توليد صوت واقعي بالدارجة الجزائرية باستخدام الذكاء الاصطناعي أصعب بكثير مما يبدو عليه في البداية. عندما تجرب أدوات الصوت العالمية، تلاحظ مشكلتين فوراً: إما أن المحرك يحاول إجبار النص على قواعد العربية الفصحى فيخرج الصوت كأنه نشرة أخبار قديمة، أو يعجز عن قراءة الكلمات الفرنسية المعتادة في كلامنا اليومي ويقرأها بنطق مشوه.
نموذج Natiq-dz-ARG (ناطق) هو مشروع مفتوح المصدر ومتاح بأوزان مفتوحة (Open-weight) بنيناه لحل هذه المعضلة مباشرة. طورنا النموذج عبر ضبط دقيق (LoRA) لمعمارية bosonai/higgs-tts-3-4b التي تضم 3.4 مليار معامل، بهدف توليد كلام جزائري عفوي ودعم استنساخ الصوت الفوري (Zero-Shot Voice Cloning) بتردد 24 ألف هرتز.
نشرنا أوزان النموذج على منصة Hugging Face لتمكين الباحثين والمطورين في المجتمع البرمجي من تجربته وتطوير تطبيقات قائمة عليه. وفي هذه السطور، نشارك التفاصيل الهندسية للنموذج، والدروس المستفادة من تعثر تجاربنا الأولى.
لماذا فشل التدريب على متحدث واحد؟
عندما بدأنا العمل، كانت خطتنا الأولى بسيطة: جمع تسجيلات نقية جداً لمتحدث واحد وتسجيل عشرات الساعات في بيئة استوديو معزولة لتدريب النموذج عليها.
واجهت التجربة عوائق تقنية واضحة:
النموذج حفظ نبرة المتحدث وسرعته بدقة مفرطة (Overfitting). عندما كنا نعطيه جملاً جديدة لم ترد في نصوص التدريب، كان يتعثر أو يقع في هلوسة صوتية فيمط الحروف أو يخترع حركات قصيرة لا معنى لها.
كما تعثر أمام الكلمات الفرنسية. المتحدث الواحد لا يمكنه تغطية تراكيب التناوب اللغوي (Code-Switching) في الحياة اليومية. عندما تظهر كلمات مثل "livraison" أو "dossier" أو "facture"، كان النموذج يحاول نطقها بقواعد الحروف العربية مسبباً تشويهاً صوتياً.
إضافة إلى ذلك، عجز النموذج عن استنساخ أصوات جديدة. لأنه لم يسمع إلا صوتاً واحداً طوال فترة التدريب، ربط طريقة نطق الدارجة بالبصمة الصوتية لذلك الشخص تحديداً. كلما طلبنا منه محاكاة صوت آخر، كان يعود دائماً لنبرة المتحدث الأول.
أدركنا وقتها أن حصر التدريب في صوت فردي لن يبني نموذجاً يفهم اللهجة، بل سينتج قارئ نصوص محدود القدرة.
الانتقال إلى التنوع وتدريب الـ 300 ساعة
لتجاوز الحفظ الحرفي، غيرنا استراتيجية البيانات بالكامل. جمعنا ونظفنا بيانات صوتية تجاوزت 300 ساعة من الكلام الجزائري المتنوع لأكثر من 100 متحدث ومتحدثة.
هذا التنوع حل المشاكل السابقة:
شملت البيانات أصواتاً متعددة لرجال ونساء بمختلف الأعمار، بنبرات تغطي العاصمة، وهران، قسنطينة، ومناطق أخرى، وتنوعت بين النقاشات التقنية والتجارية والحوارات السريعة.
استخدمنا أيضاً نموذج Gemini Flash لتدقيق النصوص المفرغة آلياً. في مخرجات التعرف التلقائي، كانت الكلمات الفرنسية تُكتب غالباً بحروف عربية مشوهة (مثل كتابة "فيزيسيان" أو "بروموتور"). أعاد Gemini Flash كتابة تلك الكلمات بحروفها اللاتينية الأصلية ("physicien" و "promoteur") داخل النص العربي. بفضل هذا التنقيح، تعلم النموذج متى يحافظ على مخارج الحروف الفرنسية السليمة داخل السياق الجزائري.
لماذا اخترنا معمارية 3.4B Parameters وتقنية LoRA؟
جربنا في البداية نماذج أصغر حجماً (أقل من 500 مليون معامل)، لكنها كانت تعاني من ضيق السعة الاستيعابية. الدارجة الجزائرية تتطلب نموذجاً قادراً على استيعاب قاموسين في الوقت نفسه: القاموس العربي بخصوصية تسكينه وحروفه كـ (الڨاف)، والقاموس الفرنسي بمصطلحاته التجارية والتقنية.
استقرارنا على معمارية bosonai/higgs-tts-3-4b وفر ثلاث مزايا أساسية:
فهم السياق بدون تشكيل يدوي. يمتلك النموذج سعة كافية لمعرفة متى تكون الكلمة ساكنة ومتى تكون متحركة من موقعها في الجملة، مما يريح المستخدم من تشكيل النصوص بالفتحة والضمة.
ضبط دقيق عبر LoRA. بدلاً من تعديل كل أوزان النموذج الأساسي، ركزنا التدريب عبر طبقات منخفضة الرتبة (LoRA) على محاذاة الصوت مع مخارج اللهجة الجزائرية. حافظ هذا الأسلوب على استقرار النموذج العام ومنع تدهور جودة التوليد.
جودة إخراج 24 kHz. يخرج الصوت بتردد 24,000 هرتز بنظام Mono، وهو تردد كافٍ لإزالة الخشونة المعدنية وجعل الصوت جاهزاً للاستخدام في المونتاج وإعلانات الفيديو.
كيف يعمل استنساخ الصوت (Zero-Shot Cloning) في Natiq-dz-ARG؟
بدلاً من إعادة تدريب النموذج لكل شخصية، يعمل Natiq-dz-ARG عبر مطابقة المقاطع الصوتية المرجعية:
- تقدم للنموذج مقطعاً صوتياً قصيراً لأي شخص يتحدث لمدة تتراوح بين 3 إلى 10 ثوانٍ.
- يستخرج النظام البصمة الصوتية (Speaker Embedding) التي تمثل نبرة الصوت وطبقته.
- يطبق النموذج تلك البصمة على النص الدارج المكتوب معتمداً على أوزان LoRA في نطق اللهجة.
- يخرج الصوت الجديد متحدثاً بالدارجة الجزائرية وبالبصمة الصوتية الخاصة بالمقطع المرجعي.
الأداء في الاستخدام الفعلي: إعلانات التجارة وصناعة المحتوى
اختبرنا Natiq-dz-ARG في مهام إنتاجية واقعية داخل الجزائر:
في إعلانات التجارة الإلكترونية (COD)، ينطق النموذج عبارات التوصيل والشحن مثل "التوصيل لـ 58 ولاية" و"الدفع عند الاستلام" بنبرة بيعية طبيعية، مما يتيح لصناع المحتوى اختبار زوايا تسويقية مختلفة دون حجز جلسات استوديو.
في صناعة المحتوى القصير، يوفر النموذج نبرة سريعة تناسب مقاطع تيك توك وريلز إنستغرام.
وعلى بطاقات المعالجة المخصصة، يستغرق توليد الصوت أقل من نصف ثانية للجمل المعتادة، ما يجعله عملياً للربط مع روبوتات الرد الصوتي التلقائي.
كيف تجرب نموذج Natiq-dz-ARG؟
نموذج Natiq-dz-ARG هو مشروع مفتوح المصدر وليس محركاً مغلقاً على الموقع. يمكنك تجربته وتحميله مجاناً عبر منصة Hugging Face:
جرب النموذج عبر مساحة العرض التفاعلية: مساحة Natiq-dz-ARG على Hugging Face. تتيح لك كتابة النص ورفع مقطع مرجعي قصير لتوليد الصوت مباشرة من المتصفح.
صفحة النموذج والأوزان: مستودع Natiq-dz-ARG على Hugging Face. يمكن للمطورين والباحثين تنزيل أوزان النموذج واستخدامه في مشاريعهم البرمجية المحلية عبر PyTorch.
الأسئلة الشائعة حول نموذج Natiq-dz-ARG
هل النموذج مفتوح المصدر ومتاح للجميع؟
نعم. أوزان النموذج ومساحة التجربة متاحة مجاناً على منصة Hugging Face للبحث العلمي والتطوير المجتمعي.
هل يتطلب النموذج تشكيل الكلمات قبل إرسالها؟
لا. يتعرف النموذج على الدارجة غير المشكولة من سياق الجملة، ويكفي وضع الفواصل والنقاط العادية لتنظيم فترات التنفس.
كيف يتعامل النموذج مع نطق الأرقام والأسعار؟
يفضل كتابة الأرقام أو الأسعار بالحروف كما تُنطق بالدارجة لضمان النطق المطلوب (مثل كتابة "مية وخمسين ألف" أو "زوج ملاين").
هل يدعم النموذج الفصحى إلى جانب الدارجة؟
نعم. يدعم النموذج العربية الفصحى بنبرة واضحة، مع تركيزه الأساسي على محاكاة الدارجة والتناوب اللغوي اليومي.