختصار، يمثل نموذج Audio8-TTS قفزة نوعية في عالم تحويل النص إلى كلام، ويعد بوابة لمستقبل أكثر واقعية في تكنولوجيا الصوت. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.