صوت الذكاء الاصطناعي وتحويل النص إلى كلام والدبلجة

تحويل النص إلى كلام يعني أن نموذجا يقرأ نصك بصوت مسموع، والدبلجة تعني استبدال صوت فيديو موجود بصوت جديد بلغة أخرى. وللفارسية، الشيء الوحيد الذي يحسم النتيجة فعلا هو أن يكون النموذج الذي اخترته يدرج الفارسية بين لغاته، وعند صانع معروف واحد فإن النموذج الذي يقصده الجميع أولا لا يفعل ذلك.

  • الدرس 9 من 10
  • متوسط
  • مجاني، دون تسجيل
الموشن والفيديو

سقف الحروف في طلب واحد، من صفحة الصانع نفسه

العمود هو سقف الحروف. والشارات الثلاث أدناه ثلاثة نماذج لتحويل النص إلى كلام من صانع واحد.

40000 0
5,000 حرفسقف الطلب الواحد في النموذج الوحيد الذي يدرج الفارسية بين لغاته
  • Eleven v3، فيه الفارسيةقائمة لغاته تكتب الفارسية بالرمز fas. ونص من عشر دقائق يصير هنا ملفات عدة.
  • Multilingual v2، 29 لغةاللغات التسع والعشرون كلها مسمّاة على الصفحة والفارسية ليست بينها.
  • Flash v2.5، 32 لغةالتسع والعشرون نفسها مضافا إليها المجرية والنرويجية والفيتنامية. الأسرع والأرخص، وبلا فارسية.

هذا العمود يقيس سقف الطول لا الجودة: فأطول صف هنا هو النموذج الذي بلا فارسية. والأرقام سقف طلب واحد لا سقف مشروع؛ والنص الأطول تقطّعه أنت على حدود الجمل.

آخر مراجعة: تُراجع الحقائق وأسماء الأدوات في هذا الدرس مقابل مصادرها في هذا التاريخ.

تحويل النص إلى كلام والدبلجة عملان مختلفان

تحويل النص إلى كلام يأخذ مدخلا واحدا: النص. تعطيه جملا فيعيد إليك ملفا صوتيا. أما التوقيت والوقفات وتحت أي لقطة يجلس الصوت فليست من شأن النموذج.

والدبلجة عمل آخر من ثلاث مراحل، واحدة منها فقط تحويل نص إلى كلام: تفريغ الكلام الأصلي، وترجمته مع مراعاة طول الجملة، ثم إنتاج صوت جديد يدخل في النافذة الزمنية نفسها. والمرحلة الثالثة هي حيث يصعب الأمر، لأن الترجمة الفارسية لجملة إنجليزية تخرج عادة أطول، وعلى الصوت أن يدخل في إطار حدده فم المتحدث الأصلي.

فإن كنت تصنع فيديوك أنت وكتبت النص بنفسك، فلا تريد دبلجة، ويكفيك تحويل النص إلى كلام، ومعه ميزة حقيقية: تستطيع إعادة كتابة النص للأذن وتحديد طوله بنفسك. وإن كنت تنقل فيديو شخص آخر إلى الفارسية، فتلك دبلجة، وتوقّع أن تختصر الجمل لتدخل. وهذا قرار ترجمة لا إعداد برمجي.

وثمة عمل ثالث يسميه الناس تعليقا صوتيا ولا ينبغي: تغيير الصوت، أي أخذ تسجيل شخص وتغطيته بصوت آخر. وهذا مدخله صوت لا نص، ويثير مسألة الموافقة قبل الاثنين الآخرين.

التعليق الصوتي الفارسي بالذكاء الاصطناعي: أي نموذج ولماذا

تعليق جديد أم دبلجة؟ يعتمد على نص من هو

كلا الطريقين صحيح، لكن لموقفين مختلفين. والاختيار الخاطئ يعني مصارعة مشكلة توقيت لم تكن مضطرا إليها.

النص لغيرك: دبلجة

  • ثلاث مراحل: تفريغ وترجمة وتوليد صوت
  • الترجمة الفارسية تخرج عادة أطول من الأصل
  • عليك اختصار الجمل لتدخل في النافذة نفسها
  • وإن أُعيد بناء صوت المتحدث الأصلي دخلت مسألة الموافقة

النص لك: تعليق جديد

  • تحدد طول الجملة بنفسك وتلائمه مع الصورة
  • يمكن إعادة كتابة النص للأذن قبل التوليد
  • النص نفسه يصير لاحقا نص الترجمة
  • مرحلة أقل: لا حاجة إلى تفريغ

ولا واحد من الطريقين يحل غياب صوت فارسي. فتلك قيود النموذج، ويفتحها القسم التالي.

الفخ الذي يوقع مستخدم الفارسية

لدى ElevenLabs عدة نماذج لتحويل النص إلى كلام. والفارسية على قائمة عائلة واحدة فقط.

يوم كتابة هذا الدرس أعدنا قراءة صفحتي الصانع، ولا يصير الدليل أنظف من هذا. تقول صفحة قدرة تحويل النص إلى كلام إن نماذج multilingual v2 تدعم 29 لغة ثم تسمّي التسع والعشرين كلها: الإنجليزية واليابانية والصينية والألمانية والهندية والفرنسية والكورية والبرتغالية والإيطالية والإسبانية والإندونيسية والهولندية والتركية والفلبينية والبولندية والسويدية والبلغارية والرومانية والعربية والتشيكية واليونانية والفنلندية والكرواتية والماليزية والسلوفاكية والدنماركية والتاميلية والأوكرانية والروسية. والفارسية ليست في تلك القائمة. والجملة التالية في الصفحة نفسها تقول إن Flash v2.5 يدعم 32 لغة، أي كل لغات نماذج v2 مضافا إليها المجرية والنرويجية والفيتنامية. ثلاث لغات أضيفت وليست إحداها الفارسية، فالفارسية ليست على قائمة Flash أيضا، ونعرف ذلك من تعريف القائمة نفسها لا من تخمين.

في المقابل، تكتب قائمة لغات Eleven v3 الفارسية صراحة بالرمز fas. وقد سجّلت طبقة بيانات قسم الذكاء الاصطناعي في هذا الموقع ذلك في 28 أغسطس، وكان لا يزال قائما اليوم.

والآن لماذا هذا فخ لا مجرد فرق. صفحة نماذج الصانع نفسها تقدّم Flash v2.5 بثلاث خصائص، ثلاثتها جذابة لمونتير: تأخير بالغ الانخفاض نحو 75 ميلي ثانية، وسقف 40,000 حرف في الطلب الواحد، وسعر للحرف أقل بخمسين بالمئة على الواجهة البرمجية. وفي مقابل هذه الثلاث، يحمل النموذج الذي فيه الفارسية سقف 5,000 حرف، أي الثمن. فيسجّل أحدهم، ويتخذ أعقل اختيار متاح، ويعطيه نصا فارسيا، فيحصل على نتيجة رديئة، فيستنتج أن هذا الصانع لا يجيد الفارسية. والجملة الدقيقة: ذلك النموذج لا يجيدها.

موقفنا، والدرس الذي يبقى بعد هذا الصانع الواحد: اختر النموذج من قائمة لغاته لا من شارة سرعته أو سعره. ولا تلزم هذه القاعدة بهذه الشدة في أي فئة أخرى، لأن الخرج الرديء في الترجمة أو البرمجة يبدو رديئا فورا؛ أما هنا فالخرج صوت سلس يقرأ الكلمات خطأ، ومن لا يعرف اللغة لا يميّز ذلك.

ما لا تقوله قائمة اللغات

قائمة اللغات ادعاء صانع لا قياس. تقول إننا ندعم هذه اللغة ولا تقول شيئا عن كيف تخرج اللهجة. ويستحق هذا الفارق أن يُقال صراحة، لأن كل جدول يحمل هذا العمود يُغرى بقراءته جودة.

أمران محددان لا تخبرك بهما قائمة اللغات. أولا، هل يوجد صوت فارسي. لترتيب الصوت في قسم الذكاء الاصطناعي بهذا الموقع ثلاث درجات للفارسية، والدرجة الثانية تعني أن الصانع أعلن أيضا صوتا مبنيا للفارسية؛ ولم يبلغها أي مرشح. أي أن حتى النموذج الذي يدرج الفارسية يقرؤها بصوت بُني للغة أخرى. ويقول دليل الصانع نفسه إنه للحصول على أطبع نتيجة ينبغي اختيار صوت تناسب لهجته لغتك ومنطقتك المستهدفة، وحين لا يوجد صوت فارسي تصير هذه الجملة نفسها هي الجواب.

ثانيا، الأسماء والأرقام. لا تخبرك أي قائمة لغات هل يقرأ النموذج اسم مدينة إيرانية أو اسم عائلة قراءة صحيحة. وفي توثيق الصانع نفسه ملاحظة عملية قلّ من يقرؤها: نموذج multilingual v2 أفضل في تطبيع الأرقام، وتوصيتهم للتطبيقات منخفضة التأخير أن يقوم نموذج لغوي بتطبيع النص قبل وصوله إلى نموذج الكلام. وترجمتها عمليا للفارسية: اكتب الأرقام والتواريخ والاختصارات كلمات بنفسك ثم أرسل. سطر عمل واحد ينقذ من الخرج أكثر مما ينقذه أي إعداد.

وأمر لا نعرفه ولن ندّعي معرفته: كيف يبدو فعلا. لم نشغّل هذه النماذج على نص فارسي واحد ونقارن. وحين نفعل سننشر الرقم مع طريقته.

استنساخ الصوت: الموافقة والرخصة وحد لا يتزحزح

بناء صوت جديد من تسجيل شخص سهل تقنيا اليوم، وثقيل أخلاقيا وقانونيا بالقدر نفسه. موقفنا جملة واحدة وغير قابل للتفاوض: لا تستنسخ صوت أحد بلا موافقته الصريحة المكتوبة، حتى لو كان الصوت متاحا للعموم وحتى لو كان العمل داخليا.

والسبب ليس القانون وحده. فالصوت، كالوجه، هوية، وهو خلافا للوجه يعمل أيضا وسيلة تحقق من الهوية في مكالمة هاتفية أو رسالة صوتية. والعينة القصيرة التي بُنيت لمشروع واحد تبقى موجودة بعد تسليم ذلك المشروع، وأنت لا تتحكم فيها. فإن كنت تعمل عملا يُولَّد فيه صوت شخص حقيقي، فخذ موافقته، واكتب نطاق الاستعمال في تلك الموافقة نفسها، واحذف الملفات عند انتهاء المشروع.

وتناقض يجب أن يُقال صراحة. النموذج الأول في ترتيب الصوت بقسم الذكاء الاصطناعي في هذا الموقع يسمّي إيران في شروط استخدامه: فبند ضبط الصادرات لدى ElevenLabs يطلب من المستخدم أن يقرّ بأنه ليس في بلد خاضع لعقوبات اقتصادية أمريكية، وإيران مكتوبة في تلك القائمة. نكتب هذا لأنه حقيقة وإخفاؤه لا يفيد أحدا. وما لا نكتبه هو طريقة الالتفاف عليه. نحن لا نبيع حسابات ولا نحيل إلى وسطاء ولا نشرح سبل الالتفاف على العقوبات.

وثمة طريق بديل يجب ذكره بقيده: ينشر Voxtral TTS من Mistral أوزانا مفتوحة، فيمكن تشغيله على عتادك بلا قائمة دول تعترضه. لكن رخصته CC BY-NC 4.0، وNC تعني منع الاستعمال التجاري. ففي عمل جوهره تعليق صوتي مخصص لعميل، يكون النموذج الأفضل من حيث الوصول هو الأقل نفعا من حيث الرخصة. للتمرين والمشروع الشخصي نعم؛ وللفاتورة لا.

املأ هذه الورقة قبل بناء صوت جديد

ورقة موافقة الصوت والرخصةقبل أول استنساخ

ما يجب أن تملكه قبل البدء

  • موافقة مكتوبة من صاحب الصوت باسم المشروع
  • نطاق الاستعمال صريحا: أين، وكم مدة، وأي لغات
  • رخصة النموذج الذي تستعمله، مقروءة لا مفترضة
  • قرار عن موعد حذف ملفات العينة

أشياء لا تُعدّ موافقة

  • كان الصوت متاحا على الإنترنت
  • إنه عمل داخلي ولن يُنشر
  • قال شفهيا لا بأس
  • إنه مجرد نموذج ولن يبقى في النسخة النهائية

هذه الورقة ليست استشارة قانونية ولا تحل محل عقد. وما تفعله أنها تمنعك من اتخاذ قرارات غير قابلة للتسليم في اللحظة وبلا تفكير.

التعليق الصوتي لفيديو، بالترتيب الذي ينقذ العمل

الترتيب هنا أهم من اختيار النموذج، والخطأ الشائع واحد دائما: يُركَّب الفيديو أولا ثم يُبحث عن الصوت.

اكتب النص للأذن لا للعين. جمل قصيرة، وفكرة واحدة في كل جملة، وبلا أقواس وبلا جمل اعتراضية مطوية في الوسط. فالنص الذي يُقرأ والنص الذي يُسمع شيئان، والنموذج لن يميّز بينهما عنك.

ثم طبّع النص: اكتب الأرقام والتواريخ والاختصارات كلمات. فالسنة والنسبة المئوية ومجموعة الأحرف الأولى ثلاثة أشياء قد يقرؤها النموذج كل مرة على نحو مختلف، وعشر دقائق من العمل تخرج ذلك من يد الصدفة.

ثم قطّع النص إلى قطع تدخل تحت سقف الحروف في نموذجك، وضع القطع على حدود الجمل لا داخلها. فبسقف 5,000 حرف يصير نص من عشر دقائق ملفات عدة، وإن وقع القطع في وسط جملة انكسر لحن تلك الجملة عند الوصل. وهذا هو الموضع الوحيد الذي يؤذيك فيه سقف الحروف فعلا، والحل فيه ليس تقنيا بل قرار تحريري.

ولّد ثم استمع، وأعد توليد الجمل التي قُرئت خطأ فقط. أما إعادة توليد النص كله أملا بنتيجة أفضل فهو الخطأ نفسه الذي يقع فيه الناس مع الصور، ولا ينجح هنا أيضا.

وأخيرا ضعه على الصورة. إن كان الفيديو مولّدا، فأبقِ اللقطات صامتة وابنِ شريط الصوت كله دفعة واحدة؛ ودرس توليد الفيديو بالذكاء الاصطناعي يشرح السبب. وإن كان الخرج سيحمل ترجمة أيضا، فالنص المطبَّع نفسه هو نص ترجمتك ولم يبقَ ما يُفرَّغ؛ ودرس الترجمة والكابشن يبدأ من هنا بالضبط.

المسار السريع مع الذكاء الاصطناعي

المسار السريع هنا ليس «نموذجا أفضل». بل حركتان لا تكاد تراهما في درس: أعد كتابة النص وطبّعه للأذن بنموذج نصي قبل أن يصل إلى نموذج الصوت أصلا، وضع في الجولة نفسها القطوع تحت سقف الحروف على حدود الجمل. والحركة الثانية هي ما يحوّل ملفات عدة إلى تعليق واحد متصل. ويكفي لهذا نموذج نصي سريع رخيص؛ واختيارنا الحالي في <a class="text-link" href="/ar/ai/">قسم الذكاء الاصطناعي</a>، وخذ نموذج الصوت من <a class="text-link" href="/ar/ai/audio/">ترتيب التعليق الصوتي</a>.

  1. اختر النموذج أولا من قائمة لغاته لا من شارة سرعة. ودوّن سقف الحروف لذلك النموذج؛ فعلى هذا الرقم يُبنى بقية المسار.
  2. أعط الوصفة أدناه لنموذج نصي بنصك وسقفك أنت. والبند الثاني من الخرج، أي قائمة ما قد يقرؤه النموذج خطأ، هو أثمن ما تستعيده.
  3. ولّد القطع بالترتيب، كلها بصوت واحد وإعداد واحد. ولا تغيّر الصوت في منتصف العمل؛ فقطعتان بصوتين متقاربين تُسمعان أسوأ من قطعتين بصوتين مختلفين تماما.
  4. استمع، وأعد توليد الجمل التي قُرئت خطأ فقط. وإن خرج اسم خطأ مرتين، فاكتب هجاءه الصوتي في النص بدل إعادة التوليد.
  5. وفي النهاية تحقق أنت من أمرين: أن الأسماء والأرقام قُرئت صحيحة، وأنك تملك الموافقة المكتوبة إن كان صوت شخص حقيقي في الأمر.

وصفة جاهزة للنسخ

الدور: محرر نص منطوق يهيّئ نصا لنموذج تحويل النص إلى كلام.

لغة النص: {لغتك}
سقف الحروف في نموذجي: {مثلا 5000}
النبرة: {مثلا هادئة تفسيرية، أو عالية الطاقة قصيرة}

النص الخام:
{ضع نصك هنا}

أعد الأقسام الأربعة هذه بالضبط:

1. النص معادا كتابته للأذن. اكسر الجمل الطويلة، واحذف الأقواس والجمل
   الاعتراضية، واكتب كل رقم وتاريخ واختصار كلمات. ولا تغيّر المعنى ولا تضف
   شيئا.

2. قائمة بما يرجَّح أن يقرأه النموذج خطأ: أسماء العلم، وأسماء الأماكن،
   والكلمة الإنجليزية داخل جملة بلغة أخرى، والأرقام. واقترح لكل واحد هجاء
   صوتيا وقل لماذا هو خطر.

3. قطّع النص المعاد كتابته إلى قطع تبقى كل واحدة تحت السقف أعلاه. وكل قطع
   يجب أن يقع تماما عند نهاية جملة. واذكر رقم كل قطعة وعدد حروفها.

4. جملة واحدة: أي جزء من هذا النص يجب أن يقرأه إنسان قبل توليد أي صوت
   ولماذا.

لا تكتب أي ادعاء عن جودة أي نموذج أو لهجته.

قبل أن تثق بالناتج: هذا المسار لا يحلّ ثلاثة أمور، وثلاثتها عمل إنسان. أولا، اللهجة: تطبيع النص يمنع قراءة الأرقام والأسماء خطأ، لكنه لا يصلح اللهجة، لأنه لا يوجد اليوم صوت مخصص للفارسية. ثانيا، حد الموافقة: لا وصفة تحل محل الإذن باستعمال صوت شخص. ثالثا، الرخصة: النموذج المفتوح الأوزان لا يجيز بالضرورة العمل التجاري، وعليك أن تقرأ رخصته بنفسك. والسرعة لا تعني غياب الإشراف.

الذكاء الاصطناعي في هذا العمل

هذا الدرس كله عن العمل بالذكاء الاصطناعي، فيجمع هذا القسم ما تناثر في المتن: أي نموذج أعلن ماذا، وما وضع كل منه من إيران. موقفنا في جملة: <strong>في هذه الفئة قائمة اللغات هي أهم عمود ويأتي كل معيار آخر بعدها، لأن النموذج الذي بلا فارسية صفر للنص الفارسي لا أضعف قليلا.</strong>

أدوات تساعد فعلا

  • Eleven v3 النموذج الوحيد من الطبقة العليا هنا الذي يكتب الفارسية في قائمة لغاته بالرمز fas، مع إنشاء صوت جديد برخصة تجارية على الخطط المدفوعة. وسقفه 5,000 حرف في الطلب الواحد، أي ثمن سقف النموذج السريع للصانع نفسه. وشروط استخدام ElevenLabs تسمّي إيران في بند ضبط الصادرات، ونحن لا نشرح سبل الالتفاف.
  • Eleven Flash v2.5 هو هنا لأنه الاختيار الخاطئ الشائع: الأسرع بنحو 75 ميلي ثانية، وسقف 40,000 حرف، وأرخص بخمسين بالمئة للحرف على الواجهة البرمجية. وقائمته ذات الاثنتين والثلاثين لغة تعرّف نفسها بأنها قائمة v2 مضافا إليها المجرية والنرويجية والفيتنامية، فالفارسية ليست فيها. خيار جيد للعمل بالإنجليزية وليس خيارا للفارسية أصلا.
  • Voxtral TTS النموذج الوحيد هنا بأوزان منشورة، فيشتغل على عتادك بلا قائمة دول تعترضه. ورخصته CC BY-NC 4.0، وNC تعني منع الاستعمال التجاري، وهو بالضبط ما يريد فاعل التعليق الصوتي أن يفعله. ولا تنشر Mistral قائمة لغات له أيضا، فلا ندّعي شيئا عن فارسيته.
  • ElevenLabs صفحة الصانع، حين تريد رؤية عائلة نماذجه كلها جنبا إلى جنب ومعرفة أي نموذج يحمل أي قدرة. وفيها سُجّلت أول مرة نتيجة هذا الدرس في 28 أغسطس، وقد قرأناها اليوم ثانية فوجدناها في مكانها.

اين ينقلب ضدك

ثلاثة أخطار محددة هنا، وواحد منها فقط تقني.
أولا، الفشل الصامت. النموذج الذي لا يحمل لغتك في قائمته لا يعيد خطأ؛ بل يسلّمك صوتا سلسا يقرأ الكلمات خطأ. وإن كنت لا تعرف اللغة بنفسك فلن ترى هذا الفشل. والدفاع الوحيد قراءة قائمة اللغات قبل اختيار النموذج.
ثانيا، الموافقة. بناء صوت شخص بلا إذنه الصريح، ولو لنموذج أولي ولو داخليا، خط أحمر. فالصوت يعمل وسيلة تحقق من الهوية في رسالة صوتية ومكالمة هاتفية، والعينة متى بُنيت بقيت بعد انتهاء المشروع.
ثالثا، رخصة لم تقرأها. الأوزان المفتوحة تعني أنك تستطيع تشغيله لا أنك تستطيع بيعه. وVoxtral TTS المثال الصريح. وقبل أن تفوتر أي عمل، اقرأ رخصة النموذج بنفسك.
وعن الوصول من إيران لا نقترح أي التفاف. ولمعرفة وضع كل أداة، انظر الذكاء الاصطناعي في إيران ودليل الشراء.

المصادر: ElevenLabs: models, character limits and latency ElevenLabs: text to speech supported languages ElevenLabs: terms of use, export control Mistral: models overview, Voxtral TTS licence

حدود هذه النصيحة

لم يشغّل هذا الدرس أيا من هذه النماذج على نص فارسي واحد، ولا رقم فيه من اختبار سماعي لنا؛ فكل ما قرأته من قوائم الصانعين وتوثيقهم. وثلاثة أمور غائبة عمدا. أي حكم على جودة اللهجة الفارسية، لأن لا صانع ينشر رقما ولم نقس نحن. وأي عمود للسعر، لأن وحدات هؤلاء الصانعين غير قابلة للمقارنة: واحد يبيع اعتمادات شهرية، وواحد يحاسب بالتوكن، وواحد ينشر الأوزان فقط. وأي طريق للوصول من إيران. وحد آخر: هذا الدرس عن توليد الكلام لا عن تفريغه؛ فإن كان عملك التفريغ فـدرس الترجمة هو جوابك لا هذا.

من عملنا نحن

سُجّلت هذه النتيجة أول مرة في طبقة بيانات قسم الذكاء الاصطناعي بهذا الموقع لا في تدوينة: ففي فئة التعليق الصوتي، يحمل معيار «هل يقرأ الفارسية» 35 من 100 من الوزن، وهو الأثقل في ذلك الجدول ولا نظير له في الفئات الأخرى. والسبب مكتوب على الصفحة نفسها: في البرمجة أو الصور ليست لغة الخرج هي المسألة؛ أما هنا فالخرج نفسه لغة. ويوم كتابة هذا الدرس أعدنا قراءة صفحتي الصانع فوجدنا النتيجة قائمة، مع دليل لم يكن في التسجيل الأصلي ووجدناه اليوم: قائمة Flash v2.5 ذات الاثنتين والثلاثين لغة تعرّف نفسها بأنها كل لغات نماذج v2 مضافا إليها المجرية والنرويجية والفيتنامية. أي أن غياب الفارسية عن تلك القائمة لم يعد نتيجة عدّ قائمة طويلة، بل ينتج عن تعريف القائمة نفسه. والفحص نفسه يأخذ دقيقة لأي أداة أخرى: افتح صفحة لغاتها المدعومة وابحث عن اسم لغتك أنت لا عن عدد اللغات الكلي.

اسئلة متابعة حقيقية

أي ذكاء اصطناعي هو الأفضل للتعليق الصوتي الفارسي؟

في ترتيب التعليق الصوتي بقسم الذكاء الاصطناعي في هذا الموقع، ينال Eleven v3 أعلى درجة، لأنه النموذج الوحيد من الطبقة العليا الذي يدرج الفارسية ويتيح إنشاء صوت جديد برخصة تجارية معا. فقط انتبه إلى اختيار هذا النموذج يدويا؛ فالافتراضي الأسرع هو الذي بلا فارسية.

لماذا خرج ناتجي الفارسي رديئا؟

افحص النموذج قبل الإعدادات. فإن كان النموذج الذي اخترته لا يحمل الفارسية في قائمة لغاته فلا إعداد ينقذه، والنموذج نفسه يعطيك النتيجة نفسها بأي إعداد. وإن كان النموذج صحيحا وظلت الأسماء والأرقام تُقرأ خطأ، فطبّع النص: اكتب الأرقام والتواريخ والاختصارات كلمات.

هل يمكنني استنساخ صوت متحدث مشهور؟

لا، وهذا الجواب لا علاقة له بتوفر عينة صوتية. فالصوت هوية ولا يجوز إعادة بنائه بلا موافقة مكتوبة صريحة من صاحبه، ولو لنموذج أولي ولو لم يُنشر. وإن أردت صوتا مشابها فاستعمل الأصوات الجاهزة واذكر صراحة أن الصوت اصطناعي.

كم ملفا صوتيا سيأخذ فيديو من عشر دقائق؟

يعتمد على سقف الحروف في نموذجك لا على طول الفيديو. فبسقف 5,000 حرف يصير نص من عشر دقائق ملفات عدة وعليك وضع القطوع على حدود الجمل. وبسقف 40,000 حرف يصير النص نفسه ملفا واحدا، لكن ذلك النموذج بلا فارسية؛ وهذا التناقض هو موضوع هذا الدرس.