ElevenLabs يرفع سقف الكلام الاصطناعي التعبيري
تطرح ElevenLabs نموذج Eleven v4، وهو نموذج صوتي جديد تقول الشركة إنه يتتبع الإشارات الإخراجية بدقة أكبر من سابقه ويحافظ على ثبات صوت الراوي أو الشخصية عبر الإنتاجات الطويلة. وإلى جانبه، تطلق الشركة نسخة أسرع موجهة مباشرة إلى التطبيقات الفورية، حيث كان على وكلاء الصوت المتجاوبين تاريخياً التضحية بالتعبيرية.
يأتي هذا الإصدار بعد نحو عام من Eleven v3، الذي قدّم بالفعل دعماً للوسوم الصوتية لكنه اتبع تلك التعليمات بدقة أقل. ومع v4، تراهن ElevenLabs على أن الفرق بين صوت اصطناعي قابل للاستخدام وصوت أدائي حقيقي يتوقف على مدى أمانة النموذج في تفسير التوجيهات التي يمنحها الكاتب أو المنتج — وعلى مدى ضآلة انحراف هذا الأداء على مدار كتاب صوتي أو مشروع دبلجة أو جلسة تفاعلية طويلة.
إشارات التوجيه تصبح أكثر موثوقية بكثير
الوعد الجوهري لـ Eleven v4 هو التحكم. يمكن للمستخدمين إضافة وسوم إلى النص تحدد المشاعر والوقفات والمؤثرات الصوتية سطراً بسطر، أو ببساطة وصف ما يريدونه بجمل عادية. ووفقاً لـ ElevenLabs، تتعامل النسخة الجديدة مع هذه التعليمات بشكل أفضل بكثير مما فعل v3.
عملياً، يعني ذلك أن الأصوات غير اللفظية — الضحك والهمس وصوت إغلاق الباب — تُولَّد بشكل أكثر موثوقية وفي المكان الصحيح. وهذه بالتحديد هي نوعية التفاصيل التي تفصل قراءة اصطناعية مسطحة عن أداء له ملمس. فضحكة مكتوبة تقع على مقطع لفظي خاطئ، أو همسة تأتي بشدة خاطئة، تكسر الوهم فوراً؛ وتضع ElevenLabs v4 كالنسخة التي تسدّ الكثير من هذه الفجوة.
كما تم إحكام ضوابط النطق. يمكن للكتّاب استخدام التهجئة الصوتية لتحديد كيفية نطق الأسماء والمصطلحات التجارية والمفردات التقنية، وتقول الشركة إن هذه الضوابط تعمل الآن بشكل أكثر اتساقاً من قبل. ولمن ينتج محتوى مليئاً بالاختصارات أو الأسماء الكيميائية أو أسماء الأعلام غير الإنجليزية، فإن هذه الموثوقية لا تقل قيمة عن المدى العاطفي.
بنية مصممة للحفاظ على ثبات الصوت
تعزو ElevenLabs التحسينات إلى بنية نموذج جديدة تحلل نبرة النص وإيقاعه وسياقه بدلاً من التعامل مع كل سطر كوحدة نصية معزولة. وتكتسب هذه الوعي السياقي أهمية قصوى عندما يطول الإنتاج.
يُتوقع أن يبدو الراوون والشخصيات متسقين طوال المشروع، حتى في سير العمل حيث تُعاد توليد أسطر فردية عدة مرات أثناء التحرير. ويعرف كل من جمع تعليقاً صوتياً من عشرات التسجيلات المنفصلة نمط الفشل: عبارة هنا أو هناك تنزاح بشكل خفي في الجرس أو الطاقة أو اللكنة، تاركةً خطاً مسموعاً. وتقول ElevenLabs إن v4 مبني لمنع هذا الانحراف.
يمكن لكل طلب أن يتعامل مع ما يصل إلى 10,000 حرف، أي ما يعادل نحو عشر دقائق من الصوت النهائي. وتُجمَّع الأعمال الأطول مثل الكتب الصوتية من مقاطع متعددة، وتتوقع الشركة أن يبقى الإيقاع والأداء مستقرين عبر تلك الانتقالات. وفي الحوار، يُقال إن النموذج يستجيب لسياق المشهد بأكمله بدلاً من أداء سطر كل متحدث بمعزل عن الآخر — وهو تغيير ينبغي أن يجعل التبادلات الحوارية تبدو أقرب إلى محادثة وأبعد عن مناجاة متبادلة.
تغطية لغوية أوسع وأدوات استنساخ تعود للعمل
يدعم Eleven v4 أكثر من 90 لغة، بزيادة عن نحو 70 لغة في v3. ويُقرن هذا التوسع بادعاء محدد بشأن الأصوات المستنسخة: ينبغي أن تكون قادرة على التحدث بلغات أخرى بلكنات تبدو أصلية دون أن تعود تدريجياً إلى لكنة التسجيل الأصلي. وقد كان هذا النوع من الانحراف شكوى قديمة في الدبلجة متعددة اللغات، حيث يمكن لصوت مبني من مادة مصدرها الإنجليزية أن يفضح أصوله عندما يُطلب منه التحدث، مثلاً، بالإسبانية أو اليابانية.
وتقول ElevenLabs أيضاً إن Professional Voice Clones تعمل مرة أخرى في v4 بعد أن كانت غير مدعومة في v3، ما يعيد قدرة كانت سير عمل الإنتاج الراقية قد فقدتها. وفي الطرف الآخر من الطيف، يحتاج Instant Voice Clone إلى عشر ثوانٍ فقط من الصوت، ما يبقي النماذج الأولية السريعة في متناول المستخدمين الذين لا يملكون تسجيلات بجودة الاستوديو.
Turbo يدفع نحو وكلاء صوت فوريين
النصف الثاني من الإعلان يتعلق بالسرعة. صُمم Eleven v4 Turbo للاستخدامات الفورية مثل مكالمات خدمة العملاء وشخصيات الألعاب، حيث تجعل أي وقفة تزيد على جزء من الثانية التفاعل يبدو مصطنعاً.
ووفقاً لاختبارات ElevenLabs، يبدأ Turbo بإنتاج كلام مسموع في حوالي 150 مللي ثانية. وتصوغ الشركة ذلك كحل لمقايضة قديمة: كان على مطوري وكلاء الصوت سابقاً الاختيار بين استجابة سريعة وأخرى تعبيرية. ويُقصد بـ Turbo تقديم الاثنين معاً، ما قد يجعل الوكلاء الحواريين يبدون أقل شبهاً بأشجار هاتفية مكتوبة وأكثر شبهاً بمشاركين في تبادل حي.
Eleven v4 في لمحة
- التزام أكثر دقة بوسوم التوجيه والتعليمات باللغة العادية للمشاعر والوقفات والمؤثرات الصوتية
- الضحك والهمس ومؤثرات مثل إغلاق الأبواب تُولَّد بشكل أكثر موثوقية من v3
- أصوات راوٍ وشخصيات متسقة عبر الإنتاجات الطويلة، بما في ذلك عند إعادة توليد أسطر فردية
- حتى 10,000 حرف لكل طلب، أي نحو عشر دقائق من الصوت
- دعم أكثر من 90 لغة، ارتفاعاً من نحو 70 في v3
- يُتوقع أن تحافظ الأصوات المستنسخة على لكنات أصلية في لغات أخرى دون الانحراف عائدةً
- Professional Voice Clones تعود بعد أن كانت غير مدعومة في v3؛ ويحتاج Instant Voice Clone إلى عشر ثوانٍ من الصوت
- يبدأ Eleven v4 Turbo التحدث في نحو 150 مللي ثانية، وهو ما تقول ElevenLabs إنه يتفوق على النماذج المنافسة
لماذا تهم التفاصيل أكثر من العنوان الرئيسي
لقد تغيّرت الحدود التنافسية في تركيب الكلام. فالصوت الطليق الذي يبدو بشرياً أصبح الحد الأدنى المطلوب؛ وما يفصل المنصات هو قابلية التحكم — ما إذا كان المخرج يستطيع طلب أداء محدد والحصول عليه دون تغيير، تسجيلاً بعد تسجيل. ويركز عرض Eleven v4 أساساً على القابلية للتنبؤ على نطاق واسع، من تنزيل فصل مدته عشر دقائق إلى وكيل حي يجيب عميلاً في غضون خُمس ثانية.
وبالنسبة لمنتجي الكتب الصوتية والفيديو المدبلج والشخصيات التفاعلية، ستكون الأسئلة العملية هي مدى نجاة سرعة Turbo في ظروف المحادثة الحقيقية، وما إذا كان التجميع مقطعاً بمقطع يحافظ فعلاً على توازنه النغمي عبر عمل كامل الطول. هذه هي الادعاءات التي تقدمها ElevenLabs الآن؛ وستحدد أشهر الإنتاج القادمة مدى صمودها.
This article is based on reporting by The Decoder. Read the original article.
Originally published on the-decoder.com
