تحدّث بصوتك — بلغة لا تتحدثها

إليك الجزء من الترجمة في الوقت الفعلي الذي يخطئ فيه الجميع تقريبًا، ولا يتحدث عنه أحد تقريبًا: الصوت الذي تسمعه.

قد يكون لديك تعرّف ممتاز على الكلام وترجمة ممتازة، ومع ذلك ينتهي بك الأمر إلى اجتماع يبدو كآلة تقرأ قائمة. فالخطوة الأخيرة، أي تحويل النص المترجم إلى صوت، هي المرحلة التي تستبدل فيها معظم الأدوات بك راويًا اصطناعيًا واحدًا عامًّا. ثمانية أشخاص في الغرفة، وصوت روبوت واحد للجميع. تضيع معرفة من يتكلم، ويضيع التأكيد والشخصية. كلام مفهوم، لكنه ليس حوارًا.

تتعامل InterMIND مع الخطوة الأخيرة بطريقة مختلفة. عندما تتكلم، يسمع المشاركون الآخرون الترجمة بصوت يمكن تمييزه على أنه صوتك، يحمل طابع صوتك وطريقتك في الكلام، وينطق الكلمات الآن بلغتهم. ليست محاكاة مثالية بعد؛ المهم أنه أنت لا راوٍ جاهز، وهو يتحسّن. وهذا يعمل لكل مشارك، وفي الاتجاهين، في الوقت نفسه.

هذه المقالة هي الفصل المفقود من داخل مسارات الترجمة الأربعة التي تشغّل InterMIND: شرحت تلك المقالة كيف يتحول الصوت إلى صوت مترجم، أما هذه فتتناول صاحب الصوت الذي يخرج في الطرف الآخر.

الإعداد الافتراضي الذي يقدّمه الجميع، ولماذا هو باهت

إن استخدمتَ الترجمة المباشرة في أي من منصات الاجتماعات الكبرى، فأنت تعرف هذا الصوت. صوت محايد بإيقاع متساوٍ يقرأ الترجمة. هو الصوت نفسه سواء كان المتحدث رئيسك التنفيذي يفتتح لقاءً عامًّا أم زميلًا يلقي نكتة. التقنية الكامنة هي تحويل النص إلى كلام بنموذج صوتي واحد ثابت، والافتراض التصميمي هو أن الوضوح يكفي.

في الاجتماع الحقيقي لا يكفي. نصف ما ينقله الاجتماع هو من يقول وكيف يقول. انزع الصوت وستحوّل النقاش إلى نص مكتوب يُتلى بصوت عالٍ. يتوقف الناس عن التفاعل مع بعضهم ويبدؤون بانتظار دورهم.

ما تفعله InterMIND بدلًا من ذلك

تعمل الترجمة عبر مسار متتالٍ: ثلاث مراحل متخصصة تتعاقب، بدلًا من نموذج واحد يحاول فعل كل شيء. المرحلتان الأوليان مشروحتان في مقالة المسارات، وهذه المقالة تتناول مرحلة الصوت:

1. ASR — التعرّف على الكلام. تُنسخ كلماتك بلغتك أنت أثناء حديثك، على محرّكنا الخاص، وهو خادم الوسائط الذي يحمل المكالمة (Mind API، OVH فرنسا)، بحيث تبدأ الترجمة قبل أن تنتهي الجملة.
2. MT — الترجمة. يُجمَّع النص المنسوخ في مقاطع جمل مستقرة، هي العبارات، فتبدأ الترجمة قبل أن تنهي جملتك، وتُترجم كل عبارة تدريجيًا إلى لغة المستمع.
3. Zero-shot TTS — تركيب الصوت. تُنطق كل عبارة مترجمة باستخدام عيّنة من صوتك أنت، وتُبَثّ إلى المستمع.

هذه المرحلة الثالثة، أي ASR ← MT ← zero-shot TTS، هي التي تصنع الأثر. تعني «Zero-shot» أن النظام لا يحتاج إلى تسجيل مسبق ولا إلى جلسة تدريب على صوتك، فهو يبني نموذج صوتك من صوت الاجتماع الذي أنت فيه أصلًا.

فترة الإحماء: كيف يبدأ الصوت بالتشابه معك بهذه السرعة

هناك معضلة «البيضة والدجاجة» مختبئة في عبارة «استخدام عيّنة من صوتك». ففي بداية المكالمة تمامًا لم يسمع النظام منك ما يكفي ليبني نموذجًا جيدًا لصوتك.

تعالج InterMIND ذلك بإحماء تدريجي:

• خلال أول 5–10 ثوانٍ تقريبًا، وبينما لا يزال النظام يجمع قدرًا كافيًا من كلامك، تُركَّب كل عبارة مترجمة باستخدام المقطع الصوتي المطابق لما قلتَه للتو بلغتك الأصلية. وهكذا يرتكز التصويت على كلامك الحقيقي والفوري.
• وحين تتوفر عيّنة طويلة بما يكفي، أي عند علامة الـ5–10 ثوانٍ، يثبّت النظام عليها ويستخدمها لإنطاق كل ما يلي.

عمليًا لا تسمع تبدّلًا مفاجئًا. تبدو الترجمة أشبه بك كلما انطلق الحديث؛ ليست نسخة مثالية من صوتك، لكنها بوضوح صوتك لا صوت آلة، وتتحسّن كلما سمع النموذج المزيد. والجمع بين الترجمة التدريجية (عبارة بعبارة لا جملة بجملة) والتصويت التدريجي هو ما يُبقي كل شيء ضمن حدود زمن التأخير المسموح مع الحفاظ على الإحساس البشري.

سجّل صوتك مرة واحدة وتجاوز الإحماء

الإحماء المذكور أعلاه هو ما يحدث افتراضيًا دون أي إعداد. ومنذ سبتمبر 2026 هناك مسار ثانٍ اختياري للمستخدمين المسجّلين الدخول: عيّنة صوت محفوظة في Settings → Your voice in translation.

التسجيل حركة واحدة. اضغط Record my voice، وانتظر ظهور Speak now، ثم انطق الأرقام من واحد إلى عشرة بأي ترتيب. يضيء كل رقم على البطاقة حين يسمعه محرّك الكلام، وعند إضاءة الأرقام العشرة كلها تُفحص العيّنة وتُحفظ تلقائيًا. لا شيء لتعيد تشغيله أو تؤكده، ولا عدّ تنازلي؛ إذ تحتفظ البطاقة بالمقطع من تسجيلك الذي يضم الأرقام. وتعطي الغرفة الهادئة وسماعة الرأس أفضل نتيجة.

ما تغيّره العيّنة المحفوظة: ابتداءً من اجتماعك القادم، يُنطق المركِّب ترجمتك بها منذ العبارة الأولى، فيسمعك الطرف الآخر بصوتك منذ الجملة الأولى بدلًا من الانتظار حتى انتهاء الإحماء. وتقنيًا هو التركيب zero-shot نفسه لكن بنقطة انطلاق أفضل؛ ويظل الإحماء الحيّ يصقل الصوت مع استمرار المكالمة.

يُفحص التسجيل قبل تخزينه. ويجب أن يكون من 3 إلى 10 ثوانٍ من كلام واضح (وهي نافذة إدخال المركِّب). فإن كان خافتًا جدًا أو مقطوعًا أو أغلبه صمت أو غارقًا في ضجيج الخلفية، تخبرك البطاقة بما يلزم إصلاحه وتطلب تسجيلًا آخر. واختيرت الأرقام عبارةً لسبب عملي: فهي قصيرة، ومعروفة في كل لغة من اللغات الـ23، ويستطيع المحرّك التأكد من أنه سمع الأرقام العشرة كلها، مما يحوّل سؤال «هل نجح التسجيل؟» إلى «نعم» مرئية.

عيّنتان صوتيتان، وعمران مختلفان

هذا هو الجزء الذي يسأل عنه فريق الأمن أو الفريق القانوني فورًا، لذا إليك شرحه بوضوح. هناك عيّنتان مختلفتان، وتعيشان بشكل مختلف.

العيّنة الحيّة المستخدمة في الإحماء أثناء الاجتماع مؤقتة. لا توجد إلا لجلسة المؤتمر الحيّة، لخدمة تصويت الترجمة، ولا تُخزَّن في أي مكان. ولا يحتفظ Mind API وSDK اللذان يشغّلان الجلسة في الوقت الفعلي بأي بيانات؛ وكل ما هو مؤقت يزول عند انتهاء جلسة المؤتمر.

العيّنة المحفوظة من الإعدادات تُخزَّن مع حسابك، لغرض واحد: تُرسل إلى محرّك الترجمة في كل مرة تنضم فيها إلى اجتماع ليُنطق كلامك المترجم بها، ولا شيء غير ذلك. وتبقى حتى تضغط Remove على البطاقة، فيعيدك ذلك فورًا إلى الإحماء المعتاد، وتُحذف مع حذف حسابك. لا يستطيع الضيوف تسجيل عيّنة؛ فهي ميزة للمسجّلين الدخول بحكم التصميم.

ومن المهم أن نكون دقيقين بشأن ما ليست عليه أي من العيّنتين: ليست إحدى ميزات التسجيل في InterMIND. فتسجيل فيديو الاجتماع وصوته إجراء منفصل ومقصود تقوم به عن عمد، وله ضوابطه الخاصة. أما عيّنة الصوت فهي مُدخَل إلى مركِّب الكلام: عابرة في الحالة الحيّة، وفي الحالة المحفوظة أنت من يقرر الإبقاء عليها أو حذفها.

لماذا لا يقدّم أحد غيرنا هذا

ليس استنساخ الصوت سرًّا. لكن القيام به مباشرةً، لكل مشارك، في الاتجاهين، بإيقاع المحادثة، عبر 23 لغة، دون تخزين أي شيء لم تطلبه، مشكلة مختلفة عن استنساخ صوت دون اتصال لحلقة بودكاست.

تُحسِّن المنصات الكبرى ترجمتها لتغطية التسميات التوضيحية ولراوٍ واحد آمن؛ فذلك هو الإعداد الافتراضي الرخيص والمتين على نطاق واسع. أما الحفاظ على صوت كل متحدث فيعني أن مرحلة التركيب يجب أن تتابع كل مشارك على حدة وتبقى ضمن ميزانية التأخير نفسها التي يعمل بها بقية المسار. بنينا محرّك الصوت بأنفسنا على بنيتنا التحتية، وهذا ما يجعل هذه المفاضلة قرارنا نحن. (المزيد عن سبب كون المحرّك شيفرتنا الخاصة: ممّ يتكوّن اجتماع واحد في InterMIND.)

إلى أين نتجه: مزامنة الشفاه

الحفاظ على صوتك نصف هدف أكبر. أما نصفه الآخر فهو وجهك.

الآن تسمع الشخص الآخر بصوته هو، لكن إن كنتَ أمام الكاميرا فشفتاه لا تزالان تتحركان وفق الكلمات التي قالها فعلًا، بلغة لا تقرؤها. الخطوة التالية هي مزامنة الشفاه: إعادة ضبط توقيت فم المتحدث على الصوت المترجم، فيبدو على شاشتك كأنه يتكلم لغتك.

اجمع الأمرين معًا يتّضح الهدف الكامل من هذا العمل. شخصان لا تجمعهما لغة مشتركة يجلسان وجهًا لوجه في مكالمة فيديو، ويرى كل منهما الآخر ويسمعه كأنه متحدث أصلي بلغة الآخر: الصوت نفسه، والوجه نفسه، دون مترجم في المنتصف، ودون روبوت يقرأ نصًّا.

ولنكن واضحين بشأن الوضع الحالي: الصوت متاح اليوم؛ ومزامنة الشفاه ضمن خارطة الطريق ولم تُطلق بعد. نذكر الوجهة لأنها سبب أهمية عمل الصوت: فالترجمة بصوتك ليست الميزة بحد ذاتها، بل هي النصف الأول من «تحدّث مع أي شخص، بأي لغة، وأنت كما أنت».

أين تسمعه

الترجمة بصوتك متاحة اليوم في جميع لغات الصوت الـ23، وهي اللغات نفسها المدرجة في الوثائق. لا شيء لتفعّله على حدة: عند تفعيل الترجمة في اجتماع، يسمع المشاركون بعضهم تلقائيًا بأصواتهم. وسنكون صريحين بشأن مستواها الحالي: الصوت اليوم يُعرَف بوضوح على أنه أنت، ونعمل بنشاط على تقريب التشابه أكثر. جرّب واستمع واحكم بنفسك.

• جرّب العرض التجريبي — يشغّل مسار الصوت الحي على صوتك بأي لغة من اللغات الـ23.
• اطّلع على أرقام الجودة — مسار الإنتاج نفسه، يُقيَّم شهريًا على FLORES-200، مع نشر التوزيع الكامل لكل زوج لغوي.
• سجّل عيّنة صوتك — بعد تسجيل الدخول، تسجيل واحد للأرقام من واحد إلى عشرة، فتُنطَق بصوتك منذ الجملة الأولى.
• كيف يعمل، في الوثائق — النسخة المختصرة من هذه المقالة.
• شاهده إلى جانب التسميات التوضيحية ونص قابل للبحث — كيف تعمل القطع الثلاث معًا في اجتماع واحد.

ينبغي أن يبدو الاجتماع المترجم كأن الأشخاص الموجودين فيه فعلًا يتحدثون إلى بعضهم. والحفاظ على صوتك هو الطريق إلى ذلك.