كيفية اختيار صوت مرجعي أفضل لاستنساخ الصوت بالذكاء الاصطناعي

الصوت المرجعي هو أساس سير عمل استنساخ الصوت. كلما كان التسجيل أوضح وأكثر اتساقًا، أصبح من الأسهل على النموذج أن يميز بين خصائص المتحدث المستهدف وبين ما يأتي من الغرفة أو الميكروفون أو الموسيقى أو أشخاص آخرين.

القاعدة العملية الأهم بسيطة: أعط الأولوية للوضوح والثبات، لا للإنتاج المبالغ فيه أو الأداء الدرامي.

ما الذي يجعل التسجيل المرجعي قويًا؟

يحتوي المرجع الجيد على متحدث واحد واضح بمستوى صوت مستقر نسبيًا. ينبغي أن يكون الكلام مفهومًا حتى من دون سماعات، وعند الاستماع الدقيق لا ينبغي أن تظهر مشكلة قص صوتي قوية أو صدى واضح أو صوت ثانٍ في الخلفية.

من الصفات المفيدة:

• متحدث واحد فقط؛
• أداء طبيعي يشبه الحديث العادي؛
• مسافة ثابتة من الميكروفون؛
• ضوضاء غرفة منخفضة؛
• عدم وجود موسيقى تحت الصوت؛
• عدم وجود قص صوتي قوي؛
• عدم وجود تأثير هاتف أو راديو؛
• عدة ثوانٍ من الكلام المتصل دون مقاطعات.

الهدف ليس «تسجيلًا مثاليًا في الاستوديو»، بل عينة لا تترك للنموذج شكًا في هوية الصوت.

الأطول ليس دائمًا الأفضل

يمكن لمقطع أطول أن يحتوي على أمثلة أكثر لصوت المتحدث، لكنه يتيح أيضًا فرصًا أكبر لدخول مشكلات أخرى. ثلاثون ثانية فيها موسيقى وضحك ومقاطعات وتغيرات في مسافة الميكروفون قد تكون أقل فائدة من جملة نظيفة مدتها عشر ثوانٍ.

عند مقارنة العينات، اسأل أي تسجيل يعرض صوت الشخص العادي بوضوح أكبر. إذا كان التسجيل الأقصر هو الأوضح، فاستخدمه.

تجنب تعدد المتحدثين

الصوت الثاني من أكثر المشكلات ضررًا لأنه يقدم للنموذج إشارات متعارضة عن الهوية.

قد تكون الحالة واضحة مثل مقابلة، وقد تكون خفية مثل شخص في الخلفية يقول كلمة قصيرة أو يعلّق للحظة.

استمع من البداية إلى النهاية قبل الرفع. إذا ظهر صوت شخص آخر، قص تلك المنطقة أو اختر تسجيلًا مختلفًا.

راقب صدى الغرفة

الصدى يغير الطريقة التي يُسمع بها الصوت نفسه. قد يبدو الشخص المسجل في مطبخ ذي بلاط أو درج أو غرفة فارغة مختلفًا جدًا عن الشخص نفسه عندما يُسجل قريبًا من الميكروفون في مكان هادئ.

غالبًا تكون نبرة غرفة طبيعية خفيفة أقل إشكالًا من ارتداد واضح. إذا امتدت أواخر المقاطع الصوتية أو أصبحت الحروف الساكنة ضبابية، جرّب أولًا التسجيل في مكان فيه ستائر أو سجاد أو أثاث أكثر، أو اضبط المسافة من الميكروفون، قبل اللجوء إلى ترميم برمجي قوي.

لا تفرط في معالجة العينة

قد تساعد إزالة الضوضاء في تسجيل مزعج فعلًا، لكن المعالجة الزائدة يمكن أن تنتج ملمسًا معدنيًا أو مائيًا. كما يمكن لأدوات عزل الصوت أن تزيل أجزاء من الحروف الساكنة أو التنفس، وهي تفاصيل قد تدخل في هوية الصوت الطبيعية.

إذا استطعت تسجيل نسخة جديدة، فعادة يكون الأصل النظيف أفضل كمرجع من ملف خضع لإصلاح شديد.

استخدم المعالجة كأداة إنقاذ، لا كخطوة افتراضية لكل تسجيل.

افحص القص الصوتي ومستوى التسجيل

عندما يكون مستوى الإدخال مرتفعًا جدًا تُقطع قمم الموجة. قد يظهر القص الصوتي كخشونة أو تشقق في المقاطع المرتفعة. بعد فقدان شكل الإشارة لا يعيده خفض مستوى الصوت لاحقًا.

سجّل مع هامش مناسب، لكن لا تجعل المستوى منخفضًا جدًا بحيث تصبح ضوضاء الخلفية هي العنصر الأوضح عند التضخيم.

ولا ينبغي للمتحدث أن يهمس بصورة غير طبيعية فقط لتجنب القص؛ المطلوب أداء طبيعي ومستقر مع هامش كافٍ.

استخدم كلامًا طبيعيًا يناسب الدور المطلوب

إذا كانت النتيجة النهائية Narration عادية، فليكن المرجع قريبًا من الكلام العادي أيضًا.

الصراخ والهمس والغناء والبكاء والأداء الشديد للشخصيات قد يغيّر إشارات الهوية والأسلوب التي يلتقطها النموذج.

هذا لا يعني منع كل تعبير عاطفي. المعنى أن المرجع ينبغي أن يمثل الدور الذي تريد للصوت الاصطناعي أن يؤديه. للسرد المحايد استخدم مرجعًا محايدًا، وللشخصيات اختبر فعليًا ما إذا كان المرجع الأكثر تعبيرًا يحسن الثبات بدل افتراض ذلك.

لا تحتاج بالضرورة إلى معدات مكلفة

يمكن لهاتف حديث أو ميكروفون حاسوب محمول أن ينتج عينة صالحة إذا كانت البيئة هادئة وكانت وضعية التسجيل ثابتة.

خطوات عملية بسيطة:

1. ابتعد عن المراوح وحركة المرور والنوافذ المفتوحة؛
2. حافظ على مسافة ثابتة بين الفم والجهاز؛
3. إذا كانت الأصوات الانفجارية قوية، تحدث بزاوية خفيفة بدل توجيه الهواء مباشرة إلى الميكروفون؛
4. سجّل محاولتين أو ثلاثًا؛
5. اختر أنظف محاولة، لا أكثرها تمثيلًا أو طاقة.

الثبات أهم من اسم العلامة التجارية على الميكروفون.

ماذا ينبغي للمتحدث أن يقول؟

استخدم جملة فيها حروف متحركة وساكنة طبيعية وتدفق كلام متصل ومريح للشخص.

لا تجعل المرجع كله أسماءً وأرقامًا واختصارات وكلمات قصيرة مكررة. يستفيد النموذج من الكلام الطبيعي المتصل.

إذا كنت ستولد عدة لغات، يمكن اختبار المرجع باللغة التي تمثل أسلوب المتحدث الطبيعي بصورة أفضل. لكن يجب تقييم نطق كل لغة نهائية بصورة مستقلة؛ جودة المرجع لا تضمن وحدها جودة النطق متعدد اللغات.

نفّذ اختبارًا مضبوطًا مدته خمس دقائق

قبل استخدام المرجع في مشروع كبير، قارن عينتين في اختبار قصير مضبوط.

ولّد النص نفسه المؤلف من جملتين باستخدام مرجعين مختلفين، مع تثبيت النموذج والنص، ثم قارن:

• تشابه هوية المتحدث؛
• وضوح الحروف الساكنة؛
• الثبات خلال الجملة؛
• عيوب الخلفية؛
• طبيعية الوقفات.

إذا كان أحد المرجعين أفضل بصورة متكررة، احفظه كخط أساس للمشروع.

هذه المقارنة ذات المتغير الواحد أكثر إفادة من تغيير المرجع والنص والنموذج والإعدادات كلها في الوقت نفسه.

متى ينبغي استبدال المرجع؟

فكر في استبداله إذا ظلت الهوية غير مستقرة حتى في الجمل البسيطة، أو ظهرت خصائص البيئة بوضوح في المخرجات، أو احتوت العينة على أكثر من متحدث.

أما إذا أخطأ النموذج في نطق كلمة صعبة واحدة، فلا تستبدل المرجع تلقائيًا. ابدأ بمراجعة صياغة النص أو معالجة النطق أو اختيار النموذج.

قائمة فحص التسجيل المرجعي

قبل الرفع، تأكد من وجود متحدث واحد مصرح به، وعدم وجود موسيقى، وصدى قليل، وعدم وجود قص صوتي، وأداء طبيعي، ومستوى مناسب، وعدم وجود مقاطعات عرضية، وبداية ونهاية نظيفتين.

بعد ذلك اختبر المرجع بجملة قصيرة قبل الاعتماد عليه في توليد طويل أو واسع النطاق.

المرجع الجيد يقلل عدم اليقين. وكلما كانت العينة أنظف وأكثر تمثيلًا لصوت الشخص الطبيعي، أصبح تشخيص المشكلات لاحقًا أسهل: هل السبب هو المرجع أم النص أم النموذج أم إعدادات التوليد؟