جيميناي
تواصل شركة قوقل توسيع قدرات جيميناي Gemini في مجال الصوت، وهذه المرة مع إطلاق نموذجي Gemini 3.8 Flash TTS وGemini 3.8 Flash-Lite TTS، اللذين يقدمان جيلًا جديدًا من تقنيات تحويل النص إلى كلام، مع قدرة أكبر على إنشاء أصوات واقعية والتحكم في طريقة أدائها.
ولا تقتصر الإمكانات الجديدة على قراءة النصوص بصوت طبيعي، إذ أصبح بالإمكان إنشاء صوت جديد من وصف نصي، أو استنساخ صوت حقيقي بموافقة صاحبه، والتحكم في النبرة والمشاعر والسرعة واللهجة وحتى الضحك والتنهدات والتوقفات أثناء الحديث.
استنساخ الصوت من تسجيل مدته 30 ثانية مع جيميناي
من أبرز إمكانات Gemini 3.8 Flash TTS ميزة استنساخ الصوت، حيث تقول قوقل إن النظام يستطيع إنشاء ملف صوتي متسق اعتمادًا على عينة صوتية مدتها 30 ثانية فقط.
وتشترط قوقل أن يكون الصوت للمستخدم نفسه أو صوتًا يمتلك حق استخدامه، كما يتطلب النظام التحقق من موافقة صاحب الصوت قبل إنشاء النسخة المستنسخة.
وبعد ذلك يمكن استخدام الصوت نفسه في إنتاج محتوى مختلف مع الحفاظ على خصائصه، وهو ما يفتح المجال أمام استخدام التقنية في التعليق الصوتي والبودكاست والكتب الصوتية ودبلجة الفيديوهات وغيرها.
إنشاء صوت جديد بمجرد وصفه
ولا يحتاج المستخدم بالضرورة إلى تسجيل صوت حقيقي، إذ يستطيع جيميناي Gemini 3.8 Flash TTS تصميم أصوات جديدة بالكامل من خلال الأوامر النصية.
يمكن، على سبيل المثال، وصف نوع الشخصية والصوت المطلوب واللهجة وطريقة الحديث، ليقوم النموذج بإنشاء هوية صوتية مناسبة لهذه المواصفات.
وتوفر قوقل أيضًا مكتبة تضم أكثر من 2000 صوت جاهز للاستخدام الإنتاجي، إلى جانب دعم إنشاء الأصوات عبر أكثر من 100 لغة ولهجة، ما يمنح صناع المحتوى خيارات واسعة لاستخدام أصوات مختلفة في مشاريعهم.
تحكم في المشاعر واللهجة وطريقة الكلام
التحسين الأبرز هنا هو مستوى التحكم في الأداء نفسه. فبدلًا من كتابة النص والحصول على قراءة آلية له، يستطيع المستخدم توجيه طريقة نطق كل جزء من النص.
ويمكن تحديد سرعة الحديث، والنبرة، والمشاعر، واللهجة وطريقة الإلقاء، إلى جانب إضافة تفاصيل صوتية طبيعية مثل الهمس والضحك والتنهد والتوقفات وردود الفعل القصيرة.
ويستطيع النظام كذلك الحفاظ على استقرار خصائص الصوت خلال المحتوى الطويل، وهو أمر مهم عند إنشاء كتب صوتية أو حلقات بودكاست ومحتوى يمتد لساعات.
محادثات بصوتين من نص واحد
تدعم نماذج جيميناي الجديدة أيضًا إنشاء محادثات بين متحدثين اثنين داخل المشهد نفسه، مع الحفاظ على صوت مستقل لكل شخصية وتنظيم تبادل الحديث بينهما بصورة طبيعية.
وهذا يجعل التقنية مناسبة لإنشاء الحوارات والبودكاست والقصص المسموعة والمحتوى التعليمي، بالإضافة إلى الشخصيات والألعاب والمساعدات الصوتية.
ويمكن للمستخدم توجيه أداء كل متحدث بشكل منفصل، بحيث يتحدث أحدهما بطريقة هادئة بينما يؤدي الآخر الجمل بأسلوب مختلف، بدلًا من إنتاج صوتين بالطريقة نفسها.
نموذجان لاستخدامات مختلفة
تركز قوقل في جيميناي Gemini 3.8 Flash TTS على أعلى مستوى من جودة الصوت والتحكم الإبداعي والدقة في الأداء، ولذلك تستهدف به الاستخدامات مثل الكتب الصوتية، والتعليق الاحترافي، والمشاهد متعددة الشخصيات والمحتوى الذي يحتاج إلى أداء صوتي معقد.
أما Gemini 3.8 Flash-Lite TTS فيركز بصورة أكبر على السرعة والكفاءة والتكلفة المنخفضة عند إنتاج كميات كبيرة من المحتوى الصوتي، مثل الدبلجة والمساعدات الصوتية وميزات القراءة بصوت مرتفع.
أين تتوفر المميزات الجديدة؟
بدأت قوقل بالفعل في طرح Gemini 3.8 Flash TTS داخل Gemini Notebook، بينما يصل Gemini 3.8 Flash-Lite TTS إلى Google Vids.
كما أصبح النموذجان متاحين للمطورين من خلال Gemini API وGoogle AI Studio، ما يسمح بدمج إمكانات إنشاء الأصوات داخل التطبيقات والخدمات المختلفة.
قوقل تضع قيودًا لحماية الأصوات
ومع حساسية تقنيات استنساخ الصوت وإمكانية إساءة استخدامها، أضافت قوقل مجموعة من إجراءات الحماية.
فاستنساخ الصوت يتطلب التحقق من موافقة صاحبه، كما تضيف الشركة علامة SynthID غير المحسوسة إلى الصوت الذي تولده نماذج Gemini Audio للمساعدة في التعرف على المحتوى المُنشأ بالذكاء الاصطناعي، إلى جانب استخدام بيانات اعتماد C2PA لتعزيز شفافية المحتوى.
وتضع قوقل كذلك قيودًا جغرافية على ميزة استنساخ الصوت عبر AI Studio، إذ لا تتوفر حاليًا في عدة مناطق، من بينها المملكة المتحدة والمنطقة الاقتصادية الأوروبية والهند وسويسرا، إضافة إلى ولايتي تكساس وإلينوي في الولايات المتحدة.
بهذه الإمكانات، تحاول قوقل نقل تقنية تحويل النص إلى كلام من مجرد صوت يقرأ الكلمات إلى أداة يمكن توجيهها لتقديم أداء صوتي أكثر تعبيرًا وواقعية، مع إمكانات تمتد من استنساخ الأصوات وتصميمها إلى إنتاج حوارات ومحتوى صوتي طويل ومتعدد الشخصيات.
اقرأ أيضًا: 21 أمرًا مذهلًا في ChatGPT يجب أن تعرفها الآن لتستفيد من الذكاء الاصطناعي بأقصى قوة
المصدر
المصدر