تحويل النص إلى كلام (TTS)

يأخذ نموذج TTS نصاً — مكتوباً مسبقاً أو مُولَّداً فورياً بواسطة نموذج لغوي — ويُولِّد صوتاً يحاكي الكلام البشري، بما يشمل النبرة والإيقاع والتشديد. كانت أنظمة TTS القديمة تبدو آلية لأنها تُلصق مقاطع صوتية مسجَّلة مسبقاً؛ أما TTS العصبي الحديث فيُولِّد الموجة الصوتية مباشرة، منتجاً تنغيماً وعاطفة قريبة من متحدث بشري. تُقاس الجودة بالطبيعية (هل يبدو بشرياً)، والوضوح (هل يفهمه المستمعون بسهولة)، وزمن الاستجابة (سرعة بدء تشغيل الصوت بعد جاهزية النص، وهو أمر حاسم في المكالمات الفورية).

الصوت العربي الطبيعي عبر TTS هو ميزة تنافسية حقيقية وليس منتجاً محلولاً بالكامل: كثير من الأصوات المُباعة على أنها "عربية" مُدرَّبة على الفصحى وتبدو كمذيع أخبار يقرأ نصاً بدلاً من شخص يتحدث اللهجة المصرية أو الخليجية بشكل طبيعي، بنبرة تشديد صحيحة وإيقاع عامي. بالنسبة لوكيل صوتي في عيادة أو متجر، هذا هو الفارق بين ثقة المتصل بالوكيل وإنهائه المكالمة خلال ثوانٍ — لذا يجب اختبار عمليات النشر الإنتاجية مع متحدثين أصليين للهجة قبل الإطلاق، إلى جانب جانب ASR في نفس المسار.