خريف 2026 · من قاعدة السكون
ادخل استوديو القمر ↗
أدوات الذكاء الاصطناعي

Qwen3-TTS: استنساخ الصوت مجانًا، أسرع بـ 10 مرات على Intel GPU

استنساخ الصوت من 8 ثوانٍ فقط، وتوليد جملة على Intel GPU في أقل من 20 ثانية، أسرع من المعالج بأكثر من 10 مرات. التثبيت والاستنساخ عبر اللغات.

في غرفة عمل داخل قاعدة على سطح القمر، يجلس رائد فضاء أمام حاسوب محمول تتوهج فيه شريحة بضوء برتقالي، وتتجه موجات صوتية نحو مكبّر صوت وروبوت صغير يحمل ساعة توقيت
في غرفة عمل داخل قاعدة على سطح القمر، يجلس رائد فضاء أمام حاسوب محمول تتوهج فيه شريحة بضوء برتقالي، وتتجه موجات صوتية نحو مكبّر صوت وروبوت صغير يحمل ساعة توقيت

هذه المقالة الثالثة في سلسلة عن أنظمة TTS (تحويل النص إلى صوت) مفتوحة المصدر. في مقالة تحويل النص إلى صوت مجانًا: Kokoro وChatterbox لدبلجة الألعاب قدّمت نظرة عامة، وفي المقالة السابقة CosyVoice 3: استنساخ الصوت بالذكاء الاصطناعي مجانًا على المعالج عرضت استنساخ الصوت باستخدام المعالج وحده. وهذه المرة جاء دور Qwen3-TTS.

في مقالة النظرة العامة شغّلت استنساخ الصوت في Qwen3-TTS على المعالج، فكان توليد الجملة الواحدة يستغرق أكثر من 4 دقائق، وكان استنتاجي يومها: «لاستنساخ عدد كبير من الجمل، لا بد من بطاقة رسومات NVIDIA». هذه المرة انتقلت إلى معالج الرسومات المدمج من Intel في حاسوبي المحمول، فصارت الجملة نفسها تستغرق من 16 إلى 18 ثانية فقط، أي أسرع بأكثر من 10 مرات في هذا القياس، دون أي تعديل على الشيفرة المصدرية للحزمة. كانت برامج أخرى مفتوحة أثناء اختبار المعالج، بينما لم يكن على الجهاز أي حمل آخر أثناء اختبار معالج الرسومات المدمج. أوثّق في هذه المقالة خطوات التثبيت على معالج Intel المدمج (PyTorch XPU)، وأجرّب استنساخ الصوت بالذكاء الاصطناعي بصوتي أنا.

ما هو Qwen3-TTS؟ وهل يمكن استخدامه تجاريًا؟

Qwen3-TTS سلسلة نماذج مفتوحة المصدر لتوليد الكلام أطلقها فريق Qwen (تونغيي تشيانوين) التابع لـ Alibaba في 22 يناير 2026. البيانات التالية من GitHub وصفحة النموذج على Hugging Face، بتاريخ 2026-11-21:

البند

التفاصيل

الترخيص

Apache-2.0، يسمح بالاستخدام التجاري

الحجم

0.6B (600 مليون معامل) و1.7B (1.7 مليار معامل)

اللغات

الصينية والإنجليزية واليابانية والكورية والألمانية والفرنسية والروسية والبرتغالية والإسبانية والإيطالية، 10 لغات

استنساخ الصوت

بحسب المطوّرين، يكفي صوت مرجعي مدته 3 ثوانٍ

بيانات التدريب

يذكر التقرير التقني أكثر من 5 ملايين ساعة من الكلام بعشر لغات

التثبيت

pip install -U qwen-tts (الإصدار الذي ثُبّت عندي 0.1.1)

حتى 2026-11-21 لا يدعم Qwen3-TTS العربية، فهي ليست من اللغات العشر المذكورة أعلاه. لذلك أستخدم الإنجليزية في أمثلة الاستنساخ عبر اللغات في هذه المقالة.

ثلاثة أنواع من النماذج: Base وCustomVoice وVoiceDesign

ينقسم Qwen3-TTS إلى ثلاثة أنواع بحسب الاستخدام، ويشير 12Hz في الاسم إلى مُرمِّز الكلام الذي يعتمد عليه:

النموذج

الاستخدام

0.6B

1.7B

التحكم في نبرة الكلام بالأوامر

Base

استنساخ الصوت، ويصلح أيضًا للضبط الدقيق (fine-tuning)

متوفر

متوفر

لا

CustomVoice

9 أصوات مدمجة

متوفر

متوفر

في 1.7B فقط

VoiceDesign

تصميم صوت جديد من وصف نصي

غير متوفر

متوفر

نعم

استخدمت في هذه المقالة نماذج بحجم 0.6B في جميع التجارب. حجم كل من Base وCustomVoice عند تنزيله من Hugging Face نحو 2.4 GB.

الأصوات المدمجة التسعة

الأصوات المدمجة في CustomVoice (وصفها الرسمي، بترجمتي):

الاسم

الصوت

اللغة الأم

Vivian

صوت نسائي شاب ومشرق ذو طابع مميز

الصينية

Serena

صوت نسائي شاب دافئ ولطيف

الصينية

Uncle_Fu

صوت رجالي ناضج، عميق وممتلئ

الصينية

Dylan

صوت رجالي شاب بلهجة بكين

الصينية (لهجة بكين)

Eric

صوت رجالي حيوي من تشنغدو، فيه بحّة خفيفة

الصينية (لهجة سيتشوان)

Ryan

صوت رجالي ذو إيقاع قوي

الإنجليزية

Aiden

صوت رجالي أمريكي مشرق

الإنجليزية

Ono_Anna

صوت نسائي مرح وخفيف

اليابانية

Sohee

صوت نسائي دافئ ومليء بالمشاعر

الكورية

ينصح المطوّرون باستخدام كل صوت بلغته الأم للحصول على أفضل نتيجة، ومع ذلك يستطيع كل صوت أن يقرأ اللغات العشر كلها.

متطلبات الجهاز: هل يعمل دون بطاقة رسومات NVIDIA؟

نعم. تستخدم الأمثلة الرسمية كلها device_map="cuda:0" مع bfloat16 وFlashAttention 2، ولا تذكر صفحة GitHub ولا صفحة النموذج المعالج أو شرائح الرسومات من Intel. لكنه في الواقع يعمل على المعالج وعلى معالج Intel المدمج.

حاسوبي المحمول فيه معالج Intel Core Ultra 5 322 (6 أنوية) ومعالج رسومات مدمج Panther Lake، دون بطاقة رسومات منفصلة. استخدمت 0.6B لاستنساخ صوتي وقراءة الجملة الصينية نفسها التي مدتها نحو 6 ثوانٍ (أُدخل النص بالصينية المبسّطة):

وحدة المعالجة

زمن التوليد

معامل الزمن (الأصغر أسرع)

المعالج (6 أنوية)

نحو 270 ثانية

نحو 42

معالج الرسومات المدمج من Intel (PyTorch XPU)

16 إلى 18 ثانية

2.7 إلى 3.0

معالج الرسومات المدمج من Intel مع bfloat16

نحو 12 ثانية

نحو 2.2

معامل الزمن هو زمن التوليد مقسومًا على مدة المقطع الصوتي، فالرقم 3.0 مثلًا يعني أن الثانية الواحدة من الصوت تحتاج 3 ثوانٍ لتوليدها.

اختبرت الأداء على المعالج مرتين، فكانت النتيجة 272 ثانية و402 ثانية. كانت برامج أخرى مفتوحة على الجهاز أثناء القياس، لذلك اختلف الرقمان كثيرًا، لكن الزمن تجاوز 4 دقائق ونصفًا في المرتين. أما معالج الرسومات المدمج فاختبرته والجهاز بلا أي حمل آخر، وولّدت الجملة نفسها 3 مرات متتالية: احتاج التشغيل الأول إلى تجميع مسبق، فاستغرق نحو 20 ثانية، واستغرقت كل مرة بعده من 16 إلى 18 ثانية.

يحتاج تحميل النموذج أيضًا من 6 إلى 10 ثوانٍ تقريبًا. وسرعة توليد الأصوات المدمجة (CustomVoice) على معالج الرسومات المدمج قريبة من ذلك: جملة مدتها نحو 8 ثوانٍ تُولَّد في 18 إلى 20 ثانية تقريبًا.

عند استنساخ الصوت نفسه، كان Qwen3-TTS على معالج الرسومات المدمج أسرع بنحو مرتين من CosyVoice 3 الذي جرّبته في المقالة السابقة. قارنت بالتسجيل نفسه وبالجملتين نفسيهما: احتاج Qwen3-TTS من 16 إلى 28 ثانية للجملة، واحتاج CosyVoice 3 من 29 إلى 61 ثانية. (معامل الزمن 2.5 المذكور في مقالة CosyVoice 3 كان في وضع الاستنساخ عبر اللغات دون نص حرفي، وهو أسرع من الاستنساخ المرفق بنص حرفي.) وعلى المعالج يتسع الفارق أكثر: يستنسخ CosyVoice 3 الجملة على المعالج في نحو دقيقتين، بينما يحتاج Qwen3-TTS أكثر من 4 دقائق ونصف. لاستنساخ الصوت بـ Qwen3-TTS، يكاد معالج الرسومات المدمج يكون ضروريًا.

تثبيت Qwen3-TTS (نسخة المعالج)

بيئتي Linux (Arch)، وأدير Python بأداة uv. ينصح المطوّرون ببيئة جديدة بإصدار Python 3.12.

mkdir -p ~/tools/qwen3-tts && cd ~/tools/qwen3-tts
uv venv --python 3.12 .venv
VIRTUAL_ENV=.venv uv pip install --index-url https://download.pytorch.org/whl/cpu torch torchaudio
VIRTUAL_ENV=.venv uv pip install qwen-tts soundfile

ثبّت torch أولًا من مصدر PyTorch الخاص بالمعالج، وإلا فستُنزَّل على Linux افتراضيًا النسخة التي تتضمن CUDA، وهي تشغل عدة غيغابايتات إضافية.

ينصح المطوّرون أيضًا بتثبيت FlashAttention 2 للتسريع، لكنه اختياري ويحتاج بطاقة رسومات متوافقة، فلا يستفيد منه المعالج ولا معالج Intel المدمج، ويمكنك تخطيه.

توليد أول جملة

import torch, soundfile as sf
from qwen_tts import Qwen3TTSModel

# استنساخ الصوت: نموذج Base + الصوت المرجعي + النص الحرفي للصوت المرجعي
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
                                  device_map="cpu", dtype=torch.float32)
wavs, sr = m.generate_voice_clone(text="الجملة المراد قراءتها", language="Chinese",
                                  ref_audio="ref.wav", ref_text="ما يقوله الصوت المرجعي")
sf.write("out.wav", wavs[0], sr)

عند التشغيل الأول يُنزَّل النموذج تلقائيًا من Hugging Face. وللأصوات المدمجة استخدم نموذج CustomVoice:

m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice",
                                  device_map="cpu", dtype=torch.float32)
wavs, sr = m.generate_custom_voice(text="الجملة المراد قراءتها", speaker="Uncle_Fu", language="Chinese")

يمكن أن تكتب في language اسمًا للغة مثل Chinese أو English أو Japanese، أو Auto ليحددها النموذج بنفسه.

التسريع بمعالج Intel المدمج (PyTorch XPU)

هذا هو محور المقالة. الواجهة الخلفية التي يدعم بها PyTorch شرائح الرسومات من Intel اسمها XPU، ونسخة XPU الجاهزة متاحة من المصدر الرسمي، فلا حاجة إلى تجميعها بنفسك.

بحسب شرح XPU الرسمي من PyTorch، تشمل شرائح Intel المدعومة بطاقات Arc المنفصلة من السلسلتين A وB، ومعالجات الرسومات المدمجة في Core Ultra: Meteor Lake وArrow Lake وLunar Lake وPanther Lake. الأنظمة المذكورة هي Windows 11 وUbuntu (يحتاج Panther Lake إلى Ubuntu 26.04). أنا أستخدم Arch Linux، وهو ليس في القائمة، ومع ذلك يعمل.

أنشأت بيئة منفصلة خاصة بمعالج الرسومات المدمج، وتركت بيئة المعالج كما هي.

1. تثبيت مشغّل الحوسبة من Intel

أنظمة سطح المكتب العادية تثبّت مشغّل العرض فقط. لكي يستخدم PyTorch شريحة الرسومات في الحسابات، تحتاج أيضًا إلى مشغّل الحوسبة من Intel (Level Zero). على Arch Linux:

sudo pacman -S intel-compute-runtime

2. تثبيت PyTorch بنسخة XPU

cd ~/tools/qwen3-tts
uv venv --python 3.12 .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 فهذا يعني أن PyTorch تعرّف على معالج الرسومات المدمج. الإصدار الذي ثُبّت عندي هو PyTorch 2.15.0.

3. تثبيت رقم إصدار torch، ثم تثبيت qwen-tts

عند تثبيت qwen-tts في الخطوة التالية، تتحقق أداة إدارة الحزم أيضًا من متطلبات torch. وإذا تركت أداة إدارة الحزم تختار بنفسها، فقد تستبدل نسخة XPU التي ثبّتّها للتو بنسخة عادية. لذلك أكتب أولًا ملف قيود يثبّت الإصدارات:

cat > xpu-constraints.txt <<'EOF'
torch==2.15.0+xpu
torchaudio==2.11.1+xpu
EOF

VIRTUAL_ENV=.venv-xpu uv pip install -c xpu-constraints.txt \
  --index-strategy unsafe-best-match --extra-index-url https://download.pytorch.org/whl/xpu \
  qwen-tts soundfile

استبدل أرقام الإصدارات بما ثُبّت عندك فعلًا (يمكنك معرفتها بالأمر uv pip list). يسمح الخيار --index-strategy unsafe-best-match لأداة uv بأن تختار الحزم من PyPI ومن مصدر XPU في PyTorch معًا.

في هذه الخطوة واجهت مع CosyVoice 3 في المقالة السابقة تعارضًا في triton: تثبيت openai-whisper جلب معه إصدارًا قديمًا من triton طغى على triton-xpu الذي تحتاجه XPU. أما Qwen3-TTS فلا يستخدم openai-whisper، فلم تظهر المشكلة هذه المرة. وإذا رأيت رسالة الخطأ cannot import name 'make_tensordesc_args'، فطريقة حلها في المقالة السابقة.

4. تغيير device_map إلى xpu

هنا أكبر فرق عن CosyVoice 3. شيفرة CosyVoice لا تعرف إلا CUDA، فكان عليّ أن أحمّل النموذج على المعالج أولًا ثم أنقله يدويًا إلى معالج الرسومات المدمج. أما Qwen3-TTS فيستخدم طريقة التحميل في Hugging Face transformers، لذلك يكفي تغيير device_map إلى "xpu" دون تعديل الشيفرة المصدرية للحزمة:

m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
                                  device_map="xpu", dtype=torch.float32)

يحدد dtype الدقة العددية التي يستخدمها النموذج في حساباته. يستخدم float32 أعداد الفاصلة العائمة بـ 32 بت، وهو عالي الدقة لكنه أبطأ ويستهلك ذاكرة أكثر؛ أما bfloat16 فيستخدم 16 بت فقط، فهو أسرع وأوفر في الذاكرة لكن دقته أقل. الأمثلة الرسمية تستخدم dtype=torch.bfloat16.

أستخدم float32 عادةً، وجرّبت bfloat16 أيضًا: انخفض زمن الجملة نفسها من 16 إلى 18 ثانية إلى نحو 12 ثانية، وعندما حوّلت الصوت الناتج إلى نص باستخدام التعرف على الكلام (Whisper) كان المحتوى صحيحًا. لكن مدة المقطعين الناتجين اختلفت (5.3 ثانية مع bfloat16 و6.0 ثانية مع float32)، فانتبه لهذا الفرق عند مقارنة السرعة.

قارنت بين النسختين، والفرق في جودة الصوت ضئيل جدًا، لا يُلاحَظ إلا بالاستماع بتركيز. لذلك عند التشغيل على معالج Intel المدمج، أنصح باستخدام bfloat16 مباشرةً، فقد وفّر في هذا الاختبار نحو 30% إضافية من الوقت لكل جملة.

يحتاج التوليد الأول على معالج الرسومات المدمج إلى تجميع برامج الحساب مسبقًا، فيكون أبطأ، ثم يعود التوليد إلى سرعته المعتادة في مرات التشغيل اللاحقة ضمن البرنامج نفسه. لذلك عند توليد دفعة من الجمل، حمّل النموذج مرة واحدة واقرأ الجمل واحدة تلو الأخرى، ولا تُعِد تشغيل البرنامج لكل جملة.

جمعت طريقتي التشغيل على المعالج ومعالج الرسومات المدمج في أمر واحد وضعته في ~/tools/qwen3-tts/، لأستدعيه مباشرة من أي مشروع. وبإضافة --device xpu ينتقل إلى بيئة معالج الرسومات المدمج.

التجربة الأولى: استنساخ الصوت بالذكاء الاصطناعي بصوتي أنا

التسجيل المرجعي هو نفسه الذي استخدمته في المقالة السابقة: 8 ثوانٍ من صوتي سجّلتها بالهاتف. حتى 2026-11-21 لا يدعم Qwen3-TTS العربية (يدعم 10 لغات)، لذلك أستخدم الإنجليزية في أمثلة الاستنساخ عبر اللغات أدناه.

تنبيه: كل المقاطع الصوتية في هذا القسم 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).
تسجيلي الأصلي (8 ثوانٍ): «歡迎大家來到我的月球基地。我的文章記錄我對於各種工具的測試,希望對您有幫助。» (أهلًا بكم في قاعدتي على القمر. أوثّق في مقالاتي تجاربي مع أدوات مختلفة، وأتمنى أن تفيدكم.) جميع الحقوق محفوظة، يُرجى عدم استخدامه في أي مكان آخر

لم أنطق قط الجملتين التاليتين. ولّدهما Qwen3-TTS 0.6B على معالج Intel المدمج، باستنساخ صوتي من التسجيل أعلاه بالاستعانة بنصه الحرفي. حوّلت الجملة والنص الحرفي كليهما إلى الصينية المبسّطة قبل إدخالهما (السبب في التجربة الثانية):

صوتي المستنسخ: «這句話是 Qwen3-TTS 用我錄的八秒鐘聲音克隆出來的。我本人從來沒有念過這句話。» (استنسخ Qwen3-TTS هذه الجملة من ثماني ثوانٍ سجّلتها بصوتي. لم أنطق هذه الجملة قط.) جميع الحقوق محفوظة، يُرجى عدم استخدامه في أي مكان آخر
صوتي المستنسخ: «這段聲音是在我筆電的 Intel 內顯上生成的,沒有用到 NVIDIA 顯示卡。» (وُلّد هذا المقطع على معالج Intel المدمج في حاسوبي المحمول، دون بطاقة رسومات NVIDIA.) جميع الحقوق محفوظة، يُرجى عدم استخدامه في أي مكان آخر

الجملة الثانية أصعب نطقًا، ففيها «Intel» و«NVIDIA» و«內顯» (معالج الرسومات المدمج) و«顯示卡» (بطاقة الرسومات)، أي خليط من الصينية والإنجليزية. ولّدت 3 نسخ متتالية: النسختان الأوليان إما أخطأتا في نطق «顯示卡» وإما نطقتا «NVIDIA» بشكل غير واضح، ولم تأتِ صحيحة تمامًا إلا الثالثة. عندما تستخدم Qwen3-TTS لجمل كهذه، ولّد عدة نسخ ثم اختر أفضلها.

أرى أن الكلام الصيني الناتج يشبه صوتي كثيرًا.

الاستنساخ عبر اللغات: يمكن استخدام التسجيل الصيني نفسه لقراءة الإنجليزية واليابانية أيضًا:

صوتي المستنسخ يقرأ بالإنجليزية: «This sentence was generated by Qwen3-TTS from an eight-second clip of my voice. I never actually said it.» (ولّد Qwen3-TTS هذه الجملة من مقطع مدته ثماني ثوانٍ من صوتي. لم أقلها في الواقع قط.) جميع الحقوق محفوظة، يُرجى عدم استخدامه في أي مكان آخر
صوتي المستنسخ يقرأ باليابانية: «この声は、私の8秒の録音から作られました。» (صُنع هذا الصوت من تسجيلي الذي مدته 8 ثوانٍ.) جميع الحقوق محفوظة، يُرجى عدم استخدامه في أي مكان آخر

حوّلت الجملة اليابانية إلى نص بالتعرف على الكلام (Whisper) للمقارنة، فكان المحتوى صحيحًا تمامًا. والجملة الإنجليزية صحيحة كلها أيضًا، باستثناء اسم «Qwen3-TTS» الذي تحوّل إلى كلمة أخرى، دون أي كلمة زائدة أو ناقصة.

لكن صحة المحتوى لا تعني أن الصوت جميل. الجملة الإنجليزية بدت لي متقطعة جدًا، تتعثر كلمة بعد كلمة، وغير طبيعية. أما CosyVoice 3 في المقالة السابقة فقرأ الإنجليزية بالتسجيل نفسه بسلاسة أكبر بوضوح. إذا أردت أن يقرأ صوتك لغات أخرى، فإن CosyVoice 3 يتفوق في الاستنساخ عبر اللغات.

التجربة الثانية: جملة آرثر

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). تعمّدت ألا أقلّد صوت مايكل شين الذي أدّى دور آرثر في الفيلم، وصار آرثر الآن يتكلم بصوتي. ولأن Qwen3-TTS لا يتكلم العربية، فهذه جملة آرثر بالصينية:

صوتي المستنسخ يقرأ جملة آرثر (أُدخلت بالصينية المبسّطة): «酒保是替人保守秘密的。这是这份行业的神圣信用。» (النادل يحفظ أسرار الناس. تلك هي الأمانة المقدسة في هذه المهنة.) جميع الحقوق محفوظة، يُرجى عدم استخدامه في أي مكان آخر

إذا استخدمت Qwen3-TTS لقراءة الصينية، فحوّل النص إلى الصينية المبسّطة أولًا، لأن الإدخال بالصينية التقليدية يجعله يخطئ في نطق المحارف التي تحتمل أكثر من قراءة. عندما استمعت إلى نسخة هذه الجملة التي أُدخلت بالصينية التقليدية، نطق كلمة «行業» (المهنة) كأنها «商議» (التشاور)، أما النسخة المبسّطة فنطقتها صحيحة háng. لا داعي للتحويل يدويًا، فحزمة OpenCC في Python تحوّله بسطر واحد:

from opencc import OpenCC
t2s = OpenCC("t2s").convert
text = t2s("這是這份行業的神聖信用")  # هذه هي الأمانة المقدسة في هذه المهنة

التجربة الثالثة: الأصوات المدمجة التسعة (CustomVoice)

إذا لم ترد الاستنساخ، أو لم يكن لشخصيتك صوت مرجعي بعد، فيمكنك استخدام الأصوات المدمجة مباشرةً. كل ما يلي وُلّد بنموذج CustomVoice 0.6B على معالج الرسومات المدمج، باستخدام الجملة «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؟)، وقد أُدخلت بالصينية المبسّطة:

الصوت المدمج Uncle_Fu
الصوت المدمج Vivian
الصوت المدمج Serena
الصوت المدمج Dylan (لهجة بكين)
الصوت المدمج Eric (لهجة سيتشوان)

وهذا الصوت الإنجليزي المدمج Aiden يقرأ الجملة «Welcome to the bar on the lunar base. What can I get you tonight?»:

الصوت المدمج Aiden (الإنجليزية)

ما إن يبدأ Eric الكلام حتى تُسمع لهجة سيتشوان. إذا أردت لشخصيتك لكنة محلية خفيفة، فيمكنك استخدامه مباشرةً.

لا يمكن التحكم في نبرة الكلام بالأوامر في CustomVoice 0.6B. وللتحكم من نوع «قلها بنبرة غاضبة» تحتاج إلى 1.7B.

Qwen3-TTS أم CosyVoice 3: أيهما تختار؟

كلاهما نموذج مفتوح المصدر من Alibaba بترخيص Apache-2.0 يسمح بالاستخدام التجاري، وقد جرّبتهما على الحاسوب المحمول نفسه:

البند

Qwen3-TTS 0.6B

CosyVoice 3 (0.5B)

الترخيص

Apache-2.0

Apache-2.0

اللغات

10 لغات

9 لغات (دون البرتغالية)

اللهجات

في الأصوات المدمجة لهجة بكين ولهجة سيتشوان

أكثر من 18 لهجة، تُبدَّل بالأوامر

إدخال الصينية

يجب التحويل إلى المبسّطة أولًا

يقبل التقليدية مباشرةً في الغالب

التحكم في نبرة الكلام بالأوامر

لا في 0.6B (ممكن في CustomVoice وVoiceDesign بحجم 1.7B، وغير ممكن في Base)

ممكن (اللهجة والسرعة والعاطفة)

استخدام معالج Intel المدمج

يكفي تغيير device_map إلى "xpu"

يجب نقل النموذج يدويًا إلى معالج الرسومات

استنساخ جملة على معالج الرسومات المدمج (الجملة نفسها)

من 16 إلى 28 ثانية (أسرع مع bfloat16)

من 29 إلى 61 ثانية

استنساخ جملة على المعالج

أكثر من 4 دقائق ونصف

نحو دقيقتين

الاستنساخ عبر اللغات (تسجيل صيني يقرأ الإنجليزية)

يبدو متقطعًا جدًا

أسلس بكثير

باختصار:

  • لديك معالج Intel مدمج، وتريد السرعة، وتريد استخدام الأصوات المدمجة مباشرةً: Qwen3-TTS، فإعداده أبسط واستنساخه أسرع.
  • تريد أن يقرأ صوتك الإنجليزية أو لغات أخرى: CosyVoice 3، فاستنساخه عبر اللغات أسلس بكثير.
  • جملك بالصينية التقليدية غالبًا، وتحتاج إلى اللهجات أو أوامر التحكم في العاطفة: CosyVoice 3، فهو يقبل التقليدية مباشرةً في الغالب، ويمكنك بجملة واحدة تحديد الكانتونية ولهجة سيتشوان والسرعة والعاطفة.
  • لديك المعالج فقط: يستنسخ CosyVoice 3 الجملة في نحو دقيقتين، بينما يحتاج Qwen3-TTS أكثر من 4 دقائق ونصف، لذلك CosyVoice 3 أكثر عملية مع المعالج وحده.

هل يمكن استنساخ صوت شخص آخر؟

تقنيًا نعم، يكفي تسجيل نظيف. لكن استنسخ صوتك أنت فقط، أو صوت شخص حصلت على موافقته. ترخيص Apache-2.0 يسمح بالاستخدام التجاري للنموذج نفسه، ولا يعني أنك تستطيع استخدام صوت أي أحد. أصوات المشاهير محمية بحقوق الشخصية، واستخدام صوت شخص ليقول ما لم يقله قد يدخل في الاحتيال أو التشهير.

الأسئلة الشائعة

هل يمكن استخدام Qwen3-TTS تجاريًا؟

نعم. كلّ من النموذج ومُرمِّز الكلام في Qwen3-TTS متاح بترخيص Apache-2.0. لكن الصوت المرجعي يجب أن يكون صوتك، أو صوت شخص حصلت على موافقته.

هل يعمل Qwen3-TTS دون بطاقة رسومات NVIDIA؟

نعم. يعمل 0.6B على المعالج، لكن استنساخ الصوت يستغرق عدة دقائق للجملة. إذا كان لديك معالج رسومات مدمج في Intel Core Ultra أو بطاقة Arc، فثبّت PyTorch بنسخة XPU وغيّر device_map إلى "xpu". على حاسوبي المحمول استغرق استنساخ جملة مدتها 6 ثوانٍ نحو 16 إلى 18 ثانية، أي أسرع من المعالج بأكثر من 10 مرات.

هل يدعم Qwen3-TTS العربية؟

لا، حتى 2026-11-21. يدعم 10 لغات: الصينية والإنجليزية واليابانية والكورية والألمانية والفرنسية والروسية والبرتغالية والإسبانية والإيطالية. يمكنك أن تستنسخ صوتك وتجعله يقرأ بإحدى هذه اللغات، وإذا كانت الصينية فحوّل النص إلى المبسّطة أولًا.

هل يتكلم Qwen3-TTS اللهجات الصينية؟

ليست الكانتونية ولا الهوكينية التايوانية (Taiwanese Hokkien) ضمن لغاته العشر الرسمية، واللهجات في الأصوات المدمجة تقتصر على لهجة بكين (Dylan) ولهجة سيتشوان (Eric). إذا احتجت الكانتونية فيمكنك التفكير في CosyVoice 3، فأوامر اللهجات فيه تشمل الكانتونية.

ما الفرق بين Qwen3-TTS 0.6B و1.7B؟

يضيف 1.7B نموذج VoiceDesign (تصميم الصوت من وصف نصي)، ويمكن فيه التحكم في نبرة CustomVoice بالأوامر؛ أما 0.6B ففيه استنساخ الصوت والأصوات المدمجة فقط. ويدعم كلا الحجمين 10 لغات.

كم يجب أن تكون مدة التسجيل المرجعي لاستنساخ الصوت بالذكاء الاصطناعي؟

بحسب المطوّرين تكفي 3 ثوانٍ. استخدمت تسجيلًا مدته 8 ثوانٍ مع نص حرفي مطابق تمامًا. يجب أن يكون التسجيل في مكان هادئ وألا يتكلم فيه سوى شخص واحد.

الخلاصة: معالج Intel المدمج يكفي لاستنساخ الصوت

في مقالة النظرة العامة ظننت أن استنساخ الصوت بـ Qwen3-TTS مستحيل دون بطاقة NVIDIA. بعد الانتقال إلى معالج Intel المدمج، انخفض زمن الجملة نفسها من أكثر من 4 دقائق ونصف إلى 16 إلى 18 ثانية، ولم أغيّر سوى معامل واحد هو device_map. إذا كان حاسوبك المحمول بمعالج Core Ultra، فالأمر يستحق التجربة.

إذا جرّبت Qwen3-TTS، أو شغّلت نماذج ذكاء اصطناعي أخرى على معالج Intel المدمج، فاترك تعليقًا على Threads أو X.