ما معنى Text-to-Speech (TTS)؟

هي تقنية «تحويل النص إلى كلام»: تأخذ نصاً مكتوباً وتحوّله إلى صوت منطوق، فيولّد الكمبيوتر الكلام بدل أن يقرأه ويسجّله إنسان.

ما الفرق بين TTS و ASR؟

هما عكس بعضهما: ASR (التعرّف على الكلام) يحوّل الصوت إلى نص مكتوب، بينما TTS يحوّل النص المكتوب إلى صوت منطوق.

What does Text-to-Speech mean in Arabic?

تعني «تحويل النص إلى كلام» — تقنية تأخذ نصاً مكتوباً وتنطقه بصوت مسموع، وتُستخدم في قارئات الشاشة والمساعدات الصوتية والكتب المسموعة.

هل يستطيع الذكاء الاصطناعي تقليد صوت شخص حقيقي؟

نعم، عبر «استنساخ الصوت» (Voice Cloning): يتعلّم النموذج نبرة صوت من دقيقة أو اثنتين من التسجيل، ثم يقرأ أي نص بنفس الصوت — وهذا مفيد لكنه يفتح خطر التزييف الصوتي (Audio Deepfake).

📖 الذكاء الاصطناعي والصوت · جزء 4

تحويل النص لكلام (Text-to-Speech): كيف صار الكمبيوتر يحكي زي البشر؟

تحويل النص لكلام (TTS) بياخد نص مكتوب وبيطلعه صوت منطوق عبر ثلاث مراحل: تحليل لغوي، نموذج صوتي، ومُركّب الصوت — وهو الاتجاه العكسي لـ ASR.

تحويل النص لكلام (Text-to-Speech): كيف صار الكمبيوتر يحكي زي البشر؟

خرائط جوجل بتقلّك «بعد ٢٠٠ متر لُف يمين» وإنت سايق وعينك عالطريق. تطبيق بيقرالك مقال بصوت عالي وإنت ماشي. قارئ الشاشة بيوصف لشخص كفيف كل اللي عالموبايل. حتى المساعد الصوتي لما بيجاوبك — كل هدول صوت الكمبيوتر بيولّده، مش تسجيل جاهز. التقنية ورا هاد اسمها Text-to-Speech (TTS)، وهي الاتجاه العكسي تماماً لسلسلتنا عن الصوت (اللي كانت صوت←نص). بهالمقالة رح نفهم كيف الآلة بتاخد حروف مكتوبة وبتطلعها كلام طبيعي.

الجواب المختصر

تحويل النص لكلام (Text-to-Speech أو TTS) هو تقنية بتاخد نص مكتوب وبتطلعه صوت منطوق. بدل ما إنسان يقرا ويسجّل، الكمبيوتر بيحلّل النص، بيفهم كيف بتتلفّظ الكلمات ووين النبرة وأماكن الوقف، وبعدين بيبني موجة صوت بتطلع كلام مسموع. وبالنماذج الحديثة (Neural TTS) صار الصوت طبيعي لدرجة صعب تفرّق إنه آلة.

مراحل تحويل النص لكلام: تحليل لغوي ← نموذج صوتي ← مُركّب الصوت ← كلام مسموع

ليش بنحتاجه؟

إتاحة الوصول (Accessibility): أهم استخدام. الأشخاص المكفوفين أو ضعاف البصر بيقدروا يستعملوا الموبايل والكمبيوتر لأن قارئ الشاشة بيقرالهم كل إشي بصوت.
إيدك وعينك مشغولة: بتسوق، بتتمرّن، بتطبخ — بتسمع رسائلك ومقالاتك بدل ما تقرا.
محتوى صوتي بسرعة: كتب مسموعة (audiobooks) وتعليق صوتي للفيديوهات بلا ما تأجّر شخص يسجّل.
المساعدات الصوتية: لما Siri أو Alexa بيردّوا عليك، الرد بيتكتب أول كنص وبعدين TTS بيحكيه.
تعلّم اللغات: تسمع اللفظ الصحيح لأي كلمة أجنبية.

كيف بيشتغل؟ ثلاث مراحل

النص ما بينقلب لصوت دفعة وحدة — بيمرّ بثلاث مراحل (زي ما بالرسم فوق):

① تحليل لغوي (Text Analysis): أول إشي الكمبيوتر بيرتّب النص. بيحوّل «١٢٣» لـ«مية وتلاتة وعشرين»، و«د.» لـ«دكتور»، وبيفكّك كل كلمة لأصغر أصوات إلها اسمها phonemes (الوحدات الصوتية)، وبيحدّد وين النبرة ووين بيوقف.
② نموذج صوتي (Acoustic Model): ياخد هالأصوات وبيحوّلها لخصائص رقمية: قدّيش التردّد، مدّة كل صوت، والإيقاع. الناتج غالباً تمثيل بصري اسمه spectrogram (صورة بتمثّل الترددات عبر الزمن) — نفس الفكرة اللي شرحناها بأول السلسلة، بس بالعكس.
③ مُركّب الصوت (Vocoder): آخر مرحلة، بياخد هالخصائص وبيبني منها موجة الصوت الفعلية اللي بتسمعها من السمّاعة.

الفرق بين القديم والحديث: الأنظمة القديمة (concatenative) كانت تلزق مقاطع صوت مسجّلة جنب بعض — فبيطلع صوت آلي متقطّع. الأنظمة الحديثة المبنية على الشبكات العصبية (Neural TTS، زي WaveNet وTacotron) بتولّد الموجة من الصفر — فبيطلع صوت سلس وطبيعي قريب كتير من البشري.

مثال محسوس

خلّينا ناخد تطبيق «اقرأ لي المقال»:

بتحط نص عربي فيه أرقام ورموز.
التطبيق بيطبّعه: الأرقام بتصير كلمات، والرموز بتنفكّ.
بيحدّد لفظ كل كلمة والنبرة المناسبة (سؤال؟ تعجّب؟).
بيبني الصوت ويشغّله — فتسمع المقال بصوت طبيعي وإنت ماشي.

ومثال أعقد: استنساخ الصوت (Voice Cloning) — بتعطي النموذج دقيقة أو اثنتين من صوت شخص معيّن، وبيتعلّم نبرته، وبعدها بيقدر يقرا أي نص بنفس الصوت. هون التقنية بتصير قوية جداً — ومقلقة كمان (رح نحكي ليش تحت).

أخطاء وسوء فهم شائع

«TTS و ASR نفس الإشي»: لأ — هنّ عكس بعض. ASR بياخد صوت وبيطلعه نص (صوت←نص)، وTTS بياخد نص وبيطلعه صوت (نص←صوت).
«الصوت الآلي لازم يطلع روبوتي ومتقطّع»: هاد كان زمان. اليوم Neural TTS بيطلع صوت طبيعي فيه نبرة وعواطف — أحياناً صعب تعرف إنه مش إنسان.
«الكمبيوتر بيفهم النص اللي بيقراه»: لأ — هو بيلفظه مش بيفهمه. عشان هيك بيغلط أحياناً بالكلمات اللي بتنكتب زي بعض وبتتلفّظ مختلف (homographs)، أو بأسماء غير مألوفة.
«استنساخ الصوت آمن دايماً»: لأ — نفس التقنية بتنفتح على خطر التزييف الصوتي (Audio Deepfake): حد ينتحل صوت شخص تاني عشان يحتال أو ينشر كذب. نفس عائلة خطر الديب فيك بالصور والفيديو.

خلاصة سريعة

TTS = تحويل النص لكلام منطوق: الكمبيوتر بيولّد الصوت، مش بيشغّل تسجيل جاهز.
بيمرّ بثلاث مراحل: تحليل لغوي ← نموذج صوتي ← مُركّب الصوت (Vocoder).
أهم فايدة إلها: إتاحة الوصول للمكفوفين، بالإضافة للكتب المسموعة والمساعدات الصوتية.
النماذج الحديثة (Neural TTS) صوتها طبيعي جداً — والاستنساخ الصوتي بيفتح باب مفيد بس خطر (تزييف).
هي الاتجاه العكسي لـ ASR (صوت←نص) اللي حكينا عنه بالسلسلة.

أسئلة بتوصلنا كتير

ما معنى Text-to-Speech (TTS)؟ هي تقنية «تحويل النص إلى كلام»: تأخذ نصاً مكتوباً وتحوّله إلى صوت منطوق، فيولّد الكمبيوتر الكلام بدل أن يقرأه ويسجّله إنسان.
ما الفرق بين TTS و ASR؟ هما عكس بعضهما: ASR (التعرّف على الكلام) يحوّل الصوت إلى نص مكتوب، بينما TTS يحوّل النص المكتوب إلى صوت منطوق.
What does Text-to-Speech mean in Arabic? تعني «تحويل النص إلى كلام» — تقنية تأخذ نصاً مكتوباً وتنطقه بصوت مسموع، وتُستخدم في قارئات الشاشة والمساعدات الصوتية والكتب المسموعة.
هل يستطيع الذكاء الاصطناعي تقليد صوت شخص حقيقي؟ نعم، عبر «استنساخ الصوت» (Voice Cloning): يتعلّم النموذج نبرة صوت من دقيقة أو اثنتين من التسجيل، ثم يقرأ أي نص بنفس الصوت — وهذا مفيد لكنه يفتح خطر التزييف الصوتي (Audio Deepfake).