كيفية اختبار مدة الصوت المرجعي لاستنساخ الصوت

يبدو سؤال «كم ثانية يجب أن يكون المرجع؟» وكأنه يحتاج رقمًا واحدًا فقط. في الواقع، المدة مجرد خاصية واحدة من خصائص التسجيل.

قد تكون عشر ثوانٍ نظيفة من كلام متصل أكثر فائدة من ثلاثين ثانية تحتوي موسيقى أو أكثر من متحدث أو تغيرًا في مسافة الميكروفون أو أساليب عاطفية متضاربة. المرجع الأطول قد يوفر أمثلة صوتية أكثر، لكنه يوفر أيضًا فرصًا أكبر لدخول معلومات متعارضة.

يقبل IndexTTS Online مراجع قصيرة في نطاق يقارب 3–30 ثانية. داخل هذا النطاق، الطريقة الأكثر موثوقية هي اختبار عدة أطوال تحت شروط controlled، لا افتراض أن الحد الأقصى هو الأفضل دائمًا.

لا تبدأ بمقارنة تسجيلات مختلفة إذا كان السؤال عن المدة

لعزل أثر duration، ابدأ من master recording واحد ونظيف.

مثلًا: سجّل 30 ثانية لنفس المتحدث، في الغرفة نفسها، بالميكروفون نفسه، والمسافة نفسها، وأداء ثابت. ثم أنشئ نسخًا:

• 5 ثوانٍ؛
• 10 ثوانٍ؛
• 20 ثانية؛
• 30 ثانية.

يجب أن تبدأ كل نسخة وتنتهي عند حدود طبيعية وتحتوي كلامًا كاملًا. لا تجعل نسخة الخمس ثواني تقع في hesitation سيئ بينما نسخة العشر ثواني تحتوي جملة مثالية.

كلما تطابقت ظروف التسجيل، زادت قدرتك على نسبة الفرق إلى المدة نفسها.

ثبّت target text تمامًا

استخدم النص نفسه لكل reference.

يفضل أن يحتوي على:

• كلام طبيعي متصل؛
• مزيجًا عاديًا من الكلمات القصيرة والطويلة؛
• جملتين على الأقل؛
• بلا أسماء نادرة أو أرقام صعبة؛
• ترقيم تعرف أنه يعمل جيدًا.

لا تستخدم pronunciation stress test أثناء اختبار مدة المرجع، لأنك ستضيف variable أخرى.

الهدف هو جعل اختلافات الهوية والثبات أسهل في السماع.

ثبّت النموذج وكل عناصر التحكم

إذا غيّرت model بين runs، فلن يعود الاختبار معزولًا للمدة.

ثبّت:

• model؛
• target language؛
• target text؛
• emotion mode؛
• pace؛
• account / product path.

إذا أردت لاحقًا مقارنة IndexTTS2 وIndexTTS 2.5، فأعد اختبار المدة بشكل منفصل لكل model أو اختر reference أولًا ثم استخدم الملف نفسه في Voice Lab.

تجربة واحدة يجب أن تجيب عن سؤال واحد.

ماذا يجب أن تسمع بالتحديد؟

هوية المتحدث

هل يبقى output شبيهًا بالمتحدث المصرح به من البداية إلى النهاية، لا في أول كلمات فقط؟

وضوح النطق

هل الصوامت وحدود الكلمات واضحة؟ قد لا تكون duration سبب خطأ كلمة معينة، لكن reference ضعيفًا قد يجعل الناتج كله أقل استقرارًا.

Prosody

هل الإيقاع طبيعي؟ هل يبدو الأداء سريعًا أو مسطحًا أو مجهدًا بشكل غير متوقع؟

Artifacts

استمع إلى buzzing وmetallic texture والأصوات المكررة والأنفاس الغريبة أو خصائص background تبدو قادمة من source recording.

الثبات بين التكرارات

أعد توليد المرشحين المهمين. Reference ينتج مرة ممتازة وعدة مرات غير مستقرة قد يكون أقل فائدة من واحد يعطي نتيجة جيدة باستمرار.

استخدم جدولًا داخليًا دون أن تسميه MOS

يمكنك تسجيل Identity وClarity وStability وNotes في جدول production بسيط.

هذا مفيد لاتخاذ القرار، لكنه subjective project note وليس standardized Mean Opinion Score.

إذا لم تنفذ listener study وفق protocol محدد، فلا تنشر درجات 1–5 داخلية كأنها MOS علمي.

لماذا قد يكون أقصر مرجع صالح جذابًا؟

المرجع القصير أسهل في الفحص والقص والتخزين وإعادة الاستخدام، كما تقل فيه فرص دخول ضوضاء عارضة أو صوت شخص ثانٍ.

إذا كان short clean reference يحقق هوية مستقرة وصوتًا طبيعيًا، فقد لا تضيف المدة الإضافية قيمة meaningful.

هذا لا يعني أن الأقصر أفضل تلقائيًا؛ بل يعني أنه يستحق الاختبار.

لماذا قد يساعد المرجع الأطول؟

إذا بقي نظيفًا، يمكن أن يحتوي أمثلة أكثر على vowels وconsonants وpitch range وrhythm الطبيعي.

وقد تكون خمس ثوانٍ من عبارة قصيرة جدًا غير ممثلة للصوت بما يكفي.

الكلمة المهمة هي «نظيف». إضافة موسيقى أو ضحك أو متحدث آخر أو تغيير الميكروفون لا تعد معلومات إضافية مجانية، بل variables جديدة.

قِس الكلام الفعلي لا مدة الملف وحدها

ملف عشر ثوانٍ يحتوي خمس ثوانٍ من الصمت لا يقدم عشر ثوانٍ من useful speech.

أزل الصمت الزائد وراقب effective speech content. وبالمثل، عشرون ثانية من كلمات مكررة قد تحتوي تنوعًا أقل من عشر ثوانٍ من جملة طبيعية.

فكر في representative speech، لا metadata الزمنية فقط.

حافظ على style ثابتًا داخل المرجع

مرجع يبدأ بسرد هادئ وينتهي بصراخ يغير أيضًا style evidence.

إذا كان الهدف neutral narration، فحافظ على reference طبيعيًا ومستقرًا. وإذا أردت اختبار expressive reference، فاجعل ذلك experiment منفصلًا.

لا تغيّر duration وemotional variety في الوقت نفسه.

لا تجمع تسجيلات من بيئات مختلفة لصنع مرجع «أطول»

Concatenation عدة clips قد يدخل اختلافات في:

• room؛
• microphone؛
• gain؛
• compression؛
• speaking style.

في pure duration test، استخدم تسجيلًا مستمرًا قدر الإمكان.

إذا اضطررت إلى الجمع، فاعتبره reference strategy مختلفة، لا مجرد length test.

تجربة عملية بأربع شروط

1. سجّل master نظيفًا لمدة 30 ثانية.
2. صدّر نسخ 5 و10 و20 و30 ثانية.
3. استخدم target paragraph واحدًا ثابتًا.
4. ثبّت model وكل controls.
5. ولّد output واحدًا لكل reference.
6. استمع بترتيب random أو blind إن أمكن.
7. سجّل identity وclarity وartifacts وstability.
8. أعد أفضل مرشحين مرة إضافية.
9. احفظ أقصر candidate يظل reliable للمشروع.

بهذا تحصل على قرار يمكن شرحه وإعادة إنتاجه.

اختبر الفائز على script ثانية

قد تعمل reference جيدًا مع جملة واحدة بالمصادفة.

قبل اعتمادها كـproject baseline، جرّب نصًا ثانيًا بمفردات وإيقاع مختلفين.

إذا بقيت stable، تزداد الثقة. وإذا انهارت، فلا تطل reference تلقائيًا؛ شخّص text pronunciation وmodel behavior أيضًا.

متى تتوقف عن الاختبار؟

توقف عندما لا تعطي المدة الإضافية production improvement له معنى.

الهدف ليس إيجاد رقم رياضي مثالي، بل reference نظيفًا ومستقرًا وسهل reuse.

بعد أن ينجح candidate عبر عدة ordinary scripts، احفظ source file وثبّته. تغيير reference باستمرار يجعل كل مقارنة لاحقة للmodel أوscript أوpace أصعب في التفسير.

افصل length test عن Voice Lab / model A/B

في المقارنة العادلة بين IndexTTS2 وIndexTTS 2.5، اختر reference أولًا واستخدم الملف نفسه والنص نفسه في الطرفين.

إذا غيّرت model وreference length معًا، لن تعرف مصدر الفرق المسموع.

لذلك اختبر length قبل model A/B أو كتجربة منفصلة.

المبدأ النهائي

لا توجد قاعدة موثوقة تقول «30 ثانية دائمًا الأفضل» أو «5 ثوانٍ تكفي للجميع».

القاعدة الأكثر فائدة هي: استخدم أنظف مرجع وأكثره تمثيلًا والذي يعطي نتائج مستقرة للمشروع المقصود، وأثبت اختيارك باختبار controlled.

هذه الطريقة أقل بساطة من تكرار رقم سحري، لكنها تنتج معلومات يمكنك الاعتماد عليها فعلًا.