15 أيه آي

ردود فعل الممثلين الصوتيين للشخصيات

ومن ناحية أخرى، في بث مباشر عام 2021 على قناته في تويتش، استمع نيت—الممثل الصوتي لشخصية تيم فورتريس 2 من اللعبة—إلى إعادة إنشاء صوت شخصيته بواسطة الذكاء الاصطناعي. وصف الانطباع بأنه "مثير للاهتمام" ولاحظ "هناك بعض الأشياء في الصوت".

إضافةً إلى ذلك، شارك بعض الممثلين الصوتيين الذين ظهرت شخصياتهم على 15.ai آرائهم علنًا حول المنصة. في مقابلة عام 2021 على بودكاست تمثيل الصوت في ألعاب الفيديو The VŌC، شرح جون باتريك لووري —مؤدي صوت القناص في تيم فورتريس 2— أنه اكتشف 15 أيه آي عندما عرضت عليه متدربة مسرحية قصيرة أنشأتها باستخدام أصوات مولدة بالذكاء الاصطناعي للقناص والعميل المتخفي من اللعبة. علق لووري قائلاً:

وأشار إلى تشبيه بالموسيقى قائلاً:

الخلفية

ومن جهة أخرى، شهد مجال تصنيع الكلام الاصطناعي تحولًا كبيرًا مع إدخال تقنيات التعلم المتعمق. ففي سنة 2016، نشرت شركة ديب مايند الورقة البحثية الرائدة ويف نت: نموذج توليدي للصوت الخام، والتي شكّلت نقطة تحول نحو الاعتماد على الشبكات العصبية الاصطناعية في تصنيع الكلام، حيث عرضت جودة صوت غير مسبوقة باستخدام شبكات عصبية التفافية سببية. في السابق، كان التوليف التجميعي — الذي يعتمد على تجميع مقاطع مسجلة مسبقًا من الكلام البشري— هو الأسلوب السائد، لكنه كان غالبًا ما ينتج أصواتًا آلية وغير طبيعية خاصة عند حدود الجمل.

من جهة ثانية، وبعد عامين، قدمت شركة جوجل أيه آي نظام تاكوترون 2 في 2018، الذي أظهر أن الشبكات العصبية يمكنها إنتاج كلام طبيعي للغاية، لكنه كان يتطلب بيانات تدريبية ضخمة—عادةً عشرات الساعات من التسجيلات الصوتية—لتحقيق جودة مقبولة. وعند تدريبه على مجموعات بيانات أصغر، مثل ساعتين من الكلام، تنخفض جودة المخرجات مع بقاء الكلام قابلًا للفهم، أما مع 24 دقيقة فقط من التدريب، فيفشل تاكوترون 2 في إنتاج كلام مفهوم.

إضافةً إلى ذلك، وفي نفس العام، ظهر هاي فاي-ججان، وهو مولد خصومي توليدي يُستعمل كـ "فوكودر" حسن من كفاءة إنتاج الموجات الصوتية وقدم صوتًا عالي الدقة، تلاه غلو-تي تي سي، الذي أدخل نهجًا مولدًا قائمًا على التدفق، مما أتاح توليدًا سريعًا ونقلًا لأسلوب الصوت. كما ساهمت شركات التقنية الصينية مثل بايدو وبايت دانس في دفع المجال قدمًا عبر تطوير أطر توليد صوت نصي خاصة بها، رغم أن تفاصيلها التقنية بقيت سرية إلى حد كبير.

التطوير والإصدار والتشغيل

في هذا الإطار، تم ابتكار 15 أيه آي في عام 2016 كمشروع بحثي في مجال التعلم المتعمق على يد مطوّر يُعرف باسم "15" (وكان عمره حينها 18 عامًا) خلال سنته الدراسية الأولى في معهد ماساتشوستس للتقنية ضمن برنامج الفرص البحثية للطلاب الجامعيين. استلهم المطوّر الفكرة من ورقة ويف نت التي نشرتها ديب مايند، واستمر في تطوير النموذج خلال دراسته، تزامنًا مع إصدار جوجل أيه آي لنظام تاكوترون 2 في العام التالي. وبحلول عام 2019، كان المطوّر قد أثبت في MIT قدرته على إعادة إنتاج نتائج ويف نت وتاكوترون 2 باستخدام 75% من بيانات التدريب فقط مقارنةً بما كان مطلوبًا سابقًا. يشير اسم "15" إلى ادعاء المنشئ بأن بالإمكان استنساخ الصوت من مجرد 15 ثانية من البيانات.

من جهة ثانية، وفي دعوى جماعية رُفعت عام 2024 ضد شركة لوفو، زعمت وثائق المحكمة أن مؤسسي لوفو هم أنفسهم من أنشأ عالم الصوت، حيث ادعى المدّعون أن منصة عالم الصوت "ثبت بالفعل أنها سرقت تقنية من [15 أيه آي]".

وفي هذا الصدد، كما ظهرت هذه القضية في مشروع الكاتبة وناقدة العملات المشفّرة مولي وايت، والذي وثّق كيف أن إعلان تروي بيكر عن الشراكة بنبرة استفزازية زاد من الانتقادات الموجهة لمبادرة الرموز غير القابلة للاستبدال. وأشارت وايت إلى الطبيعة الغامضة لما تقدّمه "عالم الصوت"، التي وصفت خدمتها بأنها "توفر لك ملكية لصوت فريد في الميتافيرس"، وأوضحت كيف أن انكشاف استخدامهم لأعمال مسروقة من 15.ai قد أضرّ بمصداقية "عالم الصوت" أكثر فأكثر.

علاوةً على ذلك، تمت إضافة المزيد من الأصوات إلى الموقع خلال الأشهر التالية. وجاء تقدم تقني كبير في أواخر عام 2020 مع تنفيذ تضمين كلمات متعدد المتحدثين داخل الشبكة العصبية العميقة، مما مكّن من تدريب عدة أصوات في وقت واحد بدلاً من الحاجة إلى نموذج منفصل لكل شخصية. هذا لم يسمح فقط بالتوسع السريع من ثمانية إلى أكثر من خمسين صوت شخصية، بل مكّن النموذج كذلك من التعرّف على أنماط عاطفية شائعة بين الشخصيات، حتى عندما كانت بعض المشاعر مفقودة من بيانات التدريب لبعض الشخصيات.

من جهة ثانية، من جهتها، صنّفت المنصة التعليمية الروسية سكيلبوكس صوتي وصانع المحتوى على يوتيوب يونغ يي فكرة الرموز الصوتية غير القابلة للاستبدال لتأثيرها المحتمل على صناعة التمثيل الصوتي، وصرّح في فيديو لاحق على قناته في يوتيوب:

من جهة ثانية، تم إطلاق 15.ai في مارس 2020 بمجموعة محدودة من الشخصيات، بما في ذلك شخصيات من ماي ليتل بوني: فرندشيب إز ماجيك وتيم فورتريس 2. وقد صُمم النظام ليعمل بكفاءة باستخدام كمية محدودة من بيانات التدريب والتحقق والاختبار—بحيث يتطلب فقط دقائق من الصوت النقي لكل شخصية، على عكس أكثر من 40 ساعة التي تحتاجها النماذج التقليدية المعتمدة على التعلم العميق. وللتغلب على قيود البيانات، استعمل المطوّر تقنيات محددة من زيادة البيانات لتحسين التعميم، مثل إدخال تنويعات متعمّدة في التهجئة، وأنماط علامات الترقيم، وتشويهات النطق أثناء التدريب.

وعلى صعيد آخر، "هذه ليست من الأمور التي يمكن أن تقول فيها المنصة ببساطة 'أوه، عذرًا!'. لقد انتحلوا عمل شخصٍ آخر واستعملوه كوسيلة للترويج الكاذب لجودة منتجاتهم، عبر استخدام ذكاء اصطناعي صوتي أعلى جودة لتسويق شركتهم من أجل مصلحتهم الخاصة."

ومن ناحية أخرى، لعب مشروع "حفظ المهرات" —وهو مبادرة جماهيرية انطلقت من منتدى /mlp/ على فورتشان المتعلق بـماي ليتل بوني—دورًا محوريًا في التنفيذ. فقد قام المشاركون فيه بقص وضبط وضبط الضوضاء ونسخ وتصنيف العواطف لكل جملة في المسلسل يدويًا. وقد وفّر هذا مجموعة بيانات مثالية لتدريب نموذج التعلم العميق الخاص بـ15.ai.

من جهة ثانية، في أعقاب الجدل المستمر وكشف السرقة الأدبية، واجه الممثل الصوتي تروي بيكر (الذي تعاون مع عالم الصوت) انتقادات لدعمه مشروع رموز غير قابلة للاستبدال ولهجة إعلانه الاستفزازية. وقد وصف بيكر خدمة المنصة بأنها تتيح للأشخاص "إنشاء كتب صوتية مخصصة، أو مقاطع فيديو على يوتيوب، أو محاضرات تعليمية إلكترونية، أو حتى بودكاست باستخدام صوتك المفضل دون متاعب قانونية إضافية"، وهو ما أثار قلق النقاد بشأن احتمالية بطالة بسبب التقانة. لاحقًا، أقر بيكر بأن تغريدته الأصلية التي ختمها بـ"يمكنك أن تكره. أو يمكنك أن تُبدع. فماذا ستختار؟" ربما كانت "استفزازية"، وفي 31 يناير أعلن أنه سينهي شراكته مع "عالم الصوت".

في هذا الإطار، في 14 يناير 2022، اندلع جدل بعد اكتشاف أن منصة عالم الصوت قد نسبت الفضل لنفسها في خطوط صوتية مُولدة من 15 أيه آي دون إذن، وقام ببيعها كرموز غير قابلة للاستبدال (رموز غير قابلة للاستبدال). جاء هذا بعد وقت قصير من تصريح مطور 15.ai في ديسمبر 2021 بأنه لا يهتم بدمج الرموز غير القابلة للاستبدال في عمله. وقد أظهرت سجلات السجل أن عالم الصوت قد أنشأ تسجيلات صوتية لشخصيات من ماي ليتل بوني: فرندشيب إز ماجيك باستخدام 15.ai، ورفعوا نغمتها الصوتية لجعلها غير قابلة للتعرف من الأصوات الأصلية لتسويق منصتهم الخاصة—وذلك في انتهاك صريح لشروط خدمة 15.ai التي تحظر الاستخدام التجاري وتتطلب الإسناد المناسب.

في هذا الإطار، وبحلول مايو 2020، كان الموقع قد خدم أكثر من 4.2 مليون ملف صوتي للمستعملين. وفي أوائل عام 2021، زادت شهرة التطبيق بعد أن انتشرت مقاطع تمثيلية ونكات ومحتوى جماهيري تم إنشاؤه باستخدام 15.ai على إكس، تيك توك، ريديت، تويتش، فيسبوك، ويوتيوب. وفي ذروته، تكبدت المنصة تكاليف تشغيل بلغت شهريًا بسبب البنية التحتية اللازمة من خدمات أمازون ويب لدعم ملايين عمليات إنشاء الصوت يوميًا؛ وعلى الرغم من تلقيها عروضًا من شركات لاندماج واستحواذ 15 أيه آي وتقنيتها الأساسية، إلا أن الموقع بقي مستقلاً وممولًا من أرباح المطور السابقة من شركته الناشئة، والذي كان يبلغ من العمر حينها 23 عامًا.

من جهة ثانية، وكان المطوّر يخطط في الأصل لمتابعة دراسة الدكتوراه استنادًا إلى أبحاثه الجامعية، لكنه قرر العمل في وادي السيليكون بعد أن تم قبول شركته الناشئة في مسرّعة واي كومبناتور في سنة 2019. وبعد مغادرته في أوائل 2020، عاد المطوّر إلى أبحاثه في تصنيع الصوت وطبّقها كـتطبيق ويب. وبحسب منشور له على إكس في عام 2024، بدلاً من استخدام مجموعات بيانات تقليدية مثل إل جي سبيتش التي تحتوي على تسجيلات بسيطة ومسطّحة، بحث عن عينات صوتية أكثر تحديًا يمكنها إظهار قدرة النموذج على التعامل مع أنماط الكلام المعقدة والنبرات العاطفية.

وفي هذا الصدد، أثار هذا الحدث مخاوف بشأن مشاريع الرموز غير القابلة للاستبدال، إذ لاحظ النقّاد أنها كثيرًا ما تقترن بانتهاكات حقوق الملكية الفكرية وممارسات تجارية مشبوهة. وقد تم توثيق الحادث لاحقًا في «قاعدة بيانات حوادث الذكاء الاصطناعي»، وصُنّف كمثال على "صوت مُركّب بالذكاء الاصطناعي تم بيعه على منصة "عالم الصوت" كرمز غير قابل للاستبدال، وقد أقرّت الشركة بأنه قد تم إنشاؤه باستخدام 15 أيه آي، وهو تطبيق ويب مجاني متخصص في تحويل النص إلى كلام وتوليد الأصوات بالذكاء الاصطناعي، وأُعيد استخدامه دون إسناد مناسب."

كذلك، عند الإطلاق، تم تقديم 15.ai كخدمة مجانية وغير تجارية لا يتطلب تسجيل المستعمل للتشغيل، ويتطلب فقط من المستعملين قبول شروط الاستخدام قبل المتابعة. سُمح للمستعملين بإنشاء أي محتوى باستخدام الأصوات المولدة بشرطين محددين: يجب عليهم نسب الفضل لـ 15.ai من خلال تضمين رابط الموقع الإلكتروني في أي منشورات أو مقاطع فيديو أو مشاريع تستعمل الصوت المولَّد؛ وكان يُحظر عليهم خلط مخرجات 15.ai مع مخرجات أخرى من تقنيات تحويل النص إلى كلام في نفس العمل، لتجنب تحريف قدرات التكنولوجيا.

إضافةً إلى ذلك، في البداية، زعمت "عالم الصوت" أن منصتها ستسمح لمالكي الرموز غير القابلة للاستبدال بالحصول على حقوق تجارية للأصوات المُولدة بالذكاء الاصطناعي لاستخدامها في إنشاء المحتوى، والدردشات داخل الألعاب، والمكالمات المرئية. وعند مواجهتهم بالأدلة على استيلائهم غير المشروع، ادعت عالم الصوت أن أحد أعضاء فريق التسويق هو من استعمل الصوت دون نسبه بشكل صحيح إلى 15.ai، وشرحوا في خادم ديسكورد الخاص بهم أن فريق التسويق كان في عجلة من أمره لإنشاء عرض تقني للشراكة، فقام باستخدام 15.ai دون انتظار جاهزية تقنيتهم الصوتية الخاصة. تم حذف التغريدة المثيرة للجدل لاحقًا. وردًا على اعتذارهم، غرد حساب 15 قائلاً: "اذهب واغتصب نفسك"، وهي تغريدة أصبحت شائعة جدًا، حيث حصدت مئات الآلاف من الإعجابات وإعادة التغريد على إكس دعمًا للمطور. وعبر 15 لاحقًا عن إحباطه العميق، كاتبًا: "المجال الكامل لتوليف الأصوات يُساء تمثيله الآن من قبل الدجالين الذين يهتمون فقط بالمال."

جدل منصة "عالم الصوت"

الميزات

الاستقبال

كذلك، استعمل التطبيق بيانات نطق من واجهة برمجة تطبيقات قواميس أوكسفورد، ويكاموس، وقاموس النطق لجامعة كارنيجي ميلون، والذي يستند إلى أربابيت، وهو نظام نسخ صوتي إنجليزي طُور من قبل داربا في السبعينيات. للكلمات الحديثة أو المصطلحات الشائعة على الإنترنت، استعمل النظام بيانات نطق من مواقع محتوى ينتجه المستعمل مثل ريديت، قاموس إيربن، فورتشان، وجوجل. دعم النظام إدخال رموز أربابيت مباشرة، مما سمح للمستعملين بتصحيح النطق أو تحديد النطق المرغوب للكلمات متجانسة الكتابة مختلفة النطق. يمكن تفعيل رموز أربابيت عبر وضعها بين أقواس معقوفة، مثل {AA1 R P AH0 B EH2 T} لتحديد نطق كلمة "ARPABET . عرضت الواجهة الكلمات المحللة بألوان مختلفة: أخضر للكلمات الموجودة في قاعدة البيانات، أزرق للرموز المدخلة يدويًا، وأحمر للكلمات التي تم توقع نطقها خوارزميًا.

وفي هذا السياق، الخصائص غير الحتمية للنموذج العميق كانت تنتج اختلافات في الإلقاء، مماثلة لتسجيلات متعددة لممثلين صوتيين. قدم 15 أيه آي مفهوم محددات السياق العاطفي، والتي تتيح للمستعملين تحديد النبرة العاطفية للنص عبر عبارات موجهة. هذه الخاصية اعتمدت على ديب موجي، وهي شبكة تحليل عاطفي طُورت في مختبر الوسائط في معهد ماساتشوستس للتكنولوجيا. تم تقديمه عام 2017، ويعالج تضمينات إيموجي من 1.2 مليار تغريدة بين 2013 و2017 لتحليل المحتوى العاطفي. إذا احتوى الإدخال على سياق إضافي (يفصل بواسطة شريط عمودي |)، يُستعمل النص التالي كالسياق العاطفي. مثلًا، إذا كان الإدخال اليوم هو يوم عظيم!|أنا حزين جدًا.، ستنطق الشخصية الجملة "اليوم هو يوم عظيم!" بعاطفة تتوافق مع من يقول "أنا حزين جدًا". بعض الشخصيات، مثل توايلايت سباركل من مهرتي الصغيرة: الصداقة سحر، كانت تتيح أوضاعًا عاطفية مسبقة مثل "سعيدة".

علاوةً على ذلك، كانت المنصة غير تجارية، وتعمل دون الحاجة لتسجيل المستعملين أو إنشاء حسابات. كان المستعملون يولدون الكلام عبر إدخال نص واختيار صوت شخصية، مع معلمات اختيارية لمحددات السياق العاطفي والنسخ الصوتي. كل طلب يُنتج ثلاث نسخ صوتية تختلف في النبرة العاطفية، مرتبة حسب درجة مجال الثقة. تضمنت الشخصيات المتاحة عدة شخصيات من تيم فورتريس 2 وماي ليتل بوني: فرندشيب إز ماجيك، بما في ذلك توايلايت سباركل؛ غلادوس، ويتلي، والبرج المدفعي من سلسلة بورتال؛ سبونج بوب سكوير بانتس؛ كيو شوغردست من هوني بوب، رايز كوجيكاوا من بيرسونا 4؛ داريا وجين لين من داريا؛ كارل بروتاناناديليوسكي من فرقة الجوع للمراهقين المائيين؛ ستيفن يونيفرس من ستيفن البطل؛ سانز من أندرتيل؛ مادلين وعدة شخصيات من سيليست؛ الدكتور العاشر من مسلسل دكتور هو؛ ذا ستانلي بيربل؛ وهال 9000 من 2001: ملحمة الفضاء. من بين أكثر من خمسين صوتًا متاحًا، كانت ثلاثون منها لشخصيات من ماي ليتل بوني: فرندشيب إز ماجيك. بعض الشخصيات "الصامتة" مثل تشيل وجوردون فريمان كانت متاحة كنوع من المزاح، حيث تنتج ملفات صوتية صامتة عند إدخال أي نص. شخصيات من أندرتيل وسيليست لم تكن تنطق كلمات، بل تنتج أصوات "بيب" مميزة كما في ألعابها.

ومن ناحية أخرى، حدّت المنصة النص المدخل إلى 200 حرف في كل مرة، لكن يمكن للمستعملين إنشاء عدة مقاطع لإنشاء خطب أطول. تضمنت الواجهة رسومًا ومقاييس تقنية لتأكيد الجانب البحثي للموقع. اسم خوارزمية 15.ai الأساسية كان ديب ثروت. وبدءًا من النسخة v23 من 15.ai، عرضت الواجهة معلومات تحليل شاملة عن النموذج، بما في ذلك نتائج تحليل الكلمات والعواطف. وتم تبسيط نظام النموذج التدفقي وشبكة خصومية توليدية الهجين للمرمز الصوتي وخفض الضجيج بإزالة مدخلات المعلمات اليدوية.

كذلك، في الإصدارات الأحدث، قدم 15 أيه آي دعمًا متعدد المتحدثين. بدلًا من تدريب نماذج منفصلة لكل صوت، استعمل نموذجًا موحدًا يتعلم عدة أصوات في آنٍ واحد باستخدام تضمين الكلمات لمتحدثين—وهي تمثيلات عددية تمثل الخصائص الصوتية الفريدة لكل شخصية. جنبًا إلى جنب مع السياق العاطفي المقدم من ديب موجي، سمح هذا التصميم للنموذج بتعلم أنماط مشتركة بين تعبيرات الشخصيات المختلفة، حتى إن لم تتوفر أمثلة تدريبية لبعض الحالات العاطفية لكل شخصية.

وفي هذا الصدد، كان 15 أيه آي يولّد الصوت بمعدل 44.1 كيلوهرتز استعيان—وهو أعلى من المعيار 16 كيلو هرتز المستعمل في أغلب أنظمة تحويل النص إلى كلام المبنية على التعلم العميق آنذاك. هذه الدقة الأعلى سمحت بإنتاج صورة طيفية صوتية أكثر تفصيلًا وجودة صوتية أعلى، لكنها جعلت العيوب الصوتية الناتجة عن التركيب أكثر وضوحًا. أفاد المستعملون بأنهم استعملوا أوداسيتي لتقليل العينات لإخفاء العيوب الاصطناعية، مع انخفاض في الجودة بالمقابل. كانت معالجة الكلام تتم أسرع من الوقت الحقيقي باستخدام شبكات عصبونية عميقة مخصصة وخوارزميات تركيب صوتي متخصصة. رغم أن التكنولوجيا قادرة على إنتاج 10 ثوانٍ من الصوت في أقل من 10 ثوانٍ من وقت المعالجة (أي "أسرع من الوقت الحقيقي")، إلا أن تجربة المستعمل الفعلية كانت تتطلب وقت انتظار أطول بسبب معالجة آلاف الطلبات في آنٍ واحد، وقد يصل الانتظار لأكثر من دقيقة أحيانًا.

الإرث

وعلى صعيد آخر، في مؤتمرات بروني، نوقشت 15 أيه آي في العروض التقديمية حول تقاطع ماي ليتل بوني: فرندشيب إز ماجيك والذكاء الاصطناعي.

إضافةً إلى ذلك، لوحظ تأثيرها في السنوات التي تلت توقفها، مع ظهور عدة بدائل تجارية لسد الفراغ، مثل إلفن لابس التي تستعمل "11 أيه آي" كاسم قانوني لنطاقها الإلكتروني، وسبيتشيفاي. وأقرت شركات الذكاء الاصطناعي الصوتي المعاصر بدور 15.ai الرائد، حيث وصفت شركة بلاي إتش تي الناشئة والممولة من واي كومبناتور إطلاق 15 أيه آي بأنه "اختراق في مجال تحويل النص إلى كلام وتركيب الصوت". وأشاد كليف ويتنزمان، مؤسس ومدير عام سبيتشيفاي، بـ 15 أيه آي لجعل استنساخ الصوت بالذكاء الاصطناعي شائعًا في إنشاء المحتوى من خلال كونها الأولى التي تضم شخصيات معروفة من مجتمعات المعجبين. وكتب ماتي ستانيسزفسكي، المؤسس المشارك والمدير التنفيذي لإلفن لابس، أن 15.ai كانت محورية في مجال تعلم متعمق.

وفي هذا الصدد، قبل إغلاقها، أسست 15 أيه آي عدة سوابق تقنية أثرت على التطورات اللاحقة في تركيب الصوت بالذكاء الاصطناعي. أظهرت دمجها للإيموجي لتحليل العواطف جدوى إدخال التوليد الكلامي الواعي بالعواطف، بينما وضع دعمها لنظام أربابيت للنسخ الصوتي معيارًا للتحكم الدقيق بالنطق في أدوات تركيب الصوت الموجهة للجمهور. وكان نموذج المتحدثين المتعدد الموحد في المنصة، الذي أتاح التدريب المتزامن لأصوات شخصيات متنوعة، مؤثرًا بشكل خاص. هذا النهج سمح للنظام بالتعرف على أنماط العواطف عبر أصوات مختلفة حتى عندما تكون بعض العواطف غائبة في مجموعات تدريب شخصية معينة؛ فمثلًا إذا كانت شخصية ما تحتوي على أمثلة للحديث الفرح ولكن لا توجد أمثلة للغضب، وشخصية أخرى بها أمثلة للغضب ولكن لا توجد أمثلة للفرح، يمكن للنظام تعلم توليد كلتا العاطفتين لكلا الشخصيتين من خلال فهم الأنماط المشتركة لتأثير العواطف على الكلام.

علاوةً على ذلك، كانت 15 أيه آي من الرواد الأوائل في مجال التزييف الصوتي العميق، مما أدى إلى ظهور ميمات تعتمد على تركيب الكلام بالذكاء الاصطناعي خلال المراحل الأولى من طفرة الذكاء الاصطناعي في سنة 2020. تُنسب إلى 15 أيه آي كونها أول منصة شعبية تعمّم استنساخ الصوت بالذكاء الاصطناعي في ميم الإنترنت وإنشاء المحتوى، خاصةً من خلال قدرتها على توليد أصوات شخصيات مقنعة في الوقت الحقيقي دون الحاجة إلى خبرة تقنية واسعة. كان تأثير المنصة ملحوظًا بشكل خاص في مجتمعات المعجبين، بما في ذلك مجتمعات ماي ليتل بوني: فرندشيب إز ماجيك، وبورتال، وتيم فورتريس 2، وسبونج بوب سكوير بانتس، حيث مكنت من إنشاء محتوى فيروسي حقق ملايين المشاهدات عبر منصات التواصل الاجتماعي مثل إكس ويوتيوب. كما استعمل منشئو محتوى Team Fortress 2 المنصة لإنتاج ميمات قصيرة ورسوم متحركة سردية معقدة باستخدام صانع الأفلام المصدر. شملت إبداعات المعجبين مشاهد تمثيلية ورسوم متحركة جديدة مثل فيديو فريق القلعة 2 الشهير اعتراف الجاسوس، ومحتوى مشترك مثل عرض ليانا روبرت، كاتبة غيم إنفورمر، الذي دمج حوارات من بورتال وماي إفكت في تغطيتها للمنصة، وإعادة إنشاء فيديوهات فيروساتية مثل محاكاة متجر سيارات سيارات بيج بيل هيلز، وتكييفات أدب المعجبين باستخدام أصوات شخصيات مولدة بالذكاء الاصطناعي مثل الحلقة المعجبين المؤلفة الإعفاءات الضريبية بطول 17 دقيقة من الصداقة سحر، وفيديوهات موسيقية وتركيبات موسيقية جديدة مثل ريمكس فريق القلعة 2 بعنوان بوتيس هاردباس، ومحتوى حيث تتلو الشخصيات نهمة. نالت بعض إبداعات المعجبين اهتمامًا واسعًا مثل تعديل فيروسي استبدل ظهور دونالد ترامب في وحيد في المنزل 2: ضائع في نيويورك بصوت مولد بالذكاء الاصطناعي لشخصية من تيم فورتريس 2، وظهر ذلك في تقرير على قناة سي إن إن النهارية في يناير 2021. كما دمج بعض المستعملين تركيب صوت 15.ai مع برنامج الأوامر الصوتية فويس أتاك لإنشاء مساعدين شخصيين.

• انظر كذلك
• طفرة الذكاء الاصطناعي
• كاراكتر.اي آي
• تزييف عميق
• أخلاقيات الذكاء الاصطناعي
• ماي ليتل بوني: فرندشيب إز ماجيك
• الحواشي التوضيحية
• المصادر
• المراجع
• تغريدات
• مقاطع فيديو
• الاستشهادات
• Alt URL
• وصلات خارجية

كذلك، كما قدمت 15.ai مساهمة رئيسية في تقليل متطلبات بيانات التدريب لتركيب الصوت. الأنظمة السابقة مثل تاكوترون من جوجل أيه آي وفاست سبيتش من أبحاث مايكروسوفت كانت تحتاج لعشرات الساعات من الصوت لإنتاج نتائج مقبولة، وكانت تفشل في توليد كلام مفهوم بأقل من 24 دقيقة من بيانات التدريب. على النقيض، أثبتت 15.ai قدرتها على توليد الكلام باستخدام بيانات تدريب أقل بكثير، ويشير اسم "15 أيه آي" إلى ادعاء منشئها بأنه يمكن استنساخ صوت باستخدام 15 ثانية فقط من البيانات. أثرت هذه الكفاءة في استخدام البيانات على التطورات اللاحقة في تقنية تركيب الصوت بالذكاء الاصطناعي، حيث أصبح معيار 15 ثانية نقطة مرجعية للأنظمة الصوتية اللاحقة. وقد أكدت شركة أوبن أيه آي في 2024 صحة الادعاء الأصلي بأن 15 ثانية فقط من البيانات تكفي لاستنساخ صوت إنسان.

توقف النشاط

وعلى صعيد آخر، في سبتمبر 2022، تم إيقاف موقع 15.ai عن العمل بسبب مشكلات قانونية تتعلق بـالذكاء الاصطناعي. وقد ألمح المطوّر إلى إمكانية إصدار نسخة مستقبلية تأخذ في الاعتبار المخاوف المتعلقة بحقوق النشر من البداية، إلا أن الموقع لا يزال غير نشط حتى عام 2025.

الاستقبال النقدي

ومن جهة أخرى، قدمت المنشورات التقنية ووسائل الإعلام المتخصصة في الذكاء الاصطناعي تحليلات أعمق لقدرات 15.ai وقيودها مقارنة بتقنيات تحويل النص إلى كلام الأخرى في ذلك الوقت. أشار ريونالدي تشاندراسيتا من نشرة الذكاء الاصطناعي نحو علم البيانات إلى أن نماذج الصوت المدربة على مجموعات بيانات أكبر تنتج نواتج أكثر إقناعًا مع صياغة أفضل وتوقفات طبيعية، لا سيما للنصوص الطويلة. وأبرز باي فنغ من وسائل الإعلام التقنية الصينية شين زي يوان على منصة كيو كيو الإنجاز التقني لجودة ناتج 15.ai العالية (بمعدل استعيان 44.1 كيلو هرتز) رغم استخدام بيانات تدريب محدودة، ملاحظًا أن هذه جودة أعلى بكثير من تطبيقات تحويل النص إلى كلام بالتعلم العميق التقليدية التي تستعمل معدل استعيان 16 كيلو هرتز. كما أشار الموقع إلى أن بعض أخطاء النطق حدثت بسبب قلة بيانات التدريب، وهو أمر مفهوم بالنظر إلى أن النماذج التقليدية كانت تتطلب عادةً 40 ساعة تدريب أو أكثر.

إضافةً إلى ذلك، وصف النقاد منصة 15 أيه آي بأنها سهلة الاستخدام وقادرة عمومًا على تقليد أصوات الشخصيات بشكل مقنع، مع نتائج متفاوتة أحيانًا. كتبت ناتالي كلايتون من مجلة بي سي غيمر أن صوت سبونج بوب سكوير بانتس تم تقليده بشكل جيد، لكنها أشارت إلى تحديات في محاكاة ذا ستانلي بيربل من لعبة ذا ستانلي بيربل، قائلة: "الخوارزمية ببساطة لا تستطيع التقاط نبرة السخرية الغريبة لراوي ذا ستانلي بيربل". وبالمثل، أشار موقع الألعاب الروسي "رامباجا" إلى أن صوت غلادوس كان مذهلًا لأن "صوتها صُمم في الأصل لمحاكاة الكلام البشري باستخدام الذكاء الاصطناعي"، بينما كان صوت الراوي من مثل ستانلي أقل إقناعًا بسبب نقص بيانات التدريب.

في هذا الإطار، وعلى النقيض، أشادت لورين مورتون من موقع حجر، ورقة، بندقية بعمق التحكم في النطق — "إذا كنت مستعدًا للغوص في التفاصيل الدقيقة." وبالمثل، كتب يوجينيو موتو من موقع الأخبار الإسباني Qore.com أن "المستعملين الأكثر خبرة يمكنهم تغيير معايير مثل التأكيد أو النبرة."

ومن ناحية أخرى، سلط تاكايوكي فوروشيما من موقع دين فامي نيكو قيمر الياباني الضوء على "النطق السلس"، ولاحظ يوكي كوروساوا من موقع أوتوماتون "غنى التعبير العاطفي" كميزة بارزة؛ ولفت كلا المؤلفين اليابانيين الانتباه إلى غياب دعم اللغة اليابانية.

وفي هذا السياق، : "بالطبع، النموذج المدرب على مجموعة بيانات صغيرة كهذه يحتوي على عيوب، وقد تُلفظ بعض الكلمات بشكل غير دقيق. في الواقع، هذا مفهوم بسهولة، حتى الإنسان قد لا يستطيع لفظ الكلمات الجديدة بدقة عند مواجهتها. عادة ما تتطلب النماذج التقليدية العميقة أكثر من 40 ساعة من البيانات، لذا فإن معدل الخطأ يكون أقل."

إضافةً إلى ذلك، وأفاد موقع ياهو! نيوز تايوان أن "غلادوس في لعبة بورتال يمكنها نطق الجمل بدقة شبه تامة"، لكنه أشار كذلك إلى أن "هناك الكثير من العيوب، مثل حد الكلمات والتحكم في النبرة، والتي لا تزال تبدو غريبة في بعض العبارات."

ومن ناحية أخرى، ظهرت قدرات المنصة على توليد الأصوات بشكل منتظم على موقع إكوستريا دايلي، وهو موقع معجبين مخصص لبرنامج ماي ليتل بوني: فرندشيب إز ماجيك وأجياله الأخرى، حيث نُشرت تحديثات موثقة، وأعمال معجبين، وإضافات لأصوات شخصيات جديدة. وفي منشور يعرّف بإضافات شخصيات جديدة في 15.ai، كتب مؤسس إكويستريا ديلي شون سكوتيلارو —المعروف كذلك باسم "سيثيستو" على الإنترنت— أن "بعض الأصوات ليست رائعة بسبب قلة العينات المتوفرة، لكن العديد منها ما يزال مثيرًا للإعجاب." كما وثّق موقع المعجبين الصيني إكويسترا سي إن تطور 15 أيه آي، مسلطًا الضوء على تحديثاته المختلفة، رغم انتقاده لبعض الأخطاء البرمجية وأوقات الانتظار الطويلة في قائمة الانتظار.

من جانب آخر، كما ذكر جي أن الكثير من فيديوهات تزييف عميق تتطلب من المنشئين استخراج وتحرير ساعات من المحتوى الأصلي لنتائج قصيرة جدًا، بينما يمكن لـ 15.ai تحقيق تأثيرات مماثلة أو أفضل مع بضع عشرات من دقائق بيانات التدريب لكل شخصية، رغم أن مشاكل أداء الخادم غالبًا ما تعني أن التركيب قد يستغرق أكثر من دقيقة.

ومن ناحية أخرى، كما وجد الكثير من النقاد الآخرين أن حد الكلمات، وخيارات النبرة، والطبيعة الحصرية للغة الإنجليزية في التطبيق أمور غير مرضية تمامًا. رأى بيتر بالترج من موقع أخبار أبطال الأنمي الخارقين المهتم بأخبار الأنمي والأبطال الخارقين أن "توليف الصوت تطور إلى حد يصعب فيه تمييز بعض المحاولات المكلفة عن الكلام البشري الحقيقي"، لكنه أضاف أن "في بعض النواحي، لا تزال أصوات مايكروسوفت المحوسبة أكثر تقدمًا من ذلك. كان بالإمكان التأثير على نبرة الأصوات باستخدام رموز خاصة، وكذلك تغيير طبقته الصوتية بحرية. أما مع 15 أيه آي، فأنت تحت رحمة النبرات العشوائية التي تحصل عليها."

من جانب آخر، بالمثل، لاحظ بارث ماهيندرا من نشرة الذكاء الاصطناعي أيه آي ديلي أنه بينما "يقوم النظام بعمل جيد في تقليد أغلب الكلمات الأساسية بدقة"، فإنه يواجه صعوبة مع المصطلحات الأكثر تعقيدًا، مشيرًا إلى أن الشخصيات "تخرب تمامًا نطق بعض الكلمات".

إضافةً إلى ذلك، علّق أستاذ تعلم الآلة يونغكيانغ لي في مدونته أن التطبيق ما زال مجانيًا رغم وجود 5,000 مستعمل يولدون أصواتًا في وقت واحد عند كتابة التدوينة.

علاوةً على ذلك، وصف موقع أخبار الألعاب الصيني قيمر سكاي التطبيق بأنه "مثير للاهتمام"، لكنه انتقد حد الكلمات للنص ونقص التنغيم.

وفي هذا السياق، كتب فرانك بارك من موقع ألعاب الفيديو الكوري الجنوبي زونتاتا أن "الشيء المدهش في 15.ai هو أنه بالنسبة لبعض الشخصيات، هناك قرابة 30 ثانية فقط من البيانات، لكنها تحقق دقة نطق تقارب 100%".

إضافةً إلى ذلك، : "もうひとつ15.aiの大きな特徴として挙げられるのが、豊かな感情表現だ" (الترجمة: "ميزة أخرى كبيرة في 15 أيه آي هي التعبير العاطفي الغني.")

كذلك، وصف جي يونيو من موقع أخبار التقنية الصيني نت إيز التكنولوجيا وراء 15 أيه آي بأنها "فعالة بشكل ملحوظ"، حيث تتطلب بيانات قليلة فقط لاستنساخ الكثير من الأصوات بدقة مع الحفاظ على الفروق العاطفية والتنغيم الطبيعي. لكنه أشار كذلك إلى محدوديات، ملاحظًا أن التعبير العاطفي "محايد" نسبيًا وأن "المشاعر القصوى" لا يمكن تركيبها بشكل صحيح، مما يجعلها أقل ملاءمة للتطبيقات غير مناسب للعمل.

وفي السياق ذاته، : "英語版ボイスのみなので注意" (الترجمة: "يرجى ملاحظة أن هذه نسخة بصوت إنجليزي فقط.")

ومن جهة أخرى، أشار رينان دو برادو من موقع أخبار الألعاب البرازيلي أركادي وخوسيه فيلالوبوس من موقع الألعاب الإسباني لاب سي فور إلى أنه رغم قدرة المستعملين على خلق نتائج مضحكة بالبرتغالية والإسبانية على التوالي، فإن الأداء الأفضل كان في اللغة الإنجليزية.

علاوةً على ذلك، وصف كريس بوتون من نشرة بيتسايد الإخبارية الخاصة بالذكاء الاصطناعي قدرة الأداة على تقليد الصوت بـ 15 ثانية فقط من البيانات بأنها "مخيفة"، لكنه أبدى إعجابه بالتقنية وراءها. أما روبن لامورليت من المجلة الفرنسية كلوبيك، فقد وصف التكنولوجيا بأنها "مسلية بشكل شيطاني"، ولاحظ كيف امتلأت منصات تويتر ويوتيوب بمحتوى إبداعي من المستعملين الذين جربوا الأداة.

وفي هذا الصدد، : "ملفات الصوت التي يولدها هذا الأداة لها معدل أخذ عينات 44100 هرتز، بينما تستعمل أغلب تطبيقات تحويل النص إلى كلام المعتمدة على التعلم العميق معدل أخذ عينات 16000 هرتز. لذلك، فإن الصوت الناتج سيكون له طيف صوتي أكثر تفصيلاً (صوت بجودة أعلى)، ولكن العيوب ستكون أكثر وضوحًا."

علاوةً على ذلك، ذكر ماركو كوكميلو من موقع الألعاب والثقافة الشعبية الجنوب أفريقي غليتشيد أنه بالرغم من حد الـ 200 حرف، فإن النتائج "أدهشته" عند اختباره مع صوت غلادوس. وكتب ألفارو إيبانيز من منشور التكنولوجيا الإسباني ميكروسيرفوس أنه وجد إيقاع الأصوات المولدة من الذكاء الاصطناعي مثيرًا للاهتمام، مشيرًا إلى أن النظام يبدو أنه يكيّف أدائه بناءً على المعنى المقصود من المحتوى.

ومن ناحية أخرى، ذكر زاك زويزن من موقع كوتاكو أن "[صديقته] اعتقدت أنه مقطع صوتي جديد مسجل من مؤدية صوت غلادوس". وعلّق كالفن روغونا من موقع الأخبار غاميزو أن بساطة الأداة ساهمت إلى حدّ كبير في انتشارها، إذ مكنت أي شخص على الإنترنت من إنشاء مقاطع صوتية وحفظها بسهولة. كما أبرزت صحيفة يونايتد ديلي نيوز التايوانية قدرة 15.ai على إعادة إنشاء الصوت الميكانيكي لغلادوس، إلى جانب مجموعة متنوعة من خيارات أصوات الشخصيات.

مخاوف أخلاقية

وعند مناقشة المخاطر المحتملة، أضاف:

كذلك، بينما قيدت 15 أيه آي نطاقها على الشخصيات الخيالية ولم تعيد إنتاج أصوات أشخاص حقيقيين أو مشاهير، أشار عالم الحاسوب أندرو نج إلى أن تقنية مماثلة يمكن استخدامها لذلك، بما في ذلك لأغراض ضارة. في تقييمه لعام 2020 لـ 15 أيه آي، كتب:

ومن جهة أخرى، أبدى بعض الممثلين الصوتيين ردود فعل متباينة تجاه قدرات 15.ai. بينما أقر بعض محترفي الصناعة بالابتكار التقني، أبدى آخرون مخاوف بشأن تداعيات التكنولوجيا على مهنتهم. عندما أعلن الممثل الصوتي تروي بيكر عن شراكته مع منصة صوت العالم، التي استغلت تقنية 15 أيه آي بدون إذن، أثار ذلك جدلاً واسعًا في صناعة التمثيل الصوتي. أبدى النقاد مخاوف من احتمال حدوث بطالة بسبب التقانة للممثلين الصوتيين، خطر انتحال الصوت، واحتمالية التزييف العميق في المواد الإباحية. لاحظت روبي إينس من كوتاكو أن "هذا الأمر قد يؤدي إلى فقدان الممثلين لوظائفهم إذ يمكن ببساطة استخدام صوتهم الاصطناعي بدلاً من العمل معهم ودفع أجرهم." في تغطيتها لجدل صوت العالم، أثارت إيدي وي كي من نقطة تفتيش الألعاب القلق من أن "مثل هذه التكنولوجيا قد تدفع الممثلين الصوتيين لفقدان عملهم إذا أصبح استخدام أصوات الذكاء الاصطناعي أسهل وأرخص من العمل المباشر مع الممثل."