تينسنت Hunyuan AuK: نموذج بحجم 1.5B يتولى توليد الصوت وتحريره معاً

للنماذج الصوتية عادة في التكاثر. أحدها يحوّل النص إلى كلام، وآخر يزيل الضوضاء، وثالث يستنسخ الصوت، ورابع يفصل المغنّي عن الموسيقى. رأى فريق Hunyuan في تينسنت أن ذلك مرهق، فأصدر AuK في 9 سبتمبر 2026: نموذج أساسي بحجم 1.5 مليار معامل يجمع كل هذه المهام خلف واجهة أوامر واحدة. والشفرة والأوزان متاحة بترخيص MIT، وهو تسامح غير معتاد لنموذج صوتي بهذا الحجم.

يمكن قول الوعد في جملة واحدة. تعطي مقطعاً صوتياً وجملة تصف ما تريد. لتحويل «اجتماع صباح الغد» إلى «الاجتماع بعد ظهر الجمعة»، تقول ذلك، فيعيد النموذج كتابة الكلام دون إعادة التسجيل. وإن أردت الصوت نفسه أكثر هدوءاً، تطلب أداءً أكثر هدوءاً. وإن وقع سعال وسط التسجيل، تطلب إزالته.

مربع أوامر واحد ووظائف كثيرة

قائمة المهام طويلة ومُسطَّحة عن قصد. يغطي AuK توليد الكلام من الصفر، إذ يقرأ نصاً جديداً بصوت مقطع مرجعي. ويغطي التوليد الموجَّه بالأوامر، حيث يكفي وصف مكتوب للصوت دون تسجيل مرجعي. وفي التحرير يستطيع استبدال الكلمات في تسجيل قائم أو إدراجها أو حذفها، وإعادة كتابة كلمات أغنية في تسجيل غنائي مع الحفاظ قدر الإمكان على اللحن والصوت الأصلي.

وفوق ذلك الطبقة الصوتية. يمكن رفع الطبقة أو خفضها أنصاف نغمات، ويمكن ضبط سرعة الكلام مع تغيّر طول الناتج تبعاً لذلك. ويمكن تغيير العاطفة والجرس دون المساس بالكلمات، وإزالة اللكنة الإقليمية مع الحفاظ على هوية المتحدث. ويتعامل أيضاً مع الأصوات غير اللفظية: الأنفاس والضحك والسعال تُضاف أو تُحذف، ويمكن التحويل بين الكلام العادي والهمس.

{{INLINE1}}

التنظيف هو الجزء الهادئ

يكمل التحسين والفصل المجموعة. يستطيع AuK تقليل الضوضاء والصدى، وعزل متحدث واحد في محادثة بحسب ترتيب الكلام، أو استخراج صوت من مزيج موسيقي. وكانت هذه القدرة الأخيرة تتطلب سابقاً أداة منفصلة ومهندساً صبوراً. ووضعها في الواجهة نفسها التي تولّد الصوت هو الادعاء الحقيقي هنا.

تدعم أرقام التدريب هذا الطموح. يقول الفريق إن النموذج بُني على نحو 3.03 مليار حالة أمر وصوت، من قرابة 1.95 مليون ساعة إشراف فعّال تغطي التوليد والتحرير والتحسين والفصل. وفي البنية، يوفّر نموذج لغوي متعدد الوسائط الشرط الدلالي، ويوفّر VAE المدرَّب مشتركاً الشرط الصوتي، ويغذّي الاثنان محوّلاً هجيناً بتيار مصحَّح. ويجري التدريب المسبق، والتدريب المشترك للتوليد والتحرير، وتحسين التفضيلات للتحرير المفتوح، والتعلّم المعزّز بالمكافأة، قبل الإصدار.

لماذا يهم النموذج المُقطَّر

هناك نسخة أسرع تُدعى AuK-Flash، مُقطَّرة إلى أربع خطوات استدلال وبلا توجيه خالٍ من المصنّف. ويضعها التقرير الفني عند تسريع 4.5 مرة على النموذج الكامل في الظروف المماثلة. وتهم هذه التفصيلة لأن تحرير الصوت من الأعمال التي لا تكون فيها أول نسخة مفيدة هي الأخيرة. تغيّر كلمة وتستمع، وتغيّر العاطفة وتستمع مرة أخرى. وإن كلّفت كل جولة دقيقة، صار سير العمل غير قابل للاستخدام مهما كانت جودة الناتج.

ووصل دعم المنظومة سريعاً، وهو ما يشير غالباً إلى اهتمام حقيقي أكثر من جدول النتائج. أضاف vLLM-Omni وSGLang-Omni دعماً من اليوم الأول، وتتوفر استدلال MLX على شرائح Apple، ويتيح تكامل audio.cpp استدلال GGUF دون اتصال، وتوجد عُقد ComfyUI رسمية. ونموذج بحجم 1.5B صغير بما يكفي للاستضافة الذاتية، وأدوات المجتمع تجعل ذلك واقعاً لا نظرية.

ما الذي تغيّره الرخصة

تستحق رخصة MIT فقرة خاصة. صدرت كثير من أقوى الأعمال الصوتية بشرط تحدّ فيه الاستخدام التجاري أو تستثني مناطق بأكملها. وشروط متسامحة على الشفرة والأوزان تخفض الحاجز أمام الاستوديوهات الصغيرة ومحرّري البودكاست وفرق التوطين الذين لم يكن بمقدورهم تبرير عقد لكل مقعد لأداة دبلجة. وتعني أيضاً أن النموذج يمكن أن يدخل منتجات أخرى دون مراجعة قانونية أطول من التكامل نفسه.

والتحفّظ في التغطية. يتركّز AuK على الصينية والإنجليزية، لذا على فرق اللغات الأخرى أن تجرّب قبل التخطيط. كما تطرح استنساخ الصوت وتحرير التسجيلات مسائل موافقة لا تحلّها أي رخصة. والعادة السليمة هي التي يطلبها الفريق: استخدام مواد تملك حق استخدامها فقط.

طاولة الدبلجة

فكّر في المستهدفين. لدى فريق توطين فيديو مكتمل ويحتاج نسخه بخمس لغات أخرى. والمسار القديم مكلف وبطيء: التعاقد مع ممثلين صوتيين، وتسجيل كل سطر، ومطابقة التوقيت، ودفع جولة أخرى حين تغيّر الترجمة كلمة واحدة. وإذا التقط نموذج الأداء الأصلي واستبدل الكلمات مع الحفاظ على الصوت والإيقاع، تحوّل معظم هذه السلسلة إلى تحرير واحد.

ولأصحاب البودكاست نسخة أخف من المشكلة. مذيع يخطئ في قراءة جملة أو في رقم، أو يريد الحلقة نفسها بنبرة أهدأ لجمهور آخر. إعادة التسجيل هي الجواب البديهي والخطأ. أما تحرير التسجيل في مكانه مع حفظ صدى الغرفة وطابع الميكروفون فهو ما تعد به الأداة. وهل تفي بذلك على حلقة كاملة لا على مقطع عرض، مسألة مفتوحة، أما الحاجة فمحسومة.

وثمة جمهور يسهل نسيانه: المطورون الذين يبنون ميزات صوتية. ولأن AuK يعمل بحجم 1.5B والأوزان مفتوحة، يمكن تضمينه في تطبيق بدل استئجاره لكل استدعاء. وتستطيع فرقة صغيرة إطلاق ميزة صوتية وتثبيت الكلفة وتجنّب إرسال صوت المستخدم إلى طرف ثالث. وفي المنتجات الحساسة للخصوصية قد يكون هذا آخر نقطة حاسمة.

أين يمكن أن يخطئ

إذا وقعت أخطاء صغيرة، فتحرير الصوت عمل بلا مخبأ، لأن الصوت لا يمنح مكاناً للاختباء. كلمة موضوعة بإتقان تبرز إذا غاب النفس الذي قبلها أو تغيّر صدى الغرفة نصف ثانية. ويعيش تحرير الصوت أو يموت على الوصلات، والوصلات تحديداً حيث تنزلق النماذج. وقد استهدفت مرحلتا تحسين التفضيلات والتعلّم المعزّز لدى الفريق تلك النقطة، وهي إشارة طيبة، لكن الاستخدام المستمر وحده يكشف إن كانت الوصلات تختفي.

وثمة أيضاً مسألة الموافقة التي ترافق كل نموذج قادر على الاستنساخ. فالأداة التي تصحّح جملة مذيع خاطئة تستطيع أن تضع كلمات في فمه، بصوته، دون أثر. ولا تحلّ رخصة AuK ذلك، ولا تستطيع أي رخصة حله. وتعود المسؤولية إلى من يشغّل الأداة، والفرق التي تحسن التعامل معها تبني عملية الموافقة قبل الميزة.

ما ينبغي أخذه فعلاً

الحركة المثيرة هنا ليست وجود نموذج صوتي آخر، بل معالجة التوليد والتحرير كمسألة واحدة. ففي معظم العمل الحقيقي يوجد التسجيل مسبقاً ويحتاج فقط بضع تعديلات. واعتبار «قل هذا» و«صحّح تلك الكلمة» نقطتين على منحنى واحد يطابق طريقة تفكير المحرّرين. واتساع المهام هو ما يجعل الواجهة الموحّدة أكثر من شعار.

النصيحة العملية أن تختبر جانب التحرير أولاً على صوتك الفوضوي قبل أن تبني عليه خطتك. فالتوليد هو ما يعرضه الجميع، والتحرير هو ما يقرر إن كان النموذج يستحق مكاناً في مسار حقيقي. وإن صمد هناك، فالحجم الصغير والرخصة المتسامحة والاستدلال السريع المقطَّر تجعل AuK من أكثر إصدارات الصوت المفتوحة قابلية للاستخدام هذا العام.