ذكاء اصطناعي من غوغل يحاكي الأصوات البشرية بنبرة ومشاعر أكثر واقعية

المعلومة/ متابعة..

أعلنت شركة غوغل عن تحديثات جديدة لنماذج الذكاء الاصطناعي التابعة لها Gemini، تتيح تحويل النصوص إلى أصوات أكثر واقعية، مع إمكانات متقدمة للتحكم في النبرة واللهجة وسرعة الحديث والمشاعر، إضافة إلى التوقفات والتنهدات والضحكات وغيرها من التفاصيل التي تحاكي الأداء البشري.

وتأتي هذه القدرات ضمن توسع غوغل في عائلة نماذج Gemini 3.8، بعد إطلاق Gemini 3.8 Flash ونماذج Live وLive Extended Thinking، وصولا إلى نماذج تحويل النص إلى كلام Gemini 3.8 Flash TTS وFlash-Lite TTS.

وتتيح النماذج الجديدة إنشاء أصوات انطلاقا من وصف مكتوب باللغة الطبيعية، مع دعم أكثر من 100 لغة ولهجة، إلى جانب توفير أكثر من 2000 صوت جاهز للاستخدام في الإنتاج.

كما أصبح بالإمكان استنساخ صوت متسق اعتمادا على عينة صوتية مدتها نحو 30 ثانية، شريطة امتلاك المستخدم الإذن اللازم لاستخدام الصوت. ولا تقتصر التقنية على تحويل النص إلى كلام بصورة تقليدية، إذ يمكن توجيه النموذج سطرا بسطر لتحديد أسلوب الإلقاء وسرعة الحديث واللهجة والهمس والضحك والتنهدات وغيرها من المؤثرات الصوتية.

وتتيح النماذج أيضا إنشاء حوارات بين شخصيتين انطلاقا من نص واحد، مع الحفاظ على ثبات أصوات الشخصيات خلال تسجيلات صوتية طويلة، الأمر الذي يفتح المجال أمام استخدامها في إنتاج البودكاست والكتب الصوتية والدبلجة والمقاطع المرئية المروية، إضافة إلى تطوير الوكلاء الصوتيين.

وأظهرت الاختبارات التي أجرتها غوغل نتائج قوية للنماذج الجديدة في عدد من معايير تقييم جودة الأصوات. فقد تصدر Gemini 3.8 Flash TTS الترتيب العام في اختبار Voice Design Benchmark التابع لشركة Hume AI، كما حقق 60.8 نقطة في فئة اللهجات.

وفي مؤشر الجودة العام لدى Hume، احتل نموذجا Flash وFlash-Lite المركزين الأول والثاني، بينما أظهرت اختبارات Voice Arena أداء متقدما للنموذجين عبر عدد من اللغات.

ومع ذلك، لم تتفوق نماذج غوغل في جميع الفئات، إذ سجلت شركة ElevenLabs نتائج أعلى في بعض اختبارات Hume المتعلقة بجودة الصوت الفردي ومدى تنوعه ومحاكاته للأصوات البشرية.

وتتجه غوغل إلى إتاحة هذه التقنية للمستخدمين عبر عدد من خدماتها، إذ بدأت دمج Flash TTS في تطبيق Gemini Notebook، بينما يصل Flash-Lite TTS إلى خدمة Google Vids، بالتزامن مع توسيع إتاحة أحدث مولد فيديو Omni داخل Google Vids.

أما المطورون، فيمكنهم الوصول إلى النماذج الجديدة من خلال Gemini API وAI Studio، ما يتيح دمج إمكانات تحويل النص إلى كلام في تطبيقات وخدمات مختلفة.

وفي ظل المخاوف المتزايدة من إساءة استخدام تقنيات استنساخ الأصوات، وضعت غوغل عددا من إجراءات الحماية، من بينها اشتراط التأكد من امتلاك المستخدم موافقة صاحب الصوت قبل استنساخه، إلى جانب استخدام تقنية SynthID للعلامات المائية وبيانات اعتماد C2PA للمساعدة في تحديد المحتوى الذي تم إنشاؤه بالذكاء الاصطناعي.

كما فرضت الشركة قيودا جغرافية على ميزة استنساخ الأصوات داخل AI Studio، إذ لا تتوفر الميزة في عدد من المناطق، بينها المملكة المتحدة والمنطقة الاقتصادية الأوروبية والهند وولايتي تكساس وإلينوي في الولايات المتحدة.

وتعكس هذه التطورات اتجاها متسارعا نحو تحويل تقنيات تحويل النص إلى كلام من أدوات تقتصر على قراءة النصوص إلى أنظمة قادرة على محاكاة جوانب أكثر تعقيدا من الأداء الصوتي البشري، مع منح المستخدم قدرة أكبر على التحكم في طريقة إلقاء الجمل والتعبير عن المشاعر والشخصيات داخل المحتوى الصوتي.انتهى 25