Zyphra ZONOS2: نموذج TTS MoE مفتوح لاستنساخ الصوت عالي الدقة

من Zonos-v0.1 إلى ZONOS2: تغيّرت البيانات وسعة النموذج والتكييف معًا

ZONOS2 ليس نسخة أكبر من Zonos-v0.1. كان النموذج السابق يضم نحو 1.6B من المعلمات، وتدرّب على قرابة 200,000 ساعة من الكلام. اعتمد في واجهة النص على التحويل إلى فونيمات وتسميات اللغة، وحملت تمثيلات المتحدث فيه تفاصيل أقل. أرست تلك النسخة مسارًا مفتوحًا لاستنساخ الصوت zero-shot، لكنها بقيت أمام مقايضات TTS المعتادة: أبطأ التوسع الكثيف التوليد الفوري، وعقّدت قواميس الفونيمات النص متعدد اللغات والتبديل بين اللغات، وكان متجه المتحدث المضغوط قادرًا على إسقاط تفاصيل صوتية وتسجيلية موجودة في المقطع المرجعي.

دفعت Zyphra الحدود الثلاثة كلها في ZONOS2. نما حجم مجموعة التدريب من نحو 200,000 ساعة إلى أكثر من ستة ملايين ساعة. وزاد الحجم الإجمالي للنموذج من 1.6B إلى 8B من المعلمات، في حين يُبقي توجيه MoE المتفرق المجموعة النشطة قرب 900M في كل خطوة. يفيد الإصدار بأن معدل المعالجة الفوري أعلى أربع مرات من النموذج السابق. وهكذا تستطيع السعة استيعاب تنوع أوسع في اللغات واللهجات والتنغيم وظروف التسجيل من دون أن يُطلب من كل رمز تشغيل شبكة 8B كاملة.

تغيّر تكييف المتحدث أيضًا. تصف Zyphra تضمين ECAPA-TDNN الجديد بأنه يملك عرض نطاق أكبر 20 مرة من نموذج المتحدث السابق. يتعلق عرض النطاق هذا بكمية معلومات المتحدث التي يستطيع التضمين حملها، لا بمعدل أخذ عينات ملف WAV الناتج. ويساعد ذلك على تفسير تمييز الإصدار بين الاستنساخ الوفي والكلام النظيف بمستوى الاستوديو: قد يكون الضجيج واستجابة الغرفة والتنفس والملمس الصوتي غير المعتاد أدلة هوية في مهمة، وعيوبًا يجب إزالتها في مهمة أخرى.

انتقل مسار النص من التحويل الصريح إلى فونيمات وعلامات اللغة إلى وحدات بايت UTF-8 مطبّعة. لم تعد الحروف الصينية وأنظمة الكتابة اليابانية والكورية والأرقام وعلامات الترقيم والتبديل بين اللغات مضطرة للمرور عبر قاموس نطق ثابت واحد قبل وصولها إلى النموذج. لا يضمن إدخال البايت النطق الصحيح للأحرف متعددة القراءات أو الصياغة، لكنه يزيل نقاط فشل عدة من الواجهة الأمامية: مُدخلات القاموس المفقودة، وتسميات اللغة الخاطئة، والحدود اللغوية الصلبة داخل الجملة.

كانت زيادة البيانات وحدها ستترك النموذج بهدف مشوش، لذلك يستخدم الوصف الرسمي تدريبًا من ثلاث مراحل. تمر مرحلة التدريب المسبق على مجموعة البيانات كاملة لثماني حقب، مع حد أدنى من ترشيح تطابق النص ومن دون معلومات استنساخ المتحدث. تشدد مرحلة التدريب الأوسط تطابق النص واختيار مجموعة البيانات لتقليل الهلوسة وأخطاء النطق والتكرار. وتُدخل مرحلة annealing النهائية تضمينات المتحدث، والتحكم في سرعة الكلام، وشروط الجودة ضمن ترشيح أكثر صرامة. تُتعلّم التغطية أولًا، ثم يُركّز لاحقًا على النطق القابل للتحكم والاستنساخ.

استنساخ الصوت أكثر من مجرد تشابه

كثيرًا ما تختزل تغطية استنساخ الصوت في سؤال واحد: هل يبدو الصوت مثل المتحدث المرجعي؟ هذا مهم، لكنه غير كافٍ لأداة. يعتمد نظام TTS القابل للاستخدام أيضًا على الطبيعية والاستقرار والتغطية اللغوية وزمن الاستجابة والترخيص وعبء الإعداد. يثير ZONOS2 الاهتمام لأنه لا يتبع فقط سردية واجهات API المغلقة عن «كلام أكثر شبهًا بالبشر». فهو يجمع الاستنساخ عالي الدقة مع مسار مفتوح للتشغيل المحلي.

يغيّر ذلك المقايضة أمام المستخدم. واجهات TTS API المغلقة ملائمة للاستدعاءات المستضافة والفوترة الموحدة. وتتحلى مشاريع TTS المفتوحة بمرونة التجارب، لكنها تطلب من المستخدمين حل مشكلات الجودة والبيئة والتشغيل بأنفسهم. يقع ZONOS2 بين هذين القطبين، إذ يجمع استنساخ الصوت عالي الجودة، ومواد نموذج مفتوحة، وسير عمل منتج يستطيع المستخدم تجربته من الموقع.

الإصدار عبارة عن نموذج وحزمة استدلال، لا واجهة API صوتية خارجية. يجمع عقده العام الصوت المرجعي والنص المستهدف واللغة وعناصر التحكم في أخذ العينات؛ وتظل النتيجة معتمدة على المعالجة المسبقة، وفك ترميز برنامج الترميز، ونقطة التحقق المختارة.

ما الجديد فعلًا

تستحق ثلاثة تفاصيل رسمية الفصل بينها. أولها البنية: ZONOS2 نموذج TTS متفرق من نوع Mixture of Experts. تصفه Zyphra بأنه يضم إجمالًا 8B من المعلمات مع نحو 900M نشط أثناء الاستدلال. وهذا يعني أن النموذج ليس مجرد نموذج كثيف زيد حجمه؛ يتيح تصميم MoE لمجموعة أكبر من المعلمات التعايش مع هدف TTS الفوري.

ثانيها تمثيل الصوت. تقول بطاقة النموذج إن ZONOS2 يستخدم وحدات بايت UTF-8 مطبّعة بواسطة nemo TN وتضمين متحدث ECAPA-TDNN أثناء الاستدلال، ثم يستخدم عمود MoE الفقري لتوليد رموز DAC. ويعرض مقال Zyphra الرسمي مسار DAC على أنه ينتج صوتًا بتردد 44.1 kHz. يهم ذلك لأن الاستخدام المقصود هو السرد الأعلى تفصيلًا، وصوت الشخصيات، والبودكاست، واستنساخ الصوت متعدد اللغات، لا الاتصالات الهاتفية ذات معدل العينات المنخفض.

ثالثها التغطية اللغوية. تدرج بطاقة النموذج Tier 1 للإنجليزية والصينية المندرينية واليابانية؛ وTier 2 للكورية والروسية والإيطالية والبرتغالية والفرنسية والإسبانية والفيتنامية والألمانية والعبرية والهولندية؛ وTier 3 للسويدية والهندية والتاميلية والتيلوغوية والتايلاندية والنرويجية والبنغالية والتاغالوغية والعربية والدنماركية والإندونيسية والبولندية والأوكرانية والرومانية والفنلندية والمجرية والليتوانية والإستونية والسلوفاكية والكرواتية واللاتفية. ويشكّل التقسيم إلى مستويات حدًا في ذاته: فالدعم لا يعني أن كل لغة ولهجة ومقطع مرجعي سيتصرف بالطريقة نفسها.

كيف تُقرأ ادعاءات القياس

تفيد صفحة إصدار Zyphra بنتائج قوية في seed-tts eval وZTTS1-Eval الجديد، مع التركيز على تشابه المتحدث والتنغيم والطبيعية ودقة استنساخ الصوت. القراءة الدقيقة مقيدة بنطاق المصدر: هذه قياسات Zyphra وطريقتها في عرض العينات، وليست ضمانًا عامًا بأن كل توليد لاحق سيتفوق على كل نموذج مغلق أو مفتوح.

مناقشة التقييم أدق أيضًا من درجة واحدة. تشير Zyphra إلى أن WER قد يكون مقياسًا مربكًا في TTS، لأن الصوت المولّد قد يكون أنظف من الكلام البشري الحقيقي، ومن ثم أسهل على ASR في النسخ، من دون أن يكون بالضرورة استنساخًا أوفى للمتحدث المرجعي. يركز ZONOS2 صراحة على الدقة الصوتية، ويقدّم توجّهين مستقرًا وتعبيريًا: يفضّل الأول ناتجًا أنظف وأكثر استقرارًا، بينما يهدف الثاني إلى استنساخ طبيعي أكثر وفاءً.

ZONOS2 إصدار MoE TTS مفتوح في يونيو 2026، أبلغت Zyphra عن نتائجه ضمن إعدادات محددة لتقييم TTS واستنساخ الصوت. تظل جودة الصوت المرجعي واللغة المستهدفة وطول النص والتحكم في الأسلوب وإعدادات أخذ العينات متغيرات منفصلة، لذلك تبقى النتائج المنشورة داخل بروتوكولها المعلن.

مقارنة بمسارات TTS الشائعة

استخدامه كسير عمل للأداة

تدفق المستخدم بسيط: ارفع صوتًا مرجعيًا، وأدخل النص المطلوب نطقه، واختر اللغة والمعلمات، ثم استلم النتيجة في ملف WAV.

القيمة الأساسية للمستخدمين هي تقليل عبء الإعداد: فلا يحتاجون إلى تجهيز بيئة بحثية أو فهم كل تفاصيل التنفيذ قبل تقييم ZONOS2 باستخدام الصوت المرجعي والنص واللغة ومعلمات الجودة.

ملاحظات عملية للاستخدام

حقائق ZONOS2 وقراءتها على مستوى المنتج