في ظل التطورات الحديثة في معالجة الصوت، حظي تحويل الكلام المقروء إلى حوار تفاعلي باهتمامٍ كبيرٍ في الأوساط الأكاديمية والصناعية. تكمن التحديات الرئيسية في الحفاظ على الطبيعية وسهولة الفهم مع تقليل العبء الحاسوبي للتطبيقات الزمنية الحقيقية. إذ غالباً ما يفتقر الكلام المقروء إلى التنوع اللغوي والنغمي، وهو ما يمثل عائقًا كبيرًا أمام تطبيقاته في المساعدات الافتراضية وخدمات العملاء وأدوات تعلم اللغات.

تقدم هذه الورقة البحثية نهجًا جديدًا يُعرف بتعديل النغمة وفقًا للسياق الحواري (Prosodic Adjustment with Conversational Context - PACC)، والذي يهدف إلى تحويل الكلام المقروء إلى حوار طبيعي يُستخدم في عدة تطبيقات عصرية. تعتمد تقنية PACC على الشبكات العصبية العميقة لتحليل وتعديل الميزات النغمية مثل التنغيم والتوتر والإيقاع.

علاوة على ذلك، يتميز منهجنا باستخدام شبكات الخصومة التوليدية عالية الدقة (High-Fidelity Generative Adversarial Networks - HiFi-GAN) في عملية توليد الصوت، مما يحقق نتائج أفضل مقارنةً بالأساليب التقليدية. أظهرت نتائج التجارب تحسنًا كبيرًا في عملية تحويل الصوت، مما يعزز الطابع الطبيعي ويحقق دقة نموذج أفضل من خلال التدريب الإضافي على مجموعات بيانات الصوت.

يوفر هذا البحث معايير جديدة في مهام تحويل الصوت وتقييم دقة النموذج باستخدام معدلات الرأي المتوسطة (Mean Opinion Score - MOS)، كما يظهر أن نهجنا يمكن أن يتم تمديده بنجاح إلى تطبيقات أخرى لتحويل الصوت. إن هذه الابتكارات ليست مجرد خطوات تقنية، بل تمثل قفزات مهمة في كيفية تفاعلنا مع التكنولوجيا.