تحويل النص إلى كلام (بالإنجليزية Text-to-Speech أو TTS) هو التقنية التي تحوّل النص المكتوب إلى كلام مسموع. تخيّل قارئًا لا يكلّ قادرًا على منح صوت — نبرة وإيقاعًا وتنغيمًا — لأي جملة، بأي لغة، في أجزاء من الثانية.
كيف تعمل
تعتمد الأنظمة الحديثة على التعلّم العميق وتعمل عبر مرحلتين رئيسيتين:
- المعالجة اللغوية الأولية: يُنظَّف النص ويُطبَّع (تحويل «2026» إلى «ألفين وستة وعشرين») ثم يُحوَّل إلى فونيمات، وهي أصغر الوحدات الصوتية.
- التركيب الصوتي: ينتج نموذج عصبي (مثل Tacotron أو VITS) طيفًا تردديًّا (mel-spectrogram)، ثم يحوّله المُرمِّز الصوتي (WaveNet، HiFi-GAN) إلى موجة صوتية.
والهدف هو تعظيم احتمالية العيّنات الصوتية $x$ بالنظر إلى النص $t$:
$$\theta^* = \arg\max_{\theta} \; \sum_{i} \log p_{\theta}(x_i \mid t_i)$$
مقارنة بين المقاربات
| المقاربة | الطبيعية | الكلفة | الاستعمال |
|---|---|---|---|
| التوصيلية | متوسطة | منخفضة | أجهزة GPS القديمة |
| المعلَمية (HMM) | آلية | منخفضة جدًّا | الأنظمة المدمجة |
| العصبية (طرف لطرف) | طبيعية جدًّا | مرتفعة | المساعدات الصوتية الحديثة |
الاستعمالات والرهانات
تُشغّل هذه التقنية المساعدات الصوتية، وإمكانية الوصول لضعاف البصر، والكتب الصوتية والدبلجة. وتتيح النماذج الحديثة استنساخ الصوت انطلاقًا من بضع ثوانٍ من التسجيل — تقدّم قوي لكنه يطرح مخاطر حقيقية للانتحال والتزييف الصوتي العميق.
منح الآلة صوتًا يقرّب الذكاء الاصطناعي من الإنسان: ويبقى التحدي في التحكّم بمن يتكلّم فعلًا.