استنساخ الصوت بالذكاء الاصطناعي

يُنتج استنساخ الصوت كلامًا جديدًا بصوت شخص معيّن: بدرجته ونسيجه ولكنته وطريقته في نطق الكلمات. كانت الأنظمة السابقة تحتاج عادةً إلى تسجيلات استوديو طويلة وعملية تدريب. أما كثير من النماذج الحالية فتعمل انطلاقًا من مقطع مرجعي قصير: تستمع إلى بضع ثوانٍ من الصوت وتنطق نصًا جديدًا بصوت مطابق له.

في Mage يبدأ الصوت المستنسخ كمرجع صوتي. ترفع ملف MP3 أو WAV، أو تختار عملًا أنشأته أو صوتًا محفوظًا، أو تلصق رابط صوت أو رابطًا من وسائل التواصل، ثم تحدد نقطة بداية المقطع، ويحتفظ Mage بما يصل إلى 15 ثانية تحت @handle. اذكر هذا المعرّف في وصف Seed Audio، وسينطق نصك بهذا الصوت في ملف MP3 بالمدة التي حددتها بالضبط. لا توجد خطوة تدريب: يُقرأ المقطع في كل مرة تستخدمه.

ينتقل الصوت نفسه إلى الفيديو. احفظ مقطعًا كصوت لشخصية، وسيستخدمه Cherry وRaspberry وPlum وLemon وMiniMax-H3 كلما تحدثت تلك الشخصية؛ كما يقبل Cherry وPlum وLemon وMiniMax-H3 وBlueberry مراجع صوتية في وصف الفيديو. استنسخ صوتك أنت فقط، أو صوتًا لديك إذن واضح باستخدامه.

يقلّد النموذج ما يسمعه، بما في ذلك الغرفة. المقطع المسجل في مطبخ فيه صدى سيعود بصوت يشبه المطبخ. سجّل في غرفة صغيرة فيها أثاث ناعم، على بعد شبر أو شبرين من الميكروفون، دون موسيقى أو تلفاز أو أصوات أخرى في الخلفية. غالبًا ما يتفوق تسجيل صوتي من الهاتف داخل خزانة هادئة على ميكروفون جيد في غرفة فارغة.

تحدّث بالطريقة التي تريد أن يبدو بها الصوت لاحقًا. القراءة الهادئة والمتزنة تنتج سردًا هادئًا، والقراءة النشطة تنتج حيوية. استخدم من عشر إلى خمس عشرة ثانية من الكلام المتواصل بعدة جمل مختلفة ليسمع النموذج تنوعًا في الأصوات، وتجنب الوقفات الطويلة والسعال والضحك.

إذا كانت أفضل مقاطعك داخل تسجيل أطول، فارفع الملف كاملًا وحدد وقت البداية عند أقوى 15 ثانية. صوت الشخصية يحتفظ بـ 10 ثوانٍ فقط، لذا اختر للشخصية الثواني العشر الأقرب إلى صوتها.

• متحدث واحد، غرفة هادئة، بلا موسيقى.
• من عشر إلى خمس عشرة ثانية من الكلام المتواصل.
• اقرأ بالنبرة التي تريدها في النتيجة.
• استخدم وقت البداية لاختيار أفضل مقطع.
• حافظ على مستوى ثابت للصوت: بلا تشويش ولا همس.

في Seed Audio، اذكر الصوت بـ @handle الخاص به، وضع الكلمات المطلوبة بالضبط بين علامتي اقتباس، وصف الأداء والمكان: "@ana-voice، بنبرة دافئة وغير متعجلة، قريبًا من الميكروفون في غرفة هادئة، تقول: …". يجلب الـ handle صوت الشخص، ويصوغ الوصف الأداء.

اختر المدة قبل أن تكتب. يعيد Seed Audio المدة التي تختارها بالضبط: 5 أو 10 أو 30 أو 60 أو 120 ثانية، مع إضافة صمت أو قص ليتناسب، فلاءم كلماتك معها. يتحدث الناس بمعدل كلمتين إلى ثلاث كلمات في الثانية بوتيرة طبيعية، أي أن جملة مدتها 10 ثوانٍ تتسع لـ 20 إلى 30 كلمة. سرعة الكلام وعلو الصوت ودرجته إعدادات مستقلة عندما تحتاج القراءة إلى تعديل.

يقبل تشغيل Seed Audio الواحد إما ما يصل إلى ثلاثة مراجع صوتية أو مرجع صورة واحدًا، وليس كليهما. لتوليد صوت لمشهد من صورة، شغّله دون الصوت المستنسخ، ثم أضف الصوت في مقطع منفصل.

• اذكر الـ @handle قبل الجملة.
• ضع الكلمات المطلوبة بالضبط بين علامتي اقتباس.
• صف الأداء والمكان.
• اختر المدة أولًا، ثم لاءم الكلمات معها.

أبسط طريقة هي صوت الشخصية. عند إنشاء شخصية أو تعديلها، افتح Character Voice وارفع ملف MP3 أو WAV (يُحتفظ بأول 10 ثوانٍ من وقت البداية)، أو ولّد صوتًا من صورة الشخصية مع وصف اختياري، ويظهر سعره بالـ Gems على الزر. بعد ذلك تستخدمه نماذج Cherry وRaspberry وPlum وLemon وMiniMax-H3 كلما تحدثت تلك الشخصية، ما لم توقف Character Voices. يشرح دليل مولّد شخصيات بالذكاء الاصطناعي كيفية حفظ الشخصيات.

يمكنك أيضًا ذكر مرجع صوتي مباشرة في وصف الفيديو. تقبل Cherry وPlum وMiniMax-H3 حتى ثلاثة مراجع، وLemon حتى خمسة، وBlueberry مرجعًا واحدًا، وتُحتسب أصوات الشخصيات ضمن الحد نفسه. تحتاج Cherry إلى صورة واحدة على الأقل في الوصف، مثل شخصية أو مرجع، عند إرفاق الصوت.

للجملة التي يجب أن تكون دقيقة، ولّدها بالصوت المستنسخ في Seed Audio، ثم افتح Lipsync مع صورة شخصية أو شخصية محفوظة وما يصل إلى 15 ثانية من ذلك الصوت. يعرض دليل صورة ناطقة بالذكاء الاصطناعي الخطوات كاملة.

استنسخ صوتك أنت فقط أو صوتًا لديك إذن واضح باستخدامه. لا يُسمح في Mage بتقليد شخص حقيقي دون موافقته، وتمنع إرشادات المجتمع انتحال شخصية الأصدقاء أو المشاهير أو الشخصيات العامة أو العلامات التجارية لأغراض ضارة، وكل محتوى غير قانوني في بلد إقامتك. إذا طلب منك شخص إزالة عمل يظهر فيه، فأزله.

احصل على الإذن كتابةً، وكن محددًا: صوت مَن، وماذا سيقول، وأين سيظهر، وهل الاستخدام تجاري ولكم من الوقت. ينبغي أن يذكر اتفاق ممثل الأداء الصوتي الصوت الاصطناعي صراحةً؛ فالتنازل العام عن حقوق التسجيل غالبًا لا يشمله.

والقانون يسير في الاتجاه نفسه. ففي الولايات المتحدة، قررت هيئة الاتصالات الفيدرالية (FCC) في فبراير 2024 أن الأصوات المولّدة بالذكاء الاصطناعي تُعد "اصطناعية" بموجب قانون المكالمات الآلية، لذا فاستخدامها في مكالمة آلية دون موافقة غير قانوني، كما يمنع قانون ELVIS في ولاية تينيسي، النافذ منذ يوليو 2024، استخدام الذكاء الاصطناعي لتقليد صوت شخص دون إذنه. هذه الصفحة ليست استشارة قانونية؛ تحقق من القواعد في المكان الذي تنشر فيه.

كما تفحص الجهات المزوّدة لنماذج الفيديو الصوت أيضًا. قد يُرفض التشغيل لأن المقطع يحتوي على موسيقى محمية بحقوق النشر أو صوت شخص حقيقي، ويُعاد المبلغ عند رفض التشغيل.

• صوتك أنت: تفضّل.
• صوت شخص آخر: إذن كتابي أولًا.
• الشخصيات العامة والمشاهير: لا يجوز دون ترخيص.
• لا تستخدمه للخداع أبدًا: لا مكالمات أو تأييدات أو تصريحات مزيفة.
• ضع إشارة على الكلام الاصطناعي الواقعي حيثما تطلب المنصة ذلك.

استنسخ صوتًا عندما يجب أن يكون المتحدث شخصًا بعينه: أنت، أو ممثل صوتي وافق على ذلك، أو شخصية سبق أن أعطيتها صوتًا. وعندما يكفي أي صوت جيد، فالأصوات الجاهزة أسرع: تحويل النص إلى كلام بالذكاء الاصطناعي يقرأ حتى 5,000 حرف بأحد 16 صوتًا من ElevenLabs، ويشرح مولّد الأصوات بالذكاء الاصطناعي كيفية توجيه القراءة بوسوم صوتية ووصف صوت جديد في الوصف.

لا يستنسخ Eleven Speech الأصوات على Mage: فهو يتحدث بأصواته الجاهزة فقط. أما الاستنساخ فيعمل على Seed Audio وعلى نماذج الفيديو التي تقرأ المراجع الصوتية وأصوات الشخصيات. ويستطيع المطورون تنفيذ كل ذلك عبر واجهة API لتوليد الصوت.