تحويل النص العربي إلى كلام مع استنساخ الصوت: دليل النطق الآلي باللهجة الخليجية

أغلب أنظمة تحويل النص العربي إلى كلام تبدو كنشرة المساء: صحيحة ورسمية ولا تشبه كلام أحد في الخليج. هذا مقبول في إعلان محطة قطار، لكنه خاطئ لوكيل خدمة عملاء أو لصوت علامة تجارية أو لتعليق صوتي على فيديو موجّه إلى جمهور في دبي أو الرياض. يشرح هذا الدليل تحويل النص إلى كلام مع استنساخ الصوت — توليد كلام خليجي بصوت محدد من بضع ثوانٍ من التسجيل.

ما استنساخ الصوت العربي؟

استنساخ الصوت يجعل نموذج تحويل النص إلى كلام ينطق بصوت شخص معيّن اعتمادًا على عيّنة قصيرة من كلامه، بدل صوت جاهز ثابت. تعطيه ثلاثة أشياء:

1. reference — تسجيل للصوت، ويُفضَّل أن يكون بين ست وثماني ثوانٍ.
2. ref_text — ما يُقال في هذا التسجيل بالضبط، ويطابق النموذج الصوت معه.
3. text — ما تريد أن يقوله الصوت.

والنتيجة ملف WAV لنصك، بذلك الصوت، وبلكنة خليجية. فالنموذج nutq-speak-1 مدرَّب على كلام إماراتي وسعودي، فيبدو خليجيًا لا فصحى إذاعية.

كيف تولّد كلامًا عربيًا عبر الواجهة البرمجية؟

curl -X POST https://nutq.dev/v1/speech \
  -H "Authorization: Bearer $NUTQ_API_KEY" \
  -F "text=هلا وغلا فيك، شحالك اليوم؟" \
  -F "reference=@voice.wav" \
  -F "ref_text=نص التسجيل المرجعي" \
  --output speech.wav

جسم الاستجابة هو الصوت نفسه، لذا تعود بيانات الاستخدام في الترويسات:

HTTP/1.1 200 OK
Content-Type: audio/wav
X-Nutq-Characters: 57
X-Nutq-Audio-Seconds: 5.672
X-Nutq-Cost-USD: 0.000285
X-Nutq-Model: nutq-speak-1

والطلب نفسه بلغة Python:

import requests

res = requests.post(
    "https://nutq.dev/v1/speech",
    headers={"Authorization": f"Bearer {NUTQ_API_KEY}"},
    data={"text": "هلا وغلا فيك", "ref_text": "نص التسجيل المرجعي"},
    files={"reference": open("voice.wav", "rb")},
)
open("speech.wav", "wb").write(res.content)

ما الذي يجعل التسجيل المرجعي جيدًا؟

المقطع المرجعي يحدد معظم الجودة. قواعد قليلة تصنع الفرق:

المقاطع الأطول مقبولة، لكنها تُقصّ إلى نحو ثماني ثوانٍ ويُعاد تفريغها، وهذا يكلّف رحلة إضافية وقد يختار جزءًا أقل تمثيلًا للصوت. قصّها بنفسك.

ولا تستنسخ إلا صوتًا لديك إذن باستخدامه — صوتك، أو متحدث وافق على ذلك.

كيف تصلح كلمة نُطقت خطأً؟

العربية تُكتب عادةً بلا حركات وتُقرأ من السياق، فالكلمة التي تحتمل قراءتين تُخمَّن. «تعد» قد تكون تَعُدّ أو تُعَدّ، و«درس» قد تكون دَرَسَ أو دَرَّسَ. والحل أن تشكّل تلك الكلمة وحدها:

تُعَدُّ دولة الإمارات من أبرز الدول

شكّل ما يحتمل اللبس فقط، كما تُكتب العربية عادةً. تشكيل كل الكلمات يغيّر الإلقاء لا الحركات فحسب: يطول الكلام بنحو النصف ويبدو كالتلاوة. وقد جرّبنا أدوات التشكيل الآلي ولا نوصي بها، فهي تضيف أخطاءها الخاصة، خصوصًا في اللهجة.

كيف توازن بين الجودة والسرعة؟

في الوكيل الصوتي المباشر تستحق الخطوات الأقل: في المكالمة يُسمع الانتظار أكثر من فرق الجودة. أما التعليق الصوتي الذي ستنشره فاستخدم 64.

كم يكلّف تحويل النص العربي إلى كلام؟

0.05 دولار لكل ألف حرف. نص من ألف حرف — نحو دقيقة ونصف من الكلام — يكلّف خمسة سنتات. والحسابات الجديدة تحصل على رصيد مجاني بقيمة 5 دولارات بلا بطاقة عند التسجيل، والطلبات الفاشلة لا تُحتسب.

هل ينطق بلغات أخرى؟

نعم، بأصوات مدرَّبة بدل الاستنساخ. مرّر language بإحدى القيم en أو en-gb أو es أو fr أو hi أو it أو ja أو pt أو zh، واسم صوت في voice مثل af_heart أو bm_george. ويُتجاهل reference وref_text في هذه اللغات. ويعرض الطلب GET /v1/voices ما هو متاح.

أين تستخدمه؟

• الوكلاء الصوتيون الذين يردّون على العملاء باللهجة الخليجية — في التوثيق إعداد جاهز لمنصة Vapi للاستماع والنطق معًا.
• التعليق الصوتي والدبلجة للفيديو — راجع الترجمة والدبلجة العربية التلقائية للفيديو.
• فرّغ ثم انطق: اجمعه مع تحويل الكلام العربي إلى نص لتبني حلقة صوتية كاملة.