أصوات 'أم' و 'آه' المفقودة التي تجعل أخيرًا الكلام الاصطناعي يبدو بشريًا

مشكلة الكلام المثالي

عانت الأصوات الاصطناعية لفترة طويلة من مفارقة: كلما كان الصوت أنقى، قلّ بشريته. فالبشر الحقيقيون يتنفسون ويتوقفون ويتلعثمون ويملؤون الفجوات بأصوات مثل 'أم' و'آه' و'أه'. عالجت نماذج الذكاء الاصطناعي هذه العناصر تقليديًا كأخطاء يجب قمعها، منتجة كلامًا نقيًا ولكنه مسطح عاطفيًا.

يتخذ نموذج Speech 2.8 من MiniMax، الذي أُعلن عنه اليوم، نهجًا معاكسًا. من خلال نمذجة كلمات الحشو بشكل أصلي بدلاً من تنظيفها، تهدف الشركة إلى سد الفجوة بين مخرجات الآلة والمحادثة البشرية. openais-new-gpt-live-1-wants-to-talk-not-just-take-turns

أربعة أركان للتحديث

1. النمذجة الأصلية لعدم الطلاقة

يقدم Speech 2.8 علامات لغة طبيعية تحافظ على إيقاع وتوقيت الترددات المنطوقة. في عرض توضيحي صوتي، يقول النموذج: "مرحبًا، هذا أنا. كيف حالك؟ (شهيق) يوم الإطلاق أمس أرهقني حقًا، كما تعلم؟ ذلك الشعور المستمر. (نفس عادي) لكنني حي الآن، مستعد لبدء الخطوة التالية." ثم يكشف السيناريو أن المتحدث هو الذكاء الاصطناعي نفسه، وهي فكرة تهدف إلى إظهار مدى إقناع النموذج في تقليد التنفس البشري والإيقاع التحادثي.

هذا مهم لأن الدراسات في علم اللغة النفسي تظهر أن التوقفات والحشو ليست ضوضاء بل إشارات. إنها تشير إلى الفكر والتأكيد وعدم اليقين أو التواصل. إزالتها تجرد الكلام من نسيجه العاطفي. the-ai-agent-that-remembers-you-why-vitabench-20-reveals-a-chasm-between-good-chatbots-and-good-collaborators

2. استنساخ الصوت في عشر ثوانٍ

استنساخ الصوت ليس جديدًا، لكن MiniMax تدّعي أن Speech 2.8 يلتقط ليس فقط جرس الصوت بل أسلوب الكلام، بما في ذلك الأنفاس المميزة والخشونة الصوتية والسرعة. تقول الشركة إن النظام يمكنه استنساخ "روح" المتحدث، مستشهدة بأمثلة حيث يعيد إنتاج رنين الصدر منخفض التردد، والصفات الأنفية، وحتى السخرية الخفيفة في كيفية مد المتحدث لمقاطع معينة.

حاجز الاستنساخ محدد بعشر ثوانٍ من الصوت المرجعي، وهو حد منخفض بما يكفي لجعل الميزة عملية للتطبيقات في الوقت الفعلي.

3. جودة صوت استوديو

يعمل خط أنابيب صوتي مطور على إزالة ضوضاء الخلفية والشوائب الرقمية. النتيجة، وفقًا لـ MiniMax، هي "كما لو كان المتحدث جالسًا أمامك يسجل في استوديو."

4. الدقة عبر اللغات

يعالج Speech 2.8 مشكلة شائعة في التوليف متعدد اللغات: تداخل اللهجات. في مثال من الصينية إلى اليابانية، يتحول النموذج بين الماندرين واليابانية في منتصف الجملة دون اختلال صوتي أو تغيرات غير طبيعية في النغمة. تقول MiniMax إنه سيتم تحسين المزيد من أزواج اللغات بمرور الوقت.

سياق السوق

أصبح مجال الصوت بالذكاء الاصطناعي مزدحمًا بشكل متزايد. تقود ElevenLabs في الواقعية والسرعة، بينما يشغل وضع الصوت المتقدم من OpenAI واجهة ChatGPT التحادثية. تقدم النماذج مفتوحة المصدر مثل Bark و XTTS مرونة لكنها تتخلف في الاتساق.

رهان MiniMax على عدم الطلاقة الأصلي هو استراتيجية متميزة. معظم المنافسين يعاملون أصوات الحشو كضوضاء يجب تقليلها. يتبناها Speech 2.8 صراحةً كميزة تصميم. إذا تم تنفيذه على نطاق واسع، فقد يمنح هذا MiniMax ميزة في التطبيقات حيث تكون الأصالة العاطفية مهمة، مثل خدمة العملاء والكتب الصوتية والمساعدين الافتراضيين وسرد القصص التفاعلي. openais-bet-on-shared-agents-is-the-quietest-shift-in-enterprise-ai-this-year

ومع ذلك، تثير التقنية نفسها أسئلة أخلاقية مألوفة. قد يجعل استنساخ الصوت عالي الدقة مع عدم الطلاقة الأصوات الاصطناعية لا يمكن تمييزها عن الأصوات الحقيقية، مما يزيد من مخاطر الانتحال والاحتيال. لا توضح MiniMax تفاصيل تدابير مكافحة إساءة الاستخدام في هذا الإعلان. navigating-the-edge-new-framework-promises-safer-ai-deployment-in-critical-systems

التوفر

يتوفر Speech 2.8 الآن عبر منصة MiniMax المفتوحة وواجهة برمجة تطبيقات MiniMax Audio. تقول الشركة إنه يدعم أكثر من 40 لغة من ملف صوتي واحد، مع المزيد من التحسينات عبر اللغات لاحقًا.