سجل Tacotron 2 من Google متوسط درجة رأي (MOS) بلغ 4.53 مقابل 4.58 للكلام المسجل احترافيا في ديسمبر 2017 (Google، ورقة Tacotron 2 لعام 2017)، ومنذ ذلك الحين أُغلقت الفجوة بين الكلام الاصطناعي والبشري في كل معيار قياسي تقريبا. وبحلول 2024، كانت أنظمة الاستنساخ دون تدريب مسبق على المتحدث مثل VALL-E 2 وMaskGCT تسجل درجات أعلى قليلا من التسجيلات الأصلية التي قورنت بها (Microsoft، VALL-E 2 لعام 2024؛ MaskGCT لعام 2024)، وفي دراسة استماع عام 2025 اعتُبر 58% من الأصوات المستنسخة أصواتا بشرية حقيقية (جامعة كوين ماري في لندن، PLOS ONE 2025). والسؤال الأصعب في 2026 لم يعد هل تستطيع الآلات أن تبدو بشرية، بل هل ما زال اختبار MOS قادرا على قياس الفرق. جمعنا بيانات من Google DeepMind وMicrosoft Research وByteDance وBlizzard Challenge وVoiceMOS Challenge وITU-T وPLOS ONE وArtificial Analysis وHugging Face؛ وللاطلاع على صورة السوق الأوسع راجع استعراض إحصائيات تحويل النص إلى كلام لدينا.
أبرز النقاط
- سجل Tacotron 2 درجة 4.53 MOS مقابل 4.58 للتسجيلات الاحترافية (Google، ورقة Tacotron 2 لعام 2017).
- خفّض WaveNet الفجوة مع الكلام البشري بأكثر من 50%، إذ سجل 4.21 مقابل 4.55 في الإنجليزية الأمريكية (DeepMind، WaveNet 2016).
- سجل NaturalSpeech قيمة -0.01 CMOS مقابل تسجيلات LJ Speech دون فرق ذي دلالة (Microsoft Research، NaturalSpeech 2022).
- سجل VALL-E 2 قيمة +0.033 CMOS و4.61 SMOS مقابل 4.13 للتسجيلات الأصلية على LibriSpeech (Microsoft، VALL-E 2 لعام 2024).
- دُرّب NaturalSpeech 3 على 200,000 ساعة بمليار معامل (Microsoft، NaturalSpeech 3 لعام 2024).
- رفع CosyVoice 3 بيانات التدريب من 10,000 إلى مليون ساعة عبر 9 لغات (Alibaba، CosyVoice 3 لعام 2025).
- تراوحت درجات التسجيلات البشرية بين 4.30 و4.58 MOS عبر أربع أوراق مرجعية (أوراق Google وDeepMind وKakao وMicrosoft من 2016 إلى 2021).
- لم يختلف نظامان في Blizzard Challenge 2023 إحصائيا عن الكلام الطبيعي من حيث MOS، وهو أمر لم يحدث من قبل في المسابقة (ملخص Blizzard Challenge 2023، Computer Speech and Language 2024).
- حُكم على 58% من الأصوات المستنسخة و41% من أصوات الذكاء الاصطناعي العامة بأنها بشرية (Lavan وآخرون، PLOS ONE 2025).
- حدد المستمعون تزييف الكلام العميق (deepfake) بشكل صحيح في 73% من الحالات (Mai وآخرون، PLOS ONE 2023).
- شمل VoiceMOS Challenge 2022 عدد 187 نظاما لتحويل النص إلى كلام وتحويل الصوت من 22 فريقا (VoiceMOS Challenge 2022).
- سجل أفضل نموذج في Speech Arena تقييم 1321 Elo بفترة ثقة ± 189 (Artificial Analysis، أكتوبر 2026).
1. سقف الكلام البشري ليس رقما ثابتا
يعتمد كل ادعاء بالتكافؤ على درجة مرجعية للكلام الحقيقي، وهذه المرجعية تتحرك. سجل الكلام البشري المسجل ما بين 4.58 كحد أعلى و4.30 كحد أدنى MOS في أوراق مرجعية لتحويل النص إلى كلام، أي تفاوت قدره 0.28 نقطة أوسع من الفجوة التي تفصل بين أنظمة متنافسة كثيرة في الجداول نفسها. فمجموعة LJ Speech وحدها أنتجت 4.46 في ورقة VITS و4.30 في ورقة FastSpeech 2، لأن مجموعات المستمعين والتعليمات وتصميم الاختبار تختلف من مختبر إلى آخر.
والقراءة العملية: لا معنى لدرجة MOS قدرها 4.4 بمعزل عن غيرها. فهي لا تكتسب معنى إلا بجانب درجة التسجيلات الأصلية من اختبار الاستماع نفسه، ولهذا تعتمد الأوراق الحديثة بشكل متزايد على CMOS (درجة رأي مقارنة، أي درجة جنبا إلى جنب نسبة إلى مرجع) بدلا من MOS الخام. وتعد ورقة VITS مثالا جيدا: فهي تذكر 4.46 للتسجيلات الأصلية و4.43 لنظامها، أي فجوة قدرها 0.03 تقع داخل فترات الثقة.
| المقياس | القيمة | المصدر |
|---|---|---|
| MOS للكلام المسجل احترافيا، اختبار Tacotron 2 | 4.58 | Google، ورقة Tacotron 2 لعام 2017 |
| MOS للكلام البشري، الإنجليزية الأمريكية، اختبار WaveNet | 4.55 | DeepMind، WaveNet 2016 |
| MOS للكلام البشري، الماندرين، اختبار WaveNet | 4.21 | DeepMind، WaveNet 2016 |
| MOS للتسجيلات الأصلية في LJ Speech، اختبار VITS | 4.46 (± 0.06) | Kim وآخرون (Kakao Enterprise)، VITS 2021 |
| MOS للتسجيلات الأصلية في VCTK، اختبار VITS | 4.38 (± 0.07) | Kim وآخرون، VITS 2021 |
| MOS للتسجيلات الأصلية في LJ Speech، اختبار FastSpeech 2 | 4.30 (± 0.07) | Microsoft وجامعة تشجيانغ، FastSpeech 2 لعام 2020 |
| التسجيلات الأصلية بعد تمريرها عبر مولّد صوتي (vocoder)، اختبار FastSpeech 2 | 3.92 | FastSpeech 2 لعام 2020 |
ملاحظة سياقية: صف المولّد الصوتي (vocoder) مهم. فمجرد تحويل التسجيلات الحقيقية إلى مخططات طيفية ميل (mel) ثم إعادتها كلّف 0.38 نقطة MOS في اختبار FastSpeech 2، ما يوضح مقدار ما يعود من الفجوة التاريخية إلى توليد الموجة الصوتية لا إلى نمذجة النص. ومعظم هذه الأوراق أقدم من ثلاث سنوات، وهي معروضة بوصفها أحدث بيانات متاحة لمعاييرها.
2. من WaveNet إلى التكافؤ: تحويل النص إلى كلام بمتحدث واحد، 2016 إلى 2022
استغرقت قصة المتحدث الواحد نحو ست سنوات. خفّض WaveNet الفجوة بين أفضل الأنظمة الموجودة والكلام البشري بأكثر من 50% في 2016، إذ سجل 4.21 في الإنجليزية الأمريكية مقابل 3.86 للتركيب بالتجميع و3.67 للتركيب البارامتري (إعلان DeepMind عن WaveNet). ثم خفّض Tacotron 2 الفجوة إلى 0.05 نقطة، وبحلول 2021 طابق VITS التسجيلات الأصلية في مجموعة VCTK متعددة المتحدثين بدرجة 4.38.
وجاء خط النهاية مع NaturalSpeech من Microsoft، الذي سجل -0.01 CMOS مقابل تسجيلات LJ Speech على مستوى الجملة، مع اختبار ويلكوكسون للرتب الموقّعة الذي لم يظهر فرقا ذا دلالة. والتحول اللافت هو ما تلا ذلك: فبعد بلوغ التكافؤ في الكلام المقروء النقي، توقف المجال عن التنافس على طبيعية المتحدث الواحد وانتقل إلى استنساخ أصوات لم يرها النموذج من قبل انطلاقا من ثوانٍ من الصوت.
| المقياس | القيمة | المصدر |
|---|---|---|
| MOS لـ WaveNet مقابل الإنسان، الإنجليزية الأمريكية | 4.21 مقابل 4.55 | DeepMind، WaveNet 2016 |
| MOS لـ WaveNet مقابل الإنسان، الماندرين | 4.08 مقابل 4.21 | DeepMind، WaveNet 2016 |
| MOS للتركيب بالتجميع مقابل البارامتري، الإنجليزية الأمريكية (قبل WaveNet) | 3.86 مقابل 3.67 | DeepMind، WaveNet 2016 |
| MOS لـ Tacotron 2 مقابل التسجيلات | 4.53 مقابل 4.58 | Google، ورقة Tacotron 2 لعام 2017 |
| MOS لـ VITS مقابل التسجيلات الأصلية، LJ Speech | 4.43 مقابل 4.46 | Kim وآخرون، VITS 2021 |
| MOS لـ VITS مقابل التسجيلات الأصلية، VCTK متعدد المتحدثين | 4.38 مقابل 4.38 | Kim وآخرون، VITS 2021 |
| Tacotron 2 + HiFi-GAN على VCTK، الاختبار نفسه | 3.14 | Kim وآخرون، VITS 2021 |
| CMOS لـ NaturalSpeech مقابل تسجيلات LJ Speech | -0.01 (p >> 0.05) | Microsoft Research، NaturalSpeech 2022 |
وتحسنت السرعة جنبا إلى جنب مع الجودة. فقد ولّد VITS الكلام بسرعة 67.12 ضعف الزمن الحقيقي، مقابل 27.48 ضعفا لمسار Glow-TTS مع HiFi-GAN، وتدرب FastSpeech 2 في 17.02 ساعة مقابل 53.12 ساعة لـ FastSpeech، أي تسارع قدره 3.12 ضعف (ورقة FastSpeech 2).
| المقياس | القيمة | المصدر |
|---|---|---|
| عامل الزمن الحقيقي لـ VITS | 67.12× | Kim وآخرون، VITS 2021 |
| عامل الزمن الحقيقي لـ Glow-TTS + HiFi-GAN | 27.48× | Kim وآخرون، VITS 2021 |
| MOS لـ FastSpeech 2 مقابل MOS لـ Tacotron 2 (20 مقيّما من الناطقين الأصليين) | 3.83 مقابل 3.70 | FastSpeech 2 لعام 2020 |
| زمن تدريب FastSpeech 2 مقابل FastSpeech | 17.02 ساعة مقابل 53.12 ساعة (أسرع بـ 3.12 ضعف) | FastSpeech 2 لعام 2020 |
3. استنساخ الصوت دون تدريب مسبق يصل إلى التسجيلات الأصلية ويتجاوزها
اختزل تحويل النص إلى كلام دون تدريب مسبق على المتحدث، وهو الذي يستنسخ متحدثا لم يره النموذج من مقطع قصير، الرحلة نفسها في نحو عامين. سجل VALL-E 2 من Microsoft قيمة +0.033 CMOS مقابل التسجيلات الأصلية على LibriSpeech، وتفوقت درجة تشابه المتحدث لديه (4.61) على التسجيلات الحقيقية (4.13) (ورقة VALL-E 2، 20 مقيّما من الناطقين الأصليين بالإنجليزية الأمريكية). أما VALL-E الأصلي، الذي صدر في يناير 2023 ودُرّب على 60,000 ساعة من الإنجليزية، فظل متأخرا عن التسجيلات الأصلية بمقدار 0.17 CMOS على LibriSpeech.
الحجم هو الخيط المشترك. فقد استخدم NaturalSpeech 3 عدد 200,000 ساعة ومليار معامل، واستخدم MaskGCT عدد 100,000 ساعة من الكلام الطبيعي غير المنسق، واستخدم CosyVoice 3 من Alibaba مليون ساعة عبر 9 لغات و18 لهجة صينية. وسؤال 2026 لمن يشترون برامج استنساخ الصوت لم يعد هل يستطيع الاستنساخ مطابقة تسجيل مرجعي في اختبار مخبري، بل إلى أي مدى يفعل ذلك باستمرار مع المقاطع المرجعية الصاخبة واللهجات والكلام التعبيري. وتغطي إحصائيات استنساخ الصوت لدينا الانتشار وسوء الاستخدام.
| المقياس | القيمة | المصدر |
|---|---|---|
| بيانات تدريب VALL-E | 60,000 ساعة من الإنجليزية | Microsoft، VALL-E 2023 |
| CMOS لـ VALL-E مقابل التسجيلات الأصلية، LibriSpeech (التسجيلات الأصلية +0.17) | -0.17 | Microsoft، VALL-E 2023 |
| CMOS لـ VALL-E 2 مقابل التسجيلات الأصلية، LibriSpeech | +0.033 | Microsoft، VALL-E 2 لعام 2024 |
| SMOS لـ VALL-E 2 مقابل التسجيلات الأصلية، LibriSpeech | 4.61 مقابل 4.13 | Microsoft، VALL-E 2 لعام 2024 |
| CMOS لـ NaturalSpeech 3 (التسجيلات الأصلية عند +0.08) | 0.00 | Microsoft، NaturalSpeech 3 لعام 2024 |
| SMOS لـ NaturalSpeech 3 مقابل التسجيلات الأصلية | 4.01 مقابل 3.85 | Microsoft، NaturalSpeech 3 لعام 2024 |
| CMOS لـ MaskGCT مقابل التسجيلات الأصلية، LibriSpeech | +0.10 | MaskGCT 2024 |
| CMOS لـ Seed-TTS مقابل الإنسان، الإنجليزية / الماندرين | -0.07 / -0.08 | ByteDance، Seed-TTS 2024 |
وتروي المقاييس الموضوعية القصة نفسها. سجل CosyVoice 3 معدل خطأ كلمات (WER) بلغ 1.45% على مجموعة اختبار Seed-TTS الإنجليزية مقابل 2.14% للتسجيلات البشرية (ورقة CosyVoice 3)، أي أن التعرف التلقائي على الكلام يفرغ الصوت الاصطناعي بدقة أعلى من الكلام الحقيقي. وهذا علامة على نطق نقي جدا، وليس بالضرورة على طبيعية أكبر، لأن المتحدثين الحقيقيين يتمتمون ويترددون ويتنوعون.
| المقياس | القيمة | المصدر |
|---|---|---|
| بيانات تدريب NaturalSpeech 3 وحجمه | 200,000 ساعة، مليار معامل | Microsoft، NaturalSpeech 3 لعام 2024 |
| بيانات تدريب MaskGCT | 100,000 ساعة (50 ألفا للإنجليزية و50 ألفا للصينية) | MaskGCT 2024 |
| بيانات تدريب CosyVoice 3 | مليون ساعة، 9 لغات، 18 لهجة صينية | Alibaba، CosyVoice 3 لعام 2025 |
| WER لـ CosyVoice 3 مقابل الإنسان، Seed-TTS test-en | 1.45% مقابل 2.14% | Alibaba، CosyVoice 3 لعام 2025 |
| WER لـ Seed-TTS DiT مقابل الإنسان، الإنجليزية | 1.733 مقابل 2.143 | ByteDance، Seed-TTS 2024 |
| CMOS لـ F5-TTS مقابل التسجيلات الأصلية، Seed-TTS test-en / test-zh | +0.31 / +0.21 | F5-TTS 2024 |
| WER لـ F5-TTS مقابل التسجيلات الأصلية، LibriSpeech-PC | 2.42 مقابل 2.23 | F5-TTS 2024 |
ملاحظة سياقية: نتائج VALL-E 2 على VCTK تبين مدى هشاشة التكافؤ. فمع مقاطع مرجعية مدتها 3 ثوانٍ طابق SMOS لديه التسجيلات الأصلية (4.47 مقابل 4.47)، لكن مع مقاطع مدتها 10 ثوانٍ سجلت التسجيلات الأصلية 4.74 وسجل VALL-E 2 ما بين 3.95 و4.26. كما يذكر CosyVoice 3 أنه في الصينية ما زالت جميع نماذجه متأخرة عن الكلام البشري، بينما في الإنجليزية يتفوق عليه النموذج ذو 1.5 مليار معامل.
4. Blizzard Challenge: التكافؤ تحت اختبار مستقل
الاختبارات التي يجريها المؤلفون أنفسهم فيها تضارب مصالح واضح، ولهذا تهم Blizzard Challenge: فالمنظمون يجرون اختبار استماع مشتركا واحدا لجميع المشاركات. اجتذبت نسخة 2023، وهي الثامنة عشرة، 18 فريقا لمهمة Hub الخاصة بها (51 ساعة من الصوت الفرنسي) و14 فريقا لمهمة Spoke (ساعتان)، وكلها استخدمت مقاربات عصبية (The Blizzard Challenge 2023، ISCA). وسجل MuLanTTS من Microsoft، المسمى النظام F، 4.3 MOS مقابل 4.4 للتسجيل الطبيعي في مهمة Hub و4.5 مقابل 4.5 في مهمة Spoke (ورقة MuLanTTS).
وخلص الملخص اللاحق للمنظمين إلى استنتاج أحد: فقد قُيّم نظامان على أنهما لا يختلفان إحصائيا عن الكلام الطبيعي من حيث MOS، وهو أمر لم يحدث من قبل في تاريخ المسابقة، ومع ذلك فقد حُكم في اختبار MUSHRA الأدق على كل نظام بأنه يختلف اختلافا كبيرا عن الكلام الطبيعي (Refining the evaluation of speech synthesis, Computer Speech and Language 2024). وبعبارة أخرى، تشبع مقياس MOS ذو الخمس درجات قبل أن تصبح الأصوات متطابقة فعلا. ووجد الملخص نفسه أن المستمعين من غير الناطقين الأصليين وغير الخبراء منحوا درجات أعلى من الناطقين الأصليين وخبراء الكلام.
| المقياس | القيمة | المصدر |
|---|---|---|
| فرق Blizzard 2023 في Hub / Spoke | 18 / 14 | Perrotin وآخرون، Blizzard Challenge 2023 |
| بيانات تدريب Hub / Spoke (الفرنسية) | 51 ساعة / ساعتان | Perrotin وآخرون، Blizzard Challenge 2023 |
| MOS لـ MuLanTTS مقابل التسجيل الطبيعي، Hub | 4.3 مقابل 4.4 | Microsoft، MuLanTTS 2023 |
| MOS لـ MuLanTTS مقابل التسجيل الطبيعي، Spoke | 4.5 مقابل 4.5 | Microsoft، MuLanTTS 2023 |
| أنظمة لا تختلف إحصائيا عن الكلام الطبيعي من حيث MOS | 2 (للمرة الأولى في Blizzard) | ملخص Blizzard Challenge 2023، CSL 2024 |
| أنظمة حُكم باختلافها عن الكلام الطبيعي في MUSHRA | جميعها | ملخص Blizzard Challenge 2023، CSL 2024 |
| MOS / SMOS لـ DelightfulTTS، مهمة SH1 في Blizzard 2021 | 4.17 / 4.35 | Microsoft، DelightfulTTS 2021 |
ونقلت نسخة 2025 المشكلة الصعبة إلى اللغات محدودة الموارد. فقد طلبت من الفرق بناء أصوات للغة Bildts، وهي صنف من اللغة الهولندية يتحدثه نحو 6,000 متحدث أصلي، انطلاقا من مجموعة بيانات مدتها 7 ساعات، إضافة إلى مهمة دون تدريب مسبق على المتحدث بمقطع مرجعي مدته 10 ثوانٍ (The Blizzard Challenge 2025، جامعة خرونينغن). وشاركت سبعة فرق في المهمة الرئيسية وخمسة في المهمة دون تدريب مسبق على المتحدث.
| المقياس | القيمة | المصدر |
|---|---|---|
| عدد الناطقين الأصليين باللغة المستهدفة في Blizzard 2025 | نحو 6,000 (Bildts) | Do وآخرون، Blizzard Challenge 2025 |
| بيانات تدريب المهمة الرئيسية | 7 ساعات، متحدث واحد | Do وآخرون، Blizzard Challenge 2025 |
| الصوت المرجعي في المهمة دون تدريب مسبق على المتحدث | 10 ثوانٍ لكل متحدث | Do وآخرون، Blizzard Challenge 2025 |
| فرق المهمة الرئيسية / المهمة دون تدريب مسبق على المتحدث | 7 / 5 | Do وآخرون، Blizzard Challenge 2025 |
5. لماذا تتباين أرقام MOS: الطرق والمعايير والتنبؤ الآلي
صُممت طريقة MOS لخطوط الهاتف لا للأصوات العصبية. فما زالت ITU-T P.800، المعتمدة في أغسطس 1996، تنظم اختبارات جودة النقل الذاتية؛ وتوحّد P.800.1 (يوليو 2016) مصطلحات MOS؛ وتغطي P.808 (يونيو 2018، ونسخة منقحة في يونيو 2021) اختبارات جودة الكلام الجماعية عبر الإنترنت (ITU-T P.808). وجدت مراجعة لأوراق Interspeech وSSW من 2021 إلى 2022 أن معظم المؤلفين لا يذكرون تسميات المقياس أو الفواصل بين درجاته أو التعليمات الموجهة إلى المستمعين (Kirkland وآخرون، Stuck in the MOS pit، SSW 2023)، وأن متوسطات MOS الخاصة بالجودة أعلى من MOS الخاصة بالطبيعية للكلام الطبيعي نفسه.
وأجرى الفريق نفسه اختبارات استماع مضبوطة بمحفزات متطابقة ووجد أن تغيير فاصل المقياس أو تعليمات التقييم وحده غيّر MOS لبعض الأنظمة. وتتباين خيارات المعايير أيضا: فقد لاحظت ورقة موقف لعام 2025 أن VALL-E يقيّم على 1,234 جملة من LibriSpeech، وNaturalSpeech 3 وMaskGCT على 40، وF5-TTS على 1,127، وأن WER لـ MaskGCT يبلغ 2.63% على مجموعة الجمل الأربعين لكنه 4.22% على مجموعة الجمل البالغة 1,234 (Towards Responsible Evaluation for Text-to-Speech، 2025).
| المقياس | القيمة | المصدر |
|---|---|---|
| اعتماد ITU-T P.800 | أغسطس 1996 (سارية) | ITU-T |
| مصطلحات MOS في ITU-T P.800.1، أحدث نسخة | يوليو 2016 | ITU-T |
| الاختبارات الجماعية عبر الإنترنت في ITU-T P.808 | يونيو 2018، ونسخة منقحة في يونيو 2021 | ITU-T |
| أوراق تذكر تسميات المقياس أو الفواصل أو التعليمات | أقلية (Interspeech وSSW من 2021 إلى 2022) | Kirkland وآخرون، SSW 2023 |
| عدد جمل LibriSpeech test-clean المستخدمة: VALL-E / NaturalSpeech 3 / F5-TTS | 1,234 / 40 / 1,127 | Yang وآخرون، 2025 |
| WER لـ MaskGCT على 40 مقابل 1,234 جملة | 2.63% مقابل 4.22% | Yang وآخرون، 2025 |
| تشابه المتحدث مع تضمين المقطع المرجعي مقابل بدونه | 0.905 مقابل 0.754 | Yang وآخرون، 2025 |
| لجنة MOS في CosyVoice 3 | 200 جملة، 10 مقيّمين من الناطقين الأصليين، بخطوات 0.5 نقطة | Alibaba، CosyVoice 3 لعام 2025 |
ولأن الاختبارات البشرية بطيئة وغير متسقة، بنى المجال أدوات تنبؤ آلي بـ MOS. اجتذب أول VoiceMOS Challenge في 2022 عدد 22 فريقا للتنبؤ بتقييمات البشر لـ 187 نظاما لتحويل النص إلى كلام وتحويل الصوت تمتد على أكثر من عقد من البحث (VoiceMOS Challenge 2022)، وتبين أن نماذج الكلام ذاتية الإشراف المضبوطة بدقة هي الأكثر فعالية. وتراجعت المشاركة منذ ذلك الحين إلى 10 فرق في 2023 و8 في 2024، التي ركز مسارها الأول على التركيب عالي الجودة المكبّر حيث تعاني أدوات التنبؤ أكثر.
| المقياس | القيمة | المصدر |
|---|---|---|
| فرق VoiceMOS 2022 / أنظمة المسار الرئيسي | 22 / 187 | Huang وآخرون، VoiceMOS Challenge 2022 |
| فرق VoiceMOS 2023 | 10 من 7 دول | VoiceMOS Challenge 2023 (ASRU 2023) |
| فرق VoiceMOS 2024 | 8 | Huang وآخرون، VoiceMOS Challenge 2024 |
| مجموعات التدريب / الاختبار في MOS-Bench | 8 / 17 | MOS-Bench 2024 (نسخة منقحة 2026) |
| UTMOS لـ NaturalSpeech 3 مقابل التسجيلات الأصلية | 4.30 مقابل 4.14 | Microsoft، NaturalSpeech 3 لعام 2024 |
ملاحظة سياقية: باتت الدرجات الآلية مثل UTMOS تقيّم الكلام الاصطناعي بانتظام أعلى من التسجيلات الحقيقية، كما يبين جدول NaturalSpeech 3، وهذا سبب لمعاملتها كأدوات فرز لا كدليل على الطبيعية.
6. هل ما زال المستمعون قادرين على التمييز؟ دراسات الإدراك
التكافؤ على مقياس التقييم شيء، وخداع مستمع يُسأل مباشرة شيء آخر. في دراسة لجامعة كوين ماري في لندن عام 2025، حُكم على 58% من الأصوات المستنسخة و41% من أصوات الذكاء الاصطناعي العامة بأنها بشرية، بينما عُرفت الأصوات البشرية الحقيقية على أنها بشرية في 62% إلى 81% من الحالات بحسب التجربة (Lavan وآخرون، PLOS ONE 2025). وبُنيت الاستنساخات من نحو 4 دقائق من التسجيلات لكل متحدث باستخدام أدوات متاحة تجاريا. وعنون المؤلفون الورقة بعبارة ‘واقعية لكن ليست (بعد) فائقة الواقعية’: لم تتفوق الاستنساخات على الأصوات الحقيقية إجمالا، لكنها كانت قريبة بما يكفي ليصبح حكم أي مستمع بمفرده غير موثوق.
والانطباعات الاجتماعية هي النتيجة الأقل تداولا. فقد قُيّمت أصوات الذكاء الاصطناعي العامة على أنها أكثر هيمنة من الأصوات البشرية (58.1 مقابل 40.4 على مقياس من 0 إلى 100) وأكثر جدارة بالثقة بقليل (57.9 مقابل 53.8). ولكل من ينتج سردا صوتيا اصطناعيا أو يستخدم مولّد أصوات بالذكاء الاصطناعي، يعني ذلك أن المستمعين يتفاعلون مع هذه الأصوات بوصفها أشخاصا، ما يرفع أهمية الإفصاح.
| المقياس | القيمة | المصدر |
|---|---|---|
| أصوات مستنسخة حُكم بأنها بشرية | 58% | Lavan وآخرون، PLOS ONE 2025 |
| أصوات ذكاء اصطناعي عامة حُكم بأنها بشرية | 41% | Lavan وآخرون، PLOS ONE 2025 |
| أصوات بشرية حقيقية حُكم بأنها بشرية | من 62% إلى 81% (بحسب التجربة) | Lavan وآخرون، PLOS ONE 2025 |
| زمن التسجيل المستخدم لكل صوت مستنسخ | نحو 4 دقائق | Lavan وآخرون، PLOS ONE 2025 |
| المشاركون في كل تجربة / الأصوات في كل تجربة | 50 / 80 | Lavan وآخرون، PLOS ONE 2025 |
| تقييم الهيمنة، أصوات الذكاء الاصطناعي العامة مقابل البشرية | 58.1 مقابل 40.4 | Lavan وآخرون، PLOS ONE 2025 |
| تقييم الجدارة بالثقة، أصوات الذكاء الاصطناعي العامة مقابل البشرية | 57.9 مقابل 53.8 | Lavan وآخرون، PLOS ONE 2025 |
وتشير بيانات الكشف السابقة في الاتجاه نفسه. وجدت دراسة عام 2023 شملت 529 مشاركا أن المستمعين حددوا تزييف الكلام العميق (deepfake) بشكل صحيح في 73% فقط من الحالات، مع أداء متقارب بين المتحدثين بالإنجليزية والماندرين، وأن عرض خمسة أمثلة على التزييف مسبقا رفع الدقة بمقدار 3.84% فقط (Mai وآخرون، PLOS ONE 2023). وتتتبع إحصائيات دقة كشف التزييف الصوتي العميق لدينا كيف تقارن أدوات الكشف الآلية.
| المقياس | القيمة | المصدر |
|---|---|---|
| المشاركون | 529 | Mai وآخرون، PLOS ONE 2023 |
| تزييف عميق حُدد بشكل صحيح، مقاطع منفردة | 73% | Mai وآخرون، PLOS ONE 2023 |
| مقاطع حقيقية حُددت بشكل صحيح، مقاطع منفردة | 67.78% | Mai وآخرون، PLOS ONE 2023 |
| تزييف عميق جرى التعرف عليه عند اقترانه بمقطع حقيقي | 85.59% | Mai وآخرون، PLOS ONE 2023 |
| مكسب الدقة من 5 أمثلة تدريبية | 3.84% | Mai وآخرون، PLOS ONE 2023 |
7. ساحات التفضيل والسوق وراء الدرجات
مع تشبع MOS المخبري، تحولت التصنيفات إلى تفضيل ثنائي أعمى. فقد أطلقت Hugging Face منصة TTS Arena في 27 فبراير 2024 بستة نماذج، تطلب من المستخدمين اختيار العينة الأكثر طبيعية من بين عينتين مجهولتين، وتصنّف النتائج بنظام يشبه Elo (Hugging Face، إطلاق TTS Arena). وفي لوحة صدارة Artificial Analysis Speech Arena التي اطُّلع عليها في 3 أكتوبر 2026، تصدر Eleven v4 من ElevenLabs بـ 1321 Elo، لكن بفترة ثقة ± 189 تتداخل مع كل نموذج آخر في أفضل 10 (لوحة صدارة Artificial Analysis لتحويل النص إلى كلام). وبقراءة صريحة، فالمستوى الأعلى تعادل إحصائي بين ستة مزودين على الأقل.
أما ردّ Hugging Face نفسها على بطء جمع الأصوات، وهو Open TTS Leaderboard الذي أُطلق في 30 سبتمبر 2026، فيستبدل أصوات البشر بمقاييس موضوعية (WER وتشابه المتحدث والسرعة) ويقول إن تقييم نموذج ينخفض من أسبوعين تقريبا إلى ساعتين تقريبا، عبر منصة Hub تستضيف الآن أكثر من 8,000 نموذج لتحويل النص إلى كلام (Hugging Face، Open TTS Leaderboard).
| المقياس | القيمة | المصدر |
|---|---|---|
| نماذج TTS Arena عند الإطلاق (فبراير 2024) | 6 | Hugging Face، فبراير 2024 |
| الأول في Speech Arena: Eleven v4 (ElevenLabs) | 1321 Elo (± 189)، 1,930 عينة | Artificial Analysis، أكتوبر 2026 |
| الثاني: Qwen-Audio-3.1-TTS-Plus (Alibaba) | 1292 Elo (± 189) | Artificial Analysis، أكتوبر 2026 |
| الثالث / الرابع: Sonic 3.6 (Cartesia) / Gemini 3.8 Flash TTS (Google) | 1278 / 1275 Elo | Artificial Analysis، أكتوبر 2026 |
| العاشر: Breeze TTS 2 (BreezeBlue) | 1216 Elo | Artificial Analysis، أكتوبر 2026 |
| نماذج TTS المستضافة على Hugging Face Hub | أكثر من 8,000 | Hugging Face، سبتمبر 2026 |
وتفسر الرهانات التجارية هذا السباق. تستحوذ الأصوات العصبية وأصوات الذكاء الاصطناعي بالفعل على حصة إيرادات قدرها 67.18% من سوق تحويل النص إلى كلام، الذي تقدّر Mordor Intelligence حجمه بـ USD 4.36 مليار في 2026 ليرتفع إلى USD 7.92 مليار بحلول 2031 (Mordor Intelligence، Text to Speech Market). وتضع Research and Markets قاعدة 2023 عند USD 3.8 مليار مع توقع USD 9.3 مليار في 2030 (بيان GlobeNewswire، ديسمبر 2024).
| المقياس | القيمة | المصدر |
|---|---|---|
| حجم سوق TTS، 2025 / 2026 | USD 3.87 مليار / USD 4.36 مليار | Mordor Intelligence، 2026 |
| توقع سوق TTS، 2031 | USD 7.92 مليار (معدل نمو سنوي مركب 12.66%) | Mordor Intelligence، 2026 |
| حصة إيرادات الأصوات العصبية / أصوات الذكاء الاصطناعي | 67.18% (معدل نمو سنوي مركب 15.08%) | Mordor Intelligence، 2026 |
| حصة أمريكا الشمالية، 2025 | 36.78% | Mordor Intelligence، 2026 |
| سوق TTS، من 2023 إلى 2030 | من USD 3.8 مليار إلى USD 9.3 مليار (معدل نمو سنوي مركب 13.4%) | Research and Markets، ديسمبر 2024 |
| توقع سوق TTS في الصين، 2030 | USD 2.3 مليار (معدل نمو سنوي مركب 17.5%) | Research and Markets، ديسمبر 2024 |
الخلاصة: MOS للكلام الاصطناعي بالأرقام
| المقياس | القيمة | المصدر |
|---|---|---|
| MOS لـ Tacotron 2 مقابل التسجيلات الاحترافية | 4.53 مقابل 4.58 | Google، 2017 |
| تقليص WaveNet للفجوة مع الكلام البشري | أكثر من 50% | DeepMind، 2016 |
| نطاق MOS للكلام البشري عبر الأوراق المرجعية | من 4.30 إلى 4.58 | Google وDeepMind وKakao وMicrosoft، من 2016 إلى 2021 |
| MOS لـ VITS مقابل التسجيلات الأصلية، VCTK | 4.38 مقابل 4.38 | Kakao Enterprise، 2021 |
| CMOS لـ NaturalSpeech مقابل التسجيلات | -0.01 (غير ذي دلالة) | Microsoft Research، 2022 |
| CMOS لـ VALL-E 2 مقابل التسجيلات الأصلية، LibriSpeech | +0.033 | Microsoft، 2024 |
| SMOS لـ VALL-E 2 مقابل التسجيلات الأصلية | 4.61 مقابل 4.13 | Microsoft، 2024 |
| CMOS لـ MaskGCT مقابل التسجيلات الأصلية | +0.10 | MaskGCT، 2024 |
| CMOS لـ Seed-TTS مقابل الإنسان، الإنجليزية | -0.07 | ByteDance، 2024 |
| WER لـ CosyVoice 3 مقابل الإنسان، الإنجليزية | 1.45% مقابل 2.14% | Alibaba، 2025 |
| بيانات تدريب CosyVoice 3 | مليون ساعة | Alibaba، 2025 |
| أنظمة Blizzard 2023 المساوية للكلام الطبيعي في MOS | 2 (للمرة الأولى) | ملخص Blizzard Challenge 2023، 2024 |
| MuLanTTS مقابل التسجيل الطبيعي، Hub في Blizzard 2023 | 4.3 مقابل 4.4 | Microsoft، 2023 |
| أوراق تعرض طريقة MOS كاملة | أقلية | Kirkland وآخرون، SSW 2023 |
| أنظمة / فرق VoiceMOS 2022 | 187 / 22 | VoiceMOS Challenge 2022 |
| أصوات مستنسخة حُكم بأنها بشرية | 58% | Lavan وآخرون، PLOS ONE 2025 |
| تزييف عميق حدده المستمعون بشكل صحيح | 73% | Mai وآخرون، PLOS ONE 2023 |
| أعلى تقييم Elo في Speech Arena | 1321 (± 189) | Artificial Analysis، أكتوبر 2026 |
| حصة الأصوات العصبية / أصوات الذكاء الاصطناعي من إيرادات TTS | 67.18% | Mordor Intelligence، 2026 |
| سوق TTS، 2026 | USD 4.36 مليار | Mordor Intelligence، 2026 |
المنهجية والمصادر
كل رقم MOS وCMOS وSMOS أعلاه مأخوذ من الورقة أو تقرير المسابقة الذي أجرى اختبار الاستماع، وقد قُرئ من ملخص arXiv أو من جداول النص الكامل. وحيث اكتفت ورقة بعرض النتائج في رسم بياني (مثل أعمدة MOS في CosyVoice 3)، استخدمنا الاستنتاج النصي وأسقطنا القيم التقريبية. أما ادعاءات التكافؤ التي يعلنها مطورو النماذج أنفسهم فقد وُسمت باسم المطور ليتمكن القراء من موازنتها مع الاختبارات المستقلة مثل Blizzard Challenge.
- DeepMind: إعلان WaveNet (سبتمبر 2016) وورقة WaveNet
- Google: ورقة Tacotron 2 (ديسمبر 2017)
- Microsoft وجامعة تشجيانغ: FastSpeech 2 (2020)
- Kakao Enterprise: VITS (يونيو 2021)
- Microsoft Research: NaturalSpeech (مايو 2022)، NaturalSpeech 3 (مارس 2024)، VALL-E (يناير 2023)، VALL-E 2 (يونيو 2024)، MuLanTTS (سبتمبر 2023)، DelightfulTTS (أكتوبر 2021)
- ByteDance: Seed-TTS (يونيو 2024)
- MaskGCT (سبتمبر 2024) وF5-TTS (أكتوبر 2024)
- Alibaba: CosyVoice 3 (مايو 2025)
- Blizzard Challenge: The Blizzard Challenge 2023 (ISCA)، Refining the evaluation of speech synthesis, Computer Speech and Language (2024)، The Blizzard Challenge 2025
- ITU-T: P.800، P.800.1، P.808
- Kirkland وآخرون: Stuck in the MOS pit, SSW 2023
- Yang وآخرون: Towards Responsible Evaluation for Text-to-Speech (أكتوبر 2025)
- VoiceMOS Challenge: 2022، 2023، 2024؛ MOS-Bench
- Lavan وآخرون: Voice clones sound realistic but not (yet) hyperrealistic, PLOS ONE (سبتمبر 2025)
- Mai وآخرون: Warning: Humans cannot reliably detect speech deepfakes, PLOS ONE (أغسطس 2023)
- Hugging Face: إطلاق TTS Arena (فبراير 2024)، Open TTS Leaderboard (سبتمبر 2026)
- Artificial Analysis: لوحة صدارة تحويل النص إلى كلام (اطُّلع عليها في 3 أكتوبر 2026)
- Mordor Intelligence: Text to Speech Market؛ وResearch and Markets عبر GlobeNewswire (ديسمبر 2024)
- ملاحظة حول البيانات: لا يمكن مقارنة قيم MOS وCMOS وSMOS عبر الأوراق لأن مجموعات المستمعين والمقاييس والتعليمات تختلف؛ كما تختلف مقاييس CMOS نفسها (يستخدم F5-TTS مقياسا من -3 إلى +3). ومعظم ادعاءات التكافؤ في القسمين 2 و3 تأتي من اختبارات أجراها المطورون أنفسهم مع لجان صغيرة (مثلا 12 مقيّما لـ CMOS في VALL-E و20 لـ VALL-E 2)، ونتائج WaveNet وTacotron 2 وFastSpeech 2 وVITS أقدم من ثلاث سنوات، وهي معروضة بوصفها أحدث بيانات متاحة لتلك المعايير. وتأتي نتائج Blizzard 2023 عن التكافؤ الإحصائي وMUSHRA من ملخص المنظمين المنشور. وتتغير تقييمات Elo في Artificial Analysis يوميا مع وصول الأصوات وتتداخل فترات الثقة لديها عبر أفضل 10 نماذج. وتتضارب تقديرات حجم السوق: تضع Mordor Intelligence عام 2025 عند USD 3.87 مليار بمعدل نمو سنوي مركب 12.66% حتى 2031، بينما تتوقع Research and Markets بلوغ USD 9.3 مليار بحلول 2030 بمعدل نمو سنوي مركب 13.4% من قاعدة 2023 البالغة USD 3.8 مليار؛ ويعكس الفارق اختلاف تعريفات النطاق. والبيانات الأحدث المنتظرة هي النتائج الكاملة لاختبار الاستماع في Blizzard 2025 ونتائج VoiceMOS Challenge القادم.
آخر تحديث: 3 أكتوبر 2026. نحدّث هذا الاستعراض كل ثلاثة أشهر، ومن المتوقع أن يأتي التحديث التالي عند نشر نتائج VoiceMOS Challenge القادم والتحليل الكامل لاختبار الاستماع في Blizzard Challenge 2025.