ماذا تفعل هذه الأداة
تقرأ أداة تحويل النص إلى كلام هذه النصوص الإنجليزية بصوت عالٍ بأصوات ذكاء اصطناعي طبيعية، وتتيح لك تنزيل النتيجة ملف WAV. تستخدم Kokoro-82M، وهو نموذج مفتوح لتوليد الكلام يضم 82 مليون معامل من hexgrad، عبر مكتبة kokoro-js وTransformers.js. يجري كل شيء داخل متصفحك: لا حساب، ولا حصة أحرف، ولا خادم يرى ما تكتبه.
لأن النموذج صغير فهو يعمل على حاسوب محمول عادي. في المتصفحات التي تدعم WebGPU (إصدارات Chrome وEdge الحديثة) يستخدم بطاقة الرسوميات مع النموذج كامل الدقة، وفي غيرها يعمل على المعالج بنسخة مكمّمة 8 بت أصغر حجمًا وما زالت واضحة.
كيفية الاستخدام
- انقر تنزيل النموذج والبدء. في المرة الأولى يُنزَّل النموذج (نحو 92 MB على المعالج، ونحو 326 MB مع WebGPU) ويخزّنه المتصفح مؤقتًا. يوضح شريط التقدّم ما تبقّى. في المرة التالية يُحمَّل من الذاكرة المؤقتة خلال ثوانٍ.
- اكتب نصك أو الصقه، أو انقر مثال لتجربة فقرة قصيرة. يتحدّث عدد الأحرف ومدة الصوت التقديرية أثناء الكتابة.
- اختر الصوت والسرعة بين 0.5× و2×.
- انقر توليد الكلام. يُقسَّم النص الطويل إلى مقاطع بحجم الجملة وتُقرأ واحدًا تلو الآخر مع عدّاد «المقطع 3 / 12». انقر إيقاف للإنهاء مبكرًا والاحتفاظ بالصوت المُولَّد حتى تلك اللحظة.
- استمع في المشغّل، ثم انقر تنزيل WAV لحفظ ملف أحادي بتردد 24 kHz.
للحصول على ملفات منفصلة، اضبط الإخراج على ملف لكل سطر: يصبح كل سطر غير فارغ ملف WAV مرقّمًا مستقلًا (01-…، 02-…)، ويحفظها زر تنزيل الكل (ZIP) معًا.
يَنسخ زر المشاركة رابطًا يتضمن نصك والصوت والسرعة، ليتمكن شخص آخر من توليد الكلام نفسه في متصفحه.
الأصوات واللغات
أصوات Kokoro في المتصفح تتحدث الإنجليزية فقط. هناك 20 صوتًا للإنجليزية الأمريكية (11 أنثى و9 ذكور) و8 أصوات للإنجليزية البريطانية (4 إناث و4 ذكور). يعرض كل صوت في القائمة التقييم العام من بطاقة النموذج؛ Heart وBella (أمريكيتان، أنثى) الأعلى تقييمًا، وEmma (بريطانية، أنثى) وFenrir وMichael وPuck (أمريكيون، ذكور) بدائل جيدة.
يأتي النطق من محوّل الصوتيات espeak-ng، لذا تُقرأ الأسماء والاختصارات والأرقام عادةً بشكل صحيح، لكن الكلمات النادرة قد تحتاج إلى صياغة مختلفة. إذا كان معظم نصك بكتابة أخرى فستنبّهك الأداة، لأن تلك الأحرف لا يمكن نطقها.
مثال
حمّل فقرة المثال، وأبقِ الصوت الافتراضي Heart، ثم انقر توليد. يصبح السطران مقطعين، وخلال ثوانٍ تحصل على نحو عشرين ثانية من الكلام مع وقفة قصيرة بين الفقرتين. انتقل إلى George لراوٍ بريطاني، أو اضبط السرعة على 1.3× لقراءة أسرع، ثم ولّد من جديد.
المتطلبات والخصوصية
تحتاج الأداة إلى متصفح حديث يدعم WebAssembly وWeb Workers: إصدارات حديثة من Chrome أو Edge أو Firefox أو Safari على الحاسوب أو الهاتف. WebGPU اختياري ويزيد السرعة فقط. قد تواجه الهواتف قليلة الذاكرة صعوبة مع النصوص الطويلة؛ اختر المعالج فقط إذا فشل WebGPU. تأتي ملفات النموذج من Hugging Face ومحرك ONNX Runtime من شبكة CDN عامة، ويُنزَّل ملف كل صوت (نحو 0.5 MB) عند أول استخدام له. بعد التخزين المؤقت يعمل التوليد دون اتصال.
الأسئلة الشائعة
› هل يُرفع نصّي إلى خادم؟
لا. يُولَّد الكلام على جهازك بواسطة نموذج يعمل داخل المتصفح. تنزّل الصفحة ملفات النموذج مرة واحدة من Hugging Face، لكن نصك والصوت لا يغادران الصفحة أبدًا.
› ما اللغات التي يتحدث بها؟
الإنجليزية فقط. يتضمن Kokoro-82M v1.0 للمتصفح 28 صوتًا، منها 20 بلكنة أمريكية و8 بلكنة بريطانية. النص بلغات أو كتابات أخرى، مثل العربية أو الصينية أو الروسية، سيُتخطّى أو يُنطق بشكل خاطئ.
› ما حجم التنزيل، وهل أحتاج إليه في كل مرة؟
نحو 92 MB لنموذج 8 بت الذي يعمل على المعالج، أو نحو 326 MB للنموذج كامل الدقة المستخدم مع WebGPU، إضافة إلى محرك ONNX Runtime وملف صغير لكل صوت. يخزّن المتصفح كل ذلك مؤقتًا، فتبدأ الزيارات التالية خلال ثوانٍ دون تنزيل جديد.
› هل يمكنني استخدام الصوت المُولَّد تجاريًا؟
أوزان Kokoro-82M ومكتبة kokoro-js منشورة بترخيص Apache 2.0، ودُرِّب النموذج على تسجيلات بتراخيص متساهلة، لذا يمكن استخدام الكلام الذي تولّده في الفيديو والبودكاست والتطبيقات. راجع بطاقة النموذج على Hugging Face للاطلاع على الشروط كاملة.
› لماذا يكون التوليد بطيئًا على جهازي؟
من دون WebGPU يعمل النموذج على المعالج عبر WebAssembly، وقد يستغرق ذلك بضع ثوانٍ لكل جملة على الحواسيب والهواتف القديمة. Chrome وEdge مع WebGPU أسرع بكثير. يُقسَّم النص الطويل إلى مقاطع، فترى التقدّم ويمكنك الإيقاف في أي وقت.