استمع إلى آخر فيديو نشرته، ثم اسأل نفسك سؤالاً واحداً: هل يبدو الصوت وكأن أحداً من الكويت يتحدث إلى أحد من الكويت؟ إن ترددت في الجواب، فالمشكلة ليست في جودة المحرك.
أصبح إنتاج تعليق صوتي بالذكاء الاصطناعي أرخص بكثير من حجز استوديو، وأسرع من انتظار معلّق مشغول. لكن الرخص نقل المشكلة ولم يحلّها: صار بإمكانك توليد عشرين نسخة في ساعة، ولا أحد في الفريق يعرف أي نسخة تصلح للنشر.
الفرق بين تسجيل مقبول وتسجيل يُفقدك ثقة المستمع لا يسكن في الأداة. إنه يسكن في ثلاثة قرارات تحريرية: أي لهجة، ومن يملك هذا الصوت، ومن يستمع إلى الملف قبل أن يخرج إلى الناس. هذا المقال عن تلك القرارات الثلاثة، لا عن مقارنة أدوات.
متى يصلح تعليق صوتي بالذكاء الاصطناعي ومتى لا يصلح؟
يصلح تعليق صوتي بالذكاء الاصطناعي في المحتوى الذي يخدم المستمع ولا يدّعي شيئاً عن قائله: شرح المنتج، والتدريب الداخلي، ووصف الخطوات، والفيديو التعليمي، والإعلان القصير الذي تحتاج منه عشرات النسخ. ولا يصلح في اللحظة التي يُفترض فيها أن الصوت صوت إنسان بعينه، مثل رسالة المدير التنفيذي أو شهادة عميل.
القاعدة التي أعمل بها بسيطة: كلما اقترب المحتوى من الوعد الشخصي، ارتفعت كلفة أن يكتشف المستمع أن الصوت مُولَّد.
ولاحظ أن الاكتشاف نفسه ليس عيباً. مشاهد اليوم يعرف أن كثيراً من الأصوات التي تصله مركّبة، ولا يزعجه ذلك في شرح تقني أو في إعلان عن خصم نهاية الموسم. ما يزعجه أن يُقال له «هذا أنا أكلمك» ثم يتبيّن أنه ليس هو. الخديعة هي المشكلة، لا التقنية. ولهذا أرى أن سطر إفصاح قصير في وصف الفيديو يحلّ نصف الإشكال بلا تكلفة تُذكر، ويحلّ النصف الآخر اختيارُ المحتوى المناسب من البداية.
وبصراحة، هناك حالة واحدة أرفض فيها الصوت المولَّد حتى لو وافق العميل: التواصل في أزمة. استدعاء منتج، انقطاع خدمة، اعتذار عن ضرر أصاب أحداً. هناك تكون النبرة البشرية هي الرسالة نفسها، وأي بديل عنها يُقرأ كاستخفاف.
الفصحى أم اللهجة الخليجية: قرار تحريري لا إعداد تقني
اختيار الفصحى أو اللهجة الخليجية يتخذه من يعرف الجمهور، لا من يضبط الإعدادات. الفصحى تعبر الحدود من الكويت إلى المغرب، وتليق بالمحتوى المؤسسي والتعليمي والرسمي، وتبقى صالحة بعد سنوات. اللهجة الخليجية تختصر المسافة في الإعلان القصير والمحتوى الاجتماعي والرد على اعتراض، لكنها تحصر الفيديو داخل سوقه.
| نوع المحتوى | الاختيار الافتراضي | السبب |
|---|---|---|
| فيديو تعريفي بالشركة | فصحى | يُعاد استخدامه في كل الأسواق العربية ويعيش سنوات |
| إعلان قصير على منصات التواصل | لهجة محلية | يُقاس بالتفاعل خلال أيام، والقرب أهم من الاتساع |
| تدريب داخلي وإجراءات تشغيل | فصحى | فريق متعدد الجنسيات، والمصطلح يجب أن يكون واحداً |
| شرح منتج للعميل النهائي | فصحى مبسّطة | وضوح بلا رسمية ثقيلة تُبعد المستمع |
| رد على شكوى أو أزمة | صوت بشري | النبرة هنا هي الرسالة، ولا تُستبدل |
والخطأ الشائع أن يُطلب «خليجي» وكأنه زرّ واحد. الخليجي الكويتي ليس النجدي وليس الإماراتي، والمستمع يسمع الفرق حتى لو لم يعرف كيف يسمّيه. فإن كان الفيديو موجهاً إلى الكويت تحديداً، اكتب النص بمفردات كويتية وراجعه مع كويتي، ولا تكتفِ باختيار «لهجة خليجية» من قائمة منسدلة.
وهناك خيار ثالث يُهمَل كثيراً: فصحى خفيفة بمفردات يومية، جمل قصيرة وأفعال مباشرة بلا إعراب متكلَّف. تعبر الحدود مثل الفصحى وتُسمع قريبة مثل اللهجة، وهي في تقديري الأنسب لأغلب محتوى الشركات في الخليج.
ما تكرّر معي في مراجعة النصوص العربية
العائق الأول في النص المعدّ للقراءة الآلية ليس اللهجة، بل أن النص مكتوب ليُقرأ بالعين لا بالأذن: جمل طويلة معطوفة بالواو، وجمل اعتراضية بين شرطتين، وفقرة كاملة بلا نقطة واحدة. الأداة تقرأ ما كُتب فتخرج بلا تنفّس. اكتب النص كما تتكلم، واقرأه بصوتك المرتفع قبل أن تسلّمه لأي محرك.
من أين تأتي أخطاء النطق في التعليق العربي؟
أخطاء النطق في التعليق العربي تأتي من أربعة مصادر متكررة: غياب التشكيل الذي يجعل الكلمة الواحدة تحتمل أكثر من قراءة، والأرقام والعملات والتواريخ التي لكل منها أكثر من طريقة لفظ، والمختصرات اللاتينية داخل جملة عربية، وأسماء الأعلام الأجنبية وأسماء المنتجات التي لم يرها المحرك من قبل.
التشكيل الغائب
العربية تُكتب عادةً بلا علامات الحركات القصيرة، فيقع اللبس بين قراءات الجذر الواحد. الحل ليس تشكيل النص كله — فذلك يُفسد قراءته على البشر — بل تشكيل الكلمات الملتبسة وحدها.
الأرقام والعملات
«1250 د.ك» يجب أن تُسمع «ألفاً ومئتين وخمسين ديناراً». اكتب المبلغ بالحروف في نسخة النص المخصصة للقراءة، واترك الرقم لنسخة الشاشة.
المختصرات اللاتينية
SEO وERP وKPI: هل تُهجّأ بالإنجليزية أم تُترجم؟ اختر واحدة وثبّتها. التنقّل بين الصيغتين داخل الفيديو الواحد هو ما يخدش الأذن، لا الصيغة نفسها.
أسماء الأعلام
اسم الشركة، اسم المنتج، اسم الحي، اسم الشخص. اكتبها صوتياً بالعربية كما يجب أن تُنطق، واحفظها في قائمة نطق واحدة يرجع إليها كل من يكتب نصاً جديداً.
الجانب التقني من هذا محلول على مستوى المعيار منذ سنوات. لغة توصيف تركيب الكلام SSML من W3C تتيح تحديد طريقة لفظ الأرقام والتواريخ والمختصرات، واستبدال نص بنص آخر عند القراءة، وفرض نطق بعينه لكلمة بعينها عبر معجم نطق. ليست كل الأدوات تدعم ذلك بالقدر نفسه، لكن المبدأ ثابت: عالج الحالة الشاذة في النص أو في المعجم، لا بإعادة التوليد عشر مرات على أمل أن تتحسن النتيجة صدفة.
أما التشكيل فمسألة أعمق من كونها إعداداً. علامات الحركات القصيرة — وهي ما يسميه مستند متطلبات تنسيق النص العربي لدى W3C «التشكيل» — اختيارية في الكتابة اليومية، والقارئ البشري يستنتجها من السياق. المحرك يستنتجها أيضاً، لكنه يخطئ حيث يقصر السياق: في العنوان المفرد، وفي اسم القسم، وفي الجملة الواحدة المعروضة على الشاشة. تلك تحديداً المواضع التي تستحق دقيقة من التشكيل اليدوي.
استنساخ الصوت يبدأ بموافقة صاحبه
استنساخ الصوت يعني بناء نموذج من تسجيلات شخص حقيقي، ثم توليد كلام جديد بصوته لم ينطقه قط. والشرط الأول هنا ليس تقنياً بل إنسانياً: موافقة صاحب الصوت، مكتوبة وواضحة في نطاقها ومدتها. من دون ذلك أنت تبني أصلاً لا تملكه، وقد تضطر يوماً إلى سحبه من كل فيديو نشرته.
ولأنني لست محامياً ولن أتظاهر بذلك، سأقف عند الجانب العملي وحده. الموافقة ليست توقيعاً يحدث مرة وينتهي، بل اتفاق يحدد أين يُستعمل الصوت، وإلى متى، وماذا يحدث إن ترك الشخص العمل. المذيع الذي سجّل لك مئة جملة اليوم قد ينتقل إلى منافسك بعد سنة، والفيديوهات التي تحمل صوته ستبقى على قناتك ومنصاتك الإعلانية. اتفق على ذلك قبل التسجيل لا بعده، وخذ الصياغة النهائية إلى مستشارك القانوني.
وهناك اعتبار ثانٍ يغيب عن أغلب النقاشات. الموظف الذي «يوافق» على استنساخ صوته وهو جالس أمام مديره لا يوافق بحرية كاملة، وأنت تعرف ذلك في قرارة نفسك. اجعل الرفض ممكناً بلا ثمن، واجعل البديل جاهزاً قبل أن تسأل: صوت مُرخَّص من مكتبة أصوات، أو صوت محايد لا يعود إلى شخص بعينه. ولا تخلط بين الاثنين، فالمُرخَّص له عقد استعمال والمستنسخ له صاحب. المفارقة أن أغلب المحتوى المؤسسي لا يحتاج إلى صوت شخص بعينه أصلاً، بل يحتاج إلى صوت واضح ومتسق فقط. فإن كان هذا هو حالك، فلماذا تدخل في مسألة الاستنساخ كلها؟
ما الذي يجب أن يسمعه إنسان قبل النشر؟
قبل نشر أي تعليق صوتي بالذكاء الاصطناعي، يجب أن يستمع إنسان إلى الملف كاملاً مرة واحدة على الأقل، بسماعة لا بمكبر الحاسوب، والنص مكتوب أمامه. المراجعة بالقراءة وحدها لا تكفي، لأن الأخطاء التي تُفقد الثقة أخطاء تُسمع ولا تُرى: نبرة مسطحة في جملة مهمة، أو وقفة في غير موضعها، أو اسم منتج منطوق خطأ.
- الأسماء والأرقام: اسم الشركة، اسم المنتج، أسماء المدن والمناطق، المبالغ، أرقام التواصل، التواريخ. هذه أول ما تلتقطه أذن المستمع الخليجي.
- مواضع الوقف: هل يتنفّس الصوت عند المعنى أم عند علامات الترقيم فقط؟ إن كان الثاني، عدّل النص لا الإعدادات.
- ثبات المستوى اللغوي: جملة فصيحة رصينة وسط نص خليجي تُسمع كخلل، والعكس صحيح تماماً.
- النبرة عند الالتزام: الجملة التي تحمل وعداً — الضمان، مدة التسليم، الشرط — تُقرأ بثقة وبطء، لا بسرعة المرور.
- المطابقة مع الشاشة: إن ظهر نص مكتوب في الفيديو، فالمسموع والمكتوب يتطابقان لفظاً لا معنى فقط، وإلا تشتّت المشاهد.
- الاستماع في ظروف المستمع: على جوال، بصوت منخفض، وربما بلا سماعة أصلاً. هكذا يُشاهَد أغلب المحتوى في الواقع.
وثّق من راجع ومتى. سطر واحد في ملف الإنتاج يكفي، وهو ما ينقذك حين يسأل أحدهم بعد ثلاثة أشهر: من وافق على هذا؟
الاختبار الذي يوفّر عليك إعادة العمل
قبل أن تولّد مئة مقطع، ولّد ثلاثة فقط: أطول جملة في النص، والجملة التي فيها رقم وعملة، والجملة التي فيها اسم المنتج. إن نجحت الثلاثة نجح الباقي غالباً، وإن سقطت واحدة فالعطل في النص أو في قائمة النطق لا في المحرك. ثلاث دقائق هنا وفّرت علينا أياماً من إعادة التوليد أكثر من مرة.
التعليق الصوتي حلقة في خط إنتاج لا مهمة منفردة
التعليق الصوتي المولَّد يصبح مجدياً حين يكون حلقة في خط إنتاج: نص معتمد، ثم قائمة نطق ثابتة، ثم توليد، ثم مراجعة بشرية موثّقة، ثم نشر وأرشفة للملف الصوتي مع نسخته النصية. أما أن يولّد كل موظف مقطعاً كلما احتاج إليه، فنتيجته عشرون صوتاً مختلفاً لعلامة تجارية واحدة خلال شهرين.
الاتساق هو المكسب الحقيقي هنا، وليست السرعة. حين تكون قائمة النطق ملفاً واحداً يرجع إليه الجميع، يُنطق اسم منتجك بالطريقة نفسها في فيديو التدريب، وفي إعلان الموسم، وفي رسالة الترحيب على الهاتف.
وحين يُضاف إلى الصوت وجه يتحدث على الشاشة، يصير الأمر خط إنتاج كاملاً: نص يدخل من طرف، وفيديو بمقدّم يخرج من الطرف الآخر، ومراجعة بشرية بينهما. وهذا النوع من الأنظمة هو ما نبنيه للعملاء ونسلّمه كوداً يملكونه، وتفاصيله في صفحة خط إنتاج الفيديو بمقدّم افتراضي. الفارق العملي بين نظام وأداة متفرقة أن النظام يحتفظ بسجل: من كتب، ومن وافق، ومن استمع، ومتى نُشر.
ونحن في تك فيجن إيرا شركة تطوير برمجيات ووكالة تسويق رقمي متكاملة، تأسست عام 2010 ومقرّها ماليزيا، ويعمل فيها أكثر من ثمانين متخصصاً، ومعظم عملائنا في الخليج. وعملنا في فيديو الذكاء الاصطناعي عمل بناء لا بيع اشتراك: تنسيق، وتوجيه نماذج، وتوليد بالدفعات، ومراجعة التزام بدليل العلامة، ونشر. وإن أردت التجربة قبل أي التزام، فلدينا أدوات مجانية بلا تسجيل.
والقرار الذي أمامك اليوم ليس «أستخدم الذكاء الاصطناعي أم لا». إنه أضيق من ذلك: افتح قائمة الفيديوهات التي تنوي إنتاجها هذا الربع، وضع أمام كل عنوان حرفاً واحداً — «ف» للفصحى، «خ» للهجة المحلية، «ب» لصوت بشري لا يُستبدل. ثم اكتب قائمة نطق من عشرة أسماء فقط: علامتك، ومنتجاتك، ومدنك. هذان الملفان الصغيران، لا المحرك الذي ستختاره، هما ما سيحدد جودة كل تعليق تنتجه بعد اليوم.