تحويل النص إلى صوت مجانًا: Kokoro وChatterbox لدبلجة الألعاب
تحويل النص إلى صوت مجانًا للاستخدام التجاري: Kokoro وChatterbox على معالج الحاسوب، مع استنساخ الصوت وتجربة TTS بالعربية.

الصفحة الرئيسية لهذا الموقع قاعدة على سطح القمر. عندما تفتح terryl.in تدخل إلى لعبة مصغّرة ثلاثية الأبعاد مبنية بـ Three.js: تتحكم في رائد فضاء يتجول في القاعدة، ويرتدي بدلة الفضاء، ويخرج من حجرة معادلة الضغط إلى سطح القمر، أو يذهب إلى البار ليطلب مشروبًا خاصًا. ومدونة "سجل قاعدة القمر" توثّق كيف بُنيت هذه القاعدة خطوة بخطوة.
في بار القاعدة نادل روبوت اسمه آرثر. الشخصية تحية للنادل الآلي آرثر في فيلم «الركاب» (Passengers، 2016): هادئ مثله، شديد التهذيب، ويتكلم بوجه خالٍ من التعابير. بعض جمله مقتبسة من الفيلم أيضًا، ومن شاهده سيعرفها. اسأله لماذا يمسح الكؤوس طوال الوقت فيجيب: «لو لم أمسح الكأس، لاضطررت إلى فتح حديث.» المؤسف أن هذه الجمل حتى الآن مجرد نص في نافذة الحوار.
في المقالة السابقة صنعت مؤثرات صوتية لقاعدة القمر باستخدام Stable Audio 3 Small SFX، وهذه المرة جاء دور الدبلجة. في الماضي، لكي تمنح شخصيات لعبتك صوتًا كان عليك أن تستعين بمؤدّي صوت، أو تستخدم خدمة سحابية لتحويل النص إلى صوت بالذكاء الاصطناعي مثل ElevenLabs تحاسبك بعدد الحروف. اليوم توجد عدة نماذج TTS (تحويل النص إلى صوت) مفتوحة المصدر ومجانية ومسموح باستخدامها تجاريًا، تنزّلها على جهازك وتستخدمها دون دفع مقابل كل مرة، ويمكن اعتبارها بديلًا مجانيًا لـ ElevenLabs.
في هذه المقالة أقارن أفضل نماذج TTS مفتوحة المصدر حاليًا. ثبّتُ Kokoro TTS وChatterbox TTS على حاسوب محمول بلا بطاقة رسومات، ودبلجت بهما جمل آرثر بالإنجليزية، وجرّبت استنساخ الصوت بالذكاء الاصطناعي مجانًا ليظل صوت الشخصية بالجرس نفسه في كل جملة، ثم اختبرت جملتين بالعربية.
أفضل نماذج TTS مفتوحة المصدر: مقارنة أدوات تحويل النص إلى صوت للاستخدام التجاري
لنبدأ بالخلاصة. هذه النماذج التي راجعت تراخيصها وتأكدت أن استخدامها التجاري مسموح:
النموذج | عدد المعاملات | الترخيص | استنساخ الصوت | اللغات | العتاد |
|---|---|---|---|---|---|
Kokoro-82M | 82 مليونًا | Apache 2.0 | لا، 54 صوتًا مدمجًا | 8 لغات، ليس منها العربية | يعمل على المعالج |
Chatterbox-Nano | 110 ملايين | MIT | نعم | الإنجليزية فقط | يعمل على المعالج |
Chatterbox-Turbo | 350 مليونًا | MIT | نعم | الإنجليزية فقط | يعمل على المعالج، لكنه أبطأ |
Chatterbox (الأصلي، Multilingual V3، النسخة الصينية) | 500 مليون | MIT | نعم | الأصلي إنجليزي، وV3 يدعم 23 لغة منها العربية، والنسخة المضبوطة للصينية | يعمل على المعالج، لكنه بطيء جدًا |
Step Audio EditX | نحو 3 مليارات | Apache 2.0 | نعم | قوي في الصينية | يحتاج بطاقة رسومات NVIDIA |
Qwen3-TTS (0.6B و1.7B) | 600 مليون و1.7 مليار | Apache 2.0 | نعم، بصوت مرجعي مدته 3 ثوانٍ | 10 لغات، ليس منها العربية، وقوي في الصينية | نسخة 0.6B تعمل على المعالج، والاستنساخ بطيء جدًا |
باختصار:
- تريد السرعة والخفة وحاسوبًا محمولًا عاديًا: Kokoro.
- تريد استنساخ صوت لتبقى نبرة الشخصية ثابتة: Chatterbox. للإنجليزية استخدم Nano، وللعربية واللغات الأخرى استخدم Multilingual V3.
- تعمل بالصينية أساسًا ولديك بطاقة NVIDIA: Qwen3-TTS، ويمكنك "تصميم" الصوت بوصف نصي قصير والتحكم في المشاعر بتعليمات للنبرة.
- لديك بطاقة رسومات قوية وتريد أفضل جودة وتعبير: Step Audio EditX.
يحتاج Step Audio EditX إلى بطاقة NVIDIA، وحاسوبي لا يملك واحدة، لذلك لم أختبره في هذه المقالة. أما Qwen3-TTS فجربت أصغر نسخه 0.6B، وهي تعمل على المعالج، والنتائج أدناه.
هذه المقالة نظرة عامة، وسأكتب لاحقًا مقالة مستقلة لكل نموذج: Kokoro وChatterbox وQwen3-TTS وStep Audio EditX، إضافة إلى VoiceStudio.
في قوائم الترتيب التي يقيّم فيها أشخاص الأصوات دون معرفة مصدرها (مثل Speech Arena) ما زالت الخدمات المغلقة مثل ElevenLabs في الصدارة، ولم يدخل أي نموذج مفتوح المصدر المراكز العشرة الأولى. لكن الألعاب لا تحتاج دائمًا إلى أعلى جودة صوتية: جمل الشخصيات غير القابلة للعب (NPC)، والراوي الآلي في الدروس التعليمية، والدبلجة المؤقتة أثناء التطوير، كلها تكفيها النماذج المفتوحة.
خيار آخر: Qwen3-TTS
Qwen3-TTS سلسلة TTS أطلقها فريق Qwen في Alibaba كمصدر مفتوح في يناير 2026، بترخيص Apache 2.0 يسمح بالاستخدام التجاري. تأتي بحجمين 0.6B و1.7B، ولكل منهما نسخ لأغراض مختلفة:
- Base: استنساخ الصوت، ويكفيه صوت مرجعي مدته 3 ثوانٍ.
- CustomVoice: 9 أصوات مدمجة، منها أصوات رجالية بلهجة بكين ولهجة سيتشوان، ونسخة 1.7B تقبل أيضًا تعليمات للنبرة مثل "قلها بغضب شديد".
- VoiceDesign (1.7B): تصمّم الصوت بوصف نصي، مثل "شاب في السابعة عشرة، صوت تينور، تزداد ثقته وهو يتكلم".
يدعم 10 لغات: الصينية والإنجليزية واليابانية والكورية والألمانية والفرنسية والروسية والبرتغالية والإسبانية والإيطالية. ويقول التقييم الرسمي إنه يتفوق على ElevenLabs في دقة النطق الصيني وفي تشابه الصوت، لكنه اختبار أجرته الجهة نفسها.
في دبلجة الألعاب، الطريقة الأكثر عملية هي تصميم الصوت أولًا ثم استنساخه: تصف صوت الشخصية لـ VoiceDesign نصيًا، وتولّد جملة واحدة تجعلها صوتًا مرجعيًا، ثم تولّد كل الجمل التالية عبر Base باستنساخ ذلك الصوت، فيبقى جرسه ثابتًا. وهذا قريب جدًا مما أفعله في هذه المقالة بالجمع بين Kokoro وChatterbox.
التثبيت بالأمر pip install -U qwen-tts. كل الأمثلة الرسمية تعمل على بطاقة NVIDIA بدقة bfloat16 مع FlashAttention 2، ولا تذكر كم تحتاج من ذاكرة الرسومات، ولا توضح إن كان يمكن تشغيله على المعالج وحده.
جربت نسخة 0.6B على المعالج في الحاسوب نفسه:
- الأصوات المدمجة (CustomVoice): جملة مدتها نحو 6 ثوانٍ تستغرق نحو 31 ثانية.
- استنساخ الصوت (Base): جملة مدتها 4 إلى 5 ثوانٍ تستغرق أكثر من 4 دقائق، أي ثلاثة أضعاف الوقت الذي تستغرقه النسخة الصينية المضبوطة من Chatterbox.
ونصيحة عامة مع أي نموذج: الكلمات التي تُقرأ بأكثر من طريقة، وأسماء العلم، والكلمات الدخيلة، استمع إليها بنفسك قبل أن تعتمدها.
إن لم تكن لديك بطاقة رسومات فالأصوات المدمجة في Qwen3-TTS هي الخيار المناسب، أما استنساخ الصوت لكمية كبيرة من الجمل فيحتاج إلى بطاقة NVIDIA.
نماذج تبدو مفتوحة المصدر لكنها لا تسمح بالاستخدام التجاري
أسهل فخ تقع فيه عند اختيار النموذج هو الترخيص. وجود الأوزان منشورة على Hugging Face لا يعني أنك تستطيع أن تربح منها:
- Coqui XTTS v2: متعدد اللغات ويستنسخ الأصوات، وكان شائعًا جدًا، لكن ترخيصه Coqui Public Model License للاستخدام غير التجاري فقط.
- Fish Audio S2 Pro: الأوزان منشورة، لكن الاستخدام التجاري يتطلب شراء ترخيص منفصل من Fish Audio.
- بعض النماذج البحثية: بترخيص CC BY-NC (وNC تعني للاستخدام غير التجاري فقط).
قبل التنزيل، انظر دائمًا إلى خانة License في صفحة النموذج، وادخل واقرأ النص الكامل.
ما هو Kokoro TTS؟ هل يدعم العربية؟ وهل يُسمح باستخدامه تجاريًا؟
Kokoro-82M نموذج TTS لا يتجاوز 82 مليون معامل، صدرت نسخته 1.0 في يناير 2025. صغير لدرجة أنه يعمل على المعالج، ومع ذلك جودته من الأفضل بين النماذج الصغيرة المماثلة، لذلك تعتمد عليه واجهات API تجارية ومشاريع كثيرة.
- الترخيص: Apache 2.0، يُسمح بالاستخدام التجاري وبتضمينه في منتجاتك.
- بيانات التدريب: تنص الجهة الرسمية على أنها استخدمت فقط تسجيلات من الملك العام، وتسجيلات بترخيص Apache أو MIT، وكلامًا مولّدًا من أنظمة TTS مغلقة لشركات كبرى، ولم تستخدم كلامًا مستنسخًا من أصوات أشخاص آخرين.
- الأصوات: 54 صوتًا مدمجًا في 8 لغات: الإنجليزية (الأمريكية والبريطانية) واليابانية والصينية والإسبانية والفرنسية والهندية والإيطالية والبرتغالية البرازيلية.
- القيود: لا يستنسخ الأصوات، تختار فقط من الأصوات المدمجة. والعربية ليست من لغاته، لذلك إن أردت TTS عربي فانتقل إلى Chatterbox Multilingual V3.
تنبيه: تحذّر الجهة الرسمية من أن المواقع التي يحتوي اسم نطاقها على "kokoro" لا علاقة لها بهذا النموذج، فلا تدفع ولا تنزّل شيئًا منها.
ما هو Chatterbox TTS؟ هل يدعم العربية؟ وهل يُسمح باستخدامه تجاريًا؟
Chatterbox سلسلة TTS مفتوحة المصدر من شركة الصوت Resemble AI، وأبرز ما يميزها استنساخ الصوت: تعطيه مقطعًا بصوت بشري مدته 5 إلى 10 ثوانٍ، فيقرأ جملًا جديدة بالنبرة نفسها. يمكن في النسخة الأصلية ضبط درجة المبالغة في المشاعر، وفي نسخة Turbo يمكن إضافة وسوم مثل [laugh] و[chuckle] و[cough] داخل النص للضحك أو السعال.
- الترخيص: MIT، يُسمح بالاستخدام التجاري.
- العلامة المائية: كل مقطع مولّد يحمل علامة Perth المائية من Resemble. لا تُسمع، لكنها تبقى بعد التحويل إلى mp3 أو المونتاج، فتستطيع أدوات الكشف معرفة أن الصوت مولّد بالذكاء الاصطناعي.
- توقف تطويره: أعلنت Resemble AI في أغسطس 2026 أن Chatterbox "مشروع بحثي منتهٍ" لن يُحدَّث بعد الآن، واتجهت الشركة إلى كشف التزييف العميق. يبقى الكود والأوزان متاحين بترخيص MIT، فما زال بإمكانك تنزيله واستخدامه تجاريًا، لكن بلا إصدارات جديدة ولا دعم.
والنقطة الأخيرة تبيّن في الحقيقة ميزة النماذج المفتوحة: ما دامت الأوزان على جهازك فلا يهمك توقف الخدمة. إن رفعت خدمة دبلجة سحابية أسعارها أو أغلقت، فلن تستطيع تعديل أصوات لعبتك بعد ذلك؛ أما النموذج المفتوح المحفوظ على قرصك فيمكنك بعد عشر سنوات أن تضيف به جملًا جديدة بالصوت نفسه.
لـ Chatterbox عدة نسخ، ومن السهل الخلط بينها في البداية:
النسخة | عدد المعاملات | اللغات | الميزة |
|---|---|---|---|
Chatterbox (الأصلي) | 500 مليون | الإنجليزية | يمكن ضبط شدة المشاعر (exaggeration) |
Multilingual V3 | 500 مليون | 23 لغة، منها العربية والصينية واليابانية والكورية | نموذج واحد لعدة لغات |
النسخة الصينية المضبوطة (zh-cmn) | 500 مليون | الصينية | مضبوطة خصيصًا للصينية |
Turbo | 350 مليونًا | الإنجليزية | أسرع، يدعم وسوم الضحك والسعال، ويشترط صوتًا مرجعيًا |
Nano | 110 ملايين | الإنجليزية | الأصغر والأسرع، وتقول الجهة الرسمية إنه يبلغ 3 أضعاف سرعة التشغيل في الزمن الحقيقي على معالج بثماني أنوية |
متطلبات الجهاز: هل يعمل بلا بطاقة رسومات؟
حاسوبي المحمول بمعالج Intel Core Ultra 5 (6 أنوية) ورسوميات مدمجة فقط، أي أن التشغيل على المعالج وحده. الجدول التالي يعرض الوقت الفعلي لتوليد كل جملة، وكل جملة مدتها 4 إلى 6 ثوانٍ، والوقت يشمل تحميل النموذج في كل مرة:
النموذج | وقت الجملة الواحدة |
|---|---|
Kokoro (الإنجليزية) | نحو 9 ثوانٍ |
Kokoro (الصينية) | نحو 13 ثانية |
Chatterbox-Nano (استنساخ) | نحو 15 إلى 20 ثانية |
Chatterbox-Turbo (استنساخ) | نحو 40 ثانية |
Chatterbox الأصلي | نحو 60 ثانية |
Chatterbox النسخة الصينية المضبوطة (استنساخ) | نحو 80 ثانية |
Qwen3-TTS 0.6B (صوت مدمج) | نحو 31 ثانية |
Qwen3-TTS 0.6B (استنساخ) | نحو 4 دقائق |
Kokoro وChatterbox Nano عمليان جدًا على الحاسوب المحمول: تعدّل جملة وتستمع إليها بعد بضع عشرة ثانية. أما نسخ Chatterbox ذات 500 مليون معامل فتستغرق دقيقة أو دقيقتين للجملة على المعالج، فالأنسب أن تجهّز دفعة كاملة من الجمل وتتركها تعمل في الخلفية. ومع بطاقة NVIDIA يصبح كل شيء أسرع بكثير.
أما مساحة القرص، فبيئة Python الخاصة بكل أداة (مع نسخة المعالج من PyTorch) تشغل نحو 1.5 GB. والنماذج تُنزَّل على حدة: ملفات Kokoro صغيرة جدًا، وكل نسخة من Chatterbox تشغل نحو 1 إلى 3 GB.
شرح تثبيت Kokoro TTS (نسخة المعالج)
أنصح بإنشاء بيئة Python مستقلة باستخدام uv بدل التثبيت في Python النظام. يدعم Kokoro إصدارات Python من 3.10 إلى 3.12:
mkdir kokoro && cd kokoro
uv venv --python 3.11 && source .venv/bin/activate
uv pip install kokoro soundfileنطق الإنجليزية يعتمد على espeak-ng، وهو مدمج في حزمة pip فلا حاجة لتثبيته منفصلًا. وبما أن Kokoro لا يدعم العربية، فالمثال هنا بالإنجليزية:
import numpy as np, soundfile as sf
from kokoro import KPipeline
pipe = KPipeline(lang_code="b") # a إنجليزية أمريكية، b إنجليزية بريطانية، j يابانية، z صينية
audio = np.concatenate([np.asarray(r.audio) for r in pipe("A bartender keeps confidence.", voice="bm_george")])
sf.write("arthur.wav", audio, 24000)الحرف الأول من اسم الصوت يدل على اللغة، والثاني على الجنس: bm_george صوت رجالي بالإنجليزية البريطانية، وbf_emma صوت نسائي بالإنجليزية البريطانية. القائمة الكاملة في ملف VOICES.md الرسمي. وعند التشغيل الأول يُنزَّل النموذج تلقائيًا من Hugging Face.
شرح تثبيت Chatterbox TTS: ثبّت نسخة GitHub لا نسخة PyPI القديمة
هذا أكبر فخ وقعت فيه. كثير من الشروحات تقول نفّذ pip install chatterbox-tts، فتحصل على الإصدار 0.1.7 من PyPI، ونموذجه متعدد اللغات هو V2 القديم. جعلته يقرأ جملة صينية مدتها نحو 3 ثوانٍ، فانتهى منها ثم أضاف بعدها أكثر من عشر ثوانٍ من التوقف والأصوات الغريبة.
نسخة GitHub الأحدث وحدها تحتوي على Multilingual V3 وNano والنسخة الصينية المضبوطة، لذلك ثبّت مباشرة من GitHub:
mkdir chatterbox && cd chatterbox
uv venv --python 3.11 && source .venv/bin/activate
uv pip install "chatterbox-tts @ git+https://github.com/resemble-ai/chatterbox" "setuptools<81"ولا تحذف setuptools<81 في النهاية. حزمة العلامة المائية Perth ما زالت تستخدم pkg_resources القديمة، والإصدارات الحديثة من setuptools أزالتها، فإن لم تحدّد إصدار setuptools بهذا الشرط، ظهر خطأ بمجرد التشغيل.
استنساخ صوت باستخدام Nano:
import torchaudio
from chatterbox.tts_turbo import ChatterboxTurboTTS
model = ChatterboxTurboTTS.from_pretrained(device="cpu", nano=True)
wav = model.generate("A bartender keeps confidence.", audio_prompt_path="arthur-ref.wav")
torchaudio.save("arthur.wav", wav, model.sr)الملف arthur-ref.wav هو الصوت المرجعي الذي تريد استنساخه. صيغة ملفات النسخة الصينية المضبوطة تختلف قليلًا عن البرنامج الرئيسي، فيلزم تعديل بسيط في كود تحميل الملفات. وهذه التفاصيل المملة مناسبة جدًا لتسليمها إلى Claude Code أو Codex.
دع Claude Code أو Codex يتولى التثبيت
إن لم ترغب في التعامل مع مشكلات الإصدارات بنفسك، افتح Claude Code أو Codex في الطرفية واكتب:
ثبّت لي Kokoro-82M وChatterbox في ~/tools (أحدث إصدار من GitHub، مع Nano وMultilingual V3)، باستخدام نسخة المعالج من PyTorch، واصنع لكل منهما أمرًا يمكن استدعاؤه من أي مجلدهكذا ثبّتهما أنا. خلال العملية ظهرت مشكلات: إصدار PyPI قديم جدًا، وتعارض مع setuptools، وفشل تحميل النسخة الصينية المضبوطة، وكلها اكتشف المساعد الذكي أسبابها وأصلحها بنفسه. وميزة التثبيت في ~/tools أن كل المشاريع تتشاركه، فلا تحتاج إلى نسخة منفصلة لكل لعبة.
ما هو استنساخ الصوت بالذكاء الاصطناعي؟ طريقة مجانية مفتوحة المصدر
استنساخ الصوت (voice cloning) يعني أن تعطي النموذج مقطعًا بصوت شخص ما، فيقرأ جملًا جديدة بالنبرة نفسها. الاستنساخ باستخدام Chatterbox مجاني وبسيط: صوت مرجعي، والنص المطلوب قراءته. وجودة الصوت المرجعي هي التي تحدد النتيجة:
- المدة من 5 إلى 10 ثوانٍ، وإذا كانت أقل من 5 ثوانٍ تظهر رسالة خطأ مباشرة.
- متحدث واحد فقط، بلا موسيقى خلفية ولا ضوضاء.
- النبرة تناسب الشخصية: النموذج يتعلم سرعة الكلام والمشاعر أيضًا. إن أردت شخصية تتكلم ببطء وبنبرة مسطحة، فليكن الصوت المرجعي كذلك.
- يفضَّل أن يكون بلغة النص نفسها: إن استخدمت صوتًا مرجعيًا إنجليزيًا لقراءة لغة أخرى فقد تظهر لكنة إنجليزية خفيفة.
ومصدر الصوت مهم جدًا. كون استخدام النموذج مسموحًا تجاريًا لا يعني أنك تستطيع نسخ صوت أي شخص:
- صوتك أنت: لا مشكلة.
- صوت مؤدٍّ أو صديق: يجب أن تحصل على موافقته قبل استخدامه في اللعبة، والأفضل أن تحتفظ بموافقة مكتوبة.
- أصوات شخصيات الأفلام والألعاب والمشاهير: لا، فحتى مجرد التشابه يثير مسائل حقوق الصورة والحقوق الشخصية.
وأنا أتبع طريقة أخرى: أولّد جملة بـ Kokoro وأجعلها الصوت الأصلي للشخصية. Kokoro مرخّص بـ Apache 2.0، فالأصوات التي يولّدها يمكن استخدامها بحرية. هكذا "أصمّم" صوت الشخصية أولًا، ثم أسلّمه إلى Chatterbox ليقرأ بقية الجمل ويضيف المشاعر.
تجربة عملية: دبلجة النادل الروبوت آرثر
لصوت آرثر بالإنجليزية اخترت bm_george من Kokoro. لكنته البريطانية رزينة، ويبدو كروبوت مهذب من طراز كبير الخدم، وخفّضت سرعة الكلام إلى 0.95.
في الفيلم أدى دور آرثر الممثل مايكل شين (Michael Sheen)، لكنني هنا تعمّدت ألا أقلّد صوته. الدبلجة بصوت مدمج من Kokoro، والصوت المستنسخ أيضًا صوت ولّده Kokoro، وهذا بالضبط ما قصدته بأن "مصدر الصوت مهم".
كل المقاطع أدناه خرجت من النماذج مباشرة، ولم أفعل سوى قصّ الصمت في البداية والنهاية وتوحيد مستوى الصوت.
Kokoro: الأصوات المدمجة مباشرة
Chatterbox: استنساخ صوت Kokoro
الصوت المرجعي هو الجملة الأولى من bm_george أعلاه (نحو 6 ثوانٍ).
وللمقارنة، هذا صوت مدمج من Chatterbox الأصلي بلا استنساخ، مع خفض شدة المشاعر إلى 0.3:
بعض الملاحظات:
- Kokoro يعطي النتيجة نفسها كل مرة: الجملة نفسها بالصوت نفسه تخرج متطابقة مهما كررت التوليد، فلا حاجة لاختيار نسخة؛ وإن أردت إحساسًا مختلفًا فغيّر الصوت أو السرعة.
- Chatterbox يعطي نتيجة مختلفة كل مرة: غيّر الـ seed للجملة نفسها تحصل على نبرة وإيقاع مختلفين، لذلك ولّد عدة نسخ واختر منها.
- الاستنساخ يوحّد الصوت: جملة مرجعية واحدة تكفي لتخرج كل الجمل المستنسخة بنبرة الشخصية نفسها، دون أن تختار صوتًا من جديد كل مرة.
- النسخة المستنسخة أسرع في القراءة: للجمل نفسها، جاءت نسخة Nano المستنسخة أقصر من صوت Kokoro الأصلي بنسبة 10 إلى 20%. إن أردت إبطاء الكلام فاستخدم تسجيلًا أبطأ صوتًا مرجعيًا.
تجربة تحويل النص إلى صوت بالعربية
من بين النماذج الثلاثة التي جربتها، Chatterbox Multilingual V3 وحده يدعم العربية؛ أما Kokoro وQwen3-TTS فلا. لذلك جعلت Chatterbox Multilingual V3 يقرأ ترجمة جملتي آرثر في لعبة قاعدة القمر، مستنسخًا صوت bm_george الإنجليزي نفسه، مع ضبط cfg_weight على 0. هذا هو الإعداد الذي توصي به الجهة الرسمية عندما تختلف لغة الصوت المرجعي عن لغة النص، لأنه يمنع ظهور لكنة إنجليزية.
سجل التجربة:
- حوّلت كل مقطع إلى نص مرة أخرى باستخدام Whisper (التعرف على الكلام)، وقارنته بالجملة الأصلية.
- في البداية تردد نموذج Whisper الصغير في بعض الكلمات، فأعدت الاستماع بنموذج Whisper large-v3 الأكبر، وتأكدت أن المقروء صحيح.
- عند تحميل النموذج مرة واحدة والتوليد المتتالي، استغرقت الجملة الواحدة في Chatterbox Multilingual V3 نحو 30 ثانية على الحاسوب المحمول نفسه بلا بطاقة رسومات.
كيف تكتب تعليمات الدبلجة بالذكاء الاصطناعي؟ سلّمها إلى Claude Code أو Codex
مدخل TTS هو نص الجملة نفسه، وليس وصفًا للصوت المطلوب كما في توليد المؤثرات الصوتية. لكن اختيار الصوت والاستنساخ والتحقق من النتيجة كلها خطوات ثابتة، فمن المناسب كتابتها في الإعدادات العامة لمساعد البرمجة. ملف إعدادات Claude Code هو ~/.claude/CLAUDE.md، وملف Codex هو ~/.codex/AGENTS.md. بعد ذلك يكفي أن تقول "دبلج هذه الجمل الثلاث لآرثر" فيتبع هذه القواعد:
## دبلجة شخصيات الألعاب باستخدام TTS محلي
عندما أطلب دبلجة، استخدم Kokoro وChatterbox المثبّتين محليًا، واتبع هذه القواعد:
- لكل شخصية صوت ثابت واحد. للشخصية الجديدة اختر أولًا صوتًا مدمجًا من Kokoro، وولّد جملة مدتها 5 إلى 10 ثوانٍ واحفظها صوتًا مرجعيًا، واستنسخ منه دائمًا بعد ذلك.
- الجمل التي لا تحتاج إلى مشاعر أو ضحك تُولَّد بـ Kokoro مباشرة؛ وما يحتاج إلى مشاعر أو ضحك ([laugh]، [chuckle]) أو يجب أن يطابق الصوت المرجعي يُستنسخ بـ Chatterbox: للإنجليزية Nano أو Turbo، وللعربية واللغات الأخرى Multilingual V3 مع cfg_weight=0 إذا اختلفت لغة الصوت المرجعي عن لغة النص.
- الكلمات التي تُقرأ بأكثر من طريقة، وأسماء العلم، والكلمات الدخيلة: اطلب مني الاستماع إليها قبل اعتمادها.
- ملف واحد لكل جملة، واسم الملف بصيغة "الشخصية-اللغة-الرقم".
- في Chatterbox ولّد كل جملة 3 مرات بـ seed مختلف، واعرض أسماء الملفات والجمل لأختار منها.
- بعد التوليد تحقق من المدة: إذا كان المقطع أطول بوضوح مما تحتاجه الجملة فقد أضاف كلامًا، فأعد التوليد بـ seed آخر.
- لا تستنسخ صوت شخص حقيقي إلا إذا أكدت أنني حصلت على موافقته.
- عند وضع الصوت في صفحة ويب أو لعبة: قصّ الصمت في البداية والنهاية، وأضف تلاشيًا قصيرًا، ووحّد مستوى الصوت، وحوّله إلى mp3.أضف بعض التعبير إلى الجمل: وسوم الضحك في Turbo
يسمح Chatterbox-Turbo بوضع وسوم داخل النص مباشرة، مثل [chuckle] لضحكة خفيفة، و[laugh] لضحك عالٍ، و[cough] للسعال:
Can I keep a secret? [chuckle] A bartender keeps confidence. It's the sacred trust of the craft.حدود TTS مفتوح المصدر
بعد تجربة كاملة، أرى أن هناك نقاطًا يجب التنبيه إليها مسبقًا:
- بلا بطاقة رسومات تحتاج إلى صبر: Kokoro وChatterbox Nano سريعان، أما نسخ Chatterbox الأخرى فتستغرق دقيقة أو دقيقتين للجملة على المعالج.
- اللغات غير الإنجليزية تحتاج إلى مراجعة أكثر: بيانات تدريب Kokoro وChatterbox بالصينية مثلًا أقل بكثير من الإنجليزية، وقد تُقرأ بعض الكلمات خطأ أحيانًا. ومع أي لغة غير الإنجليزية، استمع إلى الكلمات التي تُقرأ بأكثر من طريقة وأسماء العلم والكلمات الدخيلة قبل اعتمادها.
- اختر النسخة الصحيحة: إصدار Chatterbox على PyPI قديم جدًا، وChatterbox نفسه توقف تطويره، فبعض المشكلات لن يصلحها أحد.
- المشاعر تعتمد على الصوت المرجعي والإعدادات: النموذج لا يفهم القصة، ولا يعرف وحده أن هذه الجملة مزاح أو غضب. إن أردت جملة منفعلة فجهّز صوتًا مرجعيًا منفعلًا، أو ارفع شدة المشاعر.
- راجع النتيجة دائمًا: قد يضيف كلامًا، أو يبتلع حروفًا، أو يبدأ بضجيج. وكما في مراجعة المؤثرات الصوتية، يمكنك أن تطلب من Claude Code أو Codex تكليف وكيل فرعي (subagent) بمراجعة مستقلة: يحوّل المقطع إلى نص بالتعرف على الكلام، ثم يقارنه بالجملة الأصلية، وإن وجد اختلافًا أعاد التوليد.
أكبر فائدة للمطور المستقل: الدبلجة من بداية التطوير
كما في أداة المؤثرات الصوتية في المقالة السابقة، أرى أن أكبر قيمة لـ TTS مفتوح المصدر هي أنه يتيح للعبة أن تحصل على دبلجة منذ بداية التطوير.
في بداية التطوير يتغير السيناريو باستمرار. إن سجّل مؤدّي الصوت الجمل ثم غيّرتها، فعليك إعادة التسجيل. أما مع TTS محلي فتعدّل الجملة وتعيد التوليد في بضع عشرة ثانية، بلا تكلفة إضافية. وعندما يكتمل السيناريو تقرر هل تستعين بمؤدٍّ حقيقي أم لا.
وحينها تكون أطوال الجمل، ومدة بقاء نافذة الحوار، ومدة حركة فم الشخصية أو إيماءاتها، كلها مضبوطة على الدبلجة. وعند الانتقال إلى تسجيل بشري يكفي استبدال الملفات التي تحمل الأسماء نفسها.
وفائدة أخرى هي دعم لغات متعددة. موقع قاعدة القمر متاح بـ 15 لغة، وتسجيل 15 لغة مع مؤدّين أمر شبه مستحيل، لكن Kokoro يدعم 8 لغات وChatterbox Multilingual V3 يدعم 23 لغة منها العربية، فعلى الأقل يمكن أن تحصل اللغات الرئيسية على دبلجة مبدئية.
الأسئلة الشائعة
هل يدعم Kokoro TTS العربية؟
لا. يدعم Kokoro 8 لغات: الإنجليزية (الأمريكية والبريطانية) واليابانية والصينية والإسبانية والفرنسية والهندية والإيطالية والبرتغالية البرازيلية، وليست العربية منها. إن أردت TTS عربي مفتوح المصدر من بين النماذج التي جربتها فاستخدم Chatterbox Multilingual V3.
هل يدعم Chatterbox TTS العربية؟
نعم. Multilingual V3 يدعم 23 لغة منها العربية. في هذه المقالة استنسخت به صوت bm_george الإنجليزي مع cfg_weight مضبوط على 0 لقراءة جملتين بالعربية، وتحققت منهما بـ Whisper فكان المقروء صحيحًا. انتبه إلى أن الإصدار القديم على PyPI يضيف كلامًا في نهاية الجملة، فثبّته من GitHub.
هل يُسمح باستخدام استنساخ الصوت المجاني تجاريًا؟
Chatterbox مرخّص بـ MIT، فالنموذج يُسمح باستخدامه تجاريًا؛ لكن يجب أيضًا أن يكون لك حق استخدام الصوت المستنسخ، مثل صوتك أنت، أو صوت بموافقة صاحبه، أو صوت ولّده Kokoro كما في هذه المقالة. وكل مقطع مولّد يحمل علامة Perth المائية.
هل يوجد بديل مجاني لـ ElevenLabs؟
إن كانت حاجتك جمل ألعاب أو تعليقًا صوتيًا أو دبلجة فيديوهات تعليمية، فإن Kokoro وChatterbox بديلان مفتوحا المصدر، مجانيان، يُسمح باستخدامهما تجاريًا، ويعملان على جهازك. الجودة والتعبير العاطفي لا يرقيان بعد إلى ElevenLabs، لكنك لا تدفع بعدد الحروف، ولا تقلق من رفع الأسعار أو إغلاق الخدمة.
هل يمكن تشغيل TTS مفتوح المصدر بلا بطاقة رسومات؟
نعم. Kokoro وChatterbox Nano يولّدان الجملة على معالج حاسوب محمول في بضع عشرة ثانية؛ أما نسخ Chatterbox ذات 500 مليون معامل فتستغرق دقيقة أو دقيقتين للجملة، ويمكن تركها تعمل دفعة واحدة في الخلفية.
الخلاصة: حاسوب محمول واحد يكفي لدبلجة شخصيات لعبتك
كنت أظن أن الدبلجة أغلى جزء في صنع لعبة مستقلة: المؤدّون مكلفون، وخدمات TTS السحابية تحاسب بعدد الحروف، فإذا كثرت الجمل صارت الفاتورة كبيرة. Kokoro وChatterbox خفّضا العتبة إلى "حاسوب محمول، وجملة، وبضع عشرة ثانية"، مع إذن بالاستخدام التجاري، والنموذج محفوظ على جهازك فلا يهمك إغلاق أي خدمة.
الخطوة التالية أن أضع دبلجة آرثر في اللعبة، ليتكلم فعلًا عندما تظهر نافذة الحوار.
هذه المقالة نظرة عامة على TTS مفتوح المصدر، وسأكتب بعدها مقالة لكل من Kokoro وChatterbox وQwen3-TTS وStep Audio EditX وVoiceStudio، فيها طريقة التثبيت والإعدادات ومزيد من التجارب.
وأنت، كيف تدبلج شخصيات لعبتك؟ ابحث عن منشوري على Threads أو X واترك تعليقك هناك.


