صوتك لا يغادر هاتفك
حلم لم يبصر الضوء (العدسة الذكية)
الأداة مفتوحة المصدر تعمل محلياً على جهاز المستخدم، وتجمع في تطبيق واحد مجموعة واسعة من أدوات الذكاء الاصطناعي الصوتية، تشمل استنساخ الأصوات، وتحويل النص إلى كلام، والإملاء الصوتي، وتحرير المشاريع متعددة المسارات، إلى جانب إمكانية ربطها بمساعدات الذكاء الاصطناعي.
وتستهدف «Voicebox» بصورة خاصة صناع المحتوى والمطورين ومنتجي البودكاست، وكذلك المستخدمين الذين يريدون بديلاً مجانياً للخدمات السحابية المدفوعة، مع سيطرة أكبر على ملفاتهم وبياناتهم الصوتية.
استوديو صوتي داخل الكمبيوتر
لا تتوقف الأداة عند تحويل النص إلى كلام. فهي تتضمن محرراً متعدد المسارات يمكن من خلاله إنشاء حوارات وقصص بأصوات متعددة، وقص المقاطع وترتيبها ودمجها في مشروع واحد.
كما توفر أدوات للتحكم في طبقة الصوت ومستواه، إلى جانب مؤثرات مثل الصدى والتأخير والضغط الصوتي، ما يجعلها أقرب إلى استوديو صوتي مصغر داخل الكمبيوتر.
استنساخ الصوت من ثوانٍ قليلة
تتيح الأداة للمستخدم تسجيل عينة من صوته أو تحميل تسجيل موجود مسبقاً، ثم إنشاء نموذج صوتي يمكنه قراءة نصوص جديدة.
ويمكن أن تبدأ العملية من عينة قصيرة لا تتجاوز بضع ثوانٍ، لكن جودة الصوت الناتج لا تعتمد على طول العينة وحده، بل تتأثر أيضاً بوضوح التسجيل، وغياب الضوضاء والموسيقى، وقوة الجهاز، والمحرك المستخدم.
وهنا يجب الحذر من الانبهار الدعائي؛ فاستنساخ الصوت لا يعني بالضرورة الحصول على نسخة مطابقة تماماً للصوت الأصلي في كل مرة. فقد تختلف اللهجة وسرعة الكلام ودرجة التعبير والنبرة من نموذج إلى آخر.
سبعة محركات في تطبيق واحد
من أبرز ما يميز «Voicebox» جمعها سبعة محركات مختلفة لتحويل النص إلى صوت، بينها «Qwen3-TTS» و«Kokoro» و«TADA» و«Chatterbox Multilingual».
وتختلف هذه المحركات في السرعة والجودة واللغات التي تدعمها. أما العربية فتأتي بصورة أساسية عبر «Chatterbox Multilingual»، الذي يدعم 23 لغة، من بينها العربية والإنجليزية والصينية والفرنسية والألمانية واليابانية والتركية.
وبعض هذه النماذج لا يكتفي بقراءة النص، بل يستطيع إنتاج أداء صوتي أكثر تعبيراً، بما في ذلك مؤثرات مثل الهمس والضحك والتنهد، وإن كانت هذه القدرات تختلف من نموذج إلى آخر.
وهذه النقطة تحديداً تمنح «Voicebox» ميزة مهمة: بدلاً من الارتباط بمحرك صوتي واحد، يستطيع المستخدم تجربة عدة نماذج واختيار الأنسب للمهمة التي يريد تنفيذها.
وتبرز فائدة أخرى عند التعامل مع النصوص الطويلة. إذ تستطيع الأداة تقسيم المقالات أو السيناريوهات أو القصص إلى أجزاء، وتوليد الصوت لكل جزء ثم دمجها تلقائياً، بدلاً من إجبار المستخدم على معالجة النص كاملاً دفعة واحدة.
تحدث ودع الذكاء يكتب
تضم «Voicebox» أيضاً ميزة للإملاء الصوتي تعتمد على نموذج «Whisper»، بحيث يستطيع المستخدم التحدث مباشرة وتحويل كلامه إلى نص يمكن إدخاله في التطبيق الذي يعمل عليه.
وتوفر الأداة نماذج بأحجام مختلفة، تبدأ بخيارات أخف وأسرع، وصولاً إلى نماذج أكبر تحتاج إلى موارد حوسبة أعلى لكنها قد تقدم دقة أفضل.
والأكثر إثارة أن المستخدم يستطيع الاستعانة بنموذج لغوي محلي لمعالجة النص بعد تفريغه، مثل تصحيح علامات الترقيم، وإزالة كلمات التردد والتوقفات غير الضرورية وتنظيف النص قبل استخدامه.
وهذا يحول «Voicebox» من مجرد أداة للصوت إلى حل متكامل يبدأ من الكلام وينتهي بنص أو تسجيل صوتي جاهز.
عندما يتحدث مساعدك
تذهب الأداة خطوة إضافية من خلال دعم بروتوكول سياق النماذج «MCP»، الذي يسمح بربطها بأدوات ومساعدات ذكاء اصطناعي مثل «Claude Code» و«Cursor» و«Cline».
وبفضل هذا الربط، يمكن للمساعد الذكي قراءة الردود أو تلخيص نتائج المهام بصوت يختاره المستخدم، بما في ذلك الأصوات التي جرى استنساخها داخل «Voicebox».
وقد تبدو الميزة للوهلة الأولى ترفاً، لكنها يمكن أن تكون عملية في بيئات البرمجة والعمل الطويل، إذ يستطيع المساعد مثلاً الإعلان صوتياً عن انتهاء مهمة أو قراءة ملخص النتائج من دون حاجة المستخدم إلى العودة باستمرار إلى الشاشة.
بياناتك معك
ربما تكون الخصوصية أقوى أوراق «Voicebox».فبدلاً من رفع التسجيلات إلى خوادم خارجية، تعمل النماذج والملفات الصوتية محلياً على جهاز المستخدم. ولا تحتاج الأداة إلى حساب أو اشتراك شهري، كما لا توجد رسوم مرتبطة بعدد الأحرف أو دقائق الاستخدام بالطريقة المعتادة في الخدمات السحابية. لكن لهذه الحرية ثمناً.
فالتشغيل المحلي يعني تنزيل نماذج قد يصل حجم بعضها إلى عدة غيغابايت، كما أن سرعة التوليد وجودته ترتبطان مباشرة بمواصفات الجهاز.
وتعمل الأداة على أجهزة «ماك» بمعالجات «Apple Silicon» و«Intel»، وعلى أجهزة «ويندوز» بنظام 64 بت، بينما يحتاج مستخدمو «لينكس» إلى بناء البرنامج من الشفرة المصدرية أو استخدام
رغم الانتشار الذي حققه المشروع داخل مجتمع البرمجيات مفتوحة المصدر وحصوله على عشرات الآلاف من النجوم على «GitHub»، فإن «Voicebox» لا تزال مشروعاً في طور التطوير. وتظهر بعض الملاحظات في عملية التثبيت وتنزيل النماذج والتوافق مع بعض بطاقات الرسوميات، فضلاً عن تفاوت الأداء بصورة واضحة من جهاز إلى آخر. كما أن تطوير المشروع يتم من جانب مطور واحد بوصفه مشروعاً جانبياً، وهو ما يفسر الفارق في سهولة الاستخدام والاستقرار مقارنة بالخدمات التجارية الكبرى التي تقف خلفها فرق تطوير وبنية تحتية ضخمة.
هل تستطيع منافسة «ElevenLabs»؟
السؤال الطبيعي بعد كل هذه المزايا هو: هل تستطيع «Voicebox» منافسة «ElevenLabs»؟ الإجابة ليست نعم أو لا. فالخدمات السحابية التجارية لا تزال تتمتع بأفضلية واضحة في سهولة الاستخدام وثبات النتائج وسرعة التوليد، لأنها تعتمد على خوادم قوية ولا تتطلب من المستخدم امتلاك جهاز بمواصفات مرتفعة.
أما «Voicebox» فتقدم فلسفة مختلفة تماماً. هي مناسبة لمن يضع الخصوصية أولاً، أو يريد تجربة محركات متعددة، أو يحتاج إلى تشغيل نماذج الصوت محلياً، أو يريد التخلص من الاشتراكات والقيود المرتبطة بالاستخدام السحابي.
وبمعنى آخر، قد لا تكون «Voicebox» قاتلة لـ«ElevenLabs»، لكنها تمثل تحدياً لفكرة أن الذكاء الاصطناعي الصوتي يجب أن يعمل دائماً عبر خوادم الشركات.
الجانب المظلم
لكن كلما أصبحت تقنية استنساخ الصوت أسهل، أصبحت إساءة استخدامها أسهل أيضاً. فالتقنية يمكن أن تستخدم في إنتاج تسجيلات مضللة أو انتحال شخصيات حقيقية أو صناعة محتوى مزيف يبدو مقنعاً بدرجة يصعب معها على المستمع العادي اكتشافه.
ولهذا فإن الاستخدام المسؤول ليس تفصيلاً ثانوياً. ينبغي استخدام استنساخ الأصوات التي يملك المستخدم حق استعمالها أو بعد الحصول على موافقة أصحابها، خصوصاً عندما يتعلق الأمر بشخصيات حقيقية أو محتوى يمكن أن يؤثر في سمعة شخص أو قرارات الجمهور.
لا تقدم «Voicebox» مجرد أداة جديدة لتحويل النص إلى صوت، بل تقدم تصوراً مختلفاً لمستقبل الذكاء الاصطناعي نفسه: ذكاء اصطناعي يعمل على جهازك، يعرف ملفاتك، لكنه لا يحتاج بالضرورة إلى إرسالها إلى أحد. وربما تكون هذه هي النقطة الأكثر أهمية في المشروع.
فالمنافسة المقبلة في الذكاء الاصطناعي لن تكون فقط حول من ينتج صوتاً أكثر واقعية، أو نصاً أكثر ذكاءً. قد تكون المعركة الحقيقية حول سؤال أبسط: هل تريد أن تستخدم الذكاء الاصطناعي عبر خوادم الآخرين، أم أن يصبح الذكاء الاصطناعي جزءاً من جهازك أنت؟ فالمنافسة المقبلة في الذكاء الاصطناعي لن تكون فقط حول من ينتج صوتاً أكثر واقعية، أو نصاً أكثر ذكاءً.
