النماذج واللغات والأصوات

راجع كل قيمة لغة ونموذج تحويل الكلام إلى نص ومستوى تمييز ونموذج TTS وصوت في HUMAIN Voice، مع ثوابت SDK 0.18.1 المطابقة.

يأخذ كل سير عمل مجموعة مختلفة من المحددات. تنطبق اللغة على كل سير عمل لتحويل الكلام إلى نص عدا التمييز المباشر. وينطبق نموذج التعرف التلقائي على الكلام (ASR) على النسخ الدفعي والسريع فقط. وتنطبق مستويات التمييز على النسخ الدفعي. أما TTS فيأخذ نموذجًا وصوتًا. لاختيار سير العمل نفسه راجع المفاهيم.

اللغات

يصدّر SDK لـJavaScript وPython أعضاء Language نفسها.

قيمة البروتوكولJavaScriptPythonبايت اللغةالكلام
arLanguage.Arstt.Language.Ar0العربية
enLanguage.Enstt.Language.En1الإنجليزية
codeswitchLanguage.ArEnstt.Language.ArEn2العربية والإنجليزية مختلطتان في تسجيل واحد
auto——255الافتراضي في الخدمة

تُوضع قيمة البروتوكول في مسار URL للنسخ الدفعي وفي معاملات استعلام النسخ السريع وبث HTTP. وبايت اللغة هو البايت 17 في ترويسات إطارات النسخ الفوري (والبايت 16 في حزمة النسخ السريع المباشرة عبر Socket.IO). تتحقق إطارات التمييز منه لكنها تتجاهله.

تُحل auto إلى الافتراضي المضبوط للبيئة، وهو حاليًا نموذج التبديل بين العربية والإنجليزية. لا يملك SDK 0.18.1 ثابتًا لها، فأرسلها فقط من تكامل API مباشر. وعلى مساري النسخ السريع وبث HTTP، يعطي حذف اللغة الأثر نفسه. إذا لم تعرف لغة الصوت فاستخدم codeswitch؛ فهي تتعامل مع العربية والإنجليزية ومع الاثنتين معًا.

نماذج تحويل الكلام إلى نص

يقبل النسخ الدفعي والسريع مفتاح نموذج ASR. أما النسخ الفوري والتمييز المباشر فلا يأخذان نموذجًا: تقبل startStream() / start_stream() لغة فقط، وتختار الخدمة المتعرّف بنفسها.

المفتاحعضو التعداد (BatchTranscriptionModel / FastTranscriptionModel)اللغاتدفعيسريعالحالة
bayan_cs_ar_enBayanArEnالعربية والإنجليزية والتبديل بينهمانعمنعمموصى به؛ يتبع أحدث إصدار
bayan_cs_ar_en_v2BayanArEnV2العربية والإنجليزية والتبديل بينهمانعمنعممثبّت على الإصدار الحالي
bayan_arBayanArالعربيةنعمنعمحالي
nida_8k_arNidaArTelephonyالعربية، هاتفي بتردد 8 kHzنعملاحالي؛ للنسخ الدفعي فقط
bayan_auto—أي لغةنعمنعمالافتراضي لـauto؛ بلا ثابت في SDK، مرّر السلسلة
nida_arNidaAr—نعمنعممدعوم
fast_enFastEn—نعمنعممدعوم

استخدم تعدادات كل مسار: BatchTranscriptionModel للنسخ الدفعي وFastTranscriptionModel للنسخ السريع، مثل BatchTranscriptionModel.BayanArEn (في Python: stt.BatchTranscriptionModel.BayanArEn). كلاهما مُصدَّر من humain_voice.stt في Python. وتقبل المعاملات asr وasr_model أيضًا سلسلة مفتاح عادية. يستبعد FastTranscriptionModel العضو NidaArTelephony لأنه نموذج هاتفي للنسخ الدفعي فقط. أما التعداد الأقدم ASRModel فيضم الأعضاء السبعة كلها في SDK ويبقى للتوافق.

سير العملمعامل النموذج
النسخ الدفعيasr اختياري. عند حذفه تستخدم الخدمة الافتراضي المضبوط للغة.
النسخ السريع (SDK)مطلوب: تأخذ transcribe() لغة ونموذجًا.
النسخ السريع (API مباشرة)اختياري. يأخذ HTTP المعامل asr (وله الاسم البديل model)؛ وتأخذ حزمة Socket.IO المباشرة الحقل asr_model_key. عند حذفه أو تركه فارغًا تستخدم الخدمة الافتراضي للغة.
النسخ الفوري، التمييز المباشرلا يوجد.

يعيد المفتاح المجهول، أو عدم ضبط افتراضي للغة أو لـauto، الخطأ 400 ASR_MODEL_NOT_FOUND. وجود ثابت في SDK لا يضمن أن النموذج مهيأ لمفتاحك؛ فعالج هذا الخطأ. راجع رموز الأخطاء.

اختيار نموذج بحسب حالة الاستخدام

حالة الاستخداماللغةالنموذج
كلام عربي أو إنجليزي أو مختلط (الافتراضي)codeswitchbayan_cs_ar_en
يجب ألا تتغير النتائج عند صدور إصدار جديدcodeswitchbayan_cs_ar_en_v2
تسجيلات عربية فقطarbayan_ar
تسجيلات مكالمات هاتفية عربية بتردد 8 kHzarnida_8k_ar (دفعي)
صوت مباشرcodeswitchلا يوجد؛ يختار النسخ الفوري النموذج

ITN والحجب خياران للنسخ الدفعي؛ راجع واجهة REST للنسخ الدفعي.

مستويات تمييز المتحدثين

اضبط المعامل diarization في مهمة نسخ دفعي لتسمية من تحدث ومتى. لا مستوى للتمييز المباشر: تختار الخدمة النموذج.

القيمةثابت SDK 0.18.1المعنى
0 أو falseBatchDiarization.Offمعطّل. حذف المعامل يعطّل التمييز أيضًا.
1 أو trueBatchDiarization.Onمفعّل بالمستوى الافتراضي، وهو حاليًا d1.
d1BatchDiarization.D1توازن بين الدقة والسرعة.
d2BatchDiarization.D2تسجيلات فيها أكثر من 4 متحدثين. الأبطأ.
d3—حتى 4 متحدثين. الأسرع. الصوت الأقصر من 1 s لا يعيد أي مقاطع.

لكل مستوى حد أقصى خاص به لمدة الصوت؛ راجع حدود النسخ الدفعي.

لا يملك SDK 0.18.1 ثابتًا لـd3 ويقبل أعضاء BatchDiarization فقط. استخدم BatchDiarization.On الذي يُحل إلى d1 اليوم، أو أرسل diarization=d3 عبر واجهة REST للنسخ الدفعي لتثبيته. وفي Python، استورد BatchDiarization من humain_voice.stt.batchtranscription.

تسميات المتحدثين نسبية إلى نتيجة واحدة؛ راجع الخطوط الزمنية للمتحدثين في المفاهيم.

تحويل النص إلى كلام

لتحويل النص إلى كلام نموذج واحد، هو nebula (TtsModel.Nebula في كلا SDK). يرسله SDK 0.18.1 عند حذف model؛ وفي تكامل Socket.IO المباشر أرسل model: "nebula" صراحةً. الخرج صوت PCM16 خام؛ ومعدلات العينات لكل مسار في المفاهيم.

يحتاج كل طلب إلى محدد صوت واحد بالضبط:

المحددالقيمة
voice_idقيمة id لصوت من قائمة الأصوات.
voice_referencesمقطع WAV أحادي القناة بصيغة PCM16 مشفر بـbase64 مع نصه المنسوخ، لتكييف الصوت مع متحدث. الحدود في حدود تحويل النص إلى كلام.

قائمة الأصوات

تعيد listVoices() / list_voices() ملفات أصوات متعددة اللغات. بدون SDK، أرسل حدث Socket.IO المسمى tts_voice_list؛ راجع قائمة الأصوات. لا يوجد مسار HTTP لقائمة الأصوات، فتحصل تكاملات TTS عبر HTTP على المعرّفات بالطريقة نفسها. لكل عنصر:

الحقلالمعنى
idUUID للملف. أرسله كـvoice_id. ترفض الخدمة معرّفات المتغيرات الفيزيائية الداخلية.
labelاسم مقروء، مثل mul_youssef. اعرضه ولا تطابق عليه.
profile.speaker.gendermale أو female.
profile.speaker.dialectوسم BCP-47 للهجة الأساسية للمتحدث، مثل arz.
profile.languagesوسوم BCP-47 للغات التي يستطيع الصوت التحدث بها، مثل ["ar", "en"].
profile.emotionsالمشاعر التي يستطيع الصوت التحدث بها، وأولها neutral. يغيب حيث لا تكون المشاعر وأسلوب الإلقاء مفعّلة. في SDK الإصدار 0.18.1، أو 0.19.0-beta.3 أو أحدث (في Python: الإصدار 0.18.1، أو 0.19.0b3 أو أحدث).
profile.stylesأساليب الإلقاء التي يستطيع الصوت استخدامها، مثل ["news"]. يغيب حيث لا تكون مفعّلة أو لا يملك الصوت أي أسلوب. في SDK الإصدار 0.18.1، أو 0.19.0-beta.3 أو أحدث (في Python: الإصدار 0.18.1، أو 0.19.0b3 أو أحدث).

الأصوات المتاحة وقت الكتابة، وكلها تتحدث العربية والإنجليزية:

التسميةاللهجة
mul_nourah، mul_abdullah، mul_sara، mul_abdulazizars (العربية السعودية)
mul_fadiapc (العربية الشامية)
mul_yassinary (العربية المغربية)
mul_youssefarz (العربية المصرية)

قد تختلف المعرّفات والقائمة من بيئة إلى أخرى، فابحث عنها بالمثال أدناه بدل تثبيتها في الكود. القائمة الفارغة نتيجة صالحة؛ لا تلجأ إلى معرّف مخمَّن.

list-voices.ts
import { TTSClient } from '@humain-voice/sdk';

function requiredEnv(name: 'API_KEY' | 'API_URL'): string {
  const value = process.env[name];
  if (!value) throw new Error(`${name} is required`);
  return value;
}

function socketPath(): { api_path?: string } {
  const value = process.env.API_PATH;
  return value ? { api_path: value } : {};
}

async function main(): Promise<void> {
  const client = new TTSClient({
    api_url: requiredEnv('API_URL'),
    api_key: requiredEnv('API_KEY'),
    ...socketPath(),
  });

  try {
    for (const voice of await client.listVoices({ timeoutSeconds: 5 })) {
      const dialect = voice.profile?.speaker.dialect ?? '';
      const languages = voice.profile?.languages.join(',') ?? '';
      console.info(voice.id, voice.label, dialect, languages);
    }
  } finally {
    await client.close();
  }
}

void main().catch((error: unknown) => {
  console.error(error);
  process.exitCode = 1;
});

الخرج المتوقع (توضيحي؛ تختلف المعرّفات بحسب البيئة):

42e38a63-849a-481a-b5bf-3c1b7a985de3 mul_nourah ars ar,en
2f66da2d-eb4d-4376-b2fe-5631cebe1db7 mul_fadi apc ar,en
af52a907-1086-46f7-8f5d-72317875d7bd mul_youssef arz ar,en

اختيار اللغة في الصوت

لا تمرّر لغة إلى TTS. إذا احتوى text أي حرف بالخط العربي فسيتحدث الصوت بالعربية؛ وإلا فبالإنجليزية. الأرقام وعلامات الترقيم والرموز التعبيرية والمسافات وحروف الخطوط الأخرى لا تختار العربية.

الخطوات التالية

في هذه الصفحة