توليف الكلام

📅 آخر تحديث: ٢٢ يوليو ٢٠٢٦
✍️ نُشر في: ٢٢ يوليو ٢٠٢٦
📷 يحتوي على 8 صور
الموسوعة الحرة

توليف الكلام هو إنتاج الكلام البشري اصطناعياً . يُطلق على نظام الحاسوب المستخدم لهذا الغرض اسم مُركِّب الكلام ، ويمكن تنفيذه في برامج أو أجهزة . يقوم نظام تحويل النص إلى كلام ( TTS ) بتحويل النص اللغوي العادي إلى كلام؛ بينما تقوم أنظمة أخرى بتحويل التمثيلات اللغوية الرمزية، مثل النسخ الصوتية، إلى كلام. [ 1 ] أما العملية العكسية فهي التعرف على الكلام .

يمكن إنشاء الكلام المُصنّع عن طريق دمج أجزاء من الكلام المُسجّل والمُخزّن في قاعدة بيانات . تختلف الأنظمة في حجم وحدات الكلام المُخزّنة؛ فالنظام الذي يُخزّن الأصوات أو الثنائيات الصوتية يُوفّر أكبر نطاق إخراج، ولكنه قد يفتقر إلى الوضوح. بالنسبة لمجالات استخدام مُحدّدة، يسمح تخزين الكلمات أو الجمل الكاملة بإخراج عالي الجودة. بدلاً من ذلك، يُمكن للمُركِّب الصوتي دمج نموذج للجهاز الصوتي وخصائص أخرى للصوت البشري لإنشاء إخراج صوتي "مُصنّع" بالكامل. [ 2 ]

تُقاس جودة مُركِّب الكلام بمدى تشابهه مع الصوت البشري وقدرته على أن يكون مفهومًا بوضوح. يُمكّن برنامج تحويل النص إلى كلام واضح الأشخاص ذوي الإعاقة البصرية أو صعوبات القراءة من الاستماع إلى الكلمات المكتوبة على جهاز الكمبيوتر المنزلي. كان نظام التشغيل يونكس أول نظام تشغيل حاسوبي يتضمن مُركِّب كلام في عام 1974، من خلال أداة يونكس سبيك . [ 3 ] في عام 2000، كان مايكروسوفت سام مُركِّب الصوت الافتراضي لتحويل النص إلى كلام، والذي استخدمته ميزة إمكانية الوصول "الراوي" ، والتي كانت مُدمجة في جميع أنظمة تشغيل ويندوز 2000، وأنظمة ويندوز إكس بي اللاحقة.

نظرة عامة على نظام تحويل النص إلى كلام نموذجي

يتكون نظام تحويل النص إلى كلام (أو "محرك") من جزأين: [ 4 ] واجهة أمامية وواجهة خلفية . للواجهة الأمامية مهمتان رئيسيتان. أولاً، تحوّل النص الخام الذي يحتوي على رموز مثل الأرقام والاختصارات إلى ما يعادل الكلمات المكتوبة. تُعرف هذه العملية عادةً باسم توحيد النص أو المعالجة المسبقة أو التقطيع . ثم تُعيّن الواجهة الأمامية نسخًا صوتية لكل كلمة، وتقسم النص إلى وحدات نبرية ، مثل العبارات والجمل الفرعية والجمل . تُسمى عملية تعيين النسخ الصوتية للكلمات بتحويل النص إلى صوت أو تحويل الكتابة إلى صوت . تشكل النسخ الصوتية ومعلومات النبر معًا التمثيل اللغوي الرمزي الذي تُخرجه الواجهة الأمامية. بعد ذلك، تُحوّل الواجهة الخلفية - والتي يُشار إليها غالبًا باسم المُركِّب - التمثيل اللغوي الرمزي إلى صوت. في بعض الأنظمة، يتضمن هذا الجزء حساب النبرة المستهدفة (مخطط درجة الصوت، مدة الصوتيات)، [ 5 ] والتي يتم فرضها بعد ذلك على الكلام الناتج.

تاريخ

قبل اختراع معالجة الإشارات الإلكترونية بزمن طويل ، حاول بعض الناس بناء آلات تحاكي الكلام البشري. [ 6 ] كما انتشرت أساطير عن وجود " رؤوس نحاسية "، مثل تلك التي تخص البابا سيلفستر الثاني (توفي عام 1003 ميلادي)، وألبرتوس ماغنوس (1198-1280)، وروجر بيكون (1214-1294). [ 7 ]

في عام ١٧٧٩، فاز العالم الألماني الدنماركي كريستيان غوتليب كراتزنستين بالجائزة الأولى في مسابقة أعلنتها الأكاديمية الإمبراطورية الروسية للعلوم والفنون، وذلك عن نماذج صنعها للجهاز الصوتي البشري قادرة على إنتاج أصوات حروف العلة الخمسة الطويلة (في نظام الترميز الصوتي الدولي : [aː] ، [eː] ، [iː] ، [oː] ، و [uː] ). [ ٨ ] ثم ظهرت " آلة الكلام الصوتية الميكانيكية " التي تعمل بالمنفاخ ، من ابتكار فولفغانغ فون كيمبلين من بريسبورغ ، المجر، والتي وُصفت في ورقة بحثية عام ١٧٩١. [ ٩ ] أضافت هذه الآلة نماذج للسان والشفتين، مما مكّنها من إنتاج الحروف الساكنة بالإضافة إلى حروف العلة. في عام ١٨٣٧، أنتج تشارلز ويتستون "آلة ناطقة" استنادًا إلى تصميم فون كيمبلين، وفي عام ١٨٤٦، عرض جوزيف فابر " يوفونيا ". في عام 1923، أعاد باجيت إحياء تصميم ويتستون. [ 10 ]

في ثلاثينيات القرن العشرين، طورت مختبرات بيل جهاز التشفير الصوتي (فوكودر )، الذي كان يحلل الكلام تلقائيًا إلى نغماته الأساسية ورنيناته. وانطلاقًا من عمله على جهاز التشفير الصوتي، طور هومر دادلي جهازًا لتوليف الصوت يعمل بلوحة مفاتيح، أطلق عليه اسم "فودر " (مُظهِر الصوت)، والذي عرضه في معرض نيويورك العالمي عام 1939 .

قام فرانكلين إس. كوبر وزملاؤه في مختبرات هاسكينز ببناء جهاز تشغيل الأنماط الصوتية في أواخر الأربعينيات من القرن العشرين، وأكملوا تطويره عام ١٩٥٠. ظهرت عدة نسخ مختلفة من هذا الجهاز، ولم يبقَ منها سوى نسخة واحدة. يقوم الجهاز بتحويل صور الأنماط الصوتية للكلام، على شكل مخطط طيفي، إلى صوت. باستخدام هذا الجهاز، اكتشف ألفين ليبرمان وزملاؤه مؤشرات صوتية لإدراك المقاطع الصوتية (الحروف الساكنة والمتحركة).

الأجهزة الإلكترونية

غلاف جهاز الكمبيوتر وجهاز توليف الكلام الذي استخدمه ستيفن هوكينج عام 1999

ظهرت أولى أنظمة توليف الكلام الحاسوبية في أواخر خمسينيات القرن العشرين. طوّرت نوريكو أوميدا وزملاؤها أول نظام عام لتحويل النص إلى كلام باللغة الإنجليزية عام 1968، في مختبر الهندسة الكهربائية في اليابان. [ 11 ] وفي عام 1961، استخدم الفيزيائي جون لاري كيلي الابن وزميله لويس غيرستمان [ 12 ] حاسوب IBM 7090 لتوليف الكلام، وهو حدث يُعدّ من أبرز الأحداث في تاريخ مختبرات بيل . [ 13 ] أعاد جهاز توليف الصوت ( فوكودر ) الخاص بكيلي إنتاج أغنية " ديزي بيل "، بمصاحبة موسيقية من ماكس ماثيوز . ومن المصادفة أن آرثر سي كلارك كان يزور صديقه وزميله جون بيرس في منشأة موراي هيل التابعة لمختبرات بيل. أُعجب كلارك بالعرض التوضيحي لدرجة أنه استخدمه في المشهد الختامي لسيناريو روايته " 2001: أوديسة الفضاء" ، [ 14 ] حيث يُغني حاسوب HAL 9000 نفس الأغنية التي يُدخله رائد الفضاء ديف بومان في وضع السكون. [ 15 ] وعلى الرغم من نجاح توليف الكلام الإلكتروني البحت، فإن الأبحاث في مجال مُركِّبات الكلام الميكانيكية مستمرة. [ 16 ]

بدأ تطوير الترميز التنبؤي الخطي (LPC)، وهو شكل من أشكال ترميز الكلام ، على يد فوميتادا إيتاكورا من جامعة ناغويا وشوزو سايتو من شركة نيبون للتلغراف والهاتف (NTT) في عام 1966. وشهد هذا المجال تطورات إضافية في تقنية LPC على يد بيشنو س. أتال ومانفريد ر. شرودر في مختبرات بيل خلال سبعينيات القرن العشرين. [ 17 ] وشكّل LPC لاحقًا أساسًا لرقائق توليف الكلام المبكرة، مثل رقائق تكساس إنسترومنتس LPC Speech Chips المستخدمة في ألعاب Speak & Spell منذ عام 1978.

في عام 1975، طوّر فوميتادا إيتاكورا، أثناء عمله في شركة NTT، طريقة أزواج الطيف الخطي (LSP) لترميز الكلام عالي الضغط. [ 18 ] [ 19 ] [ 20 ] وخلال الفترة من 1975 إلى 1981، درس إيتاكورا مشاكل تحليل الكلام وتوليفه باستخدام طريقة LSP. [ 20 ] وفي عام 1980، طوّر فريقه شريحة توليف كلام تعتمد على LSP. تُعدّ LSP تقنيةً مهمةً لتوليف الكلام وترميزه، وفي تسعينيات القرن الماضي، اعتمدتها جميع معايير ترميز الكلام الدولية تقريبًا كمكوّن أساسي، مما ساهم في تحسين الاتصالات الصوتية الرقمية عبر قنوات الهاتف المحمول والإنترنت. [ 19 ]

في عام 1975، تم إطلاق نظام MUSA ، الذي كان من أوائل أنظمة توليف الكلام. تألف النظام من جهاز حاسوب مستقل وبرنامج متخصص مكّنه من قراءة اللغة الإيطالية. كما تمكن إصدار ثانٍ منه، صدر عام 1978، من غناء اللغة الإيطالية بأسلوب " أكابيلا ". [ 21 ]

تسجيل تجريبي لبرنامج DECtalk باستخدام صوتي Perfect Paul و Uppity Ursula

كانت الأنظمة السائدة في الثمانينيات والتسعينيات من القرن العشرين هي نظام DECtalk ، الذي يعتمد إلى حد كبير على عمل دينيس كلات في معهد ماساتشوستس للتكنولوجيا، ونظام مختبرات بيل؛ [ 22 ] وكان الأخير أحد أوائل الأنظمة متعددة اللغات المستقلة عن اللغة، حيث استخدم على نطاق واسع أساليب معالجة اللغة الطبيعية .

فيديلتي فويس تشيس تشالنجر (1979)، أول كمبيوتر شطرنج ناطق
مخرجات صوتية من برنامج Fidelity Voice Chess Challenger

بدأت الأجهزة الإلكترونية المحمولة المزودة بتقنية توليف الكلام بالظهور في سبعينيات القرن العشرين. وكان من أوائلها آلة حاسبة "سبيتش+" المحمولة للمكفوفين من إنتاج شركة "تيليسينسوري سيستمز " (TSI) عام 1976. [ 23 ] [ 24 ] وكانت أجهزة أخرى ذات أغراض تعليمية في المقام الأول، مثل لعبة "سبيك آند سبيل" التي أنتجتها شركة "تكساس إنسترومنتس" عام 1978. [ 25 ] وأصدرت شركة "فيديلتي" نسخة ناطقة من حاسوبها الإلكتروني للشطرنج عام 1979. [ 26 ] وكانت أول لعبة فيديو مزودة بتقنية توليف الكلام هي لعبة "ستراتوفوكس " (المعروفة في اليابان باسم "سبيك آند ريسكيو ")، وهي لعبة إطلاق نار من نوع ألعاب الأركيد صدرت عام 1980 من إنتاج شركة " صن إلكترونيكس " . [ 27 ] [ 28 ] كانت لعبة Manbiki Shoujo ( فتاة السرقة ) أول لعبة حاسوب شخصي مزودة بتقنية توليف الكلام ، وقد صدرت عام 1980 لجهاز PET 2001 ، حيث طور مطور اللعبة، هيروشي سوزوكي، تقنية برمجة " الصليب الصفري " لإنتاج شكل موجة كلام مُصنّع. [ 29 ] ومن الأمثلة المبكرة الأخرى، نسخة ألعاب الأركيد من لعبة Berzerk ، والتي يعود تاريخها أيضًا إلى عام 1980. وفي العام نفسه، أنتجت شركة ميلتون برادلي أول لعبة إلكترونية متعددة اللاعبين تستخدم توليف الصوت، وهي لعبة Milton .

في عام 1976، أصدرت شركة Computalker Consultants جهاز توليف الكلام CT-1. صممه د. لويد رايس وجيم كوبر، وكان جهاز توليف تناظري مصمم للعمل مع الحواسيب الصغيرة باستخدام معيار ناقل S-100. [ 30 ]

كانت الأصوات المصنعة تبدو ذكورية في الغالب حتى عام 1990، عندما ابتكرت آن سيردال ، في مختبرات AT&T Bell ، صوتًا أنثويًا. [ 31 ]

توقع راي كورزويل في عام 2005 أنه مع انخفاض تكلفة أجهزة توليف الكلام وزيادة إمكانية الوصول إليها نتيجة لانخفاض نسبة التكلفة إلى الأداء ، سيستفيد المزيد من الناس من استخدام برامج تحويل النص إلى كلام. [ 32 ]

الذكاء الاصطناعي

في سبتمبر 2016، أطلقت شركة DeepMind برنامج WaveNet ، الذي أثبت قدرة نماذج التعلم العميق على نمذجة الموجات الصوتية الخام وتوليد الكلام من خصائص صوتية مثل مخططات الطيف أو مخططات ميل الطيفية ، مما أدى إلى انطلاق مجال توليف الكلام باستخدام التعلم العميق . ورغم أن WaveNet اعتُبر في البداية مكلفًا حسابيًا وبطيئًا للاستخدام في المنتجات الاستهلاكية آنذاك، إلا أن DeepMind كشفت بعد عام من إطلاقه عن نسخة مُعدّلة منه تُعرف باسم "Parallel WaveNet"، وهو نموذج إنتاجي أسرع بألف مرة من النموذج الأصلي. [ 33 ] تبع ذلك إطلاق Google AI لبرنامج Tacotron 2 في عام 2018، والذي أثبت قدرة الشبكات العصبية على إنتاج توليف كلام طبيعي للغاية، ولكنه يتطلب بيانات تدريب ضخمة - عادةً عشرات الساعات من الصوت - لتحقيق جودة مقبولة. استخدم Tacotron 2 بنية ترميز تلقائي مع آليات انتباه لتحويل النص المُدخل إلى مخططات ميل الطيفية، والتي تم تحويلها بعد ذلك إلى موجات صوتية باستخدام مُشفّر صوتي عصبي منفصل . عند تدريب النموذج على مجموعات بيانات أصغر، مثل ساعتين من الكلام، تدهورت جودة المخرجات مع الحفاظ على وضوح الكلام، ومع 24 دقيقة فقط من بيانات التدريب، فشل تاكوترون 2 في إنتاج كلام مفهوم. [ 34 ]

في عام 2019، قدمت مايكروسوفت للأبحاث تقنية FastSpeech، التي عالجت قيود السرعة في النماذج الانحدارية الذاتية مثل Tacotron 2. [ 35 ] وفي العام نفسه، تم إطلاق HiFi-GAN، وهو مُشفِّر صوتي قائم على الشبكة التوليدية التنافسية (GAN) حسّن كفاءة توليد الموجات الصوتية مع إنتاج كلام عالي الدقة. [ 36 ] وفي عام 2020، قدم إصدار Glow-TTS نهجًا قائمًا على التدفق، مما أتاح إمكانية الاستدلال السريع ونقل أنماط الصوت. [ 37 ]

في مارس 2020، أُطلق موقع 15.ai الإلكتروني المجاني لتحويل النص إلى كلام . حظي الموقع باهتمام دولي واسع النطاق في أوائل عام 2021 لقدرته على توليد كلام معبر عاطفيًا لشخصيات خيالية من وسائل الإعلام الشهيرة باستخدام كمية ضئيلة من البيانات. [ 38 ] [ 39 ] [ 40 ] صرّح مبتكر 15.ai بأن 15 ثانية من بيانات التدريب كافية لاستنساخ صوت شخص ما بدقة متناهية (ومن هنا جاء اسمه "15.ai")، وهو ما يمثل انخفاضًا كبيرًا مقارنةً بمتطلبات البيانات المعروفة سابقًا والتي كانت تستغرق عشرات الساعات. [ 41 ] يُنسب إلى 15.ai الفضل في كونه أول منصة ساهمت في نشر تقنية استنساخ الصوت بالذكاء الاصطناعي في صناعة الميمات والمحتوى . [ 42 ] [ 43 ] [ 41 ] في يناير 2022، وقعت أول حالة احتيال في مجال توليف الكلام باستخدام الرموز غير القابلة للاستبدال (NFTs) ، عندما قامت شركة عملات مشفرة تُدعى Voiceverse بإنشاء مقاطع صوتية باستخدام 15.ai ، ثم رفعت طبقة صوتها لتصبح غير قابلة للتمييز، وروّجت لها على أنها نتاج تقنيتها الخاصة، وباعتها كرموز غير قابلة للاستبدال (NFTs) دون إذن. [ 44 ] [ 45 ] [ 46 ] [ 47 ]

في يناير 2023، أطلقت شركة ElevenLabs منصتها لتحويل النص إلى كلام عبر المتصفح، والتي تستخدم خوارزميات متطورة لتحليل السياق اللغوي للنص واكتشاف المشاعر كالغضب والحزن والسعادة والقلق. [ 48 ] [ 49 ] [ 50 ] تستطيع المنصة تعديل النبرة والسرعة بناءً على السياق اللغوي لإنتاج كلام طبيعي بلكنة بشرية، وتوفر ميزات تشمل توليد الكلام متعدد اللغات وإنشاء محتوى طويل. [ 51 ] [ 52 ]

في مارس 2024، أكدت شركة OpenAI صحة معيار الـ 15 ثانية لاستنساخ صوت الإنسان. [ 53 ] ومع ذلك، اعتبرت الشركة أداة محرك الصوت الخاصة بها "محفوفة بالمخاطر" للإطلاق العام، مصرحةً بأنها ستصدر نسخة تجريبية فقط ولن تُتيح التقنية للاستخدام العام. [ 54 ]

تقنيات المزج الموسيقي

أهمّ خصائص نظام توليف الكلام هي الطبيعية والوضوح . [ 55 ] تُشير الطبيعية إلى مدى تشابه الصوت الناتج مع الكلام البشري، بينما يُشير الوضوح إلى سهولة فهم هذا الصوت. ويُعتبر مُركِّب الكلام المثالي طبيعيًا وواضحًا في آنٍ واحد . وعادةً ما تسعى أنظمة توليف الكلام إلى تحقيق أقصى استفادة من هاتين الخاصيتين.

تُعدّ تقنيتا التركيب التجميعي وتركيب الفورمانت التقنيتين الرئيسيتين لتوليد موجات الكلام الاصطناعية . ولكل تقنية نقاط قوة وضعف، وعادةً ما تحدد الاستخدامات المقصودة لنظام التركيب النهج المُستخدم.

تركيب التسلسل

تعتمد عملية التركيب التجميعي على دمج مقاطع من الكلام المسجل. وعادةً ما ينتج عن هذه العملية كلام مُركّب يبدو طبيعيًا للغاية. مع ذلك، قد تؤدي الاختلافات بين التباينات الطبيعية في الكلام وطبيعة التقنيات الآلية المستخدمة في تقسيم الموجات الصوتية إلى ظهور تشويشات مسموعة في الناتج. وهناك ثلاثة أنواع فرعية رئيسية من التركيب التجميعي.

توليف اختيار الوحدة

تعتمد عملية توليف اختيار الوحدات على قواعد بيانات ضخمة من الكلام المسجل. أثناء إنشاء قاعدة البيانات، تُقسّم كل عبارة مسجلة إلى بعض أو كل ما يلي: أصوات فردية ، ثنائيات صوتية ، أنصاف أصوات ، مقاطع لفظية ، مورفيمات ، كلمات ، عبارات ، وجمل . عادةً، يتم التقسيم إلى مقاطع باستخدام مُعرّف كلام مُعدّل خصيصًا، مضبوط على وضع "المحاذاة القسرية"، مع إجراء بعض التصحيحات اليدوية لاحقًا، باستخدام تمثيلات مرئية مثل شكل الموجة والمخطط الطيفي . [ 56 ] ثم يُنشأ فهرس للوحدات في قاعدة بيانات الكلام بناءً على التقسيم والمعلمات الصوتية مثل التردد الأساسي ( درجة الصوت )، والمدة، والموقع في المقطع اللفظي، والأصوات المجاورة. عند التشغيل ، تُنشأ العبارة المستهدفة المطلوبة من خلال تحديد أفضل سلسلة من الوحدات المرشحة من قاعدة البيانات (اختيار الوحدات). تُنجز هذه العملية عادةً باستخدام شجرة قرار مُرجّحة خصيصًا .

يُوفر اختيار الوحدات أعلى درجات الطبيعية، لأنه يُطبق قدرًا ضئيلاً فقط من معالجة الإشارات الرقمية على الكلام المُسجل. غالبًا ما تجعل معالجة الإشارات الرقمية الكلام المُسجل يبدو أقل طبيعية، على الرغم من أن بعض الأنظمة تستخدم قدرًا ضئيلاً من معالجة الإشارات عند نقطة التجميع لتنعيم شكل الموجة. غالبًا ما يكون ناتج أفضل أنظمة اختيار الوحدات غير قابل للتمييز عن الأصوات البشرية الحقيقية، خاصةً في السياقات التي تم ضبط نظام تحويل النص إلى كلام (TTS) من أجلها. ومع ذلك، تتطلب أعلى درجات الطبيعية عادةً قواعد بيانات كلامية لاختيار الوحدات ضخمة جدًا، تصل في بعض الأنظمة إلى غيغابايت من البيانات المُسجلة، والتي تُمثل عشرات الساعات من الكلام. [ 57 ] كما عُرف عن خوارزميات اختيار الوحدات أنها تختار مقاطع من مكان ما ينتج عنه توليف أقل من المثالي (على سبيل المثال، تصبح الكلمات الثانوية غير واضحة) حتى عندما يكون هناك خيار أفضل في قاعدة البيانات. [ 58 ] مؤخرًا، اقترح الباحثون طرقًا آلية متنوعة للكشف عن المقاطع غير الطبيعية في أنظمة توليف الكلام لاختيار الوحدات. [ 59 ]

توليف ثنائي الصوت

تعتمد تقنية توليف الثنائيات الصوتية على قاعدة بيانات كلامية مصغرة تضم جميع الثنائيات الصوتية (الانتقالات الصوتية) الموجودة في اللغة. ويختلف عدد الثنائيات الصوتية باختلاف التركيب الصوتي للغة؛ فمثلاً، تحتوي الإسبانية على حوالي 800 ثنائية صوتية، والألمانية على حوالي 2500. في هذه التقنية، لا تحتوي قاعدة البيانات الكلامية إلا على مثال واحد لكل ثنائية صوتية. أثناء التشغيل، تُضاف النبرة المستهدفة للجملة إلى هذه الوحدات المصغرة باستخدام تقنيات معالجة الإشارات الرقمية ، مثل الترميز التنبؤي الخطي ، أو PSOLA [ 60 ] ، أو MBROLA [ 61 ]، أو تقنيات أحدث مثل تعديل درجة الصوت في نطاق المصدر باستخدام تحويل جيب التمام المنفصل [ 62 ] . تعاني تقنية توليف الثنائيات الصوتية من عيوب التوليف التجميعي، ومن الطبيعة الآلية لتوليف الفورمانت، ولا تتمتع إلا بمزايا قليلة من كلا النهجين باستثناء صغر حجمها. ونتيجةً لذلك، يتراجع استخدامها في التطبيقات التجارية، على الرغم من استمرار استخدامها في الأبحاث لوجود عدد من البرامج المجانية المتاحة لتطبيقها. ومن الأمثلة المبكرة على توليف الصوت الثنائي (Diphone) روبوت تعليمي يُدعى " ليتشيم" (Leachim )، ابتكره مايكل ج. فريمان . [ 63 ] احتوى "ليتشيم" على معلومات تتعلق بالمناهج الدراسية وبعض المعلومات الشخصية عن الطلاب الذين بُرمج لتعليمهم. [ 64 ] وقد جُرِّب في فصل دراسي للصف الرابع في برونكس، نيويورك . [ 65 ] [ 66 ]

التخليق الخاص بالمجال

تعتمد تقنية التوليف المتخصص في مجال معين على دمج الكلمات والعبارات المسجلة مسبقًا لإنشاء جمل كاملة. تُستخدم هذه التقنية في التطبيقات التي يقتصر فيها تنوع النصوص التي يُخرجها النظام على مجال محدد، مثل إعلانات جداول المواصلات أو تقارير الطقس. [ 67 ] تتميز هذه التقنية بسهولة تطبيقها، وقد استُخدمت تجاريًا لفترة طويلة في أجهزة مثل الساعات الناطقة والآلات الحاسبة. يمكن أن يكون مستوى طبيعية هذه الأنظمة عاليًا جدًا نظرًا لمحدودية أنواع الجمل، ومطابقتها الدقيقة للنبرة والإيقاع في التسجيلات الأصلية.

نظرًا لأن هذه الأنظمة محدودة بالكلمات والعبارات الموجودة في قواعد بياناتها، فهي ليست عامة الأغراض، ولا يمكنها إلا توليد تركيبات الكلمات والعبارات التي تمت برمجتها مسبقًا. ومع ذلك، قد يُسبب دمج الكلمات في اللغة المنطوقة مشاكل ما لم تُؤخذ الاختلافات العديدة في الاعتبار. على سبيل المثال، في اللهجات الإنجليزية غير الروائية، يُنطق حرف "r" في كلمات مثل "clear" /ˈklɪə/ عادةً فقط عندما تبدأ الكلمة التالية بحرف علة (مثلًا، تُنطق "clear out" /ˌklɪəɹˈʌʊt/ ). وبالمثل في الفرنسية ، تصبح العديد من الحروف الساكنة الأخيرة غير صامتة إذا تبعتها كلمة تبدأ بحرف علة، وهو تأثير يُسمى الربط الصوتي . لا يمكن إعادة إنتاج هذا التناوب بواسطة نظام بسيط لدمج الكلمات، الأمر الذي يتطلب تعقيدًا إضافيًا ليكون حساسًا للسياق .

تخليق الفورمانت

لا تستخدم تقنية توليف الترددات الرنانة عينات من الكلام البشري أثناء التشغيل. بدلاً من ذلك، يتم إنشاء مخرجات الكلام المُصنّع باستخدام التوليف التجميعي ونموذج صوتي ( توليف النمذجة الفيزيائية ). [ 68 ] يتم تغيير معلمات مثل التردد الأساسي ، والصوت ، ومستويات الضوضاء بمرور الوقت لإنشاء شكل موجي للكلام الاصطناعي. تُسمى هذه الطريقة أحيانًا بالتوليف القائم على القواعد ؛ ومع ذلك، تحتوي العديد من الأنظمة التجميعية أيضًا على مكونات قائمة على القواعد. تُنتج العديد من الأنظمة القائمة على تقنية توليف الترددات الرنانة كلامًا اصطناعيًا ذا صوت آلي لا يمكن الخلط بينه وبين الكلام البشري. ومع ذلك، فإن تحقيق أقصى قدر من الطبيعية ليس دائمًا هدف نظام توليف الكلام، وتتمتع أنظمة توليف الترددات الرنانة بمزايا على الأنظمة التجميعية. يمكن أن يكون الكلام المُصنّع بتقنية توليف الترددات الرنانة مفهومًا بشكل موثوق، حتى عند السرعات العالية جدًا، متجنبًا التشوهات الصوتية التي تُصيب الأنظمة التجميعية عادةً. يستخدم المكفوفون وضعاف البصر الكلام المُصنّع عالي السرعة للتنقل بسرعة في أجهزة الكمبيوتر باستخدام قارئ الشاشة . تتميز مُركِّبات الترددات الصوتية عادةً بصغر حجم برامجها مقارنةً بالأنظمة التجميعية، لعدم امتلاكها قاعدة بيانات لعينات الكلام. ولذلك، يُمكن استخدامها في الأنظمة المُدمجة ، حيث تكون الذاكرة وقدرة المعالج الدقيق محدودة للغاية. وبفضل تحكمها الكامل في جميع جوانب الكلام الناتج، تُتيح هذه الأنظمة إنتاج مجموعة واسعة من النبرات والتنغيمات ، ما يُتيح التعبير ليس فقط عن الأسئلة والجمل، بل عن مختلف المشاعر ونبرات الصوت.

تشمل أمثلة التحكم الدقيق في النبرة الصوتية في توليف الترددات الصوتية، وإن لم يكن فوريًا، العمل الذي أُنجز في أواخر سبعينيات القرن الماضي للعبة "Speak & Spell" من شركة Texas Instruments ، وفي أوائل ثمانينيات القرن الماضي لأجهزة ألعاب Sega [ 69 ] وفي العديد من ألعاب Atari [ 70 ] باستخدام رقائق TMS5220 LPC . كان ابتكار النبرة الصوتية المناسبة لهذه المشاريع عملية شاقة، ولم تُضاهِ نتائجها حتى الآن واجهات تحويل النص إلى كلام في الوقت الفعلي. [ 71 ]

بالنسبة للغات النغمية، مثل اللغة الصينية أو التايوانية، هناك مستويات مختلفة من تغيير النغمات المطلوبة، وأحيانًا قد يؤدي ناتج مُركِّب الكلام إلى أخطاء في تغيير النغمات. [ 72 ]

تركيب المفصل

يتألف توليف الكلام النطقي من تقنيات حسابية لتوليف الكلام استنادًا إلى نماذج الجهاز الصوتي البشري وعمليات النطق التي تحدث فيه. طُوِّر أول مُركِّب كلام نطقي يُستخدم بانتظام في التجارب المخبرية في مختبرات هاسكينز في منتصف سبعينيات القرن الماضي على يد فيليب روبين ، وتوم باير، وبول ميرملشتاين. هذا المُركِّب، المعروف باسم ASY، استند إلى نماذج الجهاز الصوتي التي طُوِّرت في مختبرات بيل في ستينيات وسبعينيات القرن الماضي على يد بول ميرملشتاين، وسيسيل كوكر، وزملائهم.

حتى وقت قريب، لم تُدمج نماذج توليف الكلام النطقي في أنظمة توليف الكلام التجارية. ويُعدّ نظام NeXT، الذي طوّرته وسوّقته في الأصل شركة Trillium Sound Research، وهي شركة منبثقة عن جامعة كالجاري ، حيث أُجري جزء كبير من البحث الأصلي، استثناءً بارزًا. بعد توقف شركة NeXT (التي أسسها ستيف جوبز في أواخر ثمانينيات القرن الماضي واندمجت مع شركة Apple Computer عام 1997)، نُشر برنامج Trillium بموجب رخصة جنو العمومية، واستمر العمل عليه تحت اسم gnuspeech . يوفر هذا النظام، الذي طُرح في السوق لأول مرة عام 1994، تحويلًا كاملًا للكلام من النص إلى الكلام باستخدام نموذج موجي أو خط نقل يُحاكي المسارين الفموي والأنفيّين البشريين، ويتحكم فيه نموذج كاريه "للمنطقة المميزة".

تتضمن أجهزة توليف الصوت الحديثة، التي طورها خورخي سي. لوسيرو وزملاؤه، نماذج لميكانيكا الأحبال الصوتية، وديناميكا الهواء في المزمار، وانتشار الموجات الصوتية في القصبات الهوائية، والقصبة الهوائية، وتجويف الأنف والفم، وبالتالي تشكل أنظمة كاملة لمحاكاة الكلام القائمة على الفيزياء. [ 73 ] [ 74 ]

التخليق القائم على نموذج ماركوف المخفي

يُعدّ التوليف القائم على نماذج ماركوف المخفية (HMM) أسلوبًا لتوليف الصوت يعتمد على هذه النماذج ، ويُعرف أيضًا باسم التوليف البارامتري الإحصائي. في هذا النظام، يتم نمذجة طيف التردد ( القناة الصوتية )، والتردد الأساسي (مصدر الصوت)، ومدة الكلام ( النبرة ) في آنٍ واحد باستخدام نماذج ماركوف المخفية. وتُنتج أشكال موجات الكلام من هذه النماذج نفسها بناءً على معيار الاحتمالية القصوى . [ 75 ]

توليف الموجة الجيبية

توليف الموجات الجيبية هو أسلوب لتوليف الكلام عن طريق استبدال الترددات الرنانة (النطاقات الرئيسية للطاقة) بصافرات ذات نغمات نقية. [ 76 ]

التركيب القائم على التعلم العميق

مثال على توليف الكلام باستخدام مُشفِّر الصوت العصبي HiFi-GAN

تستخدم تقنية توليف الكلام بالتعلم العميق الشبكات العصبية العميقة لإنتاج كلام اصطناعي من النص (تحويل النص إلى كلام) أو من الطيف الصوتي (المشفّر الصوتي). تُدرَّب هذه الشبكات باستخدام كمية كبيرة من الكلام المسجل، وفي حالة نظام تحويل النص إلى كلام، تُدرَّب أيضًا باستخدام التصنيفات المرتبطة به و/أو النص المدخل.

صوت مُزيّف بتقنية التزييف العميق

مقطع صوتي بتقنية التزييف العميق يحاكي صوت دونالد ترامب

تقنية التزييف الصوتي العميق ، والتي تُعرف أيضاً باسم استنساخ الصوت أو الصوت المُزيّف، هي تطبيق للذكاء الاصطناعي مصمم لتوليد كلام يُحاكي بشكل مُقنع أشخاصاً مُحددين، وغالباً ما يقوم بتوليف عبارات أو جمل لم ينطقوا بها أبداً. [ 77 ] [ 78 ] [ 79 ] [ 80 ]

طُوِّرت هذه التقنية في البداية بهدف تحسين جوانب مختلفة من حياة الإنسان، ولها تطبيقات عملية مثل إنتاج الكتب الصوتية ومساعدة الأفراد الذين فقدوا أصواتهم لأسباب طبية . [ 81 ] [ 82 ] بالإضافة إلى ذلك، لها استخدامات تجارية، تشمل إنشاء مساعدين رقميين شخصيين، وأنظمة تحويل النص إلى كلام ذات صوت طبيعي ، وخدمات ترجمة كلامية متقدمة . [ 83 ] وكما هو الحال مع أشكال التزييف العميق الأخرى، واجهت تقنية التزييف العميق الصوتي انتقادات لاستخدامها في عمليات الاحتيال والتصيد الإلكتروني وحملات التضليل .

في عام 2023، نشر الصحفي جوزيف كوكس من موقع VICE نتائج تفيد بأنه سجل خمس دقائق من حديثه ثم استخدم أداة طورتها شركة ElevenLabs لإنشاء أصوات مزيفة بتقنية التزييف العميق، مما أدى إلى اختراق نظام التحقق الصوتي لأحد البنوك . [ 84 ]

التحديات

تحديات توحيد النصوص

نادراً ما تكون عملية توحيد النصوص عمليةً سهلة. فالنصوص مليئة بالكلمات المتشابهة في النطق والأرقام والاختصارات ، وكلها تتطلب تحويلها إلى تمثيل صوتي. توجد في اللغة الإنجليزية العديد من التهجئات التي تُنطق بشكل مختلف حسب السياق. على سبيل المثال، تحتوي عبارة "My latest project is to learn how to better project my voice" على نطقين مختلفين لكلمة "project".

لا تُولّد معظم أنظمة تحويل النص إلى كلام تمثيلات دلالية للنصوص المدخلة، لأن عمليات القيام بذلك غير موثوقة، وغير مفهومة جيدًا، وغير فعّالة حسابيًا. ونتيجةً لذلك، تُستخدم تقنيات استدلالية متنوعة لتخمين الطريقة الصحيحة لإزالة الغموض عن الكلمات المتجانسة ، مثل فحص الكلمات المجاورة واستخدام إحصاءات حول تكرار الظهور.

بدأت أنظمة تحويل النص إلى كلام مؤخرًا باستخدام نماذج ماركوف المخفية (المذكورة أعلاه ) لتوليد " أجزاء الكلام " للمساعدة في إزالة الغموض عن الكلمات المتجانسة. تُعدّ هذه التقنية ناجحةً للغاية في العديد من الحالات، مثل تحديد ما إذا كان ينبغي نطق كلمة "read" كـ "red" للدلالة على الماضي، أو كـ "reed" للدلالة على المضارع. عادةً ما تكون معدلات الخطأ عند استخدام نماذج ماركوف المخفية بهذه الطريقة أقل من 5%. كما تُجدي هذه التقنيات نفعًا مع معظم اللغات الأوروبية، على الرغم من صعوبة الوصول إلى مجموعات بيانات التدريب المطلوبة في هذه اللغات.

يُعدّ تحديد كيفية تحويل الأرقام مشكلة أخرى تواجه أنظمة تحويل النص إلى كلام. يُعتبر تحويل الرقم إلى كلمات (على الأقل في اللغة الإنجليزية) تحديًا برمجيًا بسيطًا، مثل تحويل "1325" إلى "ألف وثلاثمائة وخمسة وعشرين". مع ذلك، تظهر الأرقام في سياقات مختلفة؛ فقد يُقرأ "1325" أيضًا على أنه "واحد ثلاثة اثنان خمسة"، أو "ثلاثة عشر خمسة وعشرين"، أو "ألف وثلاثمائة وخمسة وعشرون". غالبًا ما يستطيع نظام تحويل النص إلى كلام استنتاج كيفية توسيع الرقم بناءً على الكلمات والأرقام وعلامات الترقيم المحيطة به، وفي بعض الأحيان يُوفّر النظام طريقة لتحديد السياق إذا كان غامضًا. [ 85 ] كما يمكن قراءة الأرقام الرومانية بشكل مختلف حسب السياق. على سبيل المثال، يُقرأ "Henry VIII" على أنه "Henry the Eighth"، بينما يُقرأ "Chapter VIII" على أنه "Chapter Eight".

وبالمثل، قد تكون الاختصارات غامضة. على سبيل المثال، يجب التمييز بين اختصار "in" للدلالة على "inches" وكلمة "in" نفسها، ويستخدم العنوان "12 St John St." الاختصار نفسه لكل من "Saint" و"Street". تستطيع أنظمة تحويل النص إلى كلام المزودة بواجهات أمامية ذكية التخمين بناءً على معلومات دقيقة حول الاختصارات الغامضة، بينما تقدم أنظمة أخرى النتيجة نفسها في جميع الحالات، مما ينتج عنه مخرجات غير منطقية (وأحيانًا مضحكة)، مثل تحويل " Ulysses S. Grant " إلى "Ulysses South Grant".

تحديات تحويل النص إلى صوت

تستخدم أنظمة توليف الكلام منهجين أساسيين لتحديد نطق الكلمة بناءً على تهجئتها ، وهي عملية تُعرف غالبًا بتحويل النص إلى صوت أو تحويل الكتابة إلى صوت ( الصوت هو المصطلح الذي يستخدمه اللغويون لوصف الأصوات المميزة في اللغة ). أبسط هذه الطرق هو استخدام القاموس، حيث يخزن البرنامج قاموسًا ضخمًا يحتوي على جميع كلمات اللغة ونطقها الصحيح . ويتم تحديد النطق الصحيح لكل كلمة بالبحث عنها في القاموس واستبدال تهجئتها بالنطق المحدد فيه. أما الطريقة الأخرى فهي استخدام القواعد، حيث تُطبق قواعد النطق على الكلمات لتحديد نطقها بناءً على تهجئتها. وهذا مشابه لأسلوب "التهجئة الصوتية" أو الصوتيات التركيبية في تعلم القراءة.

لكل نهج مزايا وعيوب. النهج القائم على القاموس سريع ودقيق، لكنه يفشل تمامًا إذا أُعطي كلمة غير موجودة في قاموسه. ومع ازدياد حجم القاموس، تزداد أيضًا متطلبات مساحة الذاكرة لنظام التوليف. من ناحية أخرى، يعمل النهج القائم على القواعد مع أي مدخلات، لكن تعقيد القواعد يزداد بشكل كبير لأن النظام يأخذ في الاعتبار التهجئات أو النطق غير المنتظم. (على سبيل المثال، كلمة "of" شائعة جدًا في اللغة الإنجليزية، ومع ذلك فهي الكلمة الوحيدة التي يُنطق فيها حرف "f" [v] ). ونتيجة لذلك، تستخدم جميع أنظمة توليف الكلام تقريبًا مزيجًا من هذين النهجين.

تتميز اللغات ذات الكتابة الصوتية بنظام كتابة منتظم للغاية، وتُحقق أنظمة توليف الكلام في هذه اللغات نجاحًا كبيرًا في التنبؤ بنطق الكلمات بناءً على تهجئتها. غالبًا ما تستخدم هذه الأنظمة أسلوب القواعد بشكل مكثف، ولا تلجأ إلى القواميس إلا في حالات قليلة، مثل الأسماء الأجنبية والكلمات الدخيلة، التي لا يتضح نطقها من تهجئتها. في المقابل، تميل أنظمة توليف الكلام في لغات مثل الإنجليزية، التي تتميز بأنظمة تهجئة غير منتظمة للغاية، إلى الاعتماد على القواميس، واستخدام أساليب القواعد فقط للكلمات غير المألوفة، أو الكلمات غير الموجودة في قواميسها.

تحديات التقييم

قد يكون التقييم المتسق لأنظمة توليف الكلام صعباً بسبب غياب معايير تقييم موضوعية متفق عليها عالمياً. فغالباً ما تستخدم المنظمات المختلفة بيانات كلامية متباينة. كما تعتمد جودة أنظمة توليف الكلام على جودة تقنية الإنتاج (التي قد تشمل التسجيل التناظري أو الرقمي) وعلى الإمكانيات المستخدمة لإعادة تشغيل الكلام. ولذلك، غالباً ما يتأثر تقييم أنظمة توليف الكلام بالاختلافات بين تقنيات الإنتاج وإمكانيات إعادة التشغيل.

لكن منذ عام 2005، بدأ بعض الباحثين في تقييم أنظمة توليف الكلام باستخدام مجموعة بيانات كلامية مشتركة. [ 86 ]

النبرة والمحتوى العاطفي

أفادت دراسة نُشرت في مجلة "Speech Communication" من قِبل إيمي دراهوتا وزملاؤها في جامعة بورتسموث بالمملكة المتحدة ، أن مستمعي التسجيلات الصوتية استطاعوا تحديد ما إذا كان المتحدث يبتسم أم لا، بدقة تفوق الصدفة. [ 87 ] [ 88 ] [ 89 ] وقد أشارت الدراسة إلى إمكانية استخدام تحديد السمات الصوتية التي تُشير إلى المحتوى العاطفي للمساعدة في جعل الكلام المُصنّع يبدو أكثر طبيعية. ومن القضايا ذات الصلة تعديل طبقة الصوت في الجملة، اعتمادًا على ما إذا كانت جملة إيجابية أو استفهامية أو تعجبية. إحدى تقنيات تعديل طبقة الصوت [ 62 ] تستخدم تحويل جيب التمام المنفصل في مجال المصدر ( الباقي التنبؤي الخطي ). تتطلب تقنيات تعديل طبقة الصوت المتزامنة هذه تحديدًا مسبقًا لطبقة الصوت في قاعدة بيانات الكلام المُصنّع باستخدام تقنيات مثل استخراج الحقب باستخدام مؤشر الانفجار الديناميكي المُطبق على الباقي التنبؤي الخطي المُتكامل للمناطق الصوتية من الكلام. [ 90 ] بشكل عام، لا تزال النبرة تمثل تحديًا لأجهزة توليف الكلام، وهي موضوع بحث نشط.

أجهزة مخصصة

مجموعة أدوات توليف الكلام من إنتاج شركة بيل سيستم

أنظمة الأجهزة والبرامج

أنظمة شائعة توفر خاصية توليف الكلام كخاصية مدمجة.

شركة تكساس إنسترومنتس

عرض توضيحي للكلام TI-99/4A باستخدام المفردات المضمنة

في أوائل ثمانينيات القرن الماضي، اشتهرت شركة TI بريادتها في مجال توليف الكلام، وكان يتوفر لها وحدة توليف كلام إضافية شائعة الاستخدام لأجهزة TI-99/4 و4A. كانت وحدات توليف الكلام تُقدم مجانًا مع شراء عدد من الخراطيش، واستُخدمت في العديد من ألعاب الفيديو التي طورتها TI (منها ألعاب Alpiner و Parsec التي عُرضت مع خاصية الكلام خلال هذا العرض الترويجي ). تعتمد وحدة التوليف على نوع من الترميز التنبؤي الخطي، وتحتوي على مفردات مدمجة صغيرة. كانت النية الأصلية هي إصدار خراطيش صغيرة تُوصل مباشرةً بوحدة التوليف، مما كان سيزيد من المفردات المدمجة في الجهاز. إلا أن نجاح برامج تحويل النص إلى كلام في خرطوشة Terminal Emulator II حال دون تحقيق هذه الخطة.

ماتيل

قدمت شركة ماتيل جهاز ألعاب إنتيليفيجن مزودًا بوحدة توليف الصوت إنتيليفويس عام ١٩٨٢. تضمنت هذه الوحدة شريحة توليف الكلام SP0256 Narrator على خرطوشة قابلة للإزالة. احتوت شريحة Narrator على ذاكرة قراءة فقط (ROM) بسعة ٢ كيلوبايت، استُخدمت لتخزين قاعدة بيانات من الكلمات العامة التي يمكن دمجها لتكوين عبارات في ألعاب إنتيليفيجن. ولأن شريحة Narrator كانت تستقبل أيضًا بيانات الكلام من ذاكرة خارجية، فقد أمكن تخزين أي كلمات أو عبارات إضافية مطلوبة داخل الخرطوشة نفسها. تألفت البيانات من سلاسل من معاملات المرشح التناظري لتعديل سلوك نموذج القناة الصوتية الاصطناعي للشريحة، بدلًا من عينات رقمية بسيطة.

سام

عرض توضيحي لبرنامج SAM على جهاز C64

صدر برنامج Software Automatic Mouth عام 1982، وكان أول برنامج تجاري لتوليف الصوت يعتمد كليًا على البرمجيات. استُخدم لاحقًا كأساس لنظام Macintalk . كان البرنامج متاحًا لأجهزة كمبيوتر Apple غير التابعة لنظام Macintosh (بما في ذلك Apple II وLisa)، وطرازات مختلفة من Atari، وجهاز Commodore 64. فضّل إصدار Apple وجود بطاقة DAC إضافية، مع إمكانية استخدام مخرج الصوت أحادي البت الخاص بالكمبيوتر (مع إضافة تشويش كبير) في حال عدم وجود البطاقة. استخدم جهاز Atari شريحة الصوت POKEY المدمجة. كان تشغيل الكلام على Atari يُعطّل طلبات المقاطعة ويُوقف تشغيل شريحة ANTIC أثناء إخراج الصوت. يكون الصوت الناتج مشوّهًا للغاية عند تشغيل الشاشة. استخدم جهاز Commodore 64 شريحة الصوت SID المدمجة الخاصة به.

أتاري

عرض توضيحي لتوليف الكلام على جهاز أتاري إس تي

يمكن القول إن أول نظام نطق مدمج في نظام تشغيل كان حاسوبي أتاري 1400XL/1450XL اللذين لم يُطرحا في الأسواق حوالي عام 1983. وقد استخدما شريحة Votrax SC01 وآلة ذات حالات محدودة لتمكين توليف الكلام من النص باستخدام برنامج World English Spelling. [ 92 ]

تم بيع أجهزة كمبيوتر أتاري إس تي مع ملف "stspeech.tos" على قرص مرن .

تفاحة

عرض توضيحي لبرنامج MacinTalk 1
عرض توضيحي لبرنامج MacinTalk 2 يضم صوتي السيد هيوز ومارفن

كان نظام MacInTalk من شركة Apple Computer أول نظام نطق مُدمج في نظام تشغيل يُشحن بكميات كبيرة . تم ترخيص البرنامج من مطورين خارجيين هما جوزيف كاتز ومارك بارتون (لاحقًا، شركة SoftVoice)، وعُرض خلال إطلاق جهاز Macintosh عام 1984. تطلّب هذا العرض التجريبي في يناير 512 كيلوبايت من ذاكرة الوصول العشوائي (RAM). ونتيجةً لذلك، لم يكن بالإمكان تشغيله على ذاكرة الوصول العشوائي البالغة 128 كيلوبايت التي زُوّد بها أول جهاز Mac فعليًا. [ 93 ] لذا، أُجري العرض التجريبي باستخدام نموذج أولي لجهاز Mac بسعة 512 كيلوبايت، على الرغم من أن الحضور لم يُبلغوا بذلك، وقد أثار عرض توليف الصوت حماسًا كبيرًا لجهاز Macintosh. في أوائل التسعينيات، وسّعت Apple إمكانياتها لتشمل دعم تحويل النص إلى كلام على مستوى النظام. ومع طرح أجهزة الكمبيوتر الأسرع القائمة على معالجات PowerPC، أضافت Apple ميزة أخذ عينات صوتية بجودة أعلى. كما أدخلت Apple ميزة التعرّف على الكلام في أنظمتها، مما وفّر مجموعة أوامر سلسة. ومؤخرًا، أضافت Apple أصواتًا قائمة على العينات. بدأ نظام النطق في أجهزة أبل ماكنتوش كفكرة مثيرة للاهتمام، ثم تطور ليصبح برنامجًا متكاملًا مدعومًا بالكامل، يُعرف باسم PlainTalk ، مخصصًا للأشخاص الذين يعانون من مشاكل في الرؤية. ظهرت ميزة VoiceOver لأول مرة عام 2005 في نظام التشغيل Mac OS X Tiger (10.4). خلال إصداري 10.4 (Tiger) والإصدارات الأولى من 10.5 ( Leopard )، كان هناك صوت قياسي واحد فقط مُرفق مع نظام Mac OS X. بدءًا من إصدار 10.6 ( Snow Leopard )، أصبح بإمكان المستخدم الاختيار من بين مجموعة واسعة من الأصوات. تتميز أصوات VoiceOver بأخذ أنفاس واقعية بين الجمل، بالإضافة إلى وضوح مُحسّن عند سرعات القراءة العالية مقارنةً بـ PlainTalk. يتضمن نظام Mac OS X أيضًا تطبيق say ، وهو تطبيق سطر أوامر يُحوّل النص إلى كلام مسموع. تتضمن إضافات AppleScript القياسية فعل say الذي يسمح للبرنامج النصي باستخدام أي من الأصوات المُثبّتة والتحكم في درجة الصوت وسرعة الكلام وتعديل النص المنطوق.

أمازون

يستخدم في أليكسا وكبرنامج كخدمة في AWS [ 94 ] (منذ عام 2017).

نظام التشغيل AmigaOS

مثال على توليف الكلام باستخدام أداة Say المضمنة في Workbench 1.3

كان نظام التشغيل AmigaOS ، الذي طُرح عام 1985، ثاني نظام تشغيل يتميز بقدرات متقدمة لتوليف الكلام. حصلت شركة Commodore International على ترخيص توليف الصوت من شركة SoftVoice، التي طورت أيضًا نظام MacinTalk الأصلي لتحويل النص إلى كلام. تضمن النظام محاكاة صوتية كاملة للغة الإنجليزية الأمريكية، مع أصوات ذكور وإناث وعلامات تحديد النبر، وذلك بفضل شريحة الصوت في جهاز Amiga . [ 95 ] قُسّم نظام التوليف إلى مكتبة ترجمة تُحوّل النصوص الإنجليزية غير المقيدة إلى مجموعة قياسية من الرموز الصوتية، وجهاز سرد يُطبّق نموذجًا رنينيًا لتوليد الكلام. كما احتوى AmigaOS على " معالج نطق " عالي المستوى ، يسمح لمستخدمي سطر الأوامر بتحويل مخرجات النص إلى كلام. استُخدم توليف الكلام أحيانًا في برامج خارجية، لا سيما برامج معالجة النصوص والبرامج التعليمية. بقي برنامج التوليف دون تغيير يُذكر منذ الإصدار الأول من AmigaOS، وفي النهاية أزالت Commodore دعم توليف الكلام بدءًا من الإصدار 2.1.

على الرغم من محدودية الصوتيات في اللغة الإنجليزية الأمريكية، فقد طُوِّرت نسخة غير رسمية مزودة بتقنية توليف الكلام متعدد اللغات. وقد استُخدمت في هذه النسخة نسخة مُحسَّنة من مكتبة الترجمة التي استطاعت ترجمة عدد من اللغات، وذلك بتطبيق مجموعة من القواعد الخاصة بكل لغة. [ 96 ]

مايكروسوفت ويندوز

تستطيع أنظمة سطح المكتب الحديثة التي تعمل بنظام ويندوز استخدام مكونات SAPI 4 و SAPI 5 لدعم توليف الكلام والتعرف عليه . كان SAPI 4.0 متاحًا كإضافة اختيارية لنظامي ويندوز 95 وويندوز 98. أضاف ويندوز 2000 برنامج Narrator ، وهو أداة لتحويل النص إلى كلام مخصصة للأشخاص ذوي الإعاقة البصرية. يمكن لبرامج خارجية مثل JAWS for Windows وWindow-Eyes وNon-visual Desktop Access وSupernova وSystem Access أداء مهام متنوعة لتحويل النص إلى كلام، مثل قراءة النصوص بصوت عالٍ من موقع ويب محدد، أو حساب بريد إلكتروني، أو مستند نصي، أو حافظة ويندوز، أو حتى من لوحة مفاتيح المستخدم، وما إلى ذلك. لا تدعم جميع البرامج توليف الكلام بشكل مباشر. [ 97 ] يمكن لبعض البرامج استخدام إضافات أو ملحقات لقراءة النصوص بصوت عالٍ. كما تتوفر برامج خارجية قادرة على قراءة النصوص من حافظة النظام.

يُعدّ Microsoft Speech Server حزمة برمجية قائمة على الخادم لتوليف الصوت والتعرف عليه. وهو مصمم للاستخدام عبر الشبكة مع تطبيقات الويب ومراكز الاتصال .

فوتراكس

جهاز توليف الكلام Votrax Type 'N Talk (1980)

أنتجت شركة فوتراكس، خلال الفترة من عام 1971 إلى عام 1996، عدداً من مكونات أجهزة توليف الكلام التجارية. وقد تم تضمين جهاز توليف كلام من إنتاج فوتراكس في الجيل الأول من آلة القراءة كورزويل للمكفوفين.

أنظمة تحويل النص إلى كلام

يشير مصطلح تحويل النص إلى كلام (TTS) إلى قدرة أجهزة الكمبيوتر على قراءة النصوص بصوت عالٍ. يقوم محرك تحويل النص إلى كلام بتحويل النص المكتوب إلى تمثيل صوتي، ثم يحول هذا التمثيل الصوتي إلى موجات صوتية يمكن إخراجها. تتوفر محركات تحويل النص إلى كلام بلغات ولهجات ومفردات متخصصة مختلفة من خلال ناشرين خارجيين. [ 98 ]

أندرويد

أضاف الإصدار 1.6 من نظام أندرويد دعمًا لتقنية تحويل النص إلى كلام (TTS). [ 99 ]

إنترنت

يوجد حاليًا عدد من التطبيقات والإضافات والأدوات التي تتيح قراءة الرسائل مباشرةً من برنامج البريد الإلكتروني وصفحات الويب من متصفح الإنترنت أو شريط أدوات جوجل . كما تتوفر برامج متخصصة لقراءة خلاصات RSS . من جهة، تُسهّل برامج قراءة خلاصات RSS عبر الإنترنت عملية نقل المعلومات، إذ تُمكّن المستخدمين من الاستماع إلى مصادر الأخبار المفضلة لديهم وتحويلها إلى ملفات صوتية (بودكاست) . ومن جهة أخرى، تتوفر برامج قراءة خلاصات RSS على معظم أجهزة الكمبيوتر الشخصية المتصلة بالإنترنت. ويمكن للمستخدمين تنزيل الملفات الصوتية المُولّدة إلى أجهزتهم المحمولة، باستخدام تطبيقات مثل تطبيقات البودكاست ، والاستماع إليها أثناء المشي أو الركض أو التنقل إلى العمل.

يُعدّ مجال تقنيات تحويل النص إلى كلام عبر الإنترنت مجالًا متناميًا، لا سيما تقنيات المساعدة عبر الويب ، مثل برنامج "Browsealoud" من شركة بريطانية وبرنامج "Readspeaker" . تُتيح هذه التقنيات إمكانية الوصول إلى وظائف تحويل النص إلى كلام لأي شخص (لأسباب تتعلق بسهولة الوصول، أو الراحة، أو الترفيه، أو الحصول على المعلومات) ممن لديه إمكانية الوصول إلى متصفح ويب. وقد أُنشئ مشروع "Pediaphon" غير الربحي عام 2006 لتوفير واجهة تحويل نص إلى كلام مماثلة عبر الويب لموقع ويكيبيديا. [ 100 ]

ويجري العمل أيضاً في سياق اتحاد شبكة الويب العالمية (W3C) من خلال مجموعة حاضنة الصوت التابعة له، بمشاركة هيئة الإذاعة البريطانية (BBC) وشركة جوجل.

المصادر المفتوحة

تتوفر بعض أنظمة البرمجيات مفتوحة المصدر ، مثل:

آحرون

أصوات رقمية مشابهة

في مؤتمر أنظمة معالجة المعلومات العصبية لعام 2018 (NeurIPS)، قدم باحثون من جوجل بحثًا بعنوان "نقل التعلم من التحقق من هوية المتحدث إلى توليف الكلام من النص متعدد المتحدثين"، والذي ينقل التعلم من التحقق من هوية المتحدث لتحقيق توليف الكلام من النص، والذي يمكن جعله يبدو وكأنه أي شخص تقريبًا من عينة كلامية مدتها 5 ثوانٍ فقط. [ 103 ]

كما قدم باحثون من شركة بايدو للأبحاث نظام استنساخ صوتي بأهداف مماثلة في مؤتمر NeurIPS لعام 2018، [ 104 ] على الرغم من أن النتيجة غير مقنعة إلى حد ما.

بحلول عام 2019، وصلت تقنية الصوت الرقمي المُقلّد إلى أيدي المجرمين، حيث رصد باحثو شركة سيمانتك ثلاث حالات استُخدمت فيها هذه التقنية في ارتكاب جرائم. [ 105 ] [ 106 ]

وهذا يزيد من حدة التوتر في وضع التضليل الإعلامي، بالإضافة إلى حقيقة أن

  • لقد تحسنت تقنية توليف الصور البشرية منذ أوائل العقد الأول من القرن الحادي والعشرين إلى درجة تجاوزت قدرة الإنسان على التمييز بين الإنسان الحقيقي المصوّر بكاميرا حقيقية ومحاكاة الإنسان المصوّر بمحاكاة الكاميرا.
  • تم تقديم تقنيات تزوير الفيديو ثنائي الأبعاد في عام 2016 والتي تسمح بتزييف تعابير الوجه في الفيديو ثنائي الأبعاد الموجود في الوقت الفعلي تقريبًا . [ 107 ]
  • في مؤتمر SIGGRAPH 2017، قدم باحثون من جامعة واشنطن نموذجًا رقميًا مُحاكيًا للجزء العلوي من جسد باراك أوباما، يعتمد على الصوت . وقد اعتمد هذا النموذج على مسار صوتي فقط كمصدر بيانات للرسوم المتحركة، وذلك بعد اكتمال مرحلة التدريب التي تهدف إلى الحصول على مزامنة حركة الشفاه ومعلومات أوسع عن الوجه من مواد تدريبية تتكون من مقاطع فيديو ثنائية الأبعاد مصحوبة بالصوت. [ 108 ]

لغات ترميز توليف الكلام

تم تطوير عدد من لغات الترميز لتحويل النصوص إلى كلام بتنسيق متوافق مع XML . أحدثها لغة ترميز توليف الكلام (SSML)، التي أصبحت توصية من اتحاد شبكة الويب العالمية (W3C) عام 2004. ومن لغات ترميز توليف الكلام الأقدم لغة ترميز الكلام في جافا ( JSML ) ولغة SABLE . ورغم اقتراح كل منها كمعيار، إلا أنها لم تُعتمد على نطاق واسع.

تختلف لغات ترميز توليف الكلام عن لغات ترميز الحوار. على سبيل المثال، تتضمن لغة VoiceXML علامات متعلقة بالتعرف على الكلام، وإدارة الحوار، والاتصال عبر النغمات، بالإضافة إلى ترميز تحويل النص إلى كلام.

التطبيقات

لطالما شكّل توليف الكلام أداةً تكنولوجيةً مساعدةً حيوية، وتطبيقاته في هذا المجال واسعة النطاق وهامة. فهو يُتيح إزالة الحواجز البيئية أمام الأشخاص ذوي الإعاقات المختلفة. وقد استُخدمت هذه التقنية لأطول فترة في برامج قراءة الشاشة للأشخاص ذوي الإعاقة البصرية، إلا أن أنظمة تحويل النص إلى كلام تُستخدم الآن على نطاق واسع من قِبل الأشخاص الذين يعانون من عسر القراءة وغيره من صعوبات القراءة ، وكذلك من قِبل الأطفال في مرحلة ما قبل القراءة والكتابة. [ 109 ] كما تُستخدم هذه التقنية بكثرة لمساعدة الأشخاص الذين يعانون من صعوبات شديدة في النطق، عادةً من خلال جهاز مُخصّص للتواصل الصوتي . [ 110 ] ويجري العمل حاليًا على تخصيص الصوت الاصطناعي ليتناسب بشكل أفضل مع شخصية الفرد أو صوته التاريخي. [ 111 ] ومن أبرز تطبيقات توليف الكلام جهاز كورزويل للقراءة للمكفوفين ، الذي تضمن برنامجًا لتحويل النص إلى صوتيات، استنادًا إلى أعمال مختبرات هاسكينز، وجهاز توليف صوتي مُغلق من إنتاج شركة فوتراكس . [ 112 ]

كان ستيفن هوكينج أحد أشهر الأشخاص الذين استخدموا جهاز كمبيوتر ناطق للتواصل.
سلسلة محاضرات البيت الأبيض للألفية - -2 - ستيفن هوكينج

تُستخدم تقنيات توليف الكلام أيضًا في الإنتاجات الترفيهية مثل الألعاب والرسوم المتحركة. في عام 2007، أعلنت شركة أنيمو المحدودة عن تطوير حزمة تطبيقات برمجية تعتمد على برنامج توليف الكلام الخاص بها، فاين سبيتش، والموجهة خصيصًا لعملاء صناعات الترفيه، والقادرة على توليد السرد وجمل الحوار وفقًا لمواصفات المستخدم. [ 113 ] وصل التطبيق إلى مرحلة النضج في عام 2008، عندما أعلنت شركة إن إي سي بيجلوب عن خدمة ويب تتيح للمستخدمين إنشاء عبارات من أصوات شخصيات مسلسل الأنمي الياباني كود جياس: ليلوش من الثورة R2 . [ 114 ] وقد استُخدمت منصة 15.ai بشكل متكرر لإنشاء المحتوى في مختلف المجتمعات الجماهيرية ، بما في ذلك مجتمع ماي ليتل بوني: فريندشيب إز ماجيك ، ومجتمع تيم فورتريس 2 ، ومجتمع بورتال ، ومجتمع سبونج بوب سكوير بانتس . [ 115 ] [ 116 ] [ 117 ]

أصبحت تقنيات تحويل النص إلى كلام متاحة على نطاق واسع لذوي الإعاقة وضعاف السمع. كما تجد هذه التقنية تطبيقات جديدة؛ فعلى سبيل المثال، يتيح دمج توليف الكلام مع التعرف على الكلام التفاعل مع الأجهزة المحمولة عبر واجهات معالجة اللغة الطبيعية . وقد أنشأ بعض المستخدمين مساعدين افتراضيين يعملون بالذكاء الاصطناعي باستخدام منصة 15.ai وبرامج التحكم الصوتي الخارجية. [ 38 ] [ 118 ]

تُستخدم تقنية تحويل النص إلى كلام أيضًا في اكتساب اللغة الثانية. على سبيل المثال، Voki هي أداة تعليمية طورتها شركة Oddcast، تتيح للمستخدمين إنشاء شخصيات افتراضية ناطقة خاصة بهم، باستخدام لهجات مختلفة. ويمكن إرسال هذه الشخصيات عبر البريد الإلكتروني، أو تضمينها في مواقع الويب، أو مشاركتها على وسائل التواصل الاجتماعي.

استخدم مُنشئو المحتوى أدوات استنساخ الصوت لإعادة إنتاج أصواتهم في البودكاست، [ 119 ] [ 120 ] والتعليق الصوتي، [ 50 ] والبرامج الكوميدية. [ 121 ] [ 122 ] [ 123 ] كما استخدم الناشرون والمؤلفون هذه البرامج لسرد الكتب الصوتية والنشرات الإخبارية. [ 124 ] [ 125 ] ومن مجالات التطبيق الأخرى إنشاء مقاطع فيديو بتقنية الذكاء الاصطناعي مع شخصيات تتحدث. تتيح تطبيقات الويب ومحررات الفيديو مثل Elai.io و Synthesia للمستخدمين إنشاء محتوى فيديو يتضمن صورًا رمزية مُولّدة بالذكاء الاصطناعي، والتي تُحوَّل إلى الكلام باستخدام تقنية تحويل النص إلى كلام. [ 126 ] [ 127 ]

يُعدّ توليف الكلام أداة حاسوبية قيّمة لتحليل وتقييم اضطرابات النطق. وقد طوّر خورخي سي. لوسيرو وزملاؤه في جامعة برازيليا مُركِّبًا لجودة الصوت ، يُحاكي فيزياء النطق ويتضمن نماذج لاضطرابات التردد الصوتي والارتعاش، وضوضاء تدفق الهواء، وعدم تناسق الحنجرة. [ 73 ] وقد استُخدم هذا المُركِّب لمحاكاة جرس صوت المتحدثين المصابين باضطرابات النطق مع مستويات مُتحكَّم بها من الخشونة والتنفسية والإجهاد. [ 74 ]

توليف الغناء

أغنية "Encore" لجيمي بيج، تعرض فيها كلاً من صوتها الحي وصوتها المُصنّع بواسطة بنك أصوات Vocaloid Gumi

في العقد الثاني من الألفية الثانية، استفادت تقنية توليف الصوت من التطورات في الذكاء الاصطناعي، والاستماع العميق، والتعلم الآلي، لتحسين تمثيل الفروق الدقيقة في الصوت البشري. وتُسهّل مكتبات العينات عالية الدقة الجديدة، بالإضافة إلى محطات العمل الصوتية الرقمية، التحرير الدقيق، مثل تغيير الترددات الرنانة ، وضبط الاهتزاز الصوتي، وتعديل حروف العلة والحروف الساكنة. وتتوفر مكتبات عينات للغات ولهجات متنوعة. ومع التطورات في توليف الصوت، يستخدم الفنانون أحيانًا مكتبات العينات بدلاً من مغني الكورال. [ 128 ]

انظر أيضاً

مراجع

  1. ↑ ألين، جوناثان؛ هانيكات، إم. شارون؛ كلات، دينيس (1987). من النص إلى الكلام: نظام MITalk . مطبعة جامعة كامبريدج. ISBN 978-0-521-30641-6.
  2. ↑ روبين، ب.؛ باير، ت.؛ ميرملشتاين، ب. (1981). "مُركِّب نطقي للبحوث الإدراكية". مجلة الجمعية الصوتية الأمريكية . 70 (2): 321-328 . Bibcode : 1981ASAJ...70..321R . doi : 10.1121/1.386780 .
  3. ↑ ماكيلروي، دكتور في الطب (1974-04-01). "الخطاب الإنجليزي الاصطناعي وفقًا للقواعد" . مجلة الجمعية الصوتية الأمريكية . 55 (ملحق 1): ص55- ص56. رمز Bibcode : 1974ASAJ...55R..55M . doi : 10.1121/1.1919804 . ISSN 0001-4966 . 
  4. ^ فان سانتن، يناير PH؛ سبروت، ريتشارد دبليو؛ أوليف جوزيف ب. هيرشبيرج، جوليا (1997). التقدم في تركيب الكلام . سبرينغر. رقم ISBN 978-0-387-94701-3.
  5. ↑ فان سانتين، ج. (أبريل 1994). "تحديد مدة المقاطع الصوتية في توليف الكلام من النص". الكلام واللغة الحاسوبية . 8 (2): 95-128 . doi : 10.1006/csla.1994.1005 .
  6. ↑ غوميدي، إيفرتون (10 مارس 2024). "تطور توليف الكلام من خلال التعلم العميق" . مجلة العالم الحديث . موقع Medium . تاريخ الاسترجاع: 8 سبتمبر 2025 .
  7. ↑ ""أنت صديقي": الروبوتات المبكرة والكلام الاصطناعي . مراجعة الملكية العامة . تم الاطلاع عليه بتاريخ 8 سبتمبر 2025 .
  8. ↑ تاريخ وتطور توليف الكلام ، جامعة هلسنكي للتكنولوجيا، تم الاطلاع عليه في 4 نوفمبر 2006
  9. ↑ Mechanismus der menschlichen Sprache nebst der Beschreibung seiner sprechenden Maschine ("آلية الكلام البشري مع وصف آلة التحدث"، JB Degen، Wien). (باللغة الألمانية)
  10. ↑ ماتينجلي، إغناتيوس ج. (1974). سيبوك، توماس أ. (محرر). "توليف الكلام للنماذج الصوتية والفونولوجية" (ملف PDF) . الاتجاهات الحالية في اللغويات . 12. موتون، لاهاي: 2451-2487 . مؤرشف من الأصل (ملف PDF) بتاريخ 12-05-2013 . تم الاطلاع عليه بتاريخ 13-12-2011 .
  11. ↑ كلات، د. (1987). "مراجعة لتحويل النص إلى كلام للغة الإنجليزية". مجلة الجمعية الصوتية الأمريكية . 82 (3): 737-93 . Bibcode : 1987ASAJ...82..737K . doi : 10.1121/1.395275 . PMID 2958525 . 
  12. ↑ لامبرت، بروس (21 مارس 1992). "لويس غيرستمان، 61 عامًا، متخصص في اضطرابات وعمليات النطق" . صحيفة نيويورك تايمز .
  13. ↑ "ألبوم "موسيقى من الرياضيات" تم إنتاجه باستخدام حاسوب IBM 7090 - حدث - تاريخ الحوسبة . www.computinghistory.org.uk . تاريخ الوصول: 10 يونيو 2026 .
  14. ↑ "سيرة آرثر سي كلارك" . مؤرشفة من الأصل في 11 ديسمبر 1997. تم الاطلاع عليها في 5 ديسمبر 2017 .
  15. ↑ "حيث نطق "هال" لأول مرة (موقع مختبرات بيل لتوليف الكلام)" . مختبرات بيل. مؤرشف من الأصل بتاريخ 7 أبريل 2000. تم الاطلاع عليه بتاريخ 17 فبراير 2010 .
  16. ↑ سلسلة روبوتات واسيدا الناطقة ذات الصفات البشرية، مؤرشفة بتاريخ 4 مارس 2016 في أرشيف الإنترنت (Wayback Machine) .
  17. ↑ غراي، روبرت م. (2010). "تاريخ الكلام الرقمي في الوقت الحقيقي على شبكات الحزم: الجزء الثاني من الترميز التنبؤي الخطي وبروتوكول الإنترنت" (ملف PDF) . أسس واتجاهات معالجة الإشارات . 3 (4): 203-303 . doi : 10.1561/2000000036 . ISSN 1932-8346 . مؤرشف (ملف PDF) من الأصل بتاريخ 9 أكتوبر 2022. 
  18. ↑ تشنغ، ف.؛ سونغ، ز.؛ لي، ل.؛ يو، و. (1998). "مقياس المسافة لأزواج طيف الخط المطبق على التعرف على الكلام" (ملف PDF) . وقائع المؤتمر الدولي الخامس لمعالجة اللغة المنطوقة (ICSLP'98) (3): 1123-1126 . مؤرشف (ملف PDF) من الأصل بتاريخ 9 أكتوبر 2022.
  19. 1 2 "قائمة إنجازات معهد مهندسي الكهرباء والإلكترونيات" . معهد مهندسي الكهرباء والإلكترونيات . تم الاطلاع عليه بتاريخ 15 يوليو 2019 .
  20. 1 2 "تاريخ فوميتادا إيتاكورا الشفهي" . شبكة التاريخ العالمي IEEE. 20 مايو 2009 . تم الاسترجاع 2009-07-21 .
  21. ^ بيلي، روبرتو. كانافيسيو، فرانكو؛ , ألبرتو ; نبيا ، لوتشيانو (1 نوفمبر 1995). “تقنية الصوت التفاعلية في العمل: تجربة CSELT”. التواصل الكلامي . 17 (3): 263–271 . دوى : 10.1016/0167-6393(95)00030-R .
  22. ↑ سبراوت، ريتشارد و. (1997). توليف الكلام متعدد اللغات من النص: منهج مختبرات بيل . سبرينغر. ISBN 978-0-7923-8027-6.
  23. ↑ [آلة حاسبة ناطقة TSI Speech+ وغيرها]
  24. ↑ جيفارياهو، جوناثان، [ "دليل الدائرة المتكاملة LSI لمركب الكلام TSI S14001A"]
  25. ↑ بريسلو وآخرون، الولايات المتحدة الأمريكية 4326710  : "لعبة إلكترونية ناطقة"، 27 أبريل 1982
  26. ↑ تحدي صوت الشطرنج
  27. ↑ أهم تطورات الألعاب ( مؤرشفة بتاريخ 15 يونيو 2011 في Wayback Machine ، GamesRadar)
  28. ↑ أدلوم، إيدي (نوفمبر 1985). "سنوات إعادة التشغيل: تأملات من إيدي أدلوم" . إعادة التشغيل . المجلد 11، العدد 2. الصفحات 134-175 (160-163).   
  29. ↑ شتشيبانياك، جون (2014). التاريخ غير المروي لمطوري الألعاب اليابانيين . المجلد 1. إس إم جي شتشيبانياك. الصفحات 544-615 . ISBN   978-0992926007.
  30. ↑ "تاريخ موجز لبرنامج كومبيوتالكر" . مشروع سميثسونيان لتاريخ توليف الكلام .
  31. ↑ كاديميتز (2020-08-20). "آن سيردال، التي ساهمت في إضفاء صوت أنثوي على أجهزة الكمبيوتر، تُوفيت عن عمر يناهز 74 عامًا" . صحيفة نيويورك تايمز . تم الاطلاع عليه بتاريخ 23-08-2020 .
  32. ↑ كورزويل، ريموند (2005). التفرد قريب . كتب بنغوين . ISBN 978-0-14-303788-0.
  33. ^ فان دن أورد ، آرون (2017/11/12). "توليف الكلام عالي الدقة باستخدام WaveNet" . ديب مايند . تم الاسترجاع بتاريخ 2022-06-05 .
  34. ↑ "عينات صوتية من "التدريب شبه الخاضع للإشراف لتحسين كفاءة البيانات في توليف الكلام من البداية إلى النهاية"" . 2018-08-30. مؤرشف من الأصل بتاريخ 2020-11-11 . تم الاسترجاع بتاريخ 2022-06-05 .
  35. ↑ رين، يي (2019). "FastSpeech: تحويل النص إلى كلام سريع وقوي وقابل للتحكم". arXiv : 1905.09263 [ cs.CL ].
  36. ↑ كونغ، جونجيل (2020). "HiFi-GAN: شبكات الخصومة التوليدية لتوليف الكلام بكفاءة ودقة عالية". arXiv : 2010.05646 [ cs.SD ].
  37. ↑ كيم، جاي هيون (2020). "Glow-TTS: تدفق توليدي لتحويل النص إلى كلام عبر البحث عن المحاذاة الرتيبة". arXiv : 2005.11129 [ eess.AS ].
  38. 1 2 كوروساوا، يوكي (19 يناير 2021). "ゲ ム キ ャ ラ 音 声読 み 上 げ ソ フ ト 「15.ai」公開中.『تحت حكاية』や『بوابة』のキャラに好きなセリフを言ってもらえる" [ برنامج القراءة الصوتية لشخصيات اللعبة "15.ai" متوفر الآن. احصل على شخصيات من Undertale وPortal لتقول عباراتك المرغوبة ] . أوتوماتون (باللغة اليابانية). مؤرشفة من الأصلي في 19 يناير 2021 . تم الاطلاع عليه بتاريخ 18 ديسمبر 2024 .
  39. ↑遊戲، 遊戲角落 (20 يناير 2021). ""AI語音可以模仿《傳送門》GLaDOS講出任何對白!連《Undertale》都可以學" [ يمكن لصوت الذكاء الاصطناعي هذا تقليد GLaDOS الخاص بالبوابة وهو يقول أي حوار! ويمكنه حتى أن يتعلم Undertale ] . يونايتد ديلي نيوز (باللغة الصينية (تايوان)). مؤرشفة من الأصلي في 19 ديسمبر 2024 . تم الاسترجاع في 18 ديسمبر 2024 .
  40. ^ لامورليت ، روبن (25 يناير 2021). "Insolite : موقع يسمح لك بعرض ما تريده من GlaDOS (وشخصيات أخرى لألعاب الفيديو)" [ غير عادي: يتيح لك الموقع جعل GlaDOS (وشخصيات ألعاب الفيديو الأخرى) تقول ما تريد ] . كلوبليك (بالفرنسية). مؤرشفة من الأصلي في 19 يناير 2025 . تم الاسترجاع في 23 مارس، 2025 . 
  41. 1 2 تيميتوب، يوسف (10 ديسمبر 2024). "مبتكر 15.ai يكشف رحلته من مشروع في معهد ماساتشوستس للتكنولوجيا إلى ظاهرة على الإنترنت" . صحيفة الغارديان . لاغوس، نيجيريا. مؤرشف من الأصل في 28 ديسمبر 2024. تم الاطلاع عليه في 25 ديسمبر 2024 .
  42. ↑ أنيرود في كي (18 مارس 2023). "تقنية التزييف العميق تُعزز ثقافة الميمات، ولكن بأي ثمن؟" . مجلة أناليتكس إنديا . مؤرشف من الأصل في 26 ديسمبر 2024. تم الاطلاع عليه في 18 ديسمبر 2024 .
  43. ↑ رايت، ستيفن (21 مارس 2023). "لماذا أصبح جدال بايدن وترامب وأوباما حول ألعاب الفيديو هوس يوتيوب الجديد؟" . إنفرس . مؤرشف من الأصل في 20 ديسمبر 2024. تم الاطلاع عليه في 18 ديسمبر 2024 .
  44. ↑ إينيس، روبي (18 يناير 2022). "فويسفيرس هي أحدث شركة NFT تُضبط وهي تستخدم محتوى شخص آخر" . كوتاكو أستراليا . مؤرشف من الأصل في 26 يوليو 2024. تم الاطلاع عليه في 28 فبراير 2025 .
  45. ↑ فيليبس، توم (17 يناير 2022). "شركة NFT مدعومة من تروي بيكر تعترف باستخدام خطوط صوتية مأخوذة من خدمة أخرى دون إذن" . يورو غيمر . مؤرشف من الأصل في 17 يناير 2022. تم الاطلاع عليه في 31 ديسمبر 2024 .
  46. ↑ ويليامز، ديمي (18 يناير 2022). "Voiceverse NFT تعترف باستخدام خطوط صوتية من خدمة غير تجارية" . NME . مؤرشف من الأصل في 18 يناير 2022. تم الاطلاع عليه في 18 ديسمبر 2024 .
  47. ↑ لام، خوا (14 يناير 2022). "الحادثة رقم 277: سرقة أصوات تم إنشاؤها باستخدام تطبيق متاح للجمهور وإعادة بيعها كرموز غير قابلة للاستبدال (NFT) دون إسناد" . قاعدة بيانات حوادث الذكاء الاصطناعي . مؤرشفة من الأصل في 13 يناير 2025. تم الاطلاع عليها في 27 فبراير 2025 .
  48. ↑ "الذكاء الاصطناعي التوليدي يغزو دبلجة الأفلام: شركة ElevenLabs الناشئة في مجال الذكاء الاصطناعي الصوتي تجمع تمويلاً أولياً" . Sifted . 23 يناير 2023. تاريخ الاطلاع: 3 فبراير 2023 .
  49. ↑ فريق عمل مجلة وايرد. "هذا البودكاست ليس من تقديم برامج صوتية آلية. نقسم بذلك" . وايرد . الرقم الدولي الموحد للدوريات 1059-1028 . تاريخ الاطلاع: 25 يوليو 2023 . 
  50. 1 2 آشورث، بون (12 أبريل 2023). "الذكاء الاصطناعي قادر على استنساخ صوت مقدم البودكاست المفضل لديك" . وايرد . تم الاسترجاع في 25 أبريل 2023 .
  51. ↑ ويغرز، كايل (2023-06-20). "منصة توليد الصوت ElevenLabs تجمع 19 مليون دولار، وتطلق أداة للكشف" . TechCrunch . تم الاطلاع عليه بتاريخ 25-07-2023 .
  52. ↑ بونك، لورانس. "أداة الذكاء الاصطناعي الجديدة والقوية من ElevenLabs تتيح لك إنشاء كتاب صوتي كامل في دقائق" . لايف واير . تم الاسترجاع في 25 يوليو 2023 .
  53. ↑ "مواجهة تحديات وفرص الأصوات الاصطناعية" . OpenAI . 9 مارس 2024. مؤرشف من الأصل في 25 نوفمبر 2024. تم الاطلاع عليه في 18 ديسمبر 2024 .
  54. ↑ هيرن، أليكس (31 مارس 2024). "أوبن إيه آي تعتبر أداة استنساخ الصوت الخاصة بها محفوفة بالمخاطر للغاية بحيث لا يمكن طرحها للجمهور" . صحيفة الغارديان . تم الاطلاع عليه في 30 سبتمبر 2025 .
  55. ↑ تايلور ، بول (2009). توليف الكلام من النص . كامبريدج، المملكة المتحدة: مطبعة جامعة كامبريدج. ص 3. ISBN  9780521899277.
  56. ↑ آلان دبليو. بلاك ، توليف مثالي لجميع الناس في جميع الأوقات. ورشة عمل IEEE TTS 2002.
  57. ↑ جون كومينيك وآلان دبليو بلاك . (2003). قواعد بيانات CMU ARCTIC لتوليف الكلام. CMU-LTI-03-177. معهد تقنيات اللغة، كلية علوم الحاسوب، جامعة كارنيجي ميلون.
  58. ↑ جوليا تشانغ. توليد اللغة وتوليف الكلام في الحوارات لتعلم اللغة ، رسالة ماجستير، القسم 5.6 في الصفحة 54.
  59. ↑ ويليام يانغ وانغ وكاليروي جورجيلا. (2011). الكشف التلقائي عن المقاطع غير الطبيعية على مستوى الكلمات في توليف الكلام باختيار الوحدة ، IEEE ASRU 2011.
  60. ↑ "توليف التداخل والإضافة المتزامن مع درجة الصوت (PSOLA)" . مؤرشف من الأصل في 22 فبراير 2007. تم الاسترجاع في 28 مايو 2008 .
  61. ↑ تي. دوتوا، في. باجل، إن. بييريه، إف. باتاي، أو. فان دير فريكن. مشروع MBROLA: نحو مجموعة من مُركِّبات الكلام عالية الجودة للاستخدامات غير التجارية . وقائع المؤتمر الدولي لعلوم الكلام واللغة ، 1996.
  62. 1 2 موراليشانكار، ر.؛ راماكريشنان، أ.ج.؛ براتيبها، ب. (فبراير 2004). "تعديل درجة الصوت باستخدام تحويل جيب التمام المنفصل في مجال المصدر". اتصالات الكلام . 42 (2): 143-154 . doi : 10.1016/j.specom.2003.05.001 .
  63. ↑ "التعليم: أعجوبة برونكس" . مجلة تايم . 1 أبريل 1974. الرقم الدولي الموحد للدوريات 0040-781X . مؤرشف من الأصل بتاريخ 24 مايو 2019. تاريخ الاسترجاع: 28 مايو 2019 . 
  64. ↑ "1960 - رودي الروبوت - مايكل فريمان (أمريكي)" . cyberneticzoo.com . 2010-09-13 . تم الاطلاع عليه بتاريخ 2019-05-23 .
  65. ↑ مجلة نيويورك . شركة نيويورك ميديا، ذ.م.م. 30-07-1979.
  66. ↑ المستقبلي . جمعية المستقبل العالمية. 1978. الصفحات 359، 360، 361. 
  67. ↑ LF Lamel , JL Gauvain, B. Prouts, C. Bouhier, R. Boesch. توليد وتوليف رسائل البث ، وقائع ورشة عمل ESCA-NATO وتطبيقات تكنولوجيا الكلام ، سبتمبر 1993.
  68. ↑ كلية دارتموث: الموسيقى والحواسيب مؤرشفة في 2011-06-08 في Wayback Machine ، 1993.
  69. ↑ تشمل الأمثلة Astro Blaster و Space Fury و Star Trek: Strategic Operations Simulator
  70. ↑ تشمل الأمثلة Star Wars و Firefox و Return of the Jedi و Road Runner و The Empire Strikes Back و Indiana Jones and the Temple of Doom و 720° و Gauntlet و Gauntlet II و APB و Paperboy و RoadBlasters و Vindicators Part II و Escape from the Planet of the Robot Monsters .
  71. ↑ جون هولمز وويندي هولمز (2001). توليف الكلام والتعرف عليه ( الطبعة الثانية). سي آر سي. رقم ISBN  978-0-7484-0856-6.
  72. ↑ تشو، جيان (25 مايو 2020). "استكشاف المعرفة الصوتية والفونولوجية للنغمات في نماذج تحويل النص إلى كلام في اللغة الصينية الماندرينية" . علم عروض الكلام 2020. ISCA: 930-934 . arXiv : 1912.10915 . doi : 10.21437/speechprosody.2020-190 . S2CID 209444942 . 
  73. 1 2 لوسيرو، جيه سي؛ شوينتجن، جيه؛ بهلاو، إم. (2013). "توليف الأصوات غير المنتظمة باستخدام الفيزياء" (ملف PDF) . مؤتمر إنترسبيتش 2013. ليون، فرنسا: الرابطة الدولية للتواصل الكلامي: 587-591 . doi : 10.21437/Interspeech.2013-161 . S2CID 17451802. تاريخ الاسترجاع: 27 أغسطس 2015 . 
  74. 1 2 إنجليرت، مارينا؛ مادازيو، غلاوسيا؛ جيلو، إنغريد؛ لوسيرو، خورخي؛ بهلاو، مارا (2016). "تحديد الخطأ الإدراكي للأصوات البشرية والمُصنّعة". مجلة الصوت . 30 (5): 639.e17–639.e23. doi : 10.1016/j.jvoice.2015.07.017 . PMID 26337775 . 
  75. ↑ "نظام توليف الكلام القائم على نموذج ماركوف المخفي" . Hts.sp.nitech.ac.j. مؤرشف من الأصل بتاريخ 13 فبراير 2012. تم الاطلاع عليه بتاريخ 22 فبراير 2012 .
  76. ↑ ريميز، ر.؛ روبين، ب.؛ بيزوني، د.؛ كاريل، ت. (22 مايو 1981). "إدراك الكلام بدون إشارات الكلام التقليدية" (ملف PDF) . مجلة ساينس . 212 (4497): 947-949 . رمز Bibcode : 1981Sci...212..947R . doi : 10.1126/science.7233191 . PMID 7233191. مؤرشف من النسخة الأصلية (ملف PDF) بتاريخ 16 ديسمبر 2011. تم الاطلاع عليه بتاريخ 14 ديسمبر 2011 . 
  77. ↑ سميث، هانا؛ مانستيد، كاثرين (1 أبريل 2020). التزييف العميق المُسلّح: الأمن القومي والديمقراطية . المجلد 28. المعهد الأسترالي للسياسة الاستراتيجية . الصفحات 11-13 . الرقم الدولي الموحد للدوريات 2209-9689 .   
  78. ↑ ليو، سيوي (2020). "كشف التزييف العميق: التحديات الحالية والخطوات التالية". ورش عمل المؤتمر الدولي للوسائط المتعددة والمعرض IEEE لعام 2020 (ICMEW) . الصفحات 1-6 . arXiv : 2003.09234 . doi : 10.1109/icmew46912.2020.9105991 . ISBN  978-1-7281-1485-9. S2CID 214605906 . 
  79. ↑ دياكوبولوس، نيكولاس؛ جونسون، ديبورا (يونيو 2020). "استباق ومعالجة الآثار الأخلاقية لتقنية التزييف العميق في سياق الانتخابات" . الإعلام الجديد والمجتمع . 23 (7) (نُشر في 5 يونيو 2020 ): 2072-2098 . doi : 10.1177/1461444820925811 . ISSN 1461-4448 . S2CID 226196422 .  
  80. ^ ميرفي ، مارجي (20 فبراير 2024). "Deepfake Audio Boom يستغل الذكاء الاصطناعي لشركة ناشئة تبلغ قيمتها مليار دولار" . بلومبرج.
  81. ↑ تشادها، أنوباما؛ كومار، فايبهاف؛ كاشياب، سونو؛ غوبتا، مايانك (2021)، "التزييف العميق: نظرة عامة" ، في سينغ، براديب كومار؛ ويرزتشون، سلافومير ت.؛ تانوار، سوديب؛ غانزا، ماريا (محررون)، وقائع المؤتمر الدولي الثاني حول الحوسبة والاتصالات والأمن السيبراني ، سلسلة محاضرات في الشبكات والأنظمة، المجلد 203، سنغافورة: سبرينغر سنغافورة، الصفحات 557-566 ، doi : 10.1007/978-981-16-0733-2_39 ، ISBN   978-981-16-0732-5، S2CID 236666289 ، تم استرجاعه بتاريخ 29-06-2022 
  82. ↑ «أعاد الذكاء الاصطناعي صوت فال كيلمر. لكن النقاد يخشون إساءة استخدام هذه التقنية» . صحيفة واشنطن بوست . ISSN 0190-8286 . تاريخ الاطلاع: 29 يونيو 2022 . 
  83. ↑ إتيان، فانيسا (19 أغسطس 2021). "فال كيلمر يستعيد صوته بعد معركته مع سرطان الحلق باستخدام تقنية الذكاء الاصطناعي: استمع إلى النتائج" . PEOPLE.com . تم الاطلاع عليه بتاريخ 1 يوليو 2022 .
  84. ↑ نيومان، ليلي هاي. "الأصوات المُولّدة بالذكاء الاصطناعي بتقنية التزييف العميق ليست جيدة بشكل مخيف - حتى الآن" . مجلة وايرد . الرقم الدولي الموحد للدوريات 1059-1028 . تاريخ الاسترجاع: 25 يوليو 2023 . 
  85. ↑ "توليف الكلام" . منظمة شبكة الويب العالمية.
  86. ↑ "تحدي العاصفة الثلجية" . Festvox.org . تم الاطلاع عليه بتاريخ 22-02-2012 .
  87. ↑ "ابتسم - وسيسمعك العالم" . جامعة بورتسموث. 9 يناير 2008. مؤرشف من الأصل في 17 مايو 2008.
  88. ↑ "ابتسم – وسيسمعك العالم، حتى لو اختبأت" . ساينس ديلي . يناير 2008.
  89. ↑ دراهوتا، أ. (2008). "التواصل الصوتي لأنواع الابتسامة المختلفة" (ملف PDF) . التواصل الكلامي . 50 (4): 278-287 . doi : 10.1016/j.specom.2007.10.001 . S2CID 46693018. مؤرشف من الأصل (ملف PDF) بتاريخ 2013-07-03. 
  90. ↑ براثوش، أ.ب.؛ راماكريشنان، أ.ج.؛ أنانتابادمانابها، ت.ف. (ديسمبر 2013). "استخلاص الحقبة الزمنية بناءً على الباقي التنبؤي الخطي المتكامل باستخدام مؤشر الانفجار". معاملات IEEE في معالجة الصوت والكلام واللغة . 21 (12): 2471-2480 . رمز Bibcode : 2013ITASL..21.2471P . doi : 10.1109/TASL.2013.2273717 . S2CID 10491251 . 
  91. ↑ EE Times. " ستتخلى شركة TI عن رقائق توليف الكلام المخصصة، وتنقل المنتجات إلى Sensory. مؤرشف في 28 مايو 2012 على Wayback Machine ." 14 يونيو 2001.
  92. ↑ "المواصفات المرجعية الخارجية لمعالج الكلام 1400XL/1450XL" (ملف PDF) . مؤرشف من النسخة الأصلية (ملف PDF) بتاريخ 24-03-2012 . تم الاطلاع عليه بتاريخ 22-02-2012 .
  93. ↑ "من الرائع حقًا الخروج من تلك الحقيبة!" . folklore.org . تم الاطلاع عليه بتاريخ 24-03-2013 .
  94. ↑ "Amazon Polly" . Amazon Web Services, Inc. تم الاسترجاع في 28 أبريل 2020 .
  95. ↑ مينر، جاي ؛ وآخرون (1991). دليل مرجعي لأجهزة أميغا ( الطبعة الثالثة). شركة أديسون-ويسلي للنشر، المحدودة. ISBN   978-0-201-56776-2.
  96. ↑ ديفيت، فرانشيسكو (30 يونيو 1995). "مكتبة المترجم (نسخة الكلام متعددة اللغات)" . مؤرشف من الأصل في 26 فبراير 2012. تم الاطلاع عليه في 9 أبريل 2013 .
  97. ↑ "دروس تعليمية حول إمكانية الوصول لنظام التشغيل Windows XP: استخدام الراوي" . مايكروسوفت. 29 يناير 2011. مؤرشف من الأصل في 21 يونيو 2003. تم الاطلاع عليه بتاريخ 29 يناير 2011 .
  98. ↑ "كيفية إعداد واستخدام ميزة تحويل النص إلى كلام في نظامي التشغيل ويندوز إكس بي وويندوز فيستا" . مايكروسوفت. 7 مايو 2007. تاريخ الاسترجاع: 17 فبراير 2010 .
  99. ↑ جان ميشيل تريفي (23 سبتمبر 2009). "مقدمة إلى تحويل النص إلى كلام في نظام أندرويد" . Android-developers.blogspot.com . تاريخ الاسترجاع: 17 فبراير 2010 .
  100. ↑ أندرياس بيشوف، بيديافون - واجهة صوتية لموسوعة ويكيبيديا المجانية للهواتف المحمولة وأجهزة المساعد الرقمي الشخصي ومشغلات MP3، وقائع المؤتمر الدولي الثامن عشر لتطبيقات قواعد البيانات وأنظمة الخبراء، الصفحات: 575-579، رقم ISBN 0-7695-2932-12007
  101. ↑ "gnuspeech" . Gnu.org . تم الاطلاع عليه بتاريخ 17-02-2010 .
  102. ↑ "مشروع سميثسونيان لتاريخ توليف الكلام (SSSHP) 1986–2002" . Mindspring.com. مؤرشف من الأصل بتاريخ 3 أكتوبر 2013. تم الاطلاع عليه بتاريخ 17 فبراير 2010 .
  103. ↑ جيا، يي؛ تشانغ، يو؛ فايس، رون جيه. (2018-06-12)، "التعلم الانتقالي من التحقق من المتحدث إلى توليف الكلام متعدد المتحدثين"، التقدم في أنظمة معالجة المعلومات العصبية ، 31 : 4485-4495 ، arXiv : 1806.04558
  104. ↑ أريك، سيركان أو. تشن، جيتونج؛ بنغ، كاينان؛ بينغ، وي. تشو، يانكي (2018)، "استنساخ الصوت العصبي مع عينات قليلة" ، التقدم في أنظمة معالجة المعلومات العصبية ، 31 ، أرخايف : 1802.06006
  105. ↑ "الأصوات المزيفة تساعد المحتالين الإلكترونيين على سرقة الأموال"" . bbc.com . BBC . 2019-07-08 . تم الاطلاع عليه بتاريخ 2019-09-11 . "
  106. ↑ درو، هارويل (4 سبتمبر 2019). "سابقة في مجال الذكاء الاصطناعي: استخدام برنامج لتقليد الصوت في عملية سرقة كبرى" . صحيفة واشنطن بوست . تاريخ الاسترجاع: 8 سبتمبر 2019 .
  107. ↑ ثيس، جوستوس (2016). "Face2Face: التقاط وإعادة تمثيل الوجوه في الوقت الحقيقي من مقاطع فيديو RGB" . وقائع مؤتمر رؤية الحاسوب والتعرف على الأنماط (CVPR)، معهد مهندسي الكهرباء والإلكترونيات (IEEE ). تم الاطلاع عليه بتاريخ 18 يونيو 2016 .
  108. ↑ سواجاناكورن، سوباسورن؛ سيتز، ستيفن؛ كيملماخر-شليزرمان، إيرا (2017)، توليف أوباما: تعلم مزامنة الشفاه من الصوت ، جامعة واشنطن ، تم الاطلاع عليه بتاريخ 2018-03-02
  109. ↑ برونو، ديفيد أ.؛ كولين، تيريزا أ. (2021-07-03). "تأثير تحويل النص إلى كلام والقارئ البشري على فهم الاستماع لدى الطلاب ذوي صعوبات التعلم" . الحواسيب في المدارس . 38 (3): 214-231 . doi : 10.1080/07380569.2021.1953362 . hdl : 11244/316759 . ISSN 0738-0569 . S2CID 243101945 .  
  110. ↑ ترياندافيليدي، إيوانيس إي؛ تاتارنيكوفا، تي إم؛ بوبونين، إيه إس (30-05-2022). "نظام توليف الكلام للأشخاص ذوي الإعاقة". مؤتمر إلكترونيات الموجات وتطبيقاتها في أنظمة المعلومات والاتصالات (WECONF) لعام 2022. سانت بطرسبرغ، روسيا الاتحادية: IEEE. الصفحات 1-5 . doi : 10.1109/WECONF55058.2022.9803600 . ISBN  978-1-6654-7083-4. S2CID 250118756 . 
  111. ↑ تشاو، يونشين؛ سونغ، مينغوانغ؛ يو، يانغهاو؛ كوروفيلا-دوغديل، ميلي (27-07-2021). "تخصيص أصوات تحويل النص إلى كلام لمرضى عسر التلفظ التدريجي". المؤتمر الدولي لعام 2021 لجمعية مهندسي الكهرباء والإلكترونيات الطبية (IEEE EMBS) حول المعلوماتية الطبية الحيوية والصحية (BHI) . أثينا، اليونان: IEEE. الصفحات 1-4 . doi : 10.1109/BHI50953.2021.9508522 . ISBN  978-1-6654-0358-0. S2CID 236982893 . 
  112. ↑ "تطور أجهزة القراءة للمكفوفين: بحث مختبرات هاسكينز كدراسة حالة" (ملف PDF) . مجلة أبحاث وتطوير التأهيل . 21 (1). 1984. مؤرشف من الأصل (ملف PDF) بتاريخ 25 يوليو 2021. تم الاطلاع عليه بتاريخ 3 يوليو 2021 .
  113. ↑ "الإعلان عن برنامج توليف الكلام للأنمي" . شبكة أخبار الأنمي . 2007-05-02 . تاريخ الاسترجاع: 2010-02-17 .
  114. ↑ "خدمة توليف الكلام لمسلسل Code Geass متوفرة في اليابان" . Animenewsnetwork.com. 9 سبتمبر 2008. تاريخ الاسترجاع: 17 فبراير 2010 .
  115. ↑ روبرت، ليانا (18 يناير 2021). "اجعل شخصية GLaDOS من لعبة Portal وغيرها من الشخصيات المحبوبة تقول أغرب الأشياء باستخدام هذا التطبيق" . مجلة Game Informer . مؤرشف من الأصل في 18 يناير 2021. تم الاطلاع عليه في 18 ديسمبر 2024 .
  116. ↑ كلايتون، ناتالي (19 يناير 2021). "اجعل شخصيات لعبة Team Fortress 2 تردد الميمات القديمة باستخدام أداة تحويل النص إلى كلام المدعومة بالذكاء الاصطناعي" . مجلة PC Gamer . مؤرشف من الأصل في 19 يناير 2021. تم الاطلاع عليه في 18 ديسمبر 2024 .
  117. ↑ "这个网站可用AI生成语音 让ACG角色"说"出你输入的文本" [ يمكن لموقع الويب هذا استخدام الذكاء الاصطناعي لتوليد الصوت، مما يجعل أحرف ACG "تقول" النص الذي تدخله ] . GamerSky (باللغة الصينية). 18 يناير 2021. مؤرشفة من الأصلي في 11 ديسمبر 2024 . تم الاسترجاع في 18 ديسمبر 2024 .
  118. ^ فوروشيما، تاكايوكي (18 يناير 2021). "『بوابة』のGLaDOSや『UNDERTALE』のサンズがテキストを読み上げ"" [ GLaDOS من Portal وUndertale's Sans سوف يقرأان لك النص. خدمة "15.ai" تهدف إلى محاكاة حتى المشاعر في النصوص، وتُصبح موضوع نقاش . Den Fami Nico Gamer (باللغة اليابانية). مؤرشفة من الأصل في 18 يناير 2021. تم الاطلاع عليها في 18 ديسمبر 2024 .
  119. ↑ «استمعوا إلى هذا: شركة ElevenLabs الناشئة في مجال الذكاء الاصطناعي لاستنساخ الصوت تحصل على تمويل بقيمة 19 مليون دولار من a16z وشركات استثمارية كبرى أخرى» . VentureBeat . 2023-06-20 . تاريخ الاطلاع: 2023-07-25 .
  120. ↑ "Sztuczna inteligencja czyta głosem Jarosława Kuźniara. Rewolucja w radiu i podcastach" . Press.pl (باللغة البولندية). 9 أبريل 2023 . تم الاسترجاع 2023-04-25 .
  121. ↑ نيبس، كيت. "بودكاست الذكاء الاصطناعي التوليدي متوفر الآن. استعد للملل" . مجلة وايرد . الرقم الدولي الموحد للدوريات 1059-1028 . تاريخ الاسترجاع: 25 يوليو 2023 . 
  122. ↑ سوتشيو، بيتر. "محاكاة ساخرة لمسلسل Succession على يوتيوب تتضمن 'تعليقاً صوتياً' من رون هوارد مُولّد بالذكاء الاصطناعي" . فوربس . تاريخ الاسترجاع: 25 يوليو 2023 .
  123. ↑ فادولو، لولا (2023-07-06). "هل يمكن للذكاء الاصطناعي أن يكون مضحكًا؟ هذه الفرقة تعتقد ذلك" . صحيفة نيويورك تايمز . ISSN 0362-4331 . تاريخ الاسترجاع: 2023-07-25 . 
  124. ↑ كانيتكار، ريدي. "شركة ElevenLabs الناشئة في مجال الذكاء الاصطناعي، والتي أسسها موظفون سابقون في جوجل وبالانتير، تستعد لجمع 18 مليون دولار بتقييم 100 مليون دولار. اطلع على عرضها التقديمي المكون من 14 شريحة والذي استخدمته في جولة التمويل الأولي التي جمعت فيها مليوني دولار" . بزنس إنسايدر . تاريخ الاسترجاع: 25 يوليو 2023 .
  125. ↑ "شركة متخصصة في توليد الأصوات بالذكاء الاصطناعي تتخذ إجراءات صارمة بعد أن قام موقع 4chan بتقليد أصوات المشاهير لأغراض مسيئة" . Vice.com . 30 يناير 2023. تاريخ الاطلاع: 3 فبراير 2023 .
  126. ↑ "استخدام تقنية تحويل النص إلى كلام في توليد الفيديو بالذكاء الاصطناعي" . elai.io. تم ​​الاطلاع عليه بتاريخ 10 أغسطس 2022 .
  127. ↑ "تحويل النص إلى كلام باستخدام الذكاء الاصطناعي للفيديوهات" . synthesia.io . تم ​​الاطلاع عليه بتاريخ 12 أكتوبر 2023 .
  128. ↑ برونو، تشيلسي أ. (25 مارس 2014). توليف الصوت والاستماع العميق (رسالة ماجستير في الموسيقى). جامعة فلوريدا الدولية. doi : 10.25148/etd.fi14040802 .