تجاوز عدد مرات تنزيل Phonon TTS، المخصص للتشغيل على الجهاز، 200,000 مرة في أسبوعين

أفادت Gradium في 5 نوفمبر 2026 بأن نماذج Phonon لتحويل النص إلى كلام، والمخصصة للتشغيل على الجهاز، نُزّلت أكثر من 200,000 مرة خلال أول أسبوعين من إطلاقها، وذلك في متابعة تقنية نُشرت على Hugging Face.

وقالت Gradium إن Phonon تصدّر ترتيب قابلية الفهم باللغة الألمانية والإسبانية على Open TTS Leaderboard، واحتل أحد المراكز الثلاثة الأولى في كل لغة قيّمتها، إلى جانب نماذج يصل حجمها إلى 100 ضعف حجمه.

في مخطط Gradium لزمن الوصول إلى أول صوت على وحدة المعالجة المركزية عند المئين الخامس والتسعين، حلّ Phonon 31m English أولًا بزمن قدره 28 ميلي ثانية، وجاء Phonon 40m English ثانيًا بزمن قدره 38 ميلي ثانية، بينما بلغ الزمن لدى Pocket TTS مقدار 165 ميلي ثانية. القيم الأقل أفضل. ويقيس زمن الوصول إلى أول صوت المدة التي ينتظرها المستخدم قبل سماع كلام قابل للتشغيل، ما يجعله مقياسًا وثيق الصلة بوكلاء الصوت وغيرهم من التطبيقات التفاعلية.

ما الذي تقيسه التصنيفات

تتناول المتابعة التقييم عبر 23 لغة، وتشمل قابلية الفهم، ومقلوب معامل الزمن الحقيقي، وزمن الوصول إلى أول صوت، ومقاييس آلية للطبيعية، إلى جانب تشابه المتحدث في استنساخ الصوت. وتحتسب منهجية لوحة الصدارة لدى Hugging Face قابلية الفهم بمقارنة النصوص التي تنتجها أنظمة التعرّف الآلي على الكلام بالمطالبات الأصلية، باستخدام معدلات أخطاء الكلمات أو الأحرف.

تُجرى اختبارات البث على ملفوظ واحد في كل مرة، باستخدام مطالبات شائعة والأجهزة نفسها. أما النماذج التي لا توفر واجهة للبث، فيشمل قياس الزمن فيها توليد الملفوظ كاملًا، إذ لا يمكن بدء تشغيله قبل ذلك. وتقارن تقييمات استنساخ الصوت، على نحو منفصل، تمثيلات المتحدث المستخرجة من الصوت المُولَّد بتلك المستخرجة من مقطع مرجعي.

تنبه Hugging Face إلى أن معدلات الخطأ المستندة إلى التعرّف تُعد مؤشرًا تقريبيًا لقابلية الفهم، في حين يقدّر تشابه التمثيلات مدى الحفاظ على هوية الصوت. ولا يثبت أيٌّ من المقياسين مباشرةً طبيعية الصوت أو تعبيره أو تفضيل المستمعين له؛ لذا لا تغني التصنيفات الآلية عن اختبارات تفضيلات البشر. وتتيح علامة تبويب «استمع» للزوار مقارنة المخرجات المُولَّدة التي تستند إليها المقاييس والتصويت عليها.

الأوزان المفتوحة والشروط التجارية

وجاء إصدار الأوزان المفتوحة الأساسي في 20 أكتوبر 2026، ما يجعل الإفصاح الجديد تحديثًا مبكرًا عن التبني والتقييم، لا إطلاقًا منفصلًا لنموذج جديد. وتوضح بطاقة نموذج Phonon 31m باللغة الإنجليزية أن الأوزان المكمّمة إلى 8 بت يبلغ حجمها 64.5 MB، وهي مرخّصة بموجب Apache 2.0، الذي يتيح الاستخدام التجاري.

تبلغ أحجام الأوزان المكمّمة في إصدارات 40m مقدار 74.6 MB، وتشمل الإنجليزية والفرنسية والألمانية والإسبانية والبرتغالية بموجب CC BY-NC 4.0، إما عبر نقاط تحقق منفصلة لكل لغة أو نموذج واحد متعدد اللغات. وبالنسبة إلى المنتجات التجارية المبنية على نقاط التحقق غير التجارية تلك، تحدد Gradium رسوم الترخيص بحسب عدد المستخدمين، لا كمية الكلام المُولَّد.

ينتج Phonon صوتًا أحادي القناة بتردد 24 kHz، ويمكنه بث الكلام فيما يستمر التوليد. وهو مخصص للمساعدات التي تعمل دون اتصال بالإنترنت، وأدوات إتاحة الوصول، والألعاب، والتطبيقات التفاعلية التي لا يمكنها انتظار ذهاب البيانات إلى السحابة وعودتها، مع إبقاء النص على جهاز المستخدم. ويتوفر أكثر من 100 صوت مدمج. كما يستطيع Gradium Studio استنساخ صوت من تسجيل قصير بعد الحصول على موافقة صاحبه، أو تصميم صوت انطلاقًا من وصف نصي لتنزيله واستخدامه محليًا.

خيارات النشر والقيود

كُتبت بيئة تشغيل ptts من Gradium بلغة Rust، ولا تتطلب PyTorch. وهي تدعم وحدات المعالجة المركزية ووحدات معالجة الرسوميات ووحدات المعالجة العصبية، عبر Intel وArm وWebAssembly وCUDA وVulkan وMetal وWebGPU وApple Core ML وأجهزة Snapdragon المدعومة. وتشمل حزمها التكامل مع المتصفحات والهواتف والأجهزة المكتبية والخوادم المحلية.

يتوفر Phonon أيضًا في Transformers ابتداءً من الإصدار 5.21 بوصفه تنفيذًا مرجعيًا باستخدام PyTorch. وبينما تركز ptts على بث واحد على الجهاز، يستهدف Transformers زيادة معدل المعالجة على وحدات معالجة الرسوميات من خلال التوليد على دفعات والرسم البياني الكامل torch.compile. وتشرح وثائق Transformers أن محوّلًا سببيًا يُنتج تمثيلات كامنة صوتية مستمرة ذات 32 بُعدًا بمعدل 12.5 Hz، لتحويلها إلى صوت بتردد 24 kHz. وتُمرَّر الأصوات في صورة تمثيلات كامنة مُسبقة الحساب للمتحدث، ذات 512 بُعدًا.

وتترك هذه الآليات بعض أعمال الدمج خارج نقطة التحقق نفسها. فمرمّز المتحدث لم يُطرح بعد، ومُرمّز الصوت مخصص لفك الترميز فقط، ولذلك لا يستطيع Transformers استنساخ الأصوات مباشرةً من التسجيلات. كذلك لا يوسّع مُرمّزه الأرقام والمبالغ والرموز والعناوين على النحو الذي تتيحه بيئة تشغيل Gradium. وتُقسّم المدخلات الطويلة إلى جمل، ما يمنع امتداد التنغيم عبر النص بأكمله.

وعليه، فالاختيار بين خياري النشر واضح: تتيح ptts بثًا واحدًا خاصًا على جهاز المستخدم، بينما يتيح Transformers توليد الكلام على دفعات باستخدام وحدة معالجة الرسوميات. وفي كلا الخيارين، يظل إعداد الصوت والتعامل مع الأرقام والرموز والعناوين بما يراعي اللغة جزءًا من عملية الدمج، إلى جانب نقطة التحقق نفسها.