CosyVoice 3: استنساخ الصوت بالذكاء الاصطناعي مجانًا على المعالج
استنساخ الصوت بالذكاء الاصطناعي من تسجيل مدته 8 ثوانٍ، وبلغة أخرى أيضًا. يعمل على المعالج دون بطاقة رسومات: التثبيت والاستنساخ والأوامر.

في المقالة السابقة تحويل النص إلى صوت مجانًا: Kokoro وChatterbox لدبلجة الألعاب قارنت عدة نماذج TTS (تحويل النص إلى صوت) مفتوحة المصدر، ووعدت بأن أخصص لكل نموذج مقالة مفصلة. هذه المقالة عن CosyVoice 3: يكفيه تسجيل مدته 8 ثوانٍ ليقرأ جملًا جديدة بصوت صاحب التسجيل، ويستطيع أيضًا أن يتكلم بلغة غير لغة التسجيل.
حاسوبي المحمول بلا بطاقة رسومات NVIDIA، ومع ذلك يعمل النموذج على المعالج وحده. تستغرق الجملة الواحدة نحو دقيقتين، لذلك من الأنسب أن تجهّز دفعة كاملة من الجمل وتتركه يعمل في الخلفية. وإذا كان في جهازك معالج رسومات مدمج من Intel، فيمكنك تسريعه به ليصبح أسرع بنحو 5 مرات. أوثّق هنا خطوات التثبيت كاملة والمشكلات التي واجهتني، وأجرّب استنساخ الصوت بالذكاء الاصطناعي بصوتي أنا.
ما هو CosyVoice 3؟ وهل يمكن استخدامه تجاريًا؟
CosyVoice نموذج لتوليد الكلام مفتوح المصدر من Alibaba (حقوق الشيفرة المصدرية باسم Alibaba Inc.)، وأحدث إصدار مفتوح منه هو Fun-CosyVoice3-0.5B-2512 الصادر في ديسمبر 2025. البيانات التالية من صفحة النموذج على Hugging Face، بتاريخ 2026-11-21:
البند | التفاصيل |
|---|---|
عدد المعاملات | 0.5B (500 مليون) |
الترخيص | Apache-2.0، يسمح بالاستخدام التجاري |
اللغات | الصينية والإنجليزية واليابانية والكورية والألمانية والإسبانية والفرنسية والإيطالية والروسية، 9 لغات |
اللهجات الصينية | أكثر من 18 لهجة، منها الكانتونية والمينان (الهوكين) والسيتشوانية ولهجة الشمال الشرقي والشنغهاينية |
استنساخ الصوت | يكفي مقطع صوتي مرجعي، ويمكن الاستنساخ عبر اللغات (صوت مسجّل بالصينية يقرأ نصًا إنجليزيًا) |
التحكم بالأوامر | جملة واحدة تحدد اللهجة وسرعة الكلام وارتفاع الصوت والعاطفة |
العربية ليست ضمن هذه اللغات. حتى 2026-11-21 لا يتحدث CosyVoice 3 العربية، واللغات المدعومة هي التسع المذكورة في الجدول. لكن يمكنك أن تستنسخ صوتك ثم تجعله يقرأ بالإنجليزية أو الصينية أو أي لغة أخرى من هذه اللغات.
في جداول التقييم الرسمية، نسبة أخطاء الحروف (CER) لدى CosyVoice 3 في مجموعة الاختبار الصينية أقل من الجيل السابق CosyVoice 2، وتشابه الصوت أعلى.
هل CosyVoice 3.5 مفتوح المصدر؟
لا. أعلنت Alibaba عن CosyVoice 3.5 في مارس 2026، لكنه متاح حاليًا عبر واجهة API في Alibaba Cloud Model Studio فقط، وفي منطقة بكين وحدها. حتى 2026-11-21 لا توجد أوزان 3.5 على Hugging Face، وقد سأل أحد المستخدمين في issue على GitHub هل سيُفتح مصدره، ولم يرد الفريق الرسمي. إذا أردت تشغيل النموذج على جهازك مع ترخيص تجاري، فالإصدار 3.0 هو المتاح الآن.
ملاحظة أخرى: انتقل مستودع CosyVoice على GitHub من FunAudioLLM/CosyVoice إلى QwenAudio/CosyVoice، والعنوان القديم يحوّلك تلقائيًا.
متطلبات الجهاز: هل يعمل دون بطاقة رسومات NVIDIA؟
نعم، لكنه أبطأ. حاسوبي المحمول فيه معالج Intel Core Ultra 5 322 (6 أنوية) ومعالج رسومات مدمج Panther Lake، دون بطاقة رسومات منفصلة. النتائج لجملة صينية واحدة مدتها نحو 8 ثوانٍ:
وحدة المعالجة | زمن التوليد | معامل الزمن (الأصغر أسرع) |
|---|---|---|
المعالج (6 أنوية) | 115 ثانية | 15.6 |
معالج الرسومات المدمج من Intel (PyTorch XPU) | 21.5 ثانية | 2.5 |
يحتاج تحميل النموذج أيضًا نحو 12 ثانية. عند توليد دفعة من الجمل بمعالج الرسومات المدمج، يُحمَّل النموذج مرة واحدة فقط، وتنتهي الجملة التي مدتها 4 إلى 6 ثوانٍ في 15 إلى 30 ثانية تقريبًا.
طريقة التثبيت الرسمية مصممة لبطاقات NVIDIA (CUDA). أما معالج Intel المدمج فيحتاج بضع خطوات إضافية سأشرحها لاحقًا.
تثبيت CosyVoice 3 (نسخة المعالج)
أعمل على Linux (Arch)، وأدير بيئة Python باستخدام uv.
1. تنزيل الشيفرة
mkdir -p ~/tools/cosyvoice && cd ~/tools/cosyvoice
git clone --recursive https://github.com/FunAudioLLM/CosyVoice.git repoلا تنسَ --recursive، لأن Matcha-TTS، الذي يعتمد عليه CosyVoice، مُدرَج بوصفه وحدة فرعية (submodule).
2. إنشاء البيئة وتثبيت الحزم
ملف requirements.txt الرسمي يتضمن PyTorch بنسخة CUDA وTensorRT وDeepSpeed، ولا حاجة لها على حاسوب بلا بطاقة NVIDIA. لذلك ثبّتُ الحزم التي يحتاجها فعلًا، مع تحديد PyTorch بنسخة المعالج:
uv venv --python 3.10 .venv
VIRTUAL_ENV=.venv uv pip install "setuptools<81" wheel
VIRTUAL_ENV=.venv uv pip install --no-build-isolation-package openai-whisper \
--index-strategy unsafe-best-match --extra-index-url https://download.pytorch.org/whl/cpu \
"torch==2.3.1+cpu" "torchaudio==2.3.1+cpu" numpy==1.26.4 conformer==0.3.2 diffusers==0.29.0 \
hydra-core==1.3.2 HyperPyYAML==1.2.3 inflect==7.3.1 librosa==0.10.2 omegaconf==2.3.0 \
onnx==1.16.0 onnxruntime==1.18.0 openai-whisper==20231117 protobuf==4.25 pyworld==0.3.4 \
soundfile==0.12.1 transformers==4.51.3 x-transformers==2.11.24 wetext==0.0.4 modelscope==1.20.0 \
lightning==2.2.4 matplotlib==3.7.5 rich==13.7.1 pyarrow==18.1.0 networkx==3.1 \
wget==3.2 gdown==5.1.0 pydantic==2.7.0 huggingface_hubواجهتني هنا ثلاث مشكلات:
- فشل بناء
openai-whisper: برنامج تثبيته يحتاجpkg_resources، وقد أُزيل من الإصدارات الحديثة من setuptools. ثبّتsetuptools<81أولًا، ثم اطلب ألا يُبنى في بيئة معزولة (--no-build-isolation-package). - من دون
lightningوrichيفشل تحميل النموذج: ملف إعداد النموذج يستخدم هاتين الحزمتين، فثبّتهما معًا. - رسالة
no frontend is avaliable: حزمة توحيد النص wetext تنزّل بياناتها من ModelScope، وقد رُفض الطلب عندي (403). يظل التوليد ممكنًا من دونها، وCosyVoice 3 نفسه يتعامل مع الأرقام والرموز العادية، كما سترى في التجربة لاحقًا.
3. تنزيل النموذج (مع توفير 4 GB)
حجم النموذج كاملًا نحو 9.8 GB، لكن بعض ملفاته لا حاجة لها في هذا التثبيت، فيمكن تخطيها:
from huggingface_hub import snapshot_download
snapshot_download("FunAudioLLM/Fun-CosyVoice3-0.5B-2512",
local_dir="models/Fun-CosyVoice3-0.5B",
ignore_patterns=["flow.decoder.estimator.fp32.onnx", # للاستخدام مع TensorRT
"speech_tokenizer_v3.batch.onnx", # للاستدلال على دفعات
"llm.rl.pt"]) # نسخة التعلم المعزز، لا تُحمَّل افتراضيًاالملفات الثلاثة المتخطاة هي: ملف لـ TensorRT، وملف للاستدلال على دفعات، ونسخة التعلم المعزز التي لا تُحمَّل افتراضيًا. بعد التنزيل يصبح الحجم 5.1 GB.
4. توليد أول جملة
للمطالبة في CosyVoice 3 صيغة ثابتة: تبدأ بـ You are a helpful assistant.<|endofprompt|>. هذا المثال معدّل عن example.py الرسمي:
import sys
sys.path[:0] = ["repo", "repo/third_party/Matcha-TTS"]
import torch, torchaudio
from cosyvoice.cli.cosyvoice import AutoModel
m = AutoModel(model_dir="models/Fun-CosyVoice3-0.5B")
SYS = "You are a helpful assistant.<|endofprompt|>"
# استنساخ الصوت: ملف صوتي مرجعي + تفريغ نصي حرفي لمحتواه
out = m.inference_zero_shot("النص المطلوب نطقه", SYS + "النص المنطوق في التسجيل المرجعي", "ref.wav", stream=False)
wav = torch.cat([x["tts_speech"] for x in out], dim=1)
torchaudio.save("out.wav", wav, m.sample_rate)في هذا المثال: المعامل الأول هو النص المطلوب نطقه، والثاني هو النص الحرفي للتسجيل المرجعي، والثالث هو ملف التسجيل المرجعي.
الدوال الرئيسية ثلاث:
الدالة | الاستخدام |
|---|---|
| استنساخ الصوت بأقرب نتيجة إلى الأصل. يحتاج إلى النص الحرفي للتسجيل المرجعي |
| لا يحتاج نصًا حرفيًا، ومناسب للاستنساخ عبر اللغات، مثل صوت مسجّل بالصينية يقرأ الإنجليزية |
| جملة واحدة تحدد اللهجة والسرعة والعاطفة. صيغة الأمر أدناه |
يُكتب الأمر هكذا: "You are a helpful assistant. 请用广东话表达。<|endofprompt|>"، أي العبارة الافتتاحية الثابتة نفسها، ثم الأمر، ثم <|endofprompt|> في النهاية.
جمعت كل هذا في أداة سطر أوامر واحدة داخل ~/tools/cosyvoice/، أستدعيها مباشرة من أي مشروع.
للمستخدم المتقدم: تسريع بمقدار 5 مرات بمعالج Intel المدمج (PyTorch XPU)
الواجهة الخلفية التي يدعم بها PyTorch معالجات الرسومات من Intel اسمها XPU. لكن CosyVoice يستخدم PyTorch 2.3.1 الذي لا يدعم XPU بعد، لذلك أنشأت بيئة منفصلة، وتركت بيئة المعالج كما هي.
1. تثبيت مشغّل الحوسبة من Intel
أنظمة سطح المكتب العادية تثبّت مشغّل العرض فقط. لكي يستخدم PyTorch معالج الرسومات في الحسابات، تحتاج أيضًا مشغّل الحوسبة من Intel (Level Zero). على Arch Linux:
sudo pacman -S intel-compute-runtime2. تثبيت PyTorch بنسخة XPU
uv venv --python 3.10 .venv-xpu
VIRTUAL_ENV=.venv-xpu uv pip install --index-url https://download.pytorch.org/whl/xpu torch torchaudio
.venv-xpu/bin/python -c "import torch; print(torch.xpu.is_available(), torch.xpu.get_device_name(0))"إذا ظهر True Intel(R) Graphics فقد تعرّف على معالج الرسومات المدمج. الإصدار الذي ثُبّت عندي هو PyTorch 2.14.1.
بعدها ثبّت الحزم المذكورة سابقًا في هذه البيئة، وأضف -c لتحديد ملف قيود الإصدارات. اكتب في هذا الملف إصدار torch المثبّت حاليًا، حتى لا يُستبدَل بنسخة لا تدعم XPU أثناء تثبيت الحزم الأخرى.
3. إزالة triton المتعارض
بعد التثبيت فشل import transformers برسالة الخطأ cannot import name 'make_tensordesc_args'. السبب أن تثبيت openai-whisper جلب معه إصدارًا قديمًا من triton طغى على triton-xpu الذي يحتاجه PyTorch بنسخة XPU. أزل القديم وأعد تثبيت triton-xpu:
VIRTUAL_ENV=.venv-xpu uv pip uninstall triton
VIRTUAL_ENV=.venv-xpu uv pip install --reinstall-package triton-xpu \
--index-url https://download.pytorch.org/whl/xpu triton-xpu4. نقل النموذج إلى معالج الرسومات المدمج
شيفرة CosyVoice لا تعرف إلا CUDA: إذا لم تجد بطاقة NVIDIA تستخدم المعالج تلقائيًا. لم أعدّل الشيفرة الرسمية، بل أحمّل النموذج على المعالج أولًا، ثم أنقل الشبكات الثلاث الرئيسية إلى معالج الرسومات:
m = AutoModel(model_dir="models/Fun-CosyVoice3-0.5B")
dev = torch.device("xpu")
for name in ("llm", "flow", "hift"):
getattr(m.model, name).to(dev)
m.model.device = dev
m.frontend.device = devبهذه الطريقة لا يحدث تعارض عند تحديث الشيفرة الرسمية لاحقًا. أول تشغيل على معالج الرسومات يحتاج ترجمة مسبقة تضيف أكثر من عشر ثوانٍ، ثم يعمل بشكل طبيعي.
التجربة الأولى: استنساخ الصوت بصوتي أنا
سجّلت بهاتفي مقطعًا مدته 8 ثوانٍ لأستخدمه مرجعًا للاستنساخ. التسجيل باللغة الصينية.
تنبيه: كل المقاطع الصوتية في هذه المقالة هي صوت الكاتب Terry L نفسه، أو نتائج استنساخ صوته. جميع الحقوق محفوظة، ولا يجوز تنزيلها أو إعادة نشرها أو استخدامها في أي مكان آخر (بما في ذلك استخدامها للاستنساخ).
لأن CosyVoice 3 لا يتحدث العربية حتى 2026-11-21، فالمثال التالي بالإنجليزية، وهي من اللغات التسع التي يدعمها. يمكنك بالطريقة نفسها أن تجعل صوتك المستنسخ يقرأ الإنجليزية أو الصينية أو غيرهما من اللغات المدعومة.
لم أنطق هذه الجملة أبدًا. ولّدها CosyVoice 3 من تسجيلي الصيني أعلاه:
أشعر أن الصوت المولَّد يشبه صوتي كثيرًا.
الاستنساخ عبر اللغات: المقطع الإنجليزي أعلاه مثال على الاستنساخ عبر اللغات، لأن تسجيلي المرجعي بالصينية. وباستخدام التسجيل الصيني نفسه، يمكن توليد كلام باليابانية أيضًا، أو بالكانتونية:
حوّلت المقاطع الإنجليزية واليابانية والكانتونية إلى نص بأداة التعرف على الكلام (Whisper) وقارنتها، وكان المحتوى صحيحًا كله، دون كلمات زائدة أو ناقصة.
كيف تسجّل المقطع المرجعي؟
- من 5 إلى 10 ثوانٍ تكفي. جرّبت مرجعًا مدته 20 ثانية، فأصبح زمن التوليد يتراوح بين ضعفين وثلاثة أضعاف الزمن الأصلي.
- مكان هادئ وشخص واحد يتكلم: الموسيقى الخلفية والضجيج يُستنسخان أيضًا.
- أرفق النص الحرفي: مع
inference_zero_shotيجب أن يطابق النص الحرفي التسجيل كلمة بكلمة. إذا لم تعرف المحتوى، حوّله إلى نص بـ Whisper أولًا، أو استخدمinference_cross_lingual. - ارفع مستوى الصوت إذا كان التسجيل خافتًا: متوسط مستوى تسجيل هاتفي كان -31 dB فقط، فقصصت الصمت في البداية والنهاية وضبطت مستوى الصوت قبل الاستنساخ.
نبرة الكلام وسرعته تُستنسخان أيضًا
CosyVoice 3 لا يستنسخ جرس الصوت فقط، بل السرعة والنبرة وتغيّرات طبقة الصوت تتبع التسجيل المرجعي أيضًا. مع inference_zero_shot يُعامَل التسجيل المرجعي ونصه الحرفي على أنهما «كلام قيل للتو»، فيكمل النموذج الكلام بعدهما، ولذلك يحافظ على طريقة الكلام نفسها.
في تجربتي، كان تسجيلي الأصلي بمعدل 4.3 مقطع صيني في الثانية تقريبًا، والجملة الصينية التي استنسختها منه بمعدل 4.4 تقريبًا، أي سرعة متقاربة جدًا. لكن النتيجة لا تكون متطابقة دائمًا: الجملة نفسها مع seed مختلف تباطأت إلى 3.6 مقطع في الثانية، وجملة آرثر المستنسخة جاءت أسرع قليلًا من التسجيل المرجعي. لذلك يُستحسن أن تولّد الجمل المهمة عدة مرات ثم تختار أفضلها.
ماذا يعني هذا؟
- سجّل بالنبرة التي تريدها: لجملة غاضبة سجّل مرجعًا غاضبًا، ولكلام هادئ وبطيء اقرأ المرجع ببطء. يمكنك أن تجهّز للشخصية الواحدة عدة مراجع، مثل نبرة عادية وأخرى منفعلة وثالثة هامسة.
- عيوب التسجيل المرجعي تُنسخ أيضًا: إذا كانت القراءة سريعة جدًا أو رتيبة، أو كان التسجيل يتضمن صدى أو ضجيجًا، فستظهر هذه العيوب في النتيجة كذلك.
- للتعديل الدقيق ثلاث طرق: المعامل
speedلتسريع الكلام أو إبطائه مباشرة، أو أمر عبرinference_instruct2مثل «请用尽可能慢地语速说一句话。» (قل الجملة بأبطأ سرعة ممكنة)، أو استخدامinference_cross_lingual.
من الشيفرة المصدرية يتضح أن inference_cross_lingual لا يمرّر التسجيل المرجعي إلى النموذج اللغوي الذي يحدد الإيقاع، بل يستخدمه لجرس الصوت فقط، لذلك لا يتبع إيقاع التسجيل بالقدر نفسه.
التجربة الثانية: دبلجة صوت آرثر، النادل الروبوت
الصفحة الرئيسية لهذا الموقع (terryl.in) لعبة مصغّرة ثلاثية الأبعاد: قاعدة على سطح القمر تتحكم فيها برائد فضاء، وفيها بار يعمل فيه نادل روبوت اسمه آرثر. تأتي هذه الشخصية تكريمًا للنادل الآلي آرثر في فيلم «الركاب» (Passengers، 2016)، وبعض جمله مقتبسة من الفيلم أيضًا. أدّى دور آرثر في الفيلم مايكل شين، وقد تعمّدت ألا أقلّد صوته.
في هذا القسم أواصل استخدام صوتي (التسجيل نفسه الذي مدته ثماني ثوانٍ) لقراءة جمل آرثر:
إذا أخطأ النموذج في نطق كلمة، فيمكن تحديد النطق داخل النص نفسه: للحروف الصينية متعددة النطق تُكتب علامة بينيين مثل [h][áng]، وللكلمات الإنجليزية يمكن استخدام رموز CMU الصوتية. صادفت ذلك مرة واحدة: في جملة «وسوم التنفس والضحك» لاحقًا، نُطق الحرف الصيني «尷» خطأ في المرة الأولى، فكتبته [g][ān] وأعدت التوليد، فجاء النطق صحيحًا.
اليابانية: حوّل النص إلى كاتاكانا أولًا
ينبّه المثال الرسمي صراحة: حوّل النص الياباني إلى كاتاكانا قبل إدخاله. جرّبت الطريقتين: مع الكانجي والهيراغانا جاء النص المستخرج بالتعرف على الكلام مختلفًا كثيرًا، وبعض الكلمات نُطقت خطأ، أما مع الكاتاكانا فجاء صحيحًا.
عند الدبلجة باليابانية، يمكنك أن تطلب من مساعد برمجة بالذكاء الاصطناعي تحويل النص إلى كاتاكانا أولًا، ثم تعطيه لـ CosyVoice.
التجربة الثالثة: التحكم في اللهجة والعاطفة والسرعة بالأوامر
مع inference_instruct2 تعطي النموذج أمرًا في جملة واحدة. الشيفرة الرسمية تسرد الأوامر المدعومة، ومنها 17 لهجة، وأوامر لارتفاع الصوت والسرعة والعاطفة، وأمر للكلام «بأسلوب روبوت».
اكتب الأمر بالصينية المبسطة أو بالإنجليزية، وإن لم تكن تعرف الصينية فاكتبه بالإنجليزية. معظم الأوامر في القائمة الرسمية بالصينية المبسطة، وأمرا ارتفاع الصوت بالإنجليزية («Please say a sentence as loudly as possible.» و«Please say a sentence in a very soft voice.»).
جرّبت أمر «أبطأ سرعة ممكنة» على الجملة نفسها بثلاث صيغ:
الأمر | مدة الجملة |
|---|---|
دون أمر | 4 إلى 5 ثوانٍ تقريبًا |
بالصينية المبسطة «请用尽可能慢地语速说一句话。» | 8.2 ثانية |
بالإنجليزية «Please say a sentence as slowly as possible.» | 8.5 ثانية |
بالصينية التقليدية «請用盡可能慢地語速說一句話。» | 5.3 ثانية |
الصيغتان المبسطة والإنجليزية أبطأتا الكلام بوضوح، أما التقليدية فلم يكن لها أثر يُذكر. الأمر الإنجليزي ليس في القائمة الرسمية، ومع ذلك يعمل، فإذا لم تكن تكتب الصينية فاستخدم الإنجليزية.
المقاطع التالية كلها بصوتي، والجملة هي «歡迎來到月球基地的酒吧。今天想喝點什麼?» (أهلًا بك في بار قاعدة القمر. ماذا تحب أن تشرب اليوم؟):
يجب أن تُكتب الجمل الكانتونية بالصيغة الكتابية للكانتونية (嚟، 嘅، 啲، 咩) حتى يكون النص المستخرج بالتعرف على الكلام صحيحًا تمامًا.
ماذا عن لهجة المينان (الهوكين)؟
قائمة اللهجات الرسمية تتضمن المينان (Minnan/Hokkien). جرّبتها بالأمر «请用闽南话表达。»، لكن النتيجة لم تبدُ لي مثل التايوانية الهوكينية (Taiwanese Hokkien) أبدًا، وكان التنغيم خاطئًا بالكامل.
وسوم التنفس والضحك
يمكن أن تضيف إلى النص وسومًا مثل [breath] (أخذ نفس) و<laughter>…</laughter> (الكلام مع الضحك) و<strong>…</strong> (التشديد):
بصراحة، لم أسمع أي نفس أو ضحك. على الأقل في هذه التجربة لم يكن للوسوم أثر واضح، فلا تتوقع منها الكثير.
الأرقام والأوقات
ذكرت سابقًا أن بيئتي تفتقد حزمة توحيد النص. جرّبت جملة فيها أرقام ووقت:
نُطقت «120 元» و«8 折» و«23:30» كلها نطقًا صحيحًا. حتى دون حزمة توحيد النص، يتعامل CosyVoice 3 مع الأرقام والأوقات العادية.
لكن مع الصيغ الأعقد، مثل أرقام الهواتف وأرقام الإصدارات والتواريخ والأوقات، الأضمن أن تكتبها بالكلمات. الوقت مثلًا يمكن كتابته «الحادية عشرة والنصف» بدل الأرقام.
CosyVoice 3 مقارنة بنماذج TTS مفتوحة المصدر الأخرى
مقارنة بالنماذج التي عرضتها في المقالة السابقة، يتميز CosyVoice 3 بما يلي:
- جودة استنساخ الصوت بالصينية أفضل بكثير من النسخة الصينية لـ Chatterbox: قارنت بينهما بالتسجيل المرجعي نفسه والجمل نفسها. نطق Chatterbox كثيرًا من الحروف بشكل غير واضح أو خاطئ، وكانت الجودة سيئة جدًا. إذا كنت تريد استنساخ صوت بالصينية، فتجاوز Chatterbox ولا تضيّع وقتك في اختباره.
- استنساخ الصوت مع التحكم بالأوامر: يحدد CosyVoice 3 اللهجة والعاطفة والسرعة بجملة واحدة، أما Kokoro فيعمل بأصواته المدمجة فقط ولا يستنسخ الأصوات.
- لغات أقل: 9 لغات فقط. النسخة متعددة اللغات من Chatterbox تدعم 23 لغة، ولغات مثل الفيتنامية والإندونيسية والتركية لا يدعمها CosyVoice 3.
- أبطأ بكثير من Kokoro: يولّد Kokoro الجملة على المعالج في أقل من 20 ثانية، أما CosyVoice 3 فلا يصبح عمليًا إلا مع معالج الرسومات المدمج.
هل يمكن استنساخ صوت شخص آخر؟
تقنيًا، يكفي تسجيل نظيف لأي شخص لاستنساخ صوته، والنتيجة جيدة جدًا. ولهذا السبب تحديدًا: استنسخ صوتك أنت فقط، أو صوت شخص أخذت موافقته. أصوات المشاهير محمية بحقوق الشخصية، واستخدام صوت شخص ليقول ما لم يقله قد يدخل في الاحتيال أو التشهير.
ترخيص Apache-2.0 في CosyVoice 3 يسمح بالاستخدام التجاري للنموذج نفسه، ولا يعني أنك تستطيع استخدام صوت أي أحد. طريقتي: أستخدم صوتي، أو أولّد الصوت الأصلي للشخصية بالأصوات المدمجة في نموذج مفتوح المصدر مثل Kokoro، ثم أستنسخه.
الأسئلة الشائعة
هل يمكن استخدام CosyVoice 3 تجاريًا؟
نعم. يصدر Fun-CosyVoice3-0.5B-2512 بترخيص Apache-2.0 الذي يسمح بالاستخدام التجاري. لكن الصوت المرجعي يجب أن يكون صوتك، أو صوت شخص أخذت موافقته.
هل يدعم CosyVoice 3 العربية؟
لا، حتى 2026-11-21. يدعم 9 لغات: الصينية والإنجليزية واليابانية والكورية والألمانية والإسبانية والفرنسية والإيطالية والروسية. يمكنك أن تستنسخ صوتك وتجعله يقرأ بإحدى هذه اللغات.
هل يعمل استنساخ الصوت بالذكاء الاصطناعي دون بطاقة رسومات NVIDIA؟
نعم. يستغرق توليد جملة مدتها 8 ثوانٍ على المعالج قرابة دقيقتين، ومع معالج Intel المدمج (PyTorch XPU) نحو 20 ثانية. يجب أولًا تثبيت مشغّل الحوسبة من Intel وPyTorch بنسخة XPU.
هل ينطق CosyVoice 3 الصينية والكانتونية بشكل صحيح؟
في الغالب نعم. إذا أخطأ في حرف صيني، فاكتب نطقه بعلامة بينيين مثل [h][áng]. والكانتونية تعمل جيدًا إذا كُتب النص بأسلوب الكتابة الكانتونية (嚟، 嘅، 啲). أما المينان فلم تبدُ لي مثل التايوانية الهوكينية.
هل CosyVoice 3.5 مفتوح المصدر؟
ليس حتى 2026-11-21. يتوفر CosyVoice 3.5 عبر API في Alibaba Cloud Model Studio فقط، ولا توجد أوزانه على Hugging Face.
كم يجب أن تكون مدة التسجيل المرجعي لاستنساخ صوتي؟
من 5 إلى 10 ثوانٍ تكفي. يجب أن يُسجَّل المقطع في مكان هادئ وألا يتكلم فيه سوى شخص واحد، مع إرفاق نص حرفي مطابق تمامًا. كلما طال المرجع صار التوليد أبطأ.
الخلاصة: 8 ثوانٍ من التسجيل تكفي لدبلجة بصوتك
مع CosyVoice 3 شعرت لأول مرة أن دبلجة لعبة أو فيديو بصوتي أمر ممكن: أسجّل 8 ثوانٍ، ثم أترك النموذج يقرأ كل الجمل التالية، بل يقرؤها بالإنجليزية أو اليابانية أو الكانتونية أيضًا. لا بأس إن لم تكن لديك بطاقة NVIDIA، فالمعالج يكفي لتشغيله، وإن كان لديك معالج رسومات مدمج من Intel فسيصبح أسرع 5 مرات.
إذا جرّبت CosyVoice 3، أو أردت أن تعرف نتائج نماذج أخرى، فاترك تعليقًا على Threads أو X.
