تشهد الدراما الصينية القصيرة انتشارًا واسعًا عبر المنصات الرقمية، ويولد هذا الانتشار طلبًا متناميًا على دبلجة آلية إلى لغات أخرى، ومنها اليابانية، على نحو يحافظ على صوت كل شخصية وهويتها الصوتية، وتعد تقنية استنساخ الصوت عبر اللغات دون تدريب مسبق المكون الحاسم في هذه العملية، إذ تولد كلامًا يابانيًا انطلاقًا من مقطع مرجعي صيني قصير، غير أن أداء الأنظمة المتاحة في هذا المشهد العابر للغات ما يزال بحاجة إلى تقييم منهجي يجمع بين المقاييس الآلية والحكم البشري
وتكتسب هذه القضية أهمية خاصة لصناعة المحتوى المرئي والمسموع، لأن نجاح الدبلجة لا يقاس بوضوح الكلام المولد فحسب، بل بقدرة المستمع على التعرف إلى الشخصية ذاتها عبر اللغتين، وبطبيعية الأداء الصوتي وقربه من التجربة الأصلية، وهي أبعاد قد لا تلتقطها المقاييس الآلية وحدها، ومن هنا تأتي الحاجة إلى مقارنات مرجعية تضبط العلاقة بين ما تقيسه الخوارزميات وما يدركه المستمع البشري فعلًا، خاصة أن الدراما القصيرة صيغة سريعة الإنتاج والانتشار تفرض قيودًا زمنية وتقنية تجعل أخطاء الدبلجة أكثر وضوحًا وأثرًا في تجربة المشاهدة
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى إجراء مقارنة مرجعية لأربعة أنظمة عصبية لتحويل النص إلى كلام في مهمة استنساخ الصوت العابر للغات بين الصينية واليابانية، وشملت الأنظمة ثلاثة أنظمة استنساخ هي GPT-SoVITS في إصداره الثالث وF5-TTS وCosyVoice2 بنسخته ذات نصف مليار معامل، إضافة إلى خط الأساس التجاري غير المستنسخ EdgeTTS، واعتمدت الدراسة مدونة درامية قصيرة مشروحة تضم تسعًا وسبعين حلقة و3692 مقطعًا واثني عشر متحدثًا، مع مراجع يابانية موثقة من متحدثين أصليين، وجمع التقييم بين الوضوح الآلي عبر إعادة النسخ بأداة Whisper وتشابه التضمينات الصوتية للمتحدثين، ودراسة استماع معماة أجراها خمسة مقيمين حاصلين على المستوى الأول في اختبار إجادة اللغة اليابانية
ثانيًا: أبرز النتائج
1، كان نظام EdgeTTS الأكثر وضوحًا إجمالًا بمعدل خطأ في الأحرف بلغ 0.030، في حين لم يحقق من أنظمة الاستنساخ وضوحًا قابلًا للاستخدام سوى GPT-SoVITS بمعدل خطأ قدره 0.215، مقابل 1.152 لنظام F5-TTS و4.603 لنظام CosyVoice2
2، انفصلت المقاييس الآلية عن المقاييس الإدراكية، إذ سجل F5-TTS تشابهًا في التضمينات أعلى بفارق طفيف بلغ 0.729 مقابل 0.722، ومع ذلك فضل المقيمون GPT-SoVITS بنسبة ثلاثة إلى واحد
3، لم يظهر فرق قابل للرصد في الطبيعية بين GPT-SoVITS وEdgeTTS، إذ بلغ متوسط درجة الرأي 3.08 مقابل 3.12 بقيمة دلالة إحصائية قدرها 0.93، وهي نتيجة صفرية عند دقة تمييز تناهز 0.6 نقطة
4، ارتفع تشابه المتحدث في اختبار المتحدث الواحد من 0.64 إلى 0.71 كلما طال المقطع المرجعي من ثلاث ثوان إلى عشر ثوان، بما يشير إلى أثر طول المرجع في جودة الاستنساخ
ثالثًا: دلالات الدراسة وتطبيقاتها
تؤكد هذه النتائج أن تشابه التضمينات وحده مؤشر غير موثوق للهوية الصوتية كما يدركها المستمع، وأن تقييم أنظمة استنساخ الصوت يستلزم الجمع بين المقاييس الآلية والتقييم البشري المعمى، ويستفيد الباحثون العرب وطلاب الدراسات العليا في معالجة الكلام واللغويات الحاسوبية من هذه المقارنة المرجعية عند تطوير أنظمة دبلجة واستنساخ صوت للغة العربية ولهجاتها، إذ تبرز الدراسة أسئلة منهجية حول بناء مدونات تقييم موثقة من متحدثين أصليين، وضبط أطوال المقاطع المرجعية، وفصل أبعاد الوضوح والتشابه والطبيعية عند الحكم على جودة المخرجات الصوتية المولدة، كما تنبه مطوري المحتوى إلى أن اختيار النظام الأنسب يظل رهنًا بالمهمة المستهدفة وطبيعة الجمهور
وتثير هذه النتائج أيضًا أسئلة تطبيقية لمنتجي المحتوى المترجم حول موازنة الكلفة والجودة في خطوط الدبلجة الآلية، إذ قد تصلح الأنظمة الحالية لبعض صيغ المحتوى السريع، بينما تظل الأعمال ذات الحساسية الدرامية العالية بحاجة إلى مراجعة بشرية تضبط الأداء الصوتي وملاءمته للسياق الثقافي للمشاهدين وتوقعاتهم
وخلاصة القول إن استنساخ الصوت عبر اللغات دون تدريب مسبق قطع شوطًا مهمًا نحو الدبلجة الآلية الحافظة لهوية الشخصيات، غير أن الحكم على نضجه يظل رهنًا بتقييم متعدد الأبعاد يوازن بين دقة الخوارزمية وإدراك المستمع البشري، ومع تسارع انتشار الدراما القصيرة عبر الأسواق واللغات يتوقع أن يتسع هذا الحقل البحثي والتطبيقي بوتيرة متزايدة
