ParsVoice: A Large-Scale Multi-Speaker Persian Speech Corpus for Text-to-Speech Synthesis
تقدم الورقة البحثية ParsVoice، وهو متن صوتي فارسي متاح للعموم يضم 2,200 ساعة من الكلام لمتحدثين متعددين تم إنشاؤه عبر مسار قابل للتوسع من الكتب الصوتية، مما يوسع بشكل كبير موارد تحويل النص إلى كلام باللغة الفارسية المفتوحة ويظهر أداءً عالي الجودة في التوليف عند استخدامه لضبط نموذج XTTS.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تريد تعليم روبوت التحدث باللغة الفارسية. لا يمكنك فقط إعطاؤه قاموساً؛ بل تحتاج إلى تغذيته بآلاف الساعات من الأصوات البشرية الحقيقية وهي تقرأ القصص، لكي يتعلم إيقاع اللغة، وعاطفتها، وأصواتها الفريدة.
لفترة طويلة، كانت اللغة الفارسية مثل ضيف في حفلة ضخمة لم يُخصص لها مقعد على الطاولة. فبينما تمتلك لغات مثل الإنجليزية مكتبات هائلة من الكلام المسجل (تخيلها كمستودعات ضخمة ومنظمة جيداً)، كان لدى الفارسية القليل جداً. وهذا جعل من الصعب بناء مساعدات صوتية جيدة أو روبوتات لسرد القصص للمتحدثين بالفارسية.
الحل: ParsVoice
قام مؤلفو هذه الورقة البحثية ببناء ParsVoice، وهو في الأساس مكتبة ضخمة وعالية الجودة للكلام الفارسي. إنه أكبر مجموعة عامة من نوعها تم إنشاؤها لهذه اللغة.
إليكم كيف فعلوا ذلك، مقسماً إلى خطوات بسيطة:
1. المادة الخام: الكتب الصوتية
بدلاً من استئجار ممثلين لقراءة النصوص في استوديو (وهو أمر مكلف وبطيء)، توجه الفريق إلى مكتبة عامة للكتب الصوتية تسمى IranSeda. تخيل هذا كأنك تجد جبلاً من لفافات الأفلام الخام غير المقطعة. كان لديهم أكثر من 3,800 كتاب، ولكن كانت هناك مشكلة: لم تكن لدمة النصوص المكتوبة (النسخ) التي تتطابق تماماً مع الصوت.
2. خط إنتاج "القاطع الذكي"
لا يمكنك أخذ ملف كتاب صوتي مدته 10 ساعات وتغذيته لروبوت؛ بل يحتاج الأمر إلى تقطيعه إلى جمل صغيرة ومثالية. بنى الفريق "خط مصنع" آلي للقيام بذلك:
- القطع الأولي: استخدموا برنامج كمبيوتر للعثور على الصمت بين الجمل وقطع الصوت عند تلك النقاط.
- فحص "هل انتهيت؟": أحياناً، يقوم الكمبيوتر بقطع الصوت في منتصف الجملة (مثل إيقاف فيلم قبل أن يقول البطل "أنا أحبك" مباشرة). استخدموا ذكاءً اصطناعياً ذكياً (يعتمد على نموذج يسمى ParsBERT) لقراءة النص وسؤال: "هل هذه فكرة كاملة؟". إذا كانت الإجابة "لا"، يقوم النظام تلقائياً بتمديد القطع بجزء من الثانية ويتحقق مرة أخرى حتى تصبح الجملة كاملة.
- خطوة "تقليم الزوائد": حتى بعد القطع، قد يكون هناك القليل من الصمت أو سعلة في بداية أو نهاية المقطع. استخدم النظام طريقة "البحث الثنائي" (طريقة ذكية للتخمين والتحقق) لقص بالضبط القدر الصحيح من الصمت بحيث يبدأ الصوت وينتهي بوضوح، دون قطع أي كلمات.
- مفتش الجودة: ليست كل الكتب الصوتية مسجلة في استوديو عازل للصوت. بعضها قد يحتوي على موسيقى خلفية أو ميكروفونات سيئة. عمل النظام كمحرر صارم، حيث قام بتقييم كل مقطع بناءً على وضوح الصوت ودقة النص. إذا كان المقطع صاخباً جداً أو النص غير مفهوم، يتم استبعاده.
- محقق الأصوات: بما أن كتاباً صوتياً واحداً قد يحتوي على عدة رواة، استخدم النظام أداة "بصمة الصوت" لتجميع كل المقاطع حسب المتحدث. سمح لهم هذا بتحديد 1,815 متحدثاً مختلفاً تلقائياً.
3. النتيجة
المنتج النهائي هو مكتبة تبلغ 2,200 ساعة من الجمل الفارسية النظيفة والمقطعة بدقة.
- هي أكبر بـ 25 مرة من أكبر مجموعة كلام فارسية سابقة.
- تحتوي على 1.36 مليون مقطع جملة فردي.
- تغطي 1,815 صوتاً مختلفاً.
4. هل نجح الأمر؟
لاختبار ما إذا كانت هذه المكتبة مفيدة حقاً، قام الفريق بتعليم نموذج صوتي حديث (يسمى XTMT) باستخدام هذه البيانات الجديدة فقط. لم يعلموه أصوات الحروف الفارسية (الفونيمات) أولاً؛ بل تركوه يتعلم مباشرة من النص والصوت.
كانت النتائج مبهرة:
- الطبيعية: قيم البشر صوت الروبوت بأنه يبدو طبيعياً جداً (3.6 من 5).
- مطابقة الصوت: عندما طلبوا من الروبوت محاكاة صوت جديد لم يسمعه من قبل، قام بعمل رائع (4.0 من 5).
- الوضوح: تحدث الروبوت بوضوح كافٍ لدرجة أن برامج الكمبيوتر الأخرى استطاعت فهمه تماماً.
ما لا يفعله (القيود)
المؤلفون صادقون بشأن ما ليست عليه هذه المكتبة:
- ليست للدردشة: لأن البيانات تأتي من الكتب الصوتية، تبدو الأصوات وكأنها تقرأ قصة (رسمية وثابتة). إذا طلفت من الروبوت إجراء دردشة عفوية وسريعة مثل صديقين في مقهى، فقد يبدو جامداً قليلاً.
- ليست مثالية: بما أنهم اضطروا لاستخدام الكمبيوتر لتخمين النص (لعدم وجود الكتب الأصلية)، فهناك بعض الأخطاء الصغيرة في النص، رغم أنهم قاموا بتصفية معظمها.
- التوازن بين الجنسين: تحتوي المكتبة على أصوات ذكور أكثر من الإناث، ببسا de لأن الكتب الصوتية التي استخدموها كانت تضم رواة ذكور أكثر.
باخت شديد:
بنى الفريق مصنعاً آلياً ضخماً حول آلاف الساعات من الكتب الصوتية الفارسية الخام إلى مجموعة بيانات نظيفة ومنظمة وهائلة. هذه المجموعة متاحة الآن لأي شخص لاستخدامها لبناء تقنيات صوتية فارسية أفضل، مما منح اللغة أخيراً مقعداً على طاولة أبحاث الكلام عالية التقنية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.