Voice Cloning

استنساخ الصوت هو استخدام الذكاء الاصطناعي لإنشاء كلام جديد يبدو كأنه صادر عن شخص معين. فبدلًا من إعادة تشغيل تسجيل، يتعلم النظام السمات المميزة لصوت المتحدث وينتج صوتًا لكلمات ربما لم ينطق بها قط. وقد يساعد ذلك شخصًا على التواصل بصوت مألوف أو سرد محتوى بصوت متسق، لكنه يعني أيضًا أن الصوت المقنع لا يثبت هوية المتحدث.

آلية عمل استنساخ الصوت#

يبدأ نظام استنساخ الصوت بتسجيلات للمتحدث المستهدف. ويحلل خصائص مثل طبقة الصوت والجرس — أي السمة التي تجعل صوتين مختلفين حتى عند طبقة الصوت نفسها — والنطق. كما يتعلم جوانب من التنغيم: الإيقاع والتشديد والنبرة التي تجعل الكلام يبدو طبيعيًا. وتؤثر جودة التسجيل. فالضوضاء في الخلفية، أو اختلاف موضع الميكروفون، أو العينات التي لا تتضمن سوى أسلوب واحد في الكلام، قد تجعل الصوت المُنشأ أقل موثوقية.

يمثل النظام خصائص المتحدث بصيغة يمكنه استخدامها عند إنشاء الصوت، وغالبًا ما تسمى تضمين المتحدث. وهذا وصف رقمي موجز لكيفية سماع الصوت، وليس قائمة محفوظة من الجمل. يجمع مسار عمل الصوت المخصص تسجيلات المتحدث بمُولّد للكلام: يحدد النص ما ينبغي قوله، بينما تؤثر خصائص الصوت المتعلَّمة في كيفية سماعه. ويمكن لبعض مسارات العمل التكيّف انطلاقًا من عينة قصيرة، رغم أن جودة المخرجات تعتمد على العينة والمهمة؛ وتوضح وثائق الصوت المخصص الفوري أهمية وجود تسجيل صوتي مناسب وموافقة صاحبه.

ينشئ المُولّد بعد ذلك موجة صوتية — وهي الإشارة المتغيرة التي يشغّلها مكبر الصوت أو سماعة الرأس. وتتطلب النتيجة المقنعة كلمات واضحة إلى جانب صوت يمكن تمييزه. وقد يبدو صوت الشخص نفسه مختلفًا عند الهمس أو الضحك أو التحدث بلغة أخرى، لذلك فإن مطابقة الهوية في مقطع قصير واحد لا تضمن كلامًا طبيعيًا في كل الحالات.

استنساخ الصوت والمصطلحات ذات الصلة#

يُعد استنساخ الصوت استخدامًا محددًا لـتحويل النص إلى كلام، عندما تُنطق الكلمات المكتوبة بصوت متعلَّم يمكن تحديد صاحبه. ويمكن لتحويل النص إلى كلام العادي استخدام صوت اصطناعي مُعد مسبقًا من دون أن يشبه شخصًا بعينه. ويمكن أيضًا أن يستقبل الاستنساخ صوتًا منطوقًا ويعيد إنتاج كلماته بصوت آخر؛ والسمة المحددة هنا هي الصوت المستهدف، لا ما إذا كان المُدخل نصًا أم كلامًا.

يعمل تحويل الكلام إلى نص في الاتجاه المعاكس، إذ يحوّل الكلمات المنطوقة إلى نص مكتوب. أما تغيير طبقة صوت تسجيل أو سرعته فهو أمر مختلف؛ إذ تعدّل هذه التغييرات صوتًا موجودًا بدلًا من إنشاء مقطع كلامي انطلاقًا من هوية صوت متعلَّمة. ويندرج استنساخ الصوت ضمن الذكاء الاصطناعي التوليدي لأنه ينشئ صوتًا جديدًا.

يصبح الصوت المستنسخ جزءًا من التزييف العميق عندما تعرض الوسائط الاصطناعية شخصًا على نحو مقنع وكأنه يقول شيئًا لم يقله. والمصطلحان غير مترادفين: فالشخص الذي يستخدم نسخة مستنسخة ومصرحًا بها من صوته للتواصل لا يحاول بالضرورة خداع أحد.

تطبيقان في العالم الحقيقي#

أحد التطبيقات هو التواصل المساند. إذ يمكن لشخص يتوقع فقدان قدرته على الكلام أن يسجل صوته، ثم يكتب لاحقًا رسائل تُنطق بنسخة اصطناعية منه. ويشرح دليل Apple إلى الصوت الشخصي هذا النهج للتواصل عبر ميزات تسهيلات الاستخدام المدعومة. وفي هذه الحالة، قد يكون الحفاظ على صوت مألوف بأهمية جعل الكلمات مسموعة.

ومن التطبيقات الأخرى السرد والدبلجة المصرح بهما. فقد يسمح ممثل صوتي لفريق إنتاج بإنشاء جمل معتمدة أو سرد مترجم بصوت متسق. وقد يقلل ذلك الحاجة إلى إعادة التسجيل عند كل مراجعة، لكن النطق والأداء العاطفي والتغييرات اللغوية تظل بحاجة إلى مراجعة بشرية. وتضبط عناصر التحكم في سرعة الكلام وطبقته، مثل تلك الموضحة في إرشادات التنغيم في Amazon Polly، طريقة الإلقاء؛ لكنها لا تحل محل الإذن باستخدام صوت الشخص.

نقطة التقاء الصوت والرؤية#

يعمل استنساخ الصوت على المقاطع الصوتية لا الصور. لكنه قد يجتمع مع مكوّن رؤية منفصل ضمن تطبيق ذكاء اصطناعي متعدد الوسائط. فعلى سبيل المثال، قد يحلل منشئ محتوى يصمم فيديو يسهل الوصول إليه اللقطات لتحديد الأجسام الظاهرة، ثم يكتب وصفًا ويراجعه، وبعد ذلك يجعل صوتًا مستنسخًا ومصرحًا به يسرده. ويمكن لـUltralytics YOLO26 ووضع التنبؤ الموثق الخاص به معالجة الصور أو الفيديو في المرحلة البصرية. لكنهما لا يستنسخان الأصوات ولا يتحققان من هوية المتحدث. ويساعد الفصل بين هذه المسؤوليات المطورين على تقييم كل مكوّن بحسب وظيفته الفعلية.

الموافقة والأصالة والسلامة#

يرتبط صوت الشخص ارتباطًا وثيقًا بهويته، لذا احصل على إذن واضح قبل إنشاء نسخة مستنسخة، واتفق على الأوجه التي يجوز استخدام مخرجاتها فيها. ويقدم دليل Microsoft إلى موافقة أصحاب المواهب الصوتية مثالًا على عملية موافقة صريحة. واحمِ التسجيلات والصوت المُنشأ في إطار خصوصية البيانات، وأبلغ المستمعين بأن الكلام اصطناعي عندما يكون هذا السياق مهمًا.

قد يستخدم مجرمو الإنترنت صوتًا مستنسخًا في مكالمة تبدو وكأنها واردة من أحد الأقارب أو من مسؤول تنفيذي، ويضغطون على شخص لإرسال المال. وتوصي إرشادات FTC بشأن عمليات الاحتيال بذريعة الطوارئ الوهمية بالتحقق من الطلب عبر رقم معروف مسبقًا بأنه صحيح، بدلًا من الوثوق بصوت المتصل. أما بالنسبة إلى الصوت المنشور، فيشرح دليل C2PA إلى بيانات اعتماد المحتوى طريقة لتسجيل مصدر الوسائط. ويوفر توثيق المصدر سياقًا مفيدًا عن تاريخ الملف؛ لكنه لا يثبت، بمفرده، صحة كل ما يرد في الكلام.