← أحدث الأبحاث
⚡ الهندسة الكهربائية

21Codec: Decoder-side Speaker Control for Text-to-Speech

تقترح الورقة البحثية 21Codec، وهو نموذج تدفق للنص إلى كلام يحقق تحكماً قوياً في هوية المتحدث من جانب فك التشفير عبر استخدام التدريب التنافسي وتعزيز البيانات لتقليل معلومات المتحدث في تدفق الرموز (tokens)، مما يضمن اتساق هوية المتحدث عبر الأجزاء (chunks).

المؤلف الأصلي: David Lindevelt, Suzan Verberne, Joost Broekens

نُشر 2026-11-19
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

المؤلف الأصلي: David Lindevelt, Suzan Verberne, Joost Broekens

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلف ولم يصادق عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل عالماً يمكن فيه للحاسوب أن يقرأ جملة وينطقها بصوت يشبه تماماً شخصاً معيناً، بما في ذلك نبرته الفريدة وإيقاعه. هذا هو الوعد الذي تقدمه تقنية تحويل النص إلى كلام الحديثة، وهو مجال انتقل من الأصوات الروبوتية الرتيبة إلى الواقعية القريبة من البشر. وفي قلب هذه القدرة تكمن خطوة حاسمة تسمى ضغط الصوت، أو ما يعرف بـ "الترميز" (codec). فكر في هذه العملية كأنها مترجم يحول الموجات الصوتية الخام إلى تدفق مدمج من الرموز الرقمية، تماماً مثل تحويل رواية طويلة إلى سلسلة من الملاحظات المختصرة. تُرسل هذه الملاحظات بعد ذلك إلى وحدة فك الترميز، التي تعيد بناء الصوت. لسنوات، عملت هذه الأنظمة بشكل جيد، لكنها واجهت عقبة عندما طُلب منها التحدث في الوقت الفعلي. فلكي تواكب المحادثة الحية، يجب على الحاسوب معالجة الصوت في دفعات صغيرة وسريعة. والمشكلة هي أنه عندما يحاول النظام تخمين من المتحدث بناءً على هذه الدفعات الصغيرة فقط، فإنه غالباً ما يفقد طريقه، مما يتسبب في تذبذب الصوت أو انحرافه نحو هوية مختلفة في منتصف الجملة.

لقد عالج الباحثون في جامعة لايدن في هولندا عدم الاستقرار هذا بنظام جديد أطلقوا عليه اسم 21Codec. يعالج عملهم خللاً جوهرياً في كيفية تعامل الآلات الحالية مع هوية الصوت. في النماذج الحالية، يحاول الحاسوب معرفة من المتحدث من خلال النظر في التسلسل الكامل للملاحظات التي تم إنشاؤها حتى الآن. وعندما يُجبر النظام على العمل في الوقت الفعلي، فإنه لا يستطيع رؤية سوى جزء صغير من تلك الملاحظات في المرة الواحدة. وبناءً على ذلك، فإنه يعيد تخمين هوية المتحدث لكل جزء على حدة، وغالباً ما تتعارض هذه التخمينات مع بعضها البعض، مما يؤدي إلى صوت يبدو وكأنه يغير رأيه بشأن هويته المفترضة. ويرى الباحثون أن هذه ليست مشكلة في كيفية فك تشفير الصوت، بل هي مشكلة في كيفية تخزين المعلومات. وهم يقترحون أنه لا ينبغي إخفاء هوية الصوت داخل الملاحظات نفسها، بانتظار تخمينها، بل يجب بدلاً من ذلك تزويد وحدة فك الترميز بتعليمات منفصلة مباشرة.

ولتحقيق ذلك، بنى الفريق نظاماً يعمل بنشاط على تجريد هوية المتحدث من الملاحظات الرقمية قبل إرسالها إلى وحدة فك الترميز. لقد قاموا بتدريب نموذجهم باستخدام تقنية ذكية تتضمن "معلماً" يحاول تحديد هوية المتحدث من الملاحظات. ويتعلم النموذج خداع هذا المعلم، مما يؤدي فعلياً إلى إخفاء هوية المتحدث داخل تدفق البيانات المضغوطة. وبدلاً من الاعتماد على الملاحظات لحمل الصوت، يستخدم النظام إشارة تحكم منفصلة، وهي بصمة رقمية محددة للمتحدث المطلوب، لتوجيه عملية إعادة البناء. يتم تطبيق هذه الإشارة في نهاية العملية تماماً، مما يضمن بقاء الصوت ثابتاً من الكلمة الأولى وحتى الأخيرة، بغض النظر عن مدى صغر حجم أجزاء البيانات. وقد اختبر الباحثون ذلك من خلال أخذ تسلسل واحد من الملاحظات وتشغيله ببصمات صوتية مختلفة، ونجحوا في تغيير المتحدث دون تغيير الكلمات أو معنى الجملة.

تظهر النتائج أن هذا النهج يعمل بشكل جيد للغاية في الحفاظ على صوت ثابت. فعندما قام النظام بفك تشفير نفس تسلسل الملاحظات في أجزاء صغيرة في الوقت الفعلي، لم ينحرف الصوت، على عكس النماذج السابقة حيث كان الصوت يتغير بشكل ملحوتز بين المتحدثين. ووجد الفريق أنه يمكنهم تغيير هوية المتحدث حتى أثناء توليد الصوت، ببساطة عن طريق استبدال إشارة التحكم، دون الحاجة إلى إرسال أي بيانات إضافية أو زيادة حجم الملف. ومع ذلك، فإن هذا التحسن في التحكم يأتي مع مقايضة طفيفة؛ فبينما يبدو الصوت طبيعياً وتكون هوية المتحدث مستقرة، فإن النظام يكون أقل دقة قليلاً في الحفاظ على الكلمات الدقيقة مقارنة بالنماذج التي لا تجرد معلومات المتحدث. وقد قاس الباحثون ذلك من خلال التحقق من عدد المرات التي أخطأ فيها الحاسوب في سماع الكلمات، ووجدوا زيادة طفيفة في الأخطاء، رغم أن الجودة العامة للصوت ظلت عالية.

يشير هذا العمل إلى أنه لكي تصبح أنظمة تحويل النص إلى كلام موثوقة حقاً للتطبيقات في الوقت الفعلي، مثل الترجمة الحية أو المساعدات التفاعلية، يجب أن تتغير الطريقة التي تتعامل بها مع هوية المتحدث. ومن خلال نقل مسؤولية تحديد المتحدث من الملاحظات المضغوطة إلى إشارة تحكم خارجية، يتجنب النظام الارتباك الذي يسبب انحراف الأصوات. ويقر الباحثون بأن نموذجهم لا يزال قيد التطوير، وأن الأرقام التي أبلغوا عنها هي على الأرجح أرقام متحفظة، لأنهم توقفوا عن التدريب مبكراً بسبب قيود الميزانية. ومع ذلك، فإن نتائجهم تقدم مساراً واضحاً للمضي قدماً: نظام لا يكون فيه الصوت لغزاً يجب حله من بضع ملاحظات، بل خياراً يتم اتخاذه صراحةً من قبل الآلة، مما يضمن بقاء الشخص المتحدث هو الشخص نفسه من البداية إلى النهاية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →