ثلاث ثوان من كلام شخص غريب هي شرط اختبار معياري في أبحاث استنساخ الصوت بلا تدريب مسبق، وهي الإعداد الذي اعتمده كل من VALL-E وVoicebox. في ذلك الاختبار رفع Voicebox تشابه المتحدث إلى 0.681 من 0.580 لدى VALL-E على LibriSpeech، ثم أعلن NaturalSpeech 3 لاحقا 0.67 مقابل 0.68 للتسجيلات الحقيقية في تشغيله الخاص لمجموعة البيانات نفسها. والمستمعون ليسوا خط دفاع يعتمد عليه: ففي دراسة نشرت في Scientific Reports عام 2025 اعتبر الناس الأصوات المستنسخة بالذكاء الاصطناعي صوت المتحدث الحقيقي نحو 80% من الوقت. وللاطلاع على الصورة التجارية وصورة السوق، راجع إحصائيات استنساخ الصوت الأوسع لدينا؛ أما هذا الاستعراض فيبقى عند سؤال واحد: كم من الصوت المرجعي يحتاجه الاستنساخ، وماذا تضيف كل ثانية إضافية. جمعنا بيانات من Microsoft Research وMeta وByteDance ومركز برشلونة للحوسبة الفائقة ولجنة التجارة الفيدرالية الأمريكية وConsumer Reports وMcAfee وStarling Bank، ومن أوراق محكمة وأوراق arXiv من مؤتمرات ICML وNeurIPS وICLR ومن مجلة Scientific Reports.
أبرز النقاط
- جرى اختبار Voicebox بمقطع مرجعي مدته 3.0 ثوان، وطابق تشابه المتحدث لدى VALL-E بنحو ثلثي الصوت المدخل (Meta، ورقة Voicebox، NeurIPS 2023).
- على VCTK ارتفع تشابه VALL-E 2 من 0.447 عند 3 ثوان إلى 0.558 عند 10 ثوان، بينما ارتفع معدل الخطأ في الكلمات من 0.9% إلى 3.3% (Microsoft Research، ورقة VALL-E 2 لعام 2024).
- خفض متوسط المقطع المرجعي من 7.7 إلى 5.5 ثانية أنزل تشابه F5-TTS من 0.35 إلى 0.24 على الكلام في الظروف الواقعية (مركز برشلونة للحوسبة الفائقة، مشاركة WildSpoof 2026).
- حقق XTTS-v2 استنساخا عالي الدقة مع 6 إلى 10 ثوان من الصوت المرجعي، مع عوائد متناقصة بعد 20 ثانية (Zhu، أطروحة جامعة خرونينغن 2025).
- سجل نموذج بلا تدريب مسبق بمقطع مرجعي مدته 300 ثانية تشابها قدره 0.932 مقابل 0.934 لنموذج أساسي مضبوط بدقة على 300 ثانية (Jiang وآخرون، Mega-TTS 2، ICLR 2024).
- رفع الضبط الدقيق على 20 ثانية من الكلام البرتغالي تقييمات التشابه البشرية من 2.77 إلى 4.43 (Casanova وآخرون، YourTTS، ICML 2022).
- اعتبر المستمعون الأصوات المولدة بالذكاء الاصطناعي هي الشخص نفسه كالمتحدث الحقيقي نحو 80% من الوقت (Barrington وCooper وFarid، Scientific Reports 2025).
- أفاد باحثو McAfee بتطابق صوتي مقدر بنسبة 85% انطلاقا من ثلاث إلى أربع ثوان من الصوت، وهو قياس من مزود تجاري (McAfee، Beware the Artificial Impostor 2023).
- 28% من البالغين في المملكة المتحدة يقولون إنهم استهدفوا بعملية احتيال باستنساخ الصوت بالذكاء الاصطناعي خلال العام الماضي (استطلاع Starling Bank وMortar Research 2024).
- أربعة من ستة منتجات لاستنساخ الصوت لم تتخذ خطوات أساسية لمنع الاستنساخ دون إذن (Consumer Reports، تقييم استنساخ الصوت 2025).
1. اختبار الثواني الثلاث: كم من الصوت تعطى أنظمة الاستنساخ بلا تدريب مسبق
يعني «بلا تدريب مسبق» أن النظام لم يتدرب قط على المتحدث المستهدف: فهو يسمع مقطعا مرجعيا قصيرا، يسمى «الموجّه الصوتي»، لحظة التوليد ويقلده فورا. جرى تقييم VALL-E وVoicebox على موجّه صوتي مدته 3 ثوان فقط، وهذا الاختيار يعبر عن الطموح أكثر مما يعبر عن الحدود. فهذه الأوراق لا تسأل هل يمكن نسخ صوت من بضع ثوان، بل تتنافس على مدى جودة ذلك.
متطلبات المنتجات أطول. فقد وصفت OpenAI نظام Voice Engine بأنه يعمل انطلاقا من «عينة صوتية واحدة مدتها 15 ثانية» (منشور OpenAI عن الأصوات الاصطناعية 2024)، وتوصي وثائق ElevenLabs بدقيقة إلى دقيقتين. وهذه إعدادات منتجات وليست حدودا مقاسة.
| المقياس | القيمة | المصدر |
|---|---|---|
| طول المقطع المرجعي وبيانات التدريب لنظام VALL-E على متحدثين من LibriSpeech غير مشمولين في التدريب | 3 ثوان؛ 60 ألف ساعة من الكلام الإنجليزي، وأكثر من 7,000 متحدث | Microsoft Research، ورقة VALL-E 2023 |
| الصوت المرجعي المستخدم في اختبارات Voicebox الإنجليزية بلا تدريب مسبق | 3.0 ثوان | Meta، ورقة Voicebox (NeurIPS 2023) |
| طول المقطع المرجعي المستخدم لتقييم XTTS | مقطع واحد بين 3 و8 ثوان | Casanova وآخرون، ورقة XTTS (INTERSPEECH 2024) |
| نطاق طول المقطع المرجعي في مجموعة اختبار Seed-TTS | من 3 إلى 20 ثانية | ByteDance، ورقة Seed-TTS 2024 |
| العينة الصوتية التي يعمل منها OpenAI Voice Engine | عينة واحدة مدتها 15 ثانية | OpenAI، منشور الأصوات الاصطناعية 2024 |
| الحد الأدنى والموصى به من الصوت في الاستنساخ الفوري لدى ElevenLabs | 10 ثوان على الأقل إجمالا، ويوصى بدقيقة إلى دقيقتين (إرشاد المزود نفسه) | ElevenLabs، وثائق Instant Voice Cloning 2026 |
إذا كنت تقارن برامج استنساخ الصوت لسطح المكتب، فإن القسمين 2 و3 يوضحان ما الذي تغيره هذه الثواني.
2. كيف يتدرج تشابه المتحدث من 3 إلى 10 ثوان
تشابه المتحدث (SIM، أو SECS) هو تشابه جيب التمام بين «بصمتين» لمتحدثين تحسبهما شبكة للتعرف على المتحدث، وكلما ارتفع كان أقرب. ويحصل تسجيلان حقيقيان للشخص نفسه على درجة أقل بكثير من 1.0، لذا فإن أرقام الكلام الحقيقي أدناه هي النقطة المرجعية للقراءة. الانتقال من مقطع مرجعي مدته 3 ثوان إلى 10 ثوان رفع تشابه VALL-E 2 على مجموعة بيانات VCTK من 0.447 إلى 0.558، بزيادة قدرها 0.111 (0.558 ناقص 0.447)، وهو أوضح منحنى منشور لهذا السؤال (ورقة VALL-E 2 لعام 2024).
ينحني المنحنى عند نقاط مختلفة في أنظمة مختلفة. فقد أفاد فريق Voicebox في Meta بأن التشابه «ينمو بسرعة ثم يستقر مع المقاطع الصوتية المرجعية الأطول» (ورقة Voicebox)، وحددت أطروحة عام 2025 عن XTTS-v2 مرحلة الاستقرار عند نحو 10 إلى 20 ثانية (Zhu، جامعة خرونينغن). وعبر هذه الأوراق الثلاث تقوم الثواني العشر الأولى بمعظم العمل، وإن كان VALL-E 2 ما زال يتحسن عند الثانية العاشرة.
| المقياس | القيمة | المصدر |
|---|---|---|
| تشابه VALL-E على VCTK (108 متحدثين) مع مقاطع مرجعية مدتها 3 و5 و10 ثوان | 0.382، 0.423، 0.484 (التسجيلات الحقيقية: 0.546، 0.591، 0.620) | Microsoft Research، ورقة VALL-E 2023 |
| تشابه VALL-E 2 (حجم المجموعة 1) على VCTK مع مقاطع مرجعية مدتها 3 و5 و10 ثوان | عينة واحدة: 0.447، 0.487، 0.558؛ أفضل خمس عينات: 0.508، 0.552، 0.620 (التسجيلات الحقيقية: 0.623، 0.679، 0.709) | Microsoft Research، ورقة VALL-E 2 لعام 2024 |
| نسبة الصوت المدخل التي يحتاجها Voicebox لمساواة تشابه المتحدث لدى VALL-E | نحو الثلثين | Meta، ورقة Voicebox (NeurIPS 2023) |
| تشابه F5-TTS مع مقاطع مرجعية طويلة (متوسطها 7.7 ث) مقابل قصيرة (متوسطها 5.5 ث) على الكلام في الظروف الواقعية | 0.35 مقابل 0.24 | مركز برشلونة للحوسبة الفائقة، مشاركة WildSpoof TTS 2026 |
| تشابه StyleTTS2 مع مقاطع مرجعية طويلة (متوسطها 7.7 ث) مقابل قصيرة (متوسطها 5.5 ث) | 0.19 مقابل 0.14 | مركز برشلونة للحوسبة الفائقة، مشاركة WildSpoof TTS 2026 |
| طول الصوت المرجعي الذي حقق عنده XTTS-v2 استنساخا عالي الدقة (جرى اختبار 1 و3 و6 و10 و20 و40 ثانية) | من 6 إلى 10 ثوان، مع عوائد متناقصة بعد 20 ثانية | Zhu، أطروحة ماجستير جامعة خرونينغن 2025 |
ملاحظة حول القيمة الشاذة: مشاركة مركز برشلونة للحوسبة الفائقة هي النتيجة الوحيدة لعام 2026 هنا، وتستخدم مجموعة بيانات TTS In the Wild. فمقطع مرجعي أقصر بمقدار 2.2 ثانية في المتوسط (7.7 ناقص 5.5) كلف F5-TTS 0.11 من التشابه (0.35 ناقص 0.24). وهذا هو حجم الخسارة نفسه الذي أظهره VALL-E 2 عبر فجوة قدرها 7 ثوان على VCTK، وهو مؤشر على أن المقاطع القصيرة قد تضر أكثر في الصوت اليومي، وإن كان الاختباران غير قابلين للمقارنة المباشرة.
3. وضوح الكلام لا يتحسن دائما مع المقاطع المرجعية الأطول
يقيس معدل الخطأ في الكلمات (WER) وضوح الكلام: يقوم نظام للتعرف على الكلام بتفريغ الصوت المستنسخ ثم تحتسب نسبة الكلمات الخاطئة، ولذلك فالأقل أفضل. ارتفع معدل الخطأ في الكلمات لدى VALL-E 2 على VCTK من 0.9% مع مقطع مرجعي مدته 3 ثوان إلى 3.3% مع مقطع مدته 10 ثوان، أي في الاتجاه المعاكس لمكسبه في التشابه. ووافقه المقيّمون البشر: ففي الاختبار نفسه انخفضت تقييمات التشابه مع إطالة المقاطع المرجعية، بينما ارتفعت تقييمات التسجيلات الحقيقية.
لا شيء يضمن أن المزيد من الصوت المرجعي يفيد. فقد واصل Mega-TTS 2، المصمم لمقاطع مرجعية من عدة جمل، التحسن حتى 300 ثانية، بينما انهار تشغيل VALL-E المقاس في الورقة نفسها عند 20 ثانية (ورقة Mega-TTS 2). وللمقاطع القصيرة جدا مخاطرها الخاصة على وضوح الكلام: فقد كان StyleTTS2 هو النظام الذي ساء أداؤه عند اقتطاع مقطعه المرجعي.
| المقياس | القيمة | المصدر |
|---|---|---|
| VALL-E 2 (حجم المجموعة 1) على VCTK مع مقاطع مرجعية مدتها 3 و5 و10 ثوان: معدل الخطأ في الكلمات، وتقييم التشابه البشري (SMOS، والأعلى أفضل) | WER 0.9%، 1.9%، 3.3%؛ SMOS 4.42±0.15، 4.28±0.16، 3.95±0.10 (التسجيلات الحقيقية 4.47±0.13، 4.53±0.14، 4.74±0.17) | Microsoft Research، ورقة VALL-E 2 لعام 2024 |
| VALL-E على LibriSpeech مع مقاطع مرجعية مدتها 3 و10 و20 ثانية، كما قاسها مؤلفو Mega-TTS 2 | WER 5.83%، 5.54%، 8.77%؛ التشابه 0.885، 0.893، 0.805 | Jiang وآخرون، Mega-TTS 2 (ICLR 2024) |
| معدل الخطأ في الكلمات لدى Mega-TTS 2 مع مقاطع مرجعية مدتها 3 و10 و60 و300 ثانية | 2.46%، 2.28%، 2.24%، 2.23% | Jiang وآخرون، Mega-TTS 2 (ICLR 2024) |
| معدل الخطأ في الكلمات لدى StyleTTS2 مع مقاطع مرجعية طويلة (7.7 ث) مقابل قصيرة (5.5 ث) | 0.21 مقابل 0.49 (F5-TTS دون تغيير عند 0.07) | مركز برشلونة للحوسبة الفائقة، مشاركة WildSpoof TTS 2026 |
| اتجاه Voicebox عندما تختلف لغة المقطع المرجعي عن لغة الهدف، مع إطالة المقاطع المرجعية | يتحسن التشابه؛ ويرتفع WER في معظم اتجاهات اللغات | Meta، ورقة Voicebox (NeurIPS 2023) |
سياق: اتجاه VALL-E 2 ليس سلسا تماما. فقد سجل إعداد حجم المجموعة 2 لديه معدل خطأ في الكلمات بلغ 1.5% و0.9% و2.3% عند الأطوال الثلاثة نفسها. ويعزو مؤلفو Voicebox ارتفاع معدل الخطأ بين اللغات إلى أن الإنجليزية تشكل أكثر من 90% من بيانات التدريب.
4. إلى أي مدى تقترب الأصوات المستنسخة من مقاطع قصيرة من المتحدث الحقيقي
على الكلام المعياري، تقف أفضل الأنظمة المنشورة اليوم بجوار التسجيلات الحقيقية. سجل NaturalSpeech 3 تشابه متحدث قدره 0.67 مقابل 0.68 للتسجيلات المرجعية الحقيقية، وجاء تقييمه البشري للتشابه (4.01) أعلى من 3.85 للتسجيلات الحقيقية في اختبار LibriSpeech نفسه (Microsoft Research، ورقة NaturalSpeech 3 لعام 2024). وهذا بعيد جدا عن 0.337 التي سجلها YourTTS في الصف الأول أدناه.
درجات الكلام الحقيقي هي الدليل على أن هذه ظروف مخبرية: فهي تتراوح بين 0.68 و0.8952 عبر الأوراق، ولذلك يجب قراءة كل نظام مقابل مرجعه الحقيقي الخاص، كما في الجدول. وتقع ورقة F5-TTS على بعد 0.03 من الكلام الحقيقي في اختبارها الخاص (0.69 ناقص 0.66).
| المقياس | القيمة | المصدر |
|---|---|---|
| LibriSpeech، مقطع مرجعي مدته 3 ثوان: YourTTS مقابل VALL-E مقابل Voicebox | التشابه 0.337 مقابل 0.580 مقابل 0.681 (الكلام الحقيقي 0.754)؛ WER 7.7% مقابل 5.9% مقابل 1.9% (الكلام الحقيقي 2.2%) | Meta، ورقة Voicebox (NeurIPS 2023) |
| NaturalSpeech 3 مقابل التسجيلات الحقيقية على LibriSpeech: التشابه وWER | 0.67 و1.81% مقابل 0.68 و1.94% | Microsoft Research، ورقة NaturalSpeech 3 لعام 2024 |
| تشابه Seed-TTS بالإنجليزية مقابل التسجيلات البشرية، والتقييم المقارن (CMOS) مقابل البشر | 0.762 مقابل 0.730؛ CMOS -0.07 | ByteDance، ورقة Seed-TTS 2024 |
| F5-TTS مقابل الكلام الحقيقي على 1,127 عينة من LibriSpeech-PC مدتها من 4 إلى 10 ثوان: التشابه وWER | 0.66 و2.42% مقابل 0.69 و2.23% | Chen وآخرون، ورقة F5-TTS 2024 |
| تشابه MiniMax-Speech بالإنجليزية: تضمين المتحدث وحده مقابل مقطع مرجعي مع نصه المقترن | 0.692 مقابل 0.738 (المرجع الحقيقي 0.730) | Zhang وآخرون، ورقة MiniMax-Speech 2025 |
| تشابه XTTS بالإنجليزية مقابل الكلام الحقيقي | 0.6423 مقابل 0.8952 | Casanova وآخرون، ورقة XTTS (INTERSPEECH 2024) |
ملاحظة حول القيمة الشاذة: يسجل Seed-TTS وإعداد MiniMax-Speech ذو النص المقترن درجات أعلى من تسجيلاتهما الحقيقية. ويوضح مؤلفو Seed-TTS أن المقطعين الحقيقي والمرجعي لمتحدث واحد قد يختلفان مع ذلك في أسلوب الكلام والبيئة الخلفية، ولذلك فالنموذج الذي يتبع المقطع المرجعي عن كثب قد يتفوق على تسجيل حقيقي ثان. وهذا ليس دليلا على استنساخ أفضل من الإنسان.
5. الاستنساخ بلا تدريب مسبق مقابل الاستنساخ بالضبط الدقيق: فجوة تقاس بالثواني والدقائق
الضبط الدقيق يعني تحديث أوزان النموذج على صوت المتحدث المستهدف، وهو الطريق الأقدم والأبطأ إلى صوت مخصص. مع 300 ثانية من الصوت المستهدف، بلغ التشابه بمقطع مرجعي بلا تدريب مسبق 0.932 مقابل 0.934 لنموذج أساسي مضبوط بدقة، مع أخطاء أقل في الكلمات (2.23% مقابل 3.11%) (Jiang وآخرون، Mega-TTS 2، ICLR 2024). والتحفظ مهم: فكلا النظامين من صنع المؤلفين، والنموذج الأساسي هو نسخة FastSpeech 2 مضبوطة بدقة لمدة 2,000 خطوة، وليس أقوى نظام مضبوط بدقة متاح.
ويظل الضبط الدقيق يستحق كلفته عندما يكون الصوت بعيدا عن بيانات التدريب. فقد تدرب YourTTS على متحدث برتغالي واحد، ورفع الضبط الدقيق على 20 إلى 31 ثانية تقييمات المستمعين لتشابه الأصوات البرتغالية الجديدة، وإن تراجعت تقييمات الجودة الإجمالية (ورقة YourTTS). وكسب XTTS تشابها قدره 0.1314 (0.7166 ناقص 0.5852) من نحو 10 دقائق لكل متحدث في الاستنساخ عبر اللغات.
| المقياس | القيمة | المصدر |
|---|---|---|
| تشابه النموذج الأساسي المضبوط بدقة مع 10 و60 و300 ثانية من الصوت المستهدف | 0.895، 0.923، 0.934 | Jiang وآخرون، Mega-TTS 2 (ICLR 2024) |
| تشابه Mega-TTS 2 بلا تدريب مسبق مع مقاطع مرجعية مدتها 3 و10 و60 و300 ثانية | 0.898، 0.905، 0.926، 0.932 | Jiang وآخرون، Mega-TTS 2 (ICLR 2024) |
| YourTTS، متحدثة برتغالية مع 20 ثانية من الكلام، بلا تدريب مسبق مقابل مضبوط بدقة | التشابه 0.743 مقابل 0.930؛ Sim-MOS 2.77±0.15 مقابل 4.43±0.06؛ MOS 3.59±0.13 مقابل 3.48±0.13 | Casanova وآخرون، YourTTS (ICML 2022) |
| YourTTS، متحدث إنجليزي مع 61 ثانية من الكلام، بلا تدريب مسبق مقابل مضبوط بدقة | التشابه 0.851 مقابل 0.880 (الكلام الحقيقي 0.875) | Casanova وآخرون، YourTTS (ICML 2022) |
| تشابه XTTS عبر اللغات قبل الضبط الدقيق وبعده على نحو 10 دقائق لكل متحدث | 0.5852 مقابل 0.7166 | Casanova وآخرون، ورقة XTTS (INTERSPEECH 2024) |
| Seed-TTS بمقطع مرجعي مدته 20 ثانية مقابل المضبوط بدقة على ساعة إلى 10 ساعات لكل متحدث: التشابه وWER | 0.779 و3.15 مقابل 0.789 و2.83 (CMOS +0.37 للمضبوط بدقة) | ByteDance، ورقة Seed-TTS 2024 |
| الصوت الموصى به لـ Professional Voice Cloning لدى ElevenLabs (فئتها المضبوطة بدقة) | من 30 إلى 180 دقيقة (إرشاد المزود نفسه) | ElevenLabs، وثائق استنساخ الصوت 2026 |
أحدث البيانات المتاحة لاختبار الضبط الدقيق في YourTTS: Casanova وآخرون، ICML 2022. وهو يغطي 4 متحدثين فقط، لذا يُعامل كتوضيح لأثر اللغة وليس كتقدير لمجتمع الدراسة.
6. الجانب الأمني: المقاطع القصيرة والاحتيال
للأرقام البحثية ترجمة مباشرة للمستهلك: الفيديو العام مادة مرجعية. اعتبر المستمعون الصوت المولد بالذكاء الاصطناعي هو الهوية نفسها لنظيره الحقيقي نحو 80% من الوقت، ولم يحددوا الأصوات المولدة بالذكاء الاصطناعي إلا نحو 60% من الوقت، وذلك لدى 604 مشاركين في دراسة بلغ متوسط مقاطعها الحقيقية 5.37 ثانية (Barrington وCooper وFarid، Scientific Reports 2025). وجاءت الأصوات المستنسخة من خدمة تجارية للاستنساخ الفوري غُذيت بأول مقطعين مسجلين لكل واحد من 220 متحدثا.
أما عبارة «ثلاث ثوان» في تحذيرات الاحتيال فتستند إلى بيانات الشركات. ورقم McAfee هو معيارها الخاص، وهو بالنسبة لهذا المصدر أحدث البيانات المتاحة (McAfee، 2023). وكررت Starling Bank الادعاء في عام 2024 إلى جانب استطلاعها (Starling Bank، حملة Safe Phrases 2024). ويتناول منشورنا عن احتيال استنساخ الصوت على العائلات عمليات الاحتيال نفسها.
| المقياس | القيمة | المصدر |
|---|---|---|
| نسبة الوقت التي اعتبر فيها المستمعون الصوت المولد بالذكاء الاصطناعي هو الشخص نفسه كالمتحدث الحقيقي | نحو 80% | Barrington وCooper وFarid، Scientific Reports 2025 |
| نسبة الوقت التي حدد فيها المستمعون بشكل صحيح أن الصوت مولد بالذكاء الاصطناعي | نحو 60% | Barrington وCooper وFarid، Scientific Reports 2025 |
| الصوت الذي احتاجه باحثو McAfee لتطابق صوتي مقدر بنسبة 85% مع أداة مجانية | من ثلاث إلى أربع ثوان (نحو 95% بجهد أكبر؛ معيار المزود نفسه) | McAfee، Beware the Artificial Impostor 2023 |
| البالغون الذين يشاركون صوتهم عبر الإنترنت مرة واحدة على الأقل أسبوعيا | 53% (7,054 بالغا، 7 دول) | McAfee، Beware the Artificial Impostor 2023 |
| البالغون غير الواثقين من قدرتهم على التمييز بين صوت حقيقي وصوت مستنسخ | 70% | McAfee، Beware the Artificial Impostor 2023 |
| البالغون في المملكة المتحدة الذين يقولون إنهم استهدفوا بعملية احتيال باستنساخ الصوت بالذكاء الاصطناعي خلال العام الماضي | 28% (3,010 بالغين) | استطلاع Starling Bank وMortar Research 2024 |
| البالغون في المملكة المتحدة الذين سيرسلون المال المطلوب حتى لو بدت المكالمة غريبة | 8% | استطلاع Starling Bank وMortar Research 2024 |
| منتجات استنساخ الصوت التي جرى تقييمها ولم تتخذ خطوات أساسية لمنع الاستنساخ دون إذن | 4 من 6 | Consumer Reports، تقييم استنساخ الصوت 2025 |
سياق: نسبة 28% لدى Starling تقيس ما يقول الناس إنه حدث لهم، وليس حوادث مؤكدة. أما نسبتا McAfee، 85% و95%، فهما تقديرات الشركة نفسها، ولم نجد أي تكرار مستقل لها. وغطى تقييم Consumer Reports كلا من Descript وElevenLabs وLovo وPlayHT وResemble AI وSpeechify.
7. الضمانات والكشف وقرارات الإصدار
تنقسم قرارات الإصدار في هذا المجال. تقول Microsoft إنه «لا توجد خطط لدمج VALL-E 2 في أي منتج أو توسيع الوصول إليه للعامة» (صفحة مشروع VALL-E 2)، واختارت OpenAI «المعاينة دون الإطلاق الواسع» لـ Voice Engine مع حثها المصارف على التخلي تدريجيا عن المصادقة الصوتية. وفي المقابل يدعو مؤلفو F5-TTS إلى العلامات المائية ونماذج الكشف لمواجهة مخاطر إساءة الاستخدام التي يذكرونها. واعتبرت لجنة التجارة الفيدرالية المشكلة مفتوحة بما يكفي لتمويل تحد لها (FTC، الفائزون في تحدي استنساخ الصوت 2024).
تعتمد نتائج الكشف اعتمادا كبيرا على ما يقارن به الصوت المزيف. فقد فصل مصنّف Meta مخرجات Voicebox عن الصوت الأصلي فصلا تاما، لكنه سجل 0.704 أمام كلام حقيقي مرره فوكودر (برنامج يعيد بناء الصوت من طيفه) عند أدنى مستوى للإخفاء. وللاطلاع على أداء كاشفات التزييف بعمق أكبر، راجع إحصائيات دقة كشف التزييف العميق للصوت لدينا.
| المقياس | القيمة | المصدر |
|---|---|---|
| مبلغ الجائزة الذي اقتسمه الفائزون الثلاثة في تحدي FTC لاستنساخ الصوت | 35,000 دولار (أعلن في 8 أبريل 2024) | لجنة التجارة الفيدرالية الأمريكية، تحدي استنساخ الصوت 2024 |
| حجم مقطع الصوت الذي يفحصه كاشف الاستنساخ الفوري Pindrop المعترف به من FTC | مقاطع مدتها ثانيتان | لجنة التجارة الفيدرالية الأمريكية، تحدي استنساخ الصوت 2024 |
| دقة مصنّف الكشف في Voicebox مقابل الصوت الأصلي، ومقابل صوت حقيقي مرره فوكودر عند إخفاء 30% و50% و90% من الصوت | 1.000 مقابل الأصلي؛ 0.704، 0.809، 0.907 مقابل المرر عبر الفوكودر | Meta، ورقة Voicebox (NeurIPS 2023) |
| متى طورت OpenAI نظام Voice Engine أول مرة ومتى نشرت معاينتها المحدودة | أواخر 2022 مقابل 29 مارس 2024 | OpenAI، منشور الأصوات الاصطناعية 2024 |
| عدد الفرق في تحدي ASVspoof 5، وأصعب هجوم في الظروف المفتوحة للمسار 1 | 53 فريقا؛ YourTTS مدرَّب مسبقا ويعمل بلا تدريب على المتحدث (minDCF 0.33) | Wang وآخرون، ورقة تقييم ASVspoof 5 لعام 2026 |
سياق: minDCF هو درجة تكلفة كشف، وكلما ارتفعت دل ذلك على أن الكاشفات واجهت صعوبة أكبر. وكون نموذج YourTTS مدرب مسبقا يتصدر قائمة الصعوبة في الظروف المفتوحة في ASVspoof 5 يوحي بأن هجمات الاستنساخ بلا تدريب مسبق لا تحتاج إلى نظام متقدم كي تسبب مشكلة، وإن كانت الورقة لا تفصل هذه النتيجة بحسب طول المقطع المرجعي.
الخلاصة: طول الصوت المرجعي في استنساخ الصوت بلا تدريب مسبق بالأرقام
| المقياس | القيمة | المصدر |
|---|---|---|
| العينة الصوتية التي يعمل منها OpenAI Voice Engine | 15 ثانية | OpenAI، منشور الأصوات الاصطناعية 2024 |
| VALL-E 2 على VCTK، مقطع مرجعي 3 ثوان مقابل 10 ثوان (حجم المجموعة 1): التشابه وWER | 0.447 مقابل 0.558؛ 0.9% مقابل 3.3% | Microsoft Research، ورقة VALL-E 2 لعام 2024 |
| نسبة الصوت المدخل التي يحتاجها Voicebox لمساواة تشابه VALL-E | نحو الثلثين | Meta، ورقة Voicebox (NeurIPS 2023) |
| تشابه F5-TTS، مقاطع مرجعية طويلة (7.7 ث) مقابل قصيرة (5.5 ث) على الكلام في الظروف الواقعية | 0.35 مقابل 0.24 | مركز برشلونة للحوسبة الفائقة، مشاركة WildSpoof TTS 2026 |
| معدل الخطأ في الكلمات لدى StyleTTS2، مقاطع مرجعية طويلة (7.7 ث) مقابل قصيرة (5.5 ث) | 0.21 مقابل 0.49 | مركز برشلونة للحوسبة الفائقة، مشاركة WildSpoof TTS 2026 |
| طول الصوت المرجعي لاستنساخ عالي الدقة بـ XTTS-v2 | من 6 إلى 10 ثوان | Zhu، أطروحة جامعة خرونينغن 2025 |
| تشابه NaturalSpeech 3 مقابل التسجيلات الحقيقية | 0.67 مقابل 0.68 | Microsoft Research، ورقة NaturalSpeech 3 لعام 2024 |
| معدل الخطأ في الكلمات لدى F5-TTS مقابل الكلام الحقيقي | 2.42% مقابل 2.23% | Chen وآخرون، ورقة F5-TTS 2024 |
| تشابه Mega-TTS 2 بلا تدريب مسبق مقابل النموذج الأساسي المضبوط بدقة مع 300 ثانية من الصوت | 0.932 مقابل 0.934 | Jiang وآخرون، Mega-TTS 2 (ICLR 2024) |
| تقييم المستمعين لتشابه YourTTS، بلا تدريب مسبق مقابل مضبوط بدقة على 20 ثانية | 2.77 مقابل 4.43 | Casanova وآخرون، YourTTS (ICML 2022) |
| تشابه XTTS عبر اللغات بعد نحو 10 دقائق من الضبط الدقيق | من 0.5852 إلى 0.7166 | Casanova وآخرون، ورقة XTTS (INTERSPEECH 2024) |
| المستمعون الذين اعتبروا الصوت المستنسخ بالذكاء الاصطناعي هو المتحدث الحقيقي | نحو 80% | Barrington وCooper وFarid، Scientific Reports 2025 |
| الصوت اللازم لتطابق مقدر بنسبة 85% (معيار المزود) | من ثلاث إلى أربع ثوان | McAfee، Beware the Artificial Impostor 2023 |
| البالغون في المملكة المتحدة الذين يقولون إنهم استهدفوا بعملية احتيال باستنساخ الصوت | 28% | استطلاع Starling Bank وMortar Research 2024 |
| منتجات استنساخ الصوت التي لم تتخذ خطوات أساسية ضد الاستنساخ دون إذن | 4 من 6 | Consumer Reports، تقييم استنساخ الصوت 2025 |
| مبلغ الجائزة لفائزي تحدي FTC لاستنساخ الصوت | 35,000 دولار | لجنة التجارة الفيدرالية الأمريكية، تحدي استنساخ الصوت 2024 |
المنهجية والمصادر
- Neural Codec Language Models are Zero-Shot Text to Speech Synthesizers (VALL-E) (Microsoft Research، 2023): إعداد المقطع المرجعي ذي الثواني الثلاث ونتائج VCTK بحسب طول المقطع.
- VALL-E 2: Neural Codec Language Models are Human Parity Zero-Shot Text to Speech Synthesizers (Microsoft Research، 2024): التشابه وWER وSMOS على VCTK عند 3 و5 و10 ثوان.
- VALL-E 2 project page (Microsoft Research): بيان الإصدار.
- NaturalSpeech 3: Zero-Shot Speech Synthesis with Factorized Codec and Diffusion Models (Microsoft Research ومشاركون من الجامعات، 2024): المقارنة على LibriSpeech.
- Voicebox: Text-Guided Multilingual Universal Speech Generation at Scale (Meta، NeurIPS 2023): تحليل طول المقطع المرجعي، والمعيار الإنجليزي، ومصنّف الكشف.
- YourTTS: Towards Zero-Shot Multi-Speaker TTS and Zero-Shot Voice Conversion for everyone (Casanova وآخرون، ICML 2022): تكييف المتحدث بلا تدريب مسبق مقابل الضبط الدقيق.
- XTTS: a Massively Multilingual Zero-Shot Text-to-Speech Model (Casanova وآخرون، INTERSPEECH 2024): طول المقطع المرجعي، والتشابه بالإنجليزية، ومكسب الضبط الدقيق.
- Mega-TTS 2: Boosting Prompting Mechanisms for Zero-Shot Speech Synthesis (Jiang وآخرون، ByteDance وجامعة تشجيانغ، ICLR 2024): مقاطع مرجعية من 3 إلى 300 ثانية مقابل نموذج أساسي مضبوط بدقة.
- Seed-TTS: A Family of High-Quality Versatile Speech Generation Models (ByteDance، 2024): الاستنساخ بلا تدريب مسبق مقابل الضبط الدقيق على المتحدث.
- F5-TTS: A Fairytaler that Fakes Fluent and Faithful Speech with Flow Matching (Chen وآخرون، 2024): معيار LibriSpeech-PC.
- MiniMax-Speech: Intrinsic Zero-Shot Text-to-Speech with a Learnable Speaker Encoder (Zhang وآخرون، 2025): الاستنساخ بتضمين المتحدث مقابل الاستنساخ بالنص المقترن.
- Zero-Shot TTS With Enhanced Audio Prompts: BSC submission for the 2026 WildSpoof challenge TTS track (مركز برشلونة للحوسبة الفائقة، 5 فبراير 2026): المقاطع المرجعية الطويلة مقابل القصيرة.
- Zero-Shot Voice Cloning with Minimal Data: Impact of Reference Duration on Long-Form Speech Synthesis (Zhu، جامعة خرونينغن، 2025): اختبار المقاطع المرجعية من 1 إلى 40 ثانية.
- People are poorly equipped to detect AI-powered voice clones (Barrington وCooper وFarid، Scientific Reports، 2025).
- ASVspoof 5: Evaluation of Spoofing, Deepfake, and Adversarial Attack Detection Using Crowdsourced Speech (Wang وآخرون، 7 يناير 2026).
- FTC Announces Winners of Voice Cloning Challenge (لجنة التجارة الفيدرالية الأمريكية، 8 أبريل 2024).
- Do These 6 AI Voice Cloning Companies Do Enough to Prevent Misuse? (Consumer Reports، 10 مارس 2025).
- Beware the Artificial Impostor (McAfee، مايو 2023؛ بحث من مزود تجاري).
- Starling Bank Safe Phrases campaign (Starling Bank وMortar Research، 18 سبتمبر 2024).
- OpenAI post on the challenges and opportunities of synthetic voices (OpenAI، 29 مارس 2024).
- ElevenLabs Instant Voice Cloning documentation (إرشادات المزود، اطلعنا عليها في أكتوبر 2026).
- ملاحظة حول البيانات: درجات التشابه غير قابلة للمقارنة بين الأوراق، لأن كل ورقة تستخدم نموذجها الخاص للتعرف على المتحدث ومجموعة اختبارها ومقياسها (يسجل الكلام الحقيقي على LibriSpeech 0.754 أو 0.68 أو 0.69 بحسب الورقة)، لذلك لا تقارن إلا داخل الصف الواحد. وتعرض ورقة Mega-TTS 2 قيم تشابه أعلى بكثير من غيرها، إذ يسجل VALL-E فيها 0.885 مقابل 0.580 في الورقة الأصلية، ولذلك ينبغي قراءة أرقامها بالنسبة إلى بعضها فقط. وقد بنى مؤلفو Mega-TTS 2 طرفي مقارنة الضبط الدقيق بأنفسهم. ويذكر نص Voicebox أن التشابه ينمو ثم يستقر مع المقاطع المرجعية الأطول، بينما يذكر تعليق الشكل فيه أنه يبقى ثابتا حتى 10 ثوان. ويسمي MiniMax-Speech الاستنساخ بالنص المقترن «أحادي اللقطة» ويصنف Seed-TTS على هذا النحو، مع أن Seed-TTS يصف نفسه بأنه بلا تدريب مسبق. وقد ضبطت نماذج WildSpoof بدقة على مجموعة بيانات TITW قبل الاختبار، فهذه النتائج ليست خطوط أساس خالصة بلا تدريب مسبق. وتحمل درجات المستمعين لـ VALL-E 2 عند 10 ثوان فترات ثقة واسعة (تصل إلى ±0.49). ولا تذكر ورقة Scientific Reports مدة المقطعين المرجعيين اللذين يقف خلف كل صوت مستنسخ، ولذلك لا ينبغي قراءة نسبة 80% فيها على أنها رقم لطول مقطع مرجعي معين. ولا يعطي ملخص أطروحة Zhu قيم تشابه، بل الأطوال واتجاه الأثر فقط. وVALL-E وVoicebox وYourTTS وMcAfee أقدم من ثلاث سنوات، وقد وسمناها بأنها أحدث البيانات المتاحة: فلم نجد ورقة من 2025 أو 2026 تكرر المنحنى الكامل عند 3 و5 و10 ثوان على معيار مشترك. أما استطلاعا Starling Bank وMcAfee فهما قائمان على التصريح الذاتي.
آخر تحديث: 31 أكتوبر 2026. نحدّث هذا الاستعراض كل ثلاثة أشهر، ومن المتوقع أن يأتي التحديث التالي عند نشر وقائع مؤتمر ICASSP 2027.