کالبدشکافی هوش مصنوعی مولد صوت (Neural TTS): از معماری شبکه‌های عصبی عمیق تا زبان فارسی

تبدیل متن به گفتار (Text-to-Speech یا TTS) یکی از پیچیده‌ترین شاخه‌های پردازش زبان طبیعی (NLP) و یادگیری ماشین است. طی سالیان متمادی، صداهای روباتیک و خشکِ سیستم‌های قدیمی باعث دوری کاربران از محتوای صوتی ماشینی می‌شدند. اما با انقلاب شبکه‌های عصبی عمیق و معرفی مدل‌های ترنسفورمر، امروزه با فناوری Neural TTS روبرو هستیم؛ سیستمی که تنفس، زیر و بم کلمات و لحن طبیعی انسان را با دقتی حیرت‌انگیز بازآفرینی می‌کند. در این مقاله به بررسی زیرساخت‌های مهندسی این فناوری و پیاده‌سازی آن در بستر سافت جی‌ام می‌پردازیم.

۱. مسیر تکامل: از تقطیع مکانیکی تا شبکه‌های عصبی سرتاسری (End-to-End)

برای درک کیفیت صداهای امروز، باید نگاهی به تاریخچه توسعه سیستم‌های سنتز گفتار بیندازیم:

1. سنتز بر پایه تقطیع (Concatenative Synthesis): در این متد باستانی، هزاران ساعت صدای گوینده ضبط و به قطعات ریز صوتی (فونیم‌ها و دیفون‌ها) برش داده می‌شد. سپس کامپیوتر تلاش می‌کرد این قطعات را به یکدیگر بچسباند. نتیجه، صدایی مقطع، فلزی و عاری از هرگونه احساس بود.
2. سنتز پارامتریک آماری (HMM-based Speech Synthesis): مدل‌های ریاضی سعی در تولید فرکانس‌ها بر اساس توزیع احتمالات داشتند. صداها یکپارچه‌تر شدند اما همچنان شفافیت پایینی داشتند و صدایی گرفته شبیه به رادیوی قدیمی تولید می‌کردند.
3. مدل‌های عصبی عمیق (Deep Neural TTS): از سال ۲۰۱۸ به بعد، ترکیب مدل‌های آکوستیک عصبی (مانند Tacotron 2، FastSpeech 2) با وکودرهای عصبی (Neural Vocoders مانند HiFi-GAN و WaveGlow) انقلابی ایجاد کرد که تفاوت میان صدای انسان و هوش مصنوعی را به حداقل رساند.

۲. فرآیند دو مرحله‌ای تولید صوت در کلاستر ابری سافت جی‌ام

تبدیل یک جمله ساده فارسی به موج صوتی استودیویی شامل خط لوله‌ای فوق‌العاده حساس است که در سرورهای ابری سافت جی‌ام با کارت‌های گرافیک اختصاصی پردازش می‌شود:

مرحله اول: مدل آکوستیک (Acoustic Feature Generation)

متن ورودی ابتدا نرمال‌سازی می‌شود (اعداد، اختصارات و علائم نگارشی پردازش می‌شوند). سپس یک شبکه عصبی متن را به دنباله‌ای از فریم‌های اسپکتوگرام مِل (Mel-Spectrogram) تبدیل می‌کند. اسپکتوگرام مِل در حقیقت یک تصویر دوبعدی ریاضی از فرکانس‌ها و انرژی صوت در طول زمان است که گوش انسان آنها را می‌شنود.

مرحله دوم: وکودر عصبی (Neural Vocoder)

اسپکتوگرام مِل فاقد اطلاعات فاز صوتی است. در اینجاست که وکودرهای سریع و پیشرفته وارد عمل شده و فریم‌های اسپکتوگرام را به سیگنال خام صوتی با سمپل‌ریت بالا (معمولاً ۲۴ یا ۴۸ کیلوهرتز) تبدیل می‌کنند. این فرآیند باعث می‌شود صدای حاصل بدون نویز، زنده و دارای رزونانس طبیعی تارهای صوتی انسان باشد.

۳. چالش‌های منحصر‌به‌فرد خط و زبان فارسی در پردازش گفتار

پیاده‌سازی TTS برای زبان انگلیسی به دلیل غنای دیتاست‌ها و خط الفبایی نسبتاً صریح بسیار آسان‌تر است. در زبان فارسی، مهندسان ما با چالش‌های فنی متعددی روبرو بوده‌اند:

• حذف مصوت‌های کوتاه (حرکات اعراب): در نوشتار روزمره فارسی، کسره، فتحه و ضمه نوشته نمی‌شوند. کلمه‌ای مانند «کرم» می‌تواند کِرِم، کَرَم یا کِرم خوانده شود. مدل هوش مصنوعی سافت جی‌ام با تکیه بر مدل‌های زبانی متنی پیشرفته، کل جمله را پیش‌تحلیل کرده و محتمل‌ترین حالت تلفظ را انتخاب می‌نماید.
• واژه‌بست‌ها و ترکیب‌های اضافی (کسره اضافه): کلماتی که باید به یکدیگر پیوند بخورند، نیازمند مکث و ریتم دقیق گفتاری هستند تا لحن جمله مصنوعی به نظر نرسد.
• کلمات قرضی و اصطلاحات تخصصی انگلیسی: در وب‌سایت‌های فناوری، ترکیب اصطلاحات انگلیسی با متن فارسی بسیار رایج است؛ موتور صوتی‌ساز با موتور دوزبانه این عبارات را به شیوه بین‌المللی تلفظ می‌کند.

۴. مقایسه سه سطح کیفی موتورهای صوتی در سافت جی‌ام

پلتفرم سافت جی‌ام برای پاسخگویی به بودجه‌ها و نیازهای مختلف وب‌سایت‌ها، سه سطح موتور را در اختیار وب‌مسترها قرار می‌دهد:

۵. چرا پردازش ابری (Cloud Infrastructure) تنها راهکار منطقی است؟

اجرای مدل‌های یادگیری عمیق نیازمند چندین گیگابایت حافظه VRAM روی پردازنده‌های گرافیکی است. نصب مدل‌ها روی هاست اشتراکی یا حتی سرورهای مجازی معمولی وردپرس، فوراً به اتمام منابع و توقف سرور ختم می‌شود. رویکرد معماری سافت جی‌ام به گونه‌ای است که کل فرآیند تبدیل روی زیرساخت توزیع‌شده ابری ما صورت می‌پذیرد و نتیجه نهایی به‌صورت یک فایل استریم‌شده با تاخیر نزدیک به صفر در سایت شما بارگذاری می‌شود.