Chatterbox TTS: بديل مفتوح المصدر لـ ElevenLabs؟

في المشهد المتطور باستمرار للذكاء الاصطناعي، أصبحت نماذج تحويل النص إلى كلام (TTS) عالية الجودة أدوات أساسية للمطورين ومنشئي المحتوى والشركات على حد سواء. في حين أن العديد من أنظمة TTS القوية موجودة، إلا أنها غالبًا ما تكون مغلقة المصدر وتأتي مع تراخيص مقيدة وتكاليف باهظة. اليوم، نتعمق في لاعب جديد يغير قواعد اللعبة في هذا المجال: Chatterbox TTS من Resemble AI.

سيرشدك هذا البرنامج التعليمي الشامل خلال كل ما تحتاج لمعرفته حول Chatterbox TTS. سنستكشف ما يميزه، وكيفية تشغيله، وكيفية تسخير ميزاته القوية لتوليد كلام معبر يشبه الإنسان لمشاريعك.

ما هو Chatterbox TTS؟

مقارنة بين Chatterbox وElevenlabs

The team at @podonos did a subjective evaluation where they found that Chatterbox outperforms other proprietary models like ElevenLabs.https://t.co/ewcvNoSCrU pic.twitter.com/3KZhYSDh5R

— Resemble AI (@resembleai) May 28, 2025

Chatterbox هو نموذج TTS مفتوح المصدر ومتطور وجاهز للإنتاج تم تطويره بواسطة فريق Resemble AI. تم إصداره بموجب ترخيص MIT المتساهل، ويمكّن Chatterbox الجميع من إنشاء تركيب كلام عالي الجودة دون أن يكونوا مقيدين بنظام بيئي احتكاري.

تم بناء Chatterbox على أساس قوي من Llama بحجم 0.5 مليار معلمة، وتم تدريبه على مجموعة بيانات ضخمة تبلغ نصف مليون ساعة من بيانات الصوت المنقاة. وقد أدى هذا التدريب المكثف إلى نموذج ليس فقط عالي القدرة ولكنه أيضًا تمت مقارنته بالبدائل الرائدة مغلقة المصدر مثل ElevenLabs، وغالبًا ما يُفضل في المقارنات المباشرة.

الميزات الرئيسية لـ Chatterbox TTS

إذًا، ما الذي يميز Chatterbox عن الآخرين؟ فيما يلي بعض ميزاته البارزة:

• تحويل النص إلى كلام بدون أمثلة (Zero-Shot TTS) متطور: يتفوق Chatterbox في تحويل النص إلى كلام "بدون أمثلة"، مما يعني أنه يمكنه استنساخ صوت وجعله ينطق أي نص، حتى مع عينة قصيرة جدًا من الصوت المستهدف. وهذا يجعله متعدد الاستخدامات بشكل لا يصدق لمجموعة واسعة من التطبيقات.
• التحكم في العاطفة والمبالغة: إحدى أكثر ميزات Chatterbox تميزًا وقوة هي القدرة على التحكم في الشدة العاطفية للكلام الناتج. يتيح لك "التحكم في المبالغة" هذا ضبط الأداء ليكون أكثر درامية أو هدوءًا أو أي شيء بينهما.
• تركيب فائق الاستقرار: بفضل عملية الاستدلال المستنيرة بالمحاذاة، ينتج Chatterbox كلامًا مستقرًا وطبيعيًا بشكل لا يصدق، وخاليًا من العيوب والمشاكل التي يمكن أن تصيب نماذج TTS الأخرى.
• علامة مائية مدمجة للذكاء الاصطناعي المسؤول: في عصر أصبحت فيه الوسائط الاصطناعية أكثر انتشارًا، تعد ممارسات الذكاء الاصطناعي المسؤولة أمرًا بالغ الأهمية. يأتي Chatterbox مزودًا بعلامة مائية إدراكية مدمجة، والتي تضمن إشارة غير محسوسة في الصوت الناتج للمساعدة في تتبع مصدره، مما يعزز الاستخدام الأخلاقي للتكنولوجيا.
• تحويل الصوت بسهولة: بالإضافة إلى تحويل النص إلى كلام، يوفر Chatterbox أيضًا أدوات بسيطة وفعالة لتحويل الصوت، مما يتيح لك تحويل تسجيل من صوت إلى آخر.
• مفتوح المصدر حقًا: بترخيص MIT الخاص به، يمنحك Chatterbox الحرية في استخدام النموذج وتعديله وتوزيعه للمشاريع الشخصية والتجارية على حد سواء.

البدء مع Chatterbox TTS

الآن بعد أن تعرفت على ما يمكن أن يفعله Chatterbox، دعنا نقوم بإعداده وتجهيزه للتشغيل.

المتطلبات الأساسية

قبل أن تتمكن من البدء في توليد الكلام، ستحتاج إلى تثبيت Python على نظامك. يتطلب Chatterbox إصدار Python 3.8 أو أحدث. ستحتاج أيضًا إلى pip، مثبت حزم Python، والذي يأتي عادةً مع تثبيتات Python الحديثة.

التثبيت

تثبيت Chatterbox بسيط مثل تشغيل أمر واحد في الطرفية. سيقوم هذا الأمر بتنزيل وتثبيت Chatterbox وجميع تبعياته، بما في ذلك مكتبات قوية مثل PyTorch وTransformers.

pip install chatterbox-tts

هذا كل شيء! بهذا الأمر الواحد، أنت جاهز للبدء في تركيب الكلام.

كلماتك الأولى: توليد TTS أساسي

لنبدأ بمثال بسيط لتوليد الكلام من جزء من النص. سيأخذ السكربت Python التالي جملة ويحفظها كملف صوتي بصيغة WAV.

import torch
import torchaudio as ta
from chatterbox.tts import ChatterboxTTS

# Automatically detect the best available device (GPU or CPU)
if torch.cuda.is_available():
    device = "cuda"
elif hasattr(torch.backends, 'mps') and torch.backends.mps.is_available():
    device = "mps" # For Apple Silicon Macs
else:
    device = "cpu"

print(f"Using device: {device}")

# Load the Chatterbox model
model = ChatterboxTTS.from_pretrained(device=device)

# The text you want to convert to speech
text = "Hello, world! I am Chatterbox, a powerful open-source text-to-speech engine."

# Generate the audio waveform
wav = model.generate(text)

# Save the generated audio to a file
ta.save("hello_chatterbox.wav", wav, model.sr)

print("Audio saved as hello_chatterbox.wav")

دعنا نحلل ما يحدث في هذا السكربت:

1. نقوم باستيراد المكتبات الضرورية: torch لعمليات الموترات الأساسية، torchaudio للتعامل مع ملفات الصوت، وChatterboxTTS للنموذج الرئيسي.
2. نقوم بتضمين جزء مفيد من الكود يكتشف تلقائيًا ما إذا كان لديك وحدة معالجة رسومات (GPU) متوافقة (cuda لـ NVIDIA، mps لـ Apple Silicon) ويعود إلى وحدة المعالجة المركزية (CPU) إذا لم يكن كذلك. وهذا يضمن تشغيل الكود بكفاءة على أجهزة مختلفة.
3. نقوم بتحميل نموذج Chatterbox المدرب مسبقًا باستخدام ChatterboxTTS.from_pretrained()، مع تمرير الجهاز المكتشف لدينا.
4. نقوم بتعريف النص الذي نريد تركيبه.
5. نستدعي model.generate(text) لإنشاء شكل الموجة الصوتية.
6. أخيرًا، نستخدم torchaudio.save() لحفظ شكل الموجة كملف WAV. model.sr يوفر معدل العينة الصحيح للصوت.

فن استنساخ الصوت

إحدى أكثر قدرات Chatterbox إثارة هي استنساخ الصوت. يمكنك توفير مقطع صوتي قصير لصوت ما، وسيستخدمه Chatterbox لتوليد كلام بنفس الصوت.

إليك كيف يمكنك القيام بذلك:

And to make it easy, we've put Chatterbox on @Gradio and @huggingface , so you can try it out yourself today!https://t.co/oXuqxzJEJw pic.twitter.com/6gK6buqpuk

— Resemble AI (@resembleai) May 28, 2025

للحصول على أفضل النتائج، يجب أن يكون الصوت المرجعي الخاص بك تسجيلًا نظيفًا لشخص واحد يتحدث، ويفضل أن يكون بدون ضوضاء خلفية. غالبًا ما تكون بضع ثوانٍ من الصوت كافية لـ Chatterbox للحصول على فهم جيد للصوت.

لتشغيل واجهة الويب، ستحتاج أولاً إلى تثبيت Gradio:

pip install gradio

بعد ذلك، احفظ الكود التالي كملف Python (على سبيل المثال، app.py) وقم بتشغيله من الطرفية باستخدام python app.py. غالبًا ما يتم تضمين هذا السكربت باسم gradio_tts_app.py في ملفات المشروع.

بعد تشغيل السكربت، سترى عنوان URL محليًا في الطرفية. افتح عنوان URL هذا في متصفح الويب الخاص بك للوصول إلى الواجهة.

ستُقابل بتخطيط نظيف وبديهي حيث يمكنك:

• اكتب أو الصق النص الخاص بك.
• قم بتحميل أو تسجيل مقطع صوتي مرجعي.
• اضبط أشرطة التمرير للمبالغة (Exaggeration)، والوتيرة (CFG/Pace)، وخيارات متقدمة أخرى مثل درجة الحرارة (Temperature) (للعشوائية) والبذرة (Seed) (للتكرار).
• انقر على "Generate" (توليد) واستمع إلى الناتج مباشرة في متصفحك.

تطبيق Gradio هو الطريقة المثلى للتجربة السريعة مع أصوات وإعدادات مختلفة دون الحاجة إلى كتابة أي كود.

الضبط الدقيق، تحويل الصوت، والعلامات المائية الصوتية في ChatterBox

هذا هو المكان الذي يتألق فيه Chatterbox حقًا. يمكنك توجيه أداء الصوت المركب باستخدام معاملين رئيسيين: exaggeration (المبالغة) و cfg_weight (وزن CFG).

• exaggeration: يتحكم هذا في الشدة العاطفية للكلام. قيمة 0.5 محايدة. زيادتها نحو 2.0 ستجعل الكلام أكثر تعبيرًا ودرامية، بينما خفضها نحو 0.25 سيجعله أكثر هدوءًا.
• cfg_weight (الوتيرة): يؤثر هذا المعامل على وتيرة الكلام وتأنيه. القيمة الافتراضية هي 0.5. يمكن أن يساعد خفضه إذا كان المتحدث المرجعي يتحدث بسرعة، مما يؤدي إلى وتيرة أبطأ وأكثر قياسًا.

جرب هذه المعاملات للعثور على الأداء المثالي للمحتوى الخاص بك.

يتضمن Chatterbox أيضًا ميزة قوية لتحويل الصوت. تتيح لك هذه الميزة أخذ تسجيل صوتي لشخص يتحدث وتحويله إلى صوت هدف مختلف.

مع القوة العظيمة تأتي مسؤولية عظيمة. قامت Resemble AI بدمج تقنية العلامات المائية PerTh (العتبة الإدراكية) الخاصة بها مباشرة في Chatterbox. يحتوي كل جزء من الصوت الناتج عن النموذج على علامة مائية غير مسموعة. هذه العلامة المائية قوية ويمكن أن تصمد أمام التلاعبات الصوتية الشائعة، مما يسمح بتتبع الصوت إلى النموذج الذي أنشأه.

الخلاصة: صوتك، طريقتك

Chatterbox TTS هو أكثر من مجرد نموذج آخر لتحويل النص إلى كلام. إنه منصة قوية ومرنة ومفتوحة لإنشاء كلام اصطناعي معبر وعالي الجودة. مزيجه من الأداء المتطور، والميزات الفريدة مثل التحكم في العاطفة، والالتزام بالمصادر المفتوحة والذكاء الاصطناعي المسؤول يجعله أداة لا تقدر بثمن لأي مطور أو مبدع.

سواء كنت تبني المساعد الذكي العظيم التالي، أو تنشئ محتوى جذابًا لمقاطع الفيديو والألعاب، أو مجرد استكشاف الإمكانيات الإبداعية لتركيب الكلام، يمنحك Chatterbox الحرية والقوة لإحياء أفكارك.

لمعرفة المزيد، جرب العرض التوضيحي المباشر على Hugging Face Spaces: